| K-means结合RBF神经网络预测线性菲涅尔集热回路出口熔盐温度 |
| |
| 引用本文： | 张志勇,路小娟,孔令刚,范多进,姚小明.K-means结合RBF神经网络预测线性菲涅尔集热回路出口熔盐温度[J].农业工程学报,2021,37(3):213-222. |
| |
| 作者姓名： | 张志勇 路小娟 孔令刚 范多进 姚小明 |
| |
| 作者单位： | 1. 兰州交通大学光热储能综合能源系统工程研究中心，兰州 730070; 2. 兰州交通大学光电技术与智能控制教育部重点实验室，兰州 730070;;3. 兰州交通大学自动化与电气工程学院，兰州 730070; |
| |
| 基金项目： | 国家能源局项目（国新能源[2016]223）；甘肃省省列重大项目（[2015]236）；地区科学基金项目（51667013）；甘肃省科技重大专项（20ZD7GF011） |
| |
| 摘 要： | 线性菲涅尔集热回路出口熔盐温度控制具有扰动多、非线性及滞后的特点,出口熔盐温度的稳定控制可以极大的提高汽轮机组的发电效率,降低换热系统的调节难度、减少传储热设备的冷热冲击,提高系统使用寿命。针对传统数学模型预测线性菲涅尔集热回路出口熔盐温度精度低、计算复杂等问题,通过分析线性菲涅尔集热回路传热模型,确定影响集热回路出口熔盐温度的主要因素,建立基于K-means方法的RBF(Radial Basis Function)神经网络温度预测模型,应用均值聚类算法对输入样本信息进行分析,确定各聚类的数据中心,隐含层基函数扩展常数采用梯度下降的方法在训练过程中循环调整确定,基函数输出的网络权值采用伪逆矩阵的方式获得。通过大量实测数据训练网络,得出当隐层节点数为30时可获得相对较小的平均绝对百分误差和相对较小的最大绝对误差,选取4 d的实测数据对网络模型预测性能进行仿真测试,网络预测输出最大绝对误差MRERR(MaximumabsoluteError)为121.23℃,最大平均绝对百分误差MAPE(Maximum mean Absolute Percentage Error)为3.576 2×10-4%,仿真结果显示该模型可以有效实现线性菲涅尔集热回路出口熔盐温度预测输出。将预测模型应用于敦煌50MW熔盐线性菲涅尔式光热示范电站的实际运行中,通过预测算法指导电站集热回路出口温度的预测控制。
|
| 关 键 词： | 温度 预测 太阳能 RBF神经网络 线性菲涅尔 |
| 收稿时间： | 2020/8/29 0:00:00 |
| 修稿时间： | 2021/1/7 0:00:00 |
Predicting molten salt temperature at the circuit outlet of Linear Fresnel heat collector using K-means combined with RBF neural network |
| |
| Zhang Zhiyong,Lu Xiaojuan,Kong Linggang,Fan Duojin,Yao Xiaoming.Predicting molten salt temperature at the circuit outlet of Linear Fresnel heat collector using K-means combined with RBF neural network[J].Transactions of the Chinese Society of Agricultural Engineering,2021,37(3):213-222. |
| |
| Authors: | Zhang Zhiyong Lu Xiaojuan Kong Linggang Fan Duojin Yao Xiaoming |
| |
| Institution: | 1. Engineering Research Center for Photothermal Energy Storage Integrated Energy System, Lanzhou Jiaotong University, Lanzhou 730070, China; 2. Key Laboratory of Opto-Technology and Intelligent Control Ministry of Education, Lanzhou Jiaotong University, Lanzhou 730070, China;;3. School of Automation and Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China; |
| |
| Abstract: | |
| |
| Keywords: | temperature prediction solar energy RBF neural network Linear Fresnel |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《农业工程学报》浏览原始摘要信息 |
| 点击此处可从《农业工程学报》下载免费的PDF全文 |
|
