太阳能辐射数据预测的人工神经网络模型：应用浆纱独立光伏发电系统摘要每天全球太阳能辐射预测许多太阳能应用的数据是非常重要的，可能的应用程序可以被发现在气象学中，可再生能源和太阳能转换能量。在本文中，我们探讨利用径向基函数（RBF）网络来找到一个每天全球太阳能辐射数据模型日照和气温。这种方法是被认为适合预测时间序列。使用每天的日照时间数据库，空气的温度和全球太阳能辐射数据对应的典型基准年（尝试） 。RBF 模型进行训练的基础对 300 个已知数据的尝试，以这种方式，网络训练有素的接受和处理了一些不寻常的例。已知的数据随后被用于研究预测精度。随后，未知验证数据集产生非常精确的估计，与平均相对误差（MRE ）不超过 1.5%之间实际数据和预测数据，且相关系数用于验证数据集得到的是98.9%，这一结果表明该模型可以成功地用于用于预测和每天全球太阳能辐射模型数据从日照和气温。一个对于独立光伏系统的施胶的应用已本文提出以显示的重要性这种建模。关键词建模，预测，径向基函数网络，全球太阳能辐射数据，上浆的光伏发电系统一、引言每天全球太阳能辐射数据被认为是如气象学中的最重要的参数，太阳能转换，和可再生能源，特别是对的大小的独立光伏（PV）系统。这种类型的数据被视为时间序列，其先进的按时间，时间序列建模包括随机预测领域，信号的最优预测样品（在最小均方意义上），给出了有限过去的样本数。它是有条件的期望[ 1 ]，但的条件期望的计算要求对当前样本的联合概率的知识与过去的样本，一般是不知道的。因为这个，和条件期望是非一般的事实—线性，找到解决问题的方法是数学棘手。因此，对非线性信号设计方法的预测都是次优的，他们只会尝试近似的当前样本的条件期望。这些次优的方法，如自回归（AR ）[ 2 ] 预测，马尔可夫链[4-5] 和 ARMA 模型 [ 6 ] 是基于简化的统计假设这并不总是真实的测量数据，这些数据也可以用马尔可夫转移矩阵生成方法（MTM ）[ 7 ] 利用输入唯一的月平均辐射数据（HM ）。神经网络方法提供了一个很好的解决方案这样的问题，因为它的设计是基于训练因此，无统计学假设为源所需要的数据。神经网络被广泛接受的技术提供另一种解决复杂和不明确的方式问题。它们可以被训练来预测结果的例子。他们能够处理非线性问题，并一旦训练可以在非常高的速度进行预测。的一些研究人员利用神经网络每天全球太阳能辐射数据的预测：Guessoum 等人 [ 8 ] 利用 RBF...
