|本期目录/Table of Contents|

[1]李锦键,王兴贵,杨维满.基于DNN的光热电站聚光场太阳直接法向辐射预测模型[J].工业仪表与自动化装置,2020,(05):129-133.[doi:1000-0682(2020)05-0000-00]
　LI Jinjian,WANG Xinggui,YANG Weiman.A solar direct normal irradiance prediction model based on DNN for concentrating solar power station’s solar field[J].Industrial Instrumentation & Automation,2020,(05):129-133.[doi:1000-0682(2020)05-0000-00]
点击复制

基于DNN的光热电站聚光场太阳直接法向辐射预测模型

《工业仪表与自动化装置》[ISSN:1000-0682/CN:61-1121/TH]

卷:
期数:
2020年05期
页码:
129-133
栏目:
出版日期:
2020-10-15

文章信息/Info

Title:
A solar direct normal irradiance prediction model based on DNN for concentrating solar power station’s solar field
作者:
李锦键; 王兴贵; 杨维满
兰州理工大学 电气工程与信息工程学院，兰州 730050
Author(s):
LI Jinjian;  WANG Xinggui;  YANG Weiman
Electrical Engineering and Information Engineering, Lanzhou University of Technology, Lanzhou 730050, China
关键词:
光热发电系统; 直接法向辐射; 深度神经网络; 时间序列预测
Keywords:
concentrating solar power system;  direct normal irradiance;  deep neural networks;  time series prediction
分类号:
TM615
DOI:
1000-0682(2020)05-0000-00
文献标志码:
A
摘要:
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。
Abstract:
Because the inherent randomness and fluctuation of solar energy will inevitably cause the instability of the concentrating solar power(CSP) station’s output power which uses the solar energy as its energy source,this paper established a solar direct normal irradiance(DNI) prediction model of CSP solar field based on deep neural networks(DNN).Combined the main energy flow and operating status of CSP station to determine the main factors affecting its output.The feasibility of using DNN to predict DNI is explained theoretically.The network structure of prediction model is set to achieve the accuracy required by the general prediction model with actual application objects as the background. By analyzing the actual prediction performance and corresponding network evaluation indexes,the accuracy and validity of the established DNI prediction model based on DNN is obtained.

参考文献/References:

[1] 杜尔顺,张宁,康重庆,等.太阳光热发电并网运行及优化规划研究综述与展望[J].中国电机工程学报,2016,36(21): 5765-5775+6019.?div>[2] 陈润泽,孙宏斌,李正烁,等. 含储热光热电站的电网调度模型与并网效益分析[J].电力系统自动化,2014,38(19):1-7.

[3] 周晋,吴业正,晏刚,等.利用神经网络估算太阳辐射[J]. 太阳能学报, 2005,26(4):509-512.
[4] 王卫东,李净,张福存,等.基于BP神经网络的太阳辐射预测——以兰州市为例[J].干旱区资源与环境,2014, 28(02): 185-189.
[5] 高亮,张新燕,张家军,等.基于拟合剔除的优化小波神经网络太阳辐射量预测[J].电测与仪表,2019,56(11): 89-93.
[6] ZHANG L, MA W, ZHANG D. Stacked sparse auto- encoder in PolSAR data classification using local spatial information[J].IEEE Geoscience and Remote Sensing Letters,2016,13(9):1359-1363.
[7] HINTON G E, SALAKHUTDINOV P R. Reducing the dimension- nality of data with neural networks[J]. Science, 2006, 313(5786): 504-507.
[8] 常建芳. 基于集成学习和卷积神经网络的太阳能辐照度预测方法[D]. 天津:天津大学, 2018.
[9] 张宇帆,艾芊,林琳,等.基于深度长短时记忆网络的区域级超短期预测预测方法[J].电网技术,2019,43(6): 1884-1891.
[10] 王粟,江鑫,曾亮,等.基于VMD-DESN-MSGP模型的超短期光伏功率预测[J/OL].电网技术,1-10[2020-01-12]. http://doi.org/10.13335/j.1000-3637.pst.2019.0958.
[11] 张中丹,李锦键,王兴贵,等.基于静态模型的光热储能电站发电量优化策略[J].电力建设,2019,40(10):111-117.
[12] 李慧媛. 基于深度信念网络模型的时间序列预测研究[D].兰州:兰州大学, 2018.
[13] 张悦,申彦波,石广玉.面向光热发电的太阳能短期预报技术[J].电力系统自动化,2016,40(19):158-167.
[14] 国家气象信息中心[EB/OL]. (2018-03-01) [2020-02-08]. http://data.cma.cn./.
[15] HINTON G E,OSINDERO S,The Y.A fast learning algorithm for deep belief nets[J].Neural Computation,2006,18: 1527-1554.
[16] BENGIO Y. Learning Deep Architectures For AI: Foundations and Trends in Machine Learning[M].NOW Publishers, 2009.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2020-02-12
基金项目：国家自然科学基金项目（51867016）；国家电网公司科学技术项目（52272817000L）
作者简介：李锦键（1995），男，硕士研究生，从事可再生能源发电系统与控制的研究，E-mail：Lijinjian0326@163.com
更新日期/Last Update: 1900-01-01