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。     

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。     

应用遗传算法优化BP神经网络预测太阳能PV/T系统热电产出

PV/T集热器系统是一种能够同时提供低品位热能和高品位电能的新型太阳能系统,在光伏发电同时回收光伏余热,降低光伏板温度的同时不仅可以提高发电效率,而且能够将余热收集起来并转化应用于供暖和生活热水系统。本文利用遗传算法优化神经网络的方法建立了太阳能光伏光热(PV/T)系统性能的仿真预测模型,并与单一(Back Propag ation) BP神经网络的预测模型进行了对比分析。仿真预测结果表明：太阳能PV/T系统性能遗传算法优化BP神经网络模型的预测值与实际值拟合度较好,且预测精确度优于单一BP神经网络模型。其中遗传BP神经网络模型预测电效率的平均相对误差为1%,相对误差小于2%的样本占比大于95%;预测蓄热水箱温度的绝对平均误差仅为0.2℃,最大相对误差不超过1%。     

基于多位置NWP的超短期风速预测研究

数值天气预报(NWP)是影响风电场超短期预测精度的主要因素。采用数据挖掘技术中的主成分分析方法,对位于一个风电场多个位置的NWP各指标数据进行主成分提取,获取几个综合指标,使得新的输入变量维数降低,分量间相关性减小。在此基础上,利用BP神经网络和泛化回归神经网络(GRNN)建立超短期风速预测模型,实验结果显示,基于主成分分析提取的GRNN预测模型预测精度更高。     

冷却水流量变化对板管式光伏光热系统的性能影响

不同冷却水流量条件下,板管式光伏光热(PV/T)系统的性能会发生显著变化。文章通过实验测试了当冷却水流量发生变化(0～0.25 kg/s)时,板管式PV/T组件的温度、发电功率、冷却水温度,以及板管式PV/T系统热效率的变化情况。分析结果表明:当冷却水流量为0～0.25 kg/s时,PV/T组件发电功率的平均值比PV组件增加了约5%,同时,PV/T系统的热效率可达到约57%;板管式PV/T组件的发电功率随着PV/T组件温度的升高而降低,PV/T系统的热效率随着冷却水温度的升高而升高。     

太阳能光伏光热系统性能预测研究

建立了太阳能光伏光热(PV/T)系统的BP神经网络预测模型,通过对比不同优化算法、影响因素、数据量等来寻求最佳预测精度的模型.结果表明:在选用RMSprop这种参数优化算法下,输入5因素和2600条数据量得到的模型精度较优.     

基于方管平板光伏光热系统的电热耦合性能对比研究

为了探究方管平板PV/T系统的电热综合性能,基于PV/T系统的能量转换过程,建立PV/T组件电热耦合系统的数学模型,构建了设计工况下PV/T系统的性能评估方法,分析关键参数对PV/T系统性能的影响规律,并对比不同结构下PV/T系统的变工况特性。结果表明：在设计工况下,单方管及多方管结构的PV/T系统电效率在15%左右,总效率在78%以上;随着太阳辐照强度的增大,2种系统下光伏板温度和流体出口温度均会升高,系统总效率也会提高;可以通过提高进口体积流量或者降低进口温度来提高电效率及总效率,在相同运行工况下,单方管平板PV/T系统的总效率低于多方管平板PV/T系统3.1%,且多方管平板PV/T系统的光伏板温度比单方管平板PV/T系统低9.72 K,可见多方管平板PV/T系统的综合性能更优。     

基于相似样本及PCA的光伏输出功率预测

针对光伏输出功率预测问题,提出相似样本及PCA相结合的光伏输出功率预测模型。通过对光伏发电系统历史发电量数据和气象数据相关性分析,根据辐照度具有时间周期性和邻近相似性的特性选取参考样本,求取预测日与参考样本辐照度的欧氏距离并确定相似样本,采用PCA对相似样本提取主成分作为神经网络的输入,简化网络结构。仿真结果表明,相似样本算法可以有效地对不同天气类型的光伏输出功率进行预测,基于PCA的神经网络模型可进一步提高预测精度、泛化性能更好。     

城市燃气小时负荷预测模型研究

城市燃气小时负荷预测的研究对燃气调度系统的安全与稳定具有重要意义。为了提高城市燃气小时负荷预测精度,在分析讨论主成分分析特性和BP神经网络优缺点的基础上,建立了利用主成分分析法对BP神经网络进行优化的小时负荷预测模型。该模型综合了主成分分析的降维特性和BP神经网络具有强大的自学习和自适应能力等特点,首先通过主成分分析法对所有相关影响因子进行降维处理,再将处理后累计贡献率占比85%以上的几种主成分作为输入层神经元输入BP神经网络进行训练,最后运用该组合模型对某县的小时负荷进行预测。实例分析表明:与单一模型相比,提出的PCA-BPNN组合预测模型精度更高,是一种更为有效的城市燃气小时负荷预测方法。     

环境条件和冷却水流量对光伏光热系统的性能影响

环境条件对光伏光热(PV/T)系统性能的影响十分显著。文章通过改变实验室内部的环境条件,对比分析了通风、密闭条件下,不同冷却水流量对PV/T系统的输出性能以及光伏组件温度的影响。实验结果表明:密闭条件下PV/T组件工作温度与周围环境温度的平均值比通风条件下高出约7℃;密闭条件下PV/T系统的输出功率、热效率比通风条件下分别增大约3.5%,13%。