雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际先进研究期刊》的研究在电子、电子、仪表工程

菜单

ISSN在线(2278 - 8875)打印(2320 - 3765)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

使用人工神经网络预测太阳辐射全球

Rashmi耆那教徒的1Bhawana高尔2
  1. 电气Engg系助理教授。,YMCA University of Science and Technology, Faridabad, India
  2. PG学生(PSD),埃尔称,基督教青年会科技大学,法里达巴德,印度
相关文章Pubmed,谷歌学者

访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程

国际先进研究期刊》的研究在电子、电子、仪表工程

文摘

预测太阳辐射是通过人工神经网络(ANN)拟合工具。训练和测试的安太阳辐射数据使用不同的城市和不同的气候条件。使用的分析是Levenberg-Marquard (LM)算法。ANN模型结果与测量数据的基础上,均方根误差(RMSE)和平均偏差错误(MBE)。对印度地区,发现RMSE ANN模型0.0486 - -3.562不等。在这项研究中,一个多层前馈神经网络(MLFF)研制了基于反向传播算法,训练,和测试来预测全球太阳辐射对不同城市的印度。各种地理作为输入参数,太阳能和气象参数的不同位置和不同的气候条件。本研究的主要目的是回顾基于人工神经网络(ANN)技术来确定合适的方法在文献中太阳辐射预测和识别研究缺口。研究表明,ANN技术更准确地预测太阳辐射相比其他(传统)的方法。我们会发现,ANN模型的预测精度取决于输入参数组合,训练算法和体系结构配置。

关键字
反向传播人工神经网络,全球辐射,多层感知器网络,印度

介绍
许多国家面临的最重要的挑战之一是能源危机。在如今能源危机的情况下,太阳能作为可再生能源起着至关重要的作用,由于其未受污染的自然和丰富的可用性在热带国家像印度。需要有一个准确的知识可用太阳能的各种组件的位置对其有效和高效利用。这些组件的太阳能日照时间、最大环境温度、纬度、经度、相对湿度,天,每日晴空全球辐射、总云量、温度、清洁度指数,高度,月平均温度、平均阴沉,平均风速、大气压力,额外的地面辐射、蒸发、参考晴朗指数,意味着散射辐射,意味着光束辐射,月,土壤温度。这些,全球辐射是太阳辐射的最重要的组成部分,因为它给了总太阳能可用性在给定的地方。这是测量只在少数几个地方,因为高成本参与各种设备的购买和维护。数学模型成为地方不可避免的全球辐射的测量是没有完成的一些因素。大量的实证模型已经开发利用气象参数如阳光小时,温度,等等,为了估计全球辐射。
本文的主要目标是开发一个计算简单的ANN模型来估计全球辐射平均绝对百分比误差不到5%在印度使用常见的气象参数测量的地方。太阳能参数如太阳赤纬,日出时角,外星辐射和最大可能的日照时间(天长度)已经使用和一些地理和气象参数一起作为输入。本文中使用的输入都是免费在所有气象监测站。在目前的研究中,基于Levenberg-Marquard多层前馈神经网络的反向传播学习算法(LM)开发、训练和测试使用的地理,太阳能和印度不同地点的气象参数和不同的气候条件。

ANN模型
“人工神经元”视为一种类型的节点。这些被称为人工神经网络(ann)。计算模型的启发在自然神经元是一个人工神经元。自然神经元接收信号通过突触位于神经元的树突或膜。收到的信号,如果足够强大(超过某一阈值),神经元被激活和释放一个信号尽管轴突。那么这个信号可能被发送到另一个突触,并可能激活其他神经元。一个简单的神经元是图1所示。[1]
图像
神经元的核心单元是一个人工神经网络使用开发输出的传递函数。每个输入乘以一个重量,是输入和神经元之间的连接,各层之间的神经元。之后,重量的输入组合,之后偏差加权之和添加输入。输出神经元时获得一个传递函数适用于这个结果。一个基本的人工神经元是如图2所示。[1]
图像
人工神经网络与biologicalneural匹配网络。ANN模型是用于各种应用模式识别、模式分类、非线性映射,预测和仿真。一个多层感知器(MLP)网络已经使用在各种类型的网络。
神经网络是一种大规模并行分布式处理器存储经验知识的能力。它使它可用于不同的用途。
神经网络的工作原理就像人类的大脑在两个方面。
1。从学习过程获得的网络获取知识。
2。Inter-neuron连接的优点,被称为突触权重是用来存储知识。
人工神经网络有能力处理大型、复杂系统与许多相互关联的参数。,忽略不重要的大型数据和专注于更重要的输入和参数。反向传播是最受欢迎的和强大的神经网络学习算法。反向传播算法纠错学习规则。误差反向传播过程既包含向前和向后传球。输入向量应用到网络的输入层的传球前进及其传播的影响通过网络连接权重和一层一层地。最后的输出是开发成网络的实际响应。传球前进,网络的突触权重是固定的而在向后传递,网络的突触权重都是依法纠错规则调整。一个错误信号时产生的实际反应网络中减去预期的响应。然后通过网络误差信号反向传播。
网络由输入层、输出层和一个或更多的隐藏层。这个案例研究中使用的建筑,有一个输入层,包含四个输入,一个隐层Tan-Sigmoid激活函数。“PURELIN”是使用一个线性激活函数为输出层。实现的MATLAB神经网络拟合工具箱(nftool)使用。的培训网络,算法使用TRAINLM。

方法
在本案例研究中,印度4位置、孟买、昌迪加尔、那格浦尔,新德里,选择(表1)。印度气象部门实测气象数据(IMD),每小时是指时间的阳光,海拔高度对这些站,。
四个输入层神经元对应以下输入参数与单位在括号:
1 . .纬度(度)
2 . .经度(度)
3所示。海拔高度(米)
4 . .Sunshine小时。
安体系结构如图3所示。[1]
图像
利用神经网络拟合(nftool) 2007年MATLAB工具箱软件,使用多层感知器(MLP)神经网络。地理和阳光小时数据城市孟买,昌迪加尔,用于训练数据和地理数据和阳光小时城市那格浦尔,新德里,用于测试。
图像
开发模型的性能进行了研究和评估的基础上,建立了统计误差参数:
答:意味着偏移误差(MBE)被定义为:
图像
,K是观测的总数,第i个观测值和i全球辐射的计算值。
b .均方根误差(RMSE)被定义为:
图像
C。平均绝对误差百分比(日军)被定义为:
图像
平均偏差的测试误差(MBE)给信息的长期性能模型。过高的预测值的平均数量是由积极的和MBE低估在预测值的平均数量是由MBE负面。测试(MBE)的主要缺点是,在一个观察将取消低估高估在另一个观察。平均绝对百分比误差(日军)忽略了错误取消的问题。测试参数(日军)不推荐从分析的角度来看,因为误差的绝对值并不是一个可微的数量。测试在均方根误差(RMSE)提供信息的短期性能模型。它允许逐项比较实际的计算和测量值之间的偏差。RMSE总是正的。

结果和讨论
图像
性能图如图4所示。在这个图中,通过增加数量的时代,均方误差小。误差测试集和验证集误差具有相同的特征,没有明显的拟合发生的时代(最好验证性能已经发生)。
图像
输出之间的回归(R值)和目标的测量输出的变化是如何描述的目标。拦截(b)和斜率(m)值在图5中0.33,0.96分别预测,符合很好。热阻是91.96%的总响应如图5所示。
预测太阳辐射值接近实际值的月。观察到一个小的偏差的计算值。
图像

结论
利用人工神经网络技术在建模太阳辐射、报道和研究。研究表明,选择有较低的RMSE ANN模型。模型和提出的包括参数如纬度,经度,日照时间和海拔高度的不同位置的印度。比较该模型与测量数据显示,使用该模型的预测太阳辐射是在良好的协议与IMD(印度气象部门)测量数据。因此模型,它适用于预测太阳辐射为位置在印度太阳辐射网站需要特定的太阳能应用特别是太阳能发电和生产。

引用
  1. 黄LT, Chow工作。太阳辐射模型。应用能量2001;69 (3):191 - 224。
  2. 李DHW,林JC。太阳能得热因素,在亚热带地区建筑设计的影响。能源和建筑2000;32 (1):47 - 55。
  3. 陆Z, Piedrahita RH,否决权的cd。代每天和每小时的太阳辐射值建模在水产养殖池塘水质。交易的ASAE 1998; 41 (6): 1853 - 9。
  4. KumarR Umanand l .估计全球辐射使用清洁度分级光伏系统指数模型。可再生能源2005;30(15):2221 - 33所示。
  5. Ertekin C, Yaldiz o .比较一些现有模型估算全球太阳辐射安塔利亚(土耳其)。能量转换和管理41 2000;(4):311 - 30。
  6. Tadros MTY。使用日照时间估计全球的太阳辐射在8个气象站在埃及。可再生能源2000;21 (2):231 - 46。
  7. Almorox J, Hontoria c全球太阳能辐射估计使用日照时间在西班牙。能量转换和管理2004;45 (9 - 10):1529 - 35。
  8. 孟HO Ertekin C, Sonmete MH。评价科尼亚的全球太阳辐射模型,土耳其。能量转换和管理2006;47 (18):3149 - 73。
  9. Bakirci k .相关性估计每日全球太阳辐射与小时明亮的阳光在土耳其。能源2009;34 (4):485 - 501。
  10. Cybenko g .近似s型函数的叠加。控制信号和系统的数学1989;2:303-14。
  11. Reddy KS。太阳能资源评估使用人工神经网络与其它相关模型和比较。能量转换和管理2003;44 (15):2519 - 30。
  12. 所以¨禅宗a使用人工神经网络映射在土耳其的太阳能潜力。应用能量2004;77 (3):273 - 86。
  13. Zarzalejo低频,拉米雷斯L,马球j .人工智能技术应用于每小时全球辐照度估计采用卫星云指数。Energy2005; 30 (9): 1685 - 97。
  14. 这里J,班达EJKB。估计每月平均每天使用人工神经网络的全球太阳能照射。太阳能2008;82 (2):1 - 7。
  15. Rehmana年代,Mohandes m .人工神经网络估计全球太阳能辐射的使用空气温度和相对湿度。2008年能源政策;36 (2):571 - 6。
  16. Mohandes M, Balghonaim,卡萨岛M,拉赫曼年代,Halawani。使用径向基函数的估计每月平均每天solarradiation。太阳能2000;68:161 - 8。
  17. 那么硕士Behrang e . Assareh a Ghanbarzadeh境Noghrehabadi。可能不同的人工神经网络(ANN)技术在日常全球太阳能radiationmodeling基于气象数据。太阳能2010;84:1468 - 1480。
  18. 微积分美国神经网络:一个全面的基础。纽约:麦克米伦大学出版社;1993年。
  19. Kalogirou SA。人工神经网络在能源系统中的应用:一个回顾。能量转换管理1999;40:1073 - 87。
  20. 摩尼a手册为印度的太阳辐射数据。新德里:盟军出版商分公司;1981年。
全球技术峰会