CN117764223A - 一种光伏运行方法及系统 - Google Patents
一种光伏运行方法及系统 Download PDFInfo
- Publication number
- CN117764223A CN117764223A CN202311607828.9A CN202311607828A CN117764223A CN 117764223 A CN117764223 A CN 117764223A CN 202311607828 A CN202311607828 A CN 202311607828A CN 117764223 A CN117764223 A CN 117764223A
- Authority
- CN
- China
- Prior art keywords
- individual
- target
- photovoltaic
- photovoltaic operation
- state analysis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims description 58
- 230000007246 mechanism Effects 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 8
- 238000011217 control strategy Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏运行方法及系统,通过获取历史数据以及构建光伏运行状态解析模型,并根据历史数据对光伏运行状态解析模型进行训练,可以得到具备光伏运行状态识别能力的光伏运行状态解析模型,从而可以采用光伏运行状态解析模型对光伏运行数据解析,实现光伏运行状态的监控,并且可以根据监控结果启用不同的预设策略,不仅可以实现光伏运行状态的监测,还可以实现光伏的自动运行管理。
Description
技术领域
本发明属于光伏运行控制技术领域,具体涉及一种光伏运行方法及系统。
背景技术
电能是用途最广泛的能源之一。光伏发电有着太阳能取之不尽用之不竭、安全无公害、受地域限制小、建设周期短和成本较低等得天独厚的优势。随着使用年限的增加,光伏阵列发生故障的概率有增加的趋势。光伏阵列的故障类型多,各种故障会不同程度地导致发电量的降低,使光伏电站的效率受到较大影响。故障如果不能被及时处置,可能加快光伏阵列的老化并降低其寿命,甚至可能导致严重的安全事故。为了保证光伏的正常运行,常常需要安排工作人员进行巡检,不仅费时费力,还存在巡检不到位的情况发生。
发明内容
本发明提供一种光伏运行方法及系统,用以解决现有技术中存在的技术问题。
第一方面,本发明提供一种光伏运行方法,包括:
获取历史光伏运行数据以及历史光伏运行数据对应的故障编码,得到用于机器学习的训练样本数据;
基于注意力机制、上下文提取机制以及深度学习策略,构建光伏运行状态解析模型,并采用训练样本数据对光伏运行状态解析模型进行优化,获取具备光伏运行状态识别能力的光伏运行状态解析模型;
获取实时光伏运行数据,并采用具备光伏运行状态识别能力的光伏运行状态解析模型对实时光伏运行数据进行识别,得到光伏运行状态解析结果;
根据所述光伏运行状态解析结果,执行预先设定的与光伏运行状态解析结果所对应的目标控制策略,完成光伏运行流程。
进一步地,所述历史光伏运行数据至少包括多个连续时间点上的辐照度、组件温度、组件电压以及组件电流。
进一步地,基于注意力机制、上下文提取机制以及深度学习策略,构建光伏运行状态解析模型,包括:
构建顺次连接的输入层、第一卷积层、第一池化层、卷积注意力机制模块、第二卷积层、第二池化层、上下文特征提取模块以及Softmax输出层。
进一步地,所述卷积注意力机制模块包括通道注意力单元以及空间注意力单元,所述通道注意力单元的输入作为卷积注意力机制模块的输入,所述通道注意力单元的输出数据与其输入数据求取第一克罗内克积,并将第一克罗内克积作为空间注意力单元的输入;所述空间注意力单元的输出数据与其输入数据求取第二克罗内克积,并将第二克罗内克积作为卷积注意力机制模块的输出;
所述上下文特征提取模块包括第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元以及Concat层;所述第一卷积单元的输入作为上下文特征提取模块的输入,所述第一卷积单元的输出分别作为第二卷积单元的输入以及第三卷积单元的输入,所述第二卷积单元的输出作为第四卷积单元的输入,所述第三卷积单元的输出以及第四卷积单元的输出共同作为Concat层的输入,所述Concat层的输出作为上下文特征提取模块的输出。
进一步地,采用训练样本数据对光伏运行状态解析模型进行优化,获取具备光伏运行状态识别能力的光伏运行状态解析模型,包括:
初始化训练参数,所述训练参数包括种群规模M、最大训练次数iter、超参数上限向量以及超参数下限向量;
根据超参数上限向量以及超参数下限向量,采用混沌映射策略随机生成2M个超参数个体;
根据训练样本数据,获取每个超参数个体的适应度值,并将2M个超参数个体按照适应度值从大到小的顺序排序,并取出前M个超参数个体作为第一目标个体,将剩余的后M个超参数个体作为第二目标个体;
建立第一目标个体与第二目标个体之间的关联关系,所述关联关系为每个第二目标个体唯一跟随一个第一目标个体;
判断第一目标个体的数量是否小于M,若是,则获取第一目标个体在本轮训练中的数量M',保持前M'个第二目标个体的关联关系不变,令第M'个之后的第二目标个体跟随第M'个第一目标个体,以更新第一目标个体与第二目标个体之间的关联关系,否则保持第一目标个体与第二目标个体之间的关联关系不变;
根据第一目标个体与第二目标个体之间的关联关系以及第二目标个体,采用螺旋搜索策略对第二目标个体进行更新,得到更新后的第二目标个体;
采用信息融合策略以及贪心算法对更新后的第二目标个体进行二次更新,得到二次更新后的第二目标个体;
判断当前训练次数是否等于或者大于最大训练次数iter,若是,则从二次更新后的第二目标个体以及第一目标个体中取出适应度值最大的个体,得到光伏运行状态解析模型的最终超参数,即得到具备光伏运行状态识别能力的光伏运行状态解析模型,否则更新第一目标个体的目标数量M”,并以第一目标个体的目标数量M”为基础,在二次更新后的第二目标个体以及第一目标个体中取出适应度值最大的M”个目标个体对第一目标个体进行更新,得到更新后的第一目标个体,并返回第一目标个体数量的判断步骤。
进一步地,根据训练样本数据,获取每个超参数个体的适应度值,包括:
将超参数个体应用至光伏运行状态解析模型中,并以训练样本数据中的历史光伏运行数据作为光伏运行状态解析模型的输入数据,获取光伏运行状态解析模型的实际输出数据;
以训练样本数据中历史光伏运行数据对应的故障编码构建光伏运行状态解析模型的期望输出数据,并根据期望输出数据以及实际输出数据获取光伏运行状态解析模型的误差函数值;
根据误差函数值,获取适应度值为1/(误差函数值+A),A表示常数;
遍历所有超参数个体,得到每个超参数个体的适应度值。
进一步地,根据第一目标个体与第二目标个体之间的关联关系以及第二目标个体,采用螺旋搜索策略对第二目标个体进行更新,得到更新后的第二目标个体为:
X2i'=D2i*ebr*cos(2πr)+X2ig
其中,i=1,2,…,M,D2i表示第i个第二目标个体X2i与其跟随的第一目标个体之间的欧式距离,X2ig表示第i个第二目标个体X2i跟随的第一目标个体,e表示自然常数,b表示控制系数,且b设置为常数,r表示[-1,1]之间的随机数,π表示圆周率。
进一步地,采用信息融合策略以及贪心算法对更新后的第二目标个体进行二次更新,得到二次更新后的第二目标个体,包括:
获取更新后的第二目标个体的适应度值,并从更新后的第二目标个体中取出适应度值前三的最优个体、第一次优个体以及第二次优个体;
根据最优个体、第一次优个体以及第二次优个体,获取融合个体中每一位超参数为:
其中,表示融合个体中第d维超参数,d=1,2,…,damx,damx表示光伏运行状态解析模型的超参数总数,G1d表示最优个体中第d维超参数,f(G1)表示最优个体G1的适应度值,G2d表示第一次优个体中第d维超参数,f(G2)表示第一次优个体G2的适应度值,G3d表示第二次优个体中第d维超参数,f(G3)表示第二次优个体G3的适应度值;
从更新后的第二目标个体中取出适应度值最小的个体,得到最劣个体;
判断融合个体的适应度值是否大于最劣个体的适应度值,若是,则采用融合个体替换最劣个体,其他第二目标个体不变,得到二次更新后的第二目标个体,否则不对最列个体进行更新,直接将更新后的第二目标个体作为二次更新后的第二目标个体。
进一步地,更新第一目标个体的目标数量M”为:
其中,round表示取整函数,M表示种群规模,t表示当前训练次数,tmax表示最大训练次数。
另一方面,本发明提供一种光伏运行系统,包括数据获取模块、训练模块、解析模块以及运行控制模块;
所述数据获取模块,用于获取历史光伏运行数据以及历史光伏运行数据对应的故障编码,得到用于机器学习的训练样本数据;
所述训练模块,用于基于注意力机制、上下文提取机制以及深度学习策略,构建光伏运行状态解析模型,并采用训练样本数据对光伏运行状态解析模型进行优化,获取具备光伏运行状态识别能力的光伏运行状态解析模型;
所述解析模块,用于获取实时光伏运行数据,并采用具备光伏运行状态识别能力的光伏运行状态解析模型对实时光伏运行数据进行识别,得到光伏运行状态解析结果;
所述运行控制模块,用于根据所述光伏运行状态解析结果,执行预先设定的与光伏运行状态解析结果所对应的目标控制策略,完成光伏运行流程。
本发明提供的一种光伏运行方法及系统,通过获取历史数据以及构建光伏运行状态解析模型,并根据历史数据对光伏运行状态解析模型进行训练,可以得到具备光伏运行状态识别能力的光伏运行状态解析模型,从而可以采用光伏运行状态解析模型对光伏运行数据解析,实现光伏运行状态的监控,并且可以根据监控结果启用不同的预设策略,不仅可以实现光伏运行状态的监测,还可以实现光伏的自动运行管理。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明实施例提供的一种光伏运行方法的流程图。
图2为本发明实施例提供的一种光伏运行系统的结构示意图。
图3为本发明实施例提供的光伏运行状态解析模型的结构示意图。
图4为本发明实施例提供的卷积注意力机制模块的结构示意图。
图5为本发明实施例提供的上下文特征提取模块的结构示意图。
其中,201-数据获取模块、202-训练模块、203-解析模块、204-运行控制模块。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
下面结合附图详细说明本发明的实施例。
如图1所示,本发明提供一种光伏运行方法,包括:
S101、获取历史光伏运行数据以及历史光伏运行数据对应的故障编码,得到用于机器学习的训练样本数据。
不同的故障编码可以对应不同的类别,外加上“正常运行”这个类别,则可以作为不同光伏运行数据的标签。历史光伏运行数据以及对应的故障编码之间存在某种潜在的联系,因此,可以采集时间序列上的光伏运行数据作为历史光伏运行数据,并将采集的历史光伏运行数据对应的故障编码作为其对应类别,从而可以根据历史光伏运行数据以及对应的类别获取训练样本数据。
值得说明的是,为了减小数据识别量以及消除量纲,可以采用归一化数据预处理方法对历史光伏运行数据以及后续的实时光伏运行数据进行预处理之后再使用。
S102、基于注意力机制、上下文提取机制以及深度学习策略,构建光伏运行状态解析模型,并采用训练样本数据对光伏运行状态解析模型进行优化,获取具备光伏运行状态识别能力的光伏运行状态解析模型。
通过注意力机制,能够使光伏运行状态解析模型关注重点区域,从而提升识别准确率,并且引入上下文特征提取机制兼顾故障之间的关联性,进一步提升识别准确率。
深度学习策略是指采用深度学习模型构建光伏运行状态解析模型,从而可以有效结合注意力机制以及上下文提取机制,实现光伏运行数据的解析。
S103、获取实时光伏运行数据,并采用具备光伏运行状态识别能力的光伏运行状态解析模型对实时光伏运行数据进行识别,得到光伏运行状态解析结果。
值得说明的是,为了保障光伏运行状态解析模型能够准确地识别数据,实时光伏运行数据与历史光伏运行数据的结构以及长度均应该相同,从而可以保证数据的准确识别。
S104、根据所述光伏运行状态解析结果,执行预先设定的与光伏运行状态解析结果所对应的目标控制策略,完成光伏运行流程。
例如:可以为故障编码设置不同的光伏运行的目标控制策略,当得到光伏运行状态解析结果之后,就可以根据光伏运行状态解析结果对应的故障编码启用不同的控制策略(如:并网、断开某组光伏的接入等等),实现光伏运行的自动控制。
本发明提供的一种光伏运行方法,通过获取历史数据以及构建光伏运行状态解析模型,并根据历史数据对光伏运行状态解析模型进行训练,可以得到具备光伏运行状态识别能力的光伏运行状态解析模型,从而可以采用光伏运行状态解析模型对光伏运行数据解析,实现光伏运行状态的监控,并且可以根据监控结果启用不同的预设策略,不仅可以实现光伏运行状态的监测,还可以实现光伏的自动运行管理。
在本实施例中,所述历史光伏运行数据至少包括多个连续时间点上的辐照度、组件温度、组件电压以及组件电流。值得说明的是,当光伏组件中存在多个阵列时(例如:几个光伏组件串联或者并联作为一组,形成一个阵列),每个阵列的辐照度、组件温度、电压以及电流可能不同,则需要分开采集。除了上述历史光伏运行数据,还可以采集其他可以对光伏运行故障存在影响的参数作为历史光伏运行数据,从而可以提升光伏运行状态解析结果的准确性。
如图3至图5所示,基于注意力机制、上下文提取机制以及深度学习策略,构建光伏运行状态解析模型,包括:
构建顺次连接的输入层、第一卷积层、第一池化层、卷积注意力机制模块、第二卷积层、第二池化层、上下文特征提取模块以及Softmax输出层。在本实施例中,所述卷积注意力机制模块包括通道注意力单元以及空间注意力单元,所述通道注意力单元的输入作为卷积注意力机制模块的输入,所述通道注意力单元的输出数据与其输入数据求取第一克罗内克积,并将第一克罗内克积作为空间注意力单元的输入。所述空间注意力单元的输出数据与其输入数据求取第二克罗内克积,并将第二克罗内克积作为卷积注意力机制模块的输出。所述上下文特征提取模块包括第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元以及Concat层。所述第一卷积单元的输入作为上下文特征提取模块的输入,所述第一卷积单元的输出分别作为第二卷积单元的输入以及第三卷积单元的输入,所述第二卷积单元的输出作为第四卷积单元的输入,所述第三卷积单元的输出以及第四卷积单元的输出共同作为Concat层的输入,所述Concat层的输出作为上下文特征提取模块的输出。
其中,Concat层的作用为:将两个及以上的特征图按照在通道上进行拼接。
卷积注意力机制可以使得自编码器故障诊断模型关注故障特征的关键区域,而忽略次要区域,主要分为通道和空间注意力机制。卷积注意力机制未能兼顾全局范围内故障特征之间的关联性,为了减小模型参数和计算量,引入上下文特征提取模块。
在本实施例中,采用训练样本数据对光伏运行状态解析模型进行优化,获取具备光伏运行状态识别能力的光伏运行状态解析模型,包括:
初始化训练参数,所述训练参数包括种群规模M、最大训练次数iter、超参数上限向量以及超参数下限向量。
根据超参数上限向量以及超参数下限向量,采用混沌映射策略随机生成2M个超参数个体。
在本实施例中,采用混沌映射策略随机生成超参数个体,可以使超参数个体在解空间中分布更加均匀,然后搭配螺旋状的搜搜方式,能够尽可能的探索解空间,更有利于搜索到全局最优值,从而使训练效果更加。值得说明的是,除了采用混沌映射策略生成超参数个体之外,还可以以超参数上限向量以及超参数下限向量为限制,在每一维超参数的上下限之间随机生成参数,从而可以获取超参数个体。
根据训练样本数据,获取每个超参数个体的适应度值,并将2M个超参数个体按照适应度值从大到小的顺序排序,并取出前M个超参数个体作为第一目标个体,将剩余的后M个超参数个体作为第二目标个体。
建立第一目标个体与第二目标个体之间的关联关系,所述关联关系为每个第二目标个体唯一跟随一个第一目标个体。
以第一目标个体作为参考,以第二目标个体进行跟随,并采用螺旋搜索策略对第二目标个体进行更新,能够有效地解空间进行探索,相比与传统的启发式算法以及梯度下降法,不容易陷入局部最优值中。
判断第一目标个体的数量是否小于M,若是,则获取第一目标个体在本轮训练中的数量M',保持前M'个第二目标个体的关联关系不变,令第M'个之后的第二目标个体跟随第M'个第一目标个体,以更新第一目标个体与第二目标个体之间的关联关系,否则保持第一目标个体与第二目标个体之间的关联关系不变。
通过将第一目标个体的数量设置可变的,能够随着算法的进行,在后期提高局部搜索的能力,提升精细搜索的能力,从而使训练效果更佳。
根据第一目标个体与第二目标个体之间的关联关系以及第二目标个体,采用螺旋搜索策略对第二目标个体进行更新,得到更新后的第二目标个体。
采用信息融合策略以及贪心算法对更新后的第二目标个体进行二次更新,得到二次更新后的第二目标个体。
为了进一步地提升全局探索的能力,本实施例采用信息融合的方式对第二目标个体进行二次更新,能够有效地利用个体之间的信息,实现更多区域的探索。
判断当前训练次数是否等于或者大于最大训练次数iter,若是,则从二次更新后的第二目标个体以及第一目标个体中取出适应度值最大的个体,得到光伏运行状态解析模型的最终超参数,即得到具备光伏运行状态识别能力的光伏运行状态解析模型,否则更新第一目标个体的目标数量M”,并以第一目标个体的目标数量M”为基础,在二次更新后的第二目标个体以及第一目标个体中取出适应度值最大的M”个目标个体对第一目标个体进行更新,得到更新后的第一目标个体,并返回第一目标个体数量的判断步骤。
为了保证种群的向优性,每次更新之后可以才第一目标个体以及第二目标个体中重新选取第一目标个体,从而可以保存较优的个体,再使第二目标个体围绕第一目标个体进行螺旋搜索,能够以有效的实现解空间的探索以及加快收敛速度。
在本实施例中,根据训练样本数据,获取每个超参数个体的适应度值,包括:
将超参数个体应用至光伏运行状态解析模型中,并以训练样本数据中的历史光伏运行数据作为光伏运行状态解析模型的输入数据,获取光伏运行状态解析模型的实际输出数据。
以训练样本数据中历史光伏运行数据对应的故障编码构建光伏运行状态解析模型的期望输出数据,并根据期望输出数据以及实际输出数据获取光伏运行状态解析模型的误差函数值。
根据误差函数值,获取适应度值为1/(误差函数值+A),A表示常数。
遍历所有超参数个体,得到每个超参数个体的适应度值。
可选的,误差函数值可以通过交叉熵损失函数、均方根误差函数或者其他误差函数获取。
在本实施例中,根据第一目标个体与第二目标个体之间的关联关系以及第二目标个体,采用螺旋搜索策略对第二目标个体进行更新,得到更新后的第二目标个体为:
X2i'=D2i*ebr*cos(2πr)+X2ig
其中,i=1,2,…,M,D2i表示第i个第二目标个体X2i与其跟随的第一目标个体之间的欧式距离,X2ig表示第i个第二目标个体X2i跟随的第一目标个体,e表示自然常数,b表示控制系数,且b设置为常数,r表示[-1,1]之间的随机数,π表示圆周率。
在本实施例中,采用信息融合策略以及贪心算法对更新后的第二目标个体进行二次更新,得到二次更新后的第二目标个体,包括:
获取更新后的第二目标个体的适应度值,并从更新后的第二目标个体中取出适应度值前三的最优个体、第一次优个体以及第二次优个体。
根据最优个体、第一次优个体以及第二次优个体,获取融合个体中每一位超参数为:
其中,表示融合个体中第d维超参数,d=1,2,…,damx,damx表示光伏运行状态解析模型的超参数总数,G1d表示最优个体中第d维超参数,f(G1)表示最优个体G1的适应度值,G2d表示第一次优个体中第d维超参数,f(G2)表示第一次优个体G2的适应度值,G3d表示第二次优个体中第d维超参数,f(G3)表示第二次优个体G3的适应度值。
从更新后的第二目标个体中取出适应度值最小的个体,得到最劣个体。
判断融合个体的适应度值是否大于最劣个体的适应度值,若是,则采用融合个体替换最劣个体,其他第二目标个体不变,得到二次更新后的第二目标个体,否则不对最列个体进行更新,直接将更新后的第二目标个体作为二次更新后的第二目标个体。
值得说明的是,除了对最劣个体进行更新之外,还可以采用适应度值排序中第四至第六的个体对适应度值倒数第二的个体进行更新,采用适应度值排序中第七至第八的个体对适应度值倒数第二的个体进行更新,依次类推,从而实现信息融合。
在本实施例中,更新第一目标个体的目标数量M”为:
其中,round表示取整函数,M表示种群规模,t表示当前训练次数,tmax表示最大训练次数。
实施例2
如图2所示,本发明提供一种光伏运行系统,包括数据获取模块201、训练模块202、解析模块203以及运行控制模块204。
所述数据获取模块201,用于获取历史光伏运行数据以及历史光伏运行数据对应的故障编码,得到用于机器学习的训练样本数据。
所述训练模块202,用于基于注意力机制、上下文提取机制以及深度学习策略,构建光伏运行状态解析模型,并采用训练样本数据对光伏运行状态解析模型进行优化,获取具备光伏运行状态识别能力的光伏运行状态解析模型。
所述解析模块203,用于获取实时光伏运行数据,并采用具备光伏运行状态识别能力的光伏运行状态解析模型对实时光伏运行数据进行识别,得到光伏运行状态解析结果。
所述运行控制模块204,用于根据所述光伏运行状态解析结果,执行预先设定的与光伏运行状态解析结果所对应的目标控制策略,完成光伏运行流程。
本实施例提供的一种光伏运行系统能够执行实施例1所述的方法技术方案,其原理及有益效果类似,此处不再进行赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种光伏运行方法,其特征在于,包括:
获取历史光伏运行数据以及历史光伏运行数据对应的故障编码,得到用于机器学习的训练样本数据;
基于注意力机制、上下文提取机制以及深度学习策略,构建光伏运行状态解析模型,并采用训练样本数据对光伏运行状态解析模型进行优化,获取具备光伏运行状态识别能力的光伏运行状态解析模型;
获取实时光伏运行数据,并采用具备光伏运行状态识别能力的光伏运行状态解析模型对实时光伏运行数据进行识别,得到光伏运行状态解析结果;
根据所述光伏运行状态解析结果,执行预先设定的与光伏运行状态解析结果所对应的目标控制策略,完成光伏运行流程。
2.根据权利要求1所述的光伏运行方法,其特征在于,所述历史光伏运行数据至少包括多个连续时间点上的辐照度、组件温度、组件电压以及组件电流。
3.根据权利要求1所述的光伏运行方法,其特征在于,基于注意力机制、上下文提取机制以及深度学习策略,构建光伏运行状态解析模型,包括:
构建顺次连接的输入层、第一卷积层、第一池化层、卷积注意力机制模块、第二卷积层、第二池化层、上下文特征提取模块以及Softmax输出层。
4.根据权利要求3所述的光伏运行方法,其特征在于,所述卷积注意力机制模块包括通道注意力单元以及空间注意力单元,所述通道注意力单元的输入作为卷积注意力机制模块的输入,所述通道注意力单元的输出数据与其输入数据求取第一克罗内克积,并将第一克罗内克积作为空间注意力单元的输入;所述空间注意力单元的输出数据与其输入数据求取第二克罗内克积,并将第二克罗内克积作为卷积注意力机制模块的输出;
所述上下文特征提取模块包括第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元以及Concat层;所述第一卷积单元的输入作为上下文特征提取模块的输入,所述第一卷积单元的输出分别作为第二卷积单元的输入以及第三卷积单元的输入,所述第二卷积单元的输出作为第四卷积单元的输入,所述第三卷积单元的输出以及第四卷积单元的输出共同作为Concat层的输入,所述Concat层的输出作为上下文特征提取模块的输出。
5.根据权利要求4所述的光伏运行方法,其特征在于,采用训练样本数据对光伏运行状态解析模型进行优化,获取具备光伏运行状态识别能力的光伏运行状态解析模型,包括:
初始化训练参数,所述训练参数包括种群规模M、最大训练次数iter、超参数上限向量以及超参数下限向量;
根据超参数上限向量以及超参数下限向量,采用混沌映射策略随机生成2M个超参数个体;
根据训练样本数据,获取每个超参数个体的适应度值,并将2M个超参数个体按照适应度值从大到小的顺序排序,并取出前M个超参数个体作为第一目标个体,将剩余的后M个超参数个体作为第二目标个体;
建立第一目标个体与第二目标个体之间的关联关系,所述关联关系为每个第二目标个体唯一跟随一个第一目标个体;
判断第一目标个体的数量是否小于M,若是,则获取第一目标个体在本轮训练中的数量M',保持前M'个第二目标个体的关联关系不变,令第M'个之后的第二目标个体跟随第M'个第一目标个体,以更新第一目标个体与第二目标个体之间的关联关系,否则保持第一目标个体与第二目标个体之间的关联关系不变;
根据第一目标个体与第二目标个体之间的关联关系以及第二目标个体,采用螺旋搜索策略对第二目标个体进行更新,得到更新后的第二目标个体;
采用信息融合策略以及贪心算法对更新后的第二目标个体进行二次更新,得到二次更新后的第二目标个体;
判断当前训练次数是否等于或者大于最大训练次数iter,若是,则从二次更新后的第二目标个体以及第一目标个体中取出适应度值最大的个体,得到光伏运行状态解析模型的最终超参数,即得到具备光伏运行状态识别能力的光伏运行状态解析模型,否则更新第一目标个体的目标数量M”,并以第一目标个体的目标数量M”为基础,在二次更新后的第二目标个体以及第一目标个体中取出适应度值最大的M”个目标个体对第一目标个体进行更新,得到更新后的第一目标个体,并返回第一目标个体数量的判断步骤。
6.根据权利要求5所述的光伏运行方法,其特征在于,根据训练样本数据,获取每个超参数个体的适应度值,包括:
将超参数个体应用至光伏运行状态解析模型中,并以训练样本数据中的历史光伏运行数据作为光伏运行状态解析模型的输入数据,获取光伏运行状态解析模型的实际输出数据;
以训练样本数据中历史光伏运行数据对应的故障编码构建光伏运行状态解析模型的期望输出数据,并根据期望输出数据以及实际输出数据获取光伏运行状态解析模型的误差函数值;
根据误差函数值,获取适应度值为1/(误差函数值+A),A表示常数;
遍历所有超参数个体,得到每个超参数个体的适应度值。
7.根据权利要求5所述的光伏运行方法,其特征在于,根据第一目标个体与第二目标个体之间的关联关系以及第二目标个体,采用螺旋搜索策略对第二目标个体进行更新,得到更新后的第二目标个体为:
X2i'=D2i*ebr*cos(2πr)+X2ig
其中,i=1,2,…,M,D2i表示第i个第二目标个体X2i与其跟随的第一目标个体之间的欧式距离,X2ig表示第i个第二目标个体X2i跟随的第一目标个体,e表示自然常数,b表示控制系数,且b设置为常数,r表示[-1,1]之间的随机数,π表示圆周率。
8.根据权利要求7所述的光伏运行方法,其特征在于,采用信息融合策略以及贪心算法对更新后的第二目标个体进行二次更新,得到二次更新后的第二目标个体,包括:
获取更新后的第二目标个体的适应度值,并从更新后的第二目标个体中取出适应度值前三的最优个体、第一次优个体以及第二次优个体;
根据最优个体、第一次优个体以及第二次优个体,获取融合个体中每一位超参数为:
其中,表示融合个体中第d维超参数,d=1,2,…,damx,damx表示光伏运行状态解析模型的超参数总数,G1d表示最优个体中第d维超参数,f(G1)表示最优个体G1的适应度值,G2d表示第一次优个体中第d维超参数,f(G2)表示第一次优个体G2的适应度值,G3d表示第二次优个体中第d维超参数,f(G3)表示第二次优个体G3的适应度值;
从更新后的第二目标个体中取出适应度值最小的个体,得到最劣个体;
判断融合个体的适应度值是否大于最劣个体的适应度值,若是,则采用融合个体替换最劣个体,其他第二目标个体不变,得到二次更新后的第二目标个体,否则不对最列个体进行更新,直接将更新后的第二目标个体作为二次更新后的第二目标个体。
9.根据权利要求8所述的光伏运行方法,其特征在于,更新第一目标个体的目标数量M”为:
其中,round表示取整函数,M表示种群规模,t表示当前训练次数,tmax表示最大训练次数。
10.一种光伏运行系统,其特征在于,包括数据获取模块、训练模块、解析模块以及运行控制模块;
所述数据获取模块,用于获取历史光伏运行数据以及历史光伏运行数据对应的故障编码,得到用于机器学习的训练样本数据;
所述训练模块,用于基于注意力机制、上下文提取机制以及深度学习策略,构建光伏运行状态解析模型,并采用训练样本数据对光伏运行状态解析模型进行优化,获取具备光伏运行状态识别能力的光伏运行状态解析模型;
所述解析模块,用于获取实时光伏运行数据,并采用具备光伏运行状态识别能力的光伏运行状态解析模型对实时光伏运行数据进行识别,得到光伏运行状态解析结果;
所述运行控制模块,用于根据所述光伏运行状态解析结果,执行预先设定的与光伏运行状态解析结果所对应的目标控制策略,完成光伏运行流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311607828.9A CN117764223A (zh) | 2023-11-28 | 2023-11-28 | 一种光伏运行方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311607828.9A CN117764223A (zh) | 2023-11-28 | 2023-11-28 | 一种光伏运行方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117764223A true CN117764223A (zh) | 2024-03-26 |
Family
ID=90313744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311607828.9A Pending CN117764223A (zh) | 2023-11-28 | 2023-11-28 | 一种光伏运行方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764223A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574221A (zh) * | 2015-01-30 | 2015-04-29 | 华北电力大学(保定) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 |
KR102306208B1 (ko) * | 2021-06-03 | 2021-09-29 | 박길호 | 안전 진단 기술이 적용된 태양광 발전 시스템 및 방법 |
CN113496210A (zh) * | 2021-06-21 | 2021-10-12 | 西安理工大学 | 基于注意力机制的光伏组串跟踪及故障跟踪方法 |
CN114169386A (zh) * | 2021-10-12 | 2022-03-11 | 上海电机学院 | 基于神经网络的轴承故障检测方法 |
CN115480486A (zh) * | 2022-09-21 | 2022-12-16 | 华能通辽风力发电有限公司 | 一种集中式光伏电站运维方法及装置 |
CN116522326A (zh) * | 2023-04-10 | 2023-08-01 | 广西电网有限责任公司电力科学研究院 | 一种适用于电网信息攻击检测的数据增强模型及方法 |
CN117094746A (zh) * | 2023-09-07 | 2023-11-21 | 国网北京市电力公司 | 一种虚拟发电厂优化方法、装置、设备及介质 |
-
2023
- 2023-11-28 CN CN202311607828.9A patent/CN117764223A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574221A (zh) * | 2015-01-30 | 2015-04-29 | 华北电力大学(保定) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 |
KR102306208B1 (ko) * | 2021-06-03 | 2021-09-29 | 박길호 | 안전 진단 기술이 적용된 태양광 발전 시스템 및 방법 |
CN113496210A (zh) * | 2021-06-21 | 2021-10-12 | 西安理工大学 | 基于注意力机制的光伏组串跟踪及故障跟踪方法 |
CN114169386A (zh) * | 2021-10-12 | 2022-03-11 | 上海电机学院 | 基于神经网络的轴承故障检测方法 |
CN115480486A (zh) * | 2022-09-21 | 2022-12-16 | 华能通辽风力发电有限公司 | 一种集中式光伏电站运维方法及装置 |
CN116522326A (zh) * | 2023-04-10 | 2023-08-01 | 广西电网有限责任公司电力科学研究院 | 一种适用于电网信息攻击检测的数据增强模型及方法 |
CN117094746A (zh) * | 2023-09-07 | 2023-11-21 | 国网北京市电力公司 | 一种虚拟发电厂优化方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
王景丹等: "基于纵横维度的光伏阵列群体类比状态评估方法研究", 电力系统保护与控制, vol. 44, no. 11, 1 June 2016 (2016-06-01), pages 97 - 103 * |
韩慧慧等: "编码―解码结构的语义分割", 中国图象图形学报, vol. 25, no. 2, 29 February 2020 (2020-02-29), pages 255 - 266 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN114330097A (zh) | 一种异构数据与深度学习的风电集群功率预测方法及设备 | |
CN102129511B (zh) | 一种基于matlab的风电场短期风速预测系统 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN111832812A (zh) | 一种基于深度学习的风电功率短期预测方法 | |
EP3640869A1 (en) | Method for predicting an energy demand, data processing system and renewable power plant with a storage | |
CN108921347B (zh) | 一种风电变流器故障预测方法 | |
CN115481791A (zh) | 一种水风光发电功率联合预测方法、装置和设备 | |
CN111709244A (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
CN114037194B (zh) | 基于机器学习的水电厂发电负荷预测系统及方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
Wang et al. | Randomization-based neural networks for image-based wind turbine fault diagnosis | |
CN117764223A (zh) | 一种光伏运行方法及系统 | |
US20240146057A1 (en) | Multi-energy integrated short-term load forecasting method and system | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN115496153A (zh) | 多头自注意力的深度卷积嵌入聚类风光荷联合场景方法 | |
CN114841266A (zh) | 一种小样本下基于三元组原型网络的电压暂降识别方法 | |
CN115021269A (zh) | 基于数据驱动的两阶段最优潮流求解方法 | |
CN112633565A (zh) | 一种光伏功率集合区间预测方法 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
CN113487077B (zh) | 一种基于集成学习的可再生能源发电功率区间预测方法 | |
CN110942256B (zh) | 新能源厂站涉网端实时交互过程异常检测方法及系统 |
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 |