基于混合xLSTM-Informer模型及改进的卷积神经网络的太阳能塔电站数据驱动建模
《Renewable Energy》:Data-driven modeling of solar tower power plants based on a hybrid xLSTM-Informer model with improved convolutional neural network
【字体:
大
中
小
】
时间:2026年05月08日
来源:Renewable Energy 9.1
编辑推荐:
侯国莲|傅荣|张帆华北电力大学控制与计算机工程学院,北京 102206,中国摘要太阳塔发电厂因其解决能源可持续性挑战的潜力而受到了广泛关注。然而,由于强烈的天气依赖性,聚光太阳能系统具有显著的间歇性和可变性。这不仅复杂化了电网调度,还可能影响电力系统的供需平衡。因此,建立聚光太阳
侯国莲|傅荣|张帆
华北电力大学控制与计算机工程学院,北京 102206,中国
摘要
太阳塔发电厂因其解决能源可持续性挑战的潜力而受到了广泛关注。然而,由于强烈的天气依赖性,聚光太阳能系统具有显著的间歇性和可变性。这不仅复杂化了电网调度,还可能影响电力系统的供需平衡。因此,建立聚光太阳能系统的准确模型对于维持电网稳定运行和提高可再生能源利用效率至关重要。为此,我们设计了一个混合Informer框架,并结合扩展的长短期记忆框架来捕捉长期特征。此外,我们提出了一个多尺度膨胀卷积网络,以减轻卷积神经网络中的信息退化,并加强对多个输入变量之间复杂非线性依赖关系的建模。实验结果表明,该模型表现良好,输出变量(接收器热流和发电量)的标准化平均绝对误差分别为9.140E-02和1.433E-01。这些结果证实了该模型的优越预测性能和适应性,为推进可再生能源预测方法提供了有价值的贡献。未来的工作将重点研究该模型在塔式太阳能热发电厂定日镜跟踪控制框架中的应用。
引言
近年来,随着环境问题日益突出以及减少碳排放的迫切需求,对可再生能源的需求大幅增加[1],[2],成为解决环境问题的关键力量。因此,储能技术是可再生能源整合的基石[3]。在国际形势和政策要求下,新能源迎来了新的跨越式发展,这反过来又对现代电力系统的灵活性提出了更高的要求。因此,有必要用新的清洁能源(如太阳能)替代这些能源。利用太阳能有两种主要方法[4]:光伏转换和太阳能热转换。与光伏系统相比,太阳能热技术具有更高的能量转换效率,而热储能的集成提高了发电稳定性。太阳能热发电结合了电力生产和热存储能力,提供了与传统热电厂类似的控制特性[5],[6]。
太阳塔发电厂引起了各个领域研究人员的兴趣。Xu等人[7]提出了一种基于深度学习的太阳能热发电厂功率预测方法,其中主要气象因素被用作预测模型的输入,并进行了严格的热力学建模。Yerudkar等人[8]使用深度学习方法提取主要影响因素的时空特征,并提前半小时准确预测系统热功率,这对于提高太阳能热发电厂的安全性和经济性具有重要意义。太阳能塔集成布局和优化工具(SolarPILOT)软件中的算法也可用于优化镜场布局并调整定日镜瞄准策略,以减少定日镜跟踪误差[9]。Maiga等人[10]总结了各种定日镜的误差来源和校正策略,并在此基础上开发了一种改进的Harris Hawks优化(HHO)方法,用于优化塔式太阳能热设施中的定日镜场配置,实现了更高的年平均性能。多项研究表明,结合数据驱动和模型驱动的方法可以显著提高模型性能[11],[12]。Gao等人[13]提出了一种基于Transformer框架的零样本时间序列预测模型,能够在不对目标数据集进行预训练的情况下实现多源时间序列预测。Rizzo等人[14]实施了一个双层神经网络,并用低分辨率图像对其进行训练,以分类手写数字。Wang等人[15]提出了S2TAT网络,该网络结合了时间图卷积和多头注意力机制,用于建模时空关系并处理交通预测中的数据异质性。
然而,尽管自注意机制在捕捉全局依赖关系方面表现出色[16],但在建模局部时间模式方面的能力有限。为了解决这一限制,我们采用了一种混合模型,结合了扩展的长短期记忆(xLSTM)和互补的神经网络组件。这种设计增强了局部特征提取,减少了预测误差,并提高了模型捕捉塔式CSP发电厂中非线性动态的能力[17]。历史数据的区分是精确预测下一个元素的重要条件,这增强了复杂非线性相关性的建模和长时间热力学行为的识别[18]。
为了提供多尺度卷积特征并丰富输入特征的多样性和表现力,本文提出了一种多尺度膨胀卷积网络(MSDCN)结构,有助于准确捕捉局部时间细节和短期波动特征。Cui等人[19]提出了一种结合鲸鱼优化算法、基于注意力的LSTM和CNN的负载预测模型,以优化超参数。准确高效的模型对于确保电力系统的不间断运行至关重要。一些研究将CNN与基于注意力的双向长短期记忆(ABiLSTM)[20]相结合。总之,Informer架构能够建模长期和短期依赖关系,通过与增强型CNN的结合,从而提高预测准确性和稳定性。
超参数的选择显著影响Informer网络的建模精度。Wan等人[21]使用混合遗传算法-粒子群优化(GA-PSO)方法优化了支持向量机(SVM)的超参数。Sparrow搜索算法(SSA)被应用于优化非线性自回归模型的参数,以有效预测研究区域春季、夏季、秋季和冬季的风速[22]。CNN-LSTM混合架构中的超参数优化使用了coati算法[23]。同时,Jafari等人[24]应用粒子群优化(PSO)算法进行参数优化,证明系统探索解决方案空间可以提高模型精度和预测结果的可靠性。然而,与其它优化算法相比,蜣螂优化(DBO)算法在捕捉复杂变量依赖关系方面表现更优。Liu等人[25]提出了一种基于DBO的参数优化方法,用于最小二乘支持向量机,表现出更好的预测性能、稳定性和泛化能力。
尽管最近取得了进展,现有的CSP电站建模模型仍然面临关键挑战:同时捕捉全局长期依赖关系和局部短期波动的难度,以及单尺度卷积架构在提取异构变量之间的多尺度非线性相关性方面的能力有限。
为了解决这些问题,本研究提出了一种混合xLSTM-Informer-MSDCN框架,用于数据驱动的太阳塔发电厂建模,其中Informer捕捉全局时间依赖关系,xLSTM建模长程序列动态,MSDCN提取多尺度局部特征。进一步应用DBO算法优化关键超参数。与CNN-Informer、LSTM-Transformer[26]和xLSTM等先进方法相比,本文中的模型更适合CSP模型。具体比较见表1。本文的主要贡献和创新如下:
- (1)
我们提出了一种三分支融合架构,结合了xLSTM、Informer和MSDCN,并通过自适应融合门和跨层注意力对齐机制进行了增强,以及一个物理约束的惩罚损失模块,以提高预测可靠性。
我们设计了一种具有密集连接的并行多尺度膨胀卷积网络(MSDCN),能够同时提取多尺度时间特征。
- (3)
我们建立了一个完整的CSP发电厂数据驱动建模框架,通过SolarPILOT进行定日镜场优化,并使用改进的DBO算法和多策略自适应选择机制进行超参数调整。
本研究的其余部分安排如下:第2节描述了太阳塔发电厂;第3节详细介绍了改进的网络架构;第4节通过实验验证了所提出的方法;第5节给出了结论。
章节片段
太阳塔发电厂描述
CSP运行原理的完整布局图如图1所示。众多定日镜将太阳辐射集中到热收集区域,工作流体被加热产生高温蒸汽。这种蒸汽驱动涡轮发电机,将太阳能转化为电能。CSP系统包括热收集、热存储、蒸汽生成和发电组件。
多项研究采用了基于组件的策略来衡量CSP的有效性,
改进的神经网络建模
本研究采用了一种改进的神经网络方法来开发CSP模型,以全面分析各种运行条件下的系统行为。所得到的数据驱动框架有效捕捉了关键CSP变量的时间演变,同时为推进控制算法和运营效率措施奠定了基础。图3通过五个连续组件展示了预测建模方法:
数据来源
为了评估网络模型的有效性,本研究使用了两个数据集:来自国家太阳辐射数据库(NSRDB)的加利福尼亚太阳塔数据集和来自新疆的光伏公共数据集。这两个数据集的详细信息总结在表4中。数据收集地点位于加利福尼亚(34.85°N,116.78°W),如图7(a)所示,该设施拥有近10,000个定日镜,实现了41%的循环热效率
结论
所提出的xLSTM-Informer-MSDCN架构整合了三个互补的神经网络组件,并采用DBO算法进行系统模型参数优化。实验结果表明,该方法在预测准确性和稳定性方面都取得了满意的表现。所提出的集成神经网络模型实现了预期的输出精度,两个输出变量的MAE分别为9.140E-02和1.433E-01
CRediT作者贡献声明
傅荣:写作——审阅与编辑,撰写——原始草稿,软件,方法论,数据整理。张帆:写作——审阅与编辑,监督。侯国莲:写作——审阅与编辑,监督
利益冲突声明
? 作者声明它们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了中央高校的基础研究基金(2025JC003)的支持。审稿人在提高论文质量方面提出的建设性和宝贵意见非常感谢。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号