基于改进CNN的光热电场太阳直接法向辐射预测研究

为了在实际运行中更好地利用光热电站,文章建立了一种基于改进卷积神经网络的光热电场太阳直接法向辐射的预测模型。首先,通过分析光热发电系统的运行机理,得到影响光热发电系统出力的主要因素是太阳直接法向辐射,并根据太阳直接法向辐射特点选用卷积神经网络对其进行预测;然后,针对卷积神经网络在实际应用过程中存在的预测精度较低和训练时间较长的问题,引入带有稀疏约束的损失函数和自适应学习率思想,并提出一种改进卷积神经网络;最后,利用改进卷积神经网络建立了光热电场太阳直接法向辐射的预测模型。模拟结果表明:文章提出的改进卷积神经网络能够解决一般卷积神经网络在实际应用中存在的预测精度较低和训练速度较慢的问题;基于改进卷积神经网络的预测模型可以较准确地预测出太阳直接法向辐射的变化趋势及其数值。

基于DNN的光热电站聚光场太阳直接法向辐射预测模型

因为太阳能固有的随机性和波动性会造成以其为能量来源的光热发电系统输出功率的不稳定,所以该文利用深度神经网络建立了一种光热电站聚光场太阳直接法向辐射的预测模型。结合光热电站的主要能量流和运行状态,确定影响其出力的主要因素;从理论方面说明利用深度神经网络预测太阳直接法向辐射的可行性;以实际应用对象为背景,对预测模型的网络结构进行设置,使之达到一般预测模型所要求的精度。通过对实际预测性能和对应网络评价指标进行分析,得出所建立的基于深度神经网络的太阳直接法向辐射预测模型的准确性和有效性。

基于改进递归深度信念网络的CSP电站短期出力预测

以预测CSP电站短期出力为目的,首先引入自适应思想对递归深度信念网络的训练算法进行改进,并建立直接法向辐射的短期预测模型。随后提出一种结合静态模型的CSP电站短期出力预测方法。最后进行性能检验,验证了改进递归深度信念网络的可行性,以及CSP电站短期出力预测方法的有效性。研究结果表明:建立的改进递归深度信念网络可提升预测准确性和收敛速度;提出的CSP电站短期出力预测方法可较为准确地预测其短期出力情况。