CN117874510A - 光伏设备清洁策略确定方法、装置和电子设备 - Google Patents
光伏设备清洁策略确定方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117874510A CN117874510A CN202311616043.8A CN202311616043A CN117874510A CN 117874510 A CN117874510 A CN 117874510A CN 202311616043 A CN202311616043 A CN 202311616043A CN 117874510 A CN117874510 A CN 117874510A
- Authority
- CN
- China
- Prior art keywords
- solar
- photovoltaic
- index prediction
- photoelectric conversion
- conversion efficiency
- 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 391
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000000694 effects Effects 0.000 claims abstract description 193
- 238000006243 chemical reaction Methods 0.000 claims abstract description 188
- 238000010248 power generation Methods 0.000 claims abstract description 155
- 238000012549 training Methods 0.000 claims description 63
- 230000015654 memory Effects 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000005855 radiation Effects 0.000 claims description 20
- 238000005286 illumination Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000001556 precipitation Methods 0.000 claims description 16
- 238000009825 accumulation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 5
- 239000000428 dust Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011086 high cleaning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种光伏设备清洁策略确定方法、装置和电子设备,属于数据处理技术领域。方法包括:接收边缘设备发送的光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;将所有的预测日气象数据分别输入至自然清洁效果指数预测模型和光电转换效能指数预测模型,得到多个自然清洁效果指数预测结果以及多个光电转换效能指数预测结果;发送多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果至边缘设备。本发明解决传统清洁策略均属于被动式清洁,导致出现清洁后发电效率提升不理想及清洁成本较高的缺陷。
Description
技术领域
本发明涉及数据处理技术领域,具体地涉及一种光伏设备清洁策略确定方法、一种光伏设备清洁策略确定装置和一种电子设备。
背景技术
对于长时间运行的光伏设备来说,光伏面板积尘对发电效率影响巨大。光伏面板表面的灰尘具有反射、散射和吸收太阳辐射的作用,可降低太阳的透过率,造成光伏面板接收到的太阳辐射减少,输出功率也随之减小。此外,因为灰尘吸收太阳辐射可使光伏面板升温,并且灰尘中含有一些腐蚀性的化学成分,这也使其光电转换效率降低。
目前光伏电站的主要光伏面板清洁策略采用定期清洁与临时清洁相结合方式。即每年春季4-5月、秋季8-9月,进行两次集中清洁;特殊天气,比如在冬季降雪较大时或局地沙尘暴对发电量影响较大时,组织施工人员或设备对影响发电的光伏面板进行针对性的临时光伏板清洁。
以上传统清洁策略均属于被动式清洁,导致出现清洁后发电效率提升不理想及清洁成本较高等问题。
发明内容
本发明实施例的目的是提供一种光伏设备清洁策略确定方法、装置和电子设备,用以解决传统清洁策略均属于被动式清洁,导致出现清洁后发电效率提升不理想及清洁成本较高的缺陷。
为了实现上述目的,本发明实施例提供一种光伏设备清洁策略确定方法,应用于服务器,包括:
接收边缘设备发送的光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;
将所有的预测日气象数据分别输入至自然清洁效果指数预测模型和光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的多个自然清洁效果指数预测结果,以及所述光电转换效能指数预测模型输出的多个光电转换效能指数预测结果;
发送所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果至所述边缘设备,以使边缘设备确定光伏设备清洁策略;
其中,自然清洁效果指数预测模型的模型输出端与所述光电转换效能指数预测模型的模型输入端连接;所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的。
可选的,所述自然清洁效果指数预测模型包括级联的第一循环神经网络层和第一注意力机制层;所述光电转换效能指数预测模型包括级联的第二循环神经网络层和第二注意力机制层;所述第一注意力机制层的输出端与第二循环神经网络层的输入端连接。
可选的,所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型是通过以下步骤训练得到:
重复执行如下步骤,直至总误差不变或训练次数达到设定迭代次数:
将第一历史日气象数据输入分别输入至所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的自然清洁效果指数训练预测值,以及得到所述光电转换效能指数预测模型输出的光电转换效能指数训练预测值;
基于自然清洁效果指数训练预测值和所述第一历史日气象数据对应的自然清洁效果指数标签计算第一误差;其中,自然清洁效果指数标签基于相邻两日的第一比值的差值计算得到;所述第一比值表征光伏设备日发电功率与未积灰光伏设备的日发电功率的比值;
基于光电转换效能指数训练预测值和所述第一历史日气象数据对应的光电转换效能指数标签计算第二误差;其中,光电转换效能指数标签基于光伏设备日发电功率与未积灰光伏设备的日发电功率的比值得到;
基于所述第一误差和所述第二误差,计算总误差;
通过神经网络优化方法对所述总误差进行优化,以使所述总误差降低。
可选的,所述历史日气象数据包括太阳辐射强度、光照时长、风速、风向、湿度、温度、降水量、降雪量以及空气质量中的至少一种数据;所述预测日气象数据包括太阳辐射强度、光照时长、风速、风向、湿度、温度、降水量、降雪量以及空气质量中的至少一种数据。
本发明实施例还提供一种光伏设备清洁策略确定方法,应用于边缘设备,包括:
采集光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;
发送所述多个历史日气象数据、所述多个预测日气象数据、所述多个光伏设备日发电功率以及所述未积灰光伏设备的多个日发电功率至服务器;
接收所述服务器发送的多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果;所述多个自然清洁效果指数预测结果是所述服务器通过自然清洁效果指数预测模型对所有的所述预测日气象数据预测得到的;所述多个光电转换效能指数预测结果是所述服务器通过光电转换效能指数预测模型对所有的所述预测日气象数据预测得到的;所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的;
基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略。
可选的,所述基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略,包括:
通过线性规划方法基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定未来设定时间内光伏设备每日的清洁推荐指数;
其中,在所述清洁推荐指数大于或等于设定阈值的情况下,则表征推荐清洁。
可选的,所述通过线性规划方法基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定未来设定时间内光伏设备每日的清洁推荐指数,包括:
基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果确定目标函数和约束条件;所述目标函数表征连续自然日的自然清洁效果最弱、连续自然日的光电转换效能最差、连续自然日区间内的光伏面板导致的生产停滞发电能量损失最小,以及连续自然日区间内可完成清洁的光伏面板的面积最大;
确定所述约束条件所表示的可行域;
在所述可行域内求所述目标函数的最优解和最优值,基于所述最优解和所述最优值确定未来设定时间内光伏设备每日的清洁推荐指数。
另一方面,本发明实施例还提供一种光伏设备清洁策略确定装置,包括:
第一接收模块,用于接收边缘设备发送的光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;
模型预测模块,用于将所有的预测日气象数据分别输入至自然清洁效果指数预测模型和光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的多个自然清洁效果指数预测结果,以及所述光电转换效能指数预测模型输出的多个光电转换效能指数预测结果;
第一发送模块,用于发送所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果至所述边缘设备,以使边缘设备确定光伏设备清洁策略;
其中,自然清洁效果指数预测模型的模型输出端与所述光电转换效能指数预测模型的模型输入端连接;所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的。
另一方面,本发明实施例还提供一种光伏设备清洁策略确定装置,包括:
数据采集模块,用于采集光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;
第二发送模块,用于发送所述多个历史日气象数据、所述多个预测日气象数据、所述多个光伏设备日发电功率以及所述未积灰光伏设备的多个日发电功率至服务器;
第二接收模块,用于接收所述服务器发送的多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果;所述多个自然清洁效果指数预测结果是所述服务器通过自然清洁效果指数预测模型对所有的所述预测日气象数据预测得到的;所述多个光电转换效能指数预测结果是所述服务器通过光电转换效能指数预测模型对所有的所述预测日气象数据预测得到的;所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的;
清洁策略确定模块,用于基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略。
另一方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器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程序时实现上述光伏设备清洁策略确定方法。
另一方面,本发明还提供一种机器可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述光伏设备清洁策略确定方法。
通过上述技术方案,通过训练好的自然清洁效果指数预测模型输出自然清洁效果指数预测结果,通过训练好的光电转换效能指数预测结果输出光电转换效能指数预测结果,以及将自然清洁效果指数预测结果和光电转换效能指数预测结果回传至边缘设备,本发明实现对光伏设备未来设定时间内光伏面板的自然清洁效果指数及光电转换效能指数的计算,便于边缘设备基于机器学习方法得到的自然清洁效果指数预测结果和光电转换效能指数预测结果进行清洁决策,实现降低清洁成本的同时,提升光伏设备的发电效率。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明提供的光伏设备清洁策略确定方法的流程示意图之一;
图2是本发明提供的自然清洁效果指数预测模型和光电转换效能指数预测模型的结构示意图;
图3是本发明提供的自然清洁效果指数预测模型和光电转换效能指数预测模型进行模型预测的流程示意图;
图4是本发明提供的自然清洁效果指数预测模型和光电转换效能指数预测模型进行模型训练的流程示意图;
图5是本发明提供的光伏设备清洁策略确定方法的流程示意图之二;
图6是本发明提供的通过线性规划方法得到未来设定时间内光伏设备每日的清洁推荐指数的示意图;
图7是本发明提供的光伏设备清洁策略确定装置的结构示意图之一;
图8是本发明提供的光伏设备清洁策略确定装置的结构示意图之二;
图9是本发明提供的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
方法实施例
请参照图1,本发明实施例提供一种光伏设备清洁策略确定方法,应用于服务器,包括:
步骤101、接收边缘设备发送的光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率。
服务器可基于LoRa无线通信技术的光伏电站数据采集传输系统实现数据的高效传输功能,以实现接收边缘设备发送的光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率。该光伏电站数据采集传输系统由LoRa终端节点设备(传感器)、LoRa网关和LoRaWAN服务器三部分组成,混合使用AES和RSA两种加密算法,实现数据的安全高效传输,最后通过4G/5G基站,将数据传递存储至服务器中。
其中,光伏设备所在地在过去设定时间内的多个历史日气象数据可以是光伏设备的现场气象观测装置采集的光伏设备所处地理环境在过去5年的多个历史日气象数据。所述历史日气象数据包括太阳辐射强度(W/m2)、光照时长(h)、风速(m/s)、风向、湿度(%)、温度(℃)、降水量(mm)、降雪量(mm)以及空气质量(PM10,μg/m3)中的至少一种数据。为了综合考虑气象因素,提高模型预测准确性,在一个实施例中,历史日气象数据包括太阳辐射强度(W/m2)、光照时长(h)、风速(m/s)、风向、湿度(%)、温度(℃)、降水量(mm)、降雪量(mm)以及空气质量(PM10,μg/m3)。例如在某天的历史日气象数据是太阳辐射强度550W/m2,光照时长3.67h,风速1.8m/s,风向3.2,湿度34%,温度26℃,降水量1.2mm,降雪量0mm,空气质量PM10,26μg/m3。其中,对于非指数型指数(风向)可转换为数值结果,具体对应方式为:东向=1,南向=2,西向=3,北向=4,东南向=5,东北向=6,西南向=7,西北向=8。
在未来设定时间内的多个预测日气象数据可以是光伏设备的现场气象观测装置采集的光伏设备所处地理环境在未来30天的多个预测日气象数据。所述预测日气象数据包括太阳辐射强度(W/m2)、光照时长(h)、风速(m/s)、风向、湿度(%)、温度(℃)、降水量(mm)、降雪量(mm)以及空气质量(PM10,μg/m3)中的至少一种数据。为了综合考虑气象因素,提高模型预测准确性,预测日气象数据包括太阳辐射强度(W/m2)、光照时长(h)、风速(m/s)、风向、湿度(%)、温度(℃)、降水量(mm)、降雪量(mm)以及空气质量(PM10,μg/m3)。
光伏设备日发电功率可通过边缘设备的数据采集模块,对过去5年的光伏设备监测系统的发电数据进行采集,获取日实际平均发电功率P【日期,日发电功率,单位】(比如【20230501,1140000,千瓦】),并根据光伏设备实际部署的光伏面板面积S,计算每平米光伏面板的光伏设备日发电功率p=P/S千瓦。
未积灰光伏设备的多个日发电功率可利用预先部署的一台由参考无积灰光伏电池及配套传感器组成环境采集装置,获取同等自然环境下,无积灰光伏设备的光伏面板的发电功率P',并根据参考光伏面板的面积S',计算每平米参考光伏面板的未积灰光伏设备的日发电功率p'=P'/S'千瓦。
步骤102、将所有的预测日气象数据分别输入至自然清洁效果指数预测模型和光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的多个自然清洁效果指数预测结果,以及所述光电转换效能指数预测模型输出的多个光电转换效能指数预测结果。
服务器将未来30天的所有预测日气象数据分别输入至自然清洁效果指数预测模型和光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的未来30天的自然清洁效果指数预测结果,以及所述光电转换效能指数预测模型输出的未来30天的光电转换效能指数预测结果。其中,自然清洁效果指数预测结果表示自然情况下环境对光伏设备的清洁作用,该自然清洁效果指数预测结果的数值越小,说明自然情况下环境对光伏设备的清洁越弱,即此时光伏设备所在地天气出现下雨、刮风或下雪等情况越少。在自然清洁效果指数预测结果较低时,由于自然情况下环境对光伏设备的清洁弱,此时适合对光伏设备进行清洁。光电转换效能指数预测结果表示光伏设备将太阳光转换成电的效能,该光电转换效能指数预测结果越小,说明此时光伏设备所在地天气的太阳辐射强度较低或光照时长少。在光电转换效能指数预测结果较低时,由于太阳辐射强度较低或光照时长少,清洁光伏设备的光伏面板导致的生产停滞发电能量损失最小,此时适合对光伏设备进行清洁。
其中,自然清洁效果指数预测模型的模型输出端与光电转换效能指数预测模型的模型输入端连接,所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的。本发明实施例将历史日气象数据作为样本数据,自然清洁效果指数预测模型以当前日的光伏设备日发电功率和未积灰光伏设备的日发电功率比值P/P',与前一日的光伏设备日发电功率和未积灰光伏设备的日发电功率比值Pt-1/P't-1,二者之差P/P'-Pt-1/P't-1作为模型训练标签数据,即自然清洁效果指数。本发明实施例将历史日气象数据作为样本数据,以光伏发电设备及参考设备日实际平均发电功率比值P/P'作为模型训练标签数据,即光电转换效能指数。
需要说明的是,自然清洁效果指数预测模型和光电转换效能指数预测模型可使用神经网络模型,例如可以是长短期记忆(LSTM,Long Short-Term Memory)神经网络模型。
步骤103、发送所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果至所述边缘设备,以使边缘设备确定光伏设备清洁策略。
服务器可基于加密算法,通过4G/5G基站将服务器上生成的多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果回传至电站边缘侧设备中,并在设备进行数据包校验及解密存储,以实现发送所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果至所述边缘设备,以使边缘设备基于多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果确定在未来设定时间内光伏设备清洁策略。
例如边缘设备基于多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果,选择自然清洁效果最弱、光电转换效能最差、清洁光伏设备的光伏面板导致的生产停滞发电能量损失最小,以及可完成清洁的光伏面板的面积最大的时间范围内进行清洁。其中,通过选择自然清洁效果最弱的时间范围内进行清洁,有利于选择出风力小、降雨少、降雪少的自然清洁效果最弱时进行清洁,从而避免在自然清洁效果较强时仍然进行清洁,导致浪费清洁资源和提高清洁成本。通过选择光电转换效能最差的时间范围内进行清洁,有利于选择出太阳光照最弱时进行清洁,从而避免在太阳光照较强时仍然进行清洁,导致清洁光伏设备的光伏面板导致的生产停滞的发电能量损失较大。通过选择可完成清洁的光伏面板的面积最大的时间范围内进行清洁,提高光伏面板的清洁面积从而提高光伏设备的发电效率。从而本发明实现降低清洁成本的同时,提升光伏设备的发电效率。
通过训练好的自然清洁效果指数预测模型输出自然清洁效果指数预测结果,通过训练好的光电转换效能指数预测结果输出光电转换效能指数预测结果,以及将自然清洁效果指数预测结果和光电转换效能指数预测结果回传至边缘设备,本发明实现对光伏设备未来设定时间内光伏面板的自然清洁效果指数及光电转换效能指数的计算,便于边缘设备基于机器学习方法得到的自然清洁效果指数预测结果和光电转换效能指数预测结果进行清洁决策,实现降低清洁成本的同时,提升光伏设备的发电效率。
在本发明实施例的其他方面,请参照图2和图3,所述自然清洁效果指数预测模型包括级联的第一循环神经网络层和第一注意力机制层,所述光电转换效能指数预测模型包括级联的第二循环神经网络层和第二注意力机制层;所述第一注意力机制层的输出端与第二循环神经网络层的输入端连接。具体的,在一个实施例中,第一循环神经网络层和第二循环神经网络层均可采用两个长短期记忆神经网络模型进行堆叠组合。长短期记忆神经网络模型参数可设置如下:步长参数表示预测值与多少历史数据有关,为了在模型的实验中使用较好的步长,采用2000个样本数据,选取步长10作为模型的步长。模型神经元个数设置为300,模型学习率为0.0006,dropout层定义为0.99的损失比。
本发明通过采用递归神经网络中的长短期记忆神经网络模型与注意力机制层相结合,提高了预测多目标数值的稳定性和正确率。同时将两个长短期记忆神经网络模型进行堆叠组合,将前一个自然清洁效果指数预测模型的输出作为下一个光电转换效能指数预测模型的输入,从而在同一模型中同时预测两个或多个关联值,满足基于天气影响光伏设备发电效果的预测需求。
在本发明实施例的其他方面,请参照图4,所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型是通过以下步骤训练得到:
重复执行如下步骤,直至总误差不变或训练次数达到设定迭代次数:
步骤10、将第一历史日气象数据输入分别输入至所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的自然清洁效果指数训练预测值,以及得到所述光电转换效能指数预测模型输出的光电转换效能指数训练预测值。
其中,第一历史日气象数据为多个历史日气象数据中的任意一个。在训练开始时,服务器将历史日气象数据通过输入层同时进入自然清洁效果指数预测模型和光电转换效能指数预测模型(两个分支),这两个分支分别预测得到自然清洁效果指数训练预测值和光电转换效能指数训练预测值,模型在预测得到自然清洁效果指数训练预测值T后将其作为预测的光电转换效能指数训练预测值的输入参数,以此产生多值关联预测。
本发明实施例可设置每轮训练数量为500个,训练次数为100次,建立长短期记忆神经网络模型接收输入,激活函数为relu函数,加入注意力机制层,为其分配权重,最后的输出变成了注入注意力机制层的加权求和自然清洁指数值,得到自然清洁效果指数训练预测值和光电转换效能指数训练预测值。
步骤20、基于自然清洁效果指数训练预测值和所述第一历史日气象数据对应的自然清洁效果指数标签计算第一误差;其中,自然清洁效果指数标签基于相邻两日的第一比值的差值计算得到;所述第一比值表征光伏设备日发电功率与未积灰光伏设备的日发电功率的比值。
具体的,第一误差M可采用均方误差(mean absolute error,MSE)作为训练阶段计算训练偏差程度的评价指标,因MSE是参数的估计值与参数的真值之差的平方的期望值,能更好地反应模型对数据的拟合情况,其值用字母E表示,计算公式如下:
其中,E(yi,yi’)表示均方误差,yi表示自然清洁效果指数标签(参数真实值),yi’表示自然清洁效果指数训练预测值(参数估计值)。E值越小代表训练结果越可靠。
步骤30、基于光电转换效能指数训练预测值和所述第一历史日气象数据对应的光电转换效能指数标签计算第二误差;其中,光电转换效能指数标签基于光伏设备日发电功率与未积灰光伏设备的日发电功率的比值。
具体的,第二误差R可采用均方误差(mean absolute error,MSE)作为训练阶段计算训练偏差程度的评价指标,因MSE是参数的估计值与参数的真值之差的平方的期望值,能更好地反应模型对数据的拟合情况,其值用字母E表示,计算公式如下:
其中,E(yi,yi’)表示均方误差,yi表示光电转换效能指数标签(参数真实值),yi’表示光电转换效能指数训练预测值(参数估计值)。E值越小代表训练结果越可靠。
步骤40、基于所述第一误差和所述第二误差,计算总误差。
训练阶段的目标是获取最小的总误差,总误差的计算公式如下:
误差计算采用总误差Ltotle作为模型预测结果的评估,Li表示子误差值,即本发明实施例根据第一误差和第二误差两个误差值相加得到总误差Ltotle。
步骤50、通过神经网络优化方法对所述总误差进行优化,以使所述总误差降低。
例如服务器可利用Adam算法对总误差之进行优化,将总误差值降低,如果总误差值没有变化或者当达到训练迭代次数时,算法结束。
本发明通过采用递归神经网络中的长短期记忆神经网络模型与注意力机制层相结合构建自然清洁效果指数预测模型和光电转换效能指数预测模型,提高了预测多目标数值的稳定性和正确率。再基于每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率进行训练,实现预测在未来设定时间内的多个预测日气象数据对应的自然清洁效果指数预测结果和光电转换效能指数预测结果,为边缘设备基于机器学习方法得到的自然清洁效果指数预测结果和光电转换效能指数预测结果进行清洁决策打下基础。
请参照图5,本发明实施例还提供一种光伏设备清洁策略确定方法,应用于边缘设备,包括:
步骤201、采集光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率。
边缘设备可定时的利用光伏设备边缘侧气象信息监测采集装置,获取过去5年光伏设备周边的实时气象数据,历史日气象数据包括:太阳辐射强度、光照时长(日利用小时)、风速、风向、湿度、温度、降水量(日)、降雪量(日)、空气质量PM10。并将数据以以下格式存储在边缘侧设备内置存储介质中:【日期,指标,指标值,单位】(比如【20230501,14:00:00,太阳辐射强度,800,W/m2】,【20230501,光照时长,3.9,h】,【202305018:30:00,风速,2.1,m/s】,【20230501,风向,东南,NULL】,【2023050115:00:00,湿度,0.55,%】,【2023050114:00:00,温度,29,℃】,【20230501,降水量,11,mm】,【20230506,降雪量,2,mm】,【2023050114:00:00,空气质量PM10,31,μg/m3】)。需要说明的是,非数值型指数(风向)可转换为数值结果,具体对应方式为:东向=1,南向=2,西向=3,北向=4,东南向=5,东北向=6,西南向=7,西北向=8。边缘设备将实时监测类数据(太阳辐射强度、风速、风向、温度、湿度、空气质量PM10)通过加权平均方式计算同一天内的日平均值。日平均值具体参见如下公式:
其中x为实时监测数值,n为当日的监测数据记录条数,f为权重值,这里权重值取f=1。
通过计算后,历史日气象数据可实现如下标准化数据格式【日期,当日平均太阳辐射强度、当日平均光照时长(利用小时)、当日平均风速、当日风向数值、当日平均湿度、当日平均温度、降水量(日)、降雪量(日)、当日平均空气质量PM10】(比如【20230411,550,3.67,1.8,3.2,34,26,1.2,0,26】)同样,预测日气象数据也可参见历史日气象数据的形式。
光伏设备日发电功率可通过边缘设备的数据采集模块,对过去5年的光伏设备监测系统的发电数据进行采集,获取日实际平均发电功率P【日期,日发电功率,单位】(比如【20230501,1140000,千瓦】),并根据光伏设备实际部署的光伏面板面积S,计算每平米光伏面板的光伏设备日发电功率p=P/S千瓦。
未积灰光伏设备的多个日发电功率可利用预先部署的一台由参考无积灰光伏电池及配套传感器组成环境采集装置,获取同等自然环境下,无积灰光伏设备的光伏面板的发电功率P',并根据参考光伏面板的面积S',计算每平米参考光伏面板的未积灰光伏设备的日发电功率p'=P'/S'千瓦。
步骤202、发送所述多个历史日气象数据、所述多个预测日气象数据、所述多个光伏设备日发电功率以及所述未积灰光伏设备的多个日发电功率至服务器。
边缘设备可基于LoRa无线通信技术的光伏电站数据采集传输系统实现数据的高效传输功能,发送所述多个历史日气象数据、所述多个预测日气象数据、所述多个光伏设备日发电功率以及所述未积灰光伏设备的多个日发电功率至服务器。
步骤203、接收所述服务器发送的多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果。
边缘设备可基于LoRa无线通信技术的光伏电站数据采集传输系统实现数据的高效传输功能,接收所述服务器发送的多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果。所述多个自然清洁效果指数预测结果是所述服务器通过自然清洁效果指数预测模型对所有的所述预测日气象数据预测得到的;所述多个光电转换效能指数预测结果是所述服务器通过光电转换效能指数预测模型对所有的所述预测日气象数据预测得到的。自然清洁效果指数预测模型和光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的。自然清洁效果指数预测模型和光电转换效能指数预测模型的模型结构具体可参见上述应用于服务器的光伏设备清洁策略确定方法的相关描述,在此不赘述。
步骤204、基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略。
边缘设备可基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,选择自然清洁效果最弱、光电转换效能最差、清洁光伏设备的光伏面板导致的生产停滞发电能量损失最小,以及可完成清洁的光伏面板的面积最大的时间范围内进行清洁,以实现降低清洁成本的同时,提升光伏设备的发电效率。
本发明的边缘设备基于机器学习方法得到的自然清洁效果指数预测结果和光电转换效能指数预测结果进行清洁决策,实现降低清洁成本的同时,提升光伏设备的发电效率。
进一步的,步骤204、基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略,包括:通过线性规划方法基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定未来设定时间内光伏设备每日的清洁推荐指数;其中,在所述清洁推荐指数大于或等于设定阈值的情况下,则表征推荐清洁。
其中,通过线性规划方法基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定未来设定时间内光伏设备每日的清洁推荐指数,包括:
步骤2041、基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果确定目标函数和约束条件;所述目标函数表征连续自然日的自然清洁效果最弱、连续自然日的光电转换效能最差、连续自然日区间内的光伏面板导致的生产停滞发电能量损失最小,以及连续自然日区间内可完成清洁的光伏面板的面积最大。
边缘设备可通过交互式操作界面(例如显示屏、触控屏),让用户输入近期光伏设备的光伏面板历史清洁面积(D,单位平方米)、历史清洁时间(T,单位天),光伏设备当前光伏面板总面积(Dn,单位平方米)、以及光伏设备未来30天内的可清洁操作时间区间范围(C,D1、D2……Dx)。
在一个实施例中,目标函数包括:
未来30天内的某段连续自然日清洁效果指数变化量的累加值与连续自然天数Δd比值最小:
Min∑St=[i,j,..n](ΔF(自清洁效果指数)x)/Δd,其中x为[i,j,..n]中的日气象数据,Δd为x所属连续自然天数之和,例如连续自然天数为周一至周五,那么Δd=1+1+1+1+1=5,St=[i,j,..n]=连续自然日区间。
未来30天内的某段连续自然日光电转换指数变化量的累加值与连续自然天数Δd比值最小:
Min∑St=[i,j,..n](F(光电转换指数)x)/Δd,其中x为[i,j,..n]中的日气象数据及F(自清洁效果指数)x的输出结果,Δd为x所属连续自然天数之和,例如连续自然天数为周一至周四,那么Δd=1+1+1+1=4,St=[i,j,..n]=连续自然日区间。
在连续自然日内可清洗的光伏面积最大:
Max(D/T)*Δd,其中D为历史清洗面积,T为历史清洗时间,Δd为前两个条件下获取的连续自然天数的交集,例如在前一个连续自然日区间为周一至周五时,后一个连续自然日区间为周一至周四时,此时Δd为前两个条件下获取的连续自然天数的交集,即周一至周四,4天。
约束条件包括:
St<=[1,2,…30];
(D/T)*Δd<=Dn。
步骤2042、确定所述约束条件所表示的可行域。
步骤2043、在所述可行域内求所述目标函数的最优解和最优值,基于所述最优解和所述最优值确定未来设定时间内光伏设备每日的清洁推荐指数。
请参照图6,边缘设备确定所述约束条件所表示的可行域,在所述可行域内求所述目标函数的最优解和最优值,基于最优解和最优值生成如图6所示的可视化的线性规划预测分析及决策图。该决策图明确提供推荐的清洁工作时间区间。即,图6中红色线(即设定阈值)以上部分为合理的光伏设备的光伏面板清洁时间区间,红色线以下部分为不建议的高成本面板清洁工作时间区间。
边缘设备基于多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果,选择自然清洁效果最弱、光电转换效能最差、清洁光伏设备的光伏面板导致的生产停滞发电能量损失最小,以及可完成清洁的光伏面板的面积最大的时间范围内进行清洁。其中,通过选择自然清洁效果最弱的时间范围内进行清洁,有利于选择出风力小、降雨少、降雪少的自然清洁效果最弱时进行清洁,从而避免在自然清洁效果较强时仍然进行清洁,导致浪费清洁资源和提高清洁成本。通过选择光电转换效能最差的时间范围内进行清洁,有利于选择出太阳光照最弱时进行清洁,从而避免在太阳光照较强时仍然进行清洁,导致清洁光伏设备的光伏面板导致的生产停滞的发电能量损失较大。通过选择可完成清洁的光伏面板的面积最大的时间范围内进行清洁,提高光伏面板的清洁面积从而提高光伏设备的发电效率。从而本发明实现降低清洁成本的同时,提升光伏设备的发电效率。
综上,本发明通过使用一套基于云化部署的边缘设备及服务器,具体包括边缘设备、传输层及服务器。通过在边缘设备装备一台由参考(无积灰)光伏电池及配套传感器组成环境采集装置,同时获取当地历史日气象数据、预测日气象数据、光伏设备日发电功率以及未积灰光伏设备的多个日发电功率,并对数据进行标准化处理,通过物联网和无线通信技术将数据上传至服务器,借助服务器搭建的光伏设备监控数据中心,利用服务器提供的远端中间件、云计算资源,运用大数据分析技术与数据挖掘、机器学习算法,进行模型学习、分析、计算与参数优化,从而实现对光伏设备未来光伏面板的自然清洁效果指数及光电转换效能指数的计算,以及对光伏设备的光伏面板清洁策略的评估与预测;服务器将自然清洁效果指数及光电转换效能指数回传至边缘设备,由边缘设备完成实时结果分析计算,实现对光伏电站进行面板清洁进行决策指导,降低清洁成本的同时,提升光伏设备的光电转换效率。
装置实施例
请参照图7,另一方面,本发明实施例还提供一种光伏设备清洁策略确定装置,包括:
第一接收模块701,用于接收边缘设备发送的光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;
模型预测模块702,用于将所有的预测日气象数据分别输入至自然清洁效果指数预测模型和光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的多个自然清洁效果指数预测结果,以及所述光电转换效能指数预测模型输出的多个光电转换效能指数预测结果;
第一发送模块703,用于发送所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果至所述边缘设备,以使边缘设备确定光伏设备清洁策略;
其中,自然清洁效果指数预测模型的模型输出端与所述光电转换效能指数预测模型的模型输入端连接,所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的。
可选的,所述自然清洁效果指数预测模型包括级联的第一循环神经网络层和第一注意力机制层,所述光电转换效能指数预测模型包括级联的第二循环神经网络层和第二注意力机制层;所述第一注意力机制层的输出端与第二循环神经网络层的输入端连接。
可选的,所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型是通过以下步骤训练得到:
重复执行如下步骤,直至总误差不变或训练次数达到设定迭代次数:
将第一历史日气象数据输入分别输入至所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的自然清洁效果指数训练预测值,以及得到所述光电转换效能指数预测模型输出的光电转换效能指数训练预测值;
基于自然清洁效果指数训练预测值和所述第一历史日气象数据对应的自然清洁效果指数标签计算第一误差;其中,自然清洁效果指数标签基于相邻两日的第一比值的差值计算得到;所述第一比值表征光伏设备日发电功率与未积灰光伏设备的日发电功率的比值;
基于光电转换效能指数训练预测值和所述第一历史日气象数据对应的光电转换效能指数标签计算第二误差;其中,光电转换效能指数标签基于光伏设备日发电功率与未积灰光伏设备的日发电功率的比值得到;
基于所述第一误差和所述第二误差,计算总误差;
通过神经网络优化方法对所述总误差进行优化,以使所述总误差降低。
可选的,所述历史日气象数据包括太阳辐射强度、光照时长、风速、风向、湿度、温度、降水量、降雪量以及空气质量中的至少一种数据;所述预测日气象数据包括太阳辐射强度、光照时长、风速、风向、湿度、温度、降水量、降雪量以及空气质量中的至少一种数据。
所述光伏设备清洁策略确定装置包括处理器和存储器,上述第一接收模块701、模型预测模块702和第一发送模块703等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
另一方面,本发明实施例还提供一种光伏设备清洁策略确定装置,包括:
数据采集模块801,用于采集光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;
第二发送模块802,用于发送所述多个历史日气象数据、所述多个预测日气象数据、所述多个光伏设备日发电功率以及所述未积灰光伏设备的多个日发电功率至服务器;
第二接收模块803,用于接收所述服务器发送的多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果;所述多个自然清洁效果指数预测结果是所述服务器通过自然清洁效果指数预测模型对所有的所述预测日气象数据预测得到的;所述多个光电转换效能指数预测结果是所述服务器通过光电转换效能指数预测模型对所有的所述预测日气象数据预测得到的;所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的;
清洁策略确定模块804,用于基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略。
可选的,所述基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略,包括:
通过线性规划方法基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定未来设定时间内光伏设备每日的清洁推荐指数;
其中,在所述清洁推荐指数大于或等于设定阈值的情况下,则表征推荐清洁。
可选的,所述通过线性规划方法基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定未来设定时间内光伏设备每日的清洁推荐指数,包括:
基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果确定目标函数和约束条件;所述目标函数表征连续自然日的自然清洁效果最弱、连续自然日的光电转换效能最差、连续自然日区间内的光伏面板导致的生产停滞发电能量损失最小,以及连续自然日区间内可完成清洁的光伏面板的面积最大;
确定所述约束条件所表示的可行域;
在所述可行域内求所述目标函数的最优解和最优值,基于所述最优解和所述最优值确定未来设定时间内光伏设备每日的清洁推荐指数。
所述光伏设备清洁策略确定装置包括处理器和存储器,上述数据采集模块801、第二发送模块802、第二接收模块803和清洁策略确定模块804等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行光伏设备清洁策略确定方法,该方法包括:接收边缘设备发送的光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;将所有的预测日气象数据分别输入至自然清洁效果指数预测模型和光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的多个自然清洁效果指数预测结果,以及所述光电转换效能指数预测模型输出的多个光电转换效能指数预测结果;发送所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果至所述边缘设备,以使边缘设备确定光伏设备清洁策略;其中,自然清洁效果指数预测模型的模型输出端与所述光电转换效能指数预测模型的模型输入端连接,所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的。或者,
采集光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;发送所述多个历史日气象数据、所述多个预测日气象数据、所述多个光伏设备日发电功率以及所述未积灰光伏设备的多个日发电功率至服务器;接收所述服务器发送的多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果;所述多个自然清洁效果指数预测结果是所述服务器通过自然清洁效果指数预测模型对所有的所述预测日气象数据预测得到的;所述多个光电转换效能指数预测结果是所述服务器通过光电转换效能指数预测模型对所有的所述预测日气象数据预测得到的;所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的;基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明还提供一种机器可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行光伏设备清洁策略确定方法,该方法包括:接收边缘设备发送的光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;将所有的预测日气象数据分别输入至自然清洁效果指数预测模型和光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的多个自然清洁效果指数预测结果,以及所述光电转换效能指数预测模型输出的多个光电转换效能指数预测结果;发送所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果至所述边缘设备,以使边缘设备确定光伏设备清洁策略;其中,自然清洁效果指数预测模型的模型输出端与所述光电转换效能指数预测模型的模型输入端连接,所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的。或者,
采集光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;发送所述多个历史日气象数据、所述多个预测日气象数据、所述多个光伏设备日发电功率以及所述未积灰光伏设备的多个日发电功率至服务器;接收所述服务器发送的多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果;所述多个自然清洁效果指数预测结果是所述服务器通过自然清洁效果指数预测模型对所有的所述预测日气象数据预测得到的;所述多个光电转换效能指数预测结果是所述服务器通过光电转换效能指数预测模型对所有的所述预测日气象数据预测得到的;所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的;基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种光伏设备清洁策略确定方法,其特征在于,应用于服务器,包括:
接收边缘设备发送的光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;
将所有的预测日气象数据分别输入至自然清洁效果指数预测模型和光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的多个自然清洁效果指数预测结果,以及所述光电转换效能指数预测模型输出的多个光电转换效能指数预测结果;
发送所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果至所述边缘设备,以使边缘设备确定光伏设备清洁策略;
其中,自然清洁效果指数预测模型的模型输出端与所述光电转换效能指数预测模型的模型输入端连接;所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的。
2.根据权利要求1所述的光伏设备清洁策略确定方法,其特征在于,所述自然清洁效果指数预测模型包括级联的第一循环神经网络层和第一注意力机制层,所述光电转换效能指数预测模型包括级联的第二循环神经网络层和第二注意力机制层;所述第一注意力机制层的输出端与所述第二循环神经网络层的输入端连接。
3.根据权利要求1所述的光伏设备清洁策略确定方法,其特征在于,所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型是通过以下步骤训练得到:
重复执行如下步骤,直至总误差不变或训练次数达到设定迭代次数:
将第一历史日气象数据输入分别输入至所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的自然清洁效果指数训练预测值,以及得到所述光电转换效能指数预测模型输出的光电转换效能指数训练预测值;
基于所述自然清洁效果指数训练预测值和所述第一历史日气象数据对应的自然清洁效果指数标签计算第一误差;其中,所述自然清洁效果指数标签基于相邻两日的第一比值的差值计算得到;所述第一比值表征所述光伏设备日发电功率与所述未积灰光伏设备的日发电功率的比值;
基于所述光电转换效能指数训练预测值和所述第一历史日气象数据对应的光电转换效能指数标签计算第二误差;其中,所述光电转换效能指数标签基于所述光伏设备日发电功率与所述未积灰光伏设备的日发电功率的比值得到;
基于所述第一误差和所述第二误差,计算总误差;
通过神经网络优化方法对所述总误差进行优化,以使所述总误差降低。
4.根据权利要求1至3中任一项所述的光伏设备清洁策略确定方法,其特征在于,所述历史日气象数据包括太阳辐射强度、光照时长、风速、风向、湿度、温度、降水量、降雪量以及空气质量中的至少一种数据;所述预测日气象数据包括太阳辐射强度、光照时长、风速、风向、湿度、温度、降水量、降雪量以及空气质量中的至少一种数据。
5.一种光伏设备清洁策略确定方法,其特征在于,应用于边缘设备,包括:
采集光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;
发送所述多个历史日气象数据、所述多个预测日气象数据、所述多个光伏设备日发电功率以及所述未积灰光伏设备的多个日发电功率至服务器;
接收所述服务器发送的多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果;所述多个自然清洁效果指数预测结果是所述服务器通过自然清洁效果指数预测模型对所有的所述预测日气象数据预测得到的;所述多个光电转换效能指数预测结果是所述服务器通过光电转换效能指数预测模型对所有的所述预测日气象数据预测得到的;所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的;
基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略。
6.根据权利要求5所述的光伏设备清洁策略确定方法,其特征在于,所述基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略,包括:
通过线性规划方法基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定未来设定时间内光伏设备每日的清洁推荐指数;
其中,在所述清洁推荐指数大于或等于设定阈值的情况下,则表征推荐清洁。
7.根据权利要求6所述的光伏设备清洁策略确定方法,其特征在于,所述通过线性规划方法基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定未来设定时间内光伏设备每日的清洁推荐指数,包括:
基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果确定目标函数和约束条件;所述目标函数表征连续自然日的自然清洁效果最弱、连续自然日的光电转换效能最差、连续自然日区间内的光伏面板导致的生产停滞发电能量损失最小,以及连续自然日区间内可完成清洁的光伏面板的面积最大;
确定所述约束条件所表示的可行域;
在所述可行域内求所述目标函数的最优解和最优值,基于所述最优解和所述最优值确定未来设定时间内光伏设备每日的清洁推荐指数。
8.一种光伏设备清洁策略确定装置,其特征在于,包括:
第一接收模块,用于接收边缘设备发送的光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;
模型预测模块,用于将所有的预测日气象数据分别输入至自然清洁效果指数预测模型和光电转换效能指数预测模型,得到所述自然清洁效果指数预测模型输出的多个自然清洁效果指数预测结果,以及所述光电转换效能指数预测模型输出的多个光电转换效能指数预测结果;
第一发送模块,用于发送所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果至所述边缘设备,以使边缘设备确定光伏设备清洁策略;
其中,自然清洁效果指数预测模型的模型输出端与所述光电转换效能指数预测模型的模型输入端连接;所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的。
9.一种光伏设备清洁策略确定装置,其特征在于,包括:
数据采集模块,用于采集光伏设备所在地在过去设定时间内的多个历史日气象数据、在未来设定时间内的多个预测日气象数据、在过去设定时间内的多个光伏设备日发电功率以及未积灰光伏设备的多个日发电功率;
第二发送模块,用于发送所述多个历史日气象数据、所述多个预测日气象数据、所述多个光伏设备日发电功率以及所述未积灰光伏设备的多个日发电功率至服务器;
第二接收模块,用于接收所述服务器发送的多个自然清洁效果指数预测结果和多个光电转换效能指数预测结果;所述多个自然清洁效果指数预测结果是所述服务器通过自然清洁效果指数预测模型对所有的所述预测日气象数据预测得到的;所述多个光电转换效能指数预测结果是所述服务器通过光电转换效能指数预测模型对所有的所述预测日气象数据预测得到的;所述自然清洁效果指数预测模型和所述光电转换效能指数预测模型分别是通过每个历史日气象数据,以及每个历史日气象数据对应的光伏设备日发电功率和未积灰光伏设备的日发电功率训练得到的;
清洁策略确定模块,用于基于光伏设备的历史清洁面积、历史清洁时间、光伏设备的光伏面板总面积、未来设定时间内的可清洁操作时间范围、所述多个自然清洁效果指数预测结果和所述多个光电转换效能指数预测结果,确定在未来设定时间内的光伏设备清洁策略。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现权利要求1至4中任一项所述的光伏设备清洁策略确定方法,或者执行所述程序时实现权利要求5至7中任一项所述的光伏设备清洁策略确定方法。
11.一种机器可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行所述程序时实现权利要求1至4中任一项所述的光伏设备清洁策略确定方法,或者执行所述程序时实现权利要求5至7中任一项所述的光伏设备清洁策略确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616043.8A CN117874510A (zh) | 2023-11-29 | 2023-11-29 | 光伏设备清洁策略确定方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616043.8A CN117874510A (zh) | 2023-11-29 | 2023-11-29 | 光伏设备清洁策略确定方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117874510A true CN117874510A (zh) | 2024-04-12 |
Family
ID=90576263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311616043.8A Pending CN117874510A (zh) | 2023-11-29 | 2023-11-29 | 光伏设备清洁策略确定方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117874510A (zh) |
-
2023
- 2023-11-29 CN CN202311616043.8A patent/CN117874510A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmed et al. | A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization | |
Kim et al. | Daily prediction of solar power generation based on weather forecast information in Korea | |
Wan et al. | Photovoltaic and solar power forecasting for smart grid energy management | |
US10962576B2 (en) | Estimation of shading losses for photovoltaic systems from measured and modeled inputs | |
Pinson et al. | Regime-switching modelling of the fluctuations of offshore wind generation | |
US8725459B2 (en) | Irradiance mapping leveraging a distributed network of solar photovoltaic systems | |
Stefenon et al. | Photovoltaic power forecasting using wavelet Neuro-Fuzzy for active solar trackers | |
US10956629B2 (en) | Estimation of soiling losses for photovoltaic systems from measured and modeled inputs | |
CN110161860B (zh) | 一种光伏组件智能清扫策略的方法及控制系统 | |
KR102439722B1 (ko) | 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘 | |
Avesani et al. | Short-term hydropower optimization driven by innovative time-adapting econometric model | |
Tang et al. | Value of medium-range precipitation forecasts in inflow prediction and hydropower optimization | |
Suryono et al. | A fuzzy rule-based fog–cloud computing for solar panel disturbance investigation | |
Haghi et al. | Multivariate predictive analytics of wind power data for robust control of energy storage | |
Ioakimidis et al. | Solar production forecasting based on irradiance forecasting using artificial neural networks | |
CN110781458A (zh) | 一种基于混合回归模型预测地表太阳辐照度的方法 | |
Iyengar et al. | SolarCast: a cloud-based black box solar predictor for smart homes | |
Wang et al. | A novel wind power forecasting system integrating time series refining, nonlinear multi-objective optimized deep learning and linear error correction | |
CN111159640A (zh) | 适用于网格预报的小雨消空方法、消空系统、电子设备及存储介质 | |
CN112803491B (zh) | 一种耦合弃电风险的风光水多能互补短期优化调度方法 | |
Ren et al. | Prediction algorithm based on weather forecast for energy-harvesting wireless sensor networks | |
CN117874510A (zh) | 光伏设备清洁策略确定方法、装置和电子设备 | |
D'Andrea et al. | Neural network-based forecasting of energy consumption due to electric lighting in office buildings | |
Csáji et al. | Prediction and robust control of energy flow in renewable energy systems | |
Rashkovska et al. | Online short-term forecasting of photovoltaic energy production |
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 |