[发明专利]基于BP神经网络模型的CSP辐射与热能预测方法

摘要

本发明公开了一种基于BP神经网络模型的CSP辐射与热能预测方法，具体包括以下步骤选取CSP辐射与热能的影响因素，确定输入输出样本，构造BP神经网络模型，利用输入输出样本训练BP神经网络，得到训练后的BP神经网络，所选取影响因素的实际数据预处理后作为测试输入数据，输入训练后的BP神经网络，即可得到辐射预测值和热能预测值。该预测方法效率高，预测数据精准，提高了光热发电系统的安全稳定运行和经济性。

主权项

基于BP神经网络模型的CSP辐射与热能预测方法，其特征在于具体包括以下步骤：A. 根据CSP辐射与热能预测系统的影响因素和所需预测数据确定输入向量和输出向量：输入向量为经过预处理剔除奇异数值的太阳辐射强度、大气透明度、云量、镜面反射效率、镜面清洁度、镜面位置以及镜面角度，输出向量为CSP辐射预测值与热能预测值；B.根据输入向量、输出向量构造符合CSP辐射与热能预测的BP神经网络模型，并根据实际预测精度要求，设定误差阈值；该步骤的具体过程为，a）根据输入向量的维数确定BP神经网络的输入层神经元数量为7；b）根据输出向量的维数确定BP神经网络的输出层神经元数量为2；c）根据输入层和输出层的神经元数量确定BP神经网络的中间层神经元数量；d）根据实际预测精度要求，设定误差阈值；C.以所选取的影响因素的历史数据生成输入向量，以所对应时刻的辐射值与热能值的历史数据作为期望输出向量，得到训练样本；将所述输入向量输入所构造的BP神经网络模型得到实际输出向量，即为辐射与热能的预测值；以辐射预测值与辐射期望值的均方根误差、热能预测值与热能期望值的均方根误差作为BP神经网络误差反向传播算法的输入数据对BP神经网络模型进行循环往复训练，直至输出的预测值与期望值之间的误差小于设定阈值，得到训练后的BP神经网络模型；D.根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，将测试输入向量输入训练后的BP神经网络模型，其输出即为待预测时刻的CSP辐射值与热能值。