碟式太陽能集熱器出口空氣溫度預測研究

南京工程學院 ■ 孟珊珊鄭健 吳昊

碟式太陽能集熱器出口空氣溫度預測研究

南京工程學院 ■ 孟珊珊*鄭健 吳昊

提出使用BP神經網絡對碟式太陽能出口介質溫度進行預測。為提高BP算法的預測精度，采用遺傳算法優化BP神經網絡模型，建立基于GABP和實際數據結合的碟式太陽能溫度預測模型進行預測，并通過Matlab仿真驗證了該預測模型和策略的可行性和有效性。

碟式太陽能；出口蒸汽溫度；BP算法；Matlab

0　引言

太陽能作為一種清潔、可再生的能源，利用太陽能發電，尤其是光熱發電，已成為解決能源短缺、溫室效應及環境污染等問題的重要技術［1］。碟式太陽能熱發電系統采用拋物面鏡聚光裝置，將太陽直射光聚焦在拋物面焦點處的集熱器上，加熱流過集熱器受熱面的水或其他工作介質，產生高溫高壓蒸汽推動發電機組發電。由于太陽的輻照強度具有較大的隨機性和不可控性，它既會隨云層的影響而變化，也會隨季節的變換而變化［2］。因此，集熱器出口蒸汽溫度的穩定性是碟式太陽能熱發電系統安全可靠運行的重要控制目標，預測太陽能集熱器出口溫度顯得尤為重要。

對于碟式太陽能集熱器出口空氣溫度預測策略的研究，國內公開發表的研究成果不多。神經網絡具有學習與適應不確定系統的動態特性和較強的魯棒性及容錯性等特點，可以充分逼近復雜的非線性映射［3］。BP(Back Propagation)神經網絡(多層前饋神經網絡)是目前運用最為廣泛和成功的神經網絡之一，是一種多層網絡的“逆推”算法［4］。BP 模型已成為神經網絡的重要模型之一，由于其結構簡單、易于編程［5］，所以本文提出用BP神經網絡模型對碟式太陽能集熱器出口空氣溫度進行預測。

1　實驗系統

1.1實驗裝置

本文的實驗裝置采用單碟聚光加熱位于焦點處的集熱器，如圖1所示，碟式太陽能聚光器的反射面積約12 m2。該實驗裝置采用閉環跟蹤方法進行跟蹤，正常情況下自動跟蹤太陽的精度不大于0.2°；空氣出口溫度根據空氣流量和空氣集熱器性能等特性決定；對應的集熱器最高耐溫不小于800 ℃，能提供最大熱功率約2 kW。

本實驗裝置的集熱器因條件限制，采用高溫空氣換熱器，結構簡單，使用空氣作為介質，直接加熱空氣，換熱效率高。針對集熱器出口溫度影響因素多、難以精確控制的特點，很難找出其具體的數學模型，因此很難獲取穩定的集熱器出口溫度。應用神經網絡算法對集熱器出口溫度進行預測，作為預測模型(系統辨識)結合控制理論，可實現集熱器出口溫度的穩定控制。

圖1　碟式太陽能裝置

1.2實驗裝置工作原理

本實驗裝置通過四象限太陽光探測器檢測光照強度的差異，將光強信號通過傳感器硬件電路轉換為電壓信號傳送給單片機，單片機根據相應的光強信號進行實時判斷，輸出信號驅動步進電機運轉，實時跟蹤太陽。太陽光照射在聚光碟上，聚光碟將太陽輻射聚焦到集熱器上；同時，風機將冷空氣通過空氣管道輸送到集熱器的受熱面，冷空氣吸熱，溫度上升，碟式太陽能高溫高壓出口空氣溫度輸出。實驗裝置的工作過程如圖2所示。

圖2　碟式太陽能加熱系統

1.3數據采集系統

測試系統是為空氣集熱器出口溫度的預測研究獲取訓練和驗證數據。系統布置了4個溫度測點、1個流量測點和1個太陽輻照度測點：在風機出口處布置2個熱電偶，測量進入集熱器的冷空氣溫度；在集熱器出口處布置2個熱電偶，測量從集熱器出來的熱空氣溫度；在風機出口處布置1個流量計，測量進入集熱器空氣流量；在聚光碟上布置1個太陽能輻照儀，測量太陽輻照度。溫度測試系統選擇4支K型鎧裝熱電偶為溫度傳感器，測試范圍為0～1200 ℃，連接到數據采集儀上讀取數據。太陽輻射強度采用GHFSRS-1500輻照度傳感器，其對弱光也較敏感。

以上數據每隔30 s采集1次，風機出口的2個溫度測點采集的數據取平均值，集熱器出口的2個溫度測點也取平均值。

2　BP學習算法原理

BP學習算法基本采用梯度下降法調整權值、減小誤差。其學習過程分為正向和反向傳播兩個階段［6］：正向傳播過程是將輸入信息通過輸入層，經過隱含層逐層處理并傳向輸出層，若輸出層的實際輸出與期望輸出不符，則進入反向傳播過程，將輸出層產生的誤差信號經隱含層向輸入層傳播；按照梯度下降原則對各層的權值和閾值進行誤差校正，使得輸出值滿足一定的精度要求，網絡的全局誤差趨向于最小值［7］。

如圖3所示，p是指第p個樣本，輸入層有n個神經元，輸入層經過隱含層輸出m個輸出向量，隱含層有q個神經元；輸入層神經元i與隱含層神經元j之間的連接權值為vij，閾值為θij，j=1,2,··,m；隱含層神經元j與輸出層神經元k之間的連接權值為ωjk，閾值為θjk，k=1,2,··,q［8］。

圖3　BP網絡結構

2.1正向傳播過程

隱含層的輸入為：

隱含層的輸出為：

輸出層的輸入為：

輸出層的輸出為：

2.2反向傳播過程

每個樣本誤差為：

式中，Ep的p是指第p個樣本；tk為期望輸出值；ok為計算輸出值。

總樣本誤差為：

式中，η指學習率。

隱層權值的調整：

輸出層閾值的調整：

3　基于遺傳算法的BP神經網絡預測

3.1BP神經網絡模型的建立

BP 神經網絡由輸入層、隱含層和輸出層組成。網絡輸入樣本為三維的輸入向量(大氣溫度、空氣流量和太陽輻照度)，即輸入層一共有3個神經元［9］。目前人們認為二進制分類或判決邊界問題，1個隱含層已足夠［10］，因此本文選擇1個隱含層。隱含層的神經元個數很難確定，測試時選取25個樣本進行測試，尋找誤差最小的，最后選擇神經元個數為20個。網絡輸出層神經元個數為 1 個(空氣出口溫度)。

綜上所述，本文采取 3 層 BP 神經網絡來建立碟式太陽能集熱器出口溫度的預測模型［11］。輸入層有3個節點，隱含層的節點個數為 8 個，輸出層節點數為 1 個。此神經網絡結構圖見圖4。

圖4　預測控制模型的BP網絡結構

3.2遺傳算法優化BP神經網絡——GABP算法

為了提高BP算法的預測精度，采用遺傳算法優化BP 神經網絡進行預測。遺傳算法具有優秀的全局搜索能力，可優化BP算法，在不斷迭代后可得到最優解。圖5為GABP算法流程圖，首先遺傳算法初始化種群，計算個體評價函數；按概率值選擇網絡個體，對個體進行交叉操作產生新個體；計算新評價函數，得到遺傳算法的優化初值，作為BP算法的初始權值；再采用 BP 神經網絡算法進行訓練，得到滿足的精度［12］。

4　仿真分析

為了比較GABP神經網絡與BP神經網絡之間的差異，分別采用兩種方法建立碟式太陽能集熱器出口空氣溫度預測 BP 神經網絡模型［7］。

BP神經網絡的主要參數為：學習率取0.01，目標誤差設為0.0001，最大訓練次數為100。遺傳算法的主要參數為：進化迭代次數為10，種族規模為50，選擇概率Ps取0.09，交叉概率Pc取0.1，變異概率Pm取0.3。選取1000組項目的相關數據作為訓練樣本和測試樣本，直到誤差小于目標誤差，系統停止訓練；將歸一化處理過的樣本數據代入已訓練的網絡進行仿真模擬，運算結果進行反歸一化處理，最后得到預測值。表1給出了25個樣本數據以供參考。

圖5　GABP網絡流程圖

將表1中的樣本訓練網絡構建模型，通過遺傳算法對BP神經網絡的權值和閾值進行優化。圖6～圖8分別為出口空氣溫度與大氣溫度、空氣流量、太陽輻照度之間的變化規律曲線。可以看出，3個輸入量是非線性關系。對預測模型進行Matlab仿真，得到GABP模型訓練過程中的適應度曲線和GABP模型預測曲線，如圖9、圖10所示。由圖9可知，終止代數取10時，預測效果最好，因此遺傳算法的終止代數取10；在進化代數為6時，適應度停止變化，即該過程收斂。將其與BP模型預測算法比較，對BP網絡模型進行Matlab仿真，如圖11所示。由圖10和圖11可知，GABP預測數據逼近于實際數據；而BP預測曲線沒有很好逼近期望曲線，預測精度并不高，預測效果沒有GABP仿真效果好。

圖6　出口空氣溫度與空氣流量、太陽輻照度之間的變化規律曲線

圖7　出口空氣溫度和大氣溫度、太陽輻照度之間的變化規律曲線

圖8　出口空氣溫度和大氣溫度、空氣流量之間的變化規律曲線

圖9　遺傳算法的平均適應度曲線

圖10　GABP預測數據與實際數據輸出圖形

圖11　BP預測數據與實際數據輸出圖形

為了更直觀地看出兩種算法預測精度的差別，如表2所示，定量給出了兩種算法的誤差分析。從表2可知，GABP的總體預測誤差率小于BP預測的誤差率。由此可計算得：GABP的平均誤差率為-0.38%；BP的平均誤差率為2.99%。

表2　預測誤差分析表

5　結論與展望

碟式太陽能集熱器可以接管道、儲熱水箱用作太陽能熱水器；也可接汽輪機，使集熱器出口高溫高壓蒸汽直接推動汽輪機發電等，恒定的高溫高壓蒸汽輸出成為汽輪發電機的直接需要。本文提出的自適應遺傳算法優化BP神經網絡的預測模型(即GABP算法的預測模型)，結合了實際數據，對碟式太陽能出口介質溫度進行預測，通過Matlab 進行仿真驗證。實驗結果表明，GABP算法的預測模型比BP算法更能準確地預測集熱器出口溫度的變化規律，驗證了預測模型與策略的可行性與有效性。本研究為碟式太陽能集熱器出口溫度的穩定預測提供了一種策略，可應用于系統辨識，解決碟式系統集熱器出口溫度難以精確控制的問題，提高碟式系統的穩定性和利用效率。

從仿真結果可看出，實驗預測誤差可以調整的更小，算法還需要更加優化，使出口溫度的預測精度更高。

［1］ 陳昕, 范海濤.太陽能光熱發電技術發展現狀［J］.能源與環境, 2012, (1)∶ 90－92.

［2］ 郭蘇, 劉德有, 張耀明, 等.循環模式DSG槽式太陽能集熱器出口蒸汽溫度控制策略研究［J］.中國電機工程學報, 2012, (20)∶ 62－68.

［3］ 楊紅, 高月芳, 羅飛, 等.采用自適應自回歸小波神經網絡的單步預測控制［J］. 信息與控制, 2010, 39(5)∶ 553－558.

［4］ 王學斌, 陳全. 人工神經元網絡在安全事故趨勢預測中的應用［J］. 天津理工大學學報, 2011, 27(3)∶ 81－83.

［5］ 崔東文. 基于改進BP神經網絡模型的云南文山州水資源脆弱性綜合評價［J］.長江科學院院報, 2013, 30(3)∶ 1－7.

［6］ 盧志耀.神經網絡預測編碼器的設計及應用［J］.山西電子技術, 2009, (2)∶ 29－31.

［7］ 陳秋玲, 薛玉春, 肖璐.金融風險預警∶評價指標、預警機制與實證研究［J］.上海大學學報(社會科學版), 2009, 16(5)∶127－144.

［8］ 肖國清, 劉英學, 陳寶智, 等.煤體注水濕潤半徑預測的神經網絡模型［J］.中國安全科學學報, 2002, 12(4)∶ 19－22.

［9］ 馮玉海, 沈本賢, 高晉生.微晶蠟非催化氧化反應的神經網絡模型［J］.華東理工大學學報, 2002, 28(1)∶ 55－58.

［10］ 王慶, 劉琨, 張志超.基于BP神經網絡的知識員工-崗位匹配測評研究［J］.科技管理研究, 2009, 29(10)∶ 294－295.

［11］ 顧孟鈞, 張志和, 陳友.基于BP神經網絡的國際黃金價格預測模型［J］.商場現代化, 2008, (27)∶ 26.

［12］ 王志城, 汪新, 戴卿.基于BP神經網絡的變形監測數據處理［J］.輕工科技, 2013, (11)∶ 25－86.

2016-03-26

孟珊珊(1990—)，女，碩士，主要從事新能源技術方面的研究。1035931667@qq.com