[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

说明书

本发明公开了一种基于DBN‑GA模型的太阳能集热系统热功率预测方法，步骤包括：1)采用一种太阳辐射在线监测系统，获取太阳辐射数据，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；2)对步骤1的各个数据，按照所获取的特征信息参数分为两类，即训练集和测试集；3)建立基于DBN‑GA算法的热功率预测模型，确定限制玻尔兹曼机模型，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；4)将测试集样本输入到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。本发明方法能够更加准确、有效的预测太阳能集热系统的热功率。

技术领域

本发明属于太阳能集热系统的热功率预测技术领域，涉及一种基于DBN-GA模型的太阳能集热系统热功率预测方法。

背景技术

随着“能源危机”“环境污染”等全球性问题的出现，太阳能作为清洁能源得到了越来越广泛的应用。太阳能集热系统在倡导建设绿色和谐地球的今天，集节能环保实用等优点于一身，太阳能集热系统的热功率是太阳能集热系统中非常重要的因素之一，直接关系到整个供热系统的安全稳定运行和资源利用最优化、效益最大化。对热功率进行实时预测具有十分重要的意义。

目前，所采用的预测方法太过于依靠人工经验，然而通过天气预报，太阳辐射在空气中被吸收量、反射量和散射量来实现，不能准确的反映出上述参量和预测结果之间的函数关系，同时也存在着误差较大，准确率不高等问题。

目前热功率预测方法有很多，其中涉及各种人工智能算法。BP神经网络可以针对该问题建立一种前反馈的预测模型，但是BP神经网络存在着“过拟合”现象，由于学习了过多的样本细节，导致学习出的模型已不能反映样本内含的规律。径向基神经网络为热功率的预测问题提供了一种比较好的结构体系，但存在着无法解释自己的推理过程和推理依据，在数据不充分时神经网络无法正常工作的缺点。

发明内容

本发明的目的是提供一种基于DBN-GA模型的太阳能集热系统热功率预测方法，采用深度信念神经网络对采集的数据进行分析，结合遗传算法进行优化，在弥补人工神经网络检测不足的同时，能够更加准确有效地预测太阳能集热系统的热功率，进而有效的达到资源利用最优化、效益最大化。

本发明所采用的技术方案是，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，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，

将单片机与电源模块、信息处理单元、4G通信模块、Zigbee通信模块和数据存储单元分别连接；将电源模块与太阳能发电模块和蓄电池分别连接；将信息处理单元的输入端与太阳辐射传感器连接，利用太阳辐射传感器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进行处理，信息处理单元将数据信息保存于数据存储单元内；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采集获取的太阳辐射数据，以及实时的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，用于预测模型的训练学习；另一类称为测试集，用于测试；

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，将经步骤2得到的训练集特征参数样本输入至该预测模型并进行训练学习，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得到的另一类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。