基于最小二乘支持向量机的太阳能集热效率预测

发布时间：2021-08-02 18:48

　　准确的预测出太阳能集热效率对太阳能集热发展有着重要的意义。提出了一种基于最小二乘支持向量机（LSSVM）的太阳能集热效率预测模型,首先将原始数据分为训练数据和测试数据,对训练数据进行预处理,其次利用预处理后的训练数据对LSSVM预测模型训练,同时利用遗传算法（GA）对LSSVM参数进行优化,得到最优的LSSVM预测模型并对太阳能集热效率进行预测,最后将结果与人工神经网络（ANN）和时间序列进行对比。结果表明,LSSVM预测模型具有好的预测效果和更低的误差。 

【文章来源】：工业加热. 2020,49(06)

【文章页数】：5 页

【部分图文】：

测试数据输入变量曲线

本文通过GA优化LSSVM参数，得到基于LSSVM的太阳能集热效率预测模型。首先将获取到的原始数据分为训练数据和测试数据，为避免训练数据的差异性，对训练数据进行归一化处理，通过归一化后的训练数据训练太阳能集热效率预测模型，在训练的同时利用遗传算法对LSSVM参数进行优化，最后确定预测模型。图2所示为基于LSSVM的太阳能集热效率预测模型流程图。3 实验仿真与结果分析

本文以月平均气温、月平均日照时数、月平均太阳总辐射量、月平均日照百分率作为基于GA优化LSS-VM的太阳能集热效率预测模型的输入参数，预测太阳能集热功率。通过遗传算法对LSSVM进行参数寻优，经过200次迭代后，可以得到如图3所示的适应度曲线，从图3可以看出，经过多次调整后，适应度MSE最终稳定于0.051 9。此时得到的最优参数，Cbest=2.203 6,!best=0.000 953 68。将得到的最优参数代入预测模型中，就得到了基于LSSVM太阳能集热效率最优预测模型。利用相同的数据集，分别对ANN和时间序列进行训练和测试，将其得到的预测结果与LSSVM进行比较，比较的结果如图4所示。通过图4结果曲线的对比可知，基于LSSVM的太阳能光热效率预测模型的预测精度明显高于ANN预测模型和时间序列预测模型。

【参考文献】：
期刊论文
[1]基于改进鱼群算法与最小二乘支持向量机的短期负荷预测[J]. 宋学伟,刘天羽,江秀臣,盛戈皞,刘玉瑶.  电气技术. 2019(11)
[2]基于改进线性回归方法的任务自适应排序模型[J]. 吴宇航,查文中,葛建军,杨文山.  华中科技大学学报(自然科学版). 2020(01)
[3]基于ν-支持向量机的事故工况下反应堆功率预测[J]. 蒋波涛,黄新波,Hines J.Wesley,赵福宇.  核动力工程. 2019(06)
[4]基于人工神经网络的生土基砌体抗压强度预测[J]. 兰官奇,王毅红,张建雄,董飞.  华中科技大学学报(自然科学版). 2019(08)
[5]基于二次自适应支持向量机的光伏输出功率预测[J]. 殷豪,陈云龙,孟安波,林艺城.  太阳能学报. 2019(07)
[6]基于时间序列分析与卡尔曼滤波的输电线路覆冰短期预测[J]. 黄新波,李弘博,朱永灿,王玉鑫,郑心心,王一各.  高电压技术. 2017(06)
[7]基于遗传优化支持向量机的变压器绕组热点温度预测模型[J]. 陈伟根,滕黎,刘军,彭尚怡,孙才新.  电工技术学报. 2014(01)
[8]灰色理论用于风力发电容量中长期预测的研究[J]. 孟祥星,田成微,冬雷,高阳,郝颖,廖晓钟.  电力系统保护与控制. 2011(21)
[9]遗传算法理论研究综述[J]. 戴晓晖,李敏强,寇纪淞.  控制与决策. 2000(03)

硕士论文
[1]nLM-TIM填充型热管式真空管太阳能集热器研究[D]. 樊攀.北京建筑大学 2019
[2]热管真空管槽式太阳能集热器传热机理及实验研究[D]. 王甲斌.内蒙古工业大学 2019
[3]基于关联规则分析的电力变压器故障马尔科夫预测模型研究[D]. 周立玮.重庆大学 2017
[4]太阳能集热器热性能研究[D]. 刘建波.兰州理工大学 2014



本文编号：3318085