CN116048135A - 一种光伏清洁机器人续航优化方法 - Google Patents
一种光伏清洁机器人续航优化方法 Download PDFInfo
- Publication number
- CN116048135A CN116048135A CN202310097172.4A CN202310097172A CN116048135A CN 116048135 A CN116048135 A CN 116048135A CN 202310097172 A CN202310097172 A CN 202310097172A CN 116048135 A CN116048135 A CN 116048135A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- power generation
- illumination intensity
- cleaning robot
- rvfl
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims description 13
- 238000010248 power generation Methods 0.000 claims abstract description 97
- 238000005286 illumination Methods 0.000 claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 claims abstract description 28
- 230000004913 activation Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract description 8
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 239000000428 dust Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000610375 Sparisoma viride Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏清洁机器人续航优化方法,属于光伏发电板清洁技术领域,包括以下步骤:S1:光伏追踪发电装置追踪;S2:RVFL神经网络预测模型判断清洁时刻。本发明利用光伏追踪发电装置根据光照强度和光照角度来决定光伏板的朝向位置,使得发电装置中光伏板始终对着光照最强位置,使发电装置的效率始终处于最佳状态;并根据光伏发电板群体的发电电流量、光照强度、光照角度、空气湿度等因素来计算转换效率,并通过转换效率预测清洁时刻,提高光伏清洁机器人的清洁效率以及适用性,减少重复清洁浪费的能耗。
Description
技术领域
本发明涉及光伏发电板清洁技术领域,具体涉及一种光伏清洁机器人续航优化方法。
背景技术
我国太阳能资源丰富,尤其是西部地区﹐光照时间长,地广人稀。因此光伏发电装置主要集中于西部地区,但是该地区气候干燥,降水少,加之灰尘的影响,光伏发电板积灰现象严重且频繁,所以需要延长光伏清洁机器人的续航时间,进行及时清洁。
常见的光伏清洁机器人提升续航能力的方式是增加一个光伏发电装置,但是这种光伏发电装置一般是固定在光伏清洁机器人表面。由于光伏转换效率和太阳光角度有关,这种固定位置的光伏发电装置,在光照角度发生改变时,光伏转化效率会降低。
目前,常见的清洁控制方式是由清洁控制系统定时驱动清洁装置,或人工通过远程控制进行运行。但是,这种常规的控制方式不能根据光伏发电板所处环境的湿度及下雨状态自行工作,很难实现最佳的清洁效果。另外,当光伏发电板比较干净暂时不需要清洁时,常规的控制方式依然会固定运行,导致耗费不必要的清洁工作降低续航能力。为此,提出一种光伏清洁机器人续航优化方法。
发明内容
为了解决现有技术中存在的上述缺陷,提供了一种光伏清洁机器人续航优化方法,通过光伏追踪发电装置提高发电量,并通过RVFL神经网络判断最佳清洁时刻降低能耗,提高续航能力。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
S1:光伏追踪发电装置追踪
根据光照强度和光照角度来调整光伏板的朝向位置,使得光伏追踪发电装置中光伏板始终对着光照最强位置;
S2:RVFL神经网络预测模型判断清洁时刻
根据光伏发电板群体清洁状态后的理想发电电流值、光照强度、光照角度、空气湿度、空气温度利用RVFL神经网络预测模型预测不同环境状态下的理想发电电流值,并通过与该状态下的实际发电电流值计算获得转换效率,通过转换效率预测清洁时刻,进而控制光伏清洁机器人进行对光伏发电板群体的清洁工作。
更进一步地,在所述步骤S1中,光伏追踪发电装置包括光伏板、光照强度传感器、位置角度传感器、转向器,其中,光照强度传感器用于检测光伏板边界和中心位置的光照强度数据,位置角度传感器用于检测光伏板的偏移角度,转向器用于调节光伏板位置。
更进一步地,在所述步骤S1中,具体包括以下步骤:
S11:通过光照强度传感器检测光伏板边界和中心位置的光照强度数据,并通过位置角度传感器检测光伏板的偏移角度;
S12:当光照强度达到设置要求后,光伏追踪发电装置每隔设定时间采集当前的光照强度数据,并传输到光伏清洁机器人的主控板中,主控板控制转向器改变光伏板位置,使光伏板向光照强度高的方向偏移,通过不断调整使得光伏板中心位置光照强度最大,实现光伏追踪。
更进一步地,在所述步骤S11中,光伏追踪发电装置在初始角度下与光伏发电板群体是平行的,经过光伏追踪之后光伏板的偏移角度即太阳光与光伏发电板群体的夹角角度,也即光照角度。
更进一步地,在所述步骤S12中,主控板接收光照强度数据后,通过转向器内设置的两组舵机改变光伏板在三维空间内的位置,其中两组舵机分别用于控制光伏板水平位置和垂直位置的360°旋转动作。
更进一步地,在所述步骤S2中,RVFL神经网络预测模型的构建过程如下:
S21:采集输入变量与输出量数据;
S22:将采集到的数据设定为数据集:
D={(χi,ti)|χi∈Rd,ti∈Rm},i=1,2,...,N
其中,χi为第i条样本的属性值,ti为该样本对应的标签值;
S23:对于RVFL神经网络模型:
其中,X=[χ1,χ2,…,χn]为输入变量,G(·)为激活函数,ωj和bj为隐藏层与输入层间的输入权重和隐藏偏差;βj为隐藏层与输出层间的输出权重,L为隐藏层节点数目;
通过sine激活函数的作用将输入变量的特征传递下一个神经元,得到:
Hj=G(ωj·χi+bj)
其中,Hj是第j个隐藏节点的输出,然后通过计算得到整个隐藏层的输出随机特征映射矩阵H:
令输出权重为β,根据RVFL神经网络原理,其网络输出为:
Hβ=Y;
S24:进行反向推导β值更新,得到:
其中,T为样本真实标签,H+为矩阵H的摩尔-彭若斯逆矩阵;
添加L2正则约束项,根据正则化最小二乘得到:
其中,λ为正数,||β||2是L2范数;
对β′求导,得到:
β*=(HTH+λI)-1HTT
其中,I为单位矩阵;
S25:得到最终的RVFL神经网络预测模型为:
更进一步地,在所述步骤S21中,输入变量包括光照强度、光照角度、空气湿度、空气温度,输出量为光伏发电板群体清洁状态后的理想发电电流值A1。
更进一步地,在所述步骤S2中,RVFL神经网络预测模型计算转换效率的过程如下:
S26:采集一段时间之后的光照强度、光照角度、空气湿度、空气温度数据,进行数据预测处理,归一化处理后输入已构建的RVFL神经网络预测模型;
S27:RVFL神经网络预测模型输出预测结果,即光伏发电板群体清洁状态后的理想发电电流值,并与光伏发电板群体的发电实际电流值进行计算,求得转换效率。
更进一步地,在所述步骤S27中,转换效率为η=((A1-A2)/A1)*100,其中,A1是预测得到的光伏发电板群体清洁状态后的理想发电电流值,A2是光伏发电板群体的发电实际电流值;当转换效率η低于设定阈值时,启动光伏清洁机器人开始对光伏发电板群体的清洁工作。
更进一步地,在所述步骤S27中,光伏发电板群体的发电实际电流值通过光伏发电板群体的直流母线上串联电流传感器测得。
本发明相比现有技术具有以下优点:该光伏清洁机器人续航优化方法,利用光伏追踪发电装置根据光照强度和光照角度来决定光伏板的朝向位置,使得发电装置中光伏板始终对着光照最强位置,使发电装置的效率始终处于最佳状态;并根据光伏发电板群体的发电电流量、光照强度、光照角度、空气湿度等因素来计算转换效率,并通过转换效率预测清洁时刻,提高光伏清洁机器人的清洁效率以及适用性,减少重复清洁浪费的能耗。
附图说明
图1是本发明实施例中RVFL神经网络的结构示意图;
图2是本发明实施例中RVFL神经网络预测模型的构建过程示意图;
图3是本发明实施例中RVFL神经网络预测模型的预测过程示意图;
图4是本发明实施例中光伏发电板群体与光伏清洁机器人的使用状态示意图;
图5是本发明实施例中太阳光线与光伏发电板群体之间所成夹角示意图,ɑ为太阳光与光伏发电排的夹角。
图中4中:1、光伏发电板群体;2、光伏追踪发电装置;3、光伏清洁机器人。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例一
本实施例提供一种技术方案:一种光伏清洁机器人续航优化方法,包括以下步骤:
第一步:根据光照强度和光照角度来调整光伏板的朝向位置,使得光伏追踪发电装置中光伏板始终对着光照最强位置,进而使光伏追踪发电装置的效率始终处于最佳状态;
第二步:根据光伏发电板群体的发电电流量、光照强度、光照角度、空气湿度等因素利用RVFL神经网络预测模型计算转换效率,并通过转换效率预测清洁时刻,提高光伏清洁机器人的清洁效率以及适用性,减少重复清洁浪费的能耗。
作为更具体地,下面对光伏追踪发电装置追踪步骤进行说明:
本实施例中光伏追踪发电装置包括光伏板、光照强度传感器、位置角度传感器、转向器。
具体流程如下:通过光照强度传感器检测光伏板边界和中心位置的光照强度数据,通过位置角度传感器检测光伏板的偏移角度,转向器用于调节光伏板位置。
当光照强度达到一定要求后,光伏追踪发电装置每隔15分钟会采集当前的光照强度数据,并传输到光伏清洁机器人中的STM32主控板,STM32主控板控制转向器改变光伏板位置,使光伏板向光照强度高的方向偏移,通过不断调整使得光伏板中心位置光照强度最大,达到光伏追踪效果。
由于光伏追踪发电装置在初始角度下与光伏发电板群体是平行的,经过光伏追踪之后光伏板的偏移角度就是太阳光与光伏发电板群体的夹角角度。
作为更具体地,下面对RVFL神经网络预测模型判断清洁时刻步骤进行说明:
与传统的预测方案不同之处是,考虑到影响光伏发电板表面清洁的因素繁多(如下雨,灰尘,湿度,雾霾等情况)所以直接通过测量灰尘度、天气情况、反射率等,很难完全反映出实际情况。
针对上述问题,本发明通过预测光伏发电板群体清洁状态后(理想无污染状态)的理想发电电流值A1(预测值A1),求得预测值A1与实际值A2(实际电流值A2)的相差量,相差量就是灰尘、热斑等影响发电量因素所导致的损失电流量。
RVFL神经网络判断清洁时刻的核心思想就是在预测理想光伏发电板群体发电电流时不考虑灰尘等污染因素,求得理想无污染状态下的发电电流值A1。将该电流与实际电流值A2进行计算求得转换效率η,转换效率为η=((A1-A2)/A1)*100。
通过上述方式减少了计算繁多影响发电因素的不确定数据。只需要求得转换效率η就可以反映此时光伏发电板群体的清洁状态,当转换效率η低于设定阈值时候光伏清洁机器人开始工作。大大提高了预测的精准度和速度。
RVFL神经网络介绍:
RVFL神经网络是随机地固定了神经网络的输入权值以及隐藏偏差,并通过最小二乘法或其他方法获得隐藏层与输出层之间的权值,具有耗时短并且精度高等优点。RVFL神经网络数学模型如下所示:
在上式中,X=[χ1,χ2,…,χn]为输入量,G(·)为激活函数,ωj和bj为隐藏层与输入层间的输入权重和隐藏偏差;βj为隐藏层与输出层间的输出权重,L为隐藏层节点数目。
RVFL神经网络中多了一种可以直接连接输入层与输出层的输入节点。这些输入节点可以看作是输入的线性组合,是权重参数。输入层与输出层的直接连接更有利于RVFL神经网络识别电力负荷序列中的一些内部特征,不仅能够使RVFL神经网络的训练速度变快,学习能力增强,而且在很多问题上RVFL神经网络的泛化能力表现更好。此外,训练RVFL神经网络的过程对计算机硬件资源的要求不高,一般的电脑就可以完成。基于这些优点,在一些对网络模型训练时间要求短以及硬件计算能力一般的使用场景中,RVFL网络具有非常大的应用潜力。RVFL神经网络的结构图如图1所示。
本发明的RVFL神经网络中使用的激活函数为Sine函数
f(χ)=sin(χ)
Sine激活函数在梯度消失问题上进行了突破,在最新的一个斯坦福大学团队研究的名为SIREN的神经网络结构中,通过采用周期性激活函数Sine来代替常见的一些非线性激活函数,并且使用连续的方式进行数据存储。将Sine周期函数用作神经网络的激活函数,引入了周期性,从而优化了网络模型的性能。
参数初始化
RVFL网络模型随机产生参数的特点虽然可以在速度上带来一定的优势,但是也引入了一些不稳定的因素。如何选择合适的参数初始化方式来随机产生输入权值以及隐藏偏差至关重要。
本发明使用高斯分布进行网络初始化能够使得模型具有更快的收敛速度,并且高斯分布能够使RVFL网络模型具有更高的泛化能力,在本发明前期模型的建立过程中也进行了实验对比,最终采用高斯分布来进行参数初始化。
正则化
当误差最小化时得到的模型可能会出现过拟合的现象,从而导致预测的效果变差。为了解决这个问题,可以在网络目标函数中加入正则化项。首先定义一个期望风险(Expected Risk)函数:
上式中,R(f)是模型的正则化项,H为事先给定的函数空间,当模型f越复杂时,R(f)就越大,反之就越小。1是正则化系数,对1的求解一般使用交叉验证的方法解决。简单来说该方法是将给定的数据集分为训练集和测试集,在模型中不断地进行训练和测试,选取最优的参数。
选择一个合适的正则化项是至关重要的。本发明使用的是L2正则化项:通常被称为权重衰减(weight decay),又称L2参数正则化。由于L2参数正则化类似于岭回归(一种专用于共线性数据分析的有偏估计回归方法),从而能够得到一个较好的解析解,L2参数正则化项如下:
R(f)=||β||2
L2正则化项作用类似于在特征空间内添加一个单位矩阵,然后在网络模型的训练过程中,会将不重要的参数进行约束或者衰减掉。
RVFL神经网络预测模型(RVFL网络模型)的构建过程如下,如图2所示:
1、先采集输入变量,即光照强度Lx、太阳光与光伏板的夹角角度ɑ(即光照角度)、空气湿度H、空气温度℃,以及输出变量,即光伏发电板群体清洁状态后的理想发电电流值A1;
2、将采集数据设定为数据集:
D={(χi,ti)|χi∈Rd,ti∈Rm},i=1,2,…,N
其中,χi为第i条样本的属性值,ti为该样本对应的标签值;
3、对于RVFL神经网络模型:
其中,X=[χ1,χ2,…,χn]为输入变量,G(·)为激活函数,ωj和bj为隐藏层与输入层间的输入权重和隐藏偏差;βj为隐藏层与输出层间的输出权重,L为隐藏层节点数目;
通过sine激活函数的作用将输入变量的特征传递下一个神经元,得到:
Hj=G(ωj·χi+bj)
其中,Hj是第j个隐藏节点的输出,然后通过计算得到整个隐藏层的输出随机特征映射矩阵H:
令输出权重为β,根据RVFL神经网络原理,其网络输出为:
Hβ=y
4、进行反向推导β值更新,得到:
其中,T为样本真实标签,H+为矩阵H的摩尔-彭若斯逆矩阵;
添加L2正则约束项后,可以根据正则化最小二乘得到:
其中,λ为正数,||β||2是L2范数;
对β′求导,得到:
β*=(HTH+λI)-1HTT
其中,I为单位矩阵;
5、得到最终的RVFL神经网络预测模型为:
在上述分析了激活函数以及参数初始化方式的选取,在此基础上建立RVFL网络预测光伏发电电流模型,即RVFL神经网络预测模型。
实施例二
1、首先在光伏发电板群体的直流母线上串联电流传感器并且通过串口传输到设备发射端,发射端通过LORO模块传输数据到光伏清洁机器人中的STM32主控板当中。光照强度传感器、角度位置传感器、温度传感器都安装在光伏追踪发电装置上,采集的数据直接通过串口传输到主控板。
2、每进行一次清洁工作之后,每隔10分钟采集一次数据,并将前30次数据作为建立和修正预测模型数据;30次之后采集的数据用来预测光伏发电板群体清洁状态后的理想发电电流值A1并计算转换效率。
3、在修正预测模型数据当中,当输入状态数据(输入量)相同时,将发电电流高的数据组用来作为预测模型样本。因为相同输入状态下,发电电流越高说明此时状态越接近理想无污染,越适合做预测样本。
4、因为有修正预测模型数据的存在,通过不断存储不同天气、季节下的数据,预测模型会随着季节、天气发生调整,使得预测的数据与季节、天气实时匹配,提高预测精准度。
5、每次清洁之后,预测模型开始修正。修正结束后将采集的数据进行预测计算,并和实际电流计算求得转换效率。
6、当转换效率低于设定的阈值之后,光伏清洁机器人开始进行清洁工作。
7、主控板STM32将监控数据通过Loro模块传输到网关,网关连接wifi,并将数据上传到阿里云,最后将数据传送到客户端、手机app、微信小程序。
综上所述,上述实施例的光伏清洁机器人续航优化方法,利用光伏追踪发电装置根据光照强度和光照角度来决定光伏板的朝向位置,使得发电装置中光伏板始终对着光照最强位置,使发电装置的效率始终处于最佳状态;并根据光伏发电板群体的发电电流量、光照强度、光照角度、空气湿度等因素来计算转换效率,并通过转换效率预测清洁时刻,提高光伏清洁机器人的清洁效率以及适用性,减少重复清洁浪费的能耗。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种光伏清洁机器人续航优化方法,其特征在于,包括以下步骤:
S1:光伏追踪发电装置追踪
根据光照强度和光照角度来调整光伏板的朝向位置,使得光伏追踪发电装置中光伏板始终对着光照最强位置;
S2:RVFL神经网络预测模型判断清洁时刻
根据光伏发电板群体清洁状态后的理想发电电流值、光照强度、光照角度、空气湿度、空气温度利用RVFL神经网络预测模型预测不同环境状态下的理想发电电流值,并通过与该状态下的实际发电电流值计算获得转换效率,通过转换效率预测清洁时刻,进而控制光伏清洁机器人进行对光伏发电板群体的清洁工作。
2.根据权利要求1所述的一种光伏清洁机器人续航优化方法,其特征在于:在所述步骤S1中,光伏追踪发电装置包括光伏板、光照强度传感器、位置角度传感器、转向器,其中,光照强度传感器用于检测光伏板边界和中心位置的光照强度数据,位置角度传感器用于检测光伏板的偏移角度,转向器用于调节光伏板位置。
3.根据权利要求2所述的一种光伏清洁机器人续航优化方法,其特征在于:在所述步骤S1中,具体包括以下步骤:
S11:通过光照强度传感器检测光伏板边界和中心位置的光照强度数据,并通过位置角度传感器检测光伏板的偏移角度;
S12:当光照强度达到设置要求后,光伏追踪发电装置每隔设定时间采集当前的光照强度数据,并传输到光伏清洁机器人的主控板中,主控板控制转向器改变光伏板位置,使光伏板向光照强度高的方向偏移,通过不断调整使得光伏板中心位置光照强度最大,实现光伏追踪。
4.根据权利要求3所述的一种光伏清洁机器人续航优化方法,其特征在于:在所述步骤S11中,光伏追踪发电装置在初始角度下与光伏发电板群体是平行的,经过光伏追踪之后光伏板的偏移角度即太阳光与光伏发电板群体的夹角角度,也即光照角度。
5.根据权利要求3所述的一种光伏清洁机器人续航优化方法,其特征在于:在所述步骤S12中,主控板接收光照强度数据后,通过转向器内设置的两组舵机改变光伏板在三维空间内的位置,其中两组舵机分别用于控制光伏板水平位置和垂直位置的360°旋转动作。
6.根据权利要求5所述的一种光伏清洁机器人续航优化方法,其特征在于:在所述步骤S2中,RVFL神经网络预测模型的构建过程如下:
S21:采集输入变量与输出量数据;
S22:将采集到的数据设定为数据集:
D={(χi,ti)|χi∈Rd,ti∈Rm},i=1,2,...,N
其中,χi为第i条样本的属性值,tj为该样本对应的标签值;
S23:对于RVFL神经网络模型:
其中,X=[χ1,χ2,...,χn]为输入变量,G(·)为激活函数,ωj和bj为隐藏层与输入层间的输入权重和隐藏偏差;βj为隐藏层与输出层间的输出权重,L为隐藏层节点数目;
通过sine激活函数的作用将输入变量的特征传递下一个神经元,得到:
Hj=G(ωj·χi+bj)
其中,Hj是第j个隐藏节点的输出,然后通过计算得到整个隐藏层的输出随机特征映射矩阵H:
令输出权重为β,根据RVFL神经网络原理,其网络输出为:
Hβ=Y;
S24:进行反向推导β值更新,得到:
其中,T为样本真实标签,H+为矩阵H的摩尔-彭若斯逆矩阵;
添加L2正则约束项,根据正则化最小二乘得到:
其中,λ为正数,||β||2是L2范数;
对β′求导,得到:
β*=(HTH+λI)-1HTt
其中,I为单位矩阵;
S25:得到最终的RVFL神经网络预测模型为:
7.根据权利要求6所述的一种光伏清洁机器人续航优化方法,其特征在于:在所述步骤S21中,输入变量包括光照强度、光照角度、空气湿度、空气温度,输出量为光伏发电板群体清洁状态后的理想发电电流值A1。
8.根据权利要求7所述的一种光伏清洁机器人续航优化方法,其特征在于:在所述步骤S2中,RVFL神经网络预测模型计算转换效率的过程如下:
S26:采集一段时间之后的光照强度、光照角度、空气湿度、空气温度数据,进行数据预测处理,归一化处理后输入已构建的RVFL神经网络预测模型;
S27:RVFL神经网络预测模型输出预测结果,即光伏发电板群体清洁状态后的理想发电电流值,并与光伏发电板群体的发电实际电流值进行计算,求得转换效率。
9.根据权利要求8所述的一种光伏清洁机器人续航优化方法,其特征在于:在所述步骤S27中,转换效率为η=((A1-A2)/A1)*100,其中,A1是预测得到的光伏发电板群体清洁状态后的理想发电电流值,A2是光伏发电板群体的发电实际电流值;当转换效率η低于设定阈值时,启动光伏清洁机器人开始对光伏发电板群体的清洁工作。
10.根据权利要求9所述的一种光伏清洁机器人续航优化方法,其特征在于:在所述步骤S27中,光伏发电板群体的发电实际电流值通过光伏发电板群体的直流母线上串联电流传感器测得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310097172.4A CN116048135B (zh) | 2023-02-10 | 2023-02-10 | 一种光伏清洁机器人续航优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310097172.4A CN116048135B (zh) | 2023-02-10 | 2023-02-10 | 一种光伏清洁机器人续航优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116048135A true CN116048135A (zh) | 2023-05-02 |
CN116048135B CN116048135B (zh) | 2024-04-30 |
Family
ID=86127770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310097172.4A Active CN116048135B (zh) | 2023-02-10 | 2023-02-10 | 一种光伏清洁机器人续航优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116048135B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736893A (zh) * | 2023-08-09 | 2023-09-12 | 山西省安装集团股份有限公司 | 一种光储装置的智慧能源管理方法及光储装置 |
CN117021105A (zh) * | 2023-08-30 | 2023-11-10 | 北京瑞科同创能源科技有限公司 | 光伏清洗机器人的控制方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109546954A (zh) * | 2018-11-19 | 2019-03-29 | 扬州工业职业技术学院 | 一种太阳能光伏板清洁智能控制系统及其控制方法 |
CN112332761A (zh) * | 2020-10-21 | 2021-02-05 | 新晃银龙新能源有限公司 | 一种自清洁光伏板 |
CN113922744A (zh) * | 2021-10-08 | 2022-01-11 | 广州大学 | 一种光伏板的清洁系统、清洁方法及光伏装置 |
-
2023
- 2023-02-10 CN CN202310097172.4A patent/CN116048135B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109546954A (zh) * | 2018-11-19 | 2019-03-29 | 扬州工业职业技术学院 | 一种太阳能光伏板清洁智能控制系统及其控制方法 |
CN112332761A (zh) * | 2020-10-21 | 2021-02-05 | 新晃银龙新能源有限公司 | 一种自清洁光伏板 |
CN113922744A (zh) * | 2021-10-08 | 2022-01-11 | 广州大学 | 一种光伏板的清洁系统、清洁方法及光伏装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736893A (zh) * | 2023-08-09 | 2023-09-12 | 山西省安装集团股份有限公司 | 一种光储装置的智慧能源管理方法及光储装置 |
CN116736893B (zh) * | 2023-08-09 | 2023-10-20 | 山西省安装集团股份有限公司 | 一种光储装置的智慧能源管理方法及光储装置 |
CN117021105A (zh) * | 2023-08-30 | 2023-11-10 | 北京瑞科同创能源科技有限公司 | 光伏清洗机器人的控制方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116048135B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116048135B (zh) | 一种光伏清洁机器人续航优化方法 | |
CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
Stefenon et al. | Photovoltaic power forecasting using wavelet Neuro-Fuzzy for active solar trackers | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
CN103410660B (zh) | 基于支持向量机的风力发电变桨距自学习控制方法 | |
CN111222674A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制系统 | |
CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
CN107766986A (zh) | 泄漏积分型回声状态网络在线学习光伏功率预测方法 | |
CN111608868B (zh) | 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 | |
CN109101071B (zh) | 一种基于智能预测的光伏多峰值最大功率点跟踪方法 | |
CN113705922B (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
CN108227759B (zh) | 一种基于神经网络预测技术的太阳能跟踪控制系统 | |
CN111367349A (zh) | 一种基于预测模型的光伏mppt控制方法及系统 | |
WO2020199453A1 (zh) | 光照精准预测的苗床调度方法、系统及介质 | |
CN114970362A (zh) | 一种多能源结构下的电网负荷调度预测方法及系统 | |
CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
CN115392340A (zh) | 一种多能源电力推进船舶的电力负荷预测系统与预测方法 | |
CN116632823A (zh) | 基于功率转换模型与多层感知机的短期光伏功率预测方法 | |
Luo et al. | A cascaded deep learning framework for photovoltaic power forecasting with multi-fidelity inputs | |
Peng et al. | Echo State Network ship motion modeling prediction based on Kalman filter | |
CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
Chenhong et al. | Wind speed prediction research based on time series model with residual correction | |
Nguyen et al. | A recent invasion wave of deep learning in solar power forecasting techniques using ANN |
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 |