基于支持向量回归的PV/T组件温度实时预测

在光伏光热系统中,光伏板的发电效率与PV/T组件温度密切相关。实时、精确地预测PV/T组件温度,对优化控制决策、提高光伏板发电效率具有重要意义。文章利用支持向量回归(SVR)算法建立PV/T组件温度预测模型。为了提高该模型预测结果的精确度,采用网格搜索与交叉验证相结合的方法对SVR核函数参数g和惩罚因子c进行寻优;然后,结合实验平台的测量数据,划分训练集和预测集,并对原始数据进行归一化处理;最后,文章将基于SVR算法温度预测模型的预测结果与BP神经网络的预测结果进行对比。分析结果表明:基于SVR算法温度预测模型的预测值与实测值基本一致,该模型的预测精度和泛化性能均优于BP神经网络的预测结果。

基于热泵热量传递系数预测的PV/T-SAHP系统建模

针对现有光伏光热一体化热泵(PV/T-SAHP)系统模型构建难度大且求解时间长,提出一种基于Elman神经网络和集总参数法的建模方法。根据历史数据建立热泵热量传递系数的Elman神经网络预测模型来对热泵进行简化处理,利用集总参数法构建系统各部件的热量平衡方程,从而实现了PV/T-SAHP系统的动态建模。实验结果表明,上述模型求解速度快,预测精度高,为PV/T-SAHP系统的优化控制奠定了基础。

PV/T组件动态传热建模及温度预测

为进一步提高光伏光热一体化(PV/T)组件温度预测精度,基于集总参数法对PV/T组件传热机理进行动态建模。选取典型晴天及多云天气条件日进行实验,验证了该动态模型的准确性。实验结果显示,晴天及多云天气条件下数学模型预测值的最大相对误差分别为7.8%,7.6%;平均相对误差分别为4.31%,4.37%;绝对误差平均值为2.04℃,1.94℃。相比于已有的神经网络预测方法,数学模型的预测精度更高,预测周期更短。该模型可用于PV/T系统根据温度变化情况提前制定精确的控制策略,以优化系统运行期间的节能,也可用于建立PV/T系统整体的能量传递模型,实现热能、电能的协调控制及太阳能的梯级利用。