CN116227689A - 一种光伏板污秽度状态评价及清扫决策系统 - Google Patents
一种光伏板污秽度状态评价及清扫决策系统 Download PDFInfo
- Publication number
- CN116227689A CN116227689A CN202310101122.9A CN202310101122A CN116227689A CN 116227689 A CN116227689 A CN 116227689A CN 202310101122 A CN202310101122 A CN 202310101122A CN 116227689 A CN116227689 A CN 116227689A
- Authority
- CN
- China
- Prior art keywords
- data
- cleaning
- photovoltaic
- photovoltaic panel
- unit
- 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.)
- Pending
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 90
- 238000011156 evaluation Methods 0.000 title claims abstract description 53
- 238000010248 power generation Methods 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000005192 partition Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000009414 blockwork Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000556 factor analysis Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 239000013307 optical fiber Substances 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011109 contamination Methods 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
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明属于光伏发电技术领域，尤其涉及一种光伏板污秽度状态评价及清扫决策系统。本发明包括：参数获取单元：通过获取光伏电站光伏监视平台采集工作状态数据，决定执行将获取到的信息发送至数据中心单元；数据中心单元：通过获取、计算参数获取单元给定的各类数据，并发送给评价决策单元；评价决策单元：用于对数据中心单元中的各项参数进行分析处理，给出光伏板执行清扫判据。本发明对数据进行建模分析计算，以光伏电站利润最大化为目标确定清扫决策，既可以反馈回光伏监视平台，亦可以5G网络推送到光伏电站负责人的手机APP或微信小程序，能够让光伏电站管理者及时了解光伏板污秽度状态，掌握光伏电站运行状态并制定合理清扫决策。
Description
技术领域
本发明属于光伏发电技术领域，尤其涉及一种光伏板污秽度状态评价及清扫决策系统。
背景技术
气候变化是全人类共同面对的全球性重大课题。伴随着化石能源大量消耗，温室气体的排放对也不断增加，引发的各种生态问题亟待解决。。其中，太阳能受到人们越来越多的关注。太阳能资源是一种取之不尽、用之不竭的绿色能源，以清洁、环保为主要特点的光伏发电产业正在世界各地如雨后春笋般涌现，光伏产业的收益也呈迅速上升趋势。
无论是分布式光伏发电还是大型地面光伏发电，其最终目的都是利用太阳能转换为电能。然而，光伏板发电效率因受到灰尘遮挡而大打折扣，通常损耗可达到5％，甚至高达10％，严重时也会发生光伏组件烧损的情况。以按常规20MW的大型地面光伏电站为例，以光伏板受到灰尘遮挡造成的经济效益损失每年近千万元。因此，光伏板表面的清扫技术成为近些年来光伏发电产业一个所需研究的关键问题之一。合理的清扫决策可提高光电转换效率，提升发电效率性价比。
在对光伏板进行清扫之前，光伏电站负责人需准确获知清扫评价决策方案，方能针对性的开展不同区域光伏板的清扫工作。同时避开不必要的清扫工作，避免造成资源浪费。
发明内容
针对上述现有技术中存在的不足之处，本发明提供了一种光伏板污秽度状态评价及清扫决策系统。其目的是为了实现聚焦光伏板准确状态评价的难点，提供必要的评价决策方案，最终促成光伏电站利润最大化的发明目的。
本发明为实现上述目的所采用的技术方案是：
一种光伏板污秽度状态评价及清扫决策系统，包括：
参数获取单元：通过获取光伏电站光伏监视平台采集工作状态数据，决定执行将获取到的信息发送至数据中心单元；
数据中心单元：通过获取、计算参数获取单元给定的各类数据，并发送给评价决策单元；
评价决策单元：用于对数据中心单元中的各项参数进行分析处理，给出光伏板执行清扫判据。
更优选的，所述工作状态数据包括：光伏板区块发电量、光伏电站总发电量及发电效率；所述参数获取单元给定的各类数据，包括但不限于指定时间段的气象信息数据，各光伏板阵列分区、完成全站清扫支出费用数据、各光伏板阵列分区、完成全站清扫的发电效率、发电量及利润数据。
更优选的，所述参数获取单元包括参数监测模块和限值报警模块；
所述参数监测模块与光伏监视平台通讯连接，以获取光伏板区块发电量、光伏电站总发电量、发电效率等工作状态数据，所述参数监测模块连接至光伏监视平台，以获取光伏板区块发电量、光伏电站总发电量、发电效率等工作状态数据；
所述限值报警模块连接至参数监测模块，通过对比所设定的门限值与实际采集数据大小关系，以决定能否将获取到的信息发送至数据中心单元。
更优选的，所述数据中心单元，通过获取、计算参数获取单元给定的各类数据，包括但不限于指定时间段的气象信息数据，各光伏板阵列分区、完成全站清扫支出费用数据、各光伏板阵列分区、完成全站清扫的发电效率、发电量、利润数据、并发送给评价决策单元。
更优选的，所述数据中心单元的气象信息数据以光伏板所在地理位置的网络气象数据为依据，通过5G网络发送至数据中心单元；所述各光伏板阵列分区、完成全站清扫支出费用数据、各光伏板阵列分区、完成全站清扫的发电效率、发电量、利润数据通过历史数据进行推算，并在数据中心单元中进行人工设定。
更优选的，所述评价决策单元采用广义回归神经网络模型结合光伏电站利润最大化为目标，给出光伏板执行清扫判据；所述光伏板清扫执行参数包括：清扫位置、清扫周期及清扫频次。
更优选的，所述评价决策单元用于通过光纤有线通信方式将数据传输至光伏监视平台，或利用5G无线通信方式推送到光伏电站管理者的手机APP或微信小程序。
更优选的，所述广义回归神经网络通过GRNN前馈网络，实现输入层到输出层的随机非线性映射关系；在GRNN网络中，变量Y＝{Yn}的值是根据给定的D维独立测量值X＝{Xn}预测的，其中Xn∈RD Xn为样本输入变量，Yn为样本输出变量，D为空间维度，RD为在D维度空间下所属区域；GRNN学习了从包含X的输入域到包含Y的输出域的映射，任一域都可以是多维的；使用有限的测量值训练GRNN，估计线性或非线性回归曲面，预测任何新的X测量值对应的Y值；定义已知随机变量向量X和随机变量标量Y的联合概率分布函数为f(X,Y)，则Y对给定值X的条件期望E[Y|X]可以通过对联合概率分布函数f(X,Y)进行求微积分，数学表达式为：
当f(X,Y)未知时，使用Parzen窗的非参数估计进行估计，GRNN函数g(x)的基本方程为：
其中g(x)为使用Parzen窗的非参数估计进行估计的函数，x用于测试的新测量值，Dn 2是训练数据集和预测点之间的马氏距离的平方，σ是R区域所属Xn为中心的超立方体的边长,指数项作为加权参数，反映了每个已知Yn对输出g(x)的贡献，距离减小，指数项变大，最靠近预测点的训练点X优先起作用；
GRNN的结构包括：输入层、模式层、求和层和输出层；直接将输入变量传递到模式层；将样本数据传送到模式层且不运行计算，输入向量的维数为m；通过因子分析法确定在某地区使用该模型时输入向量的维数m＝7，7种数据分别为平均温度、最高温度、最低温度、平均湿度、平均风速、日太阳总辐射和日光伏发电量；输入向量为：
X＝[x1,x2,...,x7]
模式层各神经元映射不同的样本，且神经元的数目和学习样本的数目均为n，神经元i的传递函数为：
求和层使用两类神经元进行求和，即对所有模式层的神经元进行算术求和或者加权求和，分别表示如下：
其中，Yi为第i个样本观测值，Sd为算术求和，SN为算术加权求和；
最大概率输出变量Y表示为:
对光伏板污秽度状态评价选用相对误差RE和均方根误差RMSE评价光伏发电预测模型的预测效果，RE和RMSE的计算如下:
其中：X为实际测量的日光伏发电总量；Y为预测的日光伏发电总量；Xi，Yi分别为元素个数为i时实测和预测的日光伏发电总量；n为测试样本中的元素个数；
所述数据中心单元中存储的重要参数分别是：b1为光伏板地理位置板区块发电量；b2为光伏板地理位置全电站总发电量；b3为光伏板地理位置气象平均温度；b4为光伏板地理位置气象平均湿度；b5为光伏板地理位置日太阳总辐射；b6为光伏板地理位置空气颗粒物浓度；b7为光伏电站执行清扫区块工作增加的利润与支出之差；b8为光伏电站执行清扫全站增加的利润与支出之差；
设各个参数在既定单位下为个位数，否则可调整单位，则其归一化隶属函数分别为：
广义回归神经网络的输入节点为X1～X8，输出节点为Y1～Y5，输出参数分别为：Y1为待清扫光伏区块编号；Y2为待清扫光伏区块清扫工作时间；Y3为待清扫光伏区块清扫工作周期；Y4为光伏电站执行清扫区块工作增加的利润与支出之差；Y5为光伏电站执行清扫全站增加的利润与支出之差；
从获取到的光伏电站的各种实时监测数据及其历史大量数据中，采用多组数据样本完成神经网络学习过程，网络的学习函数为西格蒙德函数；
当实际输出与期望输出超过偏差阈值时，执行误差的逆向传播模块，误差越过输出层，通过判断相对误差RE和均方根误差RMSE，以误差梯度趋于零点的办法调整各层权值，并向模式层、输入层逐层反传；
通过循环执行信息正向传播和误差反向算法，修正不同层权值，直至相对误差RE和均方根误差RMSE满足实际要求；或按照指定的学习次数进行，直至达到设定训练次数；
所述广义回归神经网络通过不断地训练，最终建立稳定的神经网络结构，将数据中心单元所收发与存储的在线光伏电站数据，经过归一化隶属的处理后输出智能决策结果。
一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一所述的一种光伏板污秽度状态评价及清扫决策系统的步骤。
一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现任一所述的一种光伏板污秽度状态评价及清扫决策系统的步骤。
本发明具有以下有益效果及优点：
本发明的光伏板污秽度状态评价及清扫决策系统从光伏监视平台和以光伏板所在地理位置的网络气象数据为依据，并对各种数据进行建模分析计算，以光伏电站利润最大化为目标确定清扫决策，既可以反馈回光伏监视平台，亦可以5G网络推送到光伏电站负责人的手机APP或微信小程序，能够让光伏电站负责人及时了解光伏板污秽度状态，掌握光伏电站运行状态并制定合理清扫决策。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明的系统架构流程图；
图2是标准的广义回归神经网络模型结构图；
图3是本发明广义回归神经网络的拓扑结构图；
图4是广义回归神经网络学习流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图4描述本发明一些实施例的技术方案。
实施例1
本发明提供了一个实施例，是一种光伏板污秽度状态评价及清扫决策系统。如图1所示，图1是本发明的系统架构流程图。本发明包括参数获取单元、数据中心单元、评价决策单元，其中所述参数获取单元与数据中心单元通讯连接，数据中心单元与评价决策单元通讯连接。
所述参数获取单元：用于从光伏监视平台采集计算机设定地址的光伏板区块发电量、光伏电站总发电量、发电效率等工作状态数据，以决定能否将获取到的信息发送至数据中心单元。所述参数获取单元包括：参数监测模块和限制报警模块。所述参数监测模块与光伏监视平台通讯连接，用于获取光伏板区块发电量、光伏电站总发电量、发电效率等工作状态数据。所述限值报警模块用于与参数监测模块通讯连接，用于对所收集的参数进行判断，对比所设定的门限值与实际采集数据大小关系，以决定能否将获取到的信息发送至数据中心单元，若实际值大于门限值，则不报警，否则参数获取单元将获取的光伏板区块发电量、光伏电站总发电量、发电效率等工作状态数据等电站运行的关键数据输出到数据中心单元。
所述数据中心单元：用于接收并存储、输出的电站运行数据以及指定时间段的气象信息数据数据，各光伏板阵列分区、完成全站清扫支出费用数据、各光伏板阵列分区、完成全站清扫的发电效率、发电量、利润数据，并传输给评价决策单元。
所述数据中心单元的气象信息数据以光伏板所在地理位置的网络气象数据为依据，通过5G网络发送至数据中心单元；所述各光伏板阵列分区、完成全站清扫支出费用数据、各光伏板阵列分区、完成全站清扫的发电效率、发电量、利润数据通过历史数据进行推算，并在数据中心单元中进行人工设定。
所述评价决策单元：用于对数据中心单元中的各种数据进行处理、判断，给出光伏板执行清扫判据。该评价决策单元通过广义回归神经网络GRNN进行建模，神经网络首先经过数据集的训练，能够表征电站各种数据的原始特征，然后以电站经济收益最大化为原则，建立数学模型对输入的数据进行综合分析。所述评价决策单元所制定和输出的清扫执行数据方案包括清扫位置、清扫周期、清扫频次等内容。
BP神经网络是一种按误差逆向传播(Back Propagation，BP)算法进行网络训练的多层前馈型神经网络，是目前大量应用的神经网络模型之一(Artificial NeuralNetwork，ANN)，它具有很强的自适应性和学习能力、非线性映射能力、鲁棒性和容错能力，在控制领域应用神经网络的诸多优点，可以促进控制系统智能化水平大幅提升，因而成为智能控制的新方向。人工神经网络模拟人的智能是基于人体大脑生理结构以及信息传导分析过程来实现的。
广义回归神经网络(General regression neural network，GRNN)是一种非线性的前馈式神经网络，隶属径向基(Radial Basis Function，RBF)神经网络的一个特例。GRNN具备强大的非线性映射能力和柔性网络结构，相比于一般的RBF和BP神经网络，其学习速度更快，避免了局部极小问题，只需依据训练样本就可确定其网络结构和神经元间的连接权值。即使样本数据量不大时仍然能起到良好的预测效果，而且GRNN的学习过程只取决于光滑因子，具有很强的非线性映射能力和高容错性。
在GRNN网络中，因变量Y＝{Yn}的值是根据给定的D维独立测量值X＝{Xn}预测的，其中Xn∈RD，Xn为样本输入变量，Yn为样本输出变量，D为空间维度，RD为在D维度空间下所属区域；GRNN学习了从包含X的输入域到包含Y的输出域的映射，其中任一域都可以是多维的。使用有限的测量值训练GRNN，可以估计线性或非线性回归曲面，以预测任何新的X测量值对应的Y值。定义已知随机变量向量X和随机变量标量Y的联合概率分布函数为f(X,Y)，则Y对给定值X的条件期望E[Y|X]可以通过对联合概率分布函数f(X,Y)进行求微积分，数学表达式为：
当f(X,Y)未知时，可以使用Parzen窗的非参数估计进行估计。那么GRNN函数g(x)的基本方程可以写成:
其中g(x)为使用Parzen窗的非参数估计进行估计的函数，x用于测试的新测量值，Dn 2是训练数据集和预测点之间的马氏距离的平方，σ是R区域所属Xn为中心的超立方体的边长；指数项作为加权参数，反映了每个已知Yn对输出g(x)的贡献。由于距离减小，指数项变大，最靠近预测点的训练点X将优先起作用。
广义回归神经网络已经广泛运用于系统辨识、过程预测与控制、电力系统设备故障诊断等方方面面，神经网络和广义回归系统取长补短，既能有效体现光伏板污秽度状态评价及清扫决策系统中存在的广义回归性，又通过GRNN前馈网络，实现输入层到输出层的随机非线性映射关系，可以提升神经网络的训练速率，及时给定系统的逻辑运算决策结果。
GRNN的结构与RBF网络相似，由4层组成，分别是输入层(input layer)、模式层(pattern layer)、求和层(summation layer)和输出层(output layer)。
输入层神经元在数量上等同于与学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递到模式层。其作用是将样本数据传送到模式层且不运行计算，输入向量的维数为m。通过因子分析法(factor analysis，FA)确定在某地区使用该模型时输入向量的维数m＝7，7种数据分别为平均温度、最高温度、最低温度、平均湿度、平均风速、日太阳总辐射和日光伏发电量。输入向量为：
X＝[x1,x2,...,x7]
模式层各神经元映射不同的样本，且神经元的数目和学习样本的数目均为n，神经元i的传递函数为：
求和层使用两类神经元进行求和，即对所有模式层的神经元进行算术求和或者加权求和。分别表示如下：
其中，Yi为第i个样本观测值，Sd为算术求和，SN为算术加权求和；
输出层的神经元数目与学习样本中输出向量的维数一致，各神经元将求和层的输出相除。则最大概率输出变量Y表示为:
标准的广义回归神经网络模型结构图如图2所示，图2是标准的广义回归神经网络模型结构图。
对光伏板污秽度状态评价选用相对误差RE和均方根误差RMSE评价光伏发电预测模型的预测效果。RE和RMSE的计算如下:
其中：X为实际测量的日光伏发电总量；Y为预测的日光伏发电总量；Xi，Yi分别为元素个数为i时实测和预测的日光伏发电总量；n为测试样本中的元素个数。
本发明建立基于广义神经网络的光伏板污秽度状态评价模型，如图3所示。
本发明数据中心单元中存储的重要参数设计为8个，分别是:b1为光伏板地理位置板区块发电量；b2为光伏板地理位置全电站总发电量；b3为光伏板地理位置气象平均温度；b4为光伏板地理位置气象平均湿度；b5为光伏板地理位置日太阳总辐射；b6为光伏板地理位置空气颗粒物浓度；b7为光伏电站执行清扫区块工作增加的利润与支出之差；b8为光伏电站执行清扫全站增加的利润与支出之差；
设各个参数在既定单位下为个位数(否则可调整单位)，则其归一化隶属函数分别为：
由于对输入数据首先进行了归一化隶属处理，因而本智能评价决策系统的神经网络在GRNN神经网络的输入层之前增加量一个归一化隶属层，用于对输入量进行模归归一化隶属处理，形成输入层的输入信号，设计的拓扑结构如图3所示。根据系统实际输入和输出的参数可知，该广义回归神经网络共有8个输入节点X1～X8，5个输出节点Y1～Y5，输出参数分别为：Y1为待清扫光伏区块编号；Y2为待清扫光伏区块清扫工作时间；Y3为待清扫光伏区块清扫工作周期；Y4为光伏电站执行清扫区块工作增加的利润与支出之差；Y5为光伏电站执行清扫全站增加的利润与支出之差。
本发明方法从获取到的光伏电站的各种实时监测数据及其历史大量数据中，采用具备代表性的多组数据样本完成神经网络学习过程，网络的学习函数为西格蒙德函数。
当实际输出与期望输出超过偏差阈值时，执行误差的逆向传播模块，误差越过输出层，通过判断相对误差RE和均方根误差RMSE，以误差梯度趋于零点的办法调整各层权值，并向模式层、输入层逐层反传。
通过循环执行信息正向传播和误差反向算法，修正不同层权值，直至相对误差RE和均方根误差RMSE满足实际要求。也可以按照指定的学习次数进行，直至达到设定训练次数。
如图4所示，图4是广义回归神经网络学习流程图。通过不断地训练，最终建立稳定的神经网络结构。最终将本智能评价决策系统中的数据中心单元所收发与存储的在线光伏电站数据，经过归一化隶属的处理，即可输出相应的智能决策结果。
所述评价决策单元配置有与光伏监视平台通讯的光纤有线通信接口，和与光伏电站负责人手机通讯的无线传输模块，可以通过光纤有线通信方式反馈到光伏监视平台，也可以利用5G无线通信方式推送到光伏电站负责人的手机APP或微信小程序
光伏电站负责人将评价决策方案以命令的形式发送到光伏组件清扫系统，以完成组件清扫。
在本实施例中，若限值报警模块发生报警，但经过数学模型推理和分析后，电站清扫后得到的经济收益小于成本费用，或者根据气象信息数据数据，综合考虑在完成光伏板评价结果及其和清理后突发的各种恶劣天气，同时避免高频次的执行清扫工作。
光伏电站完成数据中心单元输出的评价决策方案后，当不符合限值报警模块中门限值的指标，则应重新执行该系统流程。
实施例2
本发明又提供了一个实施例，是一种光伏板污秽度状态评价及清扫决策装置，包括：
参数获取模块，用于通过获取光伏电站光伏监视平台采集工作状态数据，以决定执行将获取到的信息发送至数据中心单元；
数据中心模块，用于通过获取、计算参数获取单元给定的各类数据，并发送给评价决策单元；
评价决策模块，用于用于对数据中心单元中的各项参数进行分析处理，给出光伏板执行清扫判据。
实施例3
基于同一发明构思，本发明实施例还提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现实施例1或2所述的任意一种光伏板污秽度状态评价及清扫决策系统的步骤。
实施例4
基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1或2所述的任意一种光伏板污秽度状态评价及清扫决策系统的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种光伏板污秽度状态评价及清扫决策系统，其特征是：包括：
参数获取单元：通过获取光伏电站光伏监视平台采集工作状态数据，决定执行将获取到的信息发送至数据中心单元；
数据中心单元：通过获取、计算参数获取单元给定的各类数据，并发送给评价决策单元；
评价决策单元：用于对数据中心单元中的各项参数进行分析处理，给出光伏板执行清扫判据。
2.根据权利要求1所述的一种光伏板污秽度状态评价及清扫决策系统，其特征是：所述工作状态数据包括：光伏板区块发电量、光伏电站总发电量及发电效率；所述参数获取单元给定的各类数据，包括但不限于指定时间段的气象信息数据，各光伏板阵列分区、完成全站清扫支出费用数据、各光伏板阵列分区、完成全站清扫的发电效率、发电量及利润数据。
3.根据权利要求1所述的一种光伏板污秽度状态评价及清扫决策系统，其特征是：所述参数获取单元包括参数监测模块和限值报警模块；
所述参数监测模块与光伏监视平台通讯连接，以获取光伏板区块发电量、光伏电站总发电量、发电效率等工作状态数据，所述参数监测模块连接至光伏监视平台，以获取光伏板区块发电量、光伏电站总发电量、发电效率等工作状态数据；
所述限值报警模块连接至参数监测模块，通过对比所设定的门限值与实际采集数据大小关系，以决定能否将获取到的信息发送至数据中心单元。
4.根据权利要求1所述的一种光伏板污秽度状态评价及清扫决策系统，其特征是：所述数据中心单元，通过获取、计算参数获取单元给定的各类数据，包括但不限于指定时间段的气象信息数据，各光伏板阵列分区、完成全站清扫支出费用数据、各光伏板阵列分区、完成全站清扫的发电效率、发电量、利润数据、并发送给评价决策单元。
5.根据权利要求1所述的一种光伏板污秽度状态评价及清扫决策系统，其特征是：所述数据中心单元的气象信息数据以光伏板所在地理位置的网络气象数据为依据，通过5G网络发送至数据中心单元；所述各光伏板阵列分区、完成全站清扫支出费用数据、各光伏板阵列分区、完成全站清扫的发电效率、发电量、利润数据通过历史数据进行推算，并在数据中心单元中进行人工设定。
6.根据权利要求1所述的一种光伏板污秽度状态评价及清扫决策系统，其特征是：所述评价决策单元采用广义回归神经网络模型结合光伏电站利润最大化为目标，给出光伏板执行清扫判据；所述光伏板清扫执行参数包括：清扫位置、清扫周期及清扫频次。
7.根据权利要求1所述的一种光伏板污秽度状态评价及清扫决策系统，其特征是：所述评价决策单元用于通过光纤有线通信方式将数据传输至光伏监视平台，或利用5G无线通信方式推送到光伏电站管理者的手机APP或微信小程序。
8.根据权利要求6所述的一种光伏板污秽度状态评价及清扫决策系统，其特征是：所述广义回归神经网络通过GRNN前馈网络，实现输入层到输出层的随机非线性映射关系；在GRNN网络中，变量Y＝{Yn}的值是根据给定的D维独立测量值X＝{Xn}预测的，其中Xn∈RD Xn为样本输入变量，Yn为样本输出变量，D为空间维度，RD为在D维度空间下所属区域；GRNN学习了从包含X的输入域到包含Y的输出域的映射，任一域都可以是多维的；使用有限的测量值训练GRNN，估计线性或非线性回归曲面，预测任何新的X测量值对应的Y值；定义已知随机变量向量X和随机变量标量Y的联合概率分布函数为f(X,Y)，则Y对给定值X的条件期望E[Y|X]可以通过对联合概率分布函数f(X,Y)进行求微积分，数学表达式为：
当f(X,Y)未知时，使用Parzen窗的非参数估计进行估计，GRNN函数g(x)的基本方程为：
其中g(x)为使用Parzen窗的非参数估计进行估计的函数，x用于测试的新测量值，Dn 2是训练数据集和预测点之间的马氏距离的平方，σ是R区域所属Xn为中心的超立方体的边长,指数项作为加权参数，反映了每个已知Yn对输出g(x)的贡献，距离减小，指数项变大，最靠近预测点的训练点X优先起作用；
GRNN的结构包括：输入层、模式层、求和层和输出层；直接将输入变量传递到模式层；将样本数据传送到模式层且不运行计算，输入向量的维数为m；通过因子分析法确定在某地区使用该模型时输入向量的维数m＝7，7种数据分别为平均温度、最高温度、最低温度、平均湿度、平均风速、日太阳总辐射和日光伏发电量；输入向量为：
X＝[x1,x2,...,x7]
模式层各神经元映射不同的样本，且神经元的数目和学习样本的数目均为n，神经元i的传递函数为：
求和层使用两类神经元进行求和，即对所有模式层的神经元进行算术求和或者加权求和，分别表示如下：
其中，Yi为第i个样本观测值，Sd为算术求和，SN为算术加权求和；
最大概率输出变量Y表示为:
对光伏板污秽度状态评价选用相对误差RE和均方根误差RMSE评价光伏发电预测模型的预测效果，RE和RMSE的计算如下:
其中：X为实际测量的日光伏发电总量；Y为预测的日光伏发电总量；Xi，Yi分别为元素个数为i时实测和预测的日光伏发电总量；n为测试样本中的元素个数；
所述数据中心单元中存储的重要参数分别是：b1为光伏板地理位置板区块发电量；b2为光伏板地理位置全电站总发电量；b3为光伏板地理位置气象平均温度；b4为光伏板地理位置气象平均湿度；b5为光伏板地理位置日太阳总辐射；b6为光伏板地理位置空气颗粒物浓度；b7为光伏电站执行清扫区块工作增加的利润与支出之差；b8为光伏电站执行清扫全站增加的利润与支出之差；
设各个参数在既定单位下为个位数，否则可调整单位，则其归一化隶属函数分别为：
广义回归神经网络的输入节点为X1～X8，输出节点为Y1～Y5，输出参数分别为：Y1为待清扫光伏区块编号；Y2为待清扫光伏区块清扫工作时间；Y3为待清扫光伏区块清扫工作周期；Y4为光伏电站执行清扫区块工作增加的利润与支出之差；Y5为光伏电站执行清扫全站增加的利润与支出之差；
从获取到的光伏电站的各种实时监测数据及其历史大量数据中，采用多组数据样本完成神经网络学习过程，网络的学习函数为西格蒙德函数；
当实际输出与期望输出超过偏差阈值时，执行误差的逆向传播模块，误差越过输出层，通过判断相对误差RE和均方根误差RMSE，以误差梯度趋于零点的办法调整各层权值，并向模式层、输入层逐层反传；
通过循环执行信息正向传播和误差反向算法，修正不同层权值，直至相对误差RE和均方根误差RMSE满足实际要求；或按照指定的学习次数进行，直至达到设定训练次数；
所述广义回归神经网络通过不断地训练，最终建立稳定的神经网络结构，将数据中心单元所收发与存储的在线光伏电站数据，经过归一化隶属的处理后输出智能决策结果。
9.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一权利要求所述的一种光伏板污秽度状态评价及清扫决策系统的步骤。
10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8中任一权利要求所述的一种光伏板污秽度状态评价及清扫决策系统的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310101122.9A CN116227689A (zh) | 2023-02-12 | 2023-02-12 | 一种光伏板污秽度状态评价及清扫决策系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310101122.9A CN116227689A (zh) | 2023-02-12 | 2023-02-12 | 一种光伏板污秽度状态评价及清扫决策系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116227689A true CN116227689A (zh) | 2023-06-06 |
Family
ID=86583813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310101122.9A Pending CN116227689A (zh) | 2023-02-12 | 2023-02-12 | 一种光伏板污秽度状态评价及清扫决策系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116227689A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116690613A (zh) * | 2023-08-07 | 2023-09-05 | 福建富兴工业彩弹枪有限公司 | 一种光伏智能清扫机器人的控制方法及系统 |
| CN117496450A (zh) * | 2024-01-02 | 2024-02-02 | 江西联合能源有限公司 | 一种渔光互补的监控系统及方法 |
-
2023
- 2023-02-12 CN CN202310101122.9A patent/CN116227689A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116690613A (zh) * | 2023-08-07 | 2023-09-05 | 福建富兴工业彩弹枪有限公司 | 一种光伏智能清扫机器人的控制方法及系统 |
| CN116690613B (zh) * | 2023-08-07 | 2023-10-24 | 福建富兴工业彩弹枪有限公司 | 一种光伏智能清扫机器人的控制方法及系统 |
| CN117496450A (zh) * | 2024-01-02 | 2024-02-02 | 江西联合能源有限公司 | 一种渔光互补的监控系统及方法 |
| CN117496450B (zh) * | 2024-01-02 | 2024-03-22 | 江西联合能源有限公司 | 一种渔光互补的监控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A comprehensive wind speed prediction system based on Monte Carlo and artificial intelligence algorithms | |
| CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN110866528B (zh) | 一种模型训练方法、能耗使用效率预测方法、装置和介质 | |
| CN116227689A (zh) | 一种光伏板污秽度状态评价及清扫决策系统 | |
| CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
| CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
| CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
| Tian et al. | An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting | |
| CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
| CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
| CN114154401B (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
| Zeng et al. | Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method | |
| CN118040678A (zh) | 一种短期海上风电功率组合预测方法 | |
| Tangrand | Some new contributions to neural networks and wavelets with applications | |
| CN111815085B (zh) | 一种轨道交通能源管理系统综合能效评估的实现方法 | |
| CN116821610A (zh) | 一种利用大数据优化风力发电效率的方法 | |
| CN116822742A (zh) | 一种基于动态分解-重构集成处理的电力负荷预测方法 | |
| Ahmadaali et al. | Application of artificial neural network and adaptive neural-based fuzzy inference system techniques in estimating of virtual water | |
| CN110738307A (zh) | Bp神经网络模型在桃林口水库水质预测中的应用 | |
| CN110059871A (zh) | 光伏发电功率预测方法 | |
| Kowalski et al. | The comparison of linear models for PM10 and PM2. 5 forecasting |
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 |