碟式太阳能集热器出口空气温度预测研究

南京工程学院 ■ 孟珊珊郑健 吴昊

碟式太阳能集热器出口空气温度预测研究

南京工程学院 ■ 孟珊珊*郑健 吴昊

提出使用BP神经网络对碟式太阳能出口介质温度进行预测。为提高BP算法的预测精度，采用遗传算法优化BP神经网络模型，建立基于GABP和实际数据结合的碟式太阳能温度预测模型进行预测，并通过Matlab仿真验证了该预测模型和策略的可行性和有效性。

碟式太阳能；出口蒸汽温度；BP算法；Matlab

0　引言

太阳能作为一种清洁、可再生的能源，利用太阳能发电，尤其是光热发电，已成为解决能源短缺、温室效应及环境污染等问题的重要技术［1］。碟式太阳能热发电系统采用抛物面镜聚光装置，将太阳直射光聚焦在抛物面焦点处的集热器上，加热流过集热器受热面的水或其他工作介质，产生高温高压蒸汽推动发电机组发电。由于太阳的辐照强度具有较大的随机性和不可控性，它既会随云层的影响而变化，也会随季节的变换而变化［2］。因此，集热器出口蒸汽温度的稳定性是碟式太阳能热发电系统安全可靠运行的重要控制目标，预测太阳能集热器出口温度显得尤为重要。

对于碟式太阳能集热器出口空气温度预测策略的研究，国内公开发表的研究成果不多。神经网络具有学习与适应不确定系统的动态特性和较强的鲁棒性及容错性等特点，可以充分逼近复杂的非线性映射［3］。BP(Back Propagation)神经网络(多层前馈神经网络)是目前运用最为广泛和成功的神经网络之一，是一种多层网络的“逆推”算法［4］。BP 模型已成为神经网络的重要模型之一，由于其结构简单、易于编程［5］，所以本文提出用BP神经网络模型对碟式太阳能集热器出口空气温度进行预测。

1　实验系统

1.1实验装置

本文的实验装置采用单碟聚光加热位于焦点处的集热器，如图1所示，碟式太阳能聚光器的反射面积约12 m2。该实验装置采用闭环跟踪方法进行跟踪，正常情况下自动跟踪太阳的精度不大于0.2°；空气出口温度根据空气流量和空气集热器性能等特性决定；对应的集热器最高耐温不小于800 ℃，能提供最大热功率约2 kW。

本实验装置的集热器因条件限制，采用高温空气换热器，结构简单，使用空气作为介质，直接加热空气，换热效率高。针对集热器出口温度影响因素多、难以精确控制的特点，很难找出其具体的数学模型，因此很难获取稳定的集热器出口温度。应用神经网络算法对集热器出口温度进行预测，作为预测模型(系统辨识)结合控制理论，可实现集热器出口温度的稳定控制。

图1　碟式太阳能装置

1.2实验装置工作原理

本实验装置通过四象限太阳光探测器检测光照强度的差异，将光强信号通过传感器硬件电路转换为电压信号传送给单片机，单片机根据相应的光强信号进行实时判断，输出信号驱动步进电机运转，实时跟踪太阳。太阳光照射在聚光碟上，聚光碟将太阳辐射聚焦到集热器上；同时，风机将冷空气通过空气管道输送到集热器的受热面，冷空气吸热，温度上升，碟式太阳能高温高压出口空气温度输出。实验装置的工作过程如图2所示。

图2　碟式太阳能加热系统

1.3数据采集系统

测试系统是为空气集热器出口温度的预测研究获取训练和验证数据。系统布置了4个温度测点、1个流量测点和1个太阳辐照度测点：在风机出口处布置2个热电偶，测量进入集热器的冷空气温度；在集热器出口处布置2个热电偶，测量从集热器出来的热空气温度；在风机出口处布置1个流量计，测量进入集热器空气流量；在聚光碟上布置1个太阳能辐照仪，测量太阳辐照度。温度测试系统选择4支K型铠装热电偶为温度传感器，测试范围为0～1200 ℃，连接到数据采集仪上读取数据。太阳辐射强度采用GHFSRS-1500辐照度传感器，其对弱光也较敏感。

以上数据每隔30 s采集1次，风机出口的2个温度测点采集的数据取平均值，集热器出口的2个温度测点也取平均值。

2　BP学习算法原理

BP学习算法基本采用梯度下降法调整权值、减小误差。其学习过程分为正向和反向传播两个阶段［6］：正向传播过程是将输入信息通过输入层，经过隐含层逐层处理并传向输出层，若输出层的实际输出与期望输出不符，则进入反向传播过程，将输出层产生的误差信号经隐含层向输入层传播；按照梯度下降原则对各层的权值和阈值进行误差校正，使得输出值满足一定的精度要求，网络的全局误差趋向于最小值［7］。

如图3所示，p是指第p个样本，输入层有n个神经元，输入层经过隐含层输出m个输出向量，隐含层有q个神经元；输入层神经元i与隐含层神经元j之间的连接权值为vij，阈值为θij，j=1,2,··,m；隐含层神经元j与输出层神经元k之间的连接权值为ωjk，阈值为θjk，k=1,2,··,q［8］。

图3　BP网络结构

2.1正向传播过程

隐含层的输入为：

隐含层的输出为：

输出层的输入为：

输出层的输出为：

2.2反向传播过程

每个样本误差为：

式中，Ep的p是指第p个样本；tk为期望输出值；ok为计算输出值。

总样本误差为：

式中，η指学习率。

隐层权值的调整：

输出层阈值的调整：

3　基于遗传算法的BP神经网络预测

3.1BP神经网络模型的建立

BP 神经网络由输入层、隐含层和输出层组成。网络输入样本为三维的输入向量(大气温度、空气流量和太阳辐照度)，即输入层一共有3个神经元［9］。目前人们认为二进制分类或判决边界问题，1个隐含层已足够［10］，因此本文选择1个隐含层。隐含层的神经元个数很难确定，测试时选取25个样本进行测试，寻找误差最小的，最后选择神经元个数为20个。网络输出层神经元个数为 1 个(空气出口温度)。

综上所述，本文采取 3 层 BP 神经网络来建立碟式太阳能集热器出口温度的预测模型［11］。输入层有3个节点，隐含层的节点个数为 8 个，输出层节点数为 1 个。此神经网络结构图见图4。

图4　预测控制模型的BP网络结构

3.2遗传算法优化BP神经网络——GABP算法

为了提高BP算法的预测精度，采用遗传算法优化BP 神经网络进行预测。遗传算法具有优秀的全局搜索能力，可优化BP算法，在不断迭代后可得到最优解。图5为GABP算法流程图，首先遗传算法初始化种群，计算个体评价函数；按概率值选择网络个体，对个体进行交叉操作产生新个体；计算新评价函数，得到遗传算法的优化初值，作为BP算法的初始权值；再采用 BP 神经网络算法进行训练，得到满足的精度［12］。

4　仿真分析

为了比较GABP神经网络与BP神经网络之间的差异，分别采用两种方法建立碟式太阳能集热器出口空气温度预测 BP 神经网络模型［7］。

BP神经网络的主要参数为：学习率取0.01，目标误差设为0.0001，最大训练次数为100。遗传算法的主要参数为：进化迭代次数为10，种族规模为50，选择概率Ps取0.09，交叉概率Pc取0.1，变异概率Pm取0.3。选取1000组项目的相关数据作为训练样本和测试样本，直到误差小于目标误差，系统停止训练；将归一化处理过的样本数据代入已训练的网络进行仿真模拟，运算结果进行反归一化处理，最后得到预测值。表1给出了25个样本数据以供参考。

图5　GABP网络流程图

将表1中的样本训练网络构建模型，通过遗传算法对BP神经网络的权值和阈值进行优化。图6～图8分别为出口空气温度与大气温度、空气流量、太阳辐照度之间的变化规律曲线。可以看出，3个输入量是非线性关系。对预测模型进行Matlab仿真，得到GABP模型训练过程中的适应度曲线和GABP模型预测曲线，如图9、图10所示。由图9可知，终止代数取10时，预测效果最好，因此遗传算法的终止代数取10；在进化代数为6时，适应度停止变化，即该过程收敛。将其与BP模型预测算法比较，对BP网络模型进行Matlab仿真，如图11所示。由图10和图11可知，GABP预测数据逼近于实际数据；而BP预测曲线没有很好逼近期望曲线，预测精度并不高，预测效果没有GABP仿真效果好。

图6　出口空气温度与空气流量、太阳辐照度之间的变化规律曲线

图7　出口空气温度和大气温度、太阳辐照度之间的变化规律曲线

图8　出口空气温度和大气温度、空气流量之间的变化规律曲线

图9　遗传算法的平均适应度曲线

图10　GABP预测数据与实际数据输出图形

图11　BP预测数据与实际数据输出图形

为了更直观地看出两种算法预测精度的差别，如表2所示，定量给出了两种算法的误差分析。从表2可知，GABP的总体预测误差率小于BP预测的误差率。由此可计算得：GABP的平均误差率为-0.38%；BP的平均误差率为2.99%。

表2　预测误差分析表

5　结论与展望

碟式太阳能集热器可以接管道、储热水箱用作太阳能热水器；也可接汽轮机，使集热器出口高温高压蒸汽直接推动汽轮机发电等，恒定的高温高压蒸汽输出成为汽轮发电机的直接需要。本文提出的自适应遗传算法优化BP神经网络的预测模型(即GABP算法的预测模型)，结合了实际数据，对碟式太阳能出口介质温度进行预测，通过Matlab 进行仿真验证。实验结果表明，GABP算法的预测模型比BP算法更能准确地预测集热器出口温度的变化规律，验证了预测模型与策略的可行性与有效性。本研究为碟式太阳能集热器出口温度的稳定预测提供了一种策略，可应用于系统辨识，解决碟式系统集热器出口温度难以精确控制的问题，提高碟式系统的稳定性和利用效率。

从仿真结果可看出，实验预测误差可以调整的更小，算法还需要更加优化，使出口温度的预测精度更高。

［1］ 陈昕, 范海涛.太阳能光热发电技术发展现状［J］.能源与环境, 2012, (1)∶ 90－92.

［2］ 郭苏, 刘德有, 张耀明, 等.循环模式DSG槽式太阳能集热器出口蒸汽温度控制策略研究［J］.中国电机工程学报, 2012, (20)∶ 62－68.

［3］ 杨红, 高月芳, 罗飞, 等.采用自适应自回归小波神经网络的单步预测控制［J］. 信息与控制, 2010, 39(5)∶ 553－558.

［4］ 王学斌, 陈全. 人工神经元网络在安全事故趋势预测中的应用［J］. 天津理工大学学报, 2011, 27(3)∶ 81－83.

［5］ 崔东文. 基于改进BP神经网络模型的云南文山州水资源脆弱性综合评价［J］.长江科学院院报, 2013, 30(3)∶ 1－7.

［6］ 卢志耀.神经网络预测编码器的设计及应用［J］.山西电子技术, 2009, (2)∶ 29－31.

［7］ 陈秋玲, 薛玉春, 肖璐.金融风险预警∶评价指标、预警机制与实证研究［J］.上海大学学报(社会科学版), 2009, 16(5)∶127－144.

［8］ 肖国清, 刘英学, 陈宝智, 等.煤体注水湿润半径预测的神经网络模型［J］.中国安全科学学报, 2002, 12(4)∶ 19－22.

［9］ 冯玉海, 沈本贤, 高晋生.微晶蜡非催化氧化反应的神经网络模型［J］.华东理工大学学报, 2002, 28(1)∶ 55－58.

［10］ 王庆, 刘琨, 张志超.基于BP神经网络的知识员工-岗位匹配测评研究［J］.科技管理研究, 2009, 29(10)∶ 294－295.

［11］ 顾孟钧, 张志和, 陈友.基于BP神经网络的国际黄金价格预测模型［J］.商场现代化, 2008, (27)∶ 26.

［12］ 王志城, 汪新, 戴卿.基于BP神经网络的变形监测数据处理［J］.轻工科技, 2013, (11)∶ 25－86.

2016-03-26

孟珊珊(1990—)，女，硕士，主要从事新能源技术方面的研究。1035931667@qq.com