基于BP神经网络的PTC工质出口温度研究

在槽式抛物面太阳集热器的热性能研究中,数据往往具有随机性、非线性和不确定性等特点,采用传统建模方法经常做出大量假设,导致仿真精度不高且复杂。以槽式抛物面太阳集热器为研究对象,将传统理论模型与BP人工神经网络相互耦合,通过集热器热性能室外动态试验,建立工质出口温度的神经网络预测校正模型。引入Levenberg-Marquardt(LM)法对BP神经网络的权值及阈值进行优化。分析结果表明,预测校正模型可将绝对误差控制在3.8℃以内,相对误差保持在3.6%以内,可有效提高槽式抛物面太阳集热器热性能的仿真模型计算精度。