基于bp神经网络模型的csp辐射与热能预测方法
基于bp神经网络模型的csp辐射与热能预测方法
【专利摘要】本发明公开了一种基于BP神经网络模型的CSP辐射与热能预测方法，具体包括以下步骤：选取CSP辐射与热能的影响因素，确定输入输出样本，构造BP神经网络模型，利用输入输出样本训练BP神经网络，得到训练后的BP神经网络，所选取影响因素的实际数据预处理后作为测试输入数据，输入训练后的BP神经网络，即可得到辐射预测值和热能预测值。该预测方法效率高，预测数据精准，提高了光热发电系统的安全稳定运行和经济性。
【专利说明】基于BP神经网络模型的CSP辐射与热能预测方法
【技术领域】
[0001]本发明涉及光热发电领域，尤其是指一种CSP (聚焦式太阳能发电)辐射与热能预测方法。
【背景技术】
[0002]CSP光热发电站是太阳能收集技术、常规汽轮发电机技术、控制技术、信息技术的集合体。它将太阳辐射通过反光镜反射汇聚到吸热器。太阳能吸热器吸收太阳辐射能量后可以直接将热能用于发电(产生蒸汽推动汽轮发电机发电)，也可以将热能储存在蓄热介质中，在没有太阳光照的时段再利用蓄热进行发电。
[0003]CSP光热发电站能够收集到多少太阳能受理论太阳辐射强度(未受地球大气层影响的太阳辐射)、云量、大气透明度、镜面效率等多重因素影响。太阳辐射具有间歇性和波动(随机)性，这两个特性取决于地球的赤纬角和大气透明度、气象条件变化等因素。因此光热发电的集热过程具有一定的不确定性，是一个不可控源，其发电的随机性会影响光热发电系统的安全、稳定、经济运行。因此需要建立科学的太阳辐射、集热、吸热与热能预测方法，提高光热发电系统的安全稳定运行和经济性，使电网可以尽量多的全额收购光热发电(清洁、可再生能源)电量，同时又可以避免由于光热发电的不确定性造成对电网的冲击，获得更大的经济效益和社会效益。
[0004]BP神经网络(Back Propagation Neural Network)是指基于误差反向传播算法的多层前向神经网络，BP神经网络具有良好的非线性函数逼近能力，能够提高预测的精度。
[0005]BP神经网络的误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变换能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
[0006]BP神经网络具有以下特点:能够以任意精度逼近任何非线性映射，实现对复杂系统建模；可以学习和自适应未知信息，如果系统发生了变化可以通过修改网络的联接值而改变预测效果；分布式信息存储与处理结构，具有一定的容错性，因此构造出来的系统具有较好的鲁棒性；多输入、多输出的模型结构，适合处理复杂问题。如果能够将BP神经网络应用在CSP光热发电站的太阳辐射、吸热以及热能预测必将能够提高光热发电站的运行稳定性。
【发明内容】
[0007]本发明需要解决的技术问题是提供一种基于BP神经网络模型的CSP(聚焦式太阳能发电)的辐射与热能预测方法。
[0008]为解决上述技术问题，本发明所采取的技术方案如下:
基于BP神经网络模型的CSP辐射与热能预测方法，具体包括以下步骤:
A.根据CSP辐射与热能预测确定输入向量、输出向量；输入向量为太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置以及镜面角度，输出向量为辐射预测值与热能预测值；
B.根据输入向量、输出向量构造符合CSP辐射与热能预测的BP神经网络模型，并根据实际预测精度要求，设定误差阈值；
C.以所选取的影响因素的历史数据生成输入向量，以所对应时刻的辐射值与热能值的历史数据作为期望输出向量，得到训练样本；将所述输入向量输入所构造的BP神经网络模型得到实际输出向量，即为辐射与热能的预测值；以辐射预测值与辐射期望值的均方根误差、热能预测值与热能期望值的均方根误差作为BP神经网络误差反向传播算法的输入数据，对BP神经网络模型进行循环往复训练，直至输出的预测值与实际值之间的误差小于设定阈值，得到训练后的BP神经网络模型；
D.根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，将测试输入向量输入训练后的BP神经网络模型，其输出为待预测时刻的CSP辐射值与热能值。
[0009]本发明所述步骤B包括:
a)根据输入向量的维数确定BP神经网络的输入层神经元数量为7；
b)根据输出向量的维数确定BP神经网络的输出层神经元数量为2；
c)根据输入层和输出层的神经元数量确定BP神经网络的中间层神经元数量；
d)根据实际预测精度要求，设定误差阈值。
[0010]本发明所述步骤D中的输入向量为已经过预处理的理论太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置、镜面角度等参数。其影响因素包括:太阳位置、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置、镜面角度。
[0011]由于采用了上述技术方案，本发明取得的技术进步如下:
本发明利用BP神经网络良好的非线性逼近能力，提供了一种精准预测CSP辐射与热能的预测方法，应用本发明所述的方法能够提高光热发电系统的安全、稳定、经济运行性能，使电网可以尽量多的全额收购光热发电(清洁、可再生能源)电量，同时又可以避免由于光热发电的不确定性造成对电网的冲击，获得更大的经济效益和社会效益。
[0012]所述输入向量由各影响因素的数据直接生成，但当输入数值存在个别错误值(如观测仪器故障、未知因素干扰等)，会导致计算复杂度升高且计算结果偏差大，影响预测效率。为此，本发明通过对原始样本进行预处理(剔除奇异数值)，来降低预测的计算复杂度，提高预测精度、预测效率以及预测模型的收敛速度，避免由于个别奇异数值造成不必要的预测复杂度增加或预测失败。
【专利附图】
【附图说明】
[0013]图1是本发明的流程图。【具体实施方式】
[0014]下面结合附图对本发明作更进一步详细说明:
本发明是利用人工智能神经网络构建CSP辐射与热能预测方法，利用该方法对CSP光热发电站所收集的太阳辐射能和热能进行预测，为光热发电系统提供可靠数据。
[0015]基于BP神经网络模型的CSP辐射与热能预测方法，其流程图如图1所示，具体包括以下步骤:
A.根据CSP辐射与热能预测确定输入向量、输出向量；输入向量为太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置以及镜面角度，输出向量为辐射预测值与热能预测值。
[0016]B.根据输入向量、输出向量构造符合CSP辐射与热能预测的BP神经网络模型，并根据实际预测精度要求，设定误差阈值，其过程如下:
a)根据输入向量的维数确定BP神经网络的输入层神经元数量，因为本发明中的输入向量为理论太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置、镜面角度，所以将输入层神经元数量设定为7 ；
b)根据输出向量的维数确定BP神经网络的输出层神经元数量，因为本发明中输出向量为热能预测值和辐射预测值，因此将输出层的神经元数量设定为2 ；
c)根据输入层和输出层的神经元数量确定BP神经网络的中间层神经元数量，根据BP神经网络系统的应用经验，将中间神经元的数量设置为4?13，中间神经元的具体数量需要根据实际的预测过程来确定，根据非线性函数的不同复杂程度和不同的预测精度，可以通过反复试验法和经验来确定中间神经元的数量，增加中间层神经元数量可以提高预测精度，但会使训练时间变长；
d)根据实际预测精度要求设定误差阈值:如果预测是为了电网实时运行调度需要提供逐小时发电功率预测则要求预测精度高；如果是为了安排发电机组定期检修维护需要的相对长期的周负荷预测、日负荷预测则预测要求相对精度较低。
[0017]C.以所选取的影响因素的历史数据生成输入向量，以所对应时刻的辐射值与热能值的历史数据作为期望输出向量，得到训练样本；将所述输入向量输入所构造的BP神经网络模型得到实际输出向量，即为辐射与热能的预测值；以辐射预测值与辐射期望值的均方根误差、热能预测值与热能期望值的均方根误差作为BP神经网络误差反向传播算法的输入数据对BP神经网络模型进行循环往复训练，直至输出的预测值与期望值之间的误差小于设定阈值，得到训练后的BP神经网络模型。
[0018]D.根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，将测试输入向量输入训练后的BP神经网络模型，其输出即为待预测时刻的CSP辐射值与热能值。
[0019]在对光热发电辐射和热能进行预测的过程中，影响光热发电辐射与热能的主要因素为太阳辐射强度和镜面效率。太阳辐射强度主要取决于太阳位置、大气透明度、云量的影响。其中，太阳位置由时角(表征地球自转对太阳位置的影响，以正午12点为0，O?12点为负，12?24点为正)和赤纬角(表征地球公转对太阳位置的影响，太阳地球中心连线和地球赤道平面的夹角)决定，时角、赤纬角可以通过天文观测提前预测计算获得，并且可以直接计算得到每天各时刻的理论太阳辐射强度。大气透明度、云量则需要在光热电站建立专用实时气象观测获得，再通过BP神经网络得出理论太阳辐射强度、大气透明度、云量和实际太阳辐射强度的关系。
[0020]镜面效率包括镜面反射效率、镜面清洁度、余弦效率、镜面角度、太阳能接收器开孔效率等等。这几项内容受光热电站的定日镜设计、镜场设计地理位置、太阳能接收器开孔设计等影响。由于光热电站的每面定日镜都处于不同的位置，它们的反射效率、余弦效率、太阳能接收器开孔效率因物理位置不同而各不相同，镜面效率需要针对每面定日镜根据镜面位置、镜面角度分别计算，然后汇总计算得出CSP光热发电站总的镜面效率。
[0021]上述因素综合作用决定了地面光热电站所能接收到的可利用的太阳能量的大小。
[0022]本发明中BP神经网络预测模型的输入数据为已经过预处理的理论太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置、镜面角度等参数；输出数据为辐射预测值与热能预测值。预处理过程即剔除奇异数值，奇异数值是指由于传感器故障或数据采集系统错误引起的输入数据明显偏离正常范围的数值或经判断需要舍弃的错误数据。
[0023]本发明利用BP神经网络良好的非线性逼近能力，提供了一种精准预测CSP辐射与热能的预测方法，应用本发明所述的方法能够提高光热发电系统的安全、稳定、经济运行性倉泛。
【权利要求】
1.基于BP神经网络模型的CSP辐射与热能预测方法，其特征在于具体包括以下步骤: A.根据CSP辐射与热能预测系统的影响因素和所需预测数据确定输入向量和输出向量:输入向量为太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置以及镜面角度，输出向量为CSP辐射预测值与热能预测值； B.根据输入向量、输出向量构造符合CSP辐射与热能预测的BP神经网络模型，并根据实际预测精度要求，设定误差阈值； C.以所选取的影响因素的历史数据生成输入向量，以所对应时刻的辐射值与热能值的历史数据作为期望输出向量，得到训练样本；将所述输入向量输入所构造的BP神经网络模型得到实际输出向量，即为辐射与热能的预测值；以辐射预测值与辐射期望值的均方根误差、热能预测值与热能期望值的均方根误差作为BP神经网络误差反向传播算法的输入数据对BP神经网络模型进行循环往复训练，直至输出的预测值与期望值之间的误差小于设定阈值，得到训练后的BP神经网络模型； D.根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，将测试输入向量输入训练后的BP神经网络模型，其输出即为待预测时刻的CSP辐射值与热能值。
2.根据权利要求1所述的基于BP神经网络模型的CSP辐射与热能预测方法，其特征在于:步骤B包括如下过程: a)根据输入向量的维数确定BP神经网络的输入层神经元数量为7； b)根据输出向量的维数确定BP神经网络的输出层神经元数量为2； c)根据输入层和输出层的神经元数量确定BP神经网络的中间层神经元数量； d)根据实际预测精度要求，设定误差阈值。
3.根据权利要求1所述的基于BP神经网络模型的CSP辐射与热能预测方法，其特征在于:步骤D中的输入向量为已经过预处理的理论太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置以及镜面角度。
【文档编号】G06Q10/04GK103955768SQ201410180819
【公开日】2014年7月30日 申请日期:2014年4月30日 优先权日:2014年4月30日
【发明者】秦初升, 李才永 申请人:河北省电力勘测设计研究院
【专利摘要】本发明公开了一种基于BP神经网络模型的CSP辐射与热能预测方法，具体包括以下步骤：选取CSP辐射与热能的影响因素，确定输入输出样本，构造BP神经网络模型，利用输入输出样本训练BP神经网络，得到训练后的BP神经网络，所选取影响因素的实际数据预处理后作为测试输入数据，输入训练后的BP神经网络，即可得到辐射预测值和热能预测值。该预测方法效率高，预测数据精准，提高了光热发电系统的安全稳定运行和经济性。
【专利说明】基于BP神经网络模型的CSP辐射与热能预测方法
【技术领域】
[0001]本发明涉及光热发电领域，尤其是指一种CSP (聚焦式太阳能发电)辐射与热能预测方法。
【背景技术】
[0002]CSP光热发电站是太阳能收集技术、常规汽轮发电机技术、控制技术、信息技术的集合体。它将太阳辐射通过反光镜反射汇聚到吸热器。太阳能吸热器吸收太阳辐射能量后可以直接将热能用于发电(产生蒸汽推动汽轮发电机发电)，也可以将热能储存在蓄热介质中，在没有太阳光照的时段再利用蓄热进行发电。
[0003]CSP光热发电站能够收集到多少太阳能受理论太阳辐射强度(未受地球大气层影响的太阳辐射)、云量、大气透明度、镜面效率等多重因素影响。太阳辐射具有间歇性和波动(随机)性，这两个特性取决于地球的赤纬角和大气透明度、气象条件变化等因素。因此光热发电的集热过程具有一定的不确定性，是一个不可控源，其发电的随机性会影响光热发电系统的安全、稳定、经济运行。因此需要建立科学的太阳辐射、集热、吸热与热能预测方法，提高光热发电系统的安全稳定运行和经济性，使电网可以尽量多的全额收购光热发电(清洁、可再生能源)电量，同时又可以避免由于光热发电的不确定性造成对电网的冲击，获得更大的经济效益和社会效益。
[0004]BP神经网络(Back Propagation Neural Network)是指基于误差反向传播算法的多层前向神经网络，BP神经网络具有良好的非线性函数逼近能力，能够提高预测的精度。
[0005]BP神经网络的误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变换能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
[0006]BP神经网络具有以下特点:能够以任意精度逼近任何非线性映射，实现对复杂系统建模；可以学习和自适应未知信息，如果系统发生了变化可以通过修改网络的联接值而改变预测效果；分布式信息存储与处理结构，具有一定的容错性，因此构造出来的系统具有较好的鲁棒性；多输入、多输出的模型结构，适合处理复杂问题。如果能够将BP神经网络应用在CSP光热发电站的太阳辐射、吸热以及热能预测必将能够提高光热发电站的运行稳定性。
【发明内容】
[0007]本发明需要解决的技术问题是提供一种基于BP神经网络模型的CSP(聚焦式太阳能发电)的辐射与热能预测方法。
[0008]为解决上述技术问题，本发明所采取的技术方案如下:
基于BP神经网络模型的CSP辐射与热能预测方法，具体包括以下步骤:
A.根据CSP辐射与热能预测确定输入向量、输出向量；输入向量为太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置以及镜面角度，输出向量为辐射预测值与热能预测值；
B.根据输入向量、输出向量构造符合CSP辐射与热能预测的BP神经网络模型，并根据实际预测精度要求，设定误差阈值；
C.以所选取的影响因素的历史数据生成输入向量，以所对应时刻的辐射值与热能值的历史数据作为期望输出向量，得到训练样本；将所述输入向量输入所构造的BP神经网络模型得到实际输出向量，即为辐射与热能的预测值；以辐射预测值与辐射期望值的均方根误差、热能预测值与热能期望值的均方根误差作为BP神经网络误差反向传播算法的输入数据，对BP神经网络模型进行循环往复训练，直至输出的预测值与实际值之间的误差小于设定阈值，得到训练后的BP神经网络模型；
D.根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，将测试输入向量输入训练后的BP神经网络模型，其输出为待预测时刻的CSP辐射值与热能值。
[0009]本发明所述步骤B包括:
a)根据输入向量的维数确定BP神经网络的输入层神经元数量为7；
b)根据输出向量的维数确定BP神经网络的输出层神经元数量为2；
c)根据输入层和输出层的神经元数量确定BP神经网络的中间层神经元数量；
d)根据实际预测精度要求，设定误差阈值。
[0010]本发明所述步骤D中的输入向量为已经过预处理的理论太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置、镜面角度等参数。其影响因素包括:太阳位置、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置、镜面角度。
[0011]由于采用了上述技术方案，本发明取得的技术进步如下:
本发明利用BP神经网络良好的非线性逼近能力，提供了一种精准预测CSP辐射与热能的预测方法，应用本发明所述的方法能够提高光热发电系统的安全、稳定、经济运行性能，使电网可以尽量多的全额收购光热发电(清洁、可再生能源)电量，同时又可以避免由于光热发电的不确定性造成对电网的冲击，获得更大的经济效益和社会效益。
[0012]所述输入向量由各影响因素的数据直接生成，但当输入数值存在个别错误值(如观测仪器故障、未知因素干扰等)，会导致计算复杂度升高且计算结果偏差大，影响预测效率。为此，本发明通过对原始样本进行预处理(剔除奇异数值)，来降低预测的计算复杂度，提高预测精度、预测效率以及预测模型的收敛速度，避免由于个别奇异数值造成不必要的预测复杂度增加或预测失败。
【专利附图】
【附图说明】
[0013]图1是本发明的流程图。【具体实施方式】
[0014]下面结合附图对本发明作更进一步详细说明:
本发明是利用人工智能神经网络构建CSP辐射与热能预测方法，利用该方法对CSP光热发电站所收集的太阳辐射能和热能进行预测，为光热发电系统提供可靠数据。
[0015]基于BP神经网络模型的CSP辐射与热能预测方法，其流程图如图1所示，具体包括以下步骤:
A.根据CSP辐射与热能预测确定输入向量、输出向量；输入向量为太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置以及镜面角度，输出向量为辐射预测值与热能预测值。
[0016]B.根据输入向量、输出向量构造符合CSP辐射与热能预测的BP神经网络模型，并根据实际预测精度要求，设定误差阈值，其过程如下:
a)根据输入向量的维数确定BP神经网络的输入层神经元数量，因为本发明中的输入向量为理论太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置、镜面角度，所以将输入层神经元数量设定为7 ；
b)根据输出向量的维数确定BP神经网络的输出层神经元数量，因为本发明中输出向量为热能预测值和辐射预测值，因此将输出层的神经元数量设定为2 ；
c)根据输入层和输出层的神经元数量确定BP神经网络的中间层神经元数量，根据BP神经网络系统的应用经验，将中间神经元的数量设置为4?13，中间神经元的具体数量需要根据实际的预测过程来确定，根据非线性函数的不同复杂程度和不同的预测精度，可以通过反复试验法和经验来确定中间神经元的数量，增加中间层神经元数量可以提高预测精度，但会使训练时间变长；
d)根据实际预测精度要求设定误差阈值:如果预测是为了电网实时运行调度需要提供逐小时发电功率预测则要求预测精度高；如果是为了安排发电机组定期检修维护需要的相对长期的周负荷预测、日负荷预测则预测要求相对精度较低。
[0017]C.以所选取的影响因素的历史数据生成输入向量，以所对应时刻的辐射值与热能值的历史数据作为期望输出向量，得到训练样本；将所述输入向量输入所构造的BP神经网络模型得到实际输出向量，即为辐射与热能的预测值；以辐射预测值与辐射期望值的均方根误差、热能预测值与热能期望值的均方根误差作为BP神经网络误差反向传播算法的输入数据对BP神经网络模型进行循环往复训练，直至输出的预测值与期望值之间的误差小于设定阈值，得到训练后的BP神经网络模型。
[0018]D.根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，将测试输入向量输入训练后的BP神经网络模型，其输出即为待预测时刻的CSP辐射值与热能值。
[0019]在对光热发电辐射和热能进行预测的过程中，影响光热发电辐射与热能的主要因素为太阳辐射强度和镜面效率。太阳辐射强度主要取决于太阳位置、大气透明度、云量的影响。其中，太阳位置由时角(表征地球自转对太阳位置的影响，以正午12点为0，O?12点为负，12?24点为正)和赤纬角(表征地球公转对太阳位置的影响，太阳地球中心连线和地球赤道平面的夹角)决定，时角、赤纬角可以通过天文观测提前预测计算获得，并且可以直接计算得到每天各时刻的理论太阳辐射强度。大气透明度、云量则需要在光热电站建立专用实时气象观测获得，再通过BP神经网络得出理论太阳辐射强度、大气透明度、云量和实际太阳辐射强度的关系。
[0020]镜面效率包括镜面反射效率、镜面清洁度、余弦效率、镜面角度、太阳能接收器开孔效率等等。这几项内容受光热电站的定日镜设计、镜场设计地理位置、太阳能接收器开孔设计等影响。由于光热电站的每面定日镜都处于不同的位置，它们的反射效率、余弦效率、太阳能接收器开孔效率因物理位置不同而各不相同，镜面效率需要针对每面定日镜根据镜面位置、镜面角度分别计算，然后汇总计算得出CSP光热发电站总的镜面效率。
[0021]上述因素综合作用决定了地面光热电站所能接收到的可利用的太阳能量的大小。
[0022]本发明中BP神经网络预测模型的输入数据为已经过预处理的理论太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置、镜面角度等参数；输出数据为辐射预测值与热能预测值。预处理过程即剔除奇异数值，奇异数值是指由于传感器故障或数据采集系统错误引起的输入数据明显偏离正常范围的数值或经判断需要舍弃的错误数据。
[0023]本发明利用BP神经网络良好的非线性逼近能力，提供了一种精准预测CSP辐射与热能的预测方法，应用本发明所述的方法能够提高光热发电系统的安全、稳定、经济运行性倉泛。
【权利要求】
1.基于BP神经网络模型的CSP辐射与热能预测方法，其特征在于具体包括以下步骤: A.根据CSP辐射与热能预测系统的影响因素和所需预测数据确定输入向量和输出向量:输入向量为太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置以及镜面角度，输出向量为CSP辐射预测值与热能预测值； B.根据输入向量、输出向量构造符合CSP辐射与热能预测的BP神经网络模型，并根据实际预测精度要求，设定误差阈值； C.以所选取的影响因素的历史数据生成输入向量，以所对应时刻的辐射值与热能值的历史数据作为期望输出向量，得到训练样本；将所述输入向量输入所构造的BP神经网络模型得到实际输出向量，即为辐射与热能的预测值；以辐射预测值与辐射期望值的均方根误差、热能预测值与热能期望值的均方根误差作为BP神经网络误差反向传播算法的输入数据对BP神经网络模型进行循环往复训练，直至输出的预测值与期望值之间的误差小于设定阈值，得到训练后的BP神经网络模型； D.根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，将测试输入向量输入训练后的BP神经网络模型，其输出即为待预测时刻的CSP辐射值与热能值。
2.根据权利要求1所述的基于BP神经网络模型的CSP辐射与热能预测方法，其特征在于:步骤B包括如下过程: a)根据输入向量的维数确定BP神经网络的输入层神经元数量为7； b)根据输出向量的维数确定BP神经网络的输出层神经元数量为2； c)根据输入层和输出层的神经元数量确定BP神经网络的中间层神经元数量； d)根据实际预测精度要求，设定误差阈值。
3.根据权利要求1所述的基于BP神经网络模型的CSP辐射与热能预测方法，其特征在于:步骤D中的输入向量为已经过预处理的理论太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置以及镜面角度。
【文档编号】G06Q10/04GK103955768SQ201410180819
【公开日】2014年7月30日 申请日期:2014年4月30日 优先权日:2014年4月30日
【发明者】秦初升, 李才永 申请人:河北省电力勘测设计研究院
最新回复(0)