基于GA‑RBF的碟式太阳能集热器出口温度预测方法技术

本发明专利技术提供一种基于GA‑RBF的碟式太阳能集热器出口温度预测方法，利用大气温度、湿度、太阳辐照和空气流速的历史数据，将历史数据归一化，构建训练样本；构建RBF人工神经网络；利用遗传算法对RBF人工神经网络参数初始值优化；运用梯度下降法对训练样本进行学习，训练得出RBF人工神经网络的网络权值W、高斯函数中心向量C和基宽向量B；利用训练好的RBF人工神经网络预测模型，实现对碟式太阳能集热器出口温度的预测。本发明专利技术有效地获取碟式太阳能集热器出口温度相关因素数据，同时运用遗传算法和梯度法对RBF人工神经网络的参数进行了优化，具有较高的学习效率和预测精度。

Dish solar GA RBF set outlet temperature prediction method based on heat exchanger

The invention provides a set of heat exchanger outlet temperature prediction method of disc type solar GA RBF based on the historical data of air temperature, humidity, solar radiation and air velocity by the historical data will be normalized to construct training samples to construct RBF; artificial neural network; genetic algorithm to the initial RBF artificial neural network parameter optimization; by using the gradient descent method is applied to learn the training samples, training the artificial neural network RBF network weights W, C and Gauss function center vector base width vector B; prediction model using the trained RBF neural network, prediction of outlet temperature of heat exchanger on solar dish set. The invention can effectively obtain disc type solar heat exchanger outlet temperature related data, and by using the genetic algorithm and the gradient method of RBF artificial neural network parameters are optimized, the learning efficiency and has high prediction accuracy.

【技术实现步骤摘要】

本专利技术涉及一种基于GA-RBF的碟式太阳能集热器出口温度预测方法。
技术介绍
集热器出口温度是影响碟式太阳能热发电系统稳定和效率的重要因素，对其正确的预测可以很好的掌握碟式系统的性能。准确预测碟式系统集热器出口温度是一项艰巨而复杂的工作，目前国内对其的研究较少。由于碟式太阳能集热器出口温度受气温、气压、太阳辐照等天气状况的综合影响，普遍存在高度的非线性、随机性和复杂性。因此，存在着碟式太阳能集热器出口温度建模难度大，预测不准对碟式太阳能发电带来困难的问题。上述问题是在太阳能集热器出口温度预测的过程中应当予以考虑并解决的问题。
技术实现思路
本专利技术的目的是提供一种基于GA-RBF的碟式太阳能集热器出口温度预测方法，具有更高精度和泛化能力更好，解决现有技术中存在的碟式太阳能集热器出口温度建模难度大，预测不准而对碟式太阳能发电带来的困难的问题。本专利技术的技术解决方案是：一种基于GA-RBF的碟式太阳能集热器出口温度预测方法，包括以下步骤：步骤1、利用大气温度、湿度、太阳辐照和空气流速的历史数据，将历史数据归一化，构建集热器出口温度训练样本；步骤2、根据步骤1转换得到的集热器出口温度训练样本，构建基于GA-RBF人工神经网络预测模型，确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出层神经元个数；步骤3、利用遗传算法对RBF人工神经网络参数初始值优化，获得RBF人工神经网络预测模型的初始参数值，其中，RBF人工神经网络参数包括网络权值W、高斯函数中心向量C和基宽向量B；步骤4、利用步骤3优化好的RBF人工神经网络预测模型的初始参数值，带入RBF人工神经网络预测模型，运用梯度下降法对集热器出口温度训练样本进行学习，训练得出RBF人工神经网络的网络权值W、高斯函数中心向量C和基宽向量B；步骤5、利用训练好的RBF人工神经网络预测模型，实现对碟式太阳能集热器出口温度的预测。进一步地，步骤1中，对大气温度、湿度、太阳辐照和空气流速的历史数据进行线性变换，通过最大最小值进行归一化处理，具体为：找出大气温度、湿度、太阳辐照度和空气流速的M组历史数据，每个历史数据都是碟式系统每隔若干秒记录一次的对应数据；选取前面N组数据作为训练数据，后面(M-N)组数据作为测试数据；然后将该M组历史数据进行归一化处理，归一化公式为： X ′ = X - m i n ( X ) m a x ( X ) - m i n ( X ) ]]>其中，max(x)和min(x)分别为样本最大值和最小值，X'为归一化后的数据。进一步地，在步骤2中，需要确定RBF人工神经网络模型的结构，利用样本输入输出的个数确定输入层和输出层神经元的个数，再利用经验公式求得隐含层神经元个数。进一步地，步骤2中，确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出层神经元个数，具体为：输入层神经元个数为出口温度相关因素的个数；输出层神经元个数即温度；隐含层神经元个数根据Hecht-Nielsen的经验公式确定隐含层神经元的个数，公式为： h = 2 * n + p 2 + 2 - 1 ]]>此公式所得值向上取整数，其中，h为隐含层神经元个数，n为输入层神经元个数，p为输出层神经元个数。进一步地，步骤3的具体步骤如下：3.1、编码，生成初始种群；3.2、确定评价函数，采用误差绝对值指标作为参数选择的最小目标函数，即 J = 100 Σ i = 1 N | e ( i ) | ]]>式中，N为逼近的总步骤，e(i)为第i步RBF网络的逼近误差；3.3、执行遗传操作，选择操作采用排序选择方法，根据每个个体适应度值的大小，由小到大排列，然后根据每个个体的适应度值的大小，按照适应度比例选择法计算个体的选择概率；交叉操作采用单点交叉，变异操作采用均匀变异；然后计算当前群体中每个染色体的适应度值，找出当前最优适应度值的个体，反复迭代，直到满足条件为止；若达不到条件，则以指定的最大遗传代数为终止计算准则；3.4、获得RBF人工神经网络的初始参数值。进一步地，步骤3.1具体为，使用实数编码，即一个实数直接作为一个染色体的一个基因；编码串由3部分组成：隐含层与输出层连接权值、隐含层的高斯函数中心向量C和基宽向量B；将这些网络参数级联起来形成一个实数数组，作为遗传算法的一个染色体。进一步地，步骤4的具体步骤如下：4.1、给RBF人工神经网络预测模型赋予步骤3得到的初始参数值；4.2、计算RBF人工神经网络的第j个输出，表示为： y j = Σ j = 1 h w j Φ j ( | | x - c j | | ) ]]>其中Φj为高斯函数；wj为第j个隐含层与输出层间的权值；cj为第j个隐含层的高斯函数中心向量；x为网络输入；4.3、修正RBF人工神经网络的隐含层与输出层的权值W和隐含层的高斯函数中心向量C、基宽向量B；4.4、判断误差指标，是否满足要求，ek为输入第k个训练样本所得结果与期望结果之间的误差；如误差指标满足要求，进行步骤4.5；如误差指标不满足要求，返回步骤4.2继续学习计算，直到误差满足要求；4.5、得到最终确定的网络权值W、高斯函数中心向量C和基宽向量B。进一步地，步骤4.3中，隐含层与输出层间的权值W修正公式： w ( n + 1 ) = 本文档来自技高网...

【技术保护点】
一种基于GA‑RBF的碟式太阳能集热器出口温度预测方法，其特征在于，包括以下步骤：步骤1、利用大气温度、湿度、太阳辐照和空气流速的历史数据，将历史数据归一化，构建集热器出口温度训练样本；步骤2、根据步骤1转换得到的集热器出口温度训练样本，构建基于GA‑RBF人工神经网络预测模型，确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出层神经元个数；步骤3、利用遗传算法对RBF人工神经网络参数初始值优化，获得RBF人工神经网络预测模型的初始参数值，其中，RBF人工神经网络参数包括网络权值W、高斯函数中心向量C和基宽向量B；步骤4、利用步骤3优化好的RBF人工神经网络预测模型的初始参数值，带入RBF人工神经网络预测模型，运用梯度下降法对集热器出口温度训练样本进行学习，训练得出RBF人工神经网络的网络权值W、高斯函数中心向量C和基宽向量B；步骤5、利用训练好的RBF人工神经网络预测模型，实现对碟式太阳能集热器出口温度的预测。

【技术特征摘要】
1.一种基于GA-RBF的碟式太阳能集热器出口温度预测方法，其特征在于，包括以下步骤：步骤1、利用大气温度、湿度、太阳辐照和空气流速的历史数据，将历史数据归一化，构建集热器出口温度训练样本；步骤2、根据步骤1转换得到的集热器出口温度训练样本，构建基于GA-RBF人工神经网络预测模型，确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出层神经元个数；步骤3、利用遗传算法对RBF人工神经网络参数初始值优化，获得RBF人工神经网络预测模型的初始参数值，其中，RBF人工神经网络参数包括网络权值W、高斯函数中心向量C和基宽向量B；步骤4、利用步骤3优化好的RBF人工神经网络预测模型的初始参数值，带入RBF人工神经网络预测模型，运用梯度下降法对集热器出口温度训练样本进行学习，训练得出RBF人工神经网络的网络权值W、高斯函数中心向量C和基宽向量B；步骤5、利用训练好的RBF人工神经网络预测模型，实现对碟式太阳能集热器出口温度的预测。2.如权利要求1所述的基于GA-RBF的碟式太阳能集热器出口温度预测方法，其特征在于，步骤1中，对大气温度、湿度、太阳辐照和空气流速的历史数据进行线性变换，通过最大最小值进行归一化处理，具体为：找出大气温度、湿度、太阳辐照度和空气流速的M组历史数据，每个历史数据都是碟式系统每隔若干秒记录一次的对应数据；选取前面N组数据作为训练数据，后面(M-N)组数据作为测试数据；然后将该M组历史数据进行归一化处理，归一化公式为： X ′ = X - m i n ( X ) m a x ( X ) - m i n ( X ) ]]>其中，max(x)和min(x)分别为样本最大值和最小值，X'为归一化后的数据。3.如权利要求1所述的基于GA-RBF的碟式太阳能集热器出口温度预测方法，其特征在于，在步骤2中，需要确定RBF人工神经网络模型的结构，利用样本输入输出的个数确定输入层和输出层神经元的个数，再利用经验公式求得隐含层神经元个数。4.如权利要求3所述的基于GA-RBF的碟式太阳能集热器出口温度预测方法，其特征在于，步骤2中，确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出层神经元个数，具体为：输入层神经元个数为出口温度相关因素的个数；输出层神经元个数即温度；隐含层神经元个数根据Hecht-Nielsen的经验公式确定隐含层神经元的个数，公式为： h = 2 * n + p 2 + 2 - 1 ]]>此公式所得值向上取整数，其中，h为隐含层神经元个数，n为输入层神经元个数，p为输出层神经元个数。5.如权利要求1-4任一项所述的基于GA-RBF的碟式太阳能集热器出口温度预测方法，其特征在于，步骤3的具体步骤如下：3.1、编码，生成初始种群；3.2、确定评价函数，采用误差绝对值指标作为参数选择的最小目标函数，即 J = 100 Σ i = 1 N | e ( i ) | ]]>式中，N为逼近的总步骤，e(i)为第i步RBF人工神经网络的逼近误差；3.3、执行遗传操作，选择操作采用排序选择方法，根据每个个体适应度值的大小，由小到大排列，然后根据每个个体的适应度值的大小，按照适应度比例选择法计算个体的选择概率；交叉操作采用单点交叉，变异操作采用均匀变异；然后计算当前群体中每个染色体的适应度值，找出当前最优适应度值的个体，反复迭代，直到满足条件为止；若达不到条件，则以指定的最大遗传代数为终止计算准则；3.4、获得RBF人工神经网络的初始参数值。6.如权利要求5所述的基于GA-RBF的碟式太阳能集热器出口温度预测方法，其特征在于，步骤3.1具体为，使用实数编码，即一个实数直接作为一个染色体的一个基因；编码串由3部分组成：隐含层与输出层连接权值、隐含层的高斯函数中心向量C和基宽向量B；将这些网络参数级联起来形成一个实数数组，作为遗传算法的一个染色体。7.如权利要求1-4任一项所述的基于GA-RBF的碟式太阳能集热器出口温度预测方法，其特征在于，步骤4的具体步骤如下：4.1、给RBF人工神经网络预测模型赋予步骤3得到的初始参数值；4.2、计算RBF人工神经网络的第j个输出，表示为： y j = Σ j = 1 h w j Φ j ( | | x - c j | | ) ]]>其中Φj为高斯函数；wj为第j个隐含层与输出层间的权值；cj为第j个隐含层的高斯函数中心向量；x为网络输入；4.3、修正RBF人工神经网络的隐含层与输出层的权值W和隐含层的高斯函数中心向量C、基宽向量B；4.4、判断误差指标：是否满足要求，ek为输入第k个训练样本所得结果与期望结果之间的误差；如误差指标满足要求，进行步骤4.5；如误差指标不满足要求，返回步骤4.2继续学习计算，直到误差满足要求；4.5、得到最终确定的RBF人工神经网络权值W、高斯函数中心向量C和基宽向量B。8.如权利要求7所述的基于GA-RBF的碟式太阳能集热器出口温度预测方法，其特征在于：步骤4.3中，隐含层与输出层的权值W修正公式： w ( n + 1 ) = w i ( n ) - η ∂ E ( n ) ∂ w i ( n ) = w i ( n ) - η Σ j = 1 N e j Φ i ( X j ) ]]>隐含层的高斯函数中心向量C修正公式： c ( n + 1 ) = c i ( n ) - ...

【专利技术属性】
技术研发人员：郑健，颜辉，吴昊，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32