本发明属于太阳能跟踪技术领域,具体涉及一种基于神经网络预测技术的太阳能跟踪控制系统,同时本发明还公开了基于神经网络预测技术的太阳能跟踪控制方法。
背景技术:
在能源危机形势下,太阳能光伏发电作为可再生清洁能源得到了广泛发展和应用。在对光伏板发电功率进行预测的过程中,影响光伏板的发电功率的因素很多,比如驱动光伏板角度调整的能耗、灰尘损失、线路损失和蓄电池效率等,导致预测模型是一个复杂的非线性模型。
现有的普通数学模型很难准确地预测δ时间内的发电功率,导致结果偏差大,对光伏板角度调节的执行机构频繁动作,使得能耗增加,蓄电池的蓄能减少。
神经网络具有模拟人类的思维的特性,具有很强的非线性、自组织、自学习能力,能够很好地处理非线性信息,故而被广泛应用于非线性的模型中。
技术实现要素:
本发明的目的在于针对上述普通数学模型很难准确预测非线性变化的发电功率的问题,本发明提供一种基于神经网络预测技术的太阳能跟踪控制系统,从而解决了普通数学模型很难准确预测光伏板在δ时间内的发电功率对的问题;同时,本发明基于上述基于神经网络预测技术的太阳能跟踪控制系统,还提供了一种基于神经网络预测技术的太阳能跟踪控制方法。
为解决以上技术问题,本发明采用的技术方案如下:
一种基于神经网络预测技术的太阳能跟踪控制系统,包括顺次连接的光伏板、第一数据采集模块、第一BP预测模块、中央控制器、执行模块以及四轴气压装置;
所述中央控制器还连接有对比检测模块,中央控制器和所述第一数据采集模块之间设置有PID控制模块,PID控制模块的输入端连接所述第一数据采集模块的输出端,PID控制模块的输出端连接所述中央控制器的输入端。
进一步限定,所述对比检测模块包括第二数据采集模块和第二BP预测模块,第二数据采集模块用于检测照射于所述光伏板上的太阳光实时直射角度,所述第一数据采集模块用于采集光伏板的实时角度、实时发电功率以及实时时间数据。
进一步限定,所述第一数据采集模块设置于所述光伏板上。
进一步限定,所述执行模块包括四轴支架系统和气动控制系统。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明采用第一BP神经网络预测模型,能够准确的预测光伏板在角度不变的情况下,在未来一段时间内,光伏板的发电功率,使得计算出的发电功率准确,误差小。
2.对比检测模块用于检测太阳光直射角,通过第二BP神经网络预测模型预算出光伏板角度调整后的发电功率,使得计算出的发电功率准确,误差小。
3.第一数据采集模块设置于光伏板上,用于减小太阳能跟踪系统的体积,以及减小数据传递的距离,使得采集的数据精准。
同时,基于上述的一种基于神经网络预测技术的太阳能跟踪控制系统,本发明还公开了一种基于神经网络预测技术的太阳能跟踪控制方法,该方法包括以下步骤:
1)所述第一数据采集模块将采集的光伏板的实时发电功率以及实时时间数据传递给第一BP预测模块,第一BP预测模块预测出下一个δ时间内的光伏板的发电功率且将该预测的发电功率值发送至中央控制器,其中:δ为时间段;
2)所述第一数据采集模块将采集的光伏板的实时角度数据传递给PID控制模块,PID控制模块对光伏板的实时角度进行反馈后传送给中央控制器;
3)对比检测模块将太阳实时直射角度下的光伏板的发电功率据传递给中央控制器;
4)中央控制器将步骤1)~3)中的各个数据进行分析和处理,发出控制信号且传递给执行模块,执行模块发出指令,传递给四轴气压装置,四轴气压装置调节光伏板的角度。
进一步限定,步骤1)中所述第一BP预测模块预测出下一个δ时间内的光伏板的发电功率的具体预测方法是:包括建立第一BP神经网络预测模型、预测结果以及曲线拟合,首先建立第一BP神经网络预测模型,将各发电功率输入第一BP神经网络预测模型中得到预测值的集合,最后将各预测值进行曲线拟合得到预测曲线。
进一步限定,建立第一BP神经网络预测模型包括以下步骤:
A):输入采集到的发电功率,且将规定的期望值和规定的误差一并输入;
B):将步骤A)中的发电功率传递至隐含层,经过隐含层计算,隐含层的输出值传递至输出层计算输出值;
C):将步骤B)中的输出值与规定的期望值进行误差计算;
D):判断步骤C)中的误差是否满足规定的误差,若是,则将训练权值矩阵存盘,第一BP神经网络预测模型建立完成,若否,则修正各连接权值和阈值,且将修正后的值输入步骤A)中进行再次计算,不断提高步骤B)中的输出值的精确度直到小于规定的误差值且将训练权值矩阵存盘,第一BP神经网络预测模型建立完成。
进一步限定,所述曲线拟合采用多项式曲线拟合的最小二乘法进行拟合。
进一步限定,所述第一BP神经网络预测模型采用滚动预测方式。
进一步限定,所述预测结果为所述第一BP神经网络预测模型的所有输出结果组成的集合。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
建立第一BP神经网络预测模型、预测结果以及曲线拟合,用以计算出光伏板在不角度调整的情况下的发电功率;采用A):输入采集到的发电功率,且将规定的期望值和规定的误差一并输入;B):将步骤A)中的发电功率传递至隐含层,经过隐含层计算,隐含层的输出值传递至输出层计算输出值;C):将步骤B)中的输出值与规定的期望值进行误差计算;D):判断步骤C)中的误差是否满足规定的误差,若是,则将训练权值矩阵存盘,第一BP神经网络预测模型建立完成,若否,则修正各连接权值和阈值,且将修正后的值输入步骤A)中进行再次计算,不断提高步骤B)中的输出值的精确度直到小于规定的误差值且将训练权值矩阵存盘,通过以上步骤建立第一BP神经网络预测模型,计算出来的光伏板角度不角度调整的情况下的发电功率,该发电功率的数据准确性高,能为后续的中央控制器精确的计算出光伏板的调节频率和节约能耗做出贡献。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是基于神经网络预测技术的太阳能跟踪控制系统的示意图;
图2是基于神经网络预测技术的太阳能跟踪控制方法的示意图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。下面结合图1、图2对本发明作详细说明。本发明的实施方式包括但不限于下列实施例。
实施例一
如图1所示,一种基于神经网络预测技术的太阳能跟踪控制系统,包括顺次连接的光伏板、第一数据采集模块、第一BP预测模块、中央控制器、执行模块以及四轴气压装置;
所述中央控制器还连接有对比检测模块,中央控制器和所述第一数据采集模块之间设置有PID控制模块,PID控制模块的输入端连接所述第一数据采集模块的输出端,PID控制模块的输出端连接所述中央控制器的输入端。
光伏板用于接收太阳光且将太阳光的光能转化成电能储存起来;
第一数据采集模块用于采集光伏板的实时角度、实时发电功率以及实时时间数据;
第一BP预测模块用于预测未来一端时间内光伏板的发电功率;
对比检测模块用于检测太阳实时直射角度且实时随太阳直射角度角度调整,计算出光伏板角度调整后的发电功率,且将该发电功率传递给中央处理器;
中央控制器用于处理来至第一BP预测模块的发电功率和来自对比检测模块的发电功率,且进行计算出是否需要调整光伏板的角度;
执行模块用于接收来至中央处理器的指令信号且发出指令,使得四轴气压装置动作,用于调整光伏板的角度;
PID控制模块用于反馈光伏板的实时角度,且将实时角度传递给中央处理器;
四轴气压装置用于调整光伏板的角度。
实施例二
在实施例一的基础上,本实施例优化了对比检测模块,对比检测模块的第二数据采集模块用于采集太阳光实时直射角度,通过第二BP预测模块计算出光伏板角度调整以后的发电功率且传递给中央控制器;所述第一数据采集模块用于采集光伏板的实时角度、实时发电功率以及实时时间数据,实时角度传递给PID控制模块,实时发电功率以及实时时间数据传递给第一BP预测模块。
实施例三
在实施例一的基础上,本实施例优化了第一数据采集模块的设置位置,设置于光伏板上,可以减小整个系统的体积,以及减少数据传递的路径,使得采集的数据准确和可靠。
实施例四
在实施例一的基础上,本实施例优化了执行模块,四轴支架系统控制调节四轴气压装置的支架系统,气动控制系统控制四轴气压装置的给气量或泄气量。
为了更好的实现本发明,本发明在实施例一到实施例四中任一实施例的基础上,一种基于神经网络预测技术的太阳能跟踪控制方法,该方法包括以下步骤:
1)所述第一数据采集模块将采集的光伏板的实时发电功率以及实时时间数据传递给第一BP预测模块,第一BP预测模块预测出下一个δ时间内的光伏板的发电功率且将该预测的发电功率值发送至中央控制器;
2)所述第一数据采集模块将采集的光伏板的实时角度数据传递给PID控制模块,PID控制模块对光伏板的实时角度进行反馈后传送给中央控制器;
3)对比检测模块将太阳实时直射角度下的光伏板的发电功率据传递给中央控制器;
4)中央控制器将步骤1)~3)中的各个数据进行分析和处理,发出控制信号且传递给执行模块,执行模块发出指令,传递给四轴气压装置,四轴气压装置调节光伏板的角度。
本法可以对光伏板的各个数据进行采集,能够将光伏板的实时发电功率传递给第一BP预测模块,第一BP预测模块将预测的光伏板不旋转的情况下的功率传递给中央控制器,对比检测模块将太阳实时直射角度下的光伏板的发电功率据传递给中央控制器,用于分析是否需要调整光伏板的角度;本法计算结构精确,能够准确的计算出光伏板的调节频率,从而达到节省能源的效果。
基于以上方法,下面结合具体实施例对本发明的方法做进一步说明。
具体实施例
如图2所示,第一BP神经网络预测方法模型的建立具体步骤:
a)、确定输入因子和输入层节点数
通过采集到的前一个δ时间的发电功率X预测后一个δ时间内的发电功率Y,,所以神经网络的输入因子是采集到的发电功率X。预测方法采用滚动预测方式,即用前三个数据预测第四个数据,如用[x1,x2,x3]预测x4,用[x2,x3,x4]预测x5,如此反复,依次类推。将数据分为7组。所以输入层神经元个数为3。
b)、确定隐含层和输出层节点数
根据Kolmogrov定理,一个具有n个输入单元、2n+1个中间单元和m个输出单元的3层网络可以精确地表达任何映射,并且同时可以使中间层的容量和训练时间相协调。输入层神经元个数为3,所以隐含层神经元个数为7。输出量是发电功率,因此输出层的神经元个数为1。
c)、网络训练
通过前两步可以确定网络结构是3-7-1。中间层采用tansing型激活函数,输出层采用logsing型激活函数。对于输入信号X,先向前传播到隐含层,经过作用函数后,再把隐含层的输出信息传播到输出层,完成一次正向传播,对输出值大于规定的期望值的,则进行误差的反向传播,返回对各连接权值和阈值进行修正,减小误差,不断提高输出值的精确度直到小于给定的误差值,网络训练结束,第一BP神经网络预测方法模型建立。
用该方法建立的第一BP神经网络预测方法模型,思维缜密,预测出来的光伏板在角度未改变时的发电功率精准度高。
对比检测模块的第二BP预测模块也采用第一BP神经网络预测方法模型,预测出来的太阳光直射时的光伏板能够达到的发电功率,数据准确,可靠。
预测结果
一个δ时间内取10个时间点,最后输入发电功率[x8,x9,x10]到建立的第一BP神经网络预测方法模型,得到预测发电功率y1,再输入发电功率[x9,x10,y1],得到发电功率y2,最终可得Y=[y1,y2,...y10]。
曲线拟合
将第一BP神经网络预测的下一个δ时间内的10个数据Y=[y1,y2,...y10]进行多项式拟合。因为数据的非线性,采用多项式曲线拟合最小二乘法。设拟合多项式为y=a0+a1x+...+akxk。其中x表示时间,y表示i时间对应的发电率。
1、确定阶数K
通过cross-validation验证的方法确定K。经验获取可知K值取值范围[0,5]。对于10个发电率数据,取其中9个数据进行拟合,第i个数据测试拟合得到的曲线y,残差平方和
取min{errk}所对应的K值作为多项式的最高阶数。
2、求K次多项式的表达式
拟合函数为y=a0+a1x+...+akxk,以a0,a1...ak为待定系数,确定多项式使得所述第一数据采集模块中δ时间内数据所对应的10个点尽可能地靠近这条曲线。因数据点将不会全部落在这条曲线上,如果第k个点的数据恰好落在曲线上,则这个点的坐标满足二次曲线的方程,即
yi=a0+a1xi+...+akxik
如果这个点不在曲线上,则它的坐标不满足曲线方程,有一个误差(残差)。于是全部点处的总误差用残差平方和表示
这是关于a0,a1...ak的一个K元函数,同时选取a0,a1...ak为变量,使得这个函数取极小值。为了求该函数的极小值点,令
得
这是关于待定系a0,a1...ak的线性方程组,写成等价的形式为
这就是法方程,求解这一方程组可得多项式拟合函数中的待定系数a0,a1...ak。并求出发电率变化曲线A:y=a0+a1x+...+akxk。
同理,根据以上方法可以得出所述对比检测模块发电功率曲线B:y=a0+a1x+...+akxk,根据曲线A和曲线B,可以对未来δ时间发电功率进行预测,进而计算出其发电量差值,具体如下
计算出两条曲线的差值即为
(S为光伏系统的发电系数)
计算调整光伏组件所需耗能:
Qp=Ptp(P为电机功率、tp为调整所消耗时间)
(b为调整系数)
如果H大于0说明发电量大于调整所需能量,中央处理器发出指令于执行模块,执行模块发出指令于四轴气压装置,四轴气压装置动作调节光伏板的角度,反之不进行调整。