基于蓄电池隔板
LS-SVM的太阳能最大功率点跟踪的研究 摘要:针对光伏组件中最大功率跟踪方法存在的不足,提出了应用最小二乘法支持向量机进行最大功率点的跟踪,并利用粒子算法对支持向量机参数进行寻优。通过对实测数据进行的仿真分析表明,lssvm具有较高的泛华能力,更高的预测精度和稳定性。 关键词:太阳能;最小二乘法支持向量机(ls-svm);最大功率点跟踪(mppt);最优化
中图分类号:tk511大厦扇文献标识码:a文章编号:
随着社会的不断发展,对能源的需求日益增加,能源危机亦逐步加深,太阳能作为一种清洁的、可持续的能源备受青睐。为了获得太阳能最大的利用效率和经济利益,太阳能最大功率点跟踪(mppt)技术被广泛引用到太阳能发电中。本文针对常规算法在快速跟踪效率低等诸多缺点,尝试应用一种新的机器学习方法-最小二乘法支持向量机(ls-svm)来实现mppt技术。
ls-svm简介
ls-svm算法在svm算法的基础上,将最小二乘法引入其中构成了最小二乘法支持向量机(ls-svm),将标准支持向量计算法中的不等式约束化成等式约束而得到。
最小二乘法支持向量机的模型为:
(1)
取径向基核函数
(2)
则最小二乘法支持向量机的预测模型可以写为:
(3)
上式中取值过大将使模型过早收敛,达不到预测的目的,取值较大可以使训练样本数据和测试数据拟合的更好,即提高泛化能力。两个参数选取合适才能保证模型的预测精度,利用粒子算法来进行两个参数的寻优:
假设一个有m个粒子组成的体在n维搜索空间中以一定的速度飞行。粒子i在t时刻的状态可以表达如下:
位置:
速度:
个体搜索到的最优位置:
全局最优位置:
则粒子在t+1时刻的位置按照以下公式更新:
(4)
其中:为惯性因子;
是常数,他们分别称为自身因子和全局因子;
双向节流阀是多方会议[0,1]包装密封性测试之间的随机数。
为了能够提高参数优化的效果,采用了能够反映svm回归性能的均方差函数为粒子算法的适应度函数:
(5)
光伏mppt工业合成氨系统