一种DSG槽式光热电站集热场工质参数预测方法与流程

本发明涉及光热电站功率预测
技术领域：
，特别是一种基于传热机理和深度神经网络的DSG槽式光热电站集热场工质参数预测方法。
背景技术：
：直接蒸汽发电(DirectSteamGeneration,DSG)槽式太阳能热发电系统(槽式系统)作为一种新型的槽式系统，其基本原理是利用抛物线型槽式聚光器将太阳光聚焦到吸热管上，直接加热吸热管内的工质水，直至产生蒸汽推动汽轮发电机组发电。其中，由聚光器与集热管组成的装置称为DSG槽式太阳能聚光集热器(即DSG槽式集热器)，多组DSG槽式集热器按一定方式排列在一起，组成DSG槽式系统集热场。由于DSG槽式系统具有以下优势：用水替代导热油，消除了环境污染风险；省略了油/蒸汽换热器及其附件等，电站投资大幅下降；简化了系统结构，大幅降低了电站投资和运营成本；具有更高的蒸汽温度，电站发电效率较高。因此，DSG槽式系统是今后槽式系统发展的重点方向。对DSG槽式光热电站进行功率预测是DSG槽式光热电站优化调度的基础工作，而DSG槽式光热电站集热场工质参数预测是功率预测的基础和关键。目前，由于DSG槽式光热电站正处于示范发展阶段，其运行数据并不多见，因此国内外均多采用机理模型对发电功率进行预测。Heinzel等建立了抛物线型槽式集热器的光学模型，并利用该光学模型和基本热损模型对导热油工质的LS2型槽式集热器进行了模拟，与Sandia国家实验室的实验数据基本吻合。Odeh在1996年至2003年之间的五篇论文中，分析了SEGS电站槽式集热器的热力学性质，建立了以管壁温度作为自变量的槽式集热器热力学稳态模型，该模型经与Sandia实验室导热油工质LS2型槽式集热器实验数据比较，验证了模型的正确性；根据集热管的发射率、风速、集热管管壁温度和辐射强度建立了以管壁温度为自变量的槽式集热器热损模型及效率模型，所建模型是根据管壁温度拟合的热损失曲线而不是基于工作介质的平均温度，这样扩大了模型的适用范围，适合于预测以任意流体作为工作介质的槽式集热器性能；建立了DSG槽式集热器的水动力稳态模型(包括流态模型和压降模型)，并与热力学模型联立建立了DSG槽式系统的统一模型，优化了直通式DSG槽式集热器的设计，提出了DSG集热器的稳态运行策略。Bonilla设计开发了一个基于面向对象的数学模型的DSG槽式太阳能热发电站的动态仿真方案。该动态仿真方案包含面向对象的数学模型，采集并转换传感器数据作为模型的输入并针对如何获得适合的边界条件问题的初值等，利用matlab开发了一些测试工具。并利用多目标遗传算法校准动态模型。Eck建立了再循环模式DSG槽式集热器的非线性分布参数模型，为了获得灵活且鲁棒性强的仿真模型，建立了显式的微分方程组。近年来，随着我国对太阳能热发电技术研究的深入，国内学者也逐步开始了对槽式集热器的研究。徐涛以槽式集热器的散焦现象为切入点，对集热管表面光学聚光比分布开展理论分析和计算机模拟研究，建立了光学聚光比的数学模型。但该数学模型有一定的适应条件，且模拟程序收敛时间长。韦彪以直通模式DSG槽式集热器为研究对象，基于集热器管内水工质的流型与传热特性，建立了DSG槽式集热器稳态传热模型。李明建立了槽式集热器的稳态数学模型，并利用实验验证了模型的正确性，但实验验证槽式集热器的出口温度选在40-100℃之间，不能准确反映DSG槽式集热器出口温度一般在400℃左右的实际情况。熊亚选通过分析槽式太阳能集热管热损失的计算方法和传热过程，建立了槽式太阳能集热管传热损失性能计算分析的二维稳态经验模型，模型的计算结果与试验数据基本一致，验证了模型的有效性。杨宾在传统槽式集热器研究的基础上，针对集热管内水在流动吸热的过程中状态变化，建立了管内一维稳态两相流动与传热模型。崔映红在对DSG槽式集热器中水的流型分析的基础上，进行了水在不同状态下对流换热系数计算模型的研究。利用传热热阻原理分析了DSG槽式集热器热损的计算方法，建立了稳态热传导模型，并对直通模式和再循环模式连接的DSG槽式集热器的压降进行了分析。梁征分别建立了导热油工质槽式集热器的一维传热动态模型和水工质DSG槽式集热器的一维多相流动与传热动态模型。导热油工质模型与实验数据吻合较好，但DSG槽式集热器模型与实验数据相比误差较大。从以上现有技术可以看出，国内外在功率预测方面还停留在机理建模的阶段。工质为油的槽式集热器及发电系统的机理建模已经比较完善，而工质为水的DSG槽式集热器及热发电系统的机理建模还在发展中。目前，由于运行数据的缺乏，国内外关于DSG槽式电站功率预测的人工智能模型还很少见，在公开资料中还未见采用人工智能与机理模型相结合的方法预测电站主要参数或发电功率的相关研究。技术实现要素：本发明要解决的技术问题为，将DSG槽式系统的稳态机理模型与人工智能模型相结合，利用稳态机理模型获取包含机理因素的出口参数先验值，将此先验值作为深度神经网络模型输入的一部分，实现对DSG槽式光热电站出口工质的预测，提高预测效率和精确度。本发明采取的技术方案为：一种DSG槽式光热电站集热场工质参数预测方法，包括：S1，获取DSG槽式光热电站的工质相关参数历史数据，所述工质相关参数历史数据包括对应多个连续时刻的太阳直射辐照强度DNI、系统入口工质流量FI、入口工质温度TI、入口工质压力PI、出口工质压力PO和出口工质温度TO；S2，基于S1获取的工质相关参数历史数据，建立DSG槽式光热电站集热器的传热和水动力耦合稳态机理模型，所述传热和水动力耦合稳态机理模型的输入量包括太阳直射辐照强度DNI、系统入口工质流量FI、入口工质压力PI和入口工质温度TI，输出量为系统机理先验温度T1和机理先验压力P1；S3，搭建用于学习集热器入口工质压力和出口工质温度的神经网络；神经网络的输入量包括：传热和水动力耦合稳态机理模型输出的系统机理先验温度和机理先验压力，太阳直射辐照强度DNI及其差分值，以及系统入口工质流量FI及其差分值；神经网络的输出量为集热器出口工质预测温度T_F和集热器入口工质预测压力P_F；利用S1获取的工质相关参数历史数据，和S2建立的传热和水动力耦合稳态机理模型，对搭建的神经网络进行训练；S4，利用S2建立的传热和水动力耦合稳态机理模型，以及S3训练得到的神经网络，组建用于预测集热器入口压力和出口温度的神经网络预测模型；S5，获取待预测的DSG槽式光热电站集热器的已知工质相关参数数据，作为S4组建的神经网络预测模型的输入量，对DSG槽式光热电站集热器的出口工质温度和入口工质压力进行预测。优选的，S2包括步骤：S21，定义DSG槽式光热电站集热器中，F为管内截面积，Dab，i为金属管内径，T为管内工质温度，H为管内工质比焓，为管内工质质量流量，P为工质压力，ω为工质流速，x为工质的质量含气率，ρ为工质密度，Q1为单位时间单位管长太阳辐射向管壁金属的放热量，Q2为单位时间单位管长管壁金属向管内工质的放热量，y为管长方向长度，r为管壁径向，Idirect为聚光器开口面上的太阳直射辐射强度，B为聚光器开口宽度，ηopt为DSG集热器的光学效率，Kτα为入射角修正系数，q1为DSG集热器的热力学损失，Dab，o为吸热管外径；则传热和水动力耦合稳态机理模型包括：金属管管壁外侧的能量方程：Q1＝IdirectBηoptKτα；Q2＝Q1-ql·πDab,o；金属管内传热和水动力模型，包括：质量守恒方程：能量守恒方程：动量守恒方程：Pd为单位管长的摩擦压降；管内传热方程：Q2＝h·πDab,i(Twall-T)，h为传热系数，Twall为金属管壁温；S22，确定管内传热方程中的传热系数h：单相流体区域的传热系数由Dittus-Boelter关系式表示，即：Re为金属管内工质的雷诺数，Pr为金属管内工质的普朗特数，k为导热系数；两相流体区域的传热系数为：式中，hB为水的核态沸腾传热系数；hl为饱和水传热系数；S为限制因子，F为增强因子；S23，确定热力学损失q1：式中，Vwind为风速；Ta为环境温度；εab为吸热管发射率；Tsky为天空温度；a、b、c分别是对流、辐射和风速因子；S24，确定单位管长的摩擦压降Pd：对于管内为单相流动的情况，摩擦压降为：式中，λ1为摩擦系数，ω为金属管内工质流速；对于管内两相流动的情况，摩擦压降为：式中，(Pd)1ph指管内汽水混合物全部为水时的摩擦压降；为Martinelli-Nelson两相乘子。进一步的，S2还包括步骤S25，对建立的传热和水动力耦合稳态机理模型进行实验验证。优选的，S23中，在温度为373K～900K时，发射率εab为：εab＝0.00042Tj-0.0995天空温度Tsky为：Tsky＝(εsky)0.25·Taεsky＝0.711+0.56(tdp/100)+0.73(tdp/100)2式中，εsky为天空发射率；tdp为环境露点温度；优选的，S23中，对于管径比Dab,i/Dab,o为54/70mm的吸热管，其对流、辐射和风速因子分别取值为：a＝1.91×10-2WK-1m-2；b＝2.02×10-9WK-4m-2；c＝6.608×10-3JK-1m-3。优选的，S24中，摩擦系数λ1采用Blasius的光滑管计算式计算：λ1＝0.3165(Re)-0.25式中，Re为金属管内单相工质的雷诺数。优选的，S3搭建的神经网络包括两个元胞，其中第一元胞用于学习集热器出口工质压力，其输入量为机理模型输出的集热器机理先验压力和机理先验温度、太阳直射辐照强度DNI及其差分值，以及系统入口工质流量FI及其差分值，输出量为集热器出口工质压力预测结果值和出口工质温度预测参考值；第二元胞用于学习集热器出口工质温度，其输入量为机理模型输出的机理先验压力和机理先验温度、太阳直射辐照强度DNI及其差分值、太阳直射辐照强度DNI及其差分值、系统入口工质流量FI及其差分值，以及第一元胞的输出量，输出量为集热器出口工质温度预测结果值。优选的，神经网络在进行预测时，先将多个输入量进行归一化处理，然后对机理模型输出的机理先验温度的归一化处理结果进行正则化处理，再输入神经网络中进行训练。优选的，正则化处理公式为：其中，(Ti1)为稳态机理模型的机理先验温度值，λ3为正则化参数，θ1为正则化处理过程中的平衡项。λ3取0.1～0.5，具体需要逐次训练网络并且对比性能从而确定最优值，优选为λ3＝0.3。θ1值优选为历史数据中集热器出口工质温度的平均值的归一化处理结果。优选的，所述第一元胞和第二元胞分别为四层神经网络，从第一隐含层到第四隐含层的神经元数目依次为16、10、8和6；各层中每个神经元从上一层的每个神经元接受的神经信号输出yj的公式表示为：其中，表示从第h-1层第i神经元节点到第h层第j神经元节点的权值，表示第h层第j神经元节点的阈值；各元胞神经网络的激活函数采用Sigmoid函数；各元胞神经网络的误差目标函数为：其中，m表示训练集的数目，λ2∈(0,1)，Ek表示在第k个训练集上的误差，wi表示权值：其中，S表示输出层中神经元的数目，为第k个训练集的期望输出，为第k个训练集的实际输出。有益效果1.本发明采用稳态机理模型先验值耦合神经网络模型预测光热电站集热场工质参数。首先利用稳态机理模型对集热场工质参数进行预估计，再将理论计算结果作为神经网络模型输入的一部分，克服了纯动态机理模型计算时间长，无法实现实时计算的问题，纯稳态机理模型计算误差大，准确率低的问题以及纯数据驱动的神经网络模型数据需求量大、泛化性能差、结果不够准确的问题。2.针对各预测值准确率之间差异较大的问题，本发明提出了将预测模型的几层神经网络作为一个细胞，利用细胞之间的组合关系对某项或某几项预测参数进行加强再学习的方法。该结构特别适用于预测参数较多，且预测值准确率之间表现差异比较大的神经网络模型。本文以西班牙DISS实验电站数据作为算例，获得的工质参数计算结果与实验数据相比，入口工质压力和出口工质温度的均方差分别为0.006937和0.001192。由此可知，本文提出的预测模型可以实时准确地预测集热场出口参数。附图说明图1所示为本发明方法流程示意图；图2所示为本发明神经网络预测模型示意图；图3所示为本发明神经网络中的元胞结构示意图；图4所示为DSG集热器纵截面图；图5所示为DSG集热器吸热管横截面图图6所示为本发明神经网络预测模型的压力预测结果精度示意图；图7所示为本发明神经网络预测模型的温度预测结果精度示意图。具体实施方式以下结合附图和具体实施例进一步描述。参考图1所示，本发明的DSG槽式光热电站集热场工质参数预测方法，包括：S1，获取DSG槽式光热电站的工质相关参数历史数据，所述工质相关参数历史数据包括对应多个连续时刻的太阳直射辐照强度DNI(t)、系统入口工质流量FI(t)、入口工质温度TI(t)、入口工质压力PI(t)、出口工质压力PO(t)和出口工质温度TO(t)；S2，基于S1获取的工质相关参数历史数据，建立DSG槽式光热电站集热器的传热和水动力耦合稳态机理模型，所述传热和水动力耦合稳态机理模型的输入量包括太阳直射辐照强度DNI、系统入口工质流量FI、入口工质压力PI和入口工质温度TI，输出量为系统机理先验温度T1和机理先验压力P1；在实际预测时，输入量中的入口工质压力PI为一给定值。S3，搭建用于学习集热器入口工质压力和出口工质温度的神经网络；神经网络的输入量包括：传热和水动力耦合稳态机理模型输出的机理先验温度和机理先验压力，太阳直射辐照强度DNI及其差分值，以及系统入口工质流量FI及其差分值；神经网络的输出量为集热器出口工质预测温度T_F和集热器入口工质预测压力P_F；利用S1获取的工质相关参数历史数据，和S2建立的传热和水动力耦合稳态机理模型，对搭建的神经网络进行训练；S4，利用S2建立的传热和水动力耦合稳态机理模型，以及S3训练得到的神经网络，组建用于预测集热器入口工质压力和出口工质温度的神经网络预测模型；S5，获取待预测的DSG槽式光热电站集热器的已知工质相关参数数据，作为S4组建的神经网络预测模型的输入量，对DSG槽式光热电站集热器的出口工质温度和入口工质压力进行预测。实施例本发明方法具体包括以下几部分的内容：1.神经网络预测模型的建立参考图2，(x1，x2，x3，x4，x5，x6)为神经网络预测模型的输入，x3和x4分别为太阳直射辐照强度DNI和集热场入口工质流量FI，x5和x6分别为DSG槽式光热电站集热场的入口工质压力PI及入口工质温度TI；对于x5(入口工质压力PI)，在实际预测时，其值为给定值。x1＝ΔDNI，x2＝ΔFIΔDNI＝DNIt-DNIt-1ΔFI＝FIt-FIt-1(1)(P_F,T_F)为神经网络预测模型的输出。P_F为系统入口工质预测压力，T_F为系统出口工质预测温度。HHC_Model为光热电站集热场稳态机理模型，稳态机理模型有x3-x6四个输入，两个输出，即机理先验压力P1和机理先验温度T1。Cell_1，Cell_2分别为神经网络的第一元胞和第二元胞，元胞结构参结合图2和图3所示，其中Cell_1的学习对象是集热器入口工质压力(同时作为集热器入口工质压力参考值成为Cell_2的输入)和出口工质温度(参考值)，Cell_2的学习对象是集热器出口工质温度。P1，T1为由稳态机理模型获得的先验值，所得温度T1经过正则化处理(regularization)之后，进入Cell_1学习，输出的结果PRE_1代表压力，TEM_1代表温度，他们作为输入连同Cell_1的输入x1～x4一起对集热器出口温度进行再训练，从而提升温度的预测精度。神经网络预测模型是将机理模型输入经过四层神经网路这一过程称为一个元胞。如图2，本发明在第一个输出温度压力的元胞后面再训练一次专门改进温度的元胞，不同的元胞之间神经网络之间的传递函数可以根据实际情况和数据输出进行改变。该网络的最大优势是可以通过几种特定网络的组合对复杂系统的不同预测输出进行针对优化，特别适用于在第一次学习中同一个模型的不同预测参量表现差异较大的情况。这种方法可以在保持原有耦合系统中某一项或者某几项输出参数预测精度性能不减少的情况下，以全体输出对某项参数进行再学习。从而可以针对不同的场景应用组合不同性能的神经网络组成不同的细胞，并且控制细胞之间的信息传递，从而针对不同的应用场景进行优化。2.HHC_Model机理模型的建立确定基本神经网络预测模型的结构之后，最重要的问题就是进行光热电站集热场机理模型(HHC_Model)的建模，准确的机理模型先验值是本网络模型提升精度获得成功的关键。由于动态机理模型迭代计算过于复杂，不符合本文简化计算难度，实时预测光热电站出口参数的初衷，所以这里选择建立传热和水动力耦合稳态机理模型。2.1物理结构本实施例研究对象为DSG槽式光热电站集热器，其物理结构见图5所示：并假设：(1)金属管内径及壁厚沿管长均匀不变；(2)金属管外太阳辐射对管壁金属以及金属管壁对管内工质均只有径向放热且沿管周向均匀分布；(3)金属管内工质在各横断面上的流速、温度等参数均采用其“横断面平均值”表示；(4)忽略DSG集热器的局部压降。2.2机理模型的建立2.2.1金属管管壁外侧的能量方程DSG集热器运行时，太阳辐射能经过聚光器的反射，穿过吸热管的玻璃封管，投射到吸热管的金属管外壁面上。在该过程中，存在光学损失和热力学损失。聚光器所收集的太阳辐射能Q1为Q1＝IdirectBηoptKTα(7)式中，Idirect为聚光器开口面上的太阳直射辐射强度；B为聚光器开口宽度；ηopt为DSG集热器光学效率；Kτα为入射角修正系数，即入射光线与聚光器法线的夹角为α时的集热器光学效率ηopt，α与α＝0时的集热器光学效率ηopt，α＝0的比值，即其次，由能量平衡可知，在单位时间内，单位管长金属管传递的太阳辐射热能Q2为Q2＝Q1-q1·πDab，o(8)式中，q1为DSG集热器热力学损失，q1的计算采用Odeh提出的公式，Dab，o为集热管外径。2.2.2金属管内传热和水动力模型对于水平放置的DSG集热器，忽略DSG集热器的局部压降，加速压降和重力压降，有：(1)质量守恒方程式中，为金属管内工质质量流量；y为沿管长方向长度。(2)能量守恒方程式中，H为金属管内工质比焓。(3)动量守恒方程工质在DSG集热器中的压降主要由3部分组成：加速压降、重力压降和摩擦压降。而对于水平放置的DSG集热器，压降主要为摩擦压降，加速压降和重力压降可以忽略不计[29，30]。式中，Pd为单位管长的摩擦压降。(4)管内传热方程管内传热方程可表示为Q2＝h·πDab,i(Twall-T)(12)式中，h为传热系数；Dab，i为金属管内径；Twall为金属管壁温；T为金属管内工质温度。(5)工质物性参数方程对于单相工质，工质的密度、温度、动力粘度、比热容、导热系数、普朗特数等参数均可由工质比焓和工质压力通过查表或者利用现有软件程序计算得到。对于两相工质有r为汽化潜热；H′为当前压力下饱和水的比焓，ρ为两相工质的平均密度，ρ′和ρ″分别为当前压力下饱和水和饱和蒸汽的密度；2.2.3传热系数的确定(1)单相流情况在DSG集热器的热水区和干蒸汽区中，工质分别为水和过热蒸汽，均为单相流体。热水区和干蒸汽区的传热系数可用Dittus-Boelter[9]关系式表示（15）式中，Re为金属管内工质的雷诺数；Pr为金属管内工质的普朗特数；k为导热系数。(2)两相流情况对于DSG集热器两相区的传热系数，需要用Fr数(傅如德数)来确定金属管内工质的流态。Fr＜0.04时为层流，Fr＞0.04时为环流。在通常情况下Fr＞0.04，因此，本发明选用环流时的传热系数。式中，hB为水的核态沸腾传热系数；hl为饱和水传热系数；S，F分别为限制因子和增强因子。2.2.4热力学损失ql的确定根据Odeh[9]对集热器热力学热损的描述，可得到DSG集热器的热力学损失ql为ql＝(a+c·Vwind)(Tj-Ta)+εab·b·(Tj4-Tsky4)(19)式中，Vwind为风速；Ta为环境温度(干球温度)；εab为吸热管发射率；Tsky为天空温度；a，b，c分别是对流、辐射和风速因子。根据Dudley测得的涂有金属陶瓷选择性吸收涂层的金属管，在温度为373K～900K时其发射率εab[10]可由下式确定εab＝0.00042Tj-0.0995(20)天空温度Tsky按下式确定Tsky＝(εsky)0.25·Ta(21)εsky＝0.711+0.56(tdp/100)+0.73(tdp/100)2(22)式中，εsky为天空发射率；tdp为环境露点温度。根据对DSG集热器的运行分析知，对于管径Dab,i/Dab,o为54/70mm的吸热管，其对流、辐射和风速因子分别可取为：a＝1.91×10-2WK-1m-2；b＝2.02×10-9WK-4m-2；c＝6.608×10-3JK-1m-3。2.2.5摩擦压降的确定对于DSG集热器中的单相流动，摩擦压降的计算式为：式中，λ1为摩擦系数，ω为金属管内工质流速。摩擦系数λ1可以用Blasius的光滑管计算式计算：式中，Re为金属管内单相工质的雷诺数。对于DSG集热器中的两相流动，文献[10]和文献[32]给出了比较精细的摩擦压降表达式：式中，(Pd)1ph指管内汽水混合物全部为水时的摩擦压降；为Martinelli-Nelson两相乘子[10,31]。2.3稳态机理模型的验证分析本文采用文献[10]的试验数据来验证上述模型的正确性，文献[10]试验中采用的是类LS-3集热器，其参数如表1所示。本文计算结果与文献实验结果比较如表2。表1试验参数表2计算结果比较计算参数文献实验结果本文计算结果本文结果与实验结果误差/％出口温度/℃450.0458.591.91出口压力/MPa9.829.840.20热水区长度/m132.0127.773.20两相区长度/m330.0334.131.25干蒸汽区长度/m138.0138.10.07由表2可知，传热和水动力耦合稳态机理模型正确。3.神经网络中的元胞元胞定为四层神经网络，根据经验和实验，选取隐含层1-4的神经元数目分别确定为16,10,8,6。本层每个神经元从上一层的每个神经元接受神经信号输出的公式可以表示为：其中，表示从第h-1层i节点到第h层j神经元节点的权值w，表示第h层j节点的阈值。由于本网络只有4层，不用考虑梯度消失的问题，所以激活函数这里采用Sigmoid函数。网络在(xk，yk)上的预测结果值误差表示为：其中，S表示输出层中神经元的数目。为各训练集的期望输出，为各训练集的实际输出。对于本网络，输入层到隐含层共计128个权值，16个阈值；四层隐含层共计160+80+48个权值和40个阈值；隐含层到输出层共计12个权值和2个阈值需要确定。神经网络算法是一个迭代算法，每一轮中采用广义的感知回归。对任意参数有：v←v+Δv，即训练过程中，预测中间值和结果的不断逼近。对误差Ek，分别可以推出权值的公式，为现有技术。以为例，给定学习速率为η：Δθj＝-ηgj；(4)Δvij＝-ηejxi；(5)其中参数分别有如下表达：表示第h层神经网络第j个神经元的输入值。由于标准BP算法是针对单个神经元令其误差最小，参数更新的非常频繁，对于波动较大的案例甚至可能出现“抵消”的问题，所以本发明采用了积累BP算法，目标是使得网络总积累误差最小。对于BP神经网络容易造成过拟合的问题，由于目前获得的数据量比较少，因此这里采取正则化方法处理误差目标函数。其基本思想是在误差目标函数中增加一个用于描述网络复杂度的部分。因此误差目标函数式(3)改变为：其中，wi表示权值，Ek为k个训练集上的误差，wi表示权值。λ2∈(0,1)，用与对经验误差与网络复杂度这两项进行折中，常通过交叉验证法进行估计，可利用程序分别测试其取值为0.1～0.9的网络性能，取其最好的结果。3.数据的正则化处理对机理模型HHC_Model输出数据进行处理，在归一化的基础上正则化，即在输出的数据中增加一个参数，使得偏差过大的数据对神经网络的影响减小，以获得更好的泛化性能。在机器学习中，通常会采取相似数据分配权值，但是由于光热电站运行数据缺乏，本文无法获得温度的输出趋势。但分析数据可得，温度输出的波动比较小，相对稳定。于是本文选定了训练数据的输出温度的平均值作同样归一化处理后，作为平衡项θ＝0.123399。在这个基础上得到正则化公式有：正则化处理公式为：其中，为稳态机理模型的机理先验温度值，λ3为正则化参数，这里参数取0.1～0.5；具体需要逐次训练网络并且对比性能从而确定最优值，优选为λ3＝0.3。θ1为正则化处理过程中的平衡项，θ1值优选为历史数据中集热器出口工质温度的平均值的归一化处理结果。4.预测结果这里采用2006年西班牙光热示范电站的数据[14]，所有的数据均为归一化之后的结果。结果如图6和图7，其中两条线分别代表实际电站数据，和利用本发明神经网络预测模型得到的预测结果数据。从图6和图7可知本发明基于传热机理和深度神经网络预测模型可以获得很好的预测精度。预测误差如表3：表3.预测误差以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。当前第1页1 2 3