本发明实施例涉及光热发电技术领域，尤其涉及一种光热发电功率的预测方法及装置。
背景技术：
太阳能光热发电是指利用大规模阵列抛物或碟形镜面收集太阳热能，通过换热装置提供蒸汽，结合传统汽轮发电机的工艺，从而达到发电的目的。其原理是，通过反射镜将太阳光汇聚到太阳能收集装置，利用太阳能加热收集装置内的传热介质，再加热水形成蒸汽带动或者直接带动发电机发电。光热发电系统是一个相当复杂的系统，相比光伏发电系统和风力发电系统，其设备种类繁多、成本高、控制难度大。
塔式光热发电，也称集中型太阳能热发电，它的形式是利用一定数量的反射镜阵列，将太阳辐射反射到安置于塔顶端的太阳能接收器上，通过加热工质而产生过热蒸汽，驱动汽轮机发电机组发电，从而将吸收的太阳能转化为电能。
塔式光热发电系统包含了太阳能聚光、光热转换、热量传输、热量储存、轮机发电等多个环节。现有的塔式光热发电项目以系统正常运行为目标，将各环节的设备进行组装，仅根据经验对发电量做出大致的估计，未针对系统性能进行预测。而在并网发电过程中，为了便于计划安排和调度控制，对系统的发电功率进行准确预测，则显得尤为重要。
技术实现要素：
本发明实施例提供一种光热发电功率的预测方法及装置，以较为准确的预测光热发电系统的发电功率。
为达到上述目的，本发明采用如下技术方案：
一方面，本发明提供一种光热发电功率的预测方法，包括：根据气象数据和定日镜控制参数，预测传热介质的温度；根据所述传热介质的温度和所述传热介质的流量，预测光热发电系统的发电功率。
另一方面，本发明还提供一种光热发电功率的预测装置，包括：第一预测模块，用于根据气象数据和定日镜控制参数，预测传热介质的温度；第二预测模块，用于根据所述传热介质的温度和所述传热介质的流量，预测光热发电系统的发电功率。
本发明提供的光热发电功率的预测方法及装置，针对光热转换环节，根据气象数据和定日镜控制参数，预测传热介质的温度，实现了光热转换环节对光能量转换为的热能的预测。针对轮机发电环节，根据传热介质的温度和传热介质的流量，预测光热发电系统的发电功率，实现了轮机发电环节对热能转换为的电能的预测。综上，本发明提供的光热发电功率的预测方法及装置，可以较为准确的预测光热发电系统的发电功率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为塔式光热发电系统的结构示意图；
图2为本发明提供的光热发电功率的预测方法一个实施例的流程示意图；
图3为本发明提供的光热发电功率的预测方法又一个实施例的流程示意图；
图4为支持向量机SVM数值模型的训练和预测过程的工作原理示意图；
图5为本发明提供的光热发电功率的预测装置一个实施例的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例的光热发电功率的预测方法及装置是针对塔式光热发电系统的，为更好的说明本发明实施例的光热发电功率的预测方法及装置，下面对塔式光热发电系统进行说明。图1为塔式光热发电系统的结构示意图，如图1所示，太阳发出的太阳光经定日镜反射后，被安置于塔架顶端的太阳能接收器接收，通过加热传热介质，而产生过热蒸汽，驱动汽轮发电机发电，输入电网，从而将吸收的太阳能转化为电能。
本发明实施例分别针对塔式光热发电系统中的光热转换环节和轮机发电环节，采用支持向量机SVM数值模型进行预测，得到光热发电系统的发电功率的预测值。支持向量机SVM算法是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，支持向量机SVM训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。支持向量机SVM模型是将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。支持向量机在高维或无限维空间中构造超平面或超平面集合，其可以用于分类、回归或其他任务。
下面结合附图对本发明实施例光热发电功率的预测方法及装置进行详细描述。
实施例一
图2为本发明提供的光热发电功率的预测方法一个实施例的流程示意图。如图2所示，本发明实施例的光热发电功率的预测方法具体可包括以下步骤：
S201，根据气象数据和定日镜控制参数，预测传热介质的温度。
具体的，本步骤针对光热转换环节，给出了如何准确计算聚集起来的光能量转换为的传热介质的热量。具体可根据气象数据和定日镜控制参数，预测传热介质的温度来实现。
S202，根据传热介质的温度和传热介质的流量，预测光热发电系统的发电功率。
具体的，本步骤针对轮机发电环节，给出了如何准确计算传热介质的热量转换为的电能。具体可根据预测到的传热介质的温度和获取的传热介质的流量，预测光热发电系统的发电功率来实现。
此处需要说明的是，本发明实施例的光热发电功率的预测方法中，忽略热量传输存储环节的时间滞后和散热损失问题，即塔段输出的传热介质的温度等于轮机端传热介质的温度，也即本发明实施例中传热介质的温度等于塔段输出的传热介质的温度，也等于轮机端传热介质的温度。
本发明实施例的光热发电功率的预测方法，针对光热转换环节，根据气象数据和定日镜控制参数，预测传热介质的温度，实现了光热转换环节对光能量转换为的热能的预测。针对轮机发电环节，根据传热介质的温度和传热介质的流量，预测光热发电系统的发电功率，实现了轮机发电环节对热能转换为的电能的预测。综上，本发明实施例的光热发电功率的预测方法，可以较为准确的预测光热发电系统的发电功率。
实施例二
图3为本发明提供的光热发电功率的预测方法又一个实施例的流程示意图。本发明实施例的光热发电功率的预测方法，为图2所示实施例的光热发电功率的预测方法的一种具体实施方式。如图3所示，本发明实施例的光热发电功率的预测方法具体可包括以下步骤：
图2所示实施例中的步骤S201具体可包括以下步骤：根据气象数据和定日镜控制参数，基于光热数值模型，预测传热介质的温度。
具体的，针对光热转换环节，根据气象数据和定日镜控制参数，预测传热介质的温度，具体可采用特定的计算公式或者利用机器学习训练得到的光热数值模型进行预测。光热数值模型具体可以为支持向量机(Support Vector Machine，简称SVM)数值模型。
进一步的，基于光热数值模型，步骤S201具体可包括以下步骤S301和S302。
S301，以气象数据的历史数据和定日镜控制参数的历史数据作为输入，以传热介质的温度的历史数据作为输出，训练得到光热数值模型。
具体的，本步骤为光热转换环节的光热数值模型的训练过程。以气象数据的历史数据和定日镜控制参数的历史数据作为光热转换环节的光热数值模型的输入，以传热介质的温度的历史数据作为光热转换环节的光热数值模型的输出，采用数值算法例如支持向量机SVM算法，训练得到光热转换环节的光热数值模型。
S302，以气象数据的预测值和定日镜控制参数的预测值作为输入，基于光热数值模型，获取输出的传热介质的温度的预测值。
具体的，本步骤为光热转换环节的光热数值模型的预测过程。以气象数据的预测值(来源于天气预报)和定日镜控制参数(来源于控制系统)的预测值，作为光热转换环节的光热数值模型的输入，基于训练好的光热转换环节的光热数值模型进行预测，获取光热转换环节的光热数值模型输出的传热介质的温度的预测值。
支持向量机SVM包括支持向量分类机(supportvector classification，简称SVC)和支持向量回归机(support vector regression，简称SVR)，两者均分为线性和非线性问题。本发明采用支持向量回归机SVR来建模。对于给定的训练样本集{(x1,y1),(x2,y2),…,(x3,y3)}，其中xi∈Rn，即气象数据、定日镜控制参数的历史数据，为二维数组格式；yi∈R，即传热介质的温度的历史数据，为一维数组格式；i＝1，2，3……，简单的线性回归函数可表示为：
f(x)＝w*x+b(1)
式(1)中，w为权值系数即权重，b为偏差。对于非线性的回归问题，支持向量机SVM的基本思想是用内积函数定义的非线性变换将输入空间变换到一个高维空间。在高维空间中寻找输入变量和输出变量之间的非线性关系：
f(x)＝w·Φ(x)+b(2)
式(2)中，Φ(x)为从输入空间到高维空间的非线性变换。
在常规的SVM算法中这种低维到高维的转换是通过核函数来实现的。常用的核函数有：
线性核函数：k(u,v)＝(u·v)
多项式核函数：k(u,v)＝(r(u·v)+coef0)d
RBF核函数：k(u,v)＝exp(-r|u-v|2)
Sigmoid核函数：k(u,v)＝tanh(r(u-v)+coef0)
其中，线性核函数主要用在线性可分情况，对于本发明来说不合适，本发明讨论的是非线性问题。多项式核函数可以使用的情况是比较简单的非线性情况，难以用于复杂情况，因此也不适用于本发明。RBF核函数可以用于各种情况，RBF核函数是应用最广的核函数，具有良好的性态，在实际问题中表现出了良好的性能，因此本发明可以采用常用的RBF核函数来实现低维到高维的转换。
通过以上流程即可建立气象数据、定日镜控制参数、传热介质的温度之间的支持向量机SVM数值模型，然后将实际历史数据代入此模型，通过支持向量机SVM算法训练学习，即可得到权重w和偏差b的数值矩阵。在得到权重w和偏差b之后，将气象数据的预测值和定日镜控制参数的预测值代入到模型中，即可计算得到传热介质的温度的预测值。具体操作流程可如图4所示，基于历史数据集和构建的初始模型进行模型训练，得到初始预测模型。基于测试数据集(测试数据集其实也是历史数据，只是将历史数据分为了大小两个部分，大的一块用来学习训练，小的一块用来验证)对初始预测模型进行测试，确定该模型是否可取，若是，则将该初始预测模型确定为最终预测模型。基于预测数据集和最终预测模型进行光热转换预测。
此处需要说明的是，本发明采用了支持向量机SVM算法来建模，在实际应用中也可以考虑使用神经网络算法，操作流程和本发明类似，具体选择哪种方法，需要根据电场的具体情况来确定，使用两种方法进行建模然后对比结果，选择预测结果更好的那一种方法。
进一步的，气象数据具体可包括但不限于以下数据中的任意一种或多种：辐照度、云量、温度、湿度和风速等。
进一步的，定日镜控制参数具体可以为定日镜角度等。
图2所示实施例中的步骤S202具体可包括以下步骤：根据传热介质的温度和传热介质的流量，基于热电数值模型，预测光热发电系统的发电功率。
具体的，针对轮机发电环节，根据传热介质的温度和传热介质的流量，预测光热发电系统的发电功率，具体可采用特定的计算公式或者利用机器学习训练得到的热电数值模型进行预测。热电数值模型具体可以为支持向量机SVM数值模型。
进一步的，基于热电数值模型，步骤S202具体可包括以下步骤S303和S304。
S303，以传热介质的温度的历史数据和传热介质的流量的历史数据作为输入，以光热发电系统的发电功率的历史数据作为输出，训练得到热电数值模型。
具体的，本步骤为轮机发电环节的热电数值模型的训练过程。以传热介质的温度的历史数据和传热介质的流量的历史数据作为轮机发电环节的热电数值模型的输入，以光热发电系统的发电功率的历史数据作为轮机发电环节的热电数值模型的输出，采用数值算法例如支持向量机SVM算法，训练得到轮机发电环节的热电数值模型。具体训练过程可以参见上述光热转换环节支持向量机SVM数值模型的训练过程，只是输入输出变量不同，此处不再赘述。
S304，以传热介质的温度的预测值和传热介质的流量的预测值作为输入，基于热电数值模型，获取输出的光热发电系统的发电功率的预测值。
具体的，本步骤为轮机发电环节的热电数值模型的预测过程。以传热介质的温度的预测值(来源于步骤S302的预测结果)和传热介质的流量的预测值(来源于控制系统)作为轮机发电环节的热电数值模型的输入，基于训练好的轮机发电环节的热电数值模型进行预测，获取轮机发电环节的热电数值模型输出的光热发电系统的发电功率的预测值。具体预测过程可以参见上述光热转换环节支持向量机SVM数值模型的预测过程，只是输入输出变量不同，此处不再赘述。
进一步的，步骤S303中，训练得到热电数值模型时，作为输入的参数的历史数据还可以包括但不限于以下参数中的任意一种或多种的历史数据：换热器传热介质侧进口温度、换热器传热介质侧出口温度、换热器轮机侧进口温度、换热器轮机侧出口温度、换热器轮机侧进口压力和换热器轮机侧进口流量等。
进一步的，步骤S304中，基于热电数值模型进行预测时，作为输入的参数的预测值还可以包括但不限于以下参数中的任意一种或多种的预测值：换热器传热介质侧进口温度、换热器传热介质侧出口温度、换热器轮机侧进口温度、换热器轮机侧出口温度、换热器轮机侧进口压力和换热器轮机侧进口流量等。
进一步的，传热介质具体可以为熔盐等。
本发明实施例的光热发电功率的预测方法，针对光热转换环节，根据气象数据和定日镜控制参数，预测传热介质的温度，实现了光热转换环节对光能量转换为的热能的预测。针对轮机发电环节，根据传热介质的温度和传热介质的流量，预测光热发电系统的发电功率，实现了轮机发电环节对热能转换为的电能的预测。综上，本发明实施例的光热发电功率的预测方法可以较为准确的预测光热发电系统的发电功率。
实施例三
图5为本发明提供的光热发电功率的预测装置一个实施例的结构示意图。本发明实施例的光热发电功率的预测装置可用于执行上述实施例一或二所示的光热发电功率的预测方法。如图5所示，本发明实施例的光热发电功率的预测装置具体可包括：第一预测模块51和第二预测模块52。
第一预测模块51，用于根据气象数据和定日镜控制参数，预测传热介质的温度。
第二预测模块52，用于根据传热介质的温度和传热介质的流量，预测光热发电系统的发电功率。
进一步的，第一预测模块51可具体用于：
根据气象数据和定日镜控制参数，基于光热数值模型，预测传热介质的温度。
进一步的，第一预测模块51可具体用于：
以气象数据的历史数据和定日镜控制参数的历史数据作为输入，以传热介质的温度的历史数据作为输出，训练得到光热数值模型；
以气象数据的预测值和定日镜控制参数的预测值作为输入，基于光热数值模型，获取输出的传热介质的温度的预测值。
进一步的，气象数据具体可包括但限于以下数据中的任意一种或多种：辐照度、云量、温度、湿度和风速等。
进一步的，定日镜控制参数具体可以为定日镜角度等。
进一步的，第二预测模块52可具体用于：
根据传热介质的温度和传热介质的流量，基于热电数值模型，预测光热发电系统的发电功率。
进一步的，第二预测模块52可具体用于：
以传热介质的温度的历史数据和传热介质的流量的历史数据作为输入，以光热发电系统的发电功率的历史数据作为输出，训练得到热电数值模型；
以传热介质的温度的预测值和传热介质的流量的预测值作为输入，基于热电数值模型，获取输出的光热发电系统的发电功率的预测值。
进一步的，第二预测模块52训练得到热电数值模型时，作为输入的参数的历史数据还包括以下参数中的任意一种或多种的历史数据：换热器传热介质侧进口温度、换热器传热介质侧出口温度、换热器轮机侧进口温度、换热器轮机侧出口温度、换热器轮机侧进口压力和换热器轮机侧进口流量；
第二预测模块52基于热电数值模型进行预测时，作为输入的参数的预测值还包括以下参数中的任意一种或多种的预测值：换热器传热介质侧进口温度、换热器传热介质侧出口温度、换热器轮机侧进口温度、换热器轮机侧出口温度、换热器轮机侧进口压力和换热器轮机侧进口流量。
进一步的，传热介质具体可以为熔盐等。
具体的，本发明实施例的光热发电功率的预测装置中的各模块，实现其功能的具体过程可参见上述实施例一或二所示的光热发电功率的预测方法。
本发明实施例的光热发电功率的预测装置，针对光热转换环节，根据气象数据和定日镜控制参数，预测传热介质的温度，实现了光热转换环节对光能量转换为的热能的预测。针对轮机发电环节，根据传热介质的温度和传热介质的流量，预测光热发电系统的发电功率，实现了轮机发电环节对热能转换为的电能的预测。综上，本发明实施例的光热发电功率的预测装置，可以较为准确的预测光热发电系统的发电功率。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。