CN114793086B - 双面双玻光伏板调节支架及调节方法 - Google Patents

双面双玻光伏板调节支架及调节方法 Download PDF

Info

Publication number
CN114793086B
CN114793086B CN202210702936.3A CN202210702936A CN114793086B CN 114793086 B CN114793086 B CN 114793086B CN 202210702936 A CN202210702936 A CN 202210702936A CN 114793086 B CN114793086 B CN 114793086B
Authority
CN
China
Prior art keywords
photovoltaic panel
photovoltaic
power
pose
feature vector
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.)
Active
Application number
CN202210702936.3A
Other languages
English (en)
Other versions
CN114793086A (zh
Inventor
马霖敏
王佳佳
崔恩恩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Zhongqing Photovoltaic Technology Co ltd
Original Assignee
Jiangsu Zhongqing Photovoltaic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Zhongqing Photovoltaic Technology Co ltd filed Critical Jiangsu Zhongqing Photovoltaic Technology Co ltd
Priority to CN202210702936.3A priority Critical patent/CN114793086B/zh
Publication of CN114793086A publication Critical patent/CN114793086A/zh
Application granted granted Critical
Publication of CN114793086B publication Critical patent/CN114793086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S20/00—Supporting structures for PV modules
    • H02S20/30—Supporting structures being movable or adjustable, e.g. for angle adjustment
    • H02S20/32—Supporting structures being movable or adjustable, e.g. for angle adjustment specially adapted for solar tracking
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24S—SOLAR HEAT COLLECTORS; SOLAR HEAT SYSTEMS
    • F24S30/00—Arrangements for moving or orienting solar heat collector modules
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D3/00—Control of position or direction
    • G05D3/12—Control of position or direction using feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Sustainable Development (AREA)
  • Automation & Control Theory (AREA)
  • Sustainable Energy (AREA)
  • Thermal Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本申请涉及光伏智能发电的领域，其具体地公开了一种双面双玻光伏板调节支架及调节方法，其使用基于卷积神经网络的深度学习技术，来从光伏阵列中各个光伏板在预定时间段内的角度数据和发电功率数据中挖掘出所述各个光伏板在时间维度上的动态变化特征，并且利用了所述角度与所述发电功率之间存在的响应关系来进一步提高对于所述光伏板角度调整结果的准确性，进而以基于全局最优的角度来对所述光伏板的角度进行调整来保障光伏发电系统的发电效率。

Description

双面双玻光伏板调节支架及调节方法
技术领域
本发明涉及光伏智能发电的领域，且更为具体地，涉及一种双面双玻光伏板调节支架及调节方法。
背景技术
随着社会的高速发展对资源的过度利用，对环境造成严重的污染，国际社会对节能减排日益重视，呼吁利用绿色能源代替传统能源，减少对环境的污染，近年来太阳能的利用取得了重大发展，太阳能光伏板是目前较为常见的转换太阳能的装置，太阳能光伏板作为一种清洁环保的绿色能源产品，越来越多地应用于生产、生活各领域，太阳能光伏板接入并网光伏发电系统或独立光伏发电系统中。
但是目前市场上的太阳能光伏板通过安装支架安装完成后便完全固定，太阳光照射的方向会随季节的不断变化，如果不对太阳能光伏板的倾斜角度进行及时的调节，则会造成太阳能光伏板无法充分的利用太阳光照，降低了太阳能光伏板的使用效果。
并且，在使用时光伏板以阵列的形式进行排布以形成光伏发电阵列，因此，在光伏板的角度调整中不仅仅要考虑其与太阳的照射角度之间的相对位置关系，还需要考虑其与其他光伏发电板之间的相对位置关系，因为各个光伏板之间也会存在遮挡等问题，因此，期待一种基于全局最优的角度来对光伏板的角度进行调整。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种双面双玻光伏板调节支架及调节方法，其使用基于卷积神经网络的深度学习技术，来从光伏阵列中各个光伏板在预定时间段内的角度数据和发电功率数据中挖掘出所述各个光伏板在时间维度上的动态变化特征，并且利用了所述角度与所述发电功率之间存在的响应关系来进一步提高对于所述光伏板角度调整结果的准确性，进而以基于全局最优的角度来对所述光伏板的角度进行调整来保障光伏发电系统的发电效率。
根据本申请的一个方面，提供了一种双面双玻光伏板调节支架，其包括：光伏板工作数据获取模块，用于获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据；第一时序编码模块，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位姿特征向量，并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量；位姿全局编码模块，用于将所述位姿三维张量通过第一卷积神经网络以得到全局位姿特征向量；第二时序编码模块，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，并将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量；功率全局编码模块，用于将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向量；光伏阵列全局模块，用于基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵；待调节光伏板模块，用于从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量；以及调节结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。
在上述双面双玻光伏板调节支架中，所述第一时序编码模块，包括：第一向量构造单元，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据按照时间维度排列为角度输入向量；以及，第一一维卷积编码单元，用于使用所述第一时序编码器的一维卷积层以如下公式对所述角度输入向量进行一维卷积编码；
其中，所述公式为：
Figure 370058DEST_PATH_IMAGE001
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
在上述双面双玻光伏板调节支架中，所述第二时序编码模块，包括：第二向量构造单元，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据按照时间维度排列为功率输入向量；以及，第二一维卷积单元，用于使用所述第二时序编码器的一维卷积层以如下公式对所述功率输入向量进行一维卷积编码；其中，所述公式为：
Figure 158760DEST_PATH_IMAGE001
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
在上述双面双玻光伏板调节支架中，所述第一时序编码器和所述第二时序编码器由交替排列的一维卷积层和全连接层组成。
在上述双面双玻光伏板调节支架中，所述第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述全局位姿特征向量，所述第一卷积神经网络的第一层的输入为所述位姿三维张量。
在上述双面双玻光伏板调节支架中，所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述全局功率特征向量，所述第二卷积神经网络的第一层的输入为所述功率三维张量。
在上述双面双玻光伏板调节支架中，所述光伏阵列全局模块，进一步用于：基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移以如下公式对所述位姿特征向量和所述功率特征向量进行关联编码以得到所述分类特征矩阵；
其中，所述公式为：
Figure 38991DEST_PATH_IMAGE002
其中
Figure 680188DEST_PATH_IMAGE003
表示所述分类特征矩阵，
Figure 304067DEST_PATH_IMAGE004
表示所述位姿特征向量,
Figure 938487DEST_PATH_IMAGE005
表示所述功率特征向量，
Figure 989620DEST_PATH_IMAGE006
和
Figure 852533DEST_PATH_IMAGE007
均为列向量，
Figure 748945DEST_PATH_IMAGE008
表示矩阵的Frobenius范数，
Figure 777819DEST_PATH_IMAGE009
表示矩阵的指数运算。
在上述双面双玻光伏板调节支架中，所述调节结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
Figure 734274DEST_PATH_IMAGE010
，其中，
Figure 818904DEST_PATH_IMAGE011
到
Figure 784586DEST_PATH_IMAGE012
为权重矩阵，
Figure 811841DEST_PATH_IMAGE013
到
Figure 204777DEST_PATH_IMAGE014
为偏置向量，
Figure 307862DEST_PATH_IMAGE015
为所述分类特征向量。
根据本申请的另一方面，一种双面双玻光伏板调节支架的调节方法，其包括：获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据；将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位姿特征向量，并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量；将所述位姿三维张量通过第一卷积神经网络以得到全局位姿特征向量；将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，并将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量；将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向量；基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵；从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。
与现有技术相比，本申请提供的双面双玻光伏板调节支架及调节方法，其使用基于卷积神经网络的深度学习技术，来从光伏阵列中各个光伏板在预定时间段内的角度数据和发电功率数据中挖掘出所述各个光伏板在时间维度上的动态变化特征，并且利用了所述角度与所述发电功率之间存在的响应关系来进一步提高对于所述光伏板角度调整结果的准确性，进而以基于全局最优的角度来对所述光伏板的角度进行调整来保障光伏发电系统的发电效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的双面双玻光伏板调节支架的应用场景图。
图2为根据本申请实施例的双面双玻光伏板调节支架的框图。
图3为根据本申请实施例的双面双玻光伏板调节支架中第一时序编码模块的框图。
图4为根据本申请实施例的双面双玻光伏板调节支架中第二时序编码模块的框图。
图5为根据本申请实施例的双面双玻光伏板调节支架的调节方法的流程图。
图6为根据本申请实施例的双面双玻光伏板调节支架的调节方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，随着社会的高速发展对资源的过度利用，对环境造成严重的污染，国际社会对节能减排日益重视，呼吁利用绿色能源代替传统能源，减少对环境的污染，近年来太阳能的利用取得了重大发展，太阳能光伏板是目前较为常见的转换太阳能的装置，太阳能光伏板作为一种清洁环保的绿色能源产品，越来越多地应用于生产、生活各领域，太阳能光伏板接入并网光伏发电系统或独立光伏发电系统中。
但是目前市场上的太阳能光伏板通过安装支架安装完成后便完全固定，太阳光照射的方向会随季节的不断变化，如果不对太阳能光伏板的倾斜角度进行及时的调节，则会造成太阳能光伏板无法充分的利用太阳光照，降低了太阳能光伏板的使用效果。
并且，在使用时光伏板以阵列的形式进行排布以形成光伏发电阵列，因此，在光伏板的角度调整中不仅仅要考虑其与太阳的照射角度之间的相对位置关系，还需要考虑其与其他光伏发电板之间的相对位置关系，因为各个光伏板之间也会存在遮挡等问题，因此，期待一种基于全局最优的角度来对光伏板的角度进行调整。
深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展，为光伏板角度的调整提供了新的解决思路和方案。
基于此，本申请的申请人使用基于卷积神经网络的深度学习技术，来从光伏阵列中各个光伏板在预定时间段内的角度数据和发电功率数据中挖掘出所述各个光伏板在时间维度上的动态变化特征，并且利用了分类器来对所述待调节光伏板的角度调整结果进行回归分类，以基于全局最优的角度来对光伏板的角度进行调整。
也就是，具体地，在本申请的技术方案中，首先，通过角度测量仪和光伏功率测试仪获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据。应可以理解，由于光伏阵列中的各个光伏板的角度变化和发电功率变化在一天当中都会存在动态的规律性，因此，为了提取出这种规律性，进一步将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过第一时序编码器以得到对应于各个光伏板的位姿特征向量。在一个具体示例中，所述第一时序编码器由交替排列的一维卷积层和全连接层组成，其通过一维卷积编码提取出所述各个光伏板的角度数据在时序维度上的关联性特征，并通过全连接编码提取出所述各个光伏板的角度数据的高维隐含特征信息。
然后，将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量，以整合各个光伏板的角度关联特征信息，进一步再将所述位姿三维张量通过第一卷积神经网络中进行处理，以更深层次的挖掘出所述各个光伏板的角度数据的隐含动态变化特征，从而得到全局位姿特征向量。
同样地，对于所述预定时间段内的多个预定时间点的光伏阵列中各个光伏板的发电功率数据，也将其通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，这里，所述第二时序编码器也由交替排列的一维卷积层和全连接层组成，以提取出所述各个光伏板的发电功率数据在时序维度上的关联特征以及各个光伏板的发电功率的高维隐含特征。然后，将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量后通过第二卷积神经网络以得到全局功率特征向量，以更深层次的挖掘出所述各个光伏板的发电功率数据的隐含动态变化特征。
应可以理解，由于位姿特征向量
Figure 575770DEST_PATH_IMAGE016
用于表达发电板的角度拓扑关联特征，功率特征向量
Figure 221646DEST_PATH_IMAGE017
用于表达发电板的发电功率拓扑关联特征，且发电功率与角度之间存在响应性，因此计算位姿特征向量
Figure 113379DEST_PATH_IMAGE018
到功率特征向量
Figure 172602DEST_PATH_IMAGE019
的转移矩阵，以得到全局矩阵
Figure 981551DEST_PATH_IMAGE020
，即
Figure 75409DEST_PATH_IMAGE021
。但是，考虑到角度拓扑关联特征和发电功率拓扑关联特征在高维空间内的特征表达不一定能完全对齐，因此基于特征分布的位置偏移对全局矩阵
Figure 810147DEST_PATH_IMAGE022
进行修正，即：
Figure 356666DEST_PATH_IMAGE023
Figure 700797DEST_PATH_IMAGE024
表示矩阵的Frobenius范数，位姿特征向量
Figure 649162DEST_PATH_IMAGE025
和功率特征向量
Figure 961325DEST_PATH_IMAGE026
均为列向量，
Figure 293343DEST_PATH_IMAGE027
表示矩阵的指数运算，矩阵除法表示以分子矩阵中各个位置的特征值分别除以分母，对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。
也就是，通过位姿特征向量
Figure 942630DEST_PATH_IMAGE028
和功率特征向量
Figure 948763DEST_PATH_IMAGE029
的按位置关联特征表达，进一步以关联矩阵的Frobenius范数来进行低秩约束，保持了位姿特征向量
Figure 822041DEST_PATH_IMAGE030
和功率特征向量
Figure 841688DEST_PATH_IMAGE031
之间的关联特征在高维特征空间内的尺度迁移确定性，由此，全局矩阵
Figure 294666DEST_PATH_IMAGE032
作为转移响应，也可以与位姿特征向量
Figure 155306DEST_PATH_IMAGE033
和功率特征向量
Figure 402747DEST_PATH_IMAGE034
在一定程度上保持分类概率的一致性，即保留了分类概率下的概率分布的一致性，进而也就提高了对于光伏板角度调节的分类结果的准确性。
基于此，本申请提出了一种双面双玻光伏板调节支架，其包括：光伏板工作数据获取模块，用于获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据；第一时序编码模块，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位姿特征向量，并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量；位姿全局编码模块，用于将所述位姿三维张量通过第一卷积神经网络以得到全局位姿特征向量；第二时序编码模块，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，并将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量；功率全局编码模块，用于将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向量；光伏阵列全局模块，用于基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵；待调节光伏板模块，用于从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量；以及，调节结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。
图1图示了根据本申请实施例的双面双玻光伏板调节支架的应用场景图。如图1所示，在该应用场景中，首先，通过部署于光伏系统中的角度测量仪（例如，如图1中所示意的T1）和光伏功率测试仪（例如，如图1中所示意的T2）获取预定时间段内多个预定时间点的光伏阵列（例如，如图1中所示意的P）中各个光伏板（例如，如图1中所示意的P1-Pn）的角度数据和发电功率数据。然后，将获得的所述各个光伏板的角度数据和发电功率数据输入至部署有双面双玻光伏板调节支架算法的服务器中（例如，如图1中所示意的云服务器S），其中，所述服务器能够以双面双玻光伏板调节支架算法对所述各个光伏板的角度数据和发电功率数据进行处理，以生成用于表示所述待调节光伏板的角度应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的双面双玻光伏板调节支架的框图。如图2所示，根据本申请实施例的双面双玻光伏板调节支架 200，包括：光伏板工作数据获取模块 210，用于获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据；第一时序编码模块 220，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位姿特征向量，并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量；位姿全局编码模块 230，用于将所述位姿三维张量通过第一卷积神经网络以得到全局位姿特征向量；第二时序编码模块 240，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，并将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量；功率全局编码模块 250，用于将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向量；光伏阵列全局模块 260，用于基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵；待调节光伏板模块 270，用于从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量；以及，调节结果生成模块 280，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。
具体地，在本申请实施例中，所述光伏板工作数据获取模块 210、所述第一时序编码模块 220和所述位姿全局编码模块 230，用于获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据，并将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位姿特征向量，并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量，再将所述位姿三维张量通过第一卷积神经网络以得到全局位姿特征向量。如前所述，应可以理解，由于在使用时光伏板以阵列的形式进行排布以形成光伏发电阵列，所述各个光伏板之间会存在遮挡等问题，因此，在光伏板的角度调整中不仅仅要考虑其与太阳的照射角度之间的相对位置关系，还需要考虑其与其他光伏发电板之间的相对位置关系。因此，在本申请的技术方案中，使用基于卷积神经网络的深度学习技术，来从光伏阵列中各个光伏板在预定时间段内的角度数据和发电功率数据中挖掘出所述各个光伏板在时间维度上的动态变化特征，并且利用了分类器来对所述待调节光伏板的角度调整结果进行回归分类，以基于全局最优的角度来对光伏板的角度进行调整。
也就是，具体地，在本申请的技术方案中，首先，通过部署于光伏系统中的角度测量仪和光伏功率测试仪获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据。应可以理解，由于所述光伏阵列中的各个光伏板的角度变化和发电功率变化在一天当中都会存在动态的规律性，因此，为了提取出这种规律性，进一步将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过第一时序编码器以得到对应于各个光伏板的位姿特征向量。在一个具体示例中，所述第一时序编码器由交替排列的一维卷积层和全连接层组成，其通过一维卷积编码提取出所述各个光伏板的角度数据在时序维度上的关联性特征，并通过全连接编码提取出所述各个光伏板的角度数据的高维隐含特征信息。
然后，将对应于所述各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量，以整合所述各个光伏板的角度关联特征信息，进一步再将所述位姿三维张量通过第一卷积神经网络中进行处理，以更深层次的挖掘出所述各个光伏板的角度数据的隐含动态变化特征，从而得到全局位姿特征向量。
相应地，在一个具体示例中，所述第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述全局位姿特征向量，所述第一卷积神经网络的第一层的输入为所述位姿三维张量。
更具体地，在本申请实施例中，所述第一时序编码模块，包括：首先，将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据按照时间维度排列为角度输入向量。然后，使用所述第一时序编码器的一维卷积层以如下公式对所述角度输入向量进行一维卷积编码；
其中，所述公式为：
Figure 924338DEST_PATH_IMAGE001
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
图3图示了根据本申请实施例的双面双玻光伏板调节支架中第一时序编码模块的框图。如图3所示，所述第一时序编码模块 220，包括：第一向量构造单元 221，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据按照时间维度排列为角度输入向量；以及，第一一维卷积编码单元 222，用于使用所述第一时序编码器的一维卷积层以如下公式对所述角度输入向量进行一维卷积编码；
其中，所述公式为：
Figure 915428DEST_PATH_IMAGE001
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
具体地，在本申请实施例中，所述第二时序编码模块 240和所述功率全局编码模块 250，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，并将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量，并将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向量。应可以理解，同样地，对于所述预定时间段内的多个预定时间点的光伏阵列中各个光伏板的发电功率数据，也将其通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，这里，所述第二时序编码器也由交替排列的一维卷积层和全连接层组成，以提取出所述各个光伏板的发电功率数据在时序维度上的关联特征以及所述各个光伏板的发电功率的高维隐含特征。然后，将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量后通过第二卷积神经网络以得到全局功率特征向量，以更深层次的挖掘出所述各个光伏板的发电功率数据的隐含动态变化特征。
相应地，在一个具体示例中，所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述全局功率特征向量，所述第二卷积神经网络的第一层的输入为所述功率三维张量。
更具体地，在本申请实施例中，所述第二时序编码模块，包括：首先，将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据按照时间维度排列为功率输入向量。然后，使用所述第二时序编码器的一维卷积层以如下公式对所述功率输入向量进行一维卷积编码；其中，所述公式为：
Figure 958470DEST_PATH_IMAGE001
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
图4图示了根据本申请实施例的双面双玻光伏板调节支架中第一时序编码模块的框图。如图4所示，所述第二时序编码模块 240，包括：第二向量构造单元241，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据按照时间维度排列为功率输入向量；以及，第二一维卷积单元242，用于使用所述第二时序编码器的一维卷积层以如下公式对所述功率输入向量进行一维卷积编码；其中，所述公式为：
Figure 111234DEST_PATH_IMAGE001
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
具体地，在本申请实施例中，所述光伏阵列全局模块 260，用于基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵。应可以理解，由于所述位姿特征向量
Figure 105473DEST_PATH_IMAGE035
用于表达发电板的角度拓扑关联特征，所述功率特征向量
Figure 900253DEST_PATH_IMAGE036
用于表达所述发电板的发电功率拓扑关联特征，且所述发电功率与所述角度之间存在响应性。因此，在本申请的技术方案中，进一步计算所述位姿特征向量
Figure 532223DEST_PATH_IMAGE037
到所述功率特征向量
Figure 387046DEST_PATH_IMAGE038
的转移矩阵，以得到全局矩阵
Figure 432363DEST_PATH_IMAGE039
，即
Figure 673245DEST_PATH_IMAGE021
。但是，考虑到所述角度拓扑关联特征和所述发电功率拓扑关联特征在高维空间内的特征表达不一定能完全对齐，因此基于特征分布的位置偏移对全局矩阵
Figure 425300DEST_PATH_IMAGE040
进行修正。
更具体地，在本申请实施例中，所述光伏阵列全局模块，进一步用于：基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移以如下公式对所述位姿特征向量和所述功率特征向量进行关联编码以得到所述分类特征矩阵；
其中，所述公式为：
Figure 982183DEST_PATH_IMAGE002
其中
Figure 888697DEST_PATH_IMAGE041
表示所述分类特征矩阵，
Figure 25280DEST_PATH_IMAGE042
表示所述位姿特征向量,
Figure 631842DEST_PATH_IMAGE043
表示所述功率特征向量，
Figure 562889DEST_PATH_IMAGE044
和
Figure 21946DEST_PATH_IMAGE045
均为列向量，
Figure 696641DEST_PATH_IMAGE046
表示矩阵的Frobenius范数，
Figure 892130DEST_PATH_IMAGE047
表示矩阵的指数运算，矩阵除法表示以分子矩阵中各个位置的特征值分别除以分母，对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。应可以理解，通过所述位姿特征向量
Figure 790816DEST_PATH_IMAGE048
和所述功率特征向量
Figure 468659DEST_PATH_IMAGE049
的按位置关联特征表达，进一步以所述关联矩阵的Frobenius范数来进行低秩约束，保持了所述位姿特征向量
Figure 681466DEST_PATH_IMAGE050
和所述功率特征向量
Figure 262620DEST_PATH_IMAGE051
之间的关联特征在高维特征空间内的尺度迁移确定性，由此，所述全局矩阵
Figure 535470DEST_PATH_IMAGE052
作为转移响应，也可以与所述位姿特征向量
Figure 969118DEST_PATH_IMAGE053
和所述功率特征向量
Figure 720037DEST_PATH_IMAGE051
在一定程度上保持分类概率的一致性，即保留了分类概率下的概率分布的一致性，进而也就提高了对于光伏板角度调节的分类结果的准确性。
具体地，在本申请实施例中，所述待调节光伏板模块 270和所述调节结果生成模块 280，用于从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。也就是，在本申请的技术方案中，在得到所述分类特征矩阵后，进一步从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，并将其与所述分类特征矩阵进行矩阵相乘以将所述待调节的光伏板的位姿特征向量映射到所述分类特征矩阵的高维特征空间中，从而得到分类特征向量。然后，将所述分类特征向量通过分类器以获得用于表示所述待调节光伏板的角度应增大或应减小的分类结果。
更具体地，在本申请实施例中，所述调节结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
Figure 155697DEST_PATH_IMAGE054
，其中，
Figure 35666DEST_PATH_IMAGE055
到
Figure 923988DEST_PATH_IMAGE056
为权重矩阵，
Figure 744176DEST_PATH_IMAGE057
到
Figure 34343DEST_PATH_IMAGE058
为偏置向量，
Figure 242471DEST_PATH_IMAGE059
为所述分类特征向量。
综上，基于本申请实施例的所述双面双玻光伏板调节支架 200被阐明，其使用基于卷积神经网络的深度学习技术，来从光伏阵列中各个光伏板在预定时间段内的角度数据和发电功率数据中挖掘出所述各个光伏板在时间维度上的动态变化特征，并且利用了所述角度与所述发电功率之间存在的响应关系来进一步提高对于所述光伏板角度调整结果的准确性，进而以基于全局最优的角度来对所述光伏板的角度进行调整来保障光伏发电系统的发电效率。
如上所述，根据本申请实施例的双面双玻光伏板调节支架 200可以实现在各种终端设备中，例如双面双玻光伏板调节支架算法的服务器等。在一个示例中，根据本申请实施例的双面双玻光伏板调节支架 200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该双面双玻光伏板调节支架 200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该双面双玻光伏板调节支架 200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该双面双玻光伏板调节支架 200与该终端设备也可以是分立的设备，并且该双面双玻光伏板调节支架 200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图5图示了双面双玻光伏板调节支架的调节方法的流程图。如图5所示，根据本申请实施例的双面双玻光伏板调节支架的调节方法，包括步骤：S110，获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据；S120，将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位姿特征向量，并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量；S130，将所述位姿三维张量通过第一卷积神经网络以得到全局位姿特征向量；S140，将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，并将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量；S150，将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向量；S160，基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵；S170，从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量；以及，S180，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。
图6图示了根据本申请实施例的双面双玻光伏板调节支架的调节方法的架构示意图。如图6所示，在所述双面双玻光伏板调节支架的调节方法的网络架构中，首先，将获得的所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据（例如，如图6中所示意的P1）通过包含一维卷积层的第一时序编码器（例如，如图6中所示意的E1）以得到对应于各个光伏板的位姿特征向量（例如，如图6中所示意的VF1），并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量（例如，如图6中所示意的T1）；接着，将所述位姿三维张量通过第一卷积神经网络（例如，如图6中所示意的CNN1）以得到全局位姿特征向量（例如，如图6中所示意的VF2）；然后，将获得的所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据（例如，如图6中所示意的P2）通过包含一维卷积层的第二时序编码器（例如，如图6中所示意的E2）以得到对应于各个光伏板的功率特征向量（例如，如图6中所示意的VF3），并将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量（例如，如图6中所示意的T2）；接着，将所述功率三维张量通过第二卷积神经网络（例如，如图6中所示意的CNN2）以得到全局功率特征向量（例如，如图6中所示意的VF4）；然后，基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵（例如，如图6中所示意的MF）；接着，从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量（例如，如图6中所示意的VF），并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量（例如，如图6中所示意的VC）；以及，最后，将所述分类特征向量通过分类器（例如，如图6中所示意的圈S）以得到分类结果，所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。
更具体地，在步骤S110、步骤S120和步骤S130中，获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据，并将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位姿特征向量，并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量，再将所述位姿三维张量通过第一卷积神经网络以得到全局位姿特征向量。应可以理解，由于在使用时光伏板以阵列的形式进行排布以形成光伏发电阵列，所述各个光伏板之间会存在遮挡等问题，因此，在光伏板的角度调整中不仅仅要考虑其与太阳的照射角度之间的相对位置关系，还需要考虑其与其他光伏发电板之间的相对位置关系。因此，在本申请的技术方案中，使用基于卷积神经网络的深度学习技术，来从光伏阵列中各个光伏板在预定时间段内的角度数据和发电功率数据中挖掘出所述各个光伏板在时间维度上的动态变化特征，并且利用了分类器来对所述待调节光伏板的角度调整结果进行回归分类，以基于全局最优的角度来对光伏板的角度进行调整。
也就是，具体地，在本申请的技术方案中，首先，通过部署于光伏系统中的角度测量仪和光伏功率测试仪获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据。应可以理解，由于所述光伏阵列中的各个光伏板的角度变化和发电功率变化在一天当中都会存在动态的规律性，因此，为了提取出这种规律性，进一步将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过第一时序编码器以得到对应于各个光伏板的位姿特征向量。在一个具体示例中，所述第一时序编码器由交替排列的一维卷积层和全连接层组成，其通过一维卷积编码提取出所述各个光伏板的角度数据在时序维度上的关联性特征，并通过全连接编码提取出所述各个光伏板的角度数据的高维隐含特征信息。
然后，将对应于所述各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量，以整合所述各个光伏板的角度关联特征信息，进一步再将所述位姿三维张量通过第一卷积神经网络中进行处理，以更深层次的挖掘出所述各个光伏板的角度数据的隐含动态变化特征，从而得到全局位姿特征向量。
更具体地，在步骤S140和步骤S150中，将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，并将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量，并将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向量。应可以理解，同样地，对于所述预定时间段内的多个预定时间点的光伏阵列中各个光伏板的发电功率数据，也将其通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，这里，所述第二时序编码器也由交替排列的一维卷积层和全连接层组成，以提取出所述各个光伏板的发电功率数据在时序维度上的关联特征以及所述各个光伏板的发电功率的高维隐含特征。然后，将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量后通过第二卷积神经网络以得到全局功率特征向量，以更深层次的挖掘出所述各个光伏板的发电功率数据的隐含动态变化特征。
更具体地，在步骤S160中，基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵。应可以理解，由于所述位姿特征向量
Figure 779939DEST_PATH_IMAGE053
用于表达发电板的角度拓扑关联特征，所述功率特征向量
Figure 466135DEST_PATH_IMAGE060
用于表达所述发电板的发电功率拓扑关联特征，且所述发电功率与所述角度之间存在响应性。因此，在本申请的技术方案中，进一步计算所述位姿特征向量
Figure 548491DEST_PATH_IMAGE061
到所述功率特征向量
Figure 98159DEST_PATH_IMAGE062
的转移矩阵，以得到全局矩阵
Figure 961073DEST_PATH_IMAGE063
，即
Figure 450960DEST_PATH_IMAGE064
。但是，考虑到所述角度拓扑关联特征和所述发电功率拓扑关联特征在高维空间内的特征表达不一定能完全对齐，因此基于特征分布的位置偏移对全局矩阵
Figure 450140DEST_PATH_IMAGE052
进行修正。
更具体地，在步骤S170和步骤S180中，从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。也就是，在本申请的技术方案中，在得到所述分类特征矩阵后，进一步从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，并将其与所述分类特征矩阵进行矩阵相乘以将所述待调节的光伏板的位姿特征向量映射到所述分类特征矩阵的高维特征空间中，从而得到分类特征向量。然后，将所述分类特征向量通过分类器以获得用于表示所述待调节光伏板的角度应增大或应减小的分类结果。
综上，基于本申请实施例的所述双面双玻光伏板调节支架的调节方法被阐明，其使用基于卷积神经网络的深度学习技术，来从光伏阵列中各个光伏板在预定时间段内的角度数据和发电功率数据中挖掘出所述各个光伏板在时间维度上的动态变化特征，并且利用了所述角度与所述发电功率之间存在的响应关系来进一步提高对于所述光伏板角度调整结果的准确性，进而以基于全局最优的角度来对所述光伏板的角度进行调整来保障光伏发电系统的发电效率。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (5)

1.一种双面双玻光伏板调节支架，其特征在于，包括：
光伏板工作数据获取模块，用于获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据；
第一时序编码模块，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位姿特征向量，并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量；
位姿全局编码模块，用于将所述位姿三维张量通过第一卷积神经网络以得到全局位姿特征向量；
第二时序编码模块，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，并将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量；
功率全局编码模块，用于将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向量；
光伏阵列全局模块，用于基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵；
待调节光伏板模块，用于从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量；以及
调节结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待调节光伏板的角度应增大或应减小；
其中，所述第一时序编码模块，包括：
第一向量构造单元，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据按照时间维度排列为角度输入向量；以及
第一一维卷积编码单元，用于使用所述第一时序编码器的一维卷积层以如下公式对所述角度输入向量进行一维卷积编码；
其中，所述公式为：
Figure 742247DEST_PATH_IMAGE001
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；
其中，所述第二时序编码模块，包括：
第二向量构造单元，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据按照时间维度排列为功率输入向量；以及
第二一维卷积单元，用于使用所述第二时序编码器的一维卷积层以如下公式对所述功率输入向量进行一维卷积编码；
其中，所述公式为：
Figure 921556DEST_PATH_IMAGE001
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；
其中，所述光伏阵列全局模块，用于：基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移以如下公式对所述位姿特征向量和所述功率特征向量进行关联编码以得到所述分类特征矩阵；
其中，所述公式为：
Figure 586892DEST_PATH_IMAGE002
其中
Figure 433625DEST_PATH_IMAGE003
表示所述分类特征矩阵，
Figure 923119DEST_PATH_IMAGE004
表示所述位姿特征向量,
Figure 838991DEST_PATH_IMAGE005
表示所述功率特征向量，
Figure 58751DEST_PATH_IMAGE004
和
Figure 245144DEST_PATH_IMAGE005
均为列向量，
Figure 954474DEST_PATH_IMAGE006
表示矩阵的Frobenius范数，
Figure 92063DEST_PATH_IMAGE007
表示矩阵的指数运算；
其中，所述调节结果生成模块，用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
Figure 912252DEST_PATH_IMAGE008
，其中，
Figure 950222DEST_PATH_IMAGE009
到
Figure 830453DEST_PATH_IMAGE010
为权重矩阵，
Figure 455338DEST_PATH_IMAGE011
到
Figure 813638DEST_PATH_IMAGE012
为偏置向量，
Figure 974624DEST_PATH_IMAGE013
为所述分类特征向量。
2.根据权利要求1所述的双面双玻光伏板调节支架，其中，所述第一时序编码器和所述第二时序编码器由交替排列的一维卷积层和全连接层组成。
3.根据权利要求2所述的双面双玻光伏板调节支架，其中，所述第一卷积神经网络的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络的最后一层的输出为所述全局位姿特征向量，所述第一卷积神经网络的第一层的输入为所述位姿三维张量。
4.根据权利要求3所述的双面双玻光伏板调节支架，其中，所述第二卷积神经网络的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络的最后一层的输出为所述全局功率特征向量，所述第二卷积神经网络的第一层的输入为所述功率三维张量。
5.一种双面双玻光伏板调节支架的调节方法，其特征在于，包括：
获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据；
将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位姿特征向量，并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量；
将所述位姿三维张量通过第一卷积神经网络以得到全局位姿特征向量；
将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，并将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量；
将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向量；
基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵；
从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述待调节光伏板的角度应增大或应减小；
其中，将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位姿特征向量，包括：
将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据按照时间维度排列为角度输入向量；以及
使用所述第一时序编码器的一维卷积层以如下公式对所述角度输入向量进行一维卷积编码；
其中，所述公式为：
Figure 291335DEST_PATH_IMAGE001
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；
其中，将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量，包括：
将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据按照时间维度排列为功率输入向量；以及
使用所述第二时序编码器的一维卷积层以如下公式对所述功率输入向量进行一维卷积编码；
其中，所述公式为：
Figure 137938DEST_PATH_IMAGE001
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；
其中，基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵，包括：基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移以如下公式对所述位姿特征向量和所述功率特征向量进行关联编码以得到所述分类特征矩阵；
其中，所述公式为：
Figure 299929DEST_PATH_IMAGE002
其中
Figure 46911DEST_PATH_IMAGE003
表示所述分类特征矩阵，
Figure 268945DEST_PATH_IMAGE004
表示所述位姿特征向量,
Figure 868423DEST_PATH_IMAGE005
表示所述功率特征向量，
Figure 834105DEST_PATH_IMAGE004
和
Figure 641786DEST_PATH_IMAGE005
均为列向量，
Figure 18410DEST_PATH_IMAGE006
表示矩阵的Frobenius范数，
Figure 855916DEST_PATH_IMAGE007
表示矩阵的指数运算；
其中，将所述分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
Figure 107512DEST_PATH_IMAGE014
，其中，
Figure 346863DEST_PATH_IMAGE015
到
Figure 894388DEST_PATH_IMAGE016
为权重矩阵，
Figure 219190DEST_PATH_IMAGE017
到
Figure 277407DEST_PATH_IMAGE018
为偏置向量，
Figure 105686DEST_PATH_IMAGE019
为所述分类特征向量。
CN202210702936.3A 2022-06-21 2022-06-21 双面双玻光伏板调节支架及调节方法 Active CN114793086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210702936.3A CN114793086B (zh) 2022-06-21 2022-06-21 双面双玻光伏板调节支架及调节方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210702936.3A CN114793086B (zh) 2022-06-21 2022-06-21 双面双玻光伏板调节支架及调节方法

Publications (2)

Publication Number Publication Date
CN114793086A CN114793086A (zh) 2022-07-26
CN114793086B true CN114793086B (zh) 2022-09-13

Family

ID=82463536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210702936.3A Active CN114793086B (zh) 2022-06-21 2022-06-21 双面双玻光伏板调节支架及调节方法

Country Status (1)

Country Link
CN (1) CN114793086B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116048184B (zh) * 2023-02-23 2024-05-17 山东浪潮科学研究院有限公司 一种光伏发电系统及其控制方法、装置、介质
CN117111642A (zh) * 2023-08-18 2023-11-24 华能灌云清洁能源发电有限责任公司 一种光伏板的对齐系统及其控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220055082A (ko) * 2020-10-26 2022-05-03 (주)메타파스 열화상 이미지의 태양광 모듈 단위 데이터 학습을 통한 딥러닝 기반 결함 검출 시스템 및 방법
CN112965535A (zh) * 2021-02-04 2021-06-15 网莱(广州)网络科技有限公司 基于时刻角度值矩阵的智能光照角度调整方法

Also Published As

Publication number Publication date
CN114793086A (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN114793086B (zh) 双面双玻光伏板调节支架及调节方法
CN109524993B (zh) 用于中长期优化调度的风电光伏典型周出力场景生成方法
CN110909911B (zh) 考虑时空相关性的多维时序数据的聚合方法
CN111275367A (zh) 一种区域综合能源系统能效状态评价方法
CN110705029B (zh) 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法
CN109711609A (zh) 基于小波变换和极限学习机的光伏电站输出功率预测方法
CN113255210B (zh) 一种风电机组联邦故障诊断方法及系统
CN110059862A (zh) 一种基于自编码与极限学习机的光伏区间预测方法和系统
WO2023201552A1 (en) County-wide photovoltaic prediction method based on cluster division and data enhancement
CN107679687A (zh) 一种光伏出力建模方法以及发电系统可靠性评估方法
CN110264012A (zh) 基于经验模态分解的可再生能源功率组合预测方法及系统
CN111275238B (zh) 基于每时晴空指数的大规模电站光伏出力序列生成方法
CN115600140A (zh) 基于多源数据融合的风机变桨系统故障识别方法及其系统
Dou et al. Elman neural network based short-term photovoltaic power forecasting using association rules and kernel principal component analysis
CN116345555A (zh) 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法
Yousri et al. An efficient photovoltaic modeling using an Adaptive Fractional-order Archimedes Optimization Algorithm: Validation with partial shading conditions
CN114240687A (zh) 一种适用于综合能源系统的能源托管效率分析方法
CN116736893B (zh) 一种光储装置的智慧能源管理方法及光储装置
CN117688362A (zh) 基于多元数据特征增强的光伏功率区间预测方法及装置
CN105760895B (zh) 一种光伏出力波动类型的划分方法
Munshi et al. Comparisons among Bat algorithms with various objective functions on grouping photovoltaic power patterns
CN115456259A (zh) 基于中尺度数据的风电场选址优化系统及其方法
Jiang et al. Research on predicting the short-term output of photovoltaic (PV) based on extreme learning machine model and improved similar day
Kabalci Development of a feasibility prediction tool for solar power plant installation analyses
CN116050592A (zh) 一种多维度光伏功率预测方法及系统

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