CN104359552B - 一种太阳总辐射的测量装置和方法 - Google Patents

Abstract

本发明公开了一种太阳总辐射的测量装置和方法，所述装置包含太阳总辐射传感单元和检测通信单元，太阳总辐射单元包含一个圆形的太阳辐射吸收区，太阳辐射吸收区被分割为数量相等的白色扇形区和黑色扇形区，且白色扇形区和黑色扇形区相间分布并相互隔热，各白色扇形区和黑色扇形区下设有数量相等的铂电阻，各白色扇形区下的铂电阻相互串联，各黑色扇形区下的铂电阻相互串联，这两组铂电阻分别连接检测通信单元。本发明采用RBF神经网络求出太阳总辐射值。本发明具有实时性好、精度高、可靠性高等优点，并能够在特殊天气情况下保证太阳辐射值的测量精度和可靠性。

Description

一种太阳总辐射的测量装置和方法

技术领域

本发明属于气象检测技术领域，特别涉及了一种太阳总辐射的测量装置和方法。

背景技术

太阳总辐射计主要分为光电型和热电型两种太阳辐射计。光电型主要是利用某些材料受光照引起材料电学性质的改变，主要分为光伏型、光电导型和光电子发射型。热电型一般利用表面的黑色涂层吸收太阳辐射并转化成热能。传统的热电型太阳辐射计一般是使用热电堆来测量，利用黑色涂层吸收太阳辐射并通过热电堆测量，虽然传统的热电堆能够很灵敏的检测到太阳辐射，但是由于某些特殊的天气，比如阴天、雨天还有一些及其恶劣的天气如雾霾天气、沙暴天气，太阳辐射的波动较大时，就会存在明显误差。

发明内容

为了解决上述背景技术提到的技术问题，本发明旨在提供一种太阳总辐射的测量装置和方法，能够在特殊天气情况下保证测量精度和可靠性。

为了实现上述技术目的，本发明的技术方案为：

一种太阳总辐射的测量装置，包含太阳总辐射传感单元和检测通信单元，所述太阳总辐射单元包含一个圆形的太阳辐射吸收区，所述太阳辐射吸收区被分割为数量相等的白色扇形区和黑色扇形区，且白色扇形区和黑色扇形区相间分布并相互隔热，各白色扇形区和黑色扇形区下设有数量相等的铂电阻，各白色扇形区下的铂电阻相互串联，各黑色扇形区下的铂电阻相互串联，这两组铂电阻分别连接检测通信单元，所述检测通信单元将两组铂电阻采集的信号进行处理和运算，得到太阳总辐射值，并上传至上位机显示。

其中，上述检测通信单元包含依次连接的信号调理单元、AD转换器、数据处理单元和通信单元，所述信号调理单元分别连接两组铂电阻，所述数据处理单元通过通信单元将数据上传至上位机。

本发明还包括基于上述测量装置的测量方法，报括以下步骤：

(1)在规定的各种标准太阳总辐射值下分别采集两组铂电阻的温度，形成样本数据；

(2)建立RBF径向神经网络模型，将两组铂电阻的温度以及它们的差值作为RBF径向神经网络的输入，对应的标准太阳总辐射值作为RBF径向神经网络的输出，所述RBF径向神经网络的输入层的节点数为3，隐含层的节点数为7，输出层的节点数为1；

(3)因为输出层只有1个节点，所以将RBF径向神经网络视为一种线性回归的形式，即：

$d\left(n\right)=\underset{i=1}{\overset{7}{\mathrm{\Σ}}}[{\mathrm{\α}}_i\left(n\right){\mathrm{\ω}}_{\mathrm{\αi}}+{\mathrm{\β}}_i\left(n\right){\mathrm{\ω}}_{\mathrm{\βi}}+{\mathrm{\λ}}_i\left(n\right){\mathrm{\ω}}_{\mathrm{\λi}}]+e\left(n\right),n=\mathrm{1,2}...,N---\left(1\right)$

式(1)中，N为训练样本个数，ω_αi、ω_βi、ω_λi分别为隐含层到输出层的权值，d(n)为模型的期望输出，e(n)为误差，α_i(n)、β_i(n)和λ_i(n)为网络的回归因子，是网络在某种基函数下的响应，其中，i＝1,2,…,7；

(4)RBF径向神经网络训练完成后，将各权值ω_αi、ω_βi、ω_λi的结果带入式(1)中；

(5)正式测量时，将检测到的两组电阻的温度以及它们的差值作为RBF径向神经网络模型的输入，求出模型的输出，即太阳总辐射值。

其中，步骤(3)中所述基函数为高斯函数，

${\mathrm{\α}}_i\left(n\right)=\exp (-\frac{1}{2{\mathrm{\σ}}^2}{\left|\right|{\mathrm{\α}}_n-t_i\left|\right|}^2)---\left(2\right)$

${\mathrm{\β}}_i\left(n\right)=\exp (-\frac{1}{2{\mathrm{\σ}}^2}{\left|\right|{\mathrm{\β}}_n-t_i\left|\right|}^2)---\left(3\right)$

${\mathrm{\λ}}_i\left(n\right)=\exp (-\frac{1}{2{\mathrm{\σ}}^2}{\left|\right|{\mathrm{\λ}}_n-t_i\left|\right|}^2)---\left(4\right)$

其中，σ为高斯函数的方差，α_n为黑色扇形区下铂电阻采集的温度，β_n为白色扇形区下铂电阻采集的温度，λ_n为α_n与β_n的差值，将α_n、β_n、λ_n作为网络的输入向量，t_i为高斯函数的中心。

采用上述技术方案带来的有益效果：

本发明采用传热效果稳定的铂电阻代替传统的热点堆作为传感单元，通过黑白区域的相间分布，使传感单元均匀受热，并利用RBF神经网络求出太阳总辐射，具有实时性好、精度高、可靠性高等优点，且避免了传统热电堆在阴天、雨天还有一些恶劣天气如雾霾天气、沙暴天气下误差较大的问题。

附图说明

如图1所示本发明的结构示意图。

标号说明：1、黑色扇形区，2、白色扇形区，3、检测通信单元，4、半球形透明罩。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

如图1所示本发明的结构示意图，一种太阳总辐射的测量装置，包含太阳总辐射传感单元和检测通信单元3，所述太阳总辐射单元包含一个圆形的太阳辐射吸收区，所述太阳辐射吸收区被分割为数量相等白色扇形区2和黑色扇形区1，且白色扇形区2和黑色扇形区1相间分布并相互隔热，各白色扇形区2和黑色扇形区1下设有数量相等的铂电阻，各白色扇形区2下的铂电阻相互串联，各黑色扇形区1下的铂电阻相互串联，这两组铂电阻分别连接检测通信单元3，所述检测通信单元3将两组铂电阻采集的模拟信号进行处理和运算，得到太阳总辐射值，并上传给上位机显示。将整个装置放置于空旷地区，接通电源后便能工作了。黑色扇形区1下的串联电阻作为全吸收太阳总辐射传感单元，输出阻值，而白色扇形区2下的串联电阻作为全不吸收太阳总辐射传感单元，输出阻值。

在本实施例中，黑、白扇形区通过涂覆高度黑白的涂层实现，且整个太阳辐射吸收区置于一个半球形透明罩4内。所检测通信单元包含依次连接的信号调理单元、AD转换器、数据处理单元和通信单元，所述信号调理单元分别连接两组铂电阻，将两组铂电阻采集的电阻响应转换为电压信号，AD转换器将电压信号转化为数字信号，并通过SPI协议将数字信号传送给数据处理单元进行运算，求出结果，并通过通信单元将结果上传至上位机显示。

本发明还包括基于上述测量装置的测量方法，报括以下步骤：

(1)在规定的各种标准太阳总辐射值下分别采集两组铂电阻的温度，形成样本数据；

(2)建立RBF径向神经网络模型，将两组铂电阻的温度以及它们的差值作为RBF径向神经网络的输入，对应的标准太阳总辐射值作为RBF径向神经网络的输出，所述RBF径向神经网络的输入层的节点数为3，隐含层的节点数为7，输出层的节点数为1；

(3)因为输出层只有1个节点，所以将RBF径向神经网络视为一种线性回归的形式，即：

$d\left(n\right)=\underset{i=1}{\overset{7}{\mathrm{\Σ}}}[{\mathrm{\α}}_i\left(n\right){\mathrm{\ω}}_{\mathrm{\αi}}+{\mathrm{\β}}_i\left(n\right){\mathrm{\ω}}_{\mathrm{\βi}}+{\mathrm{\λ}}_i\left(n\right){\mathrm{\ω}}_{\mathrm{\λi}}]+e\left(n\right),n=\mathrm{1,2}...,N---\left(1\right)$

式(1)中，N为训练样本个数，ω_αi、ω_βi、ω_λi分别为隐含层到输出层的权值，d(n)为模型的期望输出，e(n)为误差，根据精度要求设定，α_i(n)、β_i(n)和λ_i(n)为网络的回归因子，是网络在某种基函数下的响应，其中，i＝1,2,…,7；

(4)RBF径向神经网络训练完成后，将各权值ω_αi、ω_βi、ω_λi的结果带入式(1)中；

(5)正式测量时，将检测到的两组电阻的温度以及它们的差值作为RBF径向神经网络模型的输入，求出模型的输出，即太阳总辐射值。

在本实施例中，步骤(3)中所述基函数采用高斯函数，则有：

${\mathrm{\α}}_i\left(n\right)=\exp (-\frac{1}{2{\mathrm{\σ}}^2}{\left|\right|{\mathrm{\α}}_n-t_i\left|\right|}^2)---\left(2\right)$

${\mathrm{\β}}_i\left(n\right)=\exp (-\frac{1}{2{\mathrm{\σ}}^2}{\left|\right|{\mathrm{\β}}_n-t_i\left|\right|}^2)---\left(3\right)$

${\mathrm{\λ}}_i\left(n\right)=\exp (-\frac{1}{2{\mathrm{\σ}}^2}{\left|\right|{\mathrm{\λ}}_n-t_i\left|\right|}^2)---\left(4\right)$

其中，σ为高斯函数的方差，α_n为黑色扇形区下铂电阻的温度，β_n为白色扇形区下铂电阻的温度，λ_n为α_n与β_n的差值，将α_n、β_n、λ_n作为网络的输入向量，t_i为高斯函数的中心。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种太阳总辐射的测量装置的测量方法，该方法基于一种太阳总辐射的测量装置，所述装置包含太阳总辐射传感单元和检测通信单元，所述太阳总辐射单元包含一个圆形的太阳辐射吸收区，所述太阳辐射吸收区被分割为数量相等的白色扇形区和黑色扇形区，且白色扇形区和黑色扇形区相间分布并相互隔热，各白色扇形区和黑色扇形区下设有数量相等的铂电阻，各白色扇形区下的铂电阻相互串联，各黑色扇形区下的铂电阻相互串联，这两组铂电阻分别连接检测通信单元，所述检测通信单元将两组铂电阻采集的信号进行处理和运算，得到太阳总辐射值，并上传至上位机显示，其特征在于，该方法包括以下步骤：

(1)在规定的各种标准太阳总辐射值下分别采集两组铂电阻的温度，形成样本数据；

(2)建立RBF径向神经网络模型，将两组铂电阻的温度以及它们的差值作为RBF径向神经网络的输入，对应的标准太阳总辐射值作为RBF径向神经网络的输出，所述RBF径向神经网络的输入层的节点数为3，隐含层的节点数为7，输出层的节点数为1；

(3)因为输出层只有1个节点，所以将RBF径向神经网络视为一种线性回归的形式，即：

$d\left(n\right)=\underset{i=1}{\overset{7}{\Σ}}\[{\mathrm{\α}}_i\left(n\right){\mathrm{\ω}}_{\mathrm{\α}i}+{\mathrm{\β}}_i\left(n\right){\mathrm{\ω}}_{\mathrm{\β}i}+{\mathrm{\λ}}_i\left(n\right){\mathrm{\ω}}_{\mathrm{\λ}i}\]+e\left(n\right),n=1,2...,N---\left(1\right)$

式(1)中，N为训练样本个数，ω_αi、ω_βi、ω_λi分别为隐含层到输出层的权值，d(n)为模型的期望输出，e(n)为误差，α_i(n)、β_i(n)和λ_i(n)为网络的回归因子，是网络在某种基函数下的响应，其中，i＝1,2,…,7；

(4)RBF径向神经网络训练完成后，将各权值ω_αi、ω_βi、ω_λi的结果带入式(1)中；

(5)正式测量时，将检测到的两组电阻的温度以及它们的差值作为RBF径向神经网络模型的输入，求出模型的输出，即太阳总辐射值。

2.根据权利要求1所述的测量方法，其特征在于：步骤(3)中所述基函数为高斯函数。

3.根据权利要求2所述的测量方法，其特征在于：

${\mathrm{\α}}_i\left(n\right)=\exp (-\frac{1}{2{\mathrm{\σ}}^2}||{\mathrm{\α}}_n-t_i|{|}^2)---\left(2\right)$

${\mathrm{\β}}_i\left(n\right)=\exp (-\frac{1}{2{\mathrm{\σ}}^2}||{\mathrm{\β}}_n-t_i|{|}^2)---\left(3\right)$

${\mathrm{\λ}}_i\left(n\right)=\exp (-\frac{1}{2{\mathrm{\σ}}^2}||{\mathrm{\λ}}_n-t_i|{|}^2)---\left(4\right)$

其中，σ为高斯函数的方差，α_n为黑色扇形区下铂电阻采集的温度，β_n为白色扇形区下铂电阻采集的温度，λ_n为α_n与β_n的差值，将α_n、β_n、λ_n作为网络的输入向量，t_i为高斯函数的中心。

4.根据权利要求1所述的测量方法，其特征在于：所述检测通信单元包含依次连接的信号调理单元、AD转换器、数据处理单元和通信单元，所述信号调理单元分别连接两组铂电阻，所述数据处理单元通过通信单元将数据上传至上位机。