基于神經(jīng)網(wǎng)絡(luò)的光伏電池建模

PAGEPAGE1基于MATLAB6.5畢業(yè)設(shè)計(jì)說(shuō)明書(shū)題目：基于神經(jīng)網(wǎng)絡(luò)的光伏電池建模姓名：王曄楠導(dǎo)師：仲志丹學(xué)校：河南科技大學(xué)學(xué)院：機(jī)電工程學(xué)院專(zhuān)業(yè)：機(jī)械設(shè)計(jì)及其自動(dòng)化2008年5月前言

太陽(yáng)能電池根據(jù)光生伏特效應(yīng)原理,將太陽(yáng)光能直接轉(zhuǎn)化為電能,在轉(zhuǎn)化過(guò)程中,沒(méi)有污染和噪聲。太陽(yáng)能是可再生能源,利用這種能源不僅能夠減少燃料損耗,還可以改善環(huán)境污染和全球變暖給人類(lèi)生存所帶來(lái)的威脅,因而越來(lái)越受到人們的關(guān)注。太陽(yáng)電池陣列(也稱(chēng)為光伏陣)本質(zhì)上是一種高度非線(xiàn)性功率源。其功率輸出主要隨太陽(yáng)能日照和電池溫度的變化而變化。目前已建立的模型大多是基于光伏陣的物理模型進(jìn)行建模,對(duì)系統(tǒng)功率流進(jìn)行計(jì)算,從而對(duì)系統(tǒng)的長(zhǎng)期穩(wěn)態(tài)性能進(jìn)行評(píng)價(jià)。然而,這種方法需要有太陽(yáng)電池和生產(chǎn)規(guī)格等詳細(xì)的物理參數(shù)。對(duì)于用戶(hù)而言,這些參數(shù)不容易獲得,而且推導(dǎo)出的數(shù)學(xué)模型不一定準(zhǔn)確,因此基于此法預(yù)測(cè)的最大功率點(diǎn)與實(shí)際情況相差較大[1]。其建模精度極為有限,而且這些模型表達(dá)式過(guò)于復(fù)雜,難以滿(mǎn)足工程上對(duì)光伏系統(tǒng)的實(shí)時(shí)控制要求。人工神經(jīng)網(wǎng)絡(luò)建模不需要任何光伏陣物理定義,因此在電力系統(tǒng)工程中吸引了人們?cè)絹?lái)越多的注意,大量的神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于光伏系統(tǒng)中[2～4]。這些方法大多采用反向傳播多層感知器型神經(jīng)網(wǎng)絡(luò)(MLP-BP),然而,在訓(xùn)練中存在局部極值,不能建立最優(yōu)模型或者不適合于特殊的系統(tǒng)。基于以上原因,本文采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)辨識(shí)方法對(duì)光伏電池進(jìn)行辨識(shí)建模,以太陽(yáng)能日照、溫度以及負(fù)載電壓作為神經(jīng)網(wǎng)絡(luò)辨識(shí)模型的輸入量,光伏電池輸出電流為輸出量,根據(jù)實(shí)驗(yàn)的輸入輸出數(shù)據(jù)建立光伏系統(tǒng)的電壓/電流模型。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的數(shù)學(xué)模型相比,BP建模的精度較高,訓(xùn)練時(shí)間短,更重要的是建模過(guò)程避免了復(fù)雜的解析建模,通過(guò)神經(jīng)網(wǎng)絡(luò)的計(jì)算,可以快速地得到電堆的輸入/輸出特性。這說(shuō)明基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)建立光伏陣這一個(gè)復(fù)雜非線(xiàn)性系統(tǒng)的模型是可行的

基于神經(jīng)網(wǎng)絡(luò)的光伏電池建模摘要由于光伏電池具有高度非線(xiàn)性特性,難以建模,而傳統(tǒng)的數(shù)學(xué)模型難以滿(mǎn)足光伏控制系統(tǒng)設(shè)計(jì)和應(yīng)用的要求。該文利用神經(jīng)網(wǎng)絡(luò)具有逼近任意復(fù)雜非線(xiàn)性函數(shù)的能力,將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到光伏陣的建模中,避開(kāi)了該模塊內(nèi)部的復(fù)雜性。模型以太陽(yáng)能日照、溫度以及負(fù)載電壓作為神經(jīng)網(wǎng)絡(luò)辨識(shí)模型的輸入量，光伏陣輸出電流為輸出量，采用改進(jìn)型BP算法,建立了光伏電池的動(dòng)態(tài)響應(yīng)模型,然后預(yù)測(cè)了最大功率點(diǎn)。文中給出模型的結(jié)構(gòu),訓(xùn)練步驟和仿真結(jié)果。仿真結(jié)果表明,方法可行,建立的模型精度較高,從而為設(shè)計(jì)光伏實(shí)時(shí)控制系統(tǒng)奠定了基礎(chǔ)。關(guān)鍵詞：光伏電池;神經(jīng)網(wǎng)絡(luò);建模

ModelingofPhotovoltaic-ArrayBasedonImprovedBPNeuralNetworksIdentificationABSTRACTFortheseriouscomplexityofphotovoltaicarray(PV),modelingofitisverydifficultandtheexistingmodelsaretoocomplicatedtobeappliedtodesigningandcontrollingthesystem,especiallytoonlinecontrolling.Inthispaper,wetrytoestablishavoltageandcurrentmodelofPVarraybyusingneuralnetworksidentificationtechniques.Thetemperature,radiationandvoltageofthesolarcellsaretakenastheinputandthecurrentastheoutputoftheneuralnetworksmodel.Inthisway,wecanavoidtheinternalcomplexityofPVmodule.The595groupsexperimentaldataareused,andthestructureandthenovelBPalgorithmofneuralnetworksidentificationsystemaregiven.Thevalidityandaccuracyofthemodelareprovedbythesimulationresults.Theneuralnetworksmodelingmakesitpossibletodesignon-linecontrollerofPVsystem.KEYWORDS:Photovoltaicarray;Neuralnetwork;Modeling目錄第一章概述 6§1.2.國(guó)內(nèi)外同類(lèi)設(shè)計(jì)（或同類(lèi)研究）的概況綜述 7 0圖1單個(gè)光伏電池等效電路 0 1圖3典型光伏電池V-I、P-V特性隨溫度變化曲線(xiàn) 1第三章光伏電池的數(shù)學(xué)模型 2§3.1光伏電池的數(shù)學(xué)模型的建立 2總結(jié) 26參考文獻(xiàn) 27致謝 29附錄 30第一章概述§1.1設(shè)計(jì)（或研究）的依據(jù)與意義太陽(yáng)能可以不分地域地輻射到地球的每一個(gè)角落，從而成為21世紀(jì)最具大規(guī)模開(kāi)發(fā)潛力的新能源之一。在中國(guó)，太陽(yáng)能資源較好的地區(qū)占國(guó)土面積2/3以上，主要集中在西部地區(qū)，尤其是西北和青藏高原，年平均日照時(shí)間在2200小時(shí)以上；中國(guó)陸地每年接受的太陽(yáng)輻射量約合24000億噸標(biāo)準(zhǔn)煤。太陽(yáng)能的轉(zhuǎn)換利用方式有光-熱轉(zhuǎn)換、光-電轉(zhuǎn)換和光-化學(xué)轉(zhuǎn)換等三種方式。接收或聚集太陽(yáng)能使之轉(zhuǎn)換為熱能，然后用于生產(chǎn)和生活的一些方面，是光-熱轉(zhuǎn)換即太陽(yáng)能熱利用的基本方式。太陽(yáng)能熱水系統(tǒng)是目前太陽(yáng)能熱利用的主要形式，它是利用太陽(yáng)能將水加熱儲(chǔ)于水箱中以便利用的裝置。利用光生伏打效應(yīng)原理制成的光伏電池，可將太陽(yáng)光能直接轉(zhuǎn)換成電能加以利用，稱(chēng)為光電轉(zhuǎn)換，即光伏發(fā)電。光化學(xué)轉(zhuǎn)變尚處于研究試驗(yàn)階段，這種轉(zhuǎn)換技術(shù)包括光伏電池電極化水制氫、利用氫氧化鈣和金屬氫化物熱分解儲(chǔ)能等。光伏發(fā)電應(yīng)用首先要解決的是怎樣將太陽(yáng)能轉(zhuǎn)換為電能。光伏電池就是利用半導(dǎo)體光伏效應(yīng)制成，它是一種將太陽(yáng)輻射能直接轉(zhuǎn)換為電能的轉(zhuǎn)換器件。由若干個(gè)這種器件封裝成光伏電池組件，再根據(jù)需要將若干個(gè)組件組合成一定功率的光伏陣列，并與儲(chǔ)能、測(cè)量、控制等裝置相配套，即構(gòu)成光伏發(fā)電系統(tǒng)。中國(guó)是世界上最大的發(fā)展中國(guó)家，人口眾多，工業(yè)化任務(wù)遠(yuǎn)未完成。國(guó)民經(jīng)濟(jì)建設(shè)的發(fā)展，人民生活水平的提高，社會(huì)各項(xiàng)事業(yè)的進(jìn)步，必將對(duì)能源的供應(yīng)提出更多、更高的要求。中國(guó)光伏發(fā)電的需求量巨大，市場(chǎng)廣闊。各方面的預(yù)測(cè)表明，21世紀(jì)中葉太陽(yáng)能將成為中國(guó)能源直接供應(yīng)的一支主力軍。光伏發(fā)電已成為現(xiàn)實(shí)，并在全球范圍內(nèi)迅猛發(fā)展。如果說(shuō)石化能源是21世紀(jì)的能源主體，那么可以說(shuō)以太陽(yáng)能為主體的新能源將成為21世紀(jì)人類(lèi)能源的主體，“掌握了未來(lái)的能源就掌握了人類(lèi)未來(lái)的命運(yùn)”，光伏發(fā)電的時(shí)代正在向我們走來(lái)！§1.2.國(guó)內(nèi)外同類(lèi)設(shè)計(jì)（或同類(lèi)研究）的概況綜述當(dāng)今世界各國(guó)尤其是發(fā)達(dá)國(guó)家對(duì)于光伏發(fā)電技術(shù)十分重視，針對(duì)其制定規(guī)劃，增加投入，大力發(fā)展。美國(guó)能源部于1990年開(kāi)始啟動(dòng)光伏制造技術(shù)的產(chǎn)業(yè)化計(jì)劃，通過(guò)國(guó)家可再生能源實(shí)驗(yàn)室實(shí)施，并成立了國(guó)家PV中心，與產(chǎn)業(yè)界、大學(xué)和研究機(jī)構(gòu)聯(lián)合進(jìn)行研究，以大幅度降低光伏電池的生產(chǎn)成本。這一計(jì)劃的實(shí)施，已取得明顯效果：商品化晶體硅光伏電池組件的光電轉(zhuǎn)化效率達(dá)到12%-14%；生產(chǎn)規(guī)模從過(guò)去的1-5MWp/年發(fā)展到5-20MWp/年；生產(chǎn)工藝不斷簡(jiǎn)化，自動(dòng)化程度不斷提高。在日本和歐盟各國(guó)，也有類(lèi)似計(jì)劃。2000年以來(lái)，世界晶體硅光伏組件的生產(chǎn)成本降低了32%以上，達(dá)到3美元/Wp左右。緊緊圍繞降低光伏發(fā)電成本的各種研究開(kāi)發(fā)工作一直在發(fā)達(dá)國(guó)家中緊張地進(jìn)行，其中以晶體硅材料為基礎(chǔ)的高校光伏電池和各種薄膜光伏電池為基礎(chǔ)的研究工作是熱點(diǎn)課題。澳大利亞新南威爾士大學(xué)研制的高校單晶硅光伏電池效率已達(dá)24.7%，美國(guó)、日本和德國(guó)也達(dá)到了23%。薄膜光伏電池的研究工作主要集中在非晶硅薄膜光伏電池、CdTe系光伏電池和多晶硅薄膜光伏電池等。非晶硅薄膜光伏電池主要是通過(guò)雙結(jié)和三結(jié)迭層光伏電池克服衰降和提高效率。經(jīng)過(guò)努力，已有許多新的突破，目前實(shí)驗(yàn)室效率已經(jīng)超過(guò)10%。CdTe系光伏電池效率已達(dá)到15.8%，CIS系光伏電池效率已達(dá)到17%，而且都已有了光伏電池效率約為10%的中試生產(chǎn)線(xiàn)。多晶硅薄膜光伏電池的實(shí)驗(yàn)室效率已超過(guò)17%，成為世界關(guān)注的新熱點(diǎn)。美國(guó)、日本和俄羅斯等國(guó)均投入大量資金進(jìn)行空間太陽(yáng)能電站的研究試驗(yàn)，以期大規(guī)模利用太陽(yáng)能為人類(lèi)提供源源不斷的電力，其前景十分誘人。光伏發(fā)電與建筑相結(jié)合是目前世界上大規(guī)模利用光伏技術(shù)發(fā)電的研究開(kāi)發(fā)熱點(diǎn)，美國(guó)、日本和歐盟各國(guó)都在作為重點(diǎn)項(xiàng)目積極地進(jìn)行，除在屋頂安裝光伏電池外，已推出把光伏電池裝在瓦片內(nèi)的產(chǎn)品和光伏幕墻。從20世紀(jì)70年代中后期開(kāi)始,光伏技術(shù)得到不斷地完善，成本不斷降低，形成了不斷發(fā)展的光伏技術(shù)產(chǎn)業(yè)，成為21世紀(jì)世界能源舞臺(tái)上的主要成員之一。第二章光伏電池特性§2.1光伏電池的電特性§2.1.1等效電路光伏電池陣列由太陽(yáng)電池串聯(lián)和/或并聯(lián)連接而成。每一個(gè)電池本質(zhì)上是一個(gè)P-N結(jié),直接將光能轉(zhuǎn)換成電能。當(dāng)太陽(yáng)電池接上負(fù)載時(shí),光生電流流經(jīng)負(fù)載,并在負(fù)載兩端建起端電壓,這時(shí)太陽(yáng)電池的工作情況可用圖1所示的等效電路來(lái)描述圖1單個(gè)光伏電池等效電路其中，Iph為光生電流。Iph値正比于光伏電池的面積和入射光的輻照度。1cm光伏電池的Iph値均為16～30mA.Id為暗電流。無(wú)光照下的光伏電池的基本行為特性就類(lèi)似于一個(gè)普通二極管。所謂暗電流指的是光伏電池在無(wú)光照時(shí)，由外電壓作用下P-N結(jié)自身所能產(chǎn)生的總擴(kuò)散電流的變化情況。I為光伏電池輸出的負(fù)載電流。Rl為電池的外負(fù)載電阻。Rs為串聯(lián)電阻。一般小于1歐。它主要有電池的體電阻、表面電阻、電極導(dǎo)體電阻、電極與硅表面間接觸電阻和金屬導(dǎo)體電阻等組成。Rsh為旁路電阻，一般為幾千歐。它主要是由電池表面污濁和半導(dǎo)體晶體缺陷引起的漏電流所對(duì)應(yīng)的P-N結(jié)漏泄電阻和電池邊緣的漏泄電阻等組成。典型的光伏電池V-I、P-V特性如圖2,圖3所示。圖1表示I-V、P-V隨太陽(yáng)輻射變化而變化的規(guī)律。圖2表示V-I、P-V隨環(huán)境溫度變化的規(guī)律。從V-I特性曲線(xiàn)上可以看出,太陽(yáng)電池既非恒壓源,也非恒流源,也不可能為負(fù)載提供任意大的功率,是一種高度非線(xiàn)性的直流電源。在一定的太陽(yáng)日照下,該曲線(xiàn)完全由電池的P-N結(jié)特性和電阻分散參數(shù)確定。圖2典型光伏電池V-I、P-V特性隨太陽(yáng)輻射強(qiáng)度變化曲線(xiàn)圖3典型光伏電池V-I、P-V特性隨溫度變化曲線(xiàn)§2.2光伏電池的外特性光伏電池工作環(huán)境的多種外部因素,如光照強(qiáng)度/環(huán)境溫度/粒子輻射等都會(huì)對(duì)電池的性能指標(biāo)帶來(lái)影響,而且溫度的影響和光照強(qiáng)度的影響還常常同時(shí)存在.為了保證光伏電池具有較高的工作效率和較穩(wěn)定的性能,其制造工藝、組合安裝、以及在設(shè)計(jì)配套的控制系統(tǒng)時(shí)，都要考慮改善光伏電池外特性的問(wèn)題。第三章光伏電池的數(shù)學(xué)模型§3.1光伏電池的數(shù)學(xué)模型的建立光伏勢(shì)能在本質(zhì)上來(lái)說(shuō)是存在于2種特殊物質(zhì)之間的電子化學(xué)勢(shì)能差(Fermilevel)，當(dāng)這2種物質(zhì)結(jié)合在一起時(shí)，它們之間的結(jié)將達(dá)到一個(gè)新的熱動(dòng)力平衡，只有當(dāng)這2種物質(zhì)中的Fermilevel相等時(shí)，平衡才能達(dá)到。為了獲得高功率，需將許多的光伏電池串并聯(lián)形成光伏模塊直至光伏陣列。光伏電池的I-U、P-U曲線(xiàn)是隨光照強(qiáng)度、溫度變化的非線(xiàn)性曲線(xiàn)。

光伏電池的等值電路模型一般有3種。第1種是光伏電池的簡(jiǎn)單電路模型，不考慮任何電阻，該模型有利于理論研究，適宜于復(fù)雜的光伏發(fā)電系統(tǒng)仿真；第2種方法是只考慮光伏電池并聯(lián)電阻的模型，該模型精度稍高，在實(shí)際應(yīng)用中并不常見(jiàn)；第3種是既考慮并聯(lián)電阻，又考慮串聯(lián)電阻的較精確仿真模型，其等值電路模型如圖1所示。根據(jù)如圖1所示的光伏電池等值電路模型，應(yīng)用Kirchhoff電流定律，可得流過(guò)負(fù)載的電流I與其端口電壓U之間的關(guān)系

其中：Rs為光伏電池的內(nèi)阻；Rp為光伏電池的并聯(lián)電阻。一般來(lái)說(shuō)，質(zhì)量好的硅晶片lcm2Rs約在7．7～15．3mΩ之間，Rp在200至300Ω之間。Io為流過(guò)二極管的反向飽和漏電流；q為電荷量1．6×10-19C；K是Boltzmann常數(shù)，值為1．38×10-23J/K；T為光伏陣列的工作溫度，單位為K；A為二極管的理想常數(shù)，其值在1～2之間變化。

式(1)是一超越方程，利用該式不可能求出負(fù)載電壓U或電流I的顯性表達(dá)式，常規(guī)方法是利用Newton迭代法求解。應(yīng)用表格法求解，即

這樣，將Ud的一系列連續(xù)增加的值放入表格的第1欄中，對(duì)于每一個(gè)確定的Ud值，可以非常容易得到一系列的與Ud相對(duì)應(yīng)的電流I值，可得電壓

利用Ud的值進(jìn)行巧妙過(guò)渡，避免了直接利用Newton迭代法求解，可得到I-U、P-U曲線(xiàn)。在上述方程中，短路電流Isc與光照強(qiáng)度成正比，這樣可以非常容易得到光伏陣列在一系列不同光照強(qiáng)度下所形成的I-U曲線(xiàn)。

當(dāng)光伏電池模板的溫度升高時(shí)，光伏電池的短路電流將增加，而開(kāi)路電壓則會(huì)下降，根據(jù)經(jīng)驗(yàn)應(yīng)用式(5)對(duì)光伏電池的溫度效應(yīng)進(jìn)行建模，并設(shè)在標(biāo)準(zhǔn)參考溫度時(shí)，短路電流為Is，開(kāi)路電壓為Uos，光伏模塊的溫度增加量為△T，有：

如典型的單晶硅，α為500μA／℃，β為5mV／℃。因?yàn)樵黾拥碾娏髁啃∮跍p少的電壓量，溫度每上升1℃，所以光伏電池的功率損失約為0．45％。綜上所述，根據(jù)光伏電池的伏安特性曲線(xiàn)的分析,以及光伏電池的物理模型,建立其數(shù)學(xué)模型:I=Iph-Io〔exp(qVj/nkT)-1〕-(V+IRs)/Rsh當(dāng)Rsh>>Rs時(shí),I=Iph-Io[exp{q(V+IRs)/AKT}-1]其中,Io=Ior{T/Tr}3exp{qEG/KA(1/Tr-1/T)}(3)Iph={Iscr+ki(T-Tr)}λ/100(4)在等式(4)中,相電流Iph與太陽(yáng)日照λ成正比。Io是反相飽和電流,隨溫度T的變化而變化。Rs是串聯(lián)電阻。Rsh是并聯(lián)電阻,表明電子穿過(guò)P-N結(jié)時(shí)產(chǎn)生的電流損失。由于一個(gè)光伏陣通常由幾組太陽(yáng)電池串聯(lián)和/或并聯(lián)連接而成,因此一個(gè)光伏陣等效的數(shù)學(xué)模型通常表示為:I(1+Rs/Rsh)=npIph-npIo[exp{q(V+IRs)/AKT}-1]-(V/ns+IRs)/Rsh(5)其中,ns表示太陽(yáng)電池串聯(lián)的數(shù)目。np為并聯(lián)的數(shù)目。光伏陣的輸出功率是電流與終端電壓的乘積,其數(shù)學(xué)表達(dá)式為:P=npIphV-npIo[exp{q(V+IRs)/AKT}-1]V-(V/ns+IRs)V/Rsh(6)§3.2數(shù)學(xué)模型的優(yōu)缺點(diǎn)通過(guò)基于外特性的光伏陣列模型的數(shù)學(xué)描述以及其對(duì)光復(fù)陣列的模擬效果來(lái)看，該模型具有以下的優(yōu)缺點(diǎn)。優(yōu)點(diǎn)：模型基于光復(fù)陣列的外特性，模型較簡(jiǎn)單。參數(shù)不與光伏陣列的內(nèi)部物理參數(shù)對(duì)應(yīng)，常規(guī)電路仿真用戶(hù)解讀容易。模型參數(shù)與光伏陣列的內(nèi)部物理參數(shù)的常規(guī)參數(shù)基本對(duì)應(yīng)，參數(shù)求解容易。子電路接口簡(jiǎn)單，容易用于電路仿真。缺點(diǎn)：不考慮光伏陣列物理本質(zhì)，不能精確反映其物理特性。模型參數(shù)不與實(shí)際參數(shù)對(duì)應(yīng)，仿真精度較低。對(duì)溫度、光照等外圍參數(shù)設(shè)定較困難。雖然基于外特性的光伏陣列模型在仿真精度上存在著一定的不足，但其模型簡(jiǎn)單，容易理解，參數(shù)求解簡(jiǎn)單，基本反映了光復(fù)陣列的特性。在仿真應(yīng)用中，具有一定的使用價(jià)值。第四章人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是集腦科學(xué)、神經(jīng)心理學(xué)和信息科學(xué)等多學(xué)科的交叉研究領(lǐng)域，是近年來(lái)高科技領(lǐng)域的一個(gè)研究熱點(diǎn)。它的研究目標(biāo)是通過(guò)研究人腦的組成機(jī)理和思維方式，探索人類(lèi)智能的奧秘，進(jìn)而通過(guò)模擬人腦的結(jié)構(gòu)和工作模式，使機(jī)器具有類(lèi)似人類(lèi)的智能。它已在模式識(shí)別、機(jī)器學(xué)習(xí)、專(zhuān)家系統(tǒng)等多個(gè)方面得到應(yīng)用，成為人工智能研究中的活躍領(lǐng)域。本章將簡(jiǎn)要介紹神經(jīng)網(wǎng)絡(luò)基本的概念、模型以及學(xué)習(xí)算法。神經(jīng)細(xì)胞是構(gòu)成神經(jīng)系統(tǒng)的基本單元，4.1.1神經(jīng)細(xì)胞是構(gòu)成神經(jīng)系統(tǒng)的基本單元，4.1.1生物神經(jīng)元的結(jié)構(gòu)與功能特性1.生物神經(jīng)元的結(jié)構(gòu)稱(chēng)之為生物神經(jīng)元，簡(jiǎn)稱(chēng)神經(jīng)元。神經(jīng)元主要由三部分構(gòu)成：（1）細(xì)胞體;（2）軸突;（3）樹(shù)突;(如圖9.1)圖4.1生物神經(jīng)元結(jié)構(gòu)4.1神經(jīng)網(wǎng)絡(luò)的基本概念及組成特性突觸是神經(jīng)元之間相互連接的接口部分，即一個(gè)神經(jīng)元的神經(jīng)末梢與另一個(gè)神經(jīng)元的樹(shù)突相接觸的交界面，位于神經(jīng)元的神經(jīng)末梢尾端。突觸是軸突的終端。突觸是神經(jīng)元之間相互連接的接口部分，即一個(gè)神經(jīng)元的神經(jīng)末梢與另一個(gè)神經(jīng)元的樹(shù)突相接觸的交界面，位于神經(jīng)元的神經(jīng)末梢尾端。突觸是軸突的終端。2.神經(jīng)元的功能特性（1）時(shí)空整合功能。（2）神經(jīng)元的動(dòng)態(tài)極化性。（3）興奮與抑制狀態(tài)。（4）結(jié)構(gòu)的可塑性。（5）脈沖與電位信號(hào)的轉(zhuǎn)換。（6）突觸延期和不應(yīng)期。（7）學(xué)習(xí)、遺忘和疲勞。44.1.2人工神經(jīng)網(wǎng)絡(luò)的組成與結(jié)構(gòu)1.人工神經(jīng)網(wǎng)絡(luò)的組成人工神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱(chēng)ANN）是由大量處理單元經(jīng)廣泛互連而組成的人工網(wǎng)絡(luò)，用來(lái)模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。而這些處理單元我們把它稱(chēng)作人工神經(jīng)元。人工神經(jīng)網(wǎng)絡(luò)（ANN）可看成是以人工神經(jīng)元為節(jié)點(diǎn)，用有向加權(quán)弧連接起來(lái)的有向圖。在此有向圖中，人工神經(jīng)元就是對(duì)生物神經(jīng)元的模擬，而有向弧則是軸突—突觸—樹(shù)突對(duì)的模擬。有向弧的權(quán)值表示相互連接的兩個(gè)人工神經(jīng)元間相互作用的強(qiáng)弱。圖4.2人工神經(jīng)網(wǎng)絡(luò)的組成圖4.3M－P而處理單元的輸出為式中，xi為第i個(gè)元素的輸入，wi為第i個(gè)處理單元與本處理單元的互聯(lián)權(quán)重。f稱(chēng)為激發(fā)函數(shù)或作用函數(shù)，它決定節(jié)點(diǎn)（神經(jīng)元）的輸出。激發(fā)函數(shù)一般具有非線(xiàn)性特性,常用的非線(xiàn)性激發(fā)函數(shù)如圖所示這里，稱(chēng)為激活值稱(chēng)為激活值圖常用的激發(fā)函數(shù)：(a)閾值型(b)分段線(xiàn)性型(c)Sigmoid函數(shù)型(d)雙曲正切型閾值型函數(shù)又稱(chēng)階躍函數(shù)，它表示激活值σ和其輸出f(σ)之間的關(guān)系。閾值型函數(shù)為激發(fā)函數(shù)的神經(jīng)元是一種最簡(jiǎn)單的人工神經(jīng)元，也就是我們前面提到的M-P模型。線(xiàn)性分段函數(shù)可以看作是一種最簡(jiǎn)單的非線(xiàn)性函數(shù)，它的特點(diǎn)是將函數(shù)的值域限制在一定的范圍內(nèi)，其輸入、輸出之間在一定范圍內(nèi)滿(mǎn)足線(xiàn)性關(guān)系，一直延續(xù)到輸出為最大域值為止。但當(dāng)達(dá)到最大值后，輸出就不再增大。S型函數(shù)是一個(gè)有最大輸出值的非線(xiàn)性函數(shù)，其輸出值是在某個(gè)范圍內(nèi)連續(xù)取值的。以它為激發(fā)函數(shù)的神經(jīng)元也具有飽和特性。雙曲正切型函數(shù)實(shí)際只是一種特殊的S型函數(shù)，其飽和值是－1和1。3.人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)中，各神經(jīng)元的不同連接方式就構(gòu)成了網(wǎng)絡(luò)的不同連接模型。常見(jiàn)的連接模型有:前向網(wǎng)絡(luò)。從輸入層到輸出層有反饋的網(wǎng)絡(luò)。層內(nèi)有互聯(lián)的網(wǎng)絡(luò)?；ヂ?lián)網(wǎng)絡(luò)。4.人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)及其主要特征分類(lèi)按性能分：連續(xù)型和離散型網(wǎng)絡(luò)，或確定型和隨機(jī)型網(wǎng)絡(luò)。按拓?fù)浣Y(jié)構(gòu)分：有反饋網(wǎng)絡(luò)和無(wú)反饋網(wǎng)絡(luò)。按學(xué)習(xí)方法分：有教師的學(xué)習(xí)網(wǎng)絡(luò)和無(wú)教師的學(xué)習(xí)網(wǎng)絡(luò)。按連接突觸性質(zhì)分：一階線(xiàn)性關(guān)聯(lián)網(wǎng)絡(luò)和高階非線(xiàn)性關(guān)聯(lián)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)具有以下主要特征：（1）能較好的模擬人的形象思維。（2）具有大規(guī)模并行協(xié)同處理能力。（3）具有較強(qiáng)的學(xué)習(xí)能力。（4）具有較強(qiáng)的容錯(cuò)能力和聯(lián)想能力。（5）是一個(gè)大規(guī)模自組織、自適應(yīng)的非線(xiàn)性動(dòng)力系統(tǒng)。4.1.3人工神經(jīng)網(wǎng)絡(luò)的研究經(jīng)歷了不少的曲折，大體上可分為四個(gè)階段:產(chǎn)生時(shí)期(20世紀(jì)50年代中期之前)高潮時(shí)期(20世紀(jì)50年代中期到20世紀(jì)60年代末期)低潮時(shí)期(20世紀(jì)60年代末到20世紀(jì)80年代初期)蓬勃發(fā)展時(shí)期(20世紀(jì)80年代以后)4.2感知器模型及其學(xué)習(xí)算法4.2.1感知器模型是美國(guó)學(xué)者羅森勃拉特（Rosenblatt）為研究大腦的存儲(chǔ)、學(xué)習(xí)和認(rèn)知過(guò)程而提出的一類(lèi)具有自學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)模型，它把神經(jīng)網(wǎng)絡(luò)的研究從純理論探討引向了從工程上的實(shí)現(xiàn)。Rosenblatt提出的感知器模型是一個(gè)只有單層計(jì)算單元的前向神經(jīng)網(wǎng)絡(luò)，稱(chēng)為單層感知器。教材中圖9.5所示的即為一個(gè)單層感知器模型。4.2.2算法思想：首先把連接權(quán)和閾值初始化為較小的非零隨機(jī)數(shù)，然后把有n個(gè)連接權(quán)值的輸入送入網(wǎng)絡(luò)，經(jīng)加權(quán)運(yùn)算處理，得到的輸出如果與所期望的輸出有較大的差別，就對(duì)連接權(quán)值參數(shù)按照某種算法進(jìn)行自動(dòng)調(diào)整，經(jīng)過(guò)多次反復(fù)，直到所得到的輸出與所期望的輸出間的差別滿(mǎn)足要求為止。為簡(jiǎn)單起見(jiàn)，僅考慮只有一個(gè)輸出的簡(jiǎn)單情況。設(shè)xi(t)是時(shí)刻t感知器的輸入（i=1,2,,n），ωi(t)是相應(yīng)的連接權(quán)值，y(t)是實(shí)際的輸出，d(t)是所期望的輸出，且感知器的輸出或者為1，或者為0.4.2.3線(xiàn)性不可分問(wèn)題單層感知器不能表達(dá)的問(wèn)題被稱(chēng)為線(xiàn)性不可分問(wèn)題。1969年，明斯基證明了“異或”問(wèn)題是線(xiàn)性不可分問(wèn)題：“異或”（XOR）運(yùn)算的定義如下：由于單層感知器的輸出為y(x1,x2)=f(ω1×x1+ω2×x2-θ)所以，用感知器實(shí)現(xiàn)簡(jiǎn)單邏輯運(yùn)算的情況如下：（1）“與”運(yùn)算（x1∧x2）令ω1=ω2=1，θ=2，則y=f(1×x1+1×x2-2)顯然，當(dāng)x1和x2均為1時(shí)，y的值1；而當(dāng)x1和x2有一個(gè)為0時(shí)，y的值就為0。（2）“或”運(yùn)算（x1∨x2）令ω1=ω2=1,θ=0.5y=f(1×x1+1×x2-0.5)顯然，只要x1和x2中有一個(gè)為1，則y的值就為1；只有當(dāng)x1和x2都為0時(shí)，y的值才為0。（3）“非”運(yùn)算（～X1）令ω1=-1，ω2=O，θ=-0.5，則y=f((-1)×x1+1×x2+0.5))顯然，無(wú)論x2為何值，x1為1時(shí)，y的值都為0；x1為O時(shí)，y的值為1。即y總等于～x1。（4）“異或”運(yùn)算（x1XORx2）如果“異或”（XOR）問(wèn)題能用單層感知器解決，則由XOR的真值表9-1可知，ω1、ω2和θ必須滿(mǎn)足如下方程組：ω1+ω2-θ＜0ω1+0-θ≥00+0-θ＜00+ω2-θ≥0顯然，該方程組是無(wú)解，這就說(shuō)明單層感知器是無(wú)法解決異或問(wèn)題的。異或問(wèn)題是一個(gè)只有兩個(gè)輸入和一個(gè)輸出，且輸入輸出都只取1和0兩個(gè)值的問(wèn)題，分析起來(lái)比較簡(jiǎn)單。對(duì)于比較復(fù)雜的多輸入變量函數(shù)來(lái)說(shuō)，到底有多少是線(xiàn)性可分的？多少是線(xiàn)性不可分的呢？相關(guān)研究表明，線(xiàn)性不可分函數(shù)的數(shù)量隨著輸入變量個(gè)數(shù)的增加而快速增加，甚至遠(yuǎn)遠(yuǎn)超過(guò)了線(xiàn)性可分函數(shù)的個(gè)數(shù)。也就是說(shuō)，單層感知器不能表達(dá)的問(wèn)題的數(shù)量遠(yuǎn)遠(yuǎn)超過(guò)了它所能表達(dá)的問(wèn)題的數(shù)量。這也難怪當(dāng)Minsky給出單層感知器的這一致命缺陷時(shí)，會(huì)使人工神經(jīng)網(wǎng)絡(luò)的研究跌入漫長(zhǎng)的黑暗期。4.2.4在單層感知器的輸入部分和輸出層之間加入一層或多層處理單元，就構(gòu)成了二層或多層感知器。在多層感知器模型中，只允許某一層的連接權(quán)值可調(diào)，這是因?yàn)闊o(wú)法知道網(wǎng)絡(luò)隱層的神經(jīng)元的理想輸出，因而難以給出一個(gè)有效的多層感知器學(xué)習(xí)算法。多層感知器克服了單層感知器的許多缺點(diǎn)，原來(lái)一些單層感知器無(wú)法解決的問(wèn)題，在多層感知器中就可以解決。例如，應(yīng)用二層感知器就可以解決異或邏輯運(yùn)算問(wèn)題.4.3.1反向傳播模型也稱(chēng)B-P模型，是一種用于前向多層的反向傳播學(xué)習(xí)算法。之所以稱(chēng)它是一種學(xué)習(xí)方法，是因?yàn)橛盟梢詫?duì)組成前向多層網(wǎng)絡(luò)的各人工神經(jīng)元之間的連接權(quán)值進(jìn)行不斷的修改，從而使該前向多層網(wǎng)絡(luò)能夠?qū)⑤斎胨男畔⒆儞Q成所期望的輸出信息。之所以將其稱(chēng)作為反向?qū)W習(xí)算法，是因?yàn)樵谛薷母魅斯ど窠?jīng)元的連接權(quán)值時(shí)，所依據(jù)的是該網(wǎng)絡(luò)的實(shí)際輸出與其期望的輸出之差，將這一差值反向一層一層的向回傳播，來(lái)決定連接權(quán)值的修改。B-P算法的網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)前向多層網(wǎng)絡(luò)，如圖所示。4.3.2B-P算法的學(xué)習(xí)目的是對(duì)網(wǎng)絡(luò)的連接權(quán)值進(jìn)行調(diào)整，使得調(diào)整后的網(wǎng)絡(luò)對(duì)任一輸入都能得到所期望的輸出。學(xué)習(xí)過(guò)程由正向傳播和反向傳播組成。正向傳播用于對(duì)前向網(wǎng)絡(luò)進(jìn)行計(jì)算，即對(duì)某一輸入信息，經(jīng)過(guò)網(wǎng)絡(luò)計(jì)算后求出它的輸出結(jié)果。反向傳播用于逐層傳遞誤差，修改神經(jīng)元間的連接權(quán)值，以使網(wǎng)絡(luò)對(duì)輸入信息經(jīng)過(guò)計(jì)算后所得到的輸出能達(dá)到期望的誤差要求。B-P算法的學(xué)習(xí)過(guò)程如下：（1）選擇一組訓(xùn)練樣例，每一個(gè)樣例由輸入信息和期望的輸出結(jié)果兩部分組成。（2）從訓(xùn)練樣例集中取一樣例，把輸入信息輸入到網(wǎng)絡(luò)中。（3）分別計(jì)算經(jīng)神經(jīng)元處理后的各層節(jié)點(diǎn)的輸出。（4）計(jì)算網(wǎng)絡(luò)的實(shí)際輸出和期望輸出的誤差。（5）從輸出層反向計(jì)算到第一個(gè)隱層，并按照某種能使誤差向減小方向發(fā)展的原則，調(diào)整網(wǎng)絡(luò)中各神經(jīng)元的連接權(quán)值。（6）對(duì)訓(xùn)練樣例集中的每一個(gè)樣例重復(fù)（3）—（5）的步驟，直到對(duì)整個(gè)訓(xùn)練樣例集的誤差達(dá)到要求時(shí)為止。在以上的學(xué)習(xí)過(guò)程中，第（5）步是最重要的，如何確定一種調(diào)整連接權(quán)值的原則，使誤差沿著減小的方向發(fā)展，是B-P學(xué)習(xí)算法必須解決的問(wèn)題。B-P算法的優(yōu)缺點(diǎn)：優(yōu)點(diǎn)：理論基礎(chǔ)牢固，推導(dǎo)過(guò)程嚴(yán)謹(jǐn)，物理概念清晰，通用性好等。所以，它是目前用來(lái)訓(xùn)練前向多層網(wǎng)絡(luò)較好的算法。缺點(diǎn)：（1）該學(xué)習(xí)算法的收斂速度慢；（2）網(wǎng)絡(luò)中隱節(jié)點(diǎn)個(gè)數(shù)的選取尚無(wú)理論上的指導(dǎo)；（3）從數(shù)學(xué)角度看，B-P算法是一種梯度最速下降法，這就可能出現(xiàn)局部極小的問(wèn)題。當(dāng)出現(xiàn)局部極小時(shí)，從表面上看，誤差符合要求，但這時(shí)所得到的解并不一定是問(wèn)題的真正解。所以B-P算法是不完備的。4.4Hopfield模型及其學(xué)習(xí)算法由于在反饋網(wǎng)絡(luò)中，網(wǎng)絡(luò)的輸出要反復(fù)地作為輸入再送入網(wǎng)絡(luò)中，這就使得網(wǎng)絡(luò)具有了動(dòng)態(tài)性，網(wǎng)絡(luò)的狀態(tài)在不斷的改變之中，因而就提出了網(wǎng)絡(luò)的穩(wěn)定性問(wèn)題。所謂一個(gè)網(wǎng)絡(luò)是穩(wěn)定的是指從某一時(shí)刻開(kāi)始，網(wǎng)絡(luò)的狀態(tài)不再改變。設(shè)用X(t)表示網(wǎng)絡(luò)在時(shí)刻t的狀態(tài)，如果從t=０的任一初態(tài)X(0)開(kāi)始，存在一個(gè)有限的時(shí)刻t，使得從此時(shí)刻開(kāi)始神經(jīng)網(wǎng)絡(luò)的狀態(tài)不再發(fā)生變化，即就稱(chēng)此網(wǎng)絡(luò)是穩(wěn)定的。離散網(wǎng)絡(luò)模型是一個(gè)離散時(shí)間系統(tǒng)，每個(gè)神經(jīng)元只有兩個(gè)狀態(tài)，可以用1和0來(lái)表示，由連接權(quán)值Ｗij所構(gòu)成的矩陣是一個(gè)對(duì)角線(xiàn)為0的對(duì)稱(chēng)矩陣，即(4.4.2）如果用x(t)表示整個(gè)網(wǎng)絡(luò)在時(shí)刻ｔ的狀態(tài)，則X是一個(gè)向量，它包含了網(wǎng)絡(luò)中每個(gè)人工神經(jīng)元的狀態(tài)。所以，狀態(tài)向量X中的分量個(gè)數(shù)就是網(wǎng)絡(luò)中人工神經(jīng)元的個(gè)數(shù)。假設(shè)網(wǎng)絡(luò)中的節(jié)點(diǎn)（人工神經(jīng)元）個(gè)數(shù)為n，則向量X的構(gòu)成如下：(4.4.4)這里，,其中的Ｗij為節(jié)點(diǎn)ｉ到節(jié)點(diǎn)ｊ的連接權(quán)值；為節(jié)點(diǎn)ｊ的閾值。Hopfield網(wǎng)絡(luò)離散模型有兩種工作模式：（1）串行方式，是指在任一時(shí)刻t，只有一個(gè)神經(jīng)元i發(fā)生狀態(tài)變化，而其余的神經(jīng)元保持狀態(tài)不變。（2）并行方式，是指在任一時(shí)刻t，都有部分或全體神經(jīng)元同時(shí)改變狀態(tài)。有關(guān)離散的Hopfield網(wǎng)絡(luò)的穩(wěn)定性問(wèn)題，已于1983年由Cohen和Grossberg給于了證明。而Hopfield等人又進(jìn)一步證明，只要連接權(quán)值構(gòu)成的矩陣是非負(fù)對(duì)角元的對(duì)稱(chēng)矩陣，則該網(wǎng)絡(luò)就具有串行穩(wěn)定性。1984年，Hopfield又提出了連續(xù)時(shí)間的神經(jīng)網(wǎng)絡(luò)，在這種神經(jīng)網(wǎng)絡(luò)中，各節(jié)點(diǎn)可在0到1的區(qū)間內(nèi)取任一實(shí)數(shù)值。Hopfield網(wǎng)絡(luò)是一種非線(xiàn)性的動(dòng)力網(wǎng)絡(luò)，可通過(guò)反復(fù)的網(wǎng)絡(luò)動(dòng)態(tài)迭代來(lái)求解問(wèn)題，這是符號(hào)邏輯方法所不具有的特性。在求解某些問(wèn)題時(shí)，其求解問(wèn)題的方法與人類(lèi)求解問(wèn)題的方法很相似，雖然所求得的解不是最佳解，但其求解速度快，更符合人們?nèi)粘＝鉀Q問(wèn)題的策略4.4.2(1)設(shè)置互連權(quán)值。(4.4.5其中，是s類(lèi)樣例的第i個(gè)分量，它可以為1或0，樣例類(lèi)別數(shù)為m，節(jié)點(diǎn)數(shù)為n。(2)未知類(lèi)別樣本初始化。(4.4.6其中，yi(t)為節(jié)點(diǎn)I在t時(shí)刻的輸出，當(dāng)t=0時(shí)，yi(0)就是節(jié)點(diǎn)I的初始值，xi為輸入樣本的第I個(gè)分量。(3)迭代直到收斂。(4.4.7式(4.4.7)中f(4)轉(zhuǎn)（2）繼續(xù)。前面已經(jīng)指出，當(dāng)Hopfield模型的網(wǎng)絡(luò)中各神經(jīng)元的連接權(quán)值所構(gòu)成的矩陣是一個(gè)非負(fù)對(duì)角元的對(duì)稱(chēng)矩陣時(shí)或者是一個(gè)非負(fù)定矩陣時(shí)，上述算法是收斂的。人工神經(jīng)網(wǎng)絡(luò)的類(lèi)型很多，這里只簡(jiǎn)單介紹了三種比較重要且常用的模型及其算法，即感知器模型、B-P網(wǎng)絡(luò)模型和Hopfield網(wǎng)絡(luò)模型。若想更深入地了解，請(qǐng)參閱人工神經(jīng)網(wǎng)絡(luò)相關(guān)的專(zhuān)著或教材。第五章光伏電池的仿真§5.1基于BP神經(jīng)網(wǎng)絡(luò)光伏陣辨識(shí)的結(jié)構(gòu)和學(xué)習(xí)算法§5.1.辨識(shí)采用的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由輸入層、隱含層和輸出層構(gòu)成(見(jiàn)圖4)。輸入層包括一個(gè)三維的向量X,它的元素有日照、溫度和負(fù)載電壓。輸出層Y只有一個(gè)元素,即負(fù)載電流。圖4光伏陣BP網(wǎng)絡(luò)結(jié)構(gòu)Xn=[Rn,Tn,Vn];Yn=In(n=1,2,?N)輸入層的神經(jīng)元將輸入信息Xi分配到隱層的各神經(jīng)元,隱層中的神經(jīng)元j的輸入加權(quán)和為ΣWjiXi,其中Wji為輸入信息Xi與神經(jīng)元j之間連接權(quán)值,神經(jīng)元j的輸出是這一加權(quán)和的函數(shù)[5],即:Yj=f(ΣWijXi)式中:f(·)為作用函數(shù),它一般為S形函數(shù),即:f(s)=1/(1+e-s)§5.2訓(xùn)練原則與算法訓(xùn)練一個(gè)BP神經(jīng)網(wǎng)絡(luò)涉及到選擇適當(dāng)?shù)暮瘮?shù)與參數(shù)以及權(quán)值與閾值的估計(jì)。訓(xùn)練性能函數(shù)采用均方誤差函數(shù)MSE,即MSE=1/NTΣNTn=1[ynk-^ynk(Xn)]2(7)其中,tnk是網(wǎng)絡(luò)輸出的目標(biāo)值,Xn是輸入向量。由于標(biāo)準(zhǔn)的BP算法收斂速度慢、存在局部極值,因而訓(xùn)練時(shí)采用Levenberg-Marquardt改進(jìn)型BP算法[6]。L-M法比一般的BP算法有更快的收斂速度。同時(shí)根據(jù)均方差的正負(fù)、大小適當(dāng)?shù)卣{(diào)整μ值,可以避免收斂結(jié)果為局部極小值。其權(quán)值更新方程為:x(k+1)=x(k)+(JTJ+μI)-1JTe其中J是誤差e對(duì)權(quán)值W的微分Jacobian矩陣,μ為自適應(yīng)調(diào)節(jié)的標(biāo)量,在μ接近0時(shí),Levenberg-Marquardt法成為Newton法,μ很大時(shí),則接近梯度下降法。在學(xué)習(xí)過(guò)程中,μ值動(dòng)態(tài)地變化,能確保每一步誤差都嚴(yán)格遞減。在網(wǎng)絡(luò)學(xué)習(xí)階段,將樣本X輸入網(wǎng)絡(luò),通過(guò)反復(fù)調(diào)節(jié)權(quán)值Wji,使系統(tǒng)的輸出與期望輸出T的偏差達(dá)到用戶(hù)的要求。直到所有樣本均學(xué)習(xí)一遍后,學(xué)習(xí)結(jié)束?！?.3BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和仿真結(jié)果在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過(guò)程中,需要一組輸入輸出訓(xùn)練數(shù)據(jù)。這些訓(xùn)練數(shù)據(jù)可以從太陽(yáng)陣模型中獲得。這組輸入輸出訓(xùn)練數(shù)據(jù)包含595對(duì)模式。輸入向量是一組隨機(jī)選擇的日照和溫度值以及采樣的終端電壓值。其中日照值的范圍從10mW/cm2到112mW/cm2,每3mW/cm2增加一次;溫度從-20℃到60℃,每5℃增加一次。輸出向量由等式(4)計(jì)算出太陽(yáng)陣的電流值。網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)值存于訓(xùn)練數(shù)據(jù)文件中,在訓(xùn)練時(shí)以數(shù)據(jù)文件的形式提供給網(wǎng)絡(luò)。本文用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱[5]進(jìn)行模型的訓(xùn)練和仿真。其中隱層含5個(gè)神經(jīng)元,采用tansig作為傳遞函數(shù),輸出層包含1個(gè)神經(jīng)元,采用purelin傳遞函數(shù)。期望的均方誤差為0.001,在訓(xùn)練結(jié)束時(shí)實(shí)際所得到的均方誤差是9.95121e-004。模型誤差的訓(xùn)練曲線(xiàn)如圖3所示。為驗(yàn)證所建立的BP網(wǎng)絡(luò)模型的有效性,用上述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行光伏陣的動(dòng)態(tài)辨識(shí)仿真。在不同的日照下,將神經(jīng)網(wǎng)絡(luò)計(jì)算出的一組I-V和P-V特性曲線(xiàn),與傳統(tǒng)的數(shù)學(xué)模型實(shí)驗(yàn)中得到的特性曲線(xiàn)相比較,結(jié)果如圖4a和圖4b所示。由仿真結(jié)果可見(jiàn),采用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型比基本能夠模擬系統(tǒng)的電流/電壓和功率/電壓動(dòng)態(tài)響應(yīng)。最大誤差不超過(guò)0.00087A?！?.5結(jié)論本文基于BP神經(jīng)網(wǎng)絡(luò),建立了一個(gè)光伏陣的非線(xiàn)性模型。仿真結(jié)果表明,BP建模的精度較高,訓(xùn)練時(shí)間短,這說(shuō)明基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)建立光伏陣這一個(gè)復(fù)雜非線(xiàn)性系統(tǒng)的模型是可行的。更重要的是,這一建模過(guò)程避免了復(fù)雜的解析建模,通過(guò)神經(jīng)網(wǎng)絡(luò)的計(jì)算,可以快速地得到電堆的輸入/輸出特性。它雖然不能像解析模型那樣有非常清晰的物理意義,但它卻能有效地表達(dá)復(fù)雜非線(xiàn)性系統(tǒng)的輸入輸出的映射關(guān)系。圖5太陽(yáng)日照為95kW/m2,25℃時(shí)光伏陣仿真曲線(xiàn)圖6太陽(yáng)日照為55kW/m2,25℃光伏陣仿真曲線(xiàn)符號(hào)說(shuō)明A———理想因素;EG———能帶隙能量;Ior———飽和電流;I———太陽(yáng)能電池的輸出電流;Iph———相電流;Io———反相飽和電流;λ———太陽(yáng)輻射;Tr———參考溫度;Iscr———電池短路電流;K———玻爾茲曼常數(shù);q———電子電荷;ki———短路電流溫度系數(shù);Rs———串聯(lián)電池電阻;Rsh———并聯(lián)電池電阻;T———電池溫度;V———太陽(yáng)能電池的輸出電壓;總結(jié)本論文查閱了大量有關(guān)光伏電池和人工神經(jīng)網(wǎng)絡(luò)的書(shū)籍和文獻(xiàn)，并在線(xiàn)瀏覽了網(wǎng)上相關(guān)的資料。經(jīng)過(guò)這次設(shè)計(jì)階段的學(xué)習(xí)，我對(duì)光伏電池發(fā)電技術(shù)有了一定的了解和認(rèn)識(shí)，并且利用matlab神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行了編程。通過(guò)此次設(shè)計(jì)，我深入的了解了光伏電池的發(fā)電機(jī)理，人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用，并能進(jìn)行簡(jiǎn)單編程，學(xué)習(xí)到了很多新的知識(shí)，我深深的體會(huì)到了學(xué)無(wú)止境這個(gè)道理，我明白，只有不斷學(xué)習(xí)進(jìn)取，才能攀登上科學(xué)的頂峰。我相信，這次設(shè)計(jì)實(shí)踐必將對(duì)我以后的工作產(chǎn)生深遠(yuǎn)影響。當(dāng)然，由于時(shí)間的倉(cāng)促，這也是邊學(xué)邊做，在程序的設(shè)計(jì)中存在著許多缺憾。例如上面提到的光伏電池的發(fā)電效率普遍較低的問(wèn)題。可能是因?yàn)楸救说纳媸捞珳\，了解的不夠深入，所以這個(gè)問(wèn)題到現(xiàn)在還沒(méi)解決，我會(huì)利用以后的學(xué)習(xí)機(jī)會(huì)再深入的了解，學(xué)習(xí)。由于學(xué)識(shí)經(jīng)驗(yàn)有限，程序的設(shè)計(jì)和論文的撰寫(xiě)難免有疏忽甚至錯(cuò)誤之處。在此懇請(qǐng)大家不吝賜教。王曄楠2008年5月參考文獻(xiàn)[1]衛(wèi)東,曹廣益,朱新堅(jiān).基于神經(jīng)網(wǎng)絡(luò)辨識(shí)的質(zhì)子交換膜燃料電池建模[J].系統(tǒng)仿真學(xué)報(bào),2003,15(6):817-819.[2]聞新編著.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京:科學(xué)出版社,2002,207-213.[3]AAl-AmoudiandLZhang.Applicationofradialbasisfunctionnetworksforsolar-arraymodellingandmaximumpower-pointprediction[J].Generation,TransmissionandDistribution,IEEProceedings-,2000,147(5):310-316.[4]YHMMASHAL,AMSHAIIAI’,MMANSOURandAAELSAT2TAR.Aphotovoltaicmaximumpowertrackingschemeusingneuralnetworks[J].Proceedingsofthe3rdIEEE-CCA,1994,