CN117391229A - 一种光伏组件清洗周期预测方法 - Google Patents
一种光伏组件清洗周期预测方法 Download PDFInfo
- Publication number
- CN117391229A CN117391229A CN202310394799.6A CN202310394799A CN117391229A CN 117391229 A CN117391229 A CN 117391229A CN 202310394799 A CN202310394799 A CN 202310394799A CN 117391229 A CN117391229 A CN 117391229A
- Authority
- CN
- China
- Prior art keywords
- cleaning
- data
- photovoltaic module
- power generation
- network
- 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 100
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010248 power generation Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 17
- 230000003068 static effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 29
- 238000009825 accumulation Methods 0.000 claims description 20
- 239000010410 layer Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000002344 surface layer Substances 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 239000000428 dust Substances 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 2
- 230000005856 abnormality Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
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
- 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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏组件清洗周期预测方法，首先建立光伏组件的发电量损失率预测模型得到发电量损失率，再确定清洗阈值，根据清洗阈值对周期内的所有采集时刻对应的发电量损失率的变化值的总和进行判断，当
Description
技术领域
本发明涉及大数据技术领域，特别是涉及一种光伏组件清洗周期预测方法。
背景技术
光伏能源是一种具有巨大潜力的清洁能源，而光伏组件是产生光伏能源的核心部分，但是光伏组件的积灰问题会使得透光率降低，从而影响光伏组件寿命和光伏电站的发电量，现有技术中光伏电站的清洗决策判断方法一般分为两种：一是维护人员对现场的光伏组件积灰情况进行观察并凭经验进行判断，但是凭借经验很难能得到更加科学的判断；二是通过光伏发电量的数值进行判断，通过比较积灰组件和未积灰组件的发电量的差值大小进行决策；但是不同程度的积灰积累以及发电量的情况随地区气候、积灰状况等状况动态变化，以至于风、光照、温度等自然条件在无时无刻对清洗决策产生影响，处于动态变化的过程，数据集的动态更新和数据分析的算法模型对分析的结果产生影响，以至于我们对光伏组件的清洗工作无法用一个固定的周期进行，光伏电站的高频次清洗又会影响光伏组件的运维成本，因此需要一个智能高效的光伏组件清洗周期预测方法，在有限的投入下能够获得更高的发电量收益，降低光伏组件的运维成本。
发明内容
针对上述情况，为克服现有技术之缺陷，本发明之目的在于提供一种光伏组件清洗周期预测方法，利用弱意识回声状态网预测方法的表层结构进行训练得到最优网络权值并存储于深层意识空间中，提出了根据输入数据的数据标签的概念，利用数据标签调取最优网络权值，通过数据标签与预测模型的不断更新提高了预测模型预测的准确性，再通过δ与清洗阈值进行对比来判断清洗决策的转入，从而提高对光伏组件的清洗效率，节约了清洗成本。
其解决的技术方案是，一种光伏组件清洗周期预测方法，包括以下具体步骤：
S1、建立光伏组件的发电量损失率预测模型，利用气象检测站采集待检测光伏组件实际发电时不同时刻所对应的天气数据，天气数据包括太阳辐照度、环境温湿度、风速，再利用I-V曲线仪对待检测光伏组件的实际发电功率进行测量，记为j为对应采集时刻的序号，基于弱意识回声状态网络构建光伏功率系统的预测模型，以天气数据为预测模型的输入数据，以清洁光伏组件的预测发电功率作为弱意识回声状态网络的输出，将包括不同时刻不同输入数据下对应的清洁光伏板的预测发电功率的预测结果作为对比组，预测发电功率记为P′j，再利用实际发电功率Pj与预测发电功率P′j得到第j个采集时刻的发电量损失率ηj，计算公式如下：
S2、确定清洗阈值，采集自然积灰条件下不进行清洁时光伏组件的发电功率，并通过计算分析得到待检测光伏组件的清洗阈值；
S3、根据清洗阈值进行判断，通过待检测光伏组件连续采集时刻的发电损失率的计算结果与清洗阈值的比较来判断清洗决策的转入，首先计算连续采集时刻的发电量损失率的变化值，记为Δηj(j+1)，计算公式如下：
Δηj(j+1)＝ηj+1-ηj，
将一个清洗周期内已采集的所有采集时刻对应发电量损失率变化的总和记为δ，δ的计算公式如下：
其中，M为一次清洗结束后到当前采集时刻的时刻个数，当δ超过所设定的清洗阈值时，则转入清洗决策的判断过程中；
S4、构建清洗决策，计算在采集时刻对应的清洗区间内，发电收益与运维成本的差值，当差值最大时，将数据提交人工决策，当人工决策判断不符合清洗条件时，则返回所述S2中重新确定清洗阈值，再根据重新确定的清洗阈值对待检测光伏组件进行二次判断，重复判断过程直到人工判断清洗即完成一个清洗周期。
所述S1的中弱意识回声状态网的结构包括表层结构和深层意识空间，表层结构进行发电量预测，深层意识空间用于存储数据标签对应的最优网络权值，表层结构包含输入层、储备池和输出层，将输入层、储备池、输出层的神经元个数分别记为K、N和L，状态更新方程如下：
x(n+1)＝f(winu(n+1)+Wx(n))+wfby(n),
其中，x(n)为状态变量，n＝1,2,3...T为离散时间点，T为训练样本数据中数据点的个数，f为储备池状态激活函数，y＝y(n)为输出向量，表示输入权值矩阵，W∈RN×N×C表示储备池的内部权值矩阵，/>表示输出反馈矩阵,称为深层意识空间，Cin、C、Cfb称为深层意识空间的深度，将网络训练得到的最优网络权值以及对应的数据标签存储Win、W、Wfb中，输出方程如下：
y(n)＝g(wout[x(n)；u(n)]),
其中，g为输出激活函数，x(n)为状态变量，u(n)为输入向量，y＝y(n)为输出向量，d＝d(n)为期望输出向量，e为网络反差误差，n＝1,2,3...T为离散时间点，T为训练样本数据中数据点的个数，[；]为向量的连接，Wout∈RL×(K+N)表示输出权值矩阵。
所述S2中利用发电功率代表光伏组件的积灰程度，采集自然积灰条件下的发电功率，并计算随着时间增加不同区间时段的下降值，绘制发电量影响程度曲线，计算随时间变化发电量的下降速率，选定发电量的下降速率的最大值，并将将发电量下降效率的最大值设定为清洗阈值。
数据采集周期从本次清洗后开始，到下一次清洗前结束，若在数据采集过程中发生异常，导致数据不足，通过多重插补的方法来对数据集中的缺失值进行修正，每个包含缺失值的变量都默认通过数据集中的其他变量预测得到，通过建立插值函数来预测缺失数据的有效值，该过程不断迭代直到所有的缺失值都收敛为止。
所述S1中利用弱意识回声状态网建立的预测模型以清洁光伏组件的发电数据集为训练数据，发电数据集中包括清洁光伏组件的天气数据和I-V曲线仪采集的发电量数据，预测模型的训练数据是一个静态数据集，以输入数据的自相关、互相关系数作为弱意识回声状态网对应网络权值的数据标签，通过对训练数据的训练得到最优网络权值，当输入数据的数据标签发生变化时，根据已有的数据标签重构网络，将每次采集的数据更新到输入数据中，当输入数据有对应的数据标签时，对应预测模型的弱意识回声状态网直接根据数据标签调取最优网络权值，无需再进行权值训练。
由于以上技术方案的采用，本发明与现有技术相比具有如下优点；
1.本发明利用弱意识回声状态网对清洁光伏组件的发电功率进行预测得到预测发电功率，再根据待检测光伏组件的实际发电功率与对应采集时刻的预测发电功率进行分析得到发电量损失率，通过一个周期所有采集时刻发电量损失率变化与清洁阈值的对比来判断清洗决策阶段的转入，弱意识回声状态网比其他神经网络的拟合能力更强，当输入数据发生变化时，对应的数据标签也发生变化，弱意识回声状态网根据输入数据的变化进行动态调整网络权值结构，并且对于数据标签相同的输入数据，网络直接从深层意识空间中调取最优网络权值，使得预测模型不需要再进行训练，在最短的时间内重构预测模型，从而提高预测的速度与效率。
2、本发明通过对清洁光伏组件的发电数据集的采集和数据分析来设置的对照组，提高了对比数据的丰富性，利用清洁光伏组件的发电量数据集进行网络训练，再通过天气数据对待检测光伏组件清洁状态下的预测发电功率进行预测，提高了对比组控制变量的精度，提高了对比结果的准确性。
3、引入清洗阈值，采用发电量来对积灰情况进行判断，避免了采用已有的图像识别和人工的方式对光伏板积灰情况进行判断误差，采用发电量的累计下降情况和下降速度进行判断，当通过清洗阈值的判断转入清洗决策过程后，人工决策不符合清洗条件时，重新判定清洗阈值，使得人工与智能预测相结合。
附图说明
图1为本发明的整体流程图；
图2为本发明弱意识回声状态网的结构图；
图3为本发明弱意识回声状态网表层结构图。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1至图3对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。
一种光伏组件清洗周期预测方法，包括以下具体步骤：
S1、建立光伏组件的发电量损失率预测模型，清洁光伏组件包括清洁的光伏板，选择一块或多块清洁的光伏板作为实验数据采集组，将此清洁光伏板置于室外进行实验，使用清洁装置等硬件设施高频次地对光伏板进行清洗，保持光伏板能够保持在一个较为清洁的状态下，待检测光伏组件中包括等待被判断是否清洗的光伏板，利用气象检测站采集待检测光伏组件实际发电时不同时刻所对应的天气数据，天气数据包括太阳辐照度、环境温湿度、风速，再利用I-V曲线仪对待检测光伏组件的实际发电功率进行测量，记为j为对应采集时刻的序号，基于弱意识回声状态网络构建光伏功率系统的预测模型，回声状态网于2001年被提出，它用储备池来替代传统循环神经网络(RNN)的隐含层，是一种的新型RNN，包括输入层、储备池、输出层三部分，弱意识回声状态网是从储备池方面对回声状态网进行改进，将“标签”概念引入储备池中，弱意识回声状态网的结构包含两层：一是表层结构，二是深层意识空间，表层结构用来体现发电量预测模型，深层意识空间则用来存储标签对应的最优网络权值，通过对输入数据进行处理，获得用于存储与搜索的“数据标签”，对网络进行训练，生成标签对应的最优网络权值并存储在深层意识空间中，当输入数据发生变化时，网络可自主思考，依据定义的标签自动搜索意识空间，提取并使用最优网络权值，在最短的时间内重构网络，表层结构中通过受限玻尔兹曼机的无监督学习算法或者光伏发电量数据与对应的天气数据进行斯皮尔曼相关性系数的计算得到预测模型，以天气数据为预测模型的输入数据，以清洁光伏组件的预测发电功率作为弱意识回声状态网络的输出，以清洁光伏组件的发电数据集来训练预测模型，将包括不同时刻不同输入数据下对应的清洁光伏板的预测发电功率的预测结果作为对比组，预测发电功率记为P′j，再利用实际发电功率Pj与预测发电功率P'j得到第j个采集时刻的发电量损失率ηj，计算公式如下：
S2、确定清洗阈值，因为光伏组件的光伏板上的积灰量的程度无法通过检测获得具体的数值，因此我们利用发电功率代表积灰情况进行判断，采集自然积灰条件下不进行清洁时光伏组件的发电功率，并通过计算分析得到待检测光伏组件的清洗阈值；
S3、根据清洗阈值进行判断，通过待检测光伏组件连续采集时刻的发电损失率的计算结果与清洗阈值的比较来判断清洗决策的转入，首先计算连续采集时刻的发电量损失率的变化值，记为Δηj(j+1)，计算公式如下：
Δηj(j+1)＝ηj+1-ηj，
一个清洗周期内，随着待检测光伏组件采集时刻的推移，待检测光伏组件的发电量损失率随时间的推移逐渐变大，Δηj(j+1)代表发电量损失率变化的大小，Δηj(j+1)越小，两个连续采集时刻的发电量损失率的变化越小，Δηj(j+1)越大，两个连续测量时刻的发电量损失率的变话也越大，将一个清洗周期内已采集的所有采集时刻对应发电量损失率的变化值的总和记为δ，δ的计算公式如下：
其中，M为一次清洗结束后到当前采集时刻的时刻个数，当δ超过所设定的清洗阈值时，则转入清洗决策的判断过程中；
S4、构建清洗决策，计算在采集时刻对应的清洗区间内，发电收益与运维成本的差值，当差值最大时，将数据提交人工决策，当人工决策判断不符合清洗条件时，则返回所述S2中重新确定清洗阈值，再根据重新确定的清洗阈值对待检测光伏组件进行二次判断，重复判断过程直到人工判断清洗即完成一个清洗周期。
所述S1的中弱意识回声状态网的结构包括表层结构和深层意识空间，以天气数据为弱意识回声状态网的网络输入量，以预测发电功率为弱意识网络的网络输出量，数据标签即是网络标签，表层结构进行发电量预测，深层意识空间用于存储数据标签对应的最优网络权值，表层结构包含输入层、储备池和输出层，表层结构通过训练数据的训练以及输入数据得到最优网络权值，并存储至深层意识空间，通过搜索调取最优网络权值，将输入层、储备池、输出层的神经元个数分别记为K、N和L，状态更新方程如下：
x(n+1)＝f(winu(n+1)+Wx(n))+wfby(n),
其中，x(n)为状态变量，n＝1,2,3...T为离散时间点，T为训练样本数据中数据点的个数，f为储备池状态激活函数，y＝y(n)为输出向量，表示输入权值矩阵，W∈RN×N×C表示储备池的内部权值矩阵，/>表示输出反馈矩阵，称为深层意识空间，Cin、C、Cfb称为深层意识空间的深度，将网络训练得到的最优网络权值以及对应的数据标签存储Win、W、Wfb中，当存在输入数据的数据标签时，网络直接调取深层意识空间内存储的最优网络权值，节省了训练预测模型的步骤，输出方程如下：
y(n)＝g(wout[x(n)；u(n)]),
其中，g为输出激活函数，x(n)为状态变量，u(n)为输入向量，y＝y(n)为输出向量，d＝d(n)为期望输出向量，e为网络反差误差，n＝1,2,3...T为离散时间点，T为训练样本数据中数据点的个数，[；]为向量的连接，Wout∈RL×(K+N)表示输出权值矩阵。
所述S2中利用发电功率代表光伏组件的积灰程度，采集不对板面进行清洁时自然积灰条件下的发电功率，并计算随着时间增加不同区间时段的下降值，绘制发电量影响程度曲线，计算随时间变化发电量的下降速率，选定发电量的下降速率的最大值，并将将发电量下降效率的最大值设定为清洗阈值。
数据采集周期从本次清洗后开始，到下一次清洗前结束，若在数据采集过程中发生异常，导致数据不足，通过多重插补的方法来对数据集中的缺失值进行修正，每个包含缺失值的变量都默认通过数据集中的其他变量预测得到，通过建立插值函数来预测缺失数据的有效值，该过程不断迭代直到所有的缺失值都收敛为止。
所述S1中利用弱意识回声状态网建立的预测模型以清洁光伏组件的发电数据集为训练数据，发电数据集中包括清洁光伏组件的天气数据和I-V曲线仪采集的发电量数据，预测模型的训练数据是一个静态数据集，以输入数据的自相关、互相关系数作为弱意识回声状态网对应网络权值的数据标签，通过对训练数据的训练得到最优网络权值，当输入数据的数据标签发生变化时，根据已有的数据标签重构网络，将每次采集的数据更新到输入数据中，当输入数据有对应的数据标签时，对应预测模型的弱意识回声状态网直接根据数据标签调取最优网络权值，无需再进行权值训练，通过数据的模型来不断的更新预测模型，以此提高预测的准确性，省去了训练的过程。
本发明具体使用时，主要包括四个步骤，首先建立光伏组件的发电量损失率预测模型得到发电量损失率，其次确定清洗阈值，再根据清洗阈值对数据采集的数据点的发电量损失率的变化值的总和进行判断，当δ超出清洗阈值的范围时，转入清洗决策过程，清洗决策过程中人工决策判定不清洗时，再根据重新确定的清洗阈值对待检测光伏组件进行二次判断重复判断过程直到人工判断清洗即完成一个清洗周期，根据动态采集的数据集对预测模型进行不断的更新，数据标签相同的输入数据，网络直接调取存储在深层意识空间内的最优网络权值，通过数据标签与预测模型的不断更新提高了预测模型预测的准确性和时效性，再经过发电损失率率的变化值的总和与清洗阈值的对比来判断进入清洗决策过程，弱意识回声状态网构建发电量损失率预测模型，并根据输入数据的变化选择最优网络权值，与其他静态神经网络相比，其拟合能力更强，预测精度更高，并随着不同季节和天气下数据的采集，依据数据采集的数据不断地对预测模型进行更新，避免了离线预测因数据特征的变化带来的需要修改预测模型的问题，提高预测模型的可靠性，达到在线预测的效果，降低光伏组件的运维成本。
以上所述是结合具体实施方式对本发明所作的进一步详细说明，不能认定本发明具体实施仅局限于此；对于本发明所属及相关技术领域的技术人员来说，在基于本发明技术方案思路前提下，所作的拓展以及操作方法、数据的替换，都应当落在本发明保护范围之内。
Claims (5)
1.一种光伏组件清洗周期预测方法，其特征在于，包括以下具体步骤：
S1、建立光伏组件的发电量损失率预测模型，利用气象检测站采集待检测光伏组件实际发电时不同时刻所对应的天气数据，天气数据包括太阳辐照度、环境温湿度、风速，再利用I-V曲线仪对待检测光伏组件的实际发电功率进行测量，记为,/>为对应采集时刻的序号，基于弱意识回声状态网络构建光伏功率系统的预测模型，以天气数据为预测模型的输入数据，以清洁光伏组件的预测发电功率作为弱意识回声状态网络的输出，将包括不同时刻不同输入数据下对应的清洁光伏板的预测发电功率的预测结果作为对比组，预测发电功率记为/>再利用实际发电功率/>与预测发电功率/>得到第/>个采集时刻的发电量损失率/>，计算公式如下：/>；
S2、确定清洗阈值，采集自然积灰条件下不进行清洁时光伏组件的发电功率，并通过计算分析得到待检测光伏组件的清洗阈值；
S3、根据清洗阈值进行判断，通过待检测光伏组件连续采集时刻的发电损失率的计算结果与清洗阈值的比较来判断清洗决策的转入，首先计算连续采集时刻的发电量损失率的变化值，记为，计算公式如下：
将一个清洗周期内已采集的所有采集时刻对应发电量损失率变化值的总和记为/>，/>的计算公式如下：，
其中，M为一次清洗结束后到当前采集时刻的时刻个数，当超过所设定的清洗阈值时，则转入清洗决策的判断过程中；
S4、构建清洗决策，计算在采集时刻对应的清洗区间内，发电收益与运维成本的差值，当差值最大时，将数据提交人工决策，当人工决策判断不符合清洗条件时，则返回所述S2中重新确定清洗阈值，再根据重新确定的清洗阈值对待检测光伏组件进行二次判断，重复判断过程直到人工判断清洗即完成一个清洗周期。
2.根据权利要求1所述的一种光伏组件清洗周期预测方法，其特征在于，所述S1的中弱意识回声状态网的结构包括表层结构和深层意识空间，表层结构进行发电量预测，深层意识空间用于存储数据标签对应的最优网络权值，表层结构包含输入层、储备池和输出层，将输入层、储备池、输出层的神经元个数分别记为K、N和L，状态更新方程如下：，
其中，为输出激活函数，/>为状态变量，/>为输入向量，/>为输出向量，/>为期望输出向量，e为网络反差误差，/>为离散时间点，T为训练样本数据中数据点的个数，/>为向量的连接，/>表示输出权值矩阵。
3.根据权利要求1所述的一种光伏组件清洗周期预测方法，其特征在于，所述S2中利用发电功率代表光伏组件的积灰程度，采集自然积灰条件下的发电功率，并计算随着时间增加不同区间时段的下降值，绘制发电量影响程度曲线，计算随时间变化发电量的下降速率，选定发电量的下降速率的最大值，并将将发电量下降效率的最大值设定为清洗阈值。
4.根据权利要求1所述的一种光伏组件清洗周期预测方法，其特征在于，数据采集周期从本次清洗后开始，到下一次清洗前结束，若在数据采集过程中发生异常，导致数据不足，通过多重插补的方法来对数据集中的缺失值进行修正，每个包含缺失值的变量都默认通过数据集中的其他变量预测得到，通过建立插值函数来预测缺失数据的有效值，该过程不断迭代直到所有的缺失值都收敛为止。
5.根据权利要求2所述的一种光伏组件清洗周期预测方法，其特征在于，所述S1中利用弱意识回声状态网建立的预测模型以清洁光伏组件的发电数据集为训练数据，发电数据集中包括清洁光伏组件的天气数据和I-V曲线仪采集的发电量数据，预测模型的训练数据是一个静态数据集，以输入数据的自相关、互相关系数作为弱意识回声状态网对应网络权值的数据标签，通过对训练数据的训练得到最优网络权值，当输入数据的数据标签发生变化时，根据已有的数据标签重构网络，将每次采集的数据更新到输入数据中，当输入数据有对应的数据标签时，对应预测模型的弱意识回声状态网直接根据数据标签调取最优网络权值，无需再进行权值训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310394799.6A CN117391229A (zh) | 2023-04-13 | 2023-04-13 | 一种光伏组件清洗周期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310394799.6A CN117391229A (zh) | 2023-04-13 | 2023-04-13 | 一种光伏组件清洗周期预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117391229A true CN117391229A (zh) | 2024-01-12 |
Family
ID=89435059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310394799.6A Pending CN117391229A (zh) | 2023-04-13 | 2023-04-13 | 一种光伏组件清洗周期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117391229A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118137673A (zh) * | 2024-04-30 | 2024-06-04 | 华能澜沧江新能源有限公司 | 一种分布式光伏监测系统及其监测方法 |
-
2023
- 2023-04-13 CN CN202310394799.6A patent/CN117391229A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118137673A (zh) * | 2024-04-30 | 2024-06-04 | 华能澜沧江新能源有限公司 | 一种分布式光伏监测系统及其监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Transfer-learning based gas path analysis method for gas turbines | |
| CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
| CN103577707A (zh) | 一种利用多模式融合推理的机器人故障诊断方法 | |
| CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
| CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
| CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
| CN113379164B (zh) | 基于深度自注意力网络的负荷预测方法及系统 | |
| CN117391229A (zh) | 一种光伏组件清洗周期预测方法 | |
| CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
| CN114492675A (zh) | 一种电容式电压互感器故障原因智能诊断方法 | |
| CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
| CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
| CN114118596A (zh) | 一种光伏发电量预测方法和装置 | |
| CN113919545A (zh) | 一种多数据模型融合的光伏发电功率预测方法和系统 | |
| CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
| CN114418177A (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
| CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
| CN113705888A (zh) | 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和系统 | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| CN113297805A (zh) | 一种风电功率爬坡事件间接预测方法 | |
| CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及系统 | |
| CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
| CN116613745A (zh) | 一种基于变分模态分解的pso-elm电动汽车充电负荷预测方法 | |
| CN116401545A (zh) | 一种多模型融合的水轮机振摆分析方法 | |
| CN113449466A (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 |
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 |