CN117452948A - 一种清扫控制策略生成方法、光伏清扫控制系统 - Google Patents
一种清扫控制策略生成方法、光伏清扫控制系统 Download PDFInfo
- Publication number
- CN117452948A CN117452948A CN202311537496.1A CN202311537496A CN117452948A CN 117452948 A CN117452948 A CN 117452948A CN 202311537496 A CN202311537496 A CN 202311537496A CN 117452948 A CN117452948 A CN 117452948A
- Authority
- CN
- China
- Prior art keywords
- power generation
- cleaning
- photovoltaic
- power
- generation 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.)
- Pending
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 205
- 238000011217 control strategy Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010248 power generation Methods 0.000 claims abstract description 137
- 239000002245 particle Substances 0.000 claims abstract description 73
- 239000013598 vector Substances 0.000 claims abstract description 61
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010926 purge Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/10—Cleaning arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种清扫控制策略生成方法、光伏清扫系统，方法包括：基于支持向量回归算法，根据历史发电数据构建发电功率预测模型；所述历史发电数据包括所述光伏电站在不同清扫频率和/或不同清扫时刻下的发电数据；通过粒子群算法，求解所述发电功率预测模型，得到清扫控制策略，以便于根据所述清扫控制策略控制光伏清扫机器人进行作业。本申请根据光伏电站在不同清扫情况下的发电数据，利用支持向量回归算法和粒子群算法生成合理的清扫控制策略。
Description
技术领域
本申请涉及光伏技术领域，尤其涉及一种清扫控制策略生成方法、光伏清扫控制系统、存储介质。
背景技术
光伏组件长期暴露于外部环境中，容易受到灰尘和异物对光伏组件的影响，影响光伏电站的发电效率，因此，需要使用光伏清扫机器人有效去除光伏组件上的覆盖物。在过去，工作人员往往依靠经验来制定光伏清扫机器人的清扫控制策略，但这种方式智能化程度较低，控制策略的精准性不能得到保证，导致无法在光伏电站发电功率和清扫机器人运维成本之间做到平衡。
因此，如何制定合理的光伏清扫控制策略，成为目前光伏电站运维急需解决的问题。
发明内容
为了解决上述技术问题，本申请提供一种清扫控制策略生成方法、光伏清扫系统、存储介质。
具体的，本申请的技术方案如下：
第一方面，本申请提供一种清扫控制策略生成方法，用于光伏清扫机器人对光伏电站的清扫作业，包括：
基于支持向量回归算法，根据历史发电数据构建发电功率预测模型；所述历史发电数据包括所述光伏电站在不同清扫频率和/或不同清扫时刻下的发电数据；
通过粒子群算法，求解所述发电功率预测模型，得到使得所述光伏电站的发电功率最大化的清扫控制策略，以便于根据所述清扫控制策略控制所述光伏清扫机器人进行清扫作业；
所述清扫控制策略包括清扫时刻和清扫频率。
在一些实施方式中，所述的基于支持向量回归算法，根据历史发电数据构建发电功率预测模型，包括：
按照预设划分比例，将所述历史发电数据划分为训练集和测试集；
将所述训练集中的所述历史发电数据输入至预设的发电功率初始模型中，输出发电功率预测数据；
根据所述发电功率预测数据与所述测试集中的所述历史发电数据之间的数据偏差，通过支持向量回归算法，对所述发电功率初始模型进行优化调整，得到所述发电功率预测模型。
在一些实施方式中，所述的通过粒子群算法，求解所述发电功率预测模型，得到使得所述光伏电站的发电功率最大化的清扫控制策略，包括：
初始化粒子群参数，所述粒子群参数包括所述粒子群中各粒子的位置向量和速度向量；
根据所述位置向量，计算所述粒子群中各粒子的适应度值；
根据所述适应度值，获取所述各粒子的个体最优值和所述粒子群的全局最优值；
根据所述个体最优值、所述全局最优值和所述速度向量，更新所述位置向量；并重新计算所述适应度值；
根据重新计算后的所述适应度值，对所述个体最优值和所述全局最优值进行迭代更新，直到满足迭代终止条件；
将满足所述迭代终止条件的所述全局最优值作为所述发电功率预测模型的最优解，得到使得所述光伏电站的发电功率最大化的所述清扫控制策略。
在一些实施方式中，所述的基于支持向量回归算法，根据历史发电数据构建发电功率预测模型之前，还包括：
获取所述光伏电站在不同清扫频率和/或不同清扫时刻下的原始发电数据；
对所述原始发电数据进行预处理，得到所述历史发电数据。
在一些实施方式中，所述的对所述原始发电数据进行预处理，得到所述历史发电数据，包括：
根据预设误差值对所述原始发电数据进行筛选，剔除异常发电数据，得到第一发电数据；
对所述第一发电数据中的缺失值进行填充处理，得到第二发电数据；
对所述第二发电数据进行归一化处理，得到所述历史发电数据。
第二方面，本申请提供一种光伏清扫控制系统，包括处理器和光伏清扫机器人，
所述处理器，用于基于支持向量回归算法，根据历史发电数据构建发电功率预测模型；所述历史发电数据包括所述光伏电站在不同清扫频率和/或不同清扫时刻下的发电数据；
所述处理器，还用于通过粒子群算法，求解所述发电功率预测模型，得到使得所述光伏电站的发电功率最大化的清扫控制策略，以便于根据所述清扫控制策略控制所述光伏清扫机器人进行清扫作业；所述清扫控制策略包括清扫时刻和清扫频率；
所述光伏清扫机器人，用于根据所述清扫控制策略对所述光伏电站进行清扫作业。
在一些实施方式中，所述处理器包括：
划分单元，用于按照预设划分比例，将所述历史发电数据划分为训练集和测试集；
预测单元，用于将所述训练集中的所述历史发电数据输入至预设的发电功率初始模型中，输出发电功率预测数据；
优化单元，用于根据所述发电功率预测数据与所述测试集中的所述历史发电数据之间的数据偏差，通过支持向量回归算法，对所述发电功率初始模型进行优化调整，得到所述发电功率预测模型。
在一些实施方式中，所述处理器包括：
初始化单元，用于初始化粒子群参数，所述粒子群参数包括所述粒子群中各粒子的位置向量和速度向量；
计算单元，用于根据所述位置向量，计算所述粒子群中各粒子的适应度值；
获取单元，用于根据所述适应度值，获取所述各粒子的个体最优值和所述粒子群的全局最优值；
所述计算单元，还用于根据所述个体最优值、所述全局最优值和所述速度向量，更新所述位置向量；并重新计算所述适应度值；
所述计算单元，还用于根据重新计算后的所述适应度值，对所述个体最优值和所述全局最优值进行迭代更新，直到满足迭代终止条件；
输出单元，用于将满足所述迭代终止条件的所述全局最优值作为所述发电功率预测模型的最优解，得到使得所述光伏电站的发电功率最大化的所述清扫控制策略。
在一些实施方式中，还包括：
获取单元，用于获取所述光伏电站在不同清扫频率和/或不同清扫时刻下的原始发电数据；
预处理单元，用于对所述原始发电数据进行预处理，得到所述历史发电数据。
第三方面，本申请提供一种存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述任一项清扫控制策略生成方法所执行的操作。
与现有技术相比，本申请至少具有以下一项有益效果：
本申请根据光伏电站在不同清扫情况下的发电数据，将支持向量回归算法和粒子群算法结合，生成合理的清扫控制策略。相比于传统的人工制定清扫控制策略的方式，本实施例中的方式效率更高，并且制定出的清扫控制策略能够较好地在光伏电站发电功率和光伏电站运维成本之间做到平衡。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本申请的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本申请实施例中清扫控制策略生成方法的流程图；
图2是本申请实施例中清扫控制策略生成方法的另一流程图；
图3是本申请实施例中光伏清扫控制系统的结构示意图；
图4是本申请实施例中光伏清扫控制系统的另一结构示意图。
附图标号说明：
处理器100，划分单元110，预测单元120，优化单元130，计算单元140，光伏清扫机器人200，获取单元300，预处理单元400。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对照附图说明本申请的具体实施方式。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与申请相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
光伏组件是一种能把可再生太阳能转化为电能的装置，是光伏电站中的核心设备。光伏组件大多安装在室外，长期暴露于外部环境中，容易受到灰尘和异物的影响，导致光伏组件的发电量受到影响，在严重的情况下还可能导致光伏组件损坏而失去光电转化的功能。因此，需要定期对光伏组件进行清洁，来保证光伏组件的发电效率，从而优化光伏电站的发电量。
目前，光伏电站中多采用光伏清扫机器人来对光伏组件上的污渍和覆盖物进行清扫，光伏清扫机器人可以按照不同的清扫频率在不同的清扫时刻对光伏电站中的各个光伏组件进行清扫。一般的，需要光伏电站的工作人员依靠自身的工作经验来制定清扫控制策略，确定光伏清扫机器人的清扫频率和清扫时刻，但是人工制定清扫控制策略的方式，效率较低并且不同工作人员的经验存在差异，很难做到既能保证光伏电站发电功率，又不会额外增加光伏电站运维成本。
例如，假设光伏清扫机器人清扫频率过高，而每次清扫都会消耗一定的清扫资源，过于密集的清扫会造成不必要的资源浪费，并且光伏清扫机器人的使用寿命有限，过多执行清扫作业也会对清扫机器人的寿命造成影响，增加了光伏清扫机器人的运维成本；而如果清扫频率过低，则无法保证光伏组件的发电量，造成光伏电站的发电回报率低。此外，在一天的不同时刻下，太阳光照的强度不同，因此光伏组件在不同时刻的发电量也不同，如果在光照强度大的时刻进行清扫，会影响光伏组件的发电量，因此在制定清扫策略时，除了要考虑清扫频率，还要考虑清扫的时刻。
基于上述内容，本申请实施例提供一种光伏清扫控制策略的生成方法，基于光伏电站在不同清扫情况下的发电数据，利用支持向量回归算法和粒子群算法生成合理的清扫控制策略。
下面结合附图进行说明，如图1所示，本申请的一个实施例，一种清扫控制策略生成方法，用于光伏清扫机器人对光伏电站的清扫作业，包括步骤：
S100基于支持向量回归算法，根据历史发电数据构建发电功率预测模型；历史发电数据包括光伏电站在不同清扫频率和/或不同清扫时刻下的发电数据。
具体的，支持向量回归算法(SVR，Support Vector Regression)，是支持向量机算法(SVM，Support Vector Machine)对回归问题的一种运用。本实施例以某一时刻发电功率为标签数据，以清扫时刻和清扫频率为特征数据，构建基于支持向量回归算法的发电功率预测模型，用预测模型来表达清扫时刻和清扫频率对发电功率的影响。
S200通过粒子群算法，求解发电功率预测模型，得到使得光伏电站的发电功率最大化的清扫控制策略，以便于根据清扫控制策略控制光伏清扫机器人进行清扫作业。
具体的，粒子群算法(Particle Swarm Optimization，PSO)是进化算法的一种，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得优化目标的最优解。本实施例中以步骤S100中得到的发电功率预测模型为目标函数(即优化目标)，以清扫频率和清扫时刻作为决策变量(即优化对象，也就是目标函数的解)，通过粒子群算法不断迭代优化，计算出能够使得光伏电站的发电功率最大化的最优清扫频率和最优清扫时刻，得到清扫控制策略。光伏清扫机器人根据清扫控制策略中的清扫频率和清扫时刻，对光伏电站中的光伏组件进行清扫。
本实施例根据光伏电站在不同清扫情况下的发电数据，将支持向量回归算法和粒子群算法结合，生成合理的清扫控制策略。相比于传统的人工制定清扫控制策略的方式，本实施例中的方式效率更高，并且制定出的清扫控制策略能够较好地在光伏电站发电功率和光伏电站运维成本之间做到平衡。
另外，我国地缘辽阔，东西南北气候差异大，受降雨量、温湿度、风速、风沙、土质和经纬度的影响，不同光伏电站的光伏组件表面积灰量和积灰速度会有较大差异，光伏电站的清扫任务也不尽相同。本实施例中提供的清扫控制策略生成方案，能够适用于不同的光伏电站，应用广泛。
本申请的另一个实施例，如图2所示，一种清扫控制策略生成方法，包括如下步骤：
S110按照预设划分比例，将历史发电数据划分为训练集和测试集。
S120将训练集中的数据输入至预设的发电功率初始模型中，输出发电功率预测数据。
S130根据发电功率预测数据与测试集中的数据之间的数据偏差，通过支持向量回归算法，对发电功率初始模型进行优化调整，得到发电功率预测模型。
S200通过粒子群算法，求解发电功率预测模型，得到清扫控制策略，以便于根据清扫控制策略控制光伏清扫机器人进行清扫作业。
具体的，历史发电数据可从光伏电站的数据库中获取，例如以8:2的比例将提取出的发电数据随机划分训练集和测试集。训练集中的数据用于对发电功率进行预测，训练集输入至发电功率初始模型中后输出预测值；测试集中的数据作为真实值，用于与预测值进行对比。例如以均方误差损失函数(MSE)为评价指标，衡量预测值与真实值之间的偏差，并根据MSE计算结果，基于SVR算法以0.1的学习率进行迭代，每迭代一次就对发电功率初始模型进行调整，直到损失函数的数值收敛符合要求或达到预设迭代次数后停止调整，得到符合要求的发电功率预测模型，该模型用来表达清扫时刻和清扫频率对发电功率的影响。
在一些实施方式中，粒子群算法的实现过程如下：
(1)初始化粒子群参数，粒子群参数包括粒子群中各粒子的位置向量和速度向量。
(2)根据位置向量，计算粒子群中各粒子的适应度值；适应度值即适应度函数的值，适应度函数一般为目标函数(优化目标)，在本实施例中，适应度函数即发电功率预测模型，将各个粒子的位置向量代入该模型中，计算得到各个粒子的适应度值。
(3)根据适应度值，获取各粒子的个体最优值和粒子群的全局最优值。将适应度值作为各个粒子的个体最优值，将所有适应度值中的最小值作为整个粒子群的全局最优值。
(4)根据个体最优值、全局最优值和速度向量，更新位置向量；并重新计算适应度值。具体的，根据个体最优值和全局最优值，对(1)中初始化得到的速度向量进行更新，并根据更新后的速度向量来更新位置向量，将更新后的位置向量重新代入发电功率预测模型中，计算各个粒子的适应度值。
(5)根据重新计算后的适应度值，对个体最优值和全局最优值进行迭代更新，直到满足迭代终止条件。具体的，将重新计算后的适应度值分别与前述步骤中获取的个体最优值以及全局最优值进行比较。如果重新计算后的适应度值小于个体最优值，那么将此时的位置向量作为个体最优值；如果重新计算后的适应度值小于全局最优值，那么将此时的位置向量作为全局最优值。
(6)将满足迭代终止条件的全局最优值作为发电功率预测模型的最优解，得到清扫控制策略。迭代终止条件一般为迭代次数达到预设次数或者适应度值达到预设值。
本申请的一个实施例，一种清扫控制策略生成方法，包括步骤：
步骤1：数据采集。
使用控制变量法，保证其它天气等影响因素不变的情况下，大量采集和记录不同的清扫频率和不同的清扫时刻下，光伏电站发电功率的数值。定义清扫机器人从停靠站出发，沿着一排光伏组件运行一个来回为清扫一次，24小时内清扫的次数即为清扫频率，一天清扫不足一次的用浮点数记录。定义24小时内的整点时刻为清扫机器人离开停靠站出去执行清扫任务的时刻，一般的清扫时刻为清晨到傍晚的整点时刻。需要说明的是，对于不同的光伏电站以及不同的清扫任务来说，清扫频率和清扫时刻可以有不同的定义方式。
步骤2：数据预处理。
首先根据预设误差值对原始发电数据进行筛选，剔除异常发电数据，得到第一发电数据。例如，通过正态分布方法设定误差阈值，将超过正负3个标准差的数值设定为异常值，并将异常值从原始发电数据中剔除，剔除异常值后的数据为第一发电数据。接着对第一发电数据中的缺失值进行处理，得到第二发电数据。缺失值可通过删除、利用众数等统计数值进行填充等方法进行处理，能够减少原始数据集中不完整数据的影响，提高数据的可靠性。最后对第二发电数据进行归一化处理，得到历史发电数据，例如通过转换公式x*＝(x-min)/(max-min)，对第二发电数据进行线性变换，使结果值映射到[0，1]之间。其中，max为第二发电数据中的最大值，min为第二发电数据中的最小值，x为第二发电数据中的任一数据值。通过数据预处理，能够有效提高数据集的可靠性，改善模型的拟合效果。除了上述数据预处理方法外，也可采用其他现有数据预处理方法来提高原始数据集的可靠性。
步骤3：数据存储。
使用MySQL数据库来保存记录历史数据以及预处理后的当前数据，方便持久化查询和使用。
步骤4：模型构建。
以发电功率作为标签数据，以清扫时刻和清扫频率为特征数据，构建基于SVR算法的拟合模型，用模型来表达清扫时刻和清扫频率对发电功率的影响。
步骤5：求解模型，得到清扫控制策略。
以发电功率为目标函数，以清扫时刻和清洗频率为决策变量，通过粒子群算法求解得到能够使发电功率最大化的最佳清扫时刻和最小清扫频率。
基于相同的技术构思，本申请还公开了一种光伏清扫控制系统，该系统可采用上述任一清扫控制策略生成方法实施例来实现，具体的，如图3所示，本申请的一个光伏清扫控制系统实施例，包括处理器100和光伏清扫机器人200，其中：
处理器100，用于基于支持向量回归算法，根据历史发电数据构建发电功率预测模型；历史发电数据包括光伏电站在不同清扫频率和/或不同清扫时刻下的发电数据。
处理器100，还用于通过粒子群算法，求解发电功率预测模型，得到使得光伏电站的发电功率最大化的清扫控制策略。
光伏清扫机器人200，用于根据清扫控制策略对光伏电站进行清扫作业。
在一个实施例中，如图4所示，处理器100包括：
划分单元110，用于按照预设划分比例，将历史发电数据划分为训练集和测试集；
预测单元120，用于将所训练集中的数据输入至预设的发电功率初始模型中，输出发电功率预测数据；
优化单元130，用于根据发电功率预测数据与测试集中的数据之间的数据偏差，通过支持向量回归算法，对发电功率初始模型进行优化调整，得到发电功率预测模型。
在一个实施例中，如图4所示，处理器100包括计算单元140，用于通过粒子群算法，求解发电功率预测模型，得到清扫控制策略，具体包括：
初始化子单元，用于初始化粒子群参数，粒子群参数包括粒子群中各粒子的位置向量和速度向量；
计算子单元，用于根据位置向量，计算粒子群中各粒子的适应度值；
获取子单元，用于根据适应度值，获取各粒子的个体最优值和粒子群的全局最优值；
计算子单元，还用于根据个体最优值、全局最优值和速度向量，更新位置向量；并重新计算适应度值；
计算子单元，还用于根据重新计算后的适应度值，对个体最优值和全局最优值进行迭代更新，直到满足迭代终止条件；
输出子单元，用于将满足迭代终止条件的全局最优值作为发电功率预测模型的最优解，得到使得光伏电站的发电功率最大化的清扫控制策略。
在一个实施例中，上述光伏清扫控制系统，如图4所示，还包括获取单元300和预处理单元400，其中：
获取单元300，用于获取光伏电站在不同清扫频率和/或不同清扫时刻下的原始发电数据；
预处理单元400，用于对原始发电数据进行预处理，得到历史发电数据。
需要说明的是，本申请提供的光伏清扫控制系统的实施例与前述提供的清扫控制策略生成方法的实施例均基于同一发明构思，能够取得相同的技术效果，因而，光伏清扫控制系统的实施例的其它具体内容可以参照前述清扫控制策略生成方法的实施例内容的记载。
此外，本申请还公开了一种存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如上述任一方法实施例中所执行的操作。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
应当说明的是，上述实施例均可根据需要自由组合。以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种清扫控制策略生成方法，用于光伏清扫机器人对光伏电站的清扫作业，其特征在于，包括：
基于支持向量回归算法，根据历史发电数据构建发电功率预测模型；所述历史发电数据包括所述光伏电站在不同清扫频率和/或不同清扫时刻下的发电数据；
通过粒子群算法，求解所述发电功率预测模型，得到使得所述光伏电站的发电功率最大化的清扫控制策略，以便于根据所述清扫控制策略控制所述光伏清扫机器人进行清扫作业；
所述清扫控制策略包括清扫时刻和清扫频率。
2.根据权利要求1所述的一种清扫控制策略生成方法，其特征在于，所述的基于支持向量回归算法，根据历史发电数据构建发电功率预测模型，包括：
按照预设划分比例，将所述历史发电数据划分为训练集和测试集；
将所述训练集中的所述历史发电数据输入至预设的发电功率初始模型中，输出发电功率预测数据；
根据所述发电功率预测数据与所述测试集中的所述历史发电数据之间的数据偏差，通过支持向量回归算法，对所述发电功率初始模型进行优化调整，得到所述发电功率预测模型。
3.根据权利要求1所述的一种清扫控制方法，其特征在于，所述的通过粒子群算法，求解所述发电功率预测模型，得到使得所述光伏电站的发电功率最大化的清扫控制策略，包括：
初始化粒子群参数，所述粒子群参数包括所述粒子群中各粒子的位置向量和速度向量；
根据所述位置向量，计算所述粒子群中各粒子的适应度值；
根据所述适应度值，获取所述各粒子的个体最优值和所述粒子群的全局最优值；
根据所述个体最优值、所述全局最优值和所述速度向量，更新所述位置向量；并重新计算所述适应度值；
根据重新计算后的所述适应度值，对所述个体最优值和所述全局最优值进行迭代更新，直到满足迭代终止条件；
将满足所述迭代终止条件的所述全局最优值作为所述发电功率预测模型的最优解，得到使得所述光伏电站的发电功率最大化的所述清扫控制策略。
4.根据权利要求1所述的一种清扫控制方法，其特征在于，所述的基于支持向量回归算法，根据历史发电数据构建发电功率预测模型之前，还包括：
获取所述光伏电站在不同清扫频率和/或不同清扫时刻下的原始发电数据；
对所述原始发电数据进行预处理，得到所述历史发电数据。
5.根据权利要求4所述的一种清扫控制方法，其特征在于，所述的对所述原始发电数据进行预处理，得到所述历史发电数据，包括：
根据预设误差值对所述原始发电数据进行筛选，剔除异常发电数据，得到第一发电数据；
对所述第一发电数据中的缺失值进行填充处理，得到第二发电数据；
对所述第二发电数据进行归一化处理，得到所述历史发电数据。
6.一种光伏清扫控制系统，其特征在于，包括处理器和光伏清扫机器人，
所述处理器，用于基于支持向量回归算法，根据历史发电数据构建发电功率预测模型；所述历史发电数据包括所述光伏电站在不同清扫频率和/或不同清扫时刻下的发电数据；
所述处理器，还用于通过粒子群算法，求解所述发电功率预测模型，得到使得所述光伏电站的发电功率最大化的清扫控制策略，以便于根据所述清扫控制策略控制所述光伏清扫机器人进行清扫作业；所述清扫控制策略包括清扫时刻和清扫频率；
所述光伏清扫机器人，用于根据所述清扫控制策略对所述光伏电站进行清扫作业。
7.根据权利要求6所述的一种光伏清扫控制系统，其特征在于，所述处理器包括：
划分单元，用于按照预设划分比例，将所述历史发电数据划分为训练集和测试集；
预测单元，用于将所述训练集中的所述历史发电数据输入至预设的发电功率初始模型中，输出发电功率预测数据；
优化单元，用于根据所述发电功率预测数据与所述测试集中的所述历史发电数据之间的数据偏差，通过支持向量回归算法，对所述发电功率初始模型进行优化调整，得到所述发电功率预测模型。
8.根据权利要求6所述的一种光伏清扫控制系统，其特征在于，所述处理器包括：
初始化单元，用于初始化粒子群参数，所述粒子群参数包括所述粒子群中各粒子的位置向量和速度向量；
计算单元，用于根据所述位置向量，计算所述粒子群中各粒子的适应度值；
获取单元，用于根据所述适应度值，获取所述各粒子的个体最优值和所述粒子群的全局最优值；
所述计算单元，还用于根据所述个体最优值、所述全局最优值和所述速度向量，更新所述位置向量；并重新计算所述适应度值；
所述计算单元，还用于根据重新计算后的所述适应度值，对所述个体最优值和所述全局最优值进行迭代更新，直到满足迭代终止条件；
输出单元，用于将满足所述迭代终止条件的所述全局最优值作为所述发电功率预测模型的最优解，得到使得所述光伏电站的发电功率最大化的所述清扫控制策略。
9.根据权利要求6所述的一种光伏清扫控制系统，其特征在于，还包括：
获取单元，用于获取所述光伏电站在不同清扫频率和/或不同清扫时刻下的原始发电数据；
预处理单元，用于对所述原始发电数据进行预处理，得到所述历史发电数据。
10.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至权利要求5任一项所述的清扫控制策略生成方法所执行的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311537496.1A CN117452948A (zh) | 2023-11-17 | 2023-11-17 | 一种清扫控制策略生成方法、光伏清扫控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311537496.1A CN117452948A (zh) | 2023-11-17 | 2023-11-17 | 一种清扫控制策略生成方法、光伏清扫控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117452948A true CN117452948A (zh) | 2024-01-26 |
Family
ID=89594733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311537496.1A Pending CN117452948A (zh) | 2023-11-17 | 2023-11-17 | 一种清扫控制策略生成方法、光伏清扫控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117452948A (zh) |
-
2023
- 2023-11-17 CN CN202311537496.1A patent/CN117452948A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
| CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
| CN110161860B (zh) | 一种光伏组件智能清扫策略的方法及控制系统 | |
| Kolhe et al. | GA-ANN for short-term wind energy prediction | |
| CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
| CN112508279B (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
| CN111917111B (zh) | 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质 | |
| CN113887141A (zh) | 一种基于联邦学习的微电网群运行策略进化方法 | |
| CN115965132A (zh) | 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| 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 | |
| CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
| Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
| CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
| US20230419222A1 (en) | Method to optimize cleaning of solar panels through quantification of losses in photovoltaic modules in solar power plants | |
| CN117452948A (zh) | 一种清扫控制策略生成方法、光伏清扫控制系统 | |
| CN115693787B (zh) | 考虑源荷随机性的光储配电网新能源接纳能力分析方法 | |
| CN116914719A (zh) | 一种基于时空图网络的光伏发电站功率预测方法 | |
| WO2023225378A1 (en) | Large scale energy storage with ai-based grading and efficiency assessment | |
| CN115759471A (zh) | 基于多模态融合的ai光伏清洗预测系统 | |
| Jogunuri et al. | Artificial intelligence methods for solar forecasting for optimum sizing of PV systems: A review | |
| CN114204552A (zh) | 智慧园区综合能源能量调度方法 | |
| CN114282637A (zh) | 一种适用于光伏电站发电量预测方法 | |
| CN112149861A (zh) | 光伏电站群的运维任务调度方法及装置 | |
| Li et al. | Short-term Wind Power Forecast based on Teleconnected NWP Information |
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 |