發(fā)布時間：2023-12-10 18:42

　　太陽能作為可再生能源是一種綠色能源,幾乎不產生碳排放,對于環(huán)境保護具有重要的意義。同時,有機朗肯循環(huán)(Organic Rankine Cycle,ORC)系統在很多研究中用于廢氣的余熱回收利用,提高能源利用效率,同樣對于環(huán)境保護來說具有重要意義。本文主要針對太陽能輻照度的預測和太陽能發(fā)電過程的先進控制策略進行了研究。本文的主要工作包含三個部分,分別是對于太陽能輻照度的預測,對于太陽能驅動的熱發(fā)電系統的建模以及針對該系統的最優(yōu)預見控制研究。第一部分是針對太陽能輻照度,采用分層超限學習機(Hierarchical Extreme Learning Machine,H-ELM)的機器學習算法,將當前時刻天氣信息與歷史輻照度信息作為輸入,當前時刻的輻照度作為輸出提出了太陽能輻照度的預測策略,并且與其他成熟的算法進行了對比,通過對比均方根誤差,平均絕對值誤差和決定系數來判斷算法的優(yōu)劣程度,仿真結果表明H-ELM算法比其他算法具有更小的仿真誤差,說明該算法更具有優(yōu)越性。除此之外,還對這一部分做了一個拓展,采用多區(qū)域采樣的方法對不同天氣情況下的輻照度進行了場景生成,生成的多個場景可用于太陽能發(fā)電系統...

【文章頁數】：82 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
主要符號表
第1章 緒論
    1.1 選題背景及研究意義
        1.1.1 選題背景
        1.1.2 研究意義
    1.2 國內外研究現狀
        1.2.1 太陽能光熱發(fā)電國內外發(fā)展現狀
        1.2.2 太陽能光熱發(fā)電系統控制策略研究
    1.3 本文主要研究內容
第2章 基于ORC的光熱發(fā)電系統分析
    2.1 引言
    2.2 光熱發(fā)電系統原理
    2.3 太陽能驅動的ORC系統
        2.3.1 ORC系統工作原理
        2.3.2 有機朗肯循環(huán)系統特點
        2.3.3 ORC系統的熱力過程
    2.4 太陽能驅動的ORC系統發(fā)電過程分析
    2.5 本章小結
第3章 基于分層超限學習機的輻照度預測研究
    3.1 引言
    3.2 數據預處理
        3.2.1 數據來源
        3.2.2 數據分析與處理
    3.3 選取合適的模型結構和輸入數據
    3.4 分層超限學習機原理
        3.4.1 ELM學習算法
        3.4.2 H-ELM框架
        3.4.3 ELM稀疏自編碼器
    3.5 對比算法
        3.5.1 在線序列超限學習機
        3.5.2 反向傳播神經網絡
        3.5.3 支持向量回歸算法
        3.5.4 分類與回歸樹算法
    3.6 基于多區(qū)域采樣方法的太陽輻照度場景生成
        3.6.1 拉丁超立方
        3.6.2 多區(qū)域采樣
    3.7 仿真結果與討論
        3.7.1 太陽輻照度預測仿真研究
        3.7.2 基于多區(qū)域采樣的場景生成
    3.8 本章小結
第4章 太陽能驅動的ORC系統建模
    4.1 引言
    4.2 太陽能集熱部分
        4.2.1 集熱器模型
        4.2.2 輔助能量系統模型
    4.3 有機朗肯循環(huán)部分
        4.3.1 蒸發(fā)器模型
        4.3.2 汽輪機模型
        4.3.3 冷凝器模型
        4.3.4 工質泵模型
    4.4 太陽能驅動的ORC系統模型
    4.5 本章小結
第5章 太陽能發(fā)電過程的最優(yōu)預見控制
    5.1 引言
    5.2 太陽能熱發(fā)電過程
    5.3 最優(yōu)預見控制
        5.3.1 基本假設與數學模型
        5.3.2 包含可預見信號的增廣誤差系統及帶有預見作用的控制器
    5.4 仿真研究
    5.5 本章小結
第6章 結論與展望
    6.1 本文所做的工作
    6.2 存在的問題及展望
附錄
參考文獻
攻讀碩士學位期間發(fā)表的論文及其它成果
致謝



本文編號：3872930