搜索

文章查询

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于粒子群优化支持向量机的太阳电池温度预测

赵志刚 张纯杰 苟向锋 桑虎堂

基于粒子群优化支持向量机的太阳电池温度预测

赵志刚, 张纯杰, 苟向锋, 桑虎堂
PDF
导出引用
导出核心图
  • 建立通用而精确的太阳电池热模型对光伏系统的建模、输出功率与转换效率的损失分析至关重要. 基于复杂的太阳电池温度机理, 分别研究了太阳电池温度的稳态热模型(steady state thermal model, SSTM)和支持向量机(support vector machines, SVM) 方法建立的精确预测热模型. 首先, 基于空气温度、太阳辐射强度、风速3个最主要因素与太阳电池温度的近似线性关系, 在已有SSTM的基础上, 建立并校正了太阳电池的SSTM并采用差分进化算法提取模型的未知参数. 其次, 为提高SVM的模型预测精度, 采用粒子群优化(particle swarm optimization, PSO) 算法对SVM的核参数和惩罚因子进行动态寻优, 在确定输入/输出样本集并划分训练集和测试集的基础上, 建立了基于粒子群优化支持向量机(PSO-SVM)的太阳电池温度精确预测热模型. 最后, 搭建实验平台, 在实验操作过程中减弱空气湿度、太阳入射角和热迟滞效应等因素对太阳电池温度的耦合. 通过实验对比表明, 建立的预测热模型性能可靠、全面、简洁, 其参数寻优算法优于遗传算法和交叉校验法, 模型预测精度优于反向传播神经网络(back propagation neural network) 和SSTM.
    [1]

    Farivar G, Asaei B, Haghdadi N, Iman-Eini H 2011 2nd Power Electronics, Drive Systems and Technologies Conference Tehran, The Islamic Republic of Iran, February 16-17, 2011 p336

    [2]

    Ju X, Vossier A, Wang Z F, Dollet A, Flamant G 2013 Sol. Energy 93 80

    [3]

    Torres-lobera D, Valkealahti S 2014 Sol. Energy 105 632

    [4]

    Trinuruk P, Sorapipatana C, Chenvidhya D 2009 Renew. Energy 34 2515

    [5]

    Liang Q B, Shu B F, Sun L J, Zhang Q Z, Chen M B 2014 Acta Phys. Sin. 63 168801 (in Chinese) [梁齐兵, 舒碧芬, 孙丽娟, 张奇淄, 陈明彪 2014 物理学报 63 168801]

    [6]

    Hoang P, Bourdin V, Liu Q, Caruso G, Archambault V 2014 Sol. Energy Mater. Sol. Cells 125 325

    [7]

    Górecki K, Górecki P, Paduch K 2014 J. Phys. Conf. Ser. 494 1

    [8]

    Anantha Krishna H, Misra N K, Suresh M S 2011 IEEE Trans. Aerosp. Electron. Syst. 47 782

    [9]

    Torres-Lobera D, Valkealahti S 2013 Sol. Energy 93 183

    [10]

    Ilhan C, Erkaymaz O, Gedik E, Grel A E 2014 Case Studies Therm. Eng. 3 11

    [11]

    Sun Z H, Jiang F 2010 Chin. Phys. B 19 110502

    [12]

    Tang Z J, Ren F, Peng T, Wang W B 2014 Acta Phys. Sin. 63 050505 (in Chinese) [唐舟进, 任峰, 彭涛, 王文博 2014 物理学报 63 050505]

    [13]

    Tian Z D, Gao X W, Shi T 2014 Acta Phys. Sin. 63 160508 (in Chinese) [田中大, 高宪文, 石彤 2014 物理学报 63 160508]

    [14]

    Chen A L, Feng L N, Du C S, Zhang C H 2011 Trans. CES 26 140 (in Chinese) [陈阿莲, 冯丽娜, 杜春水, 张承慧 2011 电工技术学报 26 140]

    [15]

    Chen W G, Teng L, Liu J, Peng S Y, Sun C X 2014 Trans. CES 26 44 (in Chinese) [陈伟根, 滕黎, 刘军, 彭尚怡, 孙才新 2014 电工技术学报 26 44]

    [16]

    Matsukawa H, Koshiishi K, Koizumi H, Kurokawa K, Hamada M, Bo L 2003 Sol. Energy Mater. Sol. Cells 75 537

    [17]

    Wang W J, Men C Q 2014 Support Vector Machine Modeling and Its Application (Beijing: Science Press) p211 (in Chinese) [王文剑, 门昌骞 2014 支持向量机建模及应用(北京: 科学出版社) 第211页]

  • [1]

    Farivar G, Asaei B, Haghdadi N, Iman-Eini H 2011 2nd Power Electronics, Drive Systems and Technologies Conference Tehran, The Islamic Republic of Iran, February 16-17, 2011 p336

    [2]

    Ju X, Vossier A, Wang Z F, Dollet A, Flamant G 2013 Sol. Energy 93 80

    [3]

    Torres-lobera D, Valkealahti S 2014 Sol. Energy 105 632

    [4]

    Trinuruk P, Sorapipatana C, Chenvidhya D 2009 Renew. Energy 34 2515

    [5]

    Liang Q B, Shu B F, Sun L J, Zhang Q Z, Chen M B 2014 Acta Phys. Sin. 63 168801 (in Chinese) [梁齐兵, 舒碧芬, 孙丽娟, 张奇淄, 陈明彪 2014 物理学报 63 168801]

    [6]

    Hoang P, Bourdin V, Liu Q, Caruso G, Archambault V 2014 Sol. Energy Mater. Sol. Cells 125 325

    [7]

    Górecki K, Górecki P, Paduch K 2014 J. Phys. Conf. Ser. 494 1

    [8]

    Anantha Krishna H, Misra N K, Suresh M S 2011 IEEE Trans. Aerosp. Electron. Syst. 47 782

    [9]

    Torres-Lobera D, Valkealahti S 2013 Sol. Energy 93 183

    [10]

    Ilhan C, Erkaymaz O, Gedik E, Grel A E 2014 Case Studies Therm. Eng. 3 11

    [11]

    Sun Z H, Jiang F 2010 Chin. Phys. B 19 110502

    [12]

    Tang Z J, Ren F, Peng T, Wang W B 2014 Acta Phys. Sin. 63 050505 (in Chinese) [唐舟进, 任峰, 彭涛, 王文博 2014 物理学报 63 050505]

    [13]

    Tian Z D, Gao X W, Shi T 2014 Acta Phys. Sin. 63 160508 (in Chinese) [田中大, 高宪文, 石彤 2014 物理学报 63 160508]

    [14]

    Chen A L, Feng L N, Du C S, Zhang C H 2011 Trans. CES 26 140 (in Chinese) [陈阿莲, 冯丽娜, 杜春水, 张承慧 2011 电工技术学报 26 140]

    [15]

    Chen W G, Teng L, Liu J, Peng S Y, Sun C X 2014 Trans. CES 26 44 (in Chinese) [陈伟根, 滕黎, 刘军, 彭尚怡, 孙才新 2014 电工技术学报 26 44]

    [16]

    Matsukawa H, Koshiishi K, Koizumi H, Kurokawa K, Hamada M, Bo L 2003 Sol. Energy Mater. Sol. Cells 75 537

    [17]

    Wang W J, Men C Q 2014 Support Vector Machine Modeling and Its Application (Beijing: Science Press) p211 (in Chinese) [王文剑, 门昌骞 2014 支持向量机建模及应用(北京: 科学出版社) 第211页]

  • [1] 崔万照, 朱长纯, 保文星, 刘君华. 基于模糊模型支持向量机的混沌时间序列预测. 物理学报, 2005, 54(7): 3009-3018. doi: 10.7498/aps.54.3009
    [2] 于洋, 郝中骐, 李常茂, 郭连波, 李阔湖, 曾庆栋, 李祥友, 任昭, 曾晓雁. 支持向量机算法在激光诱导击穿光谱技术塑料识别中的应用研究. 物理学报, 2013, 62(21): 215201. doi: 10.7498/aps.62.215201
    [3] 高 飞, 童恒庆. 基于改进粒子群优化算法的混沌系统参数估计方法. 物理学报, 2006, 55(2): 577-582. doi: 10.7498/aps.55.577
    [4] 崔万照, 朱长纯, 保文星, 刘君华. 混沌时间序列的支持向量机预测. 物理学报, 2004, 53(10): 3303-3310. doi: 10.7498/aps.53.3303
    [5] 刘 涵, 刘 丁, 任海鹏. 基于最小二乘支持向量机的混沌控制. 物理学报, 2005, 54(9): 4019-4025. doi: 10.7498/aps.54.4019
    [6] 王芳芳, 张业荣. 基于支持向量机的电磁逆散射方法. 物理学报, 2012, 61(8): 084101. doi: 10.7498/aps.61.084101
    [7] 王东风, 韩 璞. 基于粒子群优化的混沌系统比例-积分-微分控制. 物理学报, 2006, 55(4): 1644-1650. doi: 10.7498/aps.55.1644
    [8] 张家树, 党建亮, 李恒超. 时空混沌序列的局域支持向量机预测. 物理学报, 2007, 56(1): 67-77. doi: 10.7498/aps.56.67
    [9] 叶美盈, 汪晓东, 张浩然. 基于在线最小二乘支持向量机回归的混沌时间序列预测. 物理学报, 2005, 54(6): 2568-2573. doi: 10.7498/aps.54.2568
    [10] 蔡俊伟, 胡寿松, 陶洪峰. 基于选择性支持向量机集成的混沌时间序列预测. 物理学报, 2007, 56(12): 6820-6827. doi: 10.7498/aps.56.6820
  • 引用本文:
    Citation:
计量
  • 文章访问数:  550
  • PDF下载量:  434
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-10-31
  • 修回日期:  2014-11-25
  • 刊出日期:  2015-04-20

基于粒子群优化支持向量机的太阳电池温度预测

  • 1. 兰州交通大学机电工程学院, 兰州 730070

摘要: 建立通用而精确的太阳电池热模型对光伏系统的建模、输出功率与转换效率的损失分析至关重要. 基于复杂的太阳电池温度机理, 分别研究了太阳电池温度的稳态热模型(steady state thermal model, SSTM)和支持向量机(support vector machines, SVM) 方法建立的精确预测热模型. 首先, 基于空气温度、太阳辐射强度、风速3个最主要因素与太阳电池温度的近似线性关系, 在已有SSTM的基础上, 建立并校正了太阳电池的SSTM并采用差分进化算法提取模型的未知参数. 其次, 为提高SVM的模型预测精度, 采用粒子群优化(particle swarm optimization, PSO) 算法对SVM的核参数和惩罚因子进行动态寻优, 在确定输入/输出样本集并划分训练集和测试集的基础上, 建立了基于粒子群优化支持向量机(PSO-SVM)的太阳电池温度精确预测热模型. 最后, 搭建实验平台, 在实验操作过程中减弱空气湿度、太阳入射角和热迟滞效应等因素对太阳电池温度的耦合. 通过实验对比表明, 建立的预测热模型性能可靠、全面、简洁, 其参数寻优算法优于遗传算法和交叉校验法, 模型预测精度优于反向传播神经网络(back propagation neural network) 和SSTM.

English Abstract

参考文献 (17)

目录

    /

    返回文章
    返回