一种太阳能无人机电池板电压的预测方法技术

本发明专利技术提供了一种太阳能无人机电池板电压的预测方法。所述太阳能无人机电池板电压的预测方法包括如下步骤：一、获取太阳能电池板的运行参数，根据所述运行参数得到训练集和预测集，并对晴天时太阳能电池板的运行参数数据进行归一化处理；二、结合归一化后的训练集搭建BP神经网络；三、根据自适应差分算法优化得到所述BP神经网络的初始权值和初始阈值；四、将优化得到的权值和阈值作为所述BP神经网络的初始权值和初始阈值，并利用所述训练集对所述BP神经网络进行训练；五、将所述预测集内的待预测数据输入所述BP神经网络内，根据所述BP神经网络输出的预测值与实际值进行对比，并评估预测结果的准确性。

【技术实现步骤摘要】
一种太阳能无人机电池板电压的预测方法
本专利技术涉及太阳能无人机中太阳能电池电压预测领域，具体地涉及一种太阳能无人机电池板电压的预测方法。
技术介绍
随着社会发展，化石燃料面临枯竭，环境的问题也日益突出。为解决这一难题，人类对可再生能源开始关注，其中绿色无污染的太阳能就成为研究者所关注的焦点。作为一种有效利用太阳能的方式，太阳能无人机已经有了一定程度的发展。但是考虑到无人机上表面的电池发电受到很有因素的影响，电压(功率)受外界因素影响变化较大，会对无人机长时间续航受到影响，因此对机翼上表面的太阳能电池板输出电压预测是十分重要的。太阳能电池输出电压与天气条件密切相关，提前对输出电压进行预测，并提高预测精度，具有十分重要的意义。
技术实现思路
本专利技术的目的在于针对现有技术的缺陷，提供一种太阳能无人机电池板电压的预测方法，通过自适应差分进化算法(简称：SADE)优化BP神经网络算法，从而大大改善了BP神经网络的性能，提高了预测值的精度。本专利技术的技术方案如下：一种太阳能无人机电池板电压的预测方法包括如下步骤：一、获取太阳能电池板的运行参数，根据所述运行参数得到训练集和预测集，并对晴天时太阳能电池板的运行参数数据进行归一化处理；二、结合归一化后的训练集搭建BP神经网络；三、根据自适应差分算法优化得到所述BP神经网络的初始权值和初始阈值；四、将优化得到的权值和阈值作为所述BP神经网络的初始权值和初始阈值，并利用所述训练集对所述BP神经网络进行训练；五、将所述预测集内的待预测数据输入所述BP神经网络内，根据所述BP神经网络输出的预测值与实际值进行对比，并评估预测结果的准确性。优选地，在步骤一中，采用太阳能光强计和多用表测量太阳能电池板的运行参数，所述运行参数包括光照强度、外界温度和电压等；而且，将光照强度和外界温度作为输入变量，电压作为输出变量，由此得到训练集和预测集并选取晴天时的运行参数数据，并进行归一化处理。优选地，在步骤二中，根据输入数据和输出数据的维数，确定BP神经网络的隐含层的神经元数和输出层的神经元数，其计算公式如下：L1＝2m+1；L2＝log2n；其中，L1为隐含层节点数，L2为输出层节点数，m为输入层节点数，n为输出层节点数。优选地，在步骤三中，具体包括如下步骤：设定自适应差分进化算法的初始种群：基于上述训练集和预测集，采用实体编码方法，设定初始种群大小Np、基因维数D、变异因子F、交叉因子CR以及每个基因的变化范围，且将BP神经网络的误差作为种群中个体适应度值，在解空间随机初始化种群：并随机生成：其中，xi(0)表示种群中第0代的第i条染色体，xj,i(0)表示第0代的第i条染色体的第j的基因，rand(0,1)表示在(0,1)区间均匀分布的随机数；变异操作：采用差分策略实现个体差异，随机选取种群中两个不同的个体，将其向量差缩放后与待变异个体进行向量合成，产生中间体：υi(g+1)＝xr1(g)+F·(xr2(g)-xr3(g))i≠r1≠r2≠r3其中，F为变异因子，xi(g)表示第g代种群中第i个个体；交叉操作：对第g代种群xi(g)及其变异的中间体υi(g+1)进行个体间的交叉操作：其中，CR为交叉因子，jrand为[1,2，…D]的随机整数；选择操作：采用贪婪算法来选择进入下一代种群的个体，即优化结果优于上一代染色体的个体进入下一代种群：判断优化结果的精度是否满足要求或迭代数是否达到最大值，如果否，则返回变异操作步骤；如果是，则输出优化得到所述BP神经网络的初始权值和初始阈值。优选地，设定自适应变异因子为：其中，Fmax表示为变异因子最大值，Fmin表示为变异因子最小值，Gm表示最大的迭代数，G为当前迭代数。优选地，设定自适应交叉因子为：其中，CRmax表示最大交叉因子，CRmin表示最小交叉因子。优选地，在步骤五中，采用均方根误差对训练时间、迭代步数评价指标进行评估，其公式如下：其中，Pi为太阳能电池电压实际输出值；Pf为太阳能电池电压预测输出值；N为数据总数。本专利技术提供的技术方案具有如下有益效果：所述太阳能无人机电池板电压的预测方法通过自适应差分进化算法对BP神经网络的初始值和阈值进行优化，选取训练数据的均方误差的倒数作为各个种群和个体的得分函数，经过不断趋同、异化、迭代，输出最优个体，并按照编码规则将其解码后得到BP神经网络的初始权值和初始阈值，从而有效克服其收敛速度慢和容易陷入局部最优的缺陷，提高了预测的精度，实现全局优化，能够显著地提高预测效果。附图说明图1为本专利技术实施例提供的太阳能无人机电池板电压的预测方法的流程示意图；图2为自适应差分进化算法的流程示意图；图3为BP神经网络拓扑结构示意图；图4为差分算法(DE)优化BP神经网络优化前后电压预测误差值的示意图；图5为自适应差分算法(SADE)优化BP神经网络优化前后电压预测误差值的示意图；图6为差分算法(DE)优化BP神经网络优化前后电压预测值的示意图；图7为自适应差分算法(SADE)优化BP神经网络电压预测的示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。除非上下文另有特定清楚的描述，本专利技术中的元件和组件，数量既可以单个的形式存在，也可以多个的形式存在，本专利技术并不对此进行限定。本专利技术中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。可以理解，本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。如图1和图2所示，本专利技术实施例提供的太阳能无人机电池板电压的预测方法包括如下步骤：一、获取太阳能电池板的运行参数，根据所述运行参数得到训练集和预测集，并对晴天时太阳能电池板的运行参数数据进行归一化处理。具体地，在步骤一中，采用光强计和多用表测量太阳能电池板的运行参数，所述运行参数包括光照强度、外界温度和电压；而且，将光照强度和外界温度作为输入变量，电压作为输出变量，由此得到训练集和预测集并选取晴天时的运行参数数据，并进行归一化处理。例如，数据包含am6:00-pm6:00的太阳能电池的测试参数、太阳光照强度及对应的天气温度。二、结合归一化后的训练集搭建BP神经网络。如图3所示，BP神经网络是一种误差反向传播的多层前馈神经网络，并包含三层网络：数据输入层、隐含层和输出层，其中隐含层可以由一层或多层组成。输入信号经输入层逐层传输到隐含层，最后到达输出层。隐含层和输出层根据相应神经元的权值和阈值完成数据计算工作。假如输出结果与期望结果有偏差时，误差信号反向逐层传送到隐含层和输入层，利用梯度最速下降法，调整各神经元之间的权值和阈值。具体地，在步骤二中，根据输入数据和输出数据的维数，确定BP神经网络的隐含层的神经元数和输出层的神经元数，其计算公式如下：L1＝2m+1；L2＝log2n；其中，L1为隐含层节点数，L2为输出层节点数，m为输入层节点数，n为输出层节点数。例如，将环境温度和光照强度作为输入层，电压作为输出层，即L＝5，因此可以确定BP神经网络的结本文档来自技高网...

【技术保护点】
一种太阳能无人机电池板电压的预测方法，其特征在于：包括如下步骤：一、获取太阳能电池板的运行参数，根据所述运行参数得到训练集和预测集，并对晴天时太阳能电池板的运行参数数据进行归一化处理；二、结合归一化后的训练集搭建BP神经网络；三、根据自适应差分算法优化得到所述BP神经网络的初始权值和初始阈值；四、将优化得到的权值和阈值作为所述BP神经网络的初始权值和初始阈值，并利用所述训练集对所述BP神经网络进行训练；五、将所述预测集内的待预测数据输入所述BP神经网络内，根据所述BP神经网络输出的预测值与实际值进行对比，并评估预测结果的准确性。

【技术特征摘要】
1.一种太阳能无人机电池板电压的预测方法，其特征在于：包括如下步骤：一、获取太阳能电池板的运行参数，根据所述运行参数得到训练集和预测集，并对晴天时太阳能电池板的运行参数数据进行归一化处理；二、结合归一化后的训练集搭建BP神经网络；三、根据自适应差分算法优化得到所述BP神经网络的初始权值和初始阈值；四、将优化得到的权值和阈值作为所述BP神经网络的初始权值和初始阈值，并利用所述训练集对所述BP神经网络进行训练；五、将所述预测集内的待预测数据输入所述BP神经网络内，根据所述BP神经网络输出的预测值与实际值进行对比，并评估预测结果的准确性。2.根据权利要求1所述的一种太阳能无人机电池板电压的预测方法，其特征在于：在步骤一中，采用光强计和多用表测量太阳能电池板的运行参数，所述运行参数包括光照强度、外界温度和电压；而且，将光照强度和外界温度作为输入变量，电压作为输出变量，由此得到训练集和预测集并选取晴天时的运行参数数据，并进行归一化处理。3.根据权利要求1所述的一种太阳能无人机电池板电压的预测方法，其特征在于：在步骤二中，根据输入数据和输出数据的维数，确定BP神经网络的隐含层的神经元数和输出层的神经元数，其计算公式如下：L1＝2m+1；L2＝log2n；其中，L1为隐含层节点数，L2为输出层节点数，m为输入层节点数，n为输出层节点数。4.根据权利要求1所述的一种太阳能无人机电池板电压的预测方法，其特征在于：在步骤三中，具体包括如下步骤：设定自适应差分进化算法的初始种群：基于上述训练集和预测集，采用实体编码方法，设定初始种群大小Np、基因维数D、变异因子F、交叉因子CR以及每个基因的变化范围，且将BP神经网络的误差作为种群中个体适应度值，在解空间随机初始化种群：并随机生成：其中，xi(0...

【专利技术属性】
技术研发人员：沈建新，王海新，徐建国，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32