[發明專利]基于BP神經網絡模型的CSP輻射與熱能預測方法

有效

• 申請號: 201410180819.0
• 申請日: 2014-04-30
• 公開（公告）號: CN103955768B
• 公開（公告）日: 2017-09-12
• 發明（設計）人: 秦初升;李才永
• 申請（專利權）人: 河北省電力勘測設計研究院
• 主分類號: G06F17/00
• 分類號: G06F17/00;G06N3/08;G06Q10/04;G06Q50/06
• 代理公司: 石家莊眾志華清知識產權事務所(特殊普通合伙)13123
• 代理人: 付會平

技術領域

本發明涉及光熱發電領域，尤其是指一種CSP（聚焦式太陽能發電）輻射與熱能預測方法。

背景技術

CSP光熱發電站是太陽能收集技術、常規汽輪發電機技術、控制技術、信息技術的集合體。它將太陽輻射通過反光鏡反射匯聚到吸熱器。太陽能吸熱器吸收太陽輻射能量后可以直接將熱能用于發電（產生蒸汽推動汽輪發電機發電），也可以將熱能儲存在蓄熱介質中，在沒有太陽光照的時段再利用蓄熱進行發電。

CSP光熱發電站能夠收集到多少太陽能受理論太陽輻射強度（未受地球大氣層影響的太陽輻射）、云量、大氣透明度、鏡面效率等多重因素影響。太陽輻射具有間歇性和波動（隨機）性，這兩個特性取決于地球的赤緯角和大氣透明度、氣象條件變化等因素。因此光熱發電的集熱過程具有一定的不確定性，是一個不可控源，其發電的隨機性會影響光熱發電系統的安全、穩定、經濟運行。因此需要建立科學的太陽輻射、集熱、吸熱與熱能預測方法，提高光熱發電系統的安全穩定運行和經濟性，使電網可以盡量多的全額收購光熱發電（清潔、可再生能源）電量，同時又可以避免由于光熱發電的不確定性造成對電網的沖擊，獲得更大的經濟效益和社會效益。

BP神經網絡(Back Propagation Neural Network)是指基于誤差反向傳播算法的多層前向神經網絡，BP神經網絡具有良好的非線性函數逼近能力，能夠提高預測的精度。

BP神經網絡的誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變換能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止。

BP神經網絡具有以下特點:能夠以任意精度逼近任何非線性映射，實現對復雜系統建模；可以學習和自適應未知信息，如果系統發生了變化可以通過修改網絡的聯接值而改變預測效果；分布式信息存儲與處理結構，具有一定的容錯性，因此構造出來的系統具有較好的魯棒性；多輸入、多輸出的模型結構，適合處理復雜問題。如果能夠將BP神經網絡應用在CSP光熱發電站的太陽輻射、吸熱以及熱能預測必將能夠提高光熱發電站的運行穩定性。

發明內容

本發明需要解決的技術問題是提供一種基于BP神經網絡模型的CSP（聚焦式太陽能發電）的輻射與熱能預測方法。

為解決上述技術問題，本發明所采取的技術方案如下：

基于BP神經網絡模型的CSP輻射與熱能預測方法，具體包括以下步驟：

A. 根據CSP輻射與熱能預測確定輸入向量、輸出向量；輸入向量為太陽輻射強度、大氣透明度、云量、鏡面反射效率、鏡面清潔度、鏡面位置以及鏡面角度，輸出向量為輻射預測值與熱能預測值；

B.根據輸入向量、輸出向量構造符合CSP輻射與熱能預測的BP神經網絡模型，并根據實際預測精度要求，設定誤差閾值；

C. 以所選取的影響因素的歷史數據生成輸入向量，以所對應時刻的輻射值與熱能值的歷史數據作為期望輸出向量，得到訓練樣本；將所述輸入向量輸入所構造的BP神經網絡模型得到實際輸出向量，即為輻射與熱能的預測值；以輻射預測值與輻射期望值的均方根誤差、熱能預測值與熱能期望值的均方根誤差作為BP神經網絡誤差反向傳播算法的輸入數據，對BP神經網絡模型進行循環往復訓練，直至輸出的預測值與實際值之間的誤差小于設定閾值，得到訓練后的BP神經網絡模型；

D. 根據所選取的影響因素的待預測時刻的實際數據生成測試輸入向量，將測試輸入向量輸入訓練后的BP神經網絡模型，其輸出為待預測時刻的CSP輻射值與熱能值。

本發明所述步驟B包括：

a）根據輸入向量的維數確定BP神經網絡的輸入層神經元數量為7；

b）根據輸出向量的維數確定BP神經網絡的輸出層神經元數量為2；

c）根據輸入層和輸出層的神經元數量確定BP神經網絡的中間層神經元數量；

d）根據實際預測精度要求，設定誤差閾值。