碟式太陽(yáng)能集熱器出口空氣溫度預(yù)測(cè)研究

南京工程學(xué)院 ■ 孟珊珊鄭健 吳昊

碟式太陽(yáng)能集熱器出口空氣溫度預(yù)測(cè)研究

南京工程學(xué)院 ■ 孟珊珊*鄭健 吳昊

提出使用BP神經(jīng)網(wǎng)絡(luò)對(duì)碟式太陽(yáng)能出口介質(zhì)溫度進(jìn)行預(yù)測(cè)。為提高BP算法的預(yù)測(cè)精度，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，建立基于GABP和實(shí)際數(shù)據(jù)結(jié)合的碟式太陽(yáng)能溫度預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，并通過(guò)Matlab仿真驗(yàn)證了該預(yù)測(cè)模型和策略的可行性和有效性。

碟式太陽(yáng)能；出口蒸汽溫度；BP算法；Matlab

0　引言

太陽(yáng)能作為一種清潔、可再生的能源，利用太陽(yáng)能發(fā)電，尤其是光熱發(fā)電，已成為解決能源短缺、溫室效應(yīng)及環(huán)境污染等問(wèn)題的重要技術(shù)［1］。碟式太陽(yáng)能熱發(fā)電系統(tǒng)采用拋物面鏡聚光裝置，將太陽(yáng)直射光聚焦在拋物面焦點(diǎn)處的集熱器上，加熱流過(guò)集熱器受熱面的水或其他工作介質(zhì)，產(chǎn)生高溫高壓蒸汽推動(dòng)發(fā)電機(jī)組發(fā)電。由于太陽(yáng)的輻照強(qiáng)度具有較大的隨機(jī)性和不可控性，它既會(huì)隨云層的影響而變化，也會(huì)隨季節(jié)的變換而變化［2］。因此，集熱器出口蒸汽溫度的穩(wěn)定性是碟式太陽(yáng)能熱發(fā)電系統(tǒng)安全可靠運(yùn)行的重要控制目標(biāo)，預(yù)測(cè)太陽(yáng)能集熱器出口溫度顯得尤為重要。

對(duì)于碟式太陽(yáng)能集熱器出口空氣溫度預(yù)測(cè)策略的研究，國(guó)內(nèi)公開(kāi)發(fā)表的研究成果不多。神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)與適應(yīng)不確定系統(tǒng)的動(dòng)態(tài)特性和較強(qiáng)的魯棒性及容錯(cuò)性等特點(diǎn)，可以充分逼近復(fù)雜的非線性映射［3］。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)(多層前饋神經(jīng)網(wǎng)絡(luò))是目前運(yùn)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一，是一種多層網(wǎng)絡(luò)的“逆推”算法［4］。BP 模型已成為神經(jīng)網(wǎng)絡(luò)的重要模型之一，由于其結(jié)構(gòu)簡(jiǎn)單、易于編程［5］，所以本文提出用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)碟式太陽(yáng)能集熱器出口空氣溫度進(jìn)行預(yù)測(cè)。

1　實(shí)驗(yàn)系統(tǒng)

1.1實(shí)驗(yàn)裝置

本文的實(shí)驗(yàn)裝置采用單碟聚光加熱位于焦點(diǎn)處的集熱器，如圖1所示，碟式太陽(yáng)能聚光器的反射面積約12 m2。該實(shí)驗(yàn)裝置采用閉環(huán)跟蹤方法進(jìn)行跟蹤，正常情況下自動(dòng)跟蹤太陽(yáng)的精度不大于0.2°；空氣出口溫度根據(jù)空氣流量和空氣集熱器性能等特性決定；對(duì)應(yīng)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(shí)驗(yàn)裝置的集熱器因條件限制，采用高溫空氣換熱器，結(jié)構(gòu)簡(jiǎn)單，使用空氣作為介質(zhì)，直接加熱空氣，換熱效率高。針對(duì)集熱器出口溫度影響因素多、難以精確控制的特點(diǎn)，很難找出其具體的數(shù)學(xué)模型，因此很難獲取穩(wěn)定的集熱器出口溫度。應(yīng)用神經(jīng)網(wǎng)絡(luò)算法對(duì)集熱器出口溫度進(jìn)行預(yù)測(cè)，作為預(yù)測(cè)模型(系統(tǒng)辨識(shí))結(jié)合控制理論，可實(shí)現(xiàn)集熱器出口溫度的穩(wěn)定控制。

圖1　碟式太陽(yáng)能裝置

1.2實(shí)驗(yàn)裝置工作原理

本實(shí)驗(yàn)裝置通過(guò)四象限太陽(yáng)光探測(cè)器檢測(cè)光照強(qiáng)度的差異，將光強(qiáng)信號(hào)通過(guò)傳感器硬件電路轉(zhuǎn)換為電壓信號(hào)傳送給單片機(jī)，單片機(jī)根據(jù)相應(yīng)的光強(qiáng)信號(hào)進(jìn)行實(shí)時(shí)判斷，輸出信號(hào)驅(qū)動(dòng)步進(jìn)電機(jī)運(yùn)轉(zhuǎn)，實(shí)時(shí)跟蹤太陽(yáng)。太陽(yáng)光照射在聚光碟上，聚光碟將太陽(yáng)輻射聚焦到集熱器上；同時(shí)，風(fēng)機(jī)將冷空氣通過(guò)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(yáng)能高溫高壓出口空氣溫度輸出。實(shí)驗(yàn)裝置的工作過(guò)程如圖2所示。

圖2　碟式太陽(yáng)能加熱系統(tǒng)

1.3數(shù)據(jù)采集系統(tǒng)

測(cè)試系統(tǒng)是為空氣集熱器出口溫度的預(yù)測(cè)研究獲取訓(xùn)練和驗(yàn)證數(shù)據(jù)。系統(tǒng)布置了4個(gè)溫度測(cè)點(diǎn)、1個(gè)流量測(cè)點(diǎn)和1個(gè)太陽(yáng)輻照度測(cè)點(diǎn)：在風(fēng)機(jī)出口處布置2個(gè)熱電偶，測(cè)量進(jìn)入集熱器的冷空氣溫度；在集熱器出口處布置2個(gè)熱電偶，測(cè)量從集熱器出來(lái)的熱空氣溫度；在風(fēng)機(jī)出口處布置1個(gè)流量計(jì)，測(cè)量進(jìn)入集熱器空氣流量；在聚光碟上布置1個(gè)太陽(yáng)能輻照儀，測(cè)量太陽(yáng)輻照度。溫度測(cè)試系統(tǒng)選擇4支K型鎧裝熱電偶為溫度傳感器，測(cè)試范圍為0～1200 ℃，連接到數(shù)據(jù)采集儀上讀取數(shù)據(jù)。太陽(yáng)輻射強(qiáng)度采用GHFSRS-1500輻照度傳感器，其對(duì)弱光也較敏感。

以上數(shù)據(jù)每隔30 s采集1次，風(fēng)機(jī)出口的2個(gè)溫度測(cè)點(diǎn)采集的數(shù)據(jù)取平均值，集熱器出口的2個(gè)溫度測(cè)點(diǎn)也取平均值。

2　BP學(xué)習(xí)算法原理

BP學(xué)習(xí)算法基本采用梯度下降法調(diào)整權(quán)值、減小誤差。其學(xué)習(xí)過(guò)程分為正向和反向傳播兩個(gè)階段［6］：正向傳播過(guò)程是將輸入信息通過(guò)輸入層，經(jīng)過(guò)隱含層逐層處理并傳向輸出層，若輸出層的實(shí)際輸出與期望輸出不符，則進(jìn)入反向傳播過(guò)程，將輸出層產(chǎn)生的誤差信號(hào)經(jīng)隱含層向輸入層傳播；按照梯度下降原則對(duì)各層的權(quán)值和閾值進(jìn)行誤差校正，使得輸出值滿(mǎn)足一定的精度要求，網(wǎng)絡(luò)的全局誤差趨向于最小值［7］。

如圖3所示，p是指第p個(gè)樣本，輸入層有n個(gè)神經(jīng)元，輸入層經(jīng)過(guò)隱含層輸出m個(gè)輸出向量，隱含層有q個(gè)神經(jīng)元；輸入層神經(jīng)元i與隱含層神經(jīng)元j之間的連接權(quán)值為vij，閾值為θij，j=1,2,··,m；隱含層神經(jīng)元j與輸出層神經(jīng)元k之間的連接權(quán)值為ωjk，閾值為θjk，k=1,2,··,q［8］。

圖3　BP網(wǎng)絡(luò)結(jié)構(gòu)

2.1正向傳播過(guò)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(guò)程

每個(gè)樣本誤差為：

式中，Ep的p是指第p個(gè)樣本；tk為期望輸出值；ok為計(jì)算輸出值。

總樣本誤差為：

式中，η指學(xué)習(xí)率。

隱層權(quán)值的調(diào)整：

輸出層閾值的調(diào)整：

3　基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

3.1BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP 神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成。網(wǎng)絡(luò)輸入樣本為三維的輸入向量(大氣溫度、空氣流量和太陽(yáng)輻照度)，即輸入層一共有3個(gè)神經(jīng)元［9］。目前人們認(rèn)為二進(jìn)制分類(lèi)或判決邊界問(wèn)題，1個(gè)隱含層已足夠［10］，因此本文選擇1個(gè)隱含層。隱含層的神經(jīng)元個(gè)數(shù)很難確定，測(cè)試時(shí)選取25個(gè)樣本進(jìn)行測(cè)試，尋找誤差最小的，最后選擇神經(jīng)元個(gè)數(shù)為20個(gè)。網(wǎng)絡(luò)輸出層神經(jīng)元個(gè)數(shù)為 1 個(gè)(空氣出口溫度)。

綜上所述，本文采取 3 層 BP 神經(jīng)網(wǎng)絡(luò)來(lái)建立碟式太陽(yáng)能集熱器出口溫度的預(yù)測(cè)模型［11］。輸入層有3個(gè)節(jié)點(diǎn)，隱含層的節(jié)點(diǎn)個(gè)數(shù)為 8 個(gè)，輸出層節(jié)點(diǎn)數(shù)為 1 個(gè)。此神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖見(jiàn)圖4。

圖4　預(yù)測(cè)控制模型的BP網(wǎng)絡(luò)結(jié)構(gòu)

3.2遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)——GABP算法

為了提高BP算法的預(yù)測(cè)精度，采用遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。遺傳算法具有優(yōu)秀的全局搜索能力，可優(yōu)化BP算法，在不斷迭代后可得到最優(yōu)解。圖5為GABP算法流程圖，首先遺傳算法初始化種群，計(jì)算個(gè)體評(píng)價(jià)函數(shù)；按概率值選擇網(wǎng)絡(luò)個(gè)體，對(duì)個(gè)體進(jìn)行交叉操作產(chǎn)生新個(gè)體；計(jì)算新評(píng)價(jià)函數(shù)，得到遺傳算法的優(yōu)化初值，作為BP算法的初始權(quán)值；再采用 BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練，得到滿(mǎn)足的精度［12］。

4　仿真分析

為了比較GABP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)之間的差異，分別采用兩種方法建立碟式太陽(yáng)能集熱器出口空氣溫度預(yù)測(cè) BP 神經(jīng)網(wǎng)絡(luò)模型［7］。

BP神經(jīng)網(wǎng)絡(luò)的主要參數(shù)為：學(xué)習(xí)率取0.01，目標(biāo)誤差設(shè)為0.0001，最大訓(xùn)練次數(shù)為100。遺傳算法的主要參數(shù)為：進(jìn)化迭代次數(shù)為10，種族規(guī)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(xiàng)目的相關(guān)數(shù)據(jù)作為訓(xùn)練樣本和測(cè)試樣本，直到誤差小于目標(biāo)誤差，系統(tǒng)停止訓(xùn)練；將歸一化處理過(guò)的樣本數(shù)據(jù)代入已訓(xùn)練的網(wǎng)絡(luò)進(jìn)行仿真模擬，運(yùn)算結(jié)果進(jìn)行反歸一化處理，最后得到預(yù)測(cè)值。表1給出了25個(gè)樣本數(shù)據(jù)以供參考。

圖5　GABP網(wǎng)絡(luò)流程圖

將表1中的樣本訓(xùn)練網(wǎng)絡(luò)構(gòu)建模型，通過(guò)遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)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(yáng)輻照度之間的變化規(guī)律曲線?？梢钥闯?，3個(gè)輸入量是非線性關(guān)系。對(duì)預(yù)測(cè)模型進(jìn)行Matlab仿真，得到GABP模型訓(xùn)練過(guò)程中的適應(yīng)度曲線和GABP模型預(yù)測(cè)曲線，如圖9、圖10所示。由圖9可知，終止代數(shù)取10時(shí)，預(yù)測(cè)效果最好，因此遺傳算法的終止代數(shù)取10；在進(jìn)化代數(shù)為6時(shí)，適應(yīng)度停止變化，即該過(guò)程收斂。將其與BP模型預(yù)測(cè)算法比較，對(duì)BP網(wǎng)絡(luò)模型進(jìn)行Matlab仿真，如圖11所示。由圖10和圖11可知，GABP預(yù)測(cè)數(shù)據(jù)逼近于實(shí)際數(shù)據(jù)；而B(niǎo)P預(yù)測(cè)曲線沒(méi)有很好逼近期望曲線，預(yù)測(cè)精度并不高，預(yù)測(cè)效果沒(méi)有GABP仿真效果好。

圖6　出口空氣溫度與空氣流量、太陽(yáng)輻照度之間的變化規(guī)律曲線

圖7　出口空氣溫度和大氣溫度、太陽(yáng)輻照度之間的變化規(guī)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(guī)律曲線

圖9　遺傳算法的平均適應(yīng)度曲線

圖10　GABP預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)輸出圖形

圖11　BP預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)輸出圖形

為了更直觀地看出兩種算法預(yù)測(cè)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(yù)測(cè)誤差率小于BP預(yù)測(cè)的誤差率。由此可計(jì)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(yù)測(cè)誤差分析表

5　結(jié)論與展望

碟式太陽(yáng)能集熱器可以接管道、儲(chǔ)熱水箱用作太陽(yáng)能熱水器；也可接汽輪機(jī)，使集熱器出口高溫高壓蒸汽直接推動(dòng)汽輪機(jī)發(fā)電等，恒定的高溫高壓蒸汽輸出成為汽輪發(fā)電機(jī)的直接需要。本文提出的自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型(即GABP算法的預(yù)測(cè)模型)，結(jié)合了實(shí)際數(shù)據(jù)，對(duì)碟式太陽(yáng)能出口介質(zhì)溫度進(jìn)行預(yù)測(cè)，通過(guò)Matlab 進(jìn)行仿真驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，GABP算法的預(yù)測(cè)模型比BP算法更能準(zhǔn)確地預(yù)測(cè)集熱器出口溫度的變化規(guī)律，驗(yàn)證了預(yù)測(cè)模型與策略的可行性與有效性。本研究為碟式太陽(yáng)能集熱器出口溫度的穩(wěn)定預(yù)測(cè)提供了一種策略，可應(yīng)用于系統(tǒng)辨識(shí)，解決碟式系統(tǒng)集熱器出口溫度難以精確控制的問(wèn)題，提高碟式系統(tǒng)的穩(wěn)定性和利用效率。

從仿真結(jié)果可看出，實(shí)驗(yàn)預(yù)測(cè)誤差可以調(diào)整的更小，算法還需要更加優(yōu)化，使出口溫度的預(yù)測(cè)精度更高。

［1］ 陳昕, 范海濤.太陽(yáng)能光熱發(fā)電技術(shù)發(fā)展現(xiàn)狀［J］.能源與環(huán)境, 2012, (1)∶ 90－92.

［2］ 郭蘇, 劉德有, 張耀明, 等.循環(huán)模式DSG槽式太陽(yáng)能集熱器出口蒸汽溫度控制策略研究［J］.中國(guó)電機(jī)工程學(xué)報(bào), 2012, (20)∶ 62－68.

［3］ 楊紅, 高月芳, 羅飛, 等.采用自適應(yīng)自回歸小波神經(jīng)網(wǎng)絡(luò)的單步預(yù)測(cè)控制［J］. 信息與控制, 2010, 39(5)∶ 553－558.

［4］ 王學(xué)斌, 陳全. 人工神經(jīng)元網(wǎng)絡(luò)在安全事故趨勢(shì)預(yù)測(cè)中的應(yīng)用［J］. 天津理工大學(xué)學(xué)報(bào), 2011, 27(3)∶ 81－83.

［5］ 崔東文. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型的云南文山州水資源脆弱性綜合評(píng)價(jià)［J］.長(zhǎng)江科學(xué)院院報(bào), 2013, 30(3)∶ 1－7.

［6］ 盧志耀.神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)編碼器的設(shè)計(jì)及應(yīng)用［J］.山西電子技術(shù), 2009, (2)∶ 29－31.

［7］ 陳秋玲, 薛玉春, 肖璐.金融風(fēng)險(xiǎn)預(yù)警∶評(píng)價(jià)指標(biāo)、預(yù)警機(jī)制與實(shí)證研究［J］.上海大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版), 2009, 16(5)∶127－144.

［8］ 肖國(guó)清, 劉英學(xué), 陳寶智, 等.煤體注水濕潤(rùn)半徑預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型［J］.中國(guó)安全科學(xué)學(xué)報(bào), 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(yīng)的神經(jīng)網(wǎng)絡(luò)模型［J］.華東理工大學(xué)學(xué)報(bào), 2002, 28(1)∶ 55－58.

［10］ 王慶, 劉琨, 張志超.基于BP神經(jīng)網(wǎng)絡(luò)的知識(shí)員工-崗位匹配測(cè)評(píng)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(jīng)網(wǎng)絡(luò)的國(guó)際黃金價(jià)格預(yù)測(cè)模型［J］.商場(chǎng)現(xiàn)代化, 2008, (27)∶ 26.

［12］ 王志城, 汪新, 戴卿.基于BP神經(jīng)網(wǎng)絡(luò)的變形監(jiān)測(cè)數(shù)據(jù)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(shù)方面的研究。1035931667@qq.com