收稿日期：2022-11-18

基金項目：國家重點研發(fā)計劃（2019YFE0102000）

通信作者：雷東強（1980—），男，博士、副研究員，主要從事槽式太陽能熱發(fā)電技術方面的研究。ldqljmei@126.com

DOI：10.19912/j.0254-0096.tynxb.2022-1780 文章編號：0254-0096（2023）05-0265-09

摘 要：為解決槽式太陽能集熱場實際現場工況難以滿足現有熱性能測試標準的難題，提出一種基于混合神經網絡（ALSTM）模型預測槽式太陽能集熱場出口溫度的方法。首先對中國科學院電工研究所延慶、常州龍騰烏拉特中旗、中廣核德令哈、中船烏拉特中旗4處槽式太陽能集熱場動態(tài)熱性能實驗數據和氣象數據進行預處理與相關性分析，形成訓練樣本數據和驗證樣本數據；其次對該網絡模型進行訓練與優(yōu)化，最后進行驗證，得出上述4處集熱場實際出口溫度與預測出口溫度的最大相對誤差分別為3.00%、0.31%、1.45%、1.95%。證明了該模型的預測精度較高，為槽式太陽能集熱場實際現場熱性能預測與評價提供了一種新的方法。

關鍵詞：槽式太陽能熱發(fā)電系統；集熱場出口溫度；混合神經網絡

中圖分類號：TP183 文獻標志碼：A

0 引 言

太陽能熱發(fā)電是一種電力輸出穩(wěn)定可靠、調節(jié)靈活且可大比例承擔基礎電力負荷的可再生能源技術［1-2］。其中槽式太陽能熱發(fā)電是目前應用最廣的太陽能熱發(fā)電技術。如何精確預測與評價槽式太陽能集熱場熱性能是電站發(fā)電量和經濟性評估的重要基礎，對各地區(qū)提前制定電力調度計劃起到重要作用［3］。

目前，針對槽式太陽能集熱場出口溫度預測的研究主要是基于物理模型［4-6］。但由于物理模型所需參數多、方程復雜，且電站由于受到太陽輻照等氣象參數波動影響，實際電站現場難以滿足國內外相應熱性能測試標準工況，出口溫度的預測更加困難［7-8］。

文獻［9-11］基于神經網絡模型對全玻璃真空太陽集熱管出口溫度進行預測，證明了神經網絡模型可應用于太陽集熱管的預測。Zaaoumi等［12］搭建物理模型和人工神經網絡（artificial neural network，ANN）模型對槽式太陽能熱發(fā)電系統發(fā)電量進行預測。文獻［13］通過有限元數值模擬方法獲得集熱管溫度隨時間變化的數據訓練ANN模型，從而預測出槽式集熱管全天的出口溫度。但目前采用槽式太陽能集熱場實際現場氣象數據和測試數據對神經網絡模型進行訓練并預測出口溫度的研究較少。

本文構建能夠提取數據時間特征、解決長時依賴問題的長短時記憶神經網絡（long short-term memory，LSTM）與ANN的混合神經網絡模型，將該預測模型分別運用到中國科學院電工研究所延慶、常州龍騰烏拉特中旗、中廣核德令哈、中船烏拉特中旗槽式太陽能集熱場的出口溫度預測中。該模型無需滿足嚴格的集熱場熱性能測試標準工況，只需集熱場有足夠的實際氣象數據及運行數據，就可進行不同工況下集熱場出口溫度的預測，顯著降低了集熱場熱性能測試的技術要求。

1 槽式太陽能熱發(fā)電系統

槽式太陽能熱發(fā)電系統結構圖如圖1所示，槽式太陽能集熱場由多個槽式集熱器串、并聯排列組合，槽式集熱器包括集熱管、聚光器和支撐架。槽式聚光器追蹤太陽運動軌跡，將太陽光聚焦到位于拋物面焦線的集熱管上，加熱集熱管中的導熱油，集熱管中的導熱油被加熱到約390 ℃，吸熱后部分導熱油流經蒸汽發(fā)生器，經過換熱器，產生高溫高壓蒸汽推動汽輪機發(fā)電機組發(fā)電，另一部分導熱油經過油鹽換熱器將熱量儲存到儲熱系統中，在需要發(fā)電時儲熱系統將熱量傳遞給導熱油再次進行發(fā)電［14］。

本文涉及的集熱場中的集熱器開口寬度為5.76 m，集熱回路長度為600 m，包含4個集熱器組合（solar collector assembly，SCA），每個SCA長為 150 m；聚光器焦距為1.71 m，集熱管為電站通用標準集熱管，其金屬內管外徑70 mm；集熱場內采用導熱油作為傳熱工質；集熱場布置方式有東西軸方向放置和南北軸方向放置兩種。

本文集熱場單回路進口溫度范圍為100～380 ℃，出口溫度范圍為100～398 ℃，體積流量范圍為10～40 m3/h，太陽法線直接輻照度（direct normal irradiance，DNI）范圍為0～1000 W/m2（0為陰天輻照波動較大時的數值），太陽高度角范圍為10°～90°，太陽方位角范圍為90°～270°（正南為180°），風向范圍為100°～300°，風速范圍為0～10 m/s，環(huán)境溫度范圍為-10～35 ℃。

2 數據處理

本文建立神經網絡模型包括以下幾個步驟：獲取電站數據、數據預處理、相關性分析、劃分最終訓練樣本和測試樣本、確定神經網絡模型、使用訓練樣本訓練網絡參數，當模型達到目標要求時利用測試樣本對模型進行檢驗，最后評價檢驗神經網絡模型的性能。其流程圖如圖2所示。整個項目使用Visual Studio Code軟件進行編寫，基于TensorFlow框架搭建神經網絡模型，所用編程語言為Python。

數據樣本集決定系統的預測精度和預測速度，所以在開始訓練網絡結構之前，應該進行數據異常值剔除、歸一化、相關性分析操作。

2.1 電站數據

本文規(guī)定訓練樣本的選擇需滿足以下條件：選擇的樣本盡量覆蓋所需的、更全面的數據區(qū)域，樣本需包含本模型輸入層所需參數在不同工況下的數據，這些數據變化范圍越廣模型適應性越高，不能集中在一個區(qū)域，否則影響網絡的泛化能力，并剔除異常數據。

本文選取符合訓練樣本數據要求的中國科學院電工研究所延慶槽式太陽能集熱場8天現場分鐘級測試數據用于訓練網絡模型。另選取1天晴天和1天陰天現場測量數據用于評估不同網絡模型在其學習階段范圍外插值的能力以及預測性能，從而選擇最優(yōu)預測模型。

基于最優(yōu)預測模型，輸入常州龍騰烏拉特中旗2天、中廣核德令哈1天的分鐘級現場數據繼續(xù)訓練該模型，優(yōu)化網絡參數，使該模型提取不同地址槽式電站的數據特征。選取中船烏拉特中旗槽式太陽能集熱場1天的分鐘級現場數據，基于本文所建立的預測模型預測集熱場出口溫度，驗證該模型的通用性。

表1為中國科學院電工研究所延慶、常州龍騰烏拉特中旗、中廣核德令哈、中船烏拉特中旗槽式太陽能集熱場氣象數據和運行數據的參數表。太陽高度角和方位角考慮槽式太陽能熱發(fā)電站的位置相關問題，不同地理位置電站的DNI數值大小也不同，4個槽式太陽能集熱場現場數據都為分鐘級鏡面清潔后的集熱場單回路測試數據。

2.2 數據預處理

在網絡的訓練開始之前，本文建立異常數據批量智能識別與重構算法，將原始數據中的異常數據剔除，避免引起網絡預測誤差。

由于輸入參數量綱差異比較大，為了避免造成預測精度下降、網絡收斂速度慢等問題，需對數據進行歸一化處理，為訓練提供優(yōu)質的數據集，提高訓練效率［15］。

獲取氣象及系統運行的歷史數據，經過預處理后，得到能輸入神經網絡進行特征提取的歷史數據序列：（[x1，][x2，]…，[xt]，…，[xT-1]），其中，[t∈{1， 2， ...，" T-1}，][xt]為分鐘級[t]時刻8維氣象及運行實向量數據，[T]為集熱場出口溫度所在時間序列，將以上序列輸入神經網絡經運算處理后得到可以表征氣象及系統運行數據特征的序列（[y1，][y2，][…，][yt，][…，][yT-1]），其中，[yt]為處理后[t]時刻[n]維表征氣象及系統運行特征的實向量數據。

2.3 相關性分析

根據文獻［16］中建立的物理模型得出環(huán)境溫度、DNI、風速、風向、太陽高度角、太陽方位角、體積流量、入口溫度對出口溫度有影響，本文利用皮爾遜相關系數［17］分析集熱場出口溫度與上述參數的相關性。從表2可得出集熱場出口溫度與入口溫度、太陽高度角、體積流量、DNI、風速、太陽方位角、環(huán)境溫度相關性較大，與風向之間的相關性小于0.2。因此，通過相關性分析，剔除對出口溫度影響較小的風向，確定神經網絡模型的輸入為環(huán)境溫度、DNI、風速、太陽高度角、太陽方位角、體積流量及入口溫度。

3 神經網絡模型構建

3.1 ANN模型

人工神經網絡（ANN）模型如圖3所示，運用誤差的反向傳播來訓練，具有預測精度高的優(yōu)勢，但易出現梯度爆炸的情況，導致預測效果不佳［18］。

為避免這種情況，本文在預測模型中引入神經元隨機丟失Dropout技術，隨機丟失一部分神經元后，對于抑制梯度爆炸或消失的情況有很好的效果。人工神經網絡學習能力強，能充分逼近復雜的非線性關系。

3.2 LSTM模型

LSTM模型如圖4所示，時間步長為1 min，神經元通過輸入門、遺忘門和輸出門的狀態(tài)來實現長短時記憶功能，有效避免長期依賴和梯度爆炸的問題。

在每個時間步長中，輸入門決定是否更新神經元狀態(tài)；遺忘門決定是否刪除記憶；輸出門決定輸出信息是否可用［19］。LSTM模型的輸入由上一時刻的隱藏層狀態(tài)，上一時刻的細胞狀態(tài)信息以及當前時刻的輸入組成，多個LSTM記憶單元組合成多層的深度網絡，對序列數據的關系會有強大的記憶效果。

3.3 混合神經網絡（ALSTM）模型

基于ANN和LSTM模型預測后發(fā)現，ANN模型計算速度快，但易梯度爆炸，LSTM模型可避免長時間依賴的問題，預測相較于ANN模型更精準，但由于網絡結構復雜，計算速度隨之變慢。根據槽式太陽能集熱場溫度預測特性，綜合考慮預測精度和預測速度，本文提出混合神經網絡（artificial neural network and long short-term memory，ALSTM）模型，其結構圖如圖5所示，先利用LSTM模型提取時間特征，提高預測精度，再利用ANN模型加快計算速度。

輸入層考慮了對集熱場出口溫度有較大、獨立影響的環(huán)境溫度、DNI、風速、太陽高度角、太陽方位角、體積流量及入口溫度7個神經元，隱藏層先利用LSTM模型選取有用的神經元，提取數據時間特征，神經元數量為32，當前時刻的輸出不僅與當前輸入數據有關，還與上一時刻隱藏層狀態(tài)和細胞狀態(tài)有關，然后在LSTM之后加入兩層ANN模型加快計算速度，神經元數量分別為32、16，既避免了梯度爆炸和長時間依賴的問題，又解決了預測速度慢的問題，輸出層為集熱場單回路出口溫度。 ALSTM模型計算過程如下：

遺忘門計算公式如式（1）所示。

[ft=σ（ωfht-1+ωfxt+bf）] （1）

輸入門計算公式如式（2）所示。

[it=σ（ωiht-1，ωixt+bi）Ct=tanh（ωcht-1+ωcxt+bc）] （2）

新細胞狀態(tài)信息由遺忘門和輸入門共同決定，如式（3）所示。

[Ct=ft·Ct-1+it·Ct] （3）

LSTM的輸出由輸出門和細胞狀態(tài)信息Ct共同決定，如式（4）所示。

[ot=σ（ωoht-1+ωoxt+bo）ht=ot?tanh（Ct）] （4）

式中：ft——遺忘門的輸出值；[σ]——雙極性Sigmoid函數；ωf——遺忘門的權重矩陣；ht-1——t-1時刻網絡的輸出值；xt——t時刻的輸入；bf——遺忘門的偏置；it——輸入門的輸出值；ωi——輸入門的權重矩陣；bi——輸入門的偏置；[Ct]——t時刻記憶單元的臨時狀態(tài)；tanh——雙曲正切激活函數；ωc——輸入門的狀態(tài)權重矩陣；bc——輸入門的狀態(tài)偏置；Ct——t時刻記憶單元當前狀態(tài)；Ct-1——t-1時刻記憶單元狀態(tài)；ot——t時刻輸出門的狀態(tài)；ωo——輸出門的權重矩陣；bo——輸出門的偏置；ht——t時刻網絡的輸出值。

ANN神經元的輸出如式（5）所示，經過Dropout算法優(yōu)化后，神經元輸出如式（6）所示。

[a（l+1）i=r（j=1mω（l）jix（l）j+b（l）i）] （5）

[a（l+1）i=r（j=1mω（l）jix（l）jr（l）ji+b（l）i）] （6）

式中：r——ReLU激活函數；[ω（l）ji]——l層第j個神經元與l+1層第i個神經元間的連接權重；[x（l）j]——l層j個神經元輸入；[b（l）i]——偏差;[r（l）ji]——l層第j個神經元與l+1層第i個神經元間的丟失率。

不同神經網絡模型的隱藏層層數和每層中的神經元數量、激活函數、步長、迭代次數、優(yōu)化算法與預測精度要求密切相關。激活函數可增加網絡的非線性能力，提高神經網絡擬合復雜函數的能力，ReLU函數收斂速度快，Sigmoid函數將一個實數映射到（0，1）的區(qū)間，適用于二分類問題，Tanh函數在特征相差明顯時的效果會很好，在循環(huán)過程中會不斷擴大特征效果，Softmax函數用于多分類神經網絡輸出。激活函數的選擇對神經網絡的訓練至關重要。優(yōu)化算法例如Adam、RMSprop、SGD算法能夠調整網絡中的權重，優(yōu)化網絡參數，直至損失函數收斂。由于迭代次數和步長很大程度上影響預測精度和預測速度，本文通過理論分析和大量驗證嘗試，獲得了最優(yōu)的迭代次數和步長，不僅避免了迭代次數過多導致的網絡泛化能力變弱甚至出現過擬合的問題，也避免了步長過小導致預測時間太長的問題。

4 預測模型性能評估

本文分別運用3種神經網絡模型對槽式太陽能集熱場的出口溫度進行預測，包括ANN模型、LSTM模型以及ALSTM模型，本文所建立的神經網絡模型的輸入層神經元數量為7，輸出層神經元數量為1，環(huán)境溫度、DNI、風速、太陽高度角、太陽方位角、體積流量及入口溫度為輸入參數，單回路出口溫度為輸出參數，時間步長1 min。平均絕對誤差為損失函數，步長為64，迭代次數為1000。本文建立基于不同激活函數（ReLU函數、Sigmoid函數、Tanh函數、Softmax函數）的神經網絡模型，并利用Adam、RMSprop、SGD這3種優(yōu)化算法對不同神經網絡模型進行優(yōu)化。

選取下面3個誤差指標進行預測模型的性能評估：

1）均方根誤差（[ERMSE]），對異常點較敏感，其定義為：

[ERMSE=i=1N（Pf-Pa）2N] （7）

2）平均絕對誤差（[EMAE]），能更好地反映預測值誤差的實際情況，不易受極端值影響，目前應用較廣，一般以此為參考對比優(yōu)劣，定義為：

[EMAE=i=1NPf-PaN] （8）

3）平均絕對百分比誤差（[EMAPE]），不僅考慮預測值與真實值的誤差，還考慮誤差與真實值之間的比例，使用百分率來衡量偏離的大小，而[EMAE/ERMSE]需要結合真實值的量綱才能判斷差異，定義為：

[EMAPE=1Ni=1NPf-PaPa×100%] （9）

式中：[Pf]——預測值；[Pa]——實際值；[N]——觀測值的數量。

本文分別預測不同天氣狀況下中國科學院電工研究所延慶槽式太陽能集熱場的出口溫度，選取均方根誤差、平均絕對誤差、平均絕對百分比誤差誤差指標來評價ANN、LSTM和ALSTM模型的系統性能，以測試所提出的不同模型的預測精度。表3為不同激活函數、不同優(yōu)化算法下基于不同神經網絡模型預測的晴天工況下中科院電工所延慶槽式太陽能集熱場出口溫度與實際出口溫度的誤差統計表，直觀表達了不同模型的預測性能。

從表3可看出ANN模型下ReLU函數相較于其他激活函數，其誤差最小，Sigmoid激活函數預測效果最差。LSTM模型下ReLU函數的誤差最小，Softmax激活函數預測效果最差。ALSTM模型下Tanh函數的預測誤差最小，其次是ReLU函數，Softmax激活函數預測效果最差，因此不同模型的最優(yōu)激活函數不同，需通過試錯法尋找不同模型下最優(yōu)的激活函數。ALSTM模型下采用Tanh函數比采用Softmax函數的[EMAPE]低2.72%，因此激活函數很大程度上影響了網絡的預測效果。表3表明ANN模型下Adam算法優(yōu)于SGD算法RMSprop算法，LSTM、ALSTM模型下Adam算法明顯優(yōu)于RMSprop算法，且優(yōu)于SGD算法，Adam算法結合了Momentum和RMSprop梯度下降法，能有效適用于不同神經網絡模型，3種神經網絡在Adam優(yōu)化算法下的預測精度最高。ALSTM模型中Adam優(yōu)化算法的[EMAPE]比SGD優(yōu)化算法的低3.42%，因此優(yōu)化算法的選擇對網絡的預測精度至關重要。

圖6為不同天氣狀況下中國科學院電工研究所延慶槽式太陽能集熱場基于ANN、LSTM、ALSTM模型預測的出口溫度，可得出ALSTM模型曲線與實際出口溫度曲線擬合度最高，ALSTM模型的預測效果最佳。圖7為不同天氣狀況下基于ANN、LSTM、ALSTM模型預測的出口溫度與實際出口溫度相對誤差，陰天ANN模型的預測精度高于LSTM模型，但低于ALSTM模型，晴天ANN模型的預測精度低于LSTM模型。ANN模型加入LSTM模型后增加提取時間特征的能力，所以混合模型預測精度更高。測試集中陰天的預測精度不如晴天，主要原因是陰天工況變化量大、頻繁，具有較強的非穩(wěn)態(tài)特征，集熱場存在一定熱慣性及滯后，本文訓練集中陰天數據量比晴天偏少，導致陰天預測效果不如晴天。除此之外，可從圖中發(fā)現出口溫度隨DNI的波動而波動，兩者相關性較大。

文獻［16］中利用物理模型方法預測中國科學院電工研究所延慶槽式太陽能集熱場出口溫度，出口溫度先從264 ℃升至287 ℃，后又降至266 ℃的過程中，陰天的最大相對誤差超過±5%，相對誤差主要集中分布在±2%范圍之內，本文所提出的ALSTM模型，陰天最大相對誤差為±3%，相對誤差集中分布在-0.7%～1.5%。晴天時集熱場出口溫度從185 ℃升至307 ℃，基于物理模型預測最大相對誤差為-0.8%～1.2%，相對誤差主要集中分布于±0.8%，本文的ALSTM模型晴天最大相對誤差為-0.7%～1.5%，主要集中分布在-0.7%～1.0%。因此本文提出的ALSTM模型對預測不穩(wěn)定工況具有更高的預測精度，晴天預測精度大致相當。后期可通過增加訓練的數據量，進一步提高預測精度。

基于ALSTM模型，輸入常州龍騰烏拉特中旗2天、中廣核德令哈1天的現場數據繼續(xù)訓練模型，使該模型提取常州龍騰烏拉特中旗、中廣核德令哈槽式電站的數據特征。訓練完成后選取兩個電站各1天的現場數據進行集熱場出口溫度預測，驗證該模型是否適用于常州龍騰烏拉特中旗和中廣核德令哈槽式太陽能集熱場出口溫度的預測。

圖8為常州龍騰烏拉特中旗、中廣核德令哈槽式太陽能集熱場出口溫度基于ALSTM模型的預測效果圖。圖9為上述兩處集熱場實際出口溫度和預測出口溫度之間的相對誤差，從圖8中可得出，本文所提出的ALSTM模型同樣適用于上述兩處集熱場出口溫度的預測，其中常州龍騰烏拉特中旗槽式太陽能集熱場出口溫度的相對誤差為-0.27%～0.31%，中廣核德令哈槽式太陽能集熱場出口溫度的相對誤差為-1.45%～0.88%?；旌仙窠浘W絡模型預測精度高，滿足槽式太陽能熱發(fā)系統的發(fā)電量預測要求。

選取中船烏拉特中旗槽式太陽能集熱場1天的分鐘級現場數據，采用訓練好的ALSTM模型進行出口溫度的預測，圖10為中船烏拉特中旗槽式太陽能集熱場出口溫度基于ALSTM模型的預測效果圖，基于ALSTM模型預測的出口溫

度與實際出口溫度之間的[EMAPE、EMAE、ERMSE]分別為0.34%、1.7 ℃、2.5 ℃，相對誤差為[-1.95%～1.59%]，驗證了本文訓練的該ALSTM模型具有較好的通用性。

表4為中國科學院電工研究所延慶、常州龍騰烏拉特中旗、中廣核德令哈、中船烏拉特中旗槽式太陽能集熱場出口溫度與實際出口溫度的EMAPE、EMAE、ERMSE誤差統計表，可知上述4處槽式太陽能集熱場的實際出口溫度與預測出口溫度之間誤差較小。

ALSTM模型60 s能夠預測集熱場一天的出口溫度，而LSTM模型需要80 s，ANN模型需要50 s，綜合考慮預測精度以及預測速度，ALSTM模型為該集熱場出口溫度預測系統下的最優(yōu)模型。

針對槽式太陽能集熱場，只需提供該槽式電站若干天具有樣本數據要求特征的實際氣象及現場運行數據，就可利用本文所提出的ALSTM模型精確預測集熱場的出口溫度。基于預測的出口溫度，可利用式（10）計算該集熱場在不同溫度工況下的得熱量，式（11）計算熱效率［16］，進而可評價槽式太陽能集熱場的熱性能，解決了實際電站集熱場難以滿足熱性能測試標準所需要的穩(wěn)態(tài)或準穩(wěn)態(tài)測試條件要求的問題。

[Q=mcoil（Tfo-Tfi）] （10）

[ηa=mcoil（Tfo-Tfi）AaGbp] （11）

式中：[m]——傳熱流體質量流量，kg/s；[coil]——導熱油的比熱容，J/（kg·K）；[Tfo]——集熱場出口溫度，℃；[Tfi]——集熱場入口溫度，℃；[ηa]——基于槽式集熱場采光面積的熱效率；[Aa]——集熱場采光面積，m2；[Gbp]——當只考慮余弦損失時，DNI垂直于槽式集熱器采光平面的部分，其值由DNI和余弦因子的乘積計算得到，W/m2。

本文針對實際運行電站進行集熱場熱性能評價，具體分析中廣核德令哈槽式電站所測試集熱回路在2022年5月21日11：00—14：45時間段內系統瞬態(tài)熱效率為0.49～0.74，測試期間實際總得熱量是5028 kWh，預測總得熱量為5018 kWh，預測誤差小于1%，證明本文所提混合神經網絡模型可應用于槽式太陽能集熱場熱性能評價。

5 結 論

為解決槽式太陽能集熱場實際現場工況難以滿足現有熱性能測試標準的難題，本文提出一種基于ALSTM模型的槽式太陽能集熱場出口溫度預測方法，只需提供若干天具有樣本數據要求特征的實際現場運行數據即可進行預測。對不同電站數據進行相關性分析、歸一化、異常數據剔除預處理操作，分析輸入參數的相關性，得出最終需要的輸入參數為：環(huán)境溫度、DNI、風速、太陽高度角、太陽方位角、體積流量、入口溫度。

本文搭建不同神經網絡模型進行大量的測試和驗證，得出如下主要結論：

1）ANN模型、LSTM模型中ReLU函數為最佳激活函數，ALSTM模型中Tanh函數為最佳激活函數，因此不同模型的最優(yōu)激活函數不同，需要通過試錯法尋找不同模型下最優(yōu)的激活函數。3種神經網絡模型在Adam優(yōu)化算法下的預測精度最高，Adam算法有效適用于不同神經網絡模型。

2）ALSTM模型預測精度明顯優(yōu)于其他兩種模型，既避免了梯度爆炸和長時間依賴的問題，又解決了預測速度慢的問題。且發(fā)現集熱場出口溫度隨DNI的波動而波動，兩者相關性較大。

3）本文提出的ALSTM模型與物理模型相比，對預測不穩(wěn)定工況具有更高的預測精度。

4）本文分別對不同地理位置、不同太陽氣象資源的中國科學院電工研究所延慶、常州龍騰烏拉特中旗、中廣核德令哈、中船烏拉特中旗槽式太陽能集熱場出口溫度進行預測，基于該模型預測4個槽式太陽能集熱場出口溫度與實際出口溫度的最大相對誤差分別為3.00%、0.31%、1.45%、1.95%，驗證了只要輸入環(huán)境溫度、DNI、風速、太陽高度角、太陽方位角、體積流量、入口溫度這些數據，并進行異常值剔除和歸一化后，基于本文所建立的ALSTM模型就可實現多種地理位置氣象條件及工況的槽式太陽能集熱場出口溫度的預測，本文所建立的ALSTM模型具有較好的通用性。

本文所提神經網絡模型解決了氣象數據波動大以及現場測試工況難以滿足實際電站集熱場現場熱性能測試標準的問題，為后續(xù)建立一種適應于實際現場、規(guī)避嚴格的測試條件要求的槽式太陽能集熱場熱性能評價方法提供重要的理論基礎和支撐。

［參考文獻］

［1］ 姚玉璧， 鄭紹忠， 楊揚， 等. 中國太陽能資源評估及其利用效率研究進展與展望［J］. 太陽能學報， 2022， 43（10）： 524-535.

YAO Y B， ZHENG S Z， YANG Y， et al. Progress and prospects on solar energy resource evaluation and utilization efficiency in China［J］. Acta energiae solaris sinica， 2022， 43（10）： 524-535.

［2］ 王志峰， 杜鳳麗. 2015～2022年中國太陽能熱發(fā)電發(fā)展情景分析及預測［J］. 太陽能， 2019（11）： 5-10， 69.

WANG Z F， DU F L. Scenario analysis and forecast of China′s solar thermal power generation from 2015 to 2022 ［J］. Solar energy， 2019（11）： 5-10， 69.

［3］ 余洋， 陳庚， 余佳磊， 等. 基于聚類和長短期記憶神經網絡的光熱電站并網電力預測［J］. 熱力發(fā)電， 2021， 50（9）： 128-136.

YU Y， CHEN G， YU J L， et al. Grid-connected power forecasting of concentrating solar power plants based on clustering and long short-term memory neural network［J］. Thermal power generation， 2021， 50（9）： 128-136.

［4］ 宋士金. 槽式太陽能熱發(fā)電計算的模擬仿真［D］. 呼和浩特： 內蒙古工業(yè)大學， 2014.

SONG S J. Simulation of a parabolic trough solar thermal power" generation" system［D］." Hohhot：" Inner" Mongolia University of Technology， 2014.

［5］ 王強. 槽式太陽能集熱系統動態(tài)性能與試驗方法研究［J］. 科技創(chuàng)新與應用， 2022， 12（26）： 74-77.

WANG Q. Study on dynamic performance and test method of" "trough" "solar" heat" collection" system［J］." Technology innovation and application， 2022， 12（26）： 74-77.

［6］ 李博， 苑曄. 槽式太陽能熱發(fā)電系統數值模擬研究［J］. 華電技術， 2018， 40（7）： 14-17， 77.

LI B，YUAN Y. Numerical simulation studies of parabolic trough solar thermal power generation system［J］. Huadian technology， 2018， 40（7）： 14-17， 77.

［7］ ROHANI S， FLURI T P， DINTER F， et al. Modelling and simulation of parabolic trough plants based on real operating data［J］. Solar energy， 2017， 158： 845- 860.

［8］ SALLABERRY F， VALENZUELA L， PALACIN L G. On-site" parabolic-trough" collector" testing" in" solar" thermal power plants： experimental validation of a new approach developed" for" the" IEC" 62862-3-2" standard［J］." Solar energy， 2017， 155： 398-409.

［9］ DU B， LUND P D，WANG J， et al. Comparative study of modelling the thermal efficiency of a novel straight through evacuated tube collector with MLR， SVR， BP and RBF methods［J］." " Sustainable" " "energy" " "technologies" " "and assessments， 2021， 44： 101029.

［10］ 李滿峰， 李素萍， 范波. 基于遺傳神經網絡的太陽能集熱器仿真研究［J］. 中國電機工程學報， 2012， 32（5）： 126-130.

LI M F， LI S P， FAN B. Research on solar collector simulation based on genetic-BP algorithm［J］. Proceedings of the CSEE， 2012， 32（5）： 126-130.

［11］ 梅榮. 基于ANN的太陽能集熱器熱特性仿真研究［D］. 呼和浩特： 內蒙古農業(yè)大學， 2011.

MEI R. Modeling analysis of thermal characteristics of solar" collectors" based" on" artificial" neural" network［D］. Hohhot： Inner Mongolia Agricultural University， 2011.

［12］ ZAAOUMI A， BAH A， CIOCAN M， et al. Estimation of the energy production of a parabolic trough solar thermal power plant using analytical and artificial neural networks models［J］. Renewable energy， 2021， 170： 620-638.

［13］ HENG S Y， ASAKO Y， SUWA T， et al. Transient thermal prediction methodology for parabolic trough solar collector" " tube" " using" " artificial" " neural" " network［J］. Renewable energy， 2019， 131： 168-179.

［14］ LEI D Q， FU X Q，REN Y C， et al. Temperature and thermal stress analysis of parabolic trough receivers［J］. Renewable energy， 2019， 136： 403-413.

［15］ YU Y J， CAO J F， ZHU J Y. An LSTM short-term solar irradiance forecasting under complicated weather conditions［J］. IEEE access， 2019， 7： 145651-145666.

［16］ 徐立. 拋物面槽式太陽能集熱器熱性能動態(tài)測試研究［D］. 北京： 中國科學院大學， 2013.

XU L. A study on the dynamic test to determine thermal performance" "of" "parabolic" "trough" "solar" "collectors［D］. Beijing： University of Chinese Academy of Sciences， 2013.

［17］ 張雲欽， 程起澤， 蔣文杰， 等. 基于EMD-PCA-LSTM的光伏功率預測模型［J］. 太陽能學報， 2021， 42（9）： 62-69.

ZHANG Y Q， CHENG Q Z， JIANG W J， et al. Photovoltaic power prediction model based on EMD-PCA-LSTM［J］. Acta energiae solaris sinica， 2021， 42（9）： 62-69.

［18］ GUO S， PEI H J， WU F， et al. Modeling of solar field in direct steam generation parabolic trough based on heat transfer mechanism and artificial neural network［J］. IEEE access， 2020， 8： 78565-78575.

［19］ 栗然， 馬濤， 張瀟， 等. 基于卷積長短期記憶神經網絡的短期風功率預測［J］. 太陽能學報， 2021， 42（6）： 304-311.

LI R， MA T， ZHANG X， et al. Short-term wind power prediction" " based" " on" " convolutional" " long-short-term memory neural networks［J］. Acta energiae solaris sinica， 2021， 42（6）： 304-311.

OUTLET TEMPERATURE PREDICTION OF PARABOLIC TROUGH

SOLAR FIELD BASED ON HYBRID NEURAL NETWORK

Yan Lu1，Lei Dongqiang2，3，Li Xiao1，Xu Li2，3，Dong Jun4，Wang Zhifeng2，3

（1. School of Electrical and Control Engineering， North University of China， Taiyuan 030051， China；

2. Institute of Electrical Engineering of the Chinese Academy of Sciences， Beijing 100190， China；

3. University of Chinese Academy of Sciences， Beijing 100049， China；

4. CGN Solar Energy Development Co.， Ltd.， Beijing 100070， China）

Abstract：In order to solve the problem that the actual field conditions of the trough solar collector field cannot meet the existing thermal performance test standards， a method of predicting the outlet temperature of the trough solar collector field based on hybrid neural network （ALSTM） model is proposed in this paper. Firstly， the experimental data and meteorological data of dynamic thermal performance of trough solar heat collecting fields in Institute of Electrical Engineering Chinese Academy of Sciences-Yanqing ， Changzhou Longteng Wulat Middle Qi， Delingha of China General Nuclear Power Corporation and Wulat Middle Qi of China Ship of Electric Power are preprocessed and correlation analysis is carried out to form training sample data and verification sample data. Secondly， the network model is trained and optimized， and finally verified. It is concluded that the maximum relative errors between the actual and predicted outlet temperatures of the four heat collection fields are 3.00%， 0.31%， 1.45% and 1.95%， respectively. It is proved that the prediction accuracy of this model is high， and it provides a new method for the actual field thermal performance prediction and evaluation of trough solar heat collecting field.

Keywords：trough solar thermal power system； outlet temperature of heat collector field； hybrid neural network