[发明专利]一种基于机器学习的环路热管太阳能压力模式识别方法

权利要求书

1.一种基于机器学习的环路热管太阳能压力模式识别方法，包括集热装置，所述集热装置包括位于下部的集热管箱、左上管、右上管和放热管组，左上管、右上管位于集热管箱的上部，所述放热管组包括左放热管组和右放热管组，左放热管组与左上管和集热管箱相连通，右放热管组与右上管和集热管箱相连通，从而使得集热管箱、左上管、右上管和放热管组形成加热流体封闭循环，所述放热管组为一个或多个，每个放热管组包括圆弧形的多根放热管，相邻放热管的端部连通，使多根放热管形成串联结构，并且使得放热管的端部形成放热管自由端；集热管箱包括第一管口和第二管口，第一管口连接左放热管组的入口，第二管口连接右放热管组的入口，左放热管组的出口连接左上管，右放热管组的出口连接右上管；所述集热装置包括反射镜，所述集热装置包括除垢阶段，在除垢阶段，采取如下方式运行：所述压力感知元件与控制器进行数据连接，所述压力数据实时存储在数据库中，采用一维深度卷积神经网络提取数据特征，并进行模式识别，从而控制是否对集热管箱进行集热以进行除垢；

所述基于压力模式识别包括如下步骤：

1)数据准备：对数据库中的集热装置的压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性；

2)生成数据集：将准备好的数据分成训练集/训练集标签、检测集/检测集标签；

3)网络训练：将训练集数据输入卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络；通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，网络训练完成；

4)网络检测：将检测集数据输入到已经训练好的网络中，输出检测结果；

5)集热器运行：根据检测结果控制是否对集热管箱进行集热以进行除垢。

2.如权利要求1所述的一种基于机器学习的环路热管太阳能压力模式识别方法，压力感知元件设置在集热管箱内。