【论文精选】K-means结合RBF神经网络预测线性菲涅尔集热回路出口熔盐温度

线性菲涅尔集热回路出口熔盐温度控制具有扰动多、非线性及滞后的特点，出口熔盐温度的稳定控制可以极大的提高汽轮机组的发电效率，降低换热系统的调节难度、减少传储热设备的冷热冲击，提高系统使用寿命。

针对传统数学模型预测线性菲涅尔集热回路出口熔盐温度精度低、计算复杂等问题，通过分析线性菲涅尔集热回路传热模型，确定影响集热回路出口熔盐温度的主要因素，建立基于K-means方法的RBF（Radial Basis Function）神经网络温度预测模型，应用均值聚类算法对输入样本信息进行分析，确定各聚类的数据中心，隐含层基函数扩展常数采用梯度下降的方法在训练过程中循环调整确定，基函数输出的网络权值采用伪逆矩阵的方式获得。

通过大量实测数据训练网络，得出当隐层节点数为30时可获得相对较小的平均绝对百分误差和相对较小的最大绝对误差，选取4 d的实测数据对网络模型预测性能进行仿真测试，网络预测输出最大绝对误差MRERR（Maximum absolute Error）为121.23℃，最大平均绝对百分误差MAPE（Maximum mean Absolute Percentage Error）为3.5762×10^-4%，仿真结果显示该模型可以有效实现线性菲涅尔集热回路出口熔盐温度预测输出。将预测模型应用于敦煌50MW熔盐线性菲涅尔式光热示范电站的实际运行中，通过预测算法指导电站集热回路出口温度的预测控制。