用人工神经网络确定逆变器运行条件对功率和能量质量的影响

工程科学与技术，国际期刊22（2019）1068完整文章用人工神经网络确定运行条件对逆变器输出功率和电能质量的影响Mustafa Yilmaza，Erhan Kayabasib，Muhmet AkbabacaTOBB技术和科学职业学校，Karabuk大学，Baliklar Kayasi Mevkii Demir Celik Kampusu，78050，Karabuk，土耳其b工程学院，机械工程系，Karabuk大学，Baliklar Kayasi Mevkii Demir Celik Kampusu，78050，Karabuk，土耳其c工程学院，计算机工程系，Karabuk大学，Baliklar Kayasi Mevkii Demir Celik Kampusu，78050，Karabuk，土耳其阿提奇莱因福奥文章历史记录：2018年11月7日收到2019年1月24日修订2019年2月19日接受在线发售2019年保留字：PV panelInverterANN电能质量分布式发电A B S T R A C T在这项研究中，光伏（PV）面板的运行条件的影响，在土耳其布尔杜尔省安装的发电厂8兆瓦的容量，逆变器的输出功率和电网中的电能质量此外，人工神经网络（ANN）被用来估计在不同的操作条件下的逆变器的输出功率，并试图确定最佳的操作条件。在人工神经网络结构中，光伏板产生的输出功率（PDC）、辐射强度、相对湿度和温度测量值被用作输入数据，逆变器结处的输出功率（PAC）、功率因数（PF）和频率值被用作输出数据。为了通过使用所获得的结果来确保从太阳能发电厂获得的能量的整合，尝试估计水平影响逆变器输出功率和效率的因素在适当的操作条件和效率方面。人工神经网络结果的成功率在99%以上。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍可再生能源仍然是全世界替代能源的重要来源，以减少对用于发电的化石燃料的依赖太阳能和风能是首选，因为对环境的影响小，不会造成空气污染，生产成本低[1可再生电力系统通过利用灵活的电力供应商（例如具有智能电网（SG）的可再生能源）执行从被动到主动的过渡，智能电网（SG）是分布式发电（DG）系统的新的快速新兴技术[2，4由于SG中建立的双向通信机制，消费者可以作为生产者向电网贡献来自可再生能源的能量。由于这个原因，连接到电网的用户可能会影响电力的质量，作为生产者和消费者[1，6]。然而，影响DG中使用的可再生能源产生的能量的因素也会导致集成电网的电能质量发生变化[7]。此外，在由于DG的集成而变得复杂的电力系统中，*通讯作者。电子邮件地址：erhankayabasi@karabuk.edu.tr（E.Kayabasi）。由Karabuk大学负责进行同行审查在电压方面，由可再生能源引起的电压波动和配电线路中的过载引起显著的问题。这些问题可以通过DG的最优积分来消除[8]。为此，随着能源需求的增加，许多国家都出台了一些法律法规来满足能源输配电系统的需求，保证分布式能源的整合，以免降低分布式能源的质量。在该法律法规中，必须在集成之前和之后进行一些分析，以便除了能量供应的连续性之外，电能质量可以处于期望的水平[9]。在这些分析中，应检查生产系统使用的方法、应用区域以及到电力消耗点的距离等因素[10]。将可再生能源整合到传统电网中的另一个最重要的挑战之一是不连续和不确定的生产。为了采取预防措施并进行健康和动态的功率分配，需要确定生产中电荷流的瞬时变化对系统的影响因此，为了从电网提供恒定和高质量的功率分配，研究系统人工智能的应用为确定https://doi.org/10.1016/j.jestch.2019.02.0062215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchM. Yilmaz等人/工程科学与技术，国际期刊22（2019）10681069这些问题无法用理论表达来定义。特别是，人工神经网络被集中实施，以评估实验数据，以预测系统在各种操作条件下的行为。人工神经网络在许多学科中用于找出输入和输出数据之间的复杂关系，这些数据通常在理论上无法识别。人工神经网络从具有输入和输出数据的训练集中学习如何表现得像人类神经元[12]。或者，也可以使用人工蜂群（ABC）算法优化ANN的权重，以获得高精度的结果[13，14]。文献中有许多研究是为了提供高质量和连续的能量，同时降低效率损失。在其中一些研究中，采用了人工智能方法，例如具有前馈传播算法和蜜蜂算法的ANN[15]。例如，Ernst等人[16]表明，由于PV板中产生的能量整合到中压和低压电网中，因此在长线末端发生电压波动的问题可以通过逆变器的智能无功控制来解决。此外，他们还研究了如何通过分析光伏发电的统计行为和电网中的能量变化来解决现有技术中的问题。Shafiullah等人[1]观察到，在他们研究的模型中，光伏系统的谐波增加了100%，而在混合系统中，可再生能源集成的谐波增加了50%以上。后来，通过用STATCOM更新该模型，结果表明可以减少谐波。Kabalci等人[2]开发了一种用于测量、监测和分析10 km输电线路运行的模型，通过实现基于可编程逻辑控制器（PLC）的智能电网应用程序来监测功率比。在本研究中使用的正交相移键控（QPSK）调制方案的PLC应用程序给出了比其他应用程序更准确的结果。Hidayatullah等人[4]检查了连接后和系统故障后DG集成到智能电网中的系统稳定性。他们使用Dig-SILENT Power Factory Software V 13.2验证了稳定性水平。Trümper等人[7]试图克服技术上的困难，以及整合从风力涡轮机和PV板获得的电能的经济困难。为此目的，他们决定，必须在供求方面采取适当的技术措施。Prasad等人[8]开发了一种用于由光伏电池板和风力涡轮机组成的混合系统的软件，解决了发电不足，过度发电和未使用的能量存储系统以及生产的平衡能源成本等参数。利用该软件，他们通过预测特定位置的日发电量，为混合动力系统设置提供了最佳解决方案。他们还表示，该软件可以分别用于混合动力系统和风力涡轮机。Cheng[17]指出，在由于可再生能源的存在而整合波动负载的情况下，可以使用他开发的电力管理系统有效地优化潮流。他还强调了短期储能系统的需求，以提供电力智能电网的电力质量。Mellit等人[18]尝试使用人工神经网络预测多晶硅（p-Si）PV模块中产生的功率分布。根据该人工神经网络模型，由于预测的太阳辐射和空气温度而产生的电功率可以独立于电网和取决于电网来估计。Li等人[19]比较了两种常用方法，ANN和支持向量回归（SVR），以预测佛罗里达州安装的光伏发电厂在15分钟，1小时和24小时之前的发电量。提出了一种基于机器学习算法的分层方法。Ata[20]表明，可以采用ANN应用程序广泛应用于风能系统的预测、辨识、控制、建模、评估和故障诊断等成功地Karabacak等人[21]研究了用人工神经网络控制由光伏和风能转换系统（WECS）组成的混合可再生能源系统。他们观察到ANN比传统方法更成功。他们还强调，人工神经网络将占据更多的空间，在可再生能源的应用。因此，可再生能源发电厂将在不久的将来以更低的运营成本更有效地运营。Punitha等人。[22]开发了一种用于光伏系统中最大功率点跟踪器（MPPT）的基于人工神经网络的增量电导率算法（ICA）。采用反向传播算法训练的神经网络用于参考电压的在线估计。Almonacid等人[23]开发了一种方法，用于在可接受的精度水平下估计PV系统的功率输出。通过这种方法，他们表明可以更顺利地整合可再生资源。因此，功率输出，把放置在哈恩大学的光伏能源系统已被完全预测使用这种方法。Yap等人[24]进行在北澳大利亚的一个工厂中，通过预测由光伏板和柴油发电机组成的系统中的辐射量，进行了人工神经网络辅助的最佳燃料消耗发电的实验研究。根据模拟结果，他们表明，开发的模型是一种分析方法，以协助规划离网光伏柴油系统集成。用这种方法获得的估计的准确度在0.92和0.99之间变化。 Graditi等人。[25]开发了一种混合人工神经网络模型，该模型由混合物理人工神经网络（HPANN）和多层感知（MLP）方法组成，用于估计一种薄膜光伏面板。本研究的结果被用来估计发电量和计算不同的统计系数。然而，如详细的文献调查所示，虽然研究了诸如辐射、温度和湿度等大气现象对能量产生的影响，但这些参数对电网侧的影响没有得到充分解决。此外，还没有研究通过任何人工智能方法来预测不同大气条件下可再生能源系统的可再生能源，以估计电网上的电能质量。 此外，系统的行为特性必须在安装到期望的位置之前进行预测。人工智能的使用报告的应用程序是非常有用的预测所选区域的电能质量。光伏系统与电网的互连由信号提供作为逆变器的重要组件，从PV板中产生的DC功率获得AC功率[26]。由于光伏系统中运行条件的可变性，逆变器的准确特性是一个重大挑战。不仅大气变化，而且逆变器特性应同时进行研究。在这项研究中，环境条件所用逆变器输出端的电压和频率在1月和7月，对光伏系统中能量转换进行了实验研究此外，人工神经网络被用来确定整个光伏系统的电能质量的行为，包括光伏电池板和逆变器在不同的操作条件下的首次。2. 材料和方法在这项研究中，对在土耳其Burdur省运行的350kVA的LTi标志逆变器和260 W的韩华新能源品牌光伏面板进行了发电量测量。用于形成光伏发电机的每个面板的特性在表2中给出。为了形成实验工作中使用的光伏发电机，将23个这样的面板串联连接到表格中一个串和8个这样的串并联，这使得1070M. Yilmaz等人/工程科学与技术，国际期刊22（2019）10682Ni-1我Ni-1我我.R经验.表1逆变器的技术规格参数值单元类型1684.0002.0发生器连接装置DC–最大功率点电压范围590–920V最大输入电流600一最大输入电压1000V主电源连接AC–最小/最大输出电压390V最大输出电流520一最大输出功率350kVA额定频率50/60Hz功率因数（cos/）0.8 ind.至0.8 cap.–序列号142040002–表2光伏板的技术规格。重量W 18.5 ± 0.5 Kg尺寸高/长/厚1670/1000/32 mm电池类型的输入数据用于训练，15%的输入数据用于测试，15%的输入数据用于验证。因此，ANN具有一个具有6个输入数据的输入层，一个具有10个神经元的隐藏层和一个具有3个输出数据的输出层，如图所示。四、在本研究的ANN步骤中，尽管文献中存在几种训练算法，但由于可靠、简单和快速的特性，选择了前馈反向传播（FFBP）ANN和此外，在该ANN仿真中，Learngdm自适应学习函数、均方误差（MSE）性能函数和Tansig传递函数是优选的。简单的优化算法（梯度下降）的给定网络权重和偏置更新的方向，每一个功能显示迅速下降。训练的迭代可以写为等式。（一）.xk 1¼xk-ak gk 1其中xk是可用权重和偏置的向量，gk是当前梯度，ak是学习率。使用该方程的迭代前馈网络的默认性能函数MSE在网络输出a和目标输出t之间。其定义如下[32]：F¼mse¼1XN总长度为2¼1XN t-a最大串联保险丝额定值MSFR 15 A产地最高可达333千瓦峰值总功率的光伏发电机。逆变器和PV板的技术数据分别在表1和表2所需的数据，如机舱温度、母线温度和冲击线圈温度、光伏发电厂产生的电功率和电网连接点的电功率测量值，均取自连接到光伏系统的逆变器记录。气温、湿度和辐射值等环境条件同时从土耳其气象总局获得。测量是在1月4日和7月13日进行的，这两天分别是最短和最长的辐射期。1月份进行的测量间隔为15 min，收集了37个数据。由于夏季受日照时间较长，7月份以15 min间隔采集了54个数据。然而，在ANN模拟步骤的训练中，由于日出和日落时间的测量结果不稳定，因此删除了一些数据，并使用了1月的34个数据和7月的49个数据。此外，从日出到日落（从7：37到16：37）每隔15分钟记录的辐射值（固定平面上的总辐照度，W/m2）如图6a所示。选择布尔杜尔省是因为土耳其的太阳能潜力图中所示的高辐射潜力。1.一、通过考虑光伏板的17°在这项研究中，ANN模型被形成为一个输入层，一个隐藏层和一个输 出 层 [27 ， 28] 。 测 量 的 数 据 ， 如 辐 射 （ G ） ， 在PV 板 的 功 率（PDC），传输母线，扼流圈和柜的温度和湿度被用作输入数据。PAC、PF和频率值被用作输出数据，如图1中的ANN结构所示。 二、此外，70%梯度的大小和验证检查的数量用于停止训练过程。当训练变得最小时，梯度值取最低值。在本研究中，如果幅度梯度达到1 e-10，则训练将停止。训练步骤的性能曲线如图所示。3.第三章。在隐层中，考虑了10个神经元定义向前和向后方向操作的最大验证检查值已调整为1000，以防止过度迭代。目标误差被选择为0，学习率被设置为0.01。通过MATLAB ANN工具[11，28，33，34]推导并迭代调整权重和偏差。之后，进行了几次培训，直到达到预期的成功水平相对误差（RE）计算采用Eq.（1）[11]。%RE¼. REXP-RANN×100 3本研究中进行的全部工作总结见图5。在PV板中产生的直流电（DC）通过逆变器转换成交流电（AC）。从日出到日落每隔15 min记录光伏板的太阳辐射、逆变器输入端和输出端的PDC、PAC值、逆变器内三个不同区域的温度和环境湿度测量数据，用于人工神经网络训练。利用输入数据，通过实验结果控制生成的结果，对ANN进行在对训练好的人工神经网络进行测试和验证后，利用新的数据集对光伏系统在不同运行条件下的行为进行了估计。在这种情况下，逆变器输出功率（PAC），PF和频率值的推导。图6a和b分别展示了针对1月和7月开发的两种ANN的回归曲线。图6证明了ANN在训练测试和验证中的成功，准确率高于99%。利用新数据集的输出，PV系统的行为和PV板输出与参数符号值单元类型–HSL60P-PC-1-260最大功率Pmax260W开路电压VOC38.1V短路电流ISC8.98一最大电源电压VMP30.9V网电源电流Imp8.42一最大系统电压Vmax1000V标称工作电池温度Noct45 ± 3摄氏度温度循环范围Tcyc-40/+85摄氏度M. Yilmaz等人/工程科学与技术，国际期刊22（2019）10681071Fig. 1. 土耳其的太阳能潜力图[千瓦时/米2-年]。图二. ANN的结构逆变器输出的估计，以确定最合适的区域，以较低的功率损耗运行光伏系统。3. 结果和讨论图7a显示土耳其布尔杜尔省一月份的理论辐射率.所考虑的省份的最大理论辐射值被观测为：320 W/m2。在图7b中，给出了1月份的传输母线（T传输）的温度变化、用于逆变器输入处谐波保护的冲击线圈（T扼流圈）的温度以及覆盖逆变器的机柜（T机柜）的温度。可以看出，这三个温度平行于理论辐射曲线变化。湿度的变化直接图三. ANN的性能图通过改变白天空气的渗透性，在图7c中给出。1月份的湿度值呈下降趋势，一直到下午 图 7d，全天给出1月份从面板获得的功率（P DC）。很明显，由于云层的阴影，电力生产在白天会出现突然波动。在7月同一地点，P DC显示出辐射的平行等位基因，如图所示. 10天。ANN训练步骤中使用的实验结果与ANN模拟结果的比较如图7所示。实验结果与人工神经网络模拟结果符合得很好。7.第一次会议。例如，测量曲线和人工神经网络模拟结果的P AC获得几乎是近似的，如图所示。早上7PF测量曲线显示，由于光伏电站附近建立的许多大理石工厂的高能源需求，PF测量曲线出现了一些波动。然而，ANN模拟给出了更稳定的结果，具有高精度，如图8b所示。此外，频率模拟显示出与实验结果的良好一致性，如图8c所示。另一个重要参数是光伏板和逆变器输出之间的功率损耗，用于评估性能的光伏电站提供在图8d中。ANN模拟结果和实验结果具有相似的特征1072M. Yilmaz等人/工程科学与技术，国际期刊22（2019）1068见图4。 图为ANN。图五. 研究的总体流程图用于功率损耗计算的谈话测量。此外，在神经网络模拟曲线中加入了六次回归曲线，图8d，以清楚地观察功率损耗的变化。根据人工神经网络结果曲线和人工神经网络结果的回归曲线，由于高辐射率，在一天的中间，功率损耗呈现出下降的趋势。图9示出了针对新数据集的ANN结果，所述新数据集被确定用于观察1月份在不同操作条件下PV系统输出功率的行为。PDC和PAC曲线以及功率损耗曲线分别在图9a和图9d中描绘。因此，通过图9a和d可以容易地观察到1月份的PV系统的性能。 从图9a中可以看出，由于显示出几乎相同的特征。 PF值显示在图9b中观察到非常稳定，并且接近于在0.99和1之间变化的实验结果。逆变器输出端的交流电源频率见图9c。 频率值观察到到保持在50 Hz和50.1 Hz之间，与实验测量结果非常吻合。ANN预测的功率损耗如图9d所示。此外，增加了六次回归曲线，以更容易观察功率损耗曲线的趋势。 与实验结果平行，功率损耗曲线在中午呈现出下降趋势。从无花果的观察。7和9，温度上升到一定水平，湿度下降，M. Yilmaz等人/工程科学与技术，国际期刊22（2019）10681073见图6。 培训、验证和测试结果：a）1月，b）7月。图7.第一次会议。一月份的实验测量：a）辐射，b）温度，c）湿度，d）PDC。一天中的小时数，损失减少，总系统效率增加。图10a显示了布尔杜尔省1月份的理论辐射率。所考虑的省的最大理论辐射值被观察到为986 W/m2。在图10b中，给出了7月份的传输母线（T传输）的温度变化、用于逆变器输入端谐波降低的冲击线圈（T扼流圈）的温度以及覆盖逆变器的舱室（T机柜可以看出，根据记录的温度，这三个温度在较高水平上显示出与理论辐射曲线相似的特征在一月在湿度的变化通过改变空气的渗透性直接影响PV板中的能量产生，这一天，在图10C中给出。1月份的湿度值在下午呈上升趋势。一般来说，7月的湿度值比1月记录的湿度值低得多。在图10d中，给出了一月份全天从面板获得的功率（PDC）。很明显，由于7月的天空晴朗，发电量没有出现任何波动，白天实现了稳定的发电。因此，观察到的PDC远高于1月份记录的值。图1中展示了用于ANN训练步骤的实验结果与ANN模拟结果的比较。十一是七月。图的观察。 11显示两个结果之间有很好的匹配。例如，测量-1074M. Yilmaz等人/工程科学与技术，国际期刊22（2019）1068图8.第八条。1月份的实验和ANN模拟结果：a）PAC，b）功率因数，c）频率，d）功率损耗。见图9。一月份的人工神经网络结果：a）PDC和PAC，b）功率因数，c）频率，d）功率损耗。如图11a所示，获得了PAC的最大功率曲线和ANN模拟结果。PF测量曲线显示出一些波动，因为在1月份观察到，这是由于光伏电站附近建立的许多大理石工厂的高能源需求。然而，ANN模拟给出了更稳定的结果，波动更小，如图11b所示，与图8b相似。此外，频率模拟显示出与实验结果的良好一致性，如图11c所示。示出了功率损耗，其被描述为PV发电机的输出功率与逆变器输出功率之间的差在图11d中。同一图中还添加了6度回归曲线，以观察全天功率损耗的趋势。从图11中可以看出，功率损耗在接近中午时减小，此时辐射量达到最大值。图12显示了为观察7月份不同运行条件下PV系统输出功率的行为而确定的新数据集的ANN结果。PDC和PAC结果以及功率损耗结果分别在图12a和d中示出。因此，从图中可以很容易地观察到1月份光伏系统的性能。 12 a和d。观察图。 12 a表明，在P DC和P AC之间获得非常接近的结果。PF值如图12b所示，从中可以看出PF值保持在0.98和1.0之间，这在可接受的范围内。在逆变器的输出交流电源的频率是在图中给出。12 c.频率值是观察到到之间仍然存在49.9 Hz和50.1 Hz的频率范围内，与实验测量值吻合良好.示出了ANN预测的功率损耗，在图12d中，此外，还添加了六次回归曲线为了观察功率损耗的趋势，M. Yilmaz等人/工程科学与技术，国际期刊22（2019）10681075见图10。七月的实验测量：a）辐射，b）温度，c）湿度，d）PDC。图十一岁七月的实验和ANN模拟结果：a）PAC，b）功率因数，c）频率，d）功率损耗。清楚与实验结果相似，模拟的功率损耗结果在一天的中间呈现出下降的趋势从无花果的观察。从图9和图12可以看出，温度上升到一定水平，湿度在一天的大部分时间内下降，损失减少，并且总系统效率增加。因此，在确定光伏电站选址时，4. 结论由PV发电机产生的DC电压经由逆变器连接到电力网络，以便向消费者提供所需的AC电压。在这一过程中，由于环境变化而产生的能量波动，精神条件和逆变器系统的适当数学建模[14]。在这项研究中，实验调查的环境条件上的交流功率，频率和PF在输出的350千瓦逆变器可在光伏发电站在城市的Burdur在土耳其实现了一月和七月。值得注意的是，在这项研究中，人工神经网络是第一次在不同的操作条件下使用研究的目的主要是研究光伏发电机输出功率、逆变器各部分温升等环境条件对逆变器输出功率的影响，并估计光伏电站最有效运行的最佳参数和环境条件。得出的结论是，在低湿度，较高的太阳辐射和较高的温度的区域的光伏发电机输出和逆变器输出之间的功率差是较小的，这意味着更好的系统效率。1076M. Yilmaz等人/工程科学与技术，国际期刊22（2019）1068见图12。七月的ANN结果：a）PDC和PAC，b）功率因数，c）频率，d）功率损耗。研究结果可用于预测不同环境条件下可再生能源接入智能电网的输出功率。此外，本研究亦有助日后进行用电需求管理的研究。谐波的影响被排除在本次调查，它是计划在未来的工作。引用[1] 通用汽车Shafiullah，A.M.T. Oo，谐波分析与可再生能源集成到配电网中，2015IEEE创新智能电网技术会议录[2] Y. Kabalci，E. Kabalci，可再生能源智能电网监控系统的建模与分析，Sol。 能源153（2017）262-275。[3] E. Kayabasi，S.厄兹蒂尔克，N. Kucukdogan，M. Savran，能源和太阳能的最新发展，最新研究。Sci. 艺术1883 -1892（2018）.[4] N.A. Hidayatullah，Z.J. Paracha，A. Kalam，分布式发电对智能电网暂态稳定性的影响，智能电网更新。能源02（02）（2011）99- 109。[5] H. Lund，P.A. D. Connolly，B. V. Mathiesen，智能能源和智能能源系统，能源137（2017）556-565。[6] P.T.曼迪泰雷萨河Bansal，可再生分布式发电：隐藏的挑战-从保护的角度进行审查，更新。坚持住。EnergyRev. 58（2016）1457-1465.[7] S.C. Trümper，S.Gerhard，S.萨特曼岛Weinmann，电网中可再生能源整合战略的定性分析，能源程序46（2014）161-170。[8] A.R. Prasad，E.Natarajan，具有电池存储的集成光伏风力发电系统的优化，能源31（12）（2006）1607-1618。[9] S. Lundberg，T. Petru，T. Thiringer，弱电网中风能装置的电气限制因素，国际。J. 续订。能源工程 3（2）（2001）305-310。[10] S.工程，S。委员会，IEEE标准，电子，2001年（十二月），2001年。[11] E. Kayabasi，S. Ozturk，E. Celik，H.郭文，金刚石线锯切割矽晶圆参数之人工神经网路分析，国立成功大学机械工程研究所硕士论文。能源149（2017）285-293。[12] T. Ozturk，A. 埃尔哈维尔岛 犹他州乌鲁尔 Guneser，萃取的发展从50和170 GHz之间的自由空间测量的S-参数的介电常数的技术，J. Mater. 科学：Mater. 电子学。28（15）（2017）11543一一五四九。[13] T. Ozturk，A. Elhawil，M. DügJupenci 岛于纳尔岛李晓云，基于ABC神经网络和NRW算法的材料介电常数的提取，J。电磁炮波应用 30（13）（2016）1785-1799。[14] K. Naidu，H.Mokhlis，A.H.A.巴卡尔河谷Terzija，ABC算法在多机互联多区域电力系统中的性能研究，应用。软计算 J. 57（2017）436-451。[15] F. Uysal，E.Kilinc，H.Kurt，E.Celik，M.Dugenci，S.李文，李晓刚，等，用蜜蜂算法多层感知器估计p型高温热电材料的塞贝克系数，J。电 子 学。Mater. 46（8）（2017）4931-4938。[16] B.恩斯特湾Engel，Grid Integration of Distributed PV-Generation，in：IEEEPES General Meeting，2012，pp.1-7号。[17] Y. Cheng，Power management in smart grids for the integration of renewableenergy resources and volatile load，in：2011 International Conference on CleanElectric Power（ICCEP），2011，pp. 第637-642页。[18] A. Mellit，S. Saidelam，S.A.陈晓，基于神经网络的光伏组件发电功率估算模型，北京，2003。能源60（2013）71-78。[19] Z. Li，S.拉赫曼河维加湾Dong，A hierarchical approach using machinelearningmethods in solar photovoltaic energy production forecasting，Energies 9（1）（2016）55.[20] R.人工神经网络在风能系统中的应用：综述，更新。坚持住。Energy Rev.49（2015）534-562.[21] K. Karabacak，N. Cetin，用于控制风力-光伏发电系统的人工神经网络：综述，更新。坚持住。能源收入 29（2014）804-827。[22] K. Punitha，D.Devaraj，S.Sakthivel，基于人工神经网络的改进增量电导算法，用于部分遮蔽条件下光伏系统中的最大功率点跟踪，能源62（2013）330- 340。[23] F. Almonacid，P.J. Pérez-Higueras，E.F.费尔南德斯湖Hontoria，基于动态人工神经网络的光伏发电机功率输出短期预测方法，能量转换。管理。 85（2014）389-398。[24] W.K. Yap，V.Karri，作为规划和设计工具的离网混合光伏/柴油模型，结合动态和ANN建模技术，Renew。 能源78（2015）42-50。[25] G. Graditi，S.Ferlito，G.Adinolfi，G.M.蒂娜角文图拉，薄膜光伏发电厂的能量产量估计使用物理方法和人工神经网络，溶胶。 能源130（2016）232-243。[26] M.A. Eltawil，Z.赵，光伏并网发电系统：技术和潜在问题-综述，更新。坚持住。Energy Rev. 14（1）（2010）112-129.[27] A.N. Aldabbous，P.Kumar，A.R.Khan，使用前馈人工神经网络预测路边位置的空气中纳米颗粒，Atmos。污染。Res. 8（3）（2017）446-454.[28] S.厄兹蒂尔克角Mizrak，E. Kayabasi，H. Kurt，E. Celik，使用模糊逻辑确定硅锭的切割参数，在：工业4.0和应用国际研讨会（ISIA 2017），2017年，第100页。13比17[29] R. Sitharthan，K.R. Devabalaji，A.李文，基于前馈反向传播的风力发电系统智能桨距角控制器，2001。 能源焦点22 -23（2017）24-32.[30] A. Rostami，文学硕士Anbaz，H.R. Erfani Gahrooei，M. Arabloo，A. Bahadori，多层活性炭上CO2吸附的准确估计前馈神经网络算法，埃及。J. Pet. 27（1）（2018）65-73。[31] R.K. Brouwer ， Training a feed-forward network by feeding gradientsforwardrather than by back-propagation of errors，Neurocomputing 16（2）（1997）117-126。[32] M.H.比尔，M.T. Hagan，H.B. Demuth，Neural Network Toolbox User's guide，MathWorks 2-3（2015）。[33] Z. Chiba，N.Abghour，K.Moussaid，A.El Omri，M.Rida，一种结合最优参数的反向传播神经网络用于异常网络入侵检测的新架构，Comput. 安全 75（2018）36- 58。[34] W. Cao ， X. Wang ， Z. Ming ， J. Gao ， A review on neural networks withrandomweights，Neurocomputing 275（2018）278-287.