Фотоэлектрическая система генерирования на базе полупроводникового преобразователя с нейросетевой системой управления
ВВЕДЕНИЕ …………………………………………………………………………………………………… 5
ГЛАВА 1 АНАЛИЗ ФОТОЭЛЕКТРИЧЕСКИХ СИСТЕМ ГЕНЕРИРОВАНИЯ
…………………………………………………………………………………………………………………… .11
1.1. Перспективы развития возобновляемых источников энергии …………. 11
1.2. Фотоэлектрические системы генерирования…………………………………… 12
1.3. Основные характеристики солнечной батареи ……………………………….. 16
1.4. Эффективность фотоэлектрических систем генерирования …………….. 19
1.5. Современные методы отслеживания точки максимальной мощности 22
1.5.1. Возмущение и наблюдение ………………………………………………………. 24
1.5.2. Возрастающей проводимости …………………………………………………… 27
1.5.2. Интеллектуальные методы ……………………………………………………….. 31
Выводы по первой главе ………………………………………………………………………………. 40
ГЛАВА 2 МЕТОДИКА СОЗДАНИЯ И ОБУЧЕНИЯ ИСКУССТВЕННОЙ
НЕЙРОННОЙ СЕТИ……………………………………………………………………………………. 42
2.1. Методика создания обучения искусственной нейронной сети ………… 43
2.1.1. Оценка влияния внешних параметров на солнечную батарею и
систему в целом ………………………………………………………………………………….. 44
2.1.2. Выбор входных и выходных параметров для искусственной
нейронной сети……………………………………………………………………………………. 49
2.1.3. Сбор данных для обучения ………………………………………………………. 50
2.1.4. Выбор топологии сети ……………………………………………………………… 58
2.1.5. Экспериментальное моделирование с учетом выбранной
топологии сети и подготовленных данных для обучения ……………………… 67
2.1.6. Оценка работы искусственной нейронной сети на тестовом
множестве …………………………………………………………………………………………… 72
2.1.7. Экспериментальное моделирование искусственной нейронной сети
в составе системы управления……………………………………………………………… 73
2.2. Улучшенная методика для создания и обучения искусственной
нейронной сети……………………………………………………………………………………. 73
Выводы по второй главе ………………………………………………………………………………. 75
ГЛАВА 3 СОЗДАНИЕ МОДЕЛИ СОЛНЕЧНОЙ БАТАРЕИ НА ОСНОВЕ
ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ …………………………………………………… 77
3.1. Физический эксперимент снятия вольт-амперных характеристик
солнечной батареи …………………………………………………………………………………. 78
3.2. Моделирование c помощью средств Matlab Simulink ……………………… 80
3.2.1. Моделирование с помощью блока Solar cell ……………………………… 81
3.2.2. Моделирование с помощью блока PV Array ……………………………… 82
3.3. Модель солнечной батареи на основе искусственной нейронной
сети………………………………………………………………………………83
3.4. Методика создания модели солнечной батареи на основе
искусственной нейронной сети ………………………………………………………………. 86
Выводы по третьей главе ……………………………………………………………………….. 87
ГЛАВА 4 АВТОНОМНАЯ СИСТЕМА ПРЕОБРАЗОВАНИЯ
ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ ……………………………………………………………………. 89
4.1. Фотоэлектрическая система генерирования постоянного тока ………… 89
4.1.1. DC-DC преобразователь …………………………………………………………… 90
4.1.2. Настройка нейронной сети для преобразователя ………………………. 95
4.1.3. Структура системы управления ………………………………………………… 97
4.1.4. Имитационная модель ……………………………………………………………… 99
4.1.5. Результаты имитационного моделирования ……………………………. 101
4.1.6. Сравнение с классическими алгоритмами……………………………….. 106
4.2. Структура системы переменного тока ………………………………………….. 112
4.3. Имитационная модель и основные характеристики ………………………. 118
Выводы по четвертой главе………………………………………………………………………… 130
ГЛАВА 5 АЛГОРИТМ ОНЛАЙН-КОРРЕКЦИИ КОЭФФИЦИЕНТОВ
ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ …………………………………………………. 132
5.1. Деградация солнечных батарей ……………………………………………………. 132
5.2. Место нейронной сети в системе преобразования…………………………. 135
5.3. Онлайн обучение искусственной нейронной сети …………………………. 137
5.3.1. Посезонное обучение ……………………………………………………………… 140
5.3.2. Посезонное обучение с прореживанием ………………………………….. 142
Выводы по пятой главе ………………………………………………………………………………. 146
ЗАКЛЮЧЕНИЕ …………………………………………………………………………………………. 148
СПИСОК СОКРАЩЕНИЙ …………………………………………………………………………. 150
СПИСОК ЛИТЕРАТУРЫ…………………………………………………………………………… 151
ПРИЛОЖЕНИЕ А Акт и справка о внедрении результатов диссертационной
работы ……………………………………………………………………………………………………….. 160
ПРИЛОЖЕНИЕ Б Патент и свидетельства о государственной регистрации
программы для ЭВМ ………………………………………………………………………………….. 162
Во введении отражены актуальность темы исследования, научные
проблемы, сформулированы цель и задачи работы диссертационной работы,
описаны методы исследования. Изложена научная новизна и практическая
значимость работы, приведены основные положения, выносимые на защиту,
сведения об апробации и публикациях, личном вкладе автора, а также представлена
структура работы.
В первой главе выполнен аналитический обзор научно-технической
литературы, касающейся вопросов отслеживания точки максимальной мощности.
Рассмотрены классические алгоритмы отслеживания точки максимальной
мощности солнечных батарей, такие как: возмущение и наблюдение, возрастающей
проводимости, постоянного напряжения и их адаптивные модификации. Далее
проведено исследование интеллектуальных алгоритмов отслеживания, таких как
искусственные нейронные сети и нечеткая логика. Определено место ИНС в
системе управления преобразователем постоянного тока.
Также в данной главе проводится краткое сравнение с учетом трех основных
критериев: сложность алгоритма, точность и требования к реализации. Из-за
простоты реализации очень долгое время наиболее предпочтительными были
классические методы поиска точки оптимума. Но, несмотря на их очевидную
простоту, при динамическом изменении условий окружающей среды классические
алгоритмы с трудом справляются с отслеживанием. Эти проблемы открыли
возможности для применения интеллектуальных методов, таких как Нечеткая
логика и ИНС. Колебания в точке максимальной мощности массива солнечных
батарей почти устраняются, а эффективность системы повышается. Но
интеллектуальные методы являются более сложными в реализации и требуются
дополнительные знания для разработки такого алгоритма. Также требуется более
мощная вычислительная система для работы интеллектуального алгоритма.
Следовательно, несмотря на очевидные преимущества в точности и корректной
работе при быстро меняющихся условиях, из-за сложности реализации данные
алгоритмы находятся в стадии развития.
Вторая глава посвящена разработке улучшенной методики создания и
обучения искусственной нейронной сети для задачи отслеживания точки
максимальной мощности солнечной батареи.
Искусственная нейронная сеть — это интеллектуальная вычислительная
система, принцип которой основан на поведении биологических нейронов,
присутствующих в мозге человека. В последнее время ИНС получили высокое
распространение и с успехом применяются в области отслеживания точки
максимальной мощности.
Математическая модель нейрона описывается формулой:
N ( k ) (i )
(i +1)
xk= f w j x j + B ( k )(1)
j =1
Где выход k-го нейрона слоя i+1 рассчитывается как взвешенная сумма всех
его входов со слоя i, к которой применена функция активации, нормализующая
выходной сигнал.
В диссертационной работе было проведено исследование по обучению ИНС
для задачи отслеживания точки максимальной мощности. Представлены
поэтапные результаты исследования:
– оценка влияния внешних параметров на солнечную батарею и систему в
целом;
Выбор параметров для обучения искусственной нейронной сети и их
обработка является одним из самых сложных и время затратных этапов решения
задачи. Информация, которую несет в себе обучающая выборка, как правило, во
многом определяет работоспособность и эффективность ИНС. Экспериментальные
исходные данные были получены с использованием фотовольтаического стенда
Lucas-Nülle.
– выбор входных и выходных параметров для ИНС;
Эксперимент показал, что в качестве входных данных для искусственной
нейронной сети необходимо использовать мгновенные значения тока и напряжения
солнечной батареи, освещенность и температуру.
– сбор данных для обучения;
В работе описаны критерии сбора и подготовки данных для обучения.
Проведены соответствующие эксперименты.
– выбор топологии сети;
Одной из задач при выборе топологии сети является выбор количества слоев,
нейронов и функции активации. Приведена оценка количества слоев и нейронов.
Функция активации (Рисунок 1) выбирается исходя из сложности и требуемой
точности выполняемой задачи.
Рисунок 1 – Функции активации
В качестве функции активации была исследована функция Эллиотта, которая
практически не используется в такого рода задачах. Были выявлены ее
преимущества т.к. близка к сигмоидальным, но вычисляется более чем в два раза
быстрее и не уступает в точности.
Функция активации – Эллиотт:
x
elliotsig( x) =(2)
1+ x
– экспериментальное моделирование с учетом выбранной топологии сети и
подготовленных данных для обучения;
В данной части работы был проведен эксперимент без использования
информации об освещенности, который дал положительные результаты.
– оценка работы искусственной нейронной сети на тестовом множестве;
Для различных условий работы алгоритма был проведен эксперимент и
установлено, что процент ошибки лежит в интервале от 0,01% до 0,5%.
– экспериментальное моделирование искусственной нейронной сети в
составе системы управления.
Экспериментальное моделирование ИНС в составе системы генерирования
более подробно рассмотрено в 4 главе диссертационной работы.
В результате данного исследования была разработана улучшенная методика,
которая позволяет создать и обучить искусственную нейронную сеть для задачи
отслеживания точки максимальной мощности, как в цепи управления
преобразователем постоянного тока, так и переменного.
В третьей главе проведено имитационное моделирование модели солнечной
батареи с помощью различных средств программного обеспечения Matlab Simulink.
Выполнен сравнительный анализ и в результате данных исследований разработана
и описана методика создания модели солнечной батареи на основе искусственной
нейронной сети, которая позволяет,
при соблюдении всех пунктов,
создать и обучить искусственную
нейроннуюсетьдлязадачи
имитации поведения солнечной
батареи.
Врезультатеработы,в
программном обеспечении Matlab
создана искусственная нейронная
сеть, которая с высокой точностью
Рисунок 2 – Топология ИНС дляможетвоспроизвестивольт-
реализации модели СБамперныеивольт-ваттные
характеристики солнечной батареи.
Топологияискусственной
нейронной сети показана на рисунке
2.Результатимитационного
моделирования показан на Рисунке
3.
Как видно, характеристика
имитационной модели довольно
точно совпадает с реальной
характеристикойсолнечного
модуля.Ошибкавточке
максимальной мощности составляет
Рисунок 3 – Зависимость мощности
0,18%.
солнечной батареи от напряжения. Real –
Вчетвертойглаве
исследуемая солнечная батарея, ANN –
произведеноимитационное
имитационная модель солнечной
моделирование фотоэлектрических
батареи, Err – относительная ошибка,
систем генерирования на основе
увеличенная в 10 раз
преобразователя постоянного тока и
преобразователя переменного тока.
В первой части главы в качестве преобразователя предлагается использовать
многопортовый преобразователь постоянного тока.
Структурная схема автономной системы электроснабжения с питанием от
солнечных батарей показана на Рисунке 4.
Предлагаемая система преобразования электрической энергии от солнечных
батарей содержит в себе канал стабилизации напряжения на нагрузке (СТ) и
регулирования тока солнечной батареи, канал заряда аккумуляторной батареи (СЗ)
и канал разряда аккумуляторной батареи (СР), аккумуляторную батарею (АКБ)
нагрузку (Н) и специализированную систему управления (СУ). Таким образом,
данная схема выступает связующим звеном
между солнечной батареей и аккумуляторной
батареей, а также повышает выходное
напряжение для дальнейшего преобразования
в звене переменного тока.
Согласно данной структуре была
выбранасхематрехпортового
преобразователя. Принципиальная схема
преобразователя представлена на Рисунке 5.
Рисунок 4 – Структурная схема
автономной системы
электроснабжения.
Рисунок 5 – Принципиальная схема многопортового DC/DC– преобразователя
Многопортовый преобразователь содержит три так называемых порта. Два
служат для подключения солнечной и аккумуляторной батареи, а третий для
подключения нагрузки. Такой преобразователь имеет ряд преимуществ над
стандартными преобразователями.
Данный преобразователь работает по трем каналам в зависимости от того, на
какой канал поступают управляющие импульсы.
Канал тока солнечной батареи. Схема стабилизатора представляет собой
повышающий преобразователь. Управление стабилизатором осуществляется
посредствам широтно-импульсной модуляции. Управляющие импульсы
поступают на транзистор VT1, тем самым позволяя поддерживать напряжение на
нагрузке на заданном фиксированном уровне.
Интервалы накопления и отдачи энергии описываются следующими
системами уравнений:
diL (t ) diL (t )
L= uin (t )L− U in (t ) = −uC (t )
dt
dt
(3)
C duC (t ) = − uC (t )i (t ) − uC (t ) − C duC (t ) = 0
dtR
L
Rdt
где L=L1, C=C1, uin=ucell, R =Rn
Канал заряда аккумуляторной батареи. Контролирует уровень заряда
аккумуляторной батареи, в режиме изменяющегося, в зависимости от уровня
освещенности, тока при одновременном поддержании напряжения на нагрузке.
Этапы преобразования описываются следующими системами уравнений:
diL 2 (t )
L dt = −u АКБ (t )
diL1 (t )
+
diL1 (t )
+
diL 2 (t )
=L+ uin (t ) = −u c (t )
in
u(t )LLu АКБ (t )dt(4)
dtdt
duC (t ) uC (t )
iL (t ) − C dt − R = 0
гдеL=L1, C=C1, uin=ucell, R =Rn
Каналразрядааккумуляторнойбатареи.Представляетсобой
преобразователь, повышающий напряжение, получаемое от аккумуляторной
батареи до уровня напряжения на нагрузке.
Данные процессы описываются следующей системой уравнений:
di L 2 (t ) diL 2 (t )
L dt = u АКБ (t )L dt − u АКБ (t ) = −u C (t )
(5)
C duC (t ) = − u C (t )i (t ) − u C (t ) − C duC (t ) = 0
dtR L 2Rdt
где L=L2, C=C1, Uin=Ucell, R=Rn
Следующейзадачейявлялась разработкасистемауправления,
обеспечивающей функцию отслеживания точки максимальной мощности для всех
уровней солнечного излучения.
Упрощенная структура разработанной системы управления показана на
Рисунке 6.
Рисунок 6 – Структура системы управления преобразователем
В зависимости условий работы системы генерирования и канала
преобразователя работа системы управления была разделена на режимы.
Условиями работы системы являются: дневное время, когда солнечная батарея
вырабатывает достаточное количество энергии для питания нагрузки; вечернее или
пасмурное время, когда солнечной энергии недостаточно для обеспечения
нагрузки необходимым количеством энергии; темное время суток, когда солнечная
батарея не производит энергии. Исходя из данных условий, можно выделить
четыре режима работы:
№1: Первый режим заключается в нахождении точки максимальной
мощности солнечной батареи и стабилизация напряжения на нагрузке. С помощью
искусственной нейронной сети производится оценка, какое количество энергии,
получаемое от солнечной батареи, остается невостребованным и может ли быть
подключена аккумуляторная батарея.
№2: Если имеется избыток энергии, получаемой от солнечной батареи,
данная система позволяет накапливать часть энергии в аккумуляторную батарею,
подключая канал заряда АКБ. Система управления, руководствуясь данными,
полученными от ИНС, обеспечивает плавный переход от режима №1 к режиму №2
для того, чтобы при подключении аккумуляторной батареи не возникло провалов
напряжения на нагрузке.
№3: В том случае, если освещенность начинает уменьшаться, система
управления, получая сигнал задания от искусственной нейронной сети, постепенно
снижает зарядный ток аккумуляторной батареи, чтобы не возникло
перенапряжений на нагрузке. При этом происходит отбор максимальной мощности
от солнечной батареи, а недостаток энергии восполняется с помощью
аккумулятора.
№4: АКБ обеспечивает нагрузку стабилизированным напряжением
необходимого уровня.
В качестве результатов численного эксперимента приведены диаграммы
токов и напряжений для некоторых режимов работы схемы (Рисунок 7 и 8).
Система отбирает от солнечной батареи максимальную энергию с точностью в
99,03%.
Рисунок 7 – Временные диаграммы при уменьшении освещенности
Также был проведен эксперимент сравнения с классическим алгоритмом
слежения за точкой максимальной мощности в системе управления солнечного
регулятора тока. В качестве классического алгоритма был выбран алгоритм
«Возрастающей проводимости». Результат можно увидеть на Рисунке 9.
Рисунок 8 – Временные диаграммы при скачкообразном изменении нагрузки
Видно, что в случае, когда за MPPT отвечает искусственная нейронная сеть,
переходного процесса практически нет. А в случае с классическим алгоритмом
наблюдается довольно длительный переходный процесс. Продолжительность
переходного процесса зависит от шага расчета алгоритма Incremental Conductance
MPPT. Чем больше шаг счета, тем быстрее переходные процессы, но тем менее
точным будет результат отслеживания.
(а)(б)
Рисунок 9 – Мощность солнечной батареи для различных алгоритмов
отслеживания: ANN – искусственная нейронная сеть, MPPT – алгоритм
возрастающей проводимости; а – переходной процесс, б – установившийся режим.
На Рисунке 9(б) видно, что среднее значение мощности, полученное при
управлении с использованием классического алгоритма, немного меньше
максимальной мощности, которую может генерировать солнечная панель.
Эксперимент проводился с использованием маломощной солнечной батареи
и с увеличением мощности погрешность расчета по классическому алгоритму
может увеличиваться. Тогда как нейронную сеть легко настроить на новые
параметры.
Во второй части четвертой главы рассматривается фотоэлектрическая
система преобразования на базе инвертора с использованием искусственной
нейронной сети в цепи управления.
Структура преобразователя и системы управления представлена на Рисунке
10.
Рисунок 10 – Структура фотоэлектрической системы, соединенной с сетью
Формирование сигналов управления происходит в системе координат dq0.
Для преобразования из системы координат ABC используется блок ABC-dq0.
На выходе преобразователя получаем сигналы d*, q*, 0. Сигнал d* в данной
системе управления не используется, а остальные составляющие должны быть
сведены к нулю.
Система управления построена на основе искусственных нейронных сетей
ANN D и ANN Q. Искусственные нейронные сети на выходе формируют
аппроксимированное значение сигнала задания на величину управляющих
сигналов d и q соответственно. Формирование сигналов d и q, с помощью
искусственных нейронных сетей, происходит практически мгновенно, за время
формирования выходного сигнала нейронной сети, что увеличивает скорость
работы системы управления и поиск максимальной мощности массива солнечных
батарей. Искусственная нейронная сеть ANN U формирует напряжение, которое
должно достигаться в точке максимальной мощности массива солнечных батарей
в определенных условиях. Это значение напряжения будет являться сигналом
задания. Данная связка блоков выполняет функцию пропорционального
регулятора, включающего в себя нейронную сеть ANN U предназначенную для
ускорения переходного процесса системы, сумматор, вычитающий реальное
значение напряжения из сигнала задания, формируемого сетью и
пропорциональный коэффициент.
Также в системе управления присутствует дополнительный блок
реализующий алгоритм отслеживания точки максимальной мощности MPPT,
задачей которого является коррекция значения d получаемого с выхода
искусственной нейронной сети ANN D. Следовательно, использование
искусственных нейронных сетей увеличивает скорость работы системы
управления, а использование дополнительного алгоритма MPPT – точность.
Итоговое значение управляющего сигнала d достигается путем сложения
сумматором значений с выхода пропорционального звена, с выхода нейронной
сети ANN D и блока MPPT.
Составляющая q* должна быть сведена к нулю. Для этого, управляющее
значение q формируется с помощью искусственной нейронной сети ANN Q
практически мгновенно, а точность определяется PI-регулятором, на который в
качестве задания подается ноль. Итоговое значение управляющего сигнала q
достигается путем сложения сумматором значений, получаемых с выхода
нейронной сети ANN Q и PI-регулятора.
Также в схеме присутствует регулятор нулевой составляющей. В качестве
которого может использоваться любой блок, обеспечивающий нулевое значение.
Итоговые значения dq0 в виде сигналов Ud.ref, Uq.ref, U0.ref, поступают на
обратный преобразователь dq0-ABC. Далее формируются управляющие импульсы
с помощью ШИМ-модулятора.
В данной главе также приводятся результаты компьютерного моделирования
фотоэлектрической системы преобразования электрической энергии (Рисунок 11).
Рисунок 11 – Основные характеристики солнечной батареи при скачкообразном
изменении освещенности
В пятой главе описана первоначальная настройка искусственной нейронной
сети в самом начале работы, так как нейронная сеть была обучена в лабораторных
условиях начало ее работы должно сопровождаться онлайн настройкой
параметров.Такжерассмотренапроблема
деградации солнечных батарей.
Как правило, фотоэлектрические станции
устанавливаются в летний период и в случае
предложенного алгоритма отслеживания точки
максимальной мощности имеется первично
обученная нейронная сеть по исходным вольт-
амперным характеристикам, полученным при
моделировании либо в лабораторных условиях.
Корректно настроенная и обученная система будет
с успехом работать, пока не пройдет определенное
время, и характеристики солнечной батареи не
изменятся, т.е. пока не она не начнет деградировать.
Для этого в памяти системы управления должны
храниться таблицы со значениями температуры,
максимальной мощности и напряжением в точке
максимальной мощности.
Принцип работы онлайн-корректировки
коэффициентов нейронной сети показан на Рисунке
12. Для начала система должна определить, имеется
ли достаточное количество освещенности, далее,
когда система находится в установившемся режиме,
на блок управления поступает команда на
измерение d, q и напряжения в точке максимальной
мощности.
Если в зоне данного сезона находится строчка
с наиболее близкими значениями этих параметров и
данные по оптимальному напряжению давно не
обновлялись, то система переходит в режим снятия
вольт-амперной характеристики, которая заменяет
предыдущие значения в обучающем массиве для
дальнейшего формирования нового обучающего
массива данных с последующей корректировкой
коэффициентов ИНС. Эксперимент проводился в
программном обеспечении Matlab.
Моделирование показало, что искусственная
Рисунок 12 – Блок-схеманейронная сеть может подвергаться онлайн-
онлайн-коррекциинастройке коэффициентов и хорошо справляется со
коэффициентовсвоей задачей даже при изменении параметров
искусственнойсолнечной батареи. При этом, чтобы добиться
нейронной сети
оптимальной точности работы искусственной нейронной сети необходимо
прореживать новый обучающий массив данных.
Данный алгоритм онлайн-коррекции коэффициентов ИНС может быть
применен не только при работе с солнечной батареей, но и в любой другой системе
управления, где параметры объекта управления изменяются со временем.
Также можно отметить, что в данной работе климатические зоны были
заданы упрощенным способом, т.е. при настройке реальной системы должны быть
определены и заданы климатические зоны определенного участка местности, в
которой данная система будет работать. При этом результаты могут отличаться в
зависимости от выбранной зоны. Вследствие данного эксперимента был
сформирован алгоритм онлайн-коррекции коэффициентов ИНС, который показал
хороший результат и может быть успешно использован при моделировании
фотоэлектрических систем генерирования.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИОННОЙ РАБОТЫ
В диссертационной работе изложены результаты исследования,
направленные на повышение энергетической эффективности фотоэлектрических
систем генерирования:
1. Произведен анализ существующих способов отслеживания точки
максимальной мощности солнечных батарей в фотоэлектрических системах
генерирования. Выделены основные проблемы существующих алгоритмов.
Обосновано решение использовать искусственную нейронную сеть в качестве
алгоритма отслеживания точки максимальной мощности солнечных батарей.
2. Проанализирована методика создания и обучения искусственной
нейронной сети. Разработана улучшенная методика создания и обучения
искусственной нейронной сети для задачи отслеживания точки максимальной
мощности массива солнечных батарей фотоэлектрических систем генерирования;
3. Разработана методика создания имитационной модели солнечной батареи
на основе искусственной нейронной сети;
4. Предложена система управления для фотоэлектрической системы
генерирования на базе многопортового преобразователем постоянного тока с
участием искусственной нейронной сети, позволяющая отслеживать точку
максимальной мощности массива солнечных батарей с точностью около 99%.
Проведен сравнительный анализ с ранее существующими алгоритмами
отслеживания точки максимальной мощности СБ;
5. Предложена структура системы управления инвертором на основе
искусственных нейронных сетей для отслеживания точки максимальной мощности
массива солнечных батарей;
6. Рассмотрена проблема деградации солнечных батарей и связанные с этим
проблемы проектирования интеллектуальной системы управления с участием
искусственной нейронной сети;
7. Разработан алгоритм онлайн-настройки коэффициентов искусственной
нейронной сети после деградации солнечной батареи или при первоначальной
настройке.
Актуальность работы. В настоящее время всё больше внимания уделяется
возобновляемым источникам энергии, в том числе солнечной энергетике.
Солнечная энергетика стала одной из нескольких перспективных направлений
альтернативной энергетики. Снижение стоимости солнечных модулей за
последние несколько лет и повышение цен на нефтехимические виды топлива,
используемые для производства электроэнергии, привели к более широкому
использованию фотоэлектрических систем. Однако генерирование солнечной
энергии имеет ряд проблем, связанных с относительно низкой эффективностью и
несовершенством устройств преобразования энергии от этих систем. Всё это
требует разработки фотоэлектрических систем генерирования на современной
элементной базе и систем управления полупроводниковым преобразователем,
позволяющих достигать высоких показателей энергетической эффективности.
С каждым годом солнечная энергетика становится все более популярной.
Многие страны встали на путь развития солнечной энергетики, как
альтернативного источника энергии. Основными преимуществами
фотоэлектрических систем, являются отсутствие выбросов парниковых газов,
низкие эксплуатационные расходы, меньше ограничений в отношении места
установки и отсутствие движущихся систем и как следствие механических
шумов.
Генерирование всей энергии, которую можно получить от солнечной
батареи в конкретный момент времени, является одним из наиболее важных
факторов, повышающих эффективность системы в целом. Т.е. для того, чтобы
отобрать от солнечной батареи всю производимою ею энергию, необходимо
отслеживать точку максимальной мощности солнечной батареи.
Для достижения цели повышения энергоэффективности преобразователей,
используемые в фотоэлектрических электростанциях, должны иметь систему
управления, работающую на основе алгоритма отслеживания точки максимальной
мощности, которая и будет ключом к максимальной эффективности солнечной
энергосистемы. В зарубежной литературе алгоритм более известен под названием
Maximum Power Point Tracking (MPPT).
Для MPPT применяются специализированные контроллеры, которые
используют один из алгоритмов для оптимизации рабочей точки солнечных
батарей.
Таким образом, при проектировании и создании современных эффективных
фотоэлектрических установок должны решаться задачи разработки
соответствующей системы управления.
Степень разработанности темы. Переход к системам управления с
отслеживанием точки максимальной мощности солнечных батарей является
современной тенденцией развития фотоэлектрических систем генерирования.
Широкую известность получили работы по MPPT таких авторов, как Hohm, D.P.,
Esram, T., Chapman, P.L., Femia, N., Petrone, G., Spagnuolo, G., Vitelli, M. и др.
Но классические, аналоговые алгоритмы не являются лучшим решением для
задачи MPPT, несмотря на их очевидные преимущества. Данные алгоритмы
довольно медленно выходят на точку максимальной мощности и ограничены в
точности работы. Для достижения более высокой точности, алгоритмы
подвергаются различным модификациям, но при этом ухудшаются их
динамические характеристики. Следовательно, задача отслеживания точки
максимальной мощности все еще является актуальной.
В настоящее время исследование возможностей искусственных нейронных
сетей (ИНС) и расширение их области применения является приоритетным
направлением для многих исследователей.
ИНС предоставляет альтернативный способ решения сложных задач.
Нейронная сеть при правильном выборе структуры может вычислять значения
любой непрерывной функции с некоторой наперед заданной точностью.
Нейронная сеть не требует знания внутренних параметров солнечного модуля,
быстро обучается, обладает способностью оптимизации и аппроксимации.
Следовательно, использование ИНС для отслеживания точки максимальной
мощности является актуальной задачей и имеет практическую и научную
значимость.
Объектом исследования являются фотоэлектрические системы
генерирования на базе полупроводниковых преобразователей постоянного и
переменного тока.
Предметом исследования являются алгоритмы отслеживания точки
максимальной мощности солнечных батарей на основе искусственной сети.
Цель диссертационной работы – разработка фотоэлектрических систем
генерирования электрической энергии с повышенной эффективностью за счет
интеллектуальных систем управления, выполненных с использованием
искусственной нейронной сети.
Для достижения поставленной цели необходимо решить следующие
задачи:
1. Анализ существующих способов отслеживания точки максимальной
мощности солнечных батарей в фотоэлектрических системах генерирования;
2. Разработка методики создания и обучения искусственной нейронной
сети для отслеживания точки максимальной мощности массива солнечных
батарей фотоэлектрических систем генерирования;
3. Разработка быстродействующей системы управления для систем
генерирования постоянного и переменного тока, обеспечивающей отслеживание
точки максимальной мощности массива солнечных батарей с помощью
искусственной нейронной сети;
4. Разработка алгоритма онлайн-коррекции коэффициентов искусственной
нейронной сети после деградации солнечных батарей;
5. Сравнительный анализ результатов работы предложенной системы с
ранее существующими.
Методы исследования. Основные результаты научного исследования
получены за счет применения методов математического моделирования с
использованием аналитических выражений. Разработка и исследование системы
управления для полупроводниковых преобразователей с применением теории
автоматического управления. Элементы теории искусственных нейронных сетей
при создании и обучении искусственных нейронных сетей. Исследования
динамических процессов в фотоэлектрических системах генерирования на базе
полупроводниковых преобразователей, проводятся с помощью аналитических и
графоаналитических методов, а также при помощи имитационного
моделирования в пакете прикладных программ Matlab Simulink.
Научная новизна исследования состоит в следующем:
1. Предложена улучшенная методика создания и настройки искусственной
нейронной сети для отслеживания точки максимальной мощности массива
солнечных батарей, которая позволяет создать нейронную сеть независимо от
типа и структуры системы генерирования и мощности системы;
2. Предложена методика создания нейросетевой модели солнечной
батареи;
3. Разработана многоуровневая система отслеживания точки максимальной
мощности массива солнечных батарей в составе системы генерирования, которая
с помощью искусственных нейронных сетей позволяет добиться высокой
точности, скорости и динамики выхода системы в установившийся режим.
4. Разработан алгоритм онлайн-коррекции коэффициентов предварительно
обученной искусственной нейронной сети при первоначальной настройке
системы или после деградации солнечных батарей в фотоэлектрических системах
генерирования.
Практическая значимость работы заключается в том, что предложенная
система генерирования с использованием искусственных нейронных сетей
позволяет быстро и с хорошими динамическими характеристиками выйти в точку
максимальной мощности массива солнечных батарей по сравнению с другими
системами, работающими по одному из классических алгоритмов отслеживания
точки максимальной мощности.
Положения, выносимые на защиту:
1. Улучшенная методика создания и настройки искусственной нейронной
сети для отслеживания точки максимальной мощности солнечной батареи;
2. Методика создания нейросетевой модели солнечной батареи;
3. Система управления многопортовым преобразователем в составе
системы генерирования постоянного тока, с использованием искусственной
нейронной сети для решения задачи отслеживания точки максимальной мощности
солнечной батареи;
4. Система управления преобразователем в составе системы генерирования
переменного тока, с использованием искусственной нейронной сети для решения
задачи отслеживания точки максимальной мощности солнечной батареи;
5. Алгоритм онлайн-коррекции коэффициентов предварительно обученной
искусственной нейронной сети при первоначальной настройке системы или после
деградации солнечных батарей в фотоэлектрических системах генерирования.
Обоснованность и достоверность результатов научного исследования
определяется корректной постановкой задач, адекватностью принятых
допущений, применением широко известных методов и средств численного
моделирования, а также согласованием основных теоретических выводов с
экспериментально полученными данными, как при имитационном
моделировании, так и при натурных экспериментах.
Практическая ценность и реализация результатов. Основные результаты
диссертационного исследования были применены при выполнении научно-
исследовательских и опытно-конструкторских работ, выполняемых совместно с
В диссертационной работе изложены результаты исследования,
направленные на повышение энергетической эффективности фотоэлектрических
систем генерирования.
В процессе выполнения были решены следующие задачи:
1. Произведен анализ существующих способов отслеживания точки
максимальной мощности солнечных батарей в фотоэлектрических системах
генерирования. Выделены основные проблемы существующих алгоритмов.
Обосновано решение использовать искусственную нейронную сеть в качестве
алгоритма отслеживания точки максимальной мощности солнечных батарей.
2. Проанализирована методика создания и обучения искусственной
нейронной сети. Разработана улучшенная методика создания и обучения
искусственной нейронной сети для задачи отслеживания точки максимальной
мощности массива солнечных батарей фотоэлектрических систем генерирования;
3. Разработана методика создания имитационной модели солнечной
батареи на основе искусственной нейронной сети;
4. Предложена система управления для фотоэлектрической системы
генерирования на базе многопортового преобразователем постоянного тока с
участием искусственной нейронной сети, позволяющая отслеживать точку
максимальной мощности массива солнечных батарей с точностью около 99%.
Проведен сравнительный анализ с ранее существующими алгоритмами
отслеживания точки максимальной мощности СБ;
5. Предложена структура системы управления инвертором на основе
искусственных нейронных сетей для отслеживания точки максимальной
мощности массива солнечных батарей;
6. Рассмотрена проблема деградации солнечных батарей и связанные с
этим проблемы проектирования интеллектуальной системы управления с
участием искусственной нейронной сети;
7. Разработан алгоритм онлайн-настройки коэффициентов искусственной
нейронной сети после деградации солнечной батареи или при первоначальной
настройке.
СПИСОК СОКРАЩЕНИЙ
MPPT – отслеживание точки максимальной мощности;
MPP – точка максимальной мощности;
MPPT – maximum power point tracking;
MPP – maximum power point;
СБ – солнечная батарея;
СУ – система управления;
ИНС – искусственная нейронная сеть;
ВАХ – вольт-амперная характеристика;
ВВХ – вольт-ваттная характеристика;
P&O – perturb and observe;
INC – incremental conductance;
LID – Light Induced Degradation;
PID – Potential Induced Degradation.
[1] “Renewable Energy Capacity Statistics 2021” // [Электронный ресурс]. URL:
https://www.irena.org
[2] E. Kabir, P. Kumar, S. Kumar, A. A. Adelodun, and K.-H. Kim, “Solar energy:
Potential and future prospects,” Renew. Sustain. Energy Rev., vol. 82, pp. 894–900,
2018.
[3] D. Gielen, F. Boshell, D. Saygin, M. D. Bazilian, N. Wagner, and R. Gorini, “The
role of renewable energy in the global energy transformation,” Energy Strategy
Rev., vol. 24, pp. 38–50, 2019.
[4] H. Wu et al., “Photocatalytic and Photoelectrochemical Systems: Similarities and
Differences,” Adv. Mater., vol. 32, no. 18, 2020.
[5] T. Haas, R. Krause, R. Weber, M. Demler, and G. Schmid, “Technical
photosynthesis involving CO2 electrolysis and fermentation,” Nat. Catal., vol. 1,
no. 1, pp. 32–39, 2018.
[6] Сколково.Угольнаягенерация:новыевызовыивозможности.//
[Электронный ресурс]. URL: https://energy.skolkovo.ru.
[7] Петровичев,М.А.Системаэнергоснабжениябортовогокомплекса
космических аппаратов: учеб. пособие / М. А. Петровичев, А. С. Гуртов ;
Федер. агентство по образованию, Самар. гос. аэрокосм. ун-т им. С. П.
Королева. – Самара : Изд-во СГАУ, 2007.
[8] F. Valenciaga and P. F. Puleston, “Supervisor control for a stand-alone hybrid
generation system using wind and photovoltaic energy,” IEEE Trans. Energy
Convers., vol. 20, no. 2, pp. 398–405, 2005.
[9] R. Chedid and S. Rahman, “Unit sizing and control of hybrid wind-solar power
systems,” IEEE Trans. Energy Convers., vol. 12, no. 1, pp. 79–85, 1997.
[10] T. T. Chow, “A review on photovoltaic/thermal hybrid solar technology,” Appl.
Energy, vol. 87, no. 2, pp. 365–379, 2010.
[11] H. Yang, W. Zhou, L. Lu, and Z. Fang, “Optimal sizing method for stand-alone
hybrid solar-wind system with LPSP technology by using genetic algorithm,” Sol.
Energy, vol. 82, no. 4, pp. 354–367, 2008.
[12] W. Li and X. He, “Review of nonisolated high-step-up DC/DC converters in
photovoltaic grid-connected applications,” IEEE Trans. Ind. Electron., vol. 58, no.
4, pp. 1239–1250, 2011.
[13] J. C. Rosas-Caro, J. M. Ramirez, F. Z. Peng, and A. Valderrabano, “A DC-DC
multilevel boost converter,” IET Power Electron., vol. 3, no. 1, pp. 129–137, 2010.
[14] A. Amir, A. Amir, H. S. Che, A. Elkhateb, and N. A. Rahim, “Comparative
analysis of high voltage gain DC-DC converter topologies for photovoltaic
systems,” Renew. Energy, vol. 136, pp. 1147–1163, Jun. 2019.
[15] Колтун М. М., Солнечные элементы / М. М. Колтун. – Москва: Наука, 1987. –
191 с.
[16] J. A. Gow and C. D. Manning, “Development of a photovoltaic array model for use
in power-electronics simulation studies,” IEE Proc. – Electr. Power Appl., vol.
146, no. 2, pp. 193–200, Mar. 1999.
[17] L. Lu and H. X. Yang, “A Study on Simulations of the Power Output and Practical
Models for Building Integrated Photovoltaic Systems,” J. Sol. Energy Eng., vol.
126, no. 3, pp. 929–935, Jul. 2004.
[18] M. A. de Blas, J. L. Torres, E. Prieto, and A. Garc a, “Selecting a suitable model
for characterizing photovoltaic devices,” Renew. Energy, vol. 25, no. 3, pp. 371–
380, Mar. 2002.
[19] Башмакова И.А. Энергетика мира: уроки будущего / И.А. Башмакова. – М.:
МТЭА, 1992. 355-380 с.
[20] Стребков Д.С. Энергосбережение и возобновляемые источники энергии /
Д.С. Стребков, В.П. Муругов. // Вестник сельскохозяйственной науки.
Агропромиздат, 1991, №2, – С. 117-125.
[21] J. Yuan et al., “Single-Junction Organic Solar Cell with over 15% Efficiency
Using Fused-Ring Acceptor with Electron-Deficient Core,” Joule, vol. 3, no. 4, pp.
1140–1151, 2019.
[22] L. Meng et al., “Organic and solution-processed tandem solar cells with 17.3%
efficiency,” Science, vol. 361, no. 6407, pp. 1094–1098, 2018.
[23] Q. Liu et al., “18% Efficiency organic solar cells,” Sci. Bull., vol. 65, no. 4, pp.
272–275, 2020.
[24] E. H. Jung et al., “Efficient, stable and scalable perovskite solar cells using poly(3-
hexylthiophene),” Nature, vol. 567, no. 7749, pp. 511–515, 2019.
[25] F. Sahli et al., “Fully textured monolithic perovskite/silicon tandem solar cells with
25.2% power conversion efficiency,” Nat. Mater., vol. 17, no. 9, pp. 820–826,
2018.
[26] M. Jeong et al., “Stable perovskite solar cells with efficiency exceeding 24.8% and
0.3-V voltage loss,” Science, vol. 369, no. 6511, 2020.
[27] Нго Сян Кыонг. Повышение эффективности солнечных батарей с помощью
следящей системы // Известия ТулГУ. Технические науки – 2013.-Вып. 1. –
С. 19.
[28] H. Mousazadeh, A. Keyhani, A. Javadi, H. Mobli, K. Abrinia, and A. Sharifi, “A
review of principle and sun-tracking methods for maximizing solar systems
output,” Renew. Sustain. Energy Rev., vol. 13, no. 8, pp. 1800–1818, 2009.
[29] S. Abdallah and S. Nijmeh, “Two axes sun tracking system with PLC control,”
Energy Convers. Manag., vol. 45, no. 11–12, pp. 1931–1939, 2004.
[30] M. J. Currie, J. K. Mapel, T. D. Heidel, S. Goffri, and M. A. Baldo, “High-
efficiency organic solar concentrators for photovoltaics,” Science, vol. 321, no.
5886, pp. 226–228, 2008.
[31] M. G. Debije and P. P. C. Verbunt, “Thirty years of luminescent solar concentrator
research: Solar energy for the built environment,” Adv. Energy Mater., vol. 2, no.
1, pp. 12–35, 2012.
[32] R. Faranda and S. Leva, “Energy comparison of MPPT techniques for PV
Systems,” J Electromagn Anal Appl, vol. 3, Jan. 2008.
[33] M. W. Rahman, C. Bathina, V. Karthikeyan, and R. Prasanth, “Comparative
analysis of developed incremental conductance (IC) and perturb observe (P&O)
MPPT algorithm for photovoltaic applications,” in 2016 10th International
Conference on Intelligent Systems and Control (ISCO), Jan. 2016, pp. 1–6.
[34] L. Piegari, R. Rizzo, I. Spina, and P. Tricoli, “Optimized Adaptive Perturb and
Observe Maximum Power Point Tracking Control for Photovoltaic Generation,”
Energies, vol. 8, no. 5, pp. 3418–3436, Apr. 2015.
[35] S. Selvan, “Modeling and Simulation of Incremental Conductance MPPT
Algorithm for Photovoltaic Applications,” Int. J. Sci. Eng. Technol., vol. 2, pp.
2277–1581, Aug. 2013.
[36] T. Esram and P. L. Chapman, “Comparison of Photovoltaic Array Maximum
Power Point Tracking Techniques,” Energy Convers. IEEE Trans. On, vol. 22, pp.
439–449, Jul. 2007.
[37] D. Sera, L. Mathe, T. Kerekes, S. V. Spataru, and R. Teodorescu, “On the Perturb-
and-Observe and Incremental Conductance MPPT Methods for PV Systems,”
IEEE J. Photovolt., vol. 3, no. 3, pp. 1070–1078, Jul. 2013.
[38] H. Su and J. Bian, “Maximum power point tracking algorithm based on fuzzy
Neural Networks for photovoltaic generation system,” 2010, vol. 1, pp. 1353–
1357.
[39] Y. T. Chu, L. Q. Yuan, and H. H. Chiang, “ANFIS-based maximum power point
tracking control of PV modules with DC-DC converters,” in 2015 18th
International Conference on Electrical Machines and Systems (ICEMS), Oct.
2015, pp. 692–697.
[40] J. Zhang, T. Wang, and H. Ran, “A maximum power point tracking algorithm
based on gradient descent method,” in 2009 IEEE Power Energy Society General
Meeting, Jul. 2009, pp. 1–5.
[41] E. Bianconi et al., “Perturb and Observe MPPT algorithm with a current controller
based on the sliding mode,” Int. J. Electr. Power Energy Syst., vol. 1, no. 44, pp.
346–356, 2013.
[42] N. Femia, G. Petrone, G. Spagnuolo, and M. Vitelli, “Optimization of perturb and
observe maximum power point tracking method,” IEEE Trans. Power Electron.,
vol. 20, no. 4, pp. 963–973, Jul. 2005.
[43] F. Sedaghati, A. Nahavandi, M. A. Badamchizadeh, S. Ghaemi, and M.
Abedinpour Fallah, “PV Maximum Power-Point Tracking by Using Artificial
Neural Network,” Mathematical Problems in Engineering, 2012.
[44] I. H. Witten, E. Frank, and M. A. Hall, Data Mining: Practical Machine Learning
Tools and Techniques., 3rd Edition. Morgan Kaufmann, 2011.
[45] J. Ahmed and Z. Salam, “A Modified P and O Maximum Power Point Tracking
Method with Reduced Steady-State Oscillation and Improved Tracking
Efficiency,” IEEE Trans. Sustain. Energy, vol. 7, no. 4, pp. 1506–1515, 2016.
[46] K. Sundareswaran, V. Vigneshkumar, P. Sankar, S. P. Simon, P. Srinivasa Rao
Nayak, and S. Palani, “Development of an Improved P&O Algorithm Assisted
Through a Colony of Foraging Ants for MPPT in PV System,” IEEE Trans. Ind.
Inform., vol. 12, no. 1, pp. 187–200, 2016.
[47] R. B. A. Koad, A. F. Zobaa, and A. El-Shahat, “A Novel MPPT Algorithm Based
on Particle Swarm Optimization for Photovoltaic Systems,” IEEE Trans. Sustain.
Energy, vol. 8, no. 2, pp. 468–476, 2017.
[48] M. S. Jamri, A. M. Kassim, and M. R. Hashim, “A voltage mode control maximum
power point tracking for stand-alone photovoltaic system,” Appl. Mech. Mater.,
vol. 313–314, pp. 503–507, 2013.
[49] K. L. Lian, J. H. Jhang, and I. S. Tian, “A Maximum Power Point Tracking
Method Based on Perturb-and-Observe Combined With Particle Swarm
Optimization,” IEEE J. Photovolt., vol. 4, no. 2, pp. 626–633, Mar. 2014.
[50] J. J. Nedumgatt, K. B. Jayakrishnan, S. Umashankar, D. Vijayakumar, and D. P.
Kothari, “Perturb and observe MPPT algorithm for solar PV systems-modeling and
simulation,” in 2011 Annual IEEE India Conference, Dec. 2011, pp. 1–6.
[51] A. K. Abdelsalam, A. M. Massoud, S. Ahmed, and P. N. Enjeti, “High-
Performance Adaptive Perturb and Observe MPPT Technique for Photovoltaic-
Based Microgrids,” IEEE Trans. Power Electron., vol. 26, no. 4, pp. 1010–1021.
[52] A. Safari and S. Mekhilef, “Implementation of incremental conductance method
with direct control,” in TENCON 2011 – 2011 IEEE Region 10 Conference, Nov.
2011, pp. 944–948.
[53] A. Safari and S. Mekhilef, “Simulation and Hardware Implementation of
Incremental Conductance MPPT With Direct Control Method Using Cuk
Converter,” Ind. Electron. IEEE Trans. On, vol. 58, pp. 1154–1161, May 2011.
[54] M. A. Abdourraziq, M. Maaroufi, and M. Ouassaid, “A new variable step size INC
MPPT method for PV systems,” in 2014 International Conference on Multimedia
Computing and Systems (ICMCS), Apr. 2014.
[55] R. Rajesh and M. C. Mabel, “Efficiency analysis of a multi-fuzzy logic controller
for the determination of operating points in a PV system,” Sol. Energy, vol. 99, pp.
77–87, 2014.
[56] A. E. Khateb, N. A. Rahim, J. Selvaraj, and M. N. Uddin, “Fuzzy-Logic-
Controller-Based SEPIC Converter for Maximum Power Point Tracking,” IEEE
Trans. Ind. Appl., vol. 50, no. 4, pp. 2349–2358, Jul. 2014.
[57] R. Khanaki, M. A. Mohd Radzi, and M. H. Marhaban, “Artificial Neural Network
Based Maximum Power Point Tracking Controller for Photovoltaic Standalone
System,” Int. J. Green Energy, vol. 13, p. 140516111758009, May 2014.
[58] I. A. Belova, M. V. Martinovich, and V. A. Skolota, “Application of photovoltaic
cells with an intelligent control system for railway transport,” in 2016 13th
International Scientific-Technical Conference on Actual Problems of Electronics
Instrument Engineering (APEIE), Oct. 2016, vol. 03, pp. 64–68.
[59] K. Punitha, D. Devaraj, and S. Sakthivel, “Artificial neural network based
modified incremental conductance algorithm for maximum power point tracking in
photovoltaic system under partial shading conditions,” Energy, vol. 62, no.
Supplement C, pp. 330–340, Dec. 2013.
[60] M. A. A. M. Zainuri, M. A. M. Radzi, A. C. Soh, and N. A. Rahim, “Development
of adaptive perturb and observe-fuzzy control maximum power point tracking for
photovoltaic boost dc-dc converter,” IET Renew. Power Gener., vol. 8, no. 2, pp.
183–194, Mar. 2014.
[61] A. K. Rai, N. D. Kaushika, B. Singh, and N. Agarwal, “Simulation model of ANN
based maximum power point tracking controller for solar PV system,” Sol. Energy
Mater. Sol. Cells, vol. 95, no. 2, pp. 773–778, Feb. 2011.
[62] M. Farhat, “Photovoltaic Maximum Power Point Tracking Based on ANN
Control,” Int. Rev. Model. Simul. IREMOS, vol. 7, pp. 114–120, Apr. 2014.
[63] A. Chaouachi, R. M. Kamel, and K. Nagasaka, “A novel multi-model neuro-fuzzy-
based MPPT for three-phase grid-connected photovoltaic system,” Sol. Energy,
vol. 84, no. 12, pp. 2219–2229, Dec. 2010.
[64] L. Magnier and F. Haghighat, “Multiobjective optimization of building design
using TRNSYS simulations, genetic algorithm, and Artificial Neural Network,”
Building and Environment 2010, pp. 739–746.
[65] Q. Al-Shayea, “Artificial Neural Networks in Medical Diagnosis”.
[66] S. Haykin, Neural Networks: A Comprehensive Foundation, 2 edition. Upper
Saddle River, N.J: Prentice Hall, 1998.
[67] Г. В. Викторович и Ф. В. Ахатович, “Формирование обучающей выборки при
использовании искусственных нейронных сетей в задачах поиска ошибок баз
данных,” Инженерный Вестник Дона, Т. 25, № 2 (25), 2013.
[68] А. А. Барсегян, М. С. Куприянов, М. С. Кузнецов, В. В. Степаненко и И. И.
Холод, Технологии анализа данных: Data Mining, Visual Mining, Text Mining,
OLAP, 2-е изд. перераб. и доп., СПб: БХВ- Петербург, 2007.
[69] Г. А. Фуатович и Г. Ф. Мубаракович, “Искусственные нейронные сети и
Помогаем с подготовкой сопроводительных документов
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
5 (22 отзыва)
4.9 (5 отзывов)
5 (8 отзывов)
5 (1241 отзыв)
4.8 (17 отзывов)
4.9 (522 отзыва)
4.8 (30 отзывов)
5 (49 отзывов)
4.9 (66 отзывов)
