PHP实现BP神经网络预测光伏组件电流

 

PHP代码部分

PHP矩阵运算：https://blog.csdn.net/FURYZGT/article/details/135008362 

以10组历史数据进行模型训练，预测未来时段38组电流数据。输入为辐照度与辐照度的测量时间点，输出为光伏组件的电流值。隐含层为一层，隐含层节点数为4。

实际中需要有大量数据进行模型训练，需要数据导入，以下为手动输入少量数据进行测试。

注：应当将数据进行归一化处理，不然激活函数计算会溢出。

<?php
    // 引入矩阵运算文件 
    include 'matrixOperation/matrixOperation.php';

    /*****************************************************************/
    /****************************初始化输入数据************************/
    // 设置输入层节点数
    $inputLayerNodes = 2;
    // 设置隐含层节点数
    $hiddenLayerNodes = 4;
    // 设置输出层节点数
    const outputLayerNodes = 1;
    // 设置训练次数
    $trainingFrequency = 1000000;

    // 定义学习率
    $learn = 1;
    // 定义模型训练输入矩阵(辐照度，温度，时间点)
    // $input = array(
    //          array(0.4444,0.9821,0.92205),
    //          array(0.4464,0.9947,0.92230),
    //          array(0.4489,1.0092,0.92300),
    //          array(0.4517,1.041,0.92330),
    //          array(0.454991,1.0683,0.92400),
    //          array(0.459205,1.0958,0.92430),
    //          array(0.464524,1.1207,0.92501),
    //          array(0.467022,1.1483,0.92531),
    //          array(0.471104,1.1763,0.92600),
    //          array(0.472096,1.2068,0.92630));
    // 定义模型训练输入矩阵(辐照度，时间点)
        $input = array(
                array(0.4444,0.92205),
                array(0.4464,0.92230),
                array(0.4489,0.92300),
                array(0.4517,0.92330),
                array(0.454991,0.92400),
                array(0.459205,0.92430),
                array(0.464524,0.92501),
                array(0.467022,0.92531),
                array(0.471104,0.92600),
                array(0.472096,0.92630));
 
    // 定义模型训练期望输出矩阵（电流值）
    $output = array(
              array(0.3551),
              array(0.3559),
              array(0.3583),
              array(0.3609),
              array(0.3631),
              array(0.3649),
              array(0.3692),
              array(0.3695),
              array(0.3735),
              array(0.3741));

    /*****************************************************************/
    /***********************初始化权重W相关数据*************************/
    // 定义初始权重矩阵W
    $W = array(array());
    for($i=0;$i<$inputLayerNodes;$i++)
    {
        for($j=0;$j<$hiddenLayerNodes;$j++)
        {
           $W[$i][$j] = rand(1,10)/10;
        }
    }

    // 定义权重W的学习率矩阵
    $learnW = array(array());
    // 定义权重W的平均值乘数    
    $averageW = array(array());
    // 定义权重W对应的负数矩阵
    $negativeW = array(array());
    // 定义权重W对应的倍数矩阵 
    $multipleW = array(array());
    for($i=0;$i<count($W);$i++)
    {
       for($j=0;$j<count($W[0]);$j++)
       {
        $learnW[$i][$j]    = $learn;
        $averageW[$i][$j]  = 1/count($output);
        $negativeW[$i][$j] = -1;
        $multipleW[$i][$j] = 2;
       }
    }
    
    /*****************************************************************/
    /***********************初始化权重V相关数据*************************/
    // 定义初始权重V
    $V = array(array());
    for($i=0;$i<$hiddenLayerNodes;$i++)
    {
        for($j=0;$j<outputLayerNodes;$j++)
        {
            $V[$i][$j] = rand(1,10)/10;
        }
    }
    // 定义权重V的学习率矩阵
    $learnV = array(array());
    // 定义权重V调整量对应的负数矩阵
    $negativeV = array(array());
    // 定义权重V对应的倍数矩阵
    $multipleV = array(array());
    for($i=0;$i<count($output);$i++)
    {
        $negativeV[$i][0] = -1;
    }
    for($i=0;$i<count($V);$i++)
    {
        $learnV[$i][0] = $learn;
        $multipleV[$i][0] = 2;
    }

    /*****************************************************************/
    /***********************初始化偏置N相关数据*************************/
    // 定义初始偏置N
    $N = array(array());
    // 定义偏置N的学习率
    $learnN = array(array());
    // 定义偏置N调整量对应的负数矩阵
    $negativeN = array(array());
    // 定义偏置N对应的倍数
    $multipleN = 2;
    for($i=0;$i<outputLayerNodes;$i++)
    {
        $N[$i][0] = rand(1,10)/10;
        $learnN[$i][0] = $learn;
        $negativeN[$i][0] = -1;
    }
    
    /*****************************************************************/
    /***************************其他数据初始化*************************/
    // 定义初始偏置B
    $B = array(array());
    // 定义偏置B的学习率
    $learnB = array(array());
    // 定义偏置B的负数矩阵
    $negativeB = array(array());
    // 定义偏置B对应的倍数矩阵
    $multipleB = array(array());
    for($i=0;$i<count($V);$i++)
    {
        $B[$i][0]         = rand(1,10)/10;
        $learnB[$i][0]    = $learn;
        $negativeB[$i][0] = -1;
        $multipleB[$i][0] = 2;
    }

    /*****************************************************************/
    /***********************初始化偏置B相关数据*************************/
    // 定义输出层单位列向量
    $I = array(array());
    for($i=0;$i<count($output);$i++)
    {
        $I[$i][0] = 1;
    }
    // 定义隐含层的线性输出矩阵
    $linear_output_implication = array(array());
    $sigmoid_implication_output = array(array());


    /****************************************************************************/
    /**********************************神经网络的运算*****************************/
    for($s=0;$s<$trainingFrequency;$s++)
    {
       /****************************************************************************/
       /********************神经网络的前向运算（隐含层前向运算）***********************/
       // BP神经网络隐含层偏置矩阵B
       $implicationB = array(array());
       for($i=0;$i<count($output);$i++)
       {
           for($j=0;$j<count($V);$j++)
           {
              $implicationB[$i][$j] = $B[$j][0];
           } 
       }
       $linear_output_implication = Matrix_addition(Matrix_cross_product($input,$W),$implicationB);
       // 定义隐含层单位矩阵    
       $hiddenLayerI = array(array());
       // 隐含层的PB神经网络sigmoid输出矩阵
       for($i=0;$i<count($linear_output_implication);$i++)
       {
          for($j=0;$j<count($linear_output_implication[0]);$j++)
          {
              $sigmoid_implication_output[$i][$j] = 1/(1+exp(-$linear_output_implication[$i][$j]));
              $hiddenLayerI[$i][$j] = 1;
          }
       }
       // 定义权重V的平均值乘数矩阵    
       $averageV = array(array());
       for($i=0;$i<count($sigmoid_implication_output[0]);$i++)
       {
           $averageV[$i][0] = 1/count($output);
       }

       /****************************************************************************/
       /********************神经网络的前向运算（输出层前向运算）***********************/
       // BP神经网络隐含层偏置矩阵N
       $outputN = array(array());
       for($i=0;$i<count($output);$i++)
       {
          $outputN[$i][0] = $N[0][0];
       }
       // 输出层的BP神经网络线性输出矩阵
       $linear_output = Matrix_addition(Matrix_cross_product($sigmoid_implication_output,$V),$outputN);  
       // 输出层的PB神经网络sigmoid输出矩阵
       for($k=0;$k<count($linear_output);$k++)
       {
          for($l=0;$l<count($linear_output[0]);$l++)
          {
              $sigmoid_output[$k][$l] = 1/(1+exp(-$linear_output[$k][$l]));
          }
       }
       

       /****************************************************************************/
       /*******************************神经网络的反向运算*****************************/
       // 权重V的变化量：DV = 2（预测值-真实值）*预测值*（1-预测值）*隐含层sigmoid输出
       $DVS = Matrix_dot_multiplication(
       Matrix_dot_multiplication(
       Matrix_dot_multiplication(
       Matrix_subtraction($sigmoid_output,$output),$sigmoid_output),Matrix_subtraction($I,$sigmoid_output)),$sigmoid_implication_output);

       $DV = array(array());
       for($i=0;$i<count($V);$i++)
       {
          $DV[$i][0] = 0;
       }
       for($i=0;$i<count($DVS[0]);$i++)
       {
         for($j=0;$j<count($DVS);$j++)
         {
            $DV[$i][0] = $DV[$i][0] + $DVS[$j][$i];
         }
       }
       $DV = Matrix_dot_multiplication(Matrix_dot_multiplication(Matrix_dot_multiplication($DV,$averageV),$multipleV),$learnV);
       $V  = Matrix_subtraction($V,$DV);
       
       /****************************************************************************/
       /*******************************神经网络的反向运算*****************************/
       // 偏置N的变化量：DN = 2（预测值-真实值）*预测值*（1-预测值）
       $avgN = 0;
       $DN = Matrix_dot_multiplication(Matrix_dot_multiplication(Matrix_subtraction($sigmoid_output,$output),$sigmoid_output),Matrix_subtraction($I,$sigmoid_output));  
       for($i=0;$i<count($output);$i++)
       {
         $avgN = $avgN + $DN[$i][0];
       }
       $avgN = $avgN/count($output);
       $N[0][0] = $N[0][0] - $multipleN*$avgN*$learn;
       
       /****************************************************************************/
       /*******************************神经网络的反向运算*****************************/
       // 权重W的变化量：DW(ij) = 
       // 2(预测值 - 真实值) * 预测值 * (1-预测值) 
       // * 隐含层权重V(j) 
       // * 隐含层输出sigmoid_implication_output(j)
       // * (1-隐含层输出sigmoid_implication_output(j))
       // * 输入量input(i)
        $A = Matrix_dot_multiplication(Matrix_dot_multiplication(Matrix_subtraction($sigmoid_output,$output),$sigmoid_output),Matrix_subtraction($I,$sigmoid_output));
        $BB = Matrix_dot_multiplication(Matrix_dot_multiplication($V,Matrix_transpose($sigmoid_implication_output)),Matrix_subtraction(Matrix_transpose($hiddenLayerI),Matrix_transpose($sigmoid_implication_output)));
        $C = Matrix_dot_multiplication($A,Matrix_transpose($BB));
        $DW = array(array());
        for($i=0;$i<count($W);$i++)
        {
           for($j=0;$j<count($W[0]);$j++)
           {
              $DW[$i][$j] = 0;
           }
        }
        for($i=0;$i<count($input);$i++)
        {
          for($j=0;$j<count($input[0]);$j++)
          {
            for($k=0;$k<count($C[0]);$k++)
            {
               $DW[$j][$k] = $DW[$j][$k] + $input[$i][$j]*$C[$i][$k];
            }
          }
        }
       
       $DW = Matrix_dot_multiplication(Matrix_dot_multiplication(Matrix_dot_multiplication($DW,$averageW),$multipleW),$learnW);
       $W  = Matrix_subtraction($W,$DW);

       /****************************************************************************/
       /*******************************神经网络的反向运算*****************************/
       // 偏置B的变化量：DB = 
       // 2(预测值 - 真实值) * 预测值 * (1-预测值) 
       // * 隐含层权重V(j) 
       // * 隐含层输出sigmoid_implication_output(j)
       // * (1-隐含层输出sigmoid_implication_output(j))
       $D = Matrix_dot_multiplication(Matrix_dot_multiplication(Matrix_subtraction($sigmoid_output,$output),$sigmoid_output),Matrix_subtraction($I,$sigmoid_output));
       $E = Matrix_dot_multiplication(Matrix_dot_multiplication($V,Matrix_transpose($sigmoid_implication_output)),Matrix_subtraction(Matrix_transpose($hiddenLayerI),Matrix_transpose($sigmoid_implication_output)));
       $F = Matrix_dot_multiplication($D,Matrix_transpose($E));
       $DBS = array(array());
       for($i=0;$i<count($V);$i++)
       {
          $DBS[$i][0] = 0;
       }
       $avgB = array(array());
       for($i=0;$i<count($V);$i++)
       {
          $avgB[$i][0] = 1/count($output);
       }      
       for($i=0;$i<count($F[0]);$i++)
       {
          for($j=0;$j<count($F);$j++)
          {
            $DBS[$i][0] = $DBS[$i][0] + $F[$j][$i];
          }
       }
       
       $DB = Matrix_dot_multiplication(Matrix_dot_multiplication(Matrix_dot_multiplication($DBS,$avgB),$multipleB),$learnB);
       $B  = Matrix_subtraction($B,$DB);
    } 


    /****************************************************************************/
    /********************************神经网络预测数据*****************************/
    // 数据输入(辐照度，温度，时间点)
    // $productive = array(
    //               array(0.474142,1.2191,0.92700),
    //               array(0.478633,1.2309,0.92730),
    //               array(0.481854,1.2437,0.92800),
    //               array(0.485597,1.2776,0.92830),
    //               array(0.488798,1.2907,0.92900),
    //               array(0.491006,1.3293,0.92930),
    //               array(0.493468,1.3355,0.93000),
    //               array(0.497063,1.3661,0.93030),
    //               array(0.499797,1.3731,0.93100),
    //               array(0.501473,1.3675,0.93130),
    //               array(0.504012,1.4086,0.93200),
    //               array(0.506765,1.431,0.93230),
    //               array(0.509593,1.4539,0.93300),
    //               array(0.513532,1.4666,0.93330),
    //               array(0.514743,1.4963,0.93400),
    //               array(0.515494,1.4991,0.93430),
    //               array(0.516827,1.4895,0.93500),
    //               array(0.519071,1.5333,0.93530),
    //               array(0.519362,1.5516,0.93600),
    //               array(0.522301,1.5583,0.93630),
    //               array(0.527086,1.5562,0.93700),
    //               array(0.237792,1.5835,0.93730),
    //               array(0.513545,1.6001,0.93800),
    //               array(0.609365,1.6253,0.93830),
    //               array(0.52686,1.6752,0.93930),
    //               array(0.527433,1.6808,0.94000),
    //               array(0.528413,1.6652,0.94030),
    //               array(0.530072,1.6719,0.94100),
    //               array(0.531925,1.6853,0.94130),
    //               array(0.533353,1.6711,0.94200),
    //               array(0.537223,1.6674,0.94230),
    //               array(0.539114,1.6813,0.94300),
    //               array(0.538837,1.6978,0.94330),
    //               array(0.541224,1.7254,0.94400),
    //               array(0.543783,1.7191,0.94430),
    //               array(0.547884,1.7356,0.94500),
    //               array(0.550122,1.7279,0.94530),
    //               array(0.553295,1.7594,0.94600),
    //               array(0.556807,1.7582,0.94630),
    //               array(0.557816,1.7626,0.94700));
        $productive = array(
                    array(0.474142,0.92700),
                    array(0.478633,0.92730),
                    array(0.481854,0.92800),
                    array(0.485597,0.92830),
                    array(0.488798,0.92900),
                    array(0.491006,0.92930),
                    array(0.493468,0.93000),
                    array(0.497063,0.93030),
                    array(0.499797,0.93100),
                    array(0.501473,0.93130),
                    array(0.504012,0.93200),
                    array(0.506765,0.93230),
                    array(0.509593,0.93300),
                    array(0.513532,0.93330),
                    array(0.514743,0.93400),
                    array(0.515494,0.93430),
                    array(0.516827,0.93500),
                    array(0.519071,0.93530),
                    array(0.519362,0.93600),
                    array(0.522301,0.93630),
                    array(0.527086,0.93700),
                    array(0.513545,0.93800),
                    array(0.609365,0.93830),
                    array(0.52686,0.93930),
                    array(0.527433,0.94000),
                    array(0.528413,0.94030),
                    array(0.530072,0.94100),
                    array(0.531925,0.94130),
                    array(0.533353,0.94200),
                    array(0.537223,0.94230),
                    array(0.539114,0.94300),
                    array(0.538837,0.94330),
                    array(0.541224,0.94400),
                    array(0.543783,0.94430),
                    array(0.547884,0.94500),
                    array(0.550122,0.94530),
                    array(0.553295,0.94600),
                    array(0.556807,0.94630),
                    array(0.557816,0.94700));

    /****************************************************************************/
    /********************神经网络的前向运算（隐含层前向运算）***********************/
    // 隐含层的BP神经网络线性输出矩阵
    $productive_linear_output_implication = array(array());
    // BP神经网络隐含层偏置矩阵B
    $predictionImplicationB = array(array());
    for($i=0;$i<count($productive);$i++)
    {
        for($j=0;$j<count($V);$j++)
        {
            $predictionImplicationB[$i][$j] = $B[$j][0];
        } 
    }
    $productive_linear_output_implication = Matrix_addition(Matrix_cross_product($productive,$W),$predictionImplicationB);
    // PB神经网络隐含层sigmoid输出矩阵
    for($i=0;$i<count($productive_linear_output_implication);$i++)
    {
        for($j=0;$j<count($productive_linear_output_implication[0]);$j++)
        {
            $productive_sigmoid_implication_output[$i][$j] = 1/(1+exp(-$productive_linear_output_implication[$i][$j]));
        }
    }

    /****************************************************************************/
    /********************神经网络的前向运算（输出层前向运算）***********************/
    // BP神经网络隐含层偏置矩阵N
    $predictionOutputN = array(array());
    for($i=0;$i<count($productive);$i++)
    {
        $predictionOutputN[$i][0] = $N[0][0];
    }
    // BP神经网络输出层的线性输出矩阵
    $productive_linear_output = Matrix_addition(Matrix_cross_product($productive_sigmoid_implication_output,$V),$predictionOutputN); 
    // PB神经网络输出层的sigmoid输出矩阵
    for($i=0;$i<count($productive_linear_output);$i++)
    {
        for($j=0;$j<count($productive_linear_output[0]);$j++)
        {
            $productive_sigmoid_output[$i][$j] = 1/(1+exp(-$productive_linear_output[$i][$j]));
        }
    }

    /****************************************************************************/
    /*******************************预测结果输出**********************************/
    for($i=0;$i<count($productive_sigmoid_output);$i++)
    {
        echo $productive[$i][1].'时间点的电流值：';
        var_dump(round($productive_sigmoid_output[$i][0]*10,3));
        echo '<br>';
    }
?>

预测结果：

以下分别是隐含层神经元节点为3、4、5、6时的预测结果。可见，当隐含层神经元节点为4时，预测效果最佳，其相较于真实值，平均误差率为1.24%、最大误差率为3.34%、最小误差率为0%。