基于支持向量回归的PV/T组件温度实时预测

发布时间：2021-10-16 14:20

　　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。 

【文章来源】：可再生能源. 2020,38(08)北大核心

【文章页数】：7 页

【部分图文】：

水冷式平板型PV/T组件结构图

图2为PV/T系统结构图。由图2可知，PV/T系统主要包括PV/T组件、水泵、变频器、数据采集系统、计算机监控系统。其中，数据采集系统包括了校园气象站、温度传感器、流量计等，可采集PV/T系统的各项数据。水泵频率可以根据PV/T组件温度情况进行手动控制或者由MATLAB生成控制算法进行自动控制，使得光伏组件能够在适宜的温度环境下工作，既提高了发电效率，又能够实现热量回收。

SVR温度预测模型的建立过程及其实时预测流程

【参考文献】：
期刊论文
[1]基于PCA-Elman神经网络的短期PV/T组件温度预测[J]. 李畸勇,赵振东,李宜生,肖晶,汤允凤.  可再生能源. 2017(12)
[2]基于网格搜索与交叉验证的SVM磨机负荷预测[J]. 罗小燕,陈慧明,卢小江,熊洋.  中国测试. 2017(01)
[3]气象要素对太阳能电池板温度的影响[J]. 潘进军,申彦波,边泽强,王香云.  应用气象学报. 2014(02)
[4]基于多维时间序列局部支持向量回归的微网光伏发电预测[J]. 黄磊,舒杰,姜桂秀,张继元.  电力系统自动化. 2014(05)
[5]基于网格搜索和交叉验证的支持向量机在梯级水电系统隐随机调度中的应用[J]. 纪昌明,周婷,向腾飞,黄海涛.  电力自动化设备. 2014(03)
[6]基于BP神经网络的光伏阵列温度预测[J]. 徐瑞东,戴瀹,孙晓燕.  工矿自动化. 2012(07)
[7]基于改进的网格搜索法的SVM参数优化[J]. 王健峰,张磊,陈国兴,何学文.  应用科技. 2012(03)



本文编号：3439961