基于模糊聚类的光伏组件功率输出模型研究

在光伏组件工程用功率输出模型的基础上提出了一种改进模型。基于模糊聚类方法将多晶硅组件户外测试数据、环境参数以天为单位聚类,聚类结果为晴天、多云、阴天、雨天、多云转阴和多云转雨。再由每一类聚类结果依次分析组件输出功率与组件温度以及太阳辐照度之间关系,最后验证了该模型的准确性。     

非线性时间序列神经网络预测方法的研究及应用

岩土边坡时间序列数据蕴含着边坡系统演化的信息,边坡系统在演化过程中既表现出确定性、必然性的一面,同时又具有随机性、混沌性、无序性的一面。利用人工神经网络,提出了多变量前向网络的多准则学习算法;通过一维时序的扩充和延拓,计算相空间吸引子维数,根据吸引子维数的大小确定神经网络拓扑结构的输入层节点的个数。最后,根据实例,建立了时间序列预报模型,并与传统的预测方法（灰色模型）作了比较。     

基于模糊聚类的光伏组件功率输出模型研究

摘要： 在光伏组件工程用功率输出模型的基础上提出了一种改进模型。基于模糊聚类方法将多晶硅组件户外测试数据、环境参数以天为单位聚类,聚类结果为晴天、多云、阴天、雨天、多云转阴和多云转雨。再由每一类聚类结果依次分析组件输出功率与组件温度以及太阳辐照度之间关系,最后验证了该模型的准确性。