用于掩日通量遥测的太阳跟踪系统的制作方法

本发明属于大气监测技术领域，具体涉及一种用于掩日通量遥测的太阳跟踪系统。

背景技术：

太阳能跟踪系统用于太阳能发电和监测大气时的光谱采集分析系统。用于太阳能发电的太阳跟踪系统目前的主流方式是采用双轴全自动跟踪系统，俯仰轴用于调整太阳能板的俯仰角，方位轴用于控制太阳能板跟踪太阳方位角的变化，根据天文学算法得到的某时某地太阳位置信息，并将此作为控制信号调整太阳能板的状态。sof(红外掩日通量检测)系统主要由太阳跟踪系统和光谱仪两大模块组成，其中，太阳跟踪是系统直接决定了光谱仪入射光通量的大小，进而影响光谱的质量，最终得到的待测组份的柱浓度和排放通量不仅与反演算法有关，更是由光谱质量直接决定，只有高信噪比的光谱才能得到更准确地柱浓度和排放通量信息。bruker公司生产的em27/sun光谱仪采用以相机为反馈系统的太阳跟踪系统，将ccd放置在入射光阑附近，用于拍摄入射口附近光斑的像，根据图像分析算法监测边缘灰度梯度，控制电机运转，增加入射通量。但是这两种跟踪系统仅适用于定点仪器，对车载式sof而言跟踪速度和精度远远不能满足要求。

技术实现要素：

本发明的目的是提供一种能够用于车载掩日通量遥测设备的太阳跟踪系统。

为实现上述目的，本发明提供了以下技术方案：一种用于掩日通量遥测的太阳跟踪系统，包括光谱仪和光学组件，所述光学组件能够利用反射或折射将太阳光导入光谱仪内，所述光学组件包括第一反射镜和第二反射镜，其中第一反射镜是用于接受太阳光的第一道光学组件，太阳光依次经第一、第二反射镜反射后变为竖直光束，该竖直光束经下游光学组件反射和/或折射后进入光谱仪，所述光谱仪与计算机电连接；第二反射镜的受光区域上开设有一通光孔，穿过该通光孔的太阳光形成一条分支光路，该分支光路经下游光学组件反射和/或折射后投射在psd位置传感器上；所述第一、第二反射镜、psd位置传感器以及psd位置传感器与通光孔之间的光学组件均安装在第一电动转台上，所述第一电动转台的转盘轴线竖直设置，所述第一电动转台上还安装有第二电动转台，所述第二电动转台的转盘轴线水平设置，所述第一反射镜安装在第二电动转台的转盘上；所述psd位置传感器的信号输出端与psd信号处理模块电连接，psd信号处理模块与的信号输出端与计算机电连接，计算机与plc控制模块的信号输入端电连接，所述plc控制模块的信号输出端与电机驱动器电连接，电机驱动器与第一电动转台和第二电动转台的电机的驱动信号输入端电连接。

所述第一电动转台的中心设有供所述竖直光束穿过的通孔，所述第一电动转台的正下方设有倾斜设置的第三反射镜，所述竖直光束经第三反射镜反射后沿水平方向入射到光谱仪内。

所述通光孔与psd位置传感器之间设有抛物面反射镜，所述穿过通光孔的分支光束经抛物面反射镜反射后聚焦至psd位置传感器上。

所述plc控制模块包括cpu、输入/输出模块、存储模块，以及确定编码方案模块、交叉/变异参数选择模块、动量因子/自适应率选择模块、lm算法整定模块、判断模块。

本发明的技术效果在于：本发明采用psd位置传感器检测太阳光的角度，并根据检测数据实时调整掩日通量遥测设备的太阳光接受角度，确保光谱仪的光通量始终维持在最大值，本发明无论是响应速度还是检测精度都远优于现有设备。

附图说明

图1是本发明的系统原理图；

图2是本发明的太阳跟踪系统的功能模块框图；

图3是本发明的电动转台立体结构示意图；

图4是本发明的plc功能模块框图。

具体实施方式

以下结合附图对本发明进行详细的描述。

如图1-3所示，一种用于掩日通量遥测的太阳跟踪系统，包括光谱仪10和光学组件，所述光学组件能够利用反射或折射将太阳光导入光谱仪10内，所述光学组件包括第一反射镜21和第二反射镜22，其中第一反射镜21是用于接受太阳光的第一道光学组件，太阳光依次经第一、第二反射镜21、22反射后变为竖直光束，该竖直光束经下游光学组件反射和/或折射后进入光谱仪10，所述光谱仪10与计算机30电连接；第二反射镜22的受光区域上开设有一通光孔23，穿过该通光孔23的太阳光形成一条分支光路，该分支光路经下游光学组件反射和/或折射后投射在psd位置传感器25上；所述第一、第二反射镜21、22、psd位置传感器25以及psd位置传感器25与通光孔23之间的光学组件均安装在第一电动转台26上，所述第一电动转台26的转盘261轴线竖直设置，所述第一电动转台26上还安装有第二电动转台27，所述第二电动转台27的转盘271轴线水平设置，所述第一反射镜21安装在第二电动转台27的转盘271上；所述psd位置传感器25的信号输出端与psd信号处理模块29电连接，psd信号处理模块29将psd传感器25检测的光斑位置信号转换成坐标信号，psd信号处理模块29与的信号输出端与计算机30电连接，计算机30与plc控制模块31的信号输入端电连接，所述plc控制模块31的信号输出端与电机驱动器32电连接，电机驱动器32与第一电动转台26和第二电动转台27的电机262、272的驱动信号输入端电连接。本发明采用psd位置传感器检测太阳光的角度，并根据检测数据实时调整掩日通量遥测设备的太阳光接受角度，确保光谱仪的光通量始终维持在最大值，本发明无论是响应速度还是检测精度都远优于现有设备。

优选的，所述第一电动转台26的中心设有供所述竖直光束穿过的通孔263，所述第一电动转台26的正下方设有倾斜设置的第三反射镜28，所述竖直光束经第三反射镜28反射后沿水平方向入射到光谱仪10内。

优选的，所述通光孔23与psd位置传感器25之间设有抛物面反射镜24，所述穿过通光孔23的分支光束经抛物面反射镜24反射后聚焦至psd位置传感器25上。

如图4所示，所述plc控制模块31包括cpu311、输入/输出模块313、存储模块312，以及确定编码方案模块314、交叉/变异参数选择模块315、动量因子/自适应学习率选择模块316、lm算法整定模块317、判断模块318。确定编码方案模块314根据样本数据的取值范围和要求的精度用于确定ga编码采用实数编码或是二进制编码一级编码方式。交叉/变异参数选择模块315用于对遗传算法中用于交叉和变异的自适应交叉率和变异率进行计算。动量因子/自适应学习率选择模块316根据误差函数选择和计算用于调整神经网络权值和阈值的动量因子和学习率，结合lm算法整定模块317的用levenberg-marquardt算法寻找全局最小值，在最短的时间内使找到全局最优解，完成神经网络的学习整定过程。判断模块318用于判断ga的迭代次数是否完成和bp神经网络的误差函数是否小于设定的阈值，若ga的迭代次数完成则继续进行交叉变异直至迭代次数，然后进入bp网络的学习过程，当bp网络经过学习整定后，误差函数小于设定的阈值，则整个过程结束，将bp网络的输出值传递给被控对象，完成pid控制。这些模块均集成在松下plc控制器中，plc具体型号为为fp-xhc30t,由16个输入端和14个输出端组成。

本发明的具体控制过程为：当太阳光斑出现在psd位置传感器25的探测面时，psd处理模块将处理好光斑的位置发送给计算机30，计算机30采用串口数据采集程序，得到光斑质心坐标与psd中心点的差值，此即为误差信号此时假定已经过光路调整，使得光斑质心位置与psd中心原点重合时，到达光谱仪10的光通量达到最大值，判断给误差信号是否在误差允许范围内，若在，无需进行调节，反之，则需根据2dofga-bpnn算法进行pid参数的调节。

首先根据二自由度规则中的目标跟踪特性达到最佳为调节目的，调节pid的参数，其次再在此基础上，以抗干扰能力为目的进行参数调节。在调节过程中，计算机30据此误差信号判断电机262、272转动的方向，将此反向信号和误差信号传递给plc控制器，plc控制器确定编码方案，适应度函数及遗传算法的参数，进入神经网络的学习整定过程直到到达设定的迭代次数或整定后的误差函数小于设定的误差阈值，并根据神经网络的输出参数作为pid控制的p，i，d系数，据此参数得到控制信号，将该控制信号传输给电机驱动器32，以驱动电机262、272以控制信号设定的速度转动控制信号设定的速度角度，此时得到的psd上光斑的质心位置与psd中心的差值即在允许范围内，即此次调节过程结束，进入下一调节过程。

上述算法的具体演算过程如下：

步骤1.随机产生2000组数据，其中1500组数据用于训练bp网络，另外500组数据用于测试bp网络，并将数据进行归一化处理；

步骤2.确定bp网络结构

首先确定网络总共为三层：输入层、隐含层、输出层；其中输入层有4个神经元分别为指定输入信号rin(k)，实际输出信号yout(k)，误差量e(k)和常数a；输出层的三个神经元分别对应pid控制的三个参数kp,ki,kd；而隐含层的神经元个数根据经验公式为基础，经过不断地仿真调试，确定隐含层神经元的个数为7个，即bp网络的拓扑结构为4:7:3；

步骤3.初始化bp网络

设置bp网络的权值和阈值初始值以及误差评价函数和误差阈值，并计算在初始值的情况下误差信号是否小于误差阈值，若是，则bp网络无需训练，直接进入测试阶段，否则，进入步骤4)；其中初始值为权值和阈值初值；

步骤4.初始化ga算法的进化次数n、交叉率pc、变异率pm、种群规模m；

步骤5.对含有bp网络初始值的种群进行实数编码，并将适应度函数定义为期望数据与实际输出数据之差；

步骤6.执行ga操作

ga操作包括选择算子、交叉算子、变异算子；其中交叉率pc和变异率pm采用自适应方法求得该种群中适应度最优的个体，然后将适应度最优的个体不经任何交叉、变异操作直接进入下一代种群，即新种群，其他的个体进入下一种群的概率与其在整个种群中的相对适应度成正比；采用的自适应交叉率pc和变异率pm的计算公式为：

其中，α1，α2为两个大于0的常数，pc1,pc2,pm1,pm2为根据经验得出的常数，分别为0.85、0.65、0.1、0.001；favg、fmax、fc'分别为该种群的平均适应度、总适应度、该个体的适应度；

步骤7.灾变判断，计算产生的新种群的总适应度，若连续n代未出现更优秀的个体时，这说明ga算法出现了早熟线程，陷入局部极小值，此时需要进行灾变，杀死当前种群所有优秀的个体，进入一下代。若若干次灾变后，适应度值与未灾变前一样，则停止灾变；若灾变停止或到达设定的灾变次数，则ga算法优化完成，将得到的最优初始权值和阈值传递给bp网络；

步骤8.bp网络训练

根据接收到的ga算法优化后的权值和阈值作为初始值，根据动量-自适应学习率调整初始权值和阈值，并采用levenberg-marquardt算法最优化算法寻找最优的pid参数值；

动量-自适应学习速率调整计算公式为：

β(k+1)＝τ*3^λ*β(k)

其中，β为学习速率因子，λ为梯度方向，τ为学习误差系数；

levenberg‐marquardt算法的计算公式为：

δw＝(j^tj+μi)^-1j^te

其中，e为误差量，j是网络误差度对权值的雅可比矩阵，i为的单位矩阵，μ为比例系数；当μ很大时，即为gauss-newton算法，当μ很小时，接近梯度下降法。

步骤9.当bp网络的误差评价函数小于误差阈值时，则整个bp网络的学习过程完成，然后再用测试数据测试bp网络的学习效果和泛化能力。

现有技术到上述算法的演变过程如下：

二自由度

pid控制系统的控制指标主要有：外扰抑制作用和目标跟踪特性，在采用一自由度控制时，两者呈现相反的变化趋势，不同同时达到最优性能。二自由度pid(twodegreeoffreedompid,2dofpid)控制就是使目标跟踪特性为最优和外扰抑制特性为最优的pid参数分别进行整定，使整个控制系统的性能达到最佳。

在采用2dofpid控制时，需满足易懂，结构简单，与传统技术有较好的结合性且能继承其技术成果的要求。在对于太阳跟踪器的控制回路中，采用目标值滤波器型的2dofpid控制。

目标值滤波器h(s)可表示为：

其中，α为比例增益的二自由度化系数(一般0≤α≤1)，β为积分时间的二自由度化系数(一般0≤β＜1)，γ为微分时间的二自由度化系数(一般0≤γ＜2)，1/η为微分增益(一般0.1≤γ≤1)。

采用二自由度化系数可变的方法进行太阳跟踪器的pid控制，调整步骤为：加外扰，调整kp,ki,kd，使外扰抑制特性为最佳；根据chian-hrone-reswick(chr)调整法初步得到α,γ的值，根据工程经验，取β＝0.15；根据目标值的变化量，在设定值附近微调二自由度化系数α,β,γ，使目标跟踪特性为最佳。

二自由度既能改善控制特性，又易进行调整，只需增加目标值滤波器，在保证结构简单的情况下，可实现控制性能达到最佳。

bp网络

人工神经网络出现在20世纪40年代,由众多的而神经元可调的连接权值连接而成,在智能控制领域取得很好的应用成果.作为应用最广泛的人工神经网络模型,误差反向传播神经网络(bpnn)具有实现任何复杂非线性映射的能力，能以任何精度逼近任何非线性连续函数；并行分布处理方式；具有自学习能力；具有一定的推广，概括和自适应能力，具有泛化能力，即将这组权值应用于一般情形的能力；数据融合的能力，可同时处理定量和定性信息；可用于多变量系统和在线学习的能力。

bp算法基本思想是最小二乘法,它采用梯度搜索技术,使网络的实际输出值与期望输出值的误差均方值为最小。算法的学习过程由信息的正向传播和误差的反向传播组成。输入信息从输入层经隐含层逐层处理后传向输出层，每层神经元节点的状态只影响下一层神经元的状态。当输出层不能得到期望的输出时，则转入反向传播，将误差信号沿着原来的连接通路返回，通过修改各层神经元的连接权值和闭值，使误差函数沿着负梯度方向下降，最终达到实际输出值与期望输出值之间的误差最小。

bp神经网路有输入层，隐层和输出层，每层都不同的神经元个数。根据研究对象结构和复杂程度不同，神经网络的拓扑结构也各不相同。在该系统中，采用一个输入层，一个隐含层，一个输出层，且神经元个数为3:5:3的拓扑结构。

三个输入信号分别为指定输入信号rin(k)，实际输出信号yout(k)，误差量e(k)。三个输出信号分别对应pid控制的三个参数kp,ki,kd。

bp网络的学习过程由正向传播和反向传播两部分组成。首先是信号的正向传播过程，输入层的信息向前传播到隐含层的节点上，经过个单元的激活函数运算，并把隐含层的信息传输到输出层的节点，再经过输出层上各节点的激活函数的运算输出。在正向传播过程中，每一层的神经元状态只影响下一层神经元网络。若实际输出与期望输出值之间的误差大于设定的误差函数阈值，则转向反向传播过程，将误差信号反向传播，逐次修改各层神经元的权值，再经正向传播得到修正后的输出，两个过程的反复应用，使得误差信号最小。当实际误差信号小于设定的误差阈值时，网络的学习过程结束。

在正向传播过程中，隐含层节点的输入输出为：

输出层的输入输出为：

wij,wjk分别为输入层与隐含层，隐含层与输出层之间的连接权值。分别为隐含层和输出层的输出值。f(k),g(k)为激活函数，用来加入非线性因素，从而弥补线性模型表达力不够的缺点，激活函数的选择需满足单调递增有界且一阶可微的特点，经过仿真，隐含层的激活函数双极s形函数：

误差评估函数表示为:

根据误差评估函数经反向传播过程对每个节点的权值进行调整，权值的修正量与误差的负梯度方向成正比，即：

令则

隐含层与输入层之间的权值调整量为：

令有δwij＝ηδjxi

其中，η为学习步长，即学习速率。下一次迭代时隐含层与输出层任一节点之间的权值，输入层与隐含层之间的权值分别为：

wjk(k)＝δwjk+wjk(k)

wij(k)＝δwij+wij(k)

然而，这种标准的bp神经网路实际上也是一种梯度下降搜索法，存在收敛速度慢，易陷入局部极小值的缺点，而这些缺点可以通过使用改进的bp算法进行校正，改进的bp算法可分为两类，一是采用启发式学习规则，如添加附加动量项，采用自适应学习率等；二是基于数值优化的学习方法，如共轭梯度法，拟牛顿法和levenberg-marquardt方法(简称l-m法)，

1.加入动量项

为了加快收敛速度，在权值的修正量加上上一次修正权系数，把他作为本次修正的依据之一，即有：

δwij(k+1)＝ηδjxi+αδwij(k)

其中，α为动量因子。

2.动量‐自适应学习速率调整算法

在进行学习速率的自适应调整时，基本思想是在学习收敛的情况下，增大η，以缩短学习时间；当η偏大致使不能收敛时，要及时减小η，直到收敛为止。

β(k+1)＝τ*3^λ*β(k)

其中，β为学习速率因子，λ为梯度方向，τ为学习误差系数。

3.采用levenberg-marquardt算法

l-m法实质上是梯度下降法和牛顿法的结合，网络权值较少时具有很高的收敛速度。l-m优化算法的权值调整率为：

δw＝(j^tj+μi)^-1j^te

其中，e为误差量，j是网络误差度对权值的雅可比矩阵，i为的单位矩阵，μ为比例系数，当μ很大时，即为gauss‐newton算法，当μ很小时，接近梯度下降法。

动量项的加入改善了收敛速度，但是对学习率的选择存在困难，且对初值要求较高；自适应学习速率大大的改善了易陷入局部极小值的缺点，但是收敛速度较慢。

levenberg-marquardt算法大大的提高了收敛速度，但是却并不能改善易陷入局部极小值的问题，采用启发式学习规则中的动量项和自适应学习率和数字优化学习方法相结合的方法，每个改进方法互补，有效的改善了bp网络存在的收敛速度缓慢，已陷入极小值的缺点，大大改善了后期的控制精度和速度。

改进的bp算法降低了进入局部极小值得概率，但是没有从根本上实现快速的全局搜索，ga算法ga时一种模拟自然界生物进化机制的搜索技术，具有全局搜索的能力，因此，采用ga算法和bp网络相结合的模式可以更好地进行网络权值的调节，实现快速，高精度的pid控制。

ga算法：

ga-bpnn算法的主要思想：首先用ga算法较快地搜索到最优解附近，在解空间中定位出一个较好的搜索空间，并给bp网络提供较好的初始值，然后采用bp算法在这个小的搜索空间搜索出最优解。ga算法与bp算法之间的切换可通过误差的大小来实现，如果误差大于某个值时采用ga算法，当小于该值时采用bp算法，直到达到所限制的精度或最大步数为止。

简单的ga算法使用了选择算子，交叉算子，变异算子，ga过程如下：

1.确定编码方式：实现解空间到搜索空间的转换，编码形式为：

其中，分别为输入层与隐含层，隐含层与输出层之间的连接权值。

2.确定参数：群体大小，交叉，变异概率，终止迭代的次数；

3.初始化：随机生成n个个体，提供初始种群p(0)；

4.评价：译码到解空间，计算候补解，解集合的适应度，平均适应度。

5.ga操作：包括选择算子、交叉算子、变异算子，对种群p(t)进行操作，产生下一代p(t+1)。

6.重复4，5，直至参数收敛或达到预定的指标。

简单的ga算法以易出现早熟，即过早的想局部最优解收敛的情况，因此，需要对交叉率和变异率进行自适应调整。改进的自适应交叉率pc和变异率pm的计算公式为：

α1，α2为两个大于0的常数，pc1,pc2,pm1,pm2为根据经验得出的常数，分别为0.9、0.6、0.1、0.001。

本发明提供的实施例中，位置探测元件psd为二维位置探测器，响应波段为320-1100nm，精度为0.01°，线性误差为0.1％，psd处理系统采用18位的ad芯片，两者均具有高精度，高线性，高速度的特点。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。