CN109409024A - 基于一维深度残差网络的光伏组件电压电流特性建模方法 - Google Patents
基于一维深度残差网络的光伏组件电压电流特性建模方法 Download PDFInfo
- Publication number
- CN109409024A CN109409024A CN201811591567.5A CN201811591567A CN109409024A CN 109409024 A CN109409024 A CN 109409024A CN 201811591567 A CN201811591567 A CN 201811591567A CN 109409024 A CN109409024 A CN 109409024A
- Authority
- CN
- China
- Prior art keywords
- curve
- photovoltaic module
- residual error
- sample
- curve data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 238000012952 Resampling Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000013480 data collection Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011229 interlayer Substances 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 230000008447 perception Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000000332 black box Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H02J3/383—
-
- H02J3/385—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及基于一维深度残差网络的光伏组件电压电流特性建模方法，包括以下步骤：步骤S1：采集光伏组件的实测IV曲线数据；步骤S2:对光伏组件的实测IV曲线数据进行重采样；步骤S3:根据重采样得到的实测IV曲线数据，采用曲线拟合方法剔除异常的IV曲线数据，得到正常的IV曲线数据；步骤S4：对正常的IV曲线数据进行网格采样，得到均匀覆盖各种工况的IV曲线数据集；步骤S5：根据得到的IV曲线数据集，采用基于一维深度残差网络的方法对光伏组件进行建模，得到用于I‑V特性进行预测的最优模型。本发明能够准确有效的对正常的光伏组件进行建模，且相比于传统的机器学习算法具有更高的稳定性、准确性以及泛化能力。
Description
技术领域
本发明属于太阳能电池及光伏发电阵列的建模技术，具体涉及一种基于一维深度残差网络的光伏组件电压电流特性建模方法。
背景技术
光伏组件及阵列的精确建模对于优化光伏电站的发电效率具有重要作用。然而，由于光伏阵列和电站安装和工作在恶劣的户外环境中，同时其工作时易受到热循环、湿度，紫外线，风激振等各种环境因素的影响，导致材料的局部老化、性能下降、裂纹等故障，极大地影响光伏阵列地电气特性，进而影响光伏电站的发电效率。因此，提供一种准确高效可靠的光伏组件/阵列的模型对光伏阵列最大功率点追踪，故障检测，功率预测等都具有非常重要的作用。另外，随着光伏发电装机量在全世界范围内的快速增长，对于光伏组件/阵列的准确高效可靠的建模方法已经受到国内外学者的广泛研究。
目前存在的光伏模型建模方法大体可分为两种类型，即基于等效电路的白盒模型和基于数据驱动的黑盒模型。基于等效电路的白盒模型，主要采用单/双二极管模型，这些模型通过I-V特性曲线找到相应的等效电路等式，通过找到等式得到的拟合曲线与实测曲线之间均方根误差最小时，其内部的参数值，然后将所得到的最优参数代入来得到其准确的光伏模型。这种方法虽然在标准集上能够具有很高的准确性，但其模型的准确性极大的依赖于公式内部的参数数值，而这些参数极易受环境因素的影响。因此，要想获得各个工况下的准确模型，要对各个工况下的I-V特性曲线进行参数提取，造成了光伏建模的繁琐和低效。但是，若仅使用特性条件提取的模型参数作为通用的模型参数，会带来模型参数的不准确。综上所述，解决现有白盒模型的问题，数据驱动的黑盒模型已经受到了人们广泛的关注，常用的方法有，极限学习机(ELM),多层感知机(MLP),广义神经网络(GRNN)等，这些算法虽然能够预测出相应的I-V特性曲线，但大多都存在稳定性差，准确性低等问题。为此，本文提出了一种基于一维深度残差网络的光伏组件电压-电流(I-V)特性建模方法，经过实验对比，该方法相较于传统的机器学习算法具有更强的非线性特征提取能力，更高的准确性，更强的泛化能力。
发明内容
有鉴于此，本发明的目的在于提供一种基于一维深度残差网络的光伏组件电压电流特性建模方法，以克服现有相关技术的缺陷，从而提高光伏模型的精度和泛化能力。
为实现上述目的，本发明采用如下技术方案：
一种基于一维深度残差网络的光伏组件电压电流特性建模方法，包括以下步骤：
步骤S1：采集光伏组件的实测IV曲线数据；
步骤S2：对光伏组件的实测IV曲线数据进行重采样；
步骤S3：根据重采样得到的实测IV曲线数据，采用曲线拟合方法剔除异常的IV曲线数据，得到正常的IV曲线数据；
步骤S4：对正常的IV曲线数据进行网格采样，得到均匀覆盖各种工况的IV曲线数据集；
步骤S5：根据得到的IV曲线数据集，采用基于一维深度残差网络的方法对光伏组件进行建模，得到用于I-V特性进行预测的最优模型。
进一步的，所述步骤S2具体为：
步骤S21：搜索并记录光伏组件的实测IV曲线数据中最小的实测开路电压Voc，min；
步骤S22：将光伏组件重采样上限设置为Voc，min，同时设置重采样点的个数NR；
步骤S23：在[0，Voc，min]的电压区间内均匀获得NR个重采样点，并记录该重采样电压向量其中VRx为单个的采样电压值，1＜x≤NR；；
步骤S24：获取原样本中最接近VRx的原生电压值V1和V2以及相应的电流值I1和I2；
步骤S25：利用线性插值法，获取每个VRx所对应的IRx，其具体计算方法为：
步骤S26：重复S23-S25对一条曲线进行NR个点的重采样。
进一步的，所述曲线拟合方法具体为，采用基于一种基于鹰策略的自适应混合单纯形的光伏模型参数提取方法，提取出各个工况下各曲线的单二极管光伏模型的五参数值，并计算在五参数条件下拟合得到的曲线与实测曲线之间的均方根误差RMSE，其具体计算方法如下：
其中I是实测的电流值，是预测的电流值，N是整条I-V曲线上采样点的个数，并将RMSE大于可接受门限值RMSET的曲线认定为异常曲线进行剔除，得到正常的IV曲线数据。
进一步的，所述步骤S4具体为：
步骤S41：对实测IV曲线数据，设置网格抽样的抽取范围和抽样间隔；
步骤S42：依次选择网格，并对其内分布样本进行计数；
步骤S43：若该网格内样本数量小于最大采样点数，则随机选取该网格内所有样本的70％作为训练样本，30％作为测试样本，其中训练样本中的90％用于实际训练，10％作为验证集；
步骤S44：若网格内数量大于最大采样个数，则先从该网格内样本中选取最大采样个数个采样样本，然后随机选取该网格内所有样本的70％作为训练样本，其中训练样本中的90％用于实际训练，10％作为验证集；
步骤S45：重复上述步骤S42至S44，直至取完所有网格，将所得到的样本处理为输入为(G，T，V)，输出为I的数据集，其中G和T是辐照度和温度，V和I是电压和对应的电流向量；
步骤S46：返回通过得到的测试集，验证集和训练集。
进一步的，所述步骤S5具体为：
步骤S51：构建一维的深度残差网络结构，包括一个输入卷积层，5个残差模块，1个全连接的回归层；
步骤S52：对一维的深度残差网络结构的初始值进行初始化，并选择网络的训练策略，最大迭代次数EPOCH＝50000和当前的迭代次数epoch＝0，设定网络的目标函数为：
其中M是训练集的样本数，设置最优模型bestNet＝None，最优目标函数bestEval＝inf；
步骤S53：利用Adam优化算法对一维的深度残差网络结构在训练集上进行训练，更新内部权重和偏置；
步骤S54：记录该次训练得到网络在测试集上的MSE，若当前最目标函数值小于最优目标函数值，则用当前的模型替换最优的模型，epoch＝epoch+1；
步骤S55：若epoch＜EPOCH，重复S503-S504，直到达到最大迭代次数，则返回最优模型即为该组件训练得到的最优模型。
进一步的，所述步骤S53的训练过程包括以下步骤：
步骤S531：计算每层神经元的输出，其具体公式：
计算l层卷积层神经元输出z(l)，其中b(l)是该层的偏置，w是该层的权重，Cin是输入样本的通道数，Cout是输出样本的通道数，a(l-1)是l-1层的激活值，*表示一维卷积运算，通过z(l)＝w(l)a(l-1)+b(l)来计算全连接层输出神经元的输出；
步骤S532：计算加入了批归一化的神经元的激活值，计算方法如下：
a(l)＝ReLU(BN(z(l)))
其中ReLu()表示一种非线性的激活函数，其表达式如下：
其中BN()代表层间归一化；
步骤S533：计算残差模块的前向传播通过
y＝ReLU(BN(z(l))+x)，y＝ReLU(BN(z(l))+Wsx)
其中Ws是维度调整因子；
步骤S534：根据所计算得到的最终预测输出和实际标签计算反向误差，根据Adam算法计算各层的梯度和梯度的二阶矩并反向传播得到各层权重和偏差的倒数和其中C是目标函数，即为所述MSE。
步骤S535：更新权重和偏差如下：
本发明与现有技术相比具有以下有益效果：
本发明通过采用1-D ResNet相比于传统的机器学习算法具有更高的稳定性、准确性以及泛化能，并加入的Batch Norm和短跳连接的两种结构能够有效提升网络整体的训练速度和收敛速度，另外有效地提升了训练精度，与现有的建模算法相比，本发明大大提高了光伏建模的精度、可靠性、稳定性和泛化能力。
附图说明
图1为本发明中基于一维深度残差网络的光伏组件电压-电流(I-V)特性建模方法的总体流程图
图2为本发明一实施例中的重采样和异常剔除的流程图
图3为本发明一实施例中的所提出的1-D ResNet的结构图
图4为本发明中基于一维深度残差网络的建模训练流程图
图5为本发明一实施例中对HIT05662组件的预测结果。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于一维深度残差网络的光伏组件电压电流特性建模方法，流程框图如图1所示，其具体包括如下步骤：
步骤S1：采集光伏组件的实测原始IV曲线数据
步骤S2：对光伏组件的实测原始IV曲线数据进行下采样以减少每条IV曲线的数据点；
步骤S3：采用曲线拟合方法剔除异常的IV曲线数据，保证用于建模的数据正确性。
步骤S4：根据IV曲线的光照度和组件背板温度，对实测IV曲线数据进行网格采样，获取均匀覆盖各种工况的IV曲线数据集，以提高模型的泛化性能；
步骤S5：基于经过预处理的光伏组件实测IV曲线数据集，采用基于一维深度残差网络(1-D ResNet)的方法对光伏组件进行建模，并对I-V特性进行预测。
如图2，为提出的一种基于一维深度残差网络的光伏组件电压-电流(I-V)特性建模方法实施例中的下采样方法的流程图，其具体过程为两个部分，首先将得到的大量原始的I-V特性数据进行等间隔下采样法，其具体过程为：
步骤S21：对一特定组件，搜索并记录该组件所有正常I-V曲线中最小的实测开路电压Voc，min。
步骤S22：将该组件重采样上限设置为Voc，min，同时设置重采样点的个数NR。
步骤S23：在[0，Voc，min]的电压区间内均匀获得NR个重采样点，并记录该重采样电压向量
步骤S24：获取原样本中最接近VRx的原生电压值V1和V2以及相应的电流值I1和I2。
步骤S25：利用线性插值法，获取每个VRx所对应的IRx，其具体计算方法为：
步骤S26：重复S23-S25对一条曲线进行NR个点的重采样。
本实施例所述的异常数据剔除方法，主要是利用基于一种基于鹰策略的自适应混合单纯形(EHA-NMS)的光伏模型参数提取方法，提取出各个工况下各曲线的单二极管光伏模型的五参数值，并计算在五参数条件下拟合得到的曲线与实测曲线之间的均方根误差(RMSE)，其具体计算方法如下：其中I是实测的电流值，是预测的电流值，N是整条I-V曲线上采样点的个数，并将RMSE大于可接受门限值(RMSET)的曲线认定为异常曲线进行剔除，得到正常的光伏组件的I-V特性数据。
本实施例，提出的基于一维深度残差网络的光伏组件电压-电流(I-V)特性建模方法中的网格采样方法，其具体过程为：
步骤S41：对各组件的实测IV曲线的工况(辐照度和温度)，设置网格抽样的抽取范围和抽样间隔。其温度抽取范围为[0，40]，辐照度抽取范围为[0，1000]，温度的采样采样间隔为10℃，辐照度的抽取范围为100W/m2，最大采样点数设为300，将一个组件所有的I-V实测数据按照光照度辐照度分布在40个网格内。
步骤S42：依次选择网格，并对其内分布样本进行计数。
步骤S43：若该网格内样本数量小于最大采样点数，则随机选取该网格内所有样本的70％作为训练样本，30％作为测试样本。另外训练样本中的90％用于实际训练，10％作为验证集。
步骤S44：若网格内数量大于最大采样个数，则先从该网格内样本中选取最大采样个数个采样样本，然后随机选取该网格内所有样本的70％作为训练样本，30％作为测试样本。另外训练样本中的90％用于实际训练，10％作为验证集。
步骤S45：重复上述步骤S402至S404，直至取完所有网格，将所得到的样本处理为输入为(G，T，V)，输出为I的数据集，其中G和T是该工况下的辐照度和温度，V和I是电压和对应的电流向量。
步骤S46：返回通过步骤S405得到的测试集，验证集和训练集。
如图3，为提出的基于一维深度残差网络的光伏组件电压-电流(I-V)特性建模方法中的一维深度残差网络的具体网络结构图，其特征在于：从网络的层间配置来看，在卷积层与激活函数之间加入了Batch Norm，使得深层地网络更容易得到训练，有效地解决了梯度弥散/梯度爆炸的深层次网络训练问题。另外，从结构上来看网络使用了深度残差网络的结构，这种短跳连接的加入能够解决深层网络退化的问题，得到更好的网络性能。该结构由5层的残差模块一个卷积池化的输入层以及一层全连接的回归输出层组成，其中conv是一维卷积层，每个一维卷积层的第一个参数是卷积核函数的维度，第二个参数是输出通道的数量，最后一个参数是可选的步长的值。通过不同的步长来控制输出特征的维度。本发明中每个残差模块内部由两个卷积层组成，其中第二个卷积层的步长设置为1，填充padding设置为3，来保证残差模块内部的维度相同。图4中的实线表示残差模块的输入输出维度相同可以直相加，而虚线代表残差模块的输入输出维度不同，需要通过一个调整因子Ws来调整输入映射到输出的维度。
如图4，根据权利要求1所述的通过基于一维深度残差网络(1-D ResNet)的方法对光伏组件进行建模，并对I-V特性进行预测。其建模过程具体如下：
步骤S51：搭建一种一维的深度残差网络(1-D ResNet)结构，其包括一个输入卷积层，5个残差模块，1个全连接的回归层。
步骤S52：对网络的初始值进行初始化，并选择网络的训练策略，最大迭代次数EPOCH＝50000和当前的迭代次数epoch＝0，设计网络的目标函数为其中M是训练集的样本数，设置最优模型bestNet＝None，最优目标函数bestEval＝inf。
步骤S53：利用Adam优化算法对所设计的网络结构在训练集上进行训练，更新内部权重和偏置。
步骤S54：记录该次训练得到网络在测试集上的MSE，若当前最目标函数值小于最优目标函数值，则用当前的模型替换最优的模型，epoch＝epoch+1。
步骤S55：若epoch＜EPOCH，重复S503-S504，直到达到最大迭代次数，则返回最优模型即为该组件训练得到的最优模型。
其中，S53中的训练过程的具体过程主要如下：
步骤S531：计算每层神经元的输出，其具体公式：用来计算l层卷积层神经元输出z(l)，其中b(l)是该层的偏置，w是该层的权重，Cin是输入样本的通道数，Cout是输出样本的通道数，a(l-1)是l-1层的激活值，*在本发明中用于表示一维卷积运算，通过z(l)＝w(l)a(l-1)+b(l)来计算全连接层输出神经元的输出。
步骤S532：计算加入了批归一化的神经元的激活值，计算方法如下：a(l)＝ReLU(BN(z(l)))其中ReLu()表示一种非线性的激活函数，其表达式如下：BN()代表层间归一化。
步骤S533：计算残差模块的前向传播通过y＝ReLU(BN(z(l))+x)，y＝ReLU(BN(z(l))+Wsx)。其中Ws是维度调整因子。
步骤S534：根据所计算得到的最终预测输出和实际标签计算反向误差，根据Adam算法计算各层的梯度和梯度的二阶矩并反向传播得到各层权重和偏差的倒数和其中C是目标函数，在本发明中为MSE。
步骤S535：更新权重和偏差如下：
如表1，为提出的基于一维深度残差网络的光伏组件电压-电流(I-V)特性建模方法在实测的光伏组件HIT05662上的应用结果。从统计学方法的对比可见，相较于多层感知机(MLP)，广义神经网络而言，本实施例所提出的基于一维深度残差网络的光伏组件建模在训练集，验证集，测试集上从准确率和鲁棒性上均有显著的提升。另外，在测试集上兼具的良好性能，说明该方法还具有良好的泛化能力。
如图5，为提出的基于一维深度残差网络的光伏建模方法和多层感知机在各种工况下进行建模的I-V特性曲线的对比，从图上可见，本发明所提出的基于一维深度残差网络的光伏建模方法预测的I-V特性曲线更加贴近于实测的I-V特性曲线。另外，MLP预测的I-V特性曲线在高辐照度时，显示出了明显的偏差，而本发明在各个工况下均能和实测曲线紧密贴合，进一步说明了本发明的准确性和稳定性。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (6)
1.一种基于一维深度残差网络的光伏组件电压电流特性建模方法，其特征在于，包括以下步骤：
步骤S1：采集光伏组件的实测IV曲线数据；
步骤S2:对光伏组件的实测IV曲线数据进行重采样；
步骤S3:根据重采样得到的实测IV曲线数据，采用曲线拟合方法剔除异常的IV曲线数据，得到正常的IV曲线数据；
步骤S4：对正常的IV曲线数据进行网格采样，得到均匀覆盖各种工况的IV曲线数据集；
步骤S5：根据得到的IV曲线数据集，采用基于一维深度残差网络的方法对光伏组件进行建模，得到用于I-V特性进行预测的最优模型。
2.根据权利要求1所述的基于一维深度残差网络的光伏组件电压电流特性建模方法，其特征在于：所述步骤S2具体为：
步骤S21：搜索并记录光伏组件的实测IV曲线数据中最小的实测开路电压Voc，min；
步骤S22：将光伏组件重采样上限设置为Voc，min,同时设置重采样点的个数NR；
步骤S23：在[0，Voc，min]的电压区间内均匀获得NR个重采样点，并记录该重采样电压向量其中VRx为单个的采样电压值，1＜x≤NR；
步骤S24：获取原样本中最接近VRx的原生电压值V1和V2以及相应的电流值I1和I2；
步骤S25：利用线性插值法，获取每个VRx所对应的IRx，其具体计算方法为：
步骤S26：重复S23-S25对一条曲线进行NR个点的重采样。
3.根据权利要求1所述的基于一维深度残差网络的光伏组件电压电流特性建模方法，其特征在于：所述曲线拟合方法具体为，采用基于一种基于鹰策略的自适应混合单纯形的光伏模型参数提取方法，提取出各个工况下各曲线的单二极管光伏模型的五参数值，并计算在五参数条件下拟合得到的曲线与实测曲线之间的均方根误差RMSE，其具体计算方法如下：
其中I是实测的电流值，是预测的电流值，N是整条I-V曲线上采样点的个数，并将RMSE大于可接受门限值RMSET的曲线认定为异常曲线进行剔除，
得到正常的IV曲线数据。
4.根据权利要求1所述的基于一维深度残差网络的光伏组件电压电流特性建模方法，其特征在于：所述步骤S4具体为：
步骤S41：对实测IV曲线数据，设置网格抽样的抽取范围和抽样间隔；
步骤S42：依次选择网格，并对其内分布样本进行计数；
步骤S43：若该网格内样本数量小于最大采样点数，则随机选取该网格内所有样本的70％作为训练样本，30％作为测试样本，其中训练样本中的90％用于实际训练，10％作为验证集；
步骤S44：若网格内数量大于最大采样个数，则先从该网格内样本中选取最大采样个数个采样样本，然后随机选取该网格内所有样本的70％作为训练样本，其中训练样本中的90％用于实际训练，10％作为验证集；
步骤S45：重复上述步骤S42至S44，直至取完所有网格，将所得到的样本处理为输入为(G，T，V),输出为I的数据集，其中G和T是辐照度和温度，V和I是电压和对应的电流向量；
步骤S46：返回通过得到的测试集，验证集和训练集。
5.根据权利要求1所述的基于一维深度残差网络的光伏组件电压电流特性建模方法，其特征在于：所述步骤S5具体为：
步骤S51：构建一维的深度残差网络结构，包括一个输入卷积层，5个残差模块，1个全连接的回归层；
步骤S52：对一维的深度残差网络结构的初始值进行初始化，并选择网络的训练策略，最大迭代次数EPOCH＝50000和当前的迭代次数epoch＝0,设定网络的目标函数为：
其中M是训练集的样本数，设置最优模型bestNet＝None,最优目标函数bestEval＝inf；
步骤S53：利用Adam优化算法对一维的深度残差网络结构在训练集上进行训练,更新内部权重和偏置；
步骤S54：记录该次训练得到网络在测试集上的MSE，若当前最目标函数值小于最优目标函数值，则用当前的模型替换最优的模型,epoch＝epoch+1；
步骤S55：若epoch＜EPOCH,重复S503-S504，直到达到最大迭代次数，则返回最优模型即为该组件训练得到的最优模型。
6.根据权利要求1所述的基于一维深度残差网络的光伏组件电压电流特性建模方法，其特征在于：所述步骤S53的训练过程包括以下步骤：
步骤S531：计算每层神经元的输出，其具体公式：
计算l层卷积层神经元输出z(l)，其中b(l)是该层的偏置，w是该层的权重，Cin是输入样本的通道数，Cout是输出样本的通道数，a(l-1)是l-1层的激活值，*表示一维卷积运算，通过z(l)＝w(l)a(l-1)+b(l)来计算全连接层输出神经元的输出；
步骤S532：计算加入了批归一化的神经元的激活值，计算方法如下：
a(l)＝ReLU(BN(z(ι)))
其中ReLu()表示一种非线性的激活函数，其表达式如下：
其中BN()代表层间归一化；
步骤S533：计算残差模块的前向传播通过
y＝ReLU(BN(z(l))+x)，y＝ReLU(BN(z(l))+Wsx)
其中Ws是维度调整因子；
步骤S534:根据所计算得到的最终预测输出和实际标签计算反向误差，根据Adam算法计算各层的梯度和梯度的二阶矩并反向传播得到各层权重和偏差的倒数和其中C是目标函数，即为所述MSE；
步骤S535:更新权重和偏差如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811591567.5A CN109409024B (zh) | 2018-12-25 | 2018-12-25 | 基于一维深度残差网络的光伏组件电压电流特性建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811591567.5A CN109409024B (zh) | 2018-12-25 | 2018-12-25 | 基于一维深度残差网络的光伏组件电压电流特性建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109409024A true CN109409024A (zh) | 2019-03-01 |
| CN109409024B CN109409024B (zh) | 2022-09-06 |
Family
ID=65461383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811591567.5A Active CN109409024B (zh) | 2018-12-25 | 2018-12-25 | 基于一维深度残差网络的光伏组件电压电流特性建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109409024B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
| CN109992911A (zh) * | 2019-05-06 | 2019-07-09 | 福州大学 | 基于极限学习机和iv特性的光伏组件快速建模方法 |
| CN110111012A (zh) * | 2019-05-13 | 2019-08-09 | 中南大学 | 一种基于稳态图像特征的接触网负荷识别方法 |
| CN110209047A (zh) * | 2019-05-13 | 2019-09-06 | 西安交通大学 | 一种基于残差网络的光伏电站遮挡物定位方法 |
| CN111617479A (zh) * | 2020-04-13 | 2020-09-04 | 上海交通大学 | 游戏人工智能系统的加速方法及系统 |
| CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2077453A1 (de) * | 2008-01-01 | 2009-07-08 | SMA Solar Technology AG | Auswerteverfahren |
| CN105160423A (zh) * | 2015-09-14 | 2015-12-16 | 河海大学常州校区 | 一种基于马尔科夫残差修正的光伏发电预测方法 |
| CN105426956A (zh) * | 2015-11-06 | 2016-03-23 | 国家电网公司 | 一种超短期光伏预测方法 |
| CN106021806A (zh) * | 2016-06-06 | 2016-10-12 | 福州大学 | 一种基于核函数极限学习机的光伏组串故障诊断方法 |
| CN108111125A (zh) * | 2018-01-29 | 2018-06-01 | 福州大学 | 一种光伏阵列的iv特性曲线扫描与参数辨识系统及方法 |
-
2018
- 2018-12-25 CN CN201811591567.5A patent/CN109409024B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2077453A1 (de) * | 2008-01-01 | 2009-07-08 | SMA Solar Technology AG | Auswerteverfahren |
| CN105160423A (zh) * | 2015-09-14 | 2015-12-16 | 河海大学常州校区 | 一种基于马尔科夫残差修正的光伏发电预测方法 |
| CN105426956A (zh) * | 2015-11-06 | 2016-03-23 | 国家电网公司 | 一种超短期光伏预测方法 |
| CN106021806A (zh) * | 2016-06-06 | 2016-10-12 | 福州大学 | 一种基于核函数极限学习机的光伏组串故障诊断方法 |
| CN108111125A (zh) * | 2018-01-29 | 2018-06-01 | 福州大学 | 一种光伏阵列的iv特性曲线扫描与参数辨识系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡涛等: "多路数据融合在光伏电池组件监控系统中的应用研究", 《万方数据期刊库》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
| CN109992911A (zh) * | 2019-05-06 | 2019-07-09 | 福州大学 | 基于极限学习机和iv特性的光伏组件快速建模方法 |
| CN109992911B (zh) * | 2019-05-06 | 2023-04-07 | 福州大学 | 基于极限学习机和iv特性的光伏组件快速建模方法 |
| CN110111012A (zh) * | 2019-05-13 | 2019-08-09 | 中南大学 | 一种基于稳态图像特征的接触网负荷识别方法 |
| CN110209047A (zh) * | 2019-05-13 | 2019-09-06 | 西安交通大学 | 一种基于残差网络的光伏电站遮挡物定位方法 |
| CN111617479A (zh) * | 2020-04-13 | 2020-09-04 | 上海交通大学 | 游戏人工智能系统的加速方法及系统 |
| CN111617479B (zh) * | 2020-04-13 | 2021-12-24 | 上海交通大学 | 游戏人工智能系统的加速方法及系统 |
| CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109409024B (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
| CN109409024A (zh) | 基于一维深度残差网络的光伏组件电压电流特性建模方法 | |
| CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
| CN112578312B (zh) | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 | |
| CN111754026B (zh) | 光伏电站群功率预测方法、装置、计算机设备及存储介质 | |
| CN109165774A (zh) | 一种短期光伏功率预测方法 | |
| CN111444615B (zh) | 一种基于k近邻和iv曲线的光伏阵列故障诊断方法 | |
| CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
| CN109992911B (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
| CN107945046B (zh) | 一种新能源电站出力数据修复方法及装置 | |
| CN110570122A (zh) | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 | |
| CN108805256A (zh) | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 | |
| CN112787591B (zh) | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 | |
| CN114970952A (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
| CN111259550B (zh) | 基于网格搜索和改进nm单纯形算法的光伏模型更新方法 | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| CN115689055A (zh) | 一种短期太阳辐照度预测方法及装置 | |
| CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
| CN113595132B (zh) | 基于最大功率点和混合优化算法的光伏在线参数辨识方法 | |
| Qu et al. | Fault diagnosis for PV arrays considering dust impact based on transformed graphical features of characteristic curves and convolutional neural network with CBAM modules | |
| Omer et al. | Adaptive boosting and bootstrapped aggregation based ensemble machine learning methods for photovoltaic systems output current prediction | |
| CN111177973B (zh) | 一种基于强化学习的光伏阵列在线建模方法 | |
| CN114819382B (zh) | 一种基于lstm的光伏功率预测方法 | |
| Wang et al. | Multistage Parameter Identification Featured Generic Wind Farm Dynamic Equivalent Modeling | |
| Liu et al. | An improved code-based fault simulation model for PV module |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |