基于序列长度敏感性分析的光伏-热系统热效率预测中不同时间深度学习架构的对比评估
《Sustainability》:Comparative Assessment of Temporal Deep Learning Architectures for Photovoltaic–Thermal System Thermal Efficiency Forecasting with Sequence Length Sensitivity Analysis
【字体:
大
中
小
】
时间:2026年06月30日
来源:Sustainability 4.1
摘要
当前全球能源转型进程加速,这使得对可再生能源系统进行精准建模的需求愈发迫切,尤其是那些能够同时产生电能和热能的光伏-热能(PV/T)系统。提升这类系统的效率与可靠性是实现向可持续能源转型的关键。因此,准确预测其热性能对于最大化可再生能源的利用程度并减少能量损失至关重要。本研究提出了一种基于深度学习的方法,用于预测空气型PV/T系统的热效率。具体而言,研究采用了时间深度学习架构,以分析影响PV/T集热器热行为的复杂非线性关系及时间依赖性。研究还通过对比四种先进的架构——时间卷积网络(TCN)、长短期记忆网络(LSTM)、门控循环单元(GRU)以及Transformer——进行了全面分析。此外,还通过敏感性分析探讨了序列长度对预测结果的影响,测试了1小时、6小时、12小时和24小时四种不同的预测时间范围。模型的性能评估采用了决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)等指标。研究结果表明,预测性能会受到所选预测时间范围的显著影响。在所有测试配置中,24小时的预测时间范围能为热效率预测提供最丰富的信息。在该时间范围内,LSTM模型的预测精度最高,其决定系数达到0.9952,均方根误差为0.5975,平均绝对误差为0.2364,性能优于TCN、GRU和Transformer架构。残差误差与收敛性分析进一步证明了循环神经网络在捕捉所研究PV/T系统热动态特性方面的有效性。通过实现准确可靠的热效率预测,该框架有助于优化能源管理、提升能源利用效率,并促进可再生能源系统的更深入整合,从而为混合太阳能技术的可持续运行做出贡献。
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