[发明专利]基于DBN-GA模型的太阳能集热系统热功率预测方法

权利要求书

1.一种基于DBN-GA模型的太阳能集热系统热功率预测方法，采用一种太阳辐射在线监测系统，其特征在于，按照以下步骤实施：

步骤1、构建一种太阳辐射在线监测系统，

将单片机(1)与电源模块(2)、信息处理单元(3)、4G通信模块(5)、Zigbee通信模块(6)和数据存储单元(9)分别连接；将电源模块(2)与太阳能发电模块(7)和蓄电池(8)分别连接；将信息处理单元(3)的输入端与太阳辐射传感器(4)连接，利用太阳辐射传感器(4)直接获取太阳辐射数据，并将获取的数据发送给信息处理单元(3)进行处理，信息处理单元(3)将数据信息保存于数据存储单元(9)内；同时记录实时的气象实测数据以及通过计算取得历史热功率数据；

步骤2、对于步骤1得到的太阳辐射数据、气象实测数据和历史热功率数据，按照所获取的特征信息参数分为两类，一类称为训练集，另一类称为测试集；

步骤3、建立基于DBN-GA算法的热功率预测模型，并且确定限制玻尔兹曼机模型，记为RBM，将步骤2得到的训练集特征参数样本输入至该预测模型进行训练学习，得到输出结果即太阳能集热系统的热功率；

步骤4、将步骤2得到的测试集样本输入到步骤3训练好的热功率预测模型中，由热功率预测模型完成对太阳能集热系统的热功率预测。

2.根据权利要求1所述的基于DBN-GA模型的太阳能集热系统热功率预测方法，其特征在于：所述的步骤1中采用的太阳辐射在线监测系统结构是，包括主控器件的单片机(1)，单片机(1)与电源模块(2)、信息处理单元(3)、4G通信模块(5)、Zigbee通信模块(6)和数据存储单元(9)分别连接；电源模块(2)与太阳能发电模块(7)和蓄电池(8)分别连接；信息处理单元(3)的输入端与太阳辐射传感器(4)连接。

3.根据权利要求1所述的基于DBN-GA模型的太阳能集热系统热功率预测方法，其特征在于：所述的步骤3中，RBM是DBN的组成元件，每一个RBM都能够单独用作聚类器；RBM只有两层神经元，一层称为显层，由显元组成，用于输入训练数据；另一层称为隐层，由隐元组成，用作特征检测器，

具体过程如下：

3.1)充分训练第一个RBM，

从训练集中提取一组数据X，将X附给显层V⁽⁰⁾，并且计算显层使隐层神经元被开启的概率为：

式(1)中，V⁽⁰⁾是显元，W_j是权重，是隐元；

从公式(1)中抽取一个隐层的样本，即有：

h⁽⁰⁾～P(h⁽⁰⁾|V⁽⁰⁾) (2)

式(2)中，h⁽⁰⁾是隐元，V⁽⁰⁾是显元，P是公式(1)所得概率；

用h⁽⁰⁾重构显层，则有：

式(3)中，V_i⁽¹⁾是显元，是权重，h⁽⁰⁾是隐元；

同样，从公式3中再次抽取显层的样本：

V⁽¹⁾～P(V⁽¹⁾|h⁽⁰⁾) (4)

式(4)中，V⁽¹⁾是显元，h⁽⁰⁾是隐元；

用重构之后的显元计算隐元被开启的概率：

式(5)中，V⁽¹⁾是显元，W_j是权重，是隐元；

3.2)更新权重，

W←W+λ(P(h⁽⁰⁾＝1|V⁽⁰⁾)V^(0)T-P(h⁽¹⁾＝1|V⁽¹⁾)V^(1)T (6)

3.3)采用深度信念神经网络，固定第一个RBM的权重和误差，然后使用第一个RBM隐性神经元的状态，作为第二个RBM的输入向量，按照步骤3.1)和步骤3.2)继续训练；充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方；

重复以上步骤3.1)至步骤3.3)任意多次，得到RBM输出；

3.4)判断RBM输出的误差是否低于太阳能集热系统的热功率预测模型所设定的误差值，如果低于设定的误差值，则输出深度信念神经网络模型；

如果大于等于设定的误差值，则进行步骤3.5)，利用遗传算法误差反传后再重新依次执行上述步骤3.1)至步骤3.4)；

3.5)对遗传算法进行误差反传操作。