一种基于图神经网络的定日镜跟踪角度调节系统及误差预测装置

本技术涉及定日镜调节，具体地涉及一种基于图神经网络的定日镜跟踪角度调节系统及误差预测装置。

背景技术：

1、定日镜是塔式太阳能热发电系统的核心聚光设备，通过跟踪太阳并将太阳光反射至集热器实现能量汇聚。传统的定日镜跟踪控制主要采用视日运动轨迹跟踪方法，即利用太阳运行规律、定日镜地理位置及与集热器的相对位置关系，计算定日镜的目标角度并控制执行机构运动。此外，也有方案采用开环与闭环结合的控制方式，开环粗略计算调整定日镜位置，闭环校正以消除累积误差。

2、近年来，随着人工智能技术的发展，已有研究尝试将神经网络应用于定日镜姿态控制。例如，中国专利cn114353346a公开了一种塔式太阳能定日镜场姿态矫正系统，该方案采用plc控制器，并加入高度角控制器和方位角控制器，利用神经网络方法计算高度角和方位角的控制律，对定日镜方位和高度进行调整。

3、然而，上述现有技术方案中，基于视日运动轨迹跟踪的开环控制方式受机械加工精度和执行机构等因素影响，存在累积误差，需定期校正；闭环控制方式虽精度较高，但多云或阴雨天时感光元件无法接收太阳光，易导致跟踪失效。现有基于神经网络的方案虽然引入了数据驱动方法，但仍主要聚焦于单一定日镜设备的独立建模，未考虑相邻定日镜之间因空间物理位置贴近而存在的相似性环境关联效应。这种脱离空间拓扑结构的独立建模方式，在面对因机械加工精度和执行机构等因素产生累积误差的开环控制场景时，由于无法有效提取邻域先验信息对误差进行预测和补偿，导致系统在面对缺乏充分历史数据支撑的全新设备时产生严重的预测偏差。

技术实现思路

1、有鉴于此，本技术提供一种基于图神经网络的定日镜跟踪角度调节系统及误差预测装置，旨在解决现有技术中定日镜跟踪控制因独立建模而忽略空间协同关系、导致冷启动设备预测精度差的技术问题。

2、第一方面，本技术实施例提供了一种基于图神经网络的定日镜跟踪角度调节系统，包括：

3、构图模块，用于获取各定日镜gps坐标信息，构建定日镜k近邻图；

4、映射模块，用于获取定日镜的校准样本特征数据，映射至高维潜在空间，得到高维投影特征；

5、融合模块，用于建立各定日镜设备固有嵌入表示，获取动态环境聚合表示，融合生成初始节点特征数字矩阵；

6、图卷积模块，用于将节点特征矩阵结合所述k近邻图输入图卷积网络，通过消息传播聚合局部邻域节点特征；

7、聚合模块，用于对图卷积网络各层输出的多尺度特征进行融合处理，输出图聚合节点特征；

8、预测模块，用于将图聚合节点特征与高维投影特征拼接后进行回归计算，输出定日镜的校准误差预测值，用于调节控制参数。

9、在一种可能的实现方式中，所述构图模块中，获取各个定日镜的gps坐标信息，基于k近邻算法构建定日镜k近邻图，具体包括：

10、利用最大最小值法对gps坐标信息进行归一化处理，基于归一化后的坐标计算各定日镜之间的欧氏距离，选取每个定日镜距离最近的k个定日镜作为其邻居节点构建k近邻图；

11、按以下公式计算各条边的边缘权重，以对k近邻图的边缘权重进行重构：

12、，其中，表示第i个定日镜与第j个定日镜之间重构后的边缘权重，表示归一化坐标之间的欧氏距离，为自适应带宽参数，取所有相邻边距离的中位数。

13、在一种可能的实现方式中，所述映射模块中，获取定日镜的校准样本特征数据，映射至高维潜在空间，得到高维投影特征，具体包括：

14、获取包括太阳高度角、太阳方位角、双轴电机位置以及外部气象特征的多源异构特征作为所述校准样本特征数据；

15、通过线性变换与层归一化的组合操作及非线性激活函数将上述多源异构特征映射至高维潜在空间。

16、在一种可能的实现方式中，所述融合模块中，为各定日镜建立设备固有嵌入表示，并获取动态环境聚合表示，二者融合生成初始的节点特征数字矩阵，具体包括：

17、为各定日镜建立独有的设备固有嵌入表示，并通过汇总历史环境特征得到动态环境聚合表示；

18、将固有嵌入表示与环境聚合表示进行加权融合，生成初始的节点特征数字矩阵。

19、在一种可能的实现方式中，所述将固有嵌入表示与环境聚合表示进行加权融合，生成初始的节点特征数字矩阵，具体包括：

20、利用门控机制动态计算所述固有嵌入表示与所述环境聚合表示之间的特征融合权重；

21、根据所述融合权重，对所述固有嵌入表示与所述环境聚合表示进行加权融合，生成初始的节点特征数字矩阵。

22、在一种可能的实现方式中，所述利用门控机制动态计算所述固有嵌入表示与所述环境聚合表示之间的特征融合权重，具体包括：

23、将每个定日镜的固有嵌入向量与环境聚合向量拼接后输入门控网络，计算门控权重向量：

24、，式中，和为可学习参数，表示向量拼接操作。

25、在一种可能的实现方式中，所述根据所述融合权重对所述固有嵌入表示与所述环境聚合表示进行加权融合，生成初始的节点特征数字矩阵，具体包括：

26、根据所述门控权重向量对固有嵌入向量与环境聚合向量进行逐元素加权融合，生成初始的节点特征数字矩阵：

27、，其中，表示逐元素乘法。

28、在一种可能的实现方式中，所述图卷积模块中，将节点特征矩阵结合所述k近邻图输入图卷积网络，通过消息传播聚合局部邻域节点特征；具体包括：

29、对k近邻图进行图结构对称化处理与自环操作，并对邻接矩阵进行对称归一化；

30、将归一化后的邻接矩阵与当前层节点特征矩阵相乘，经线性变换及relu激活函数处理后得到下一层节点特征，实现空间聚合与特征变换；

31、重复上述传播过程以逐层学习局部邻域节点的数据特征信息。

32、在一种可能的实现方式中，所述聚合模块中，对图卷积网络各层输出的多尺度特征进行融合处理，输出图聚合节点特征，具体包括：

33、对图卷积网络各层输出的多尺度特征进行平均池化融合处理，并采用残差连接将平均融合后的数字特征与初始节点特征相加，输出图聚合节点特征。

34、在一种可能的实现方式中，所述预测模块中，将图聚合节点特征与高维投影特征拼接后输入预测控制网络执行回归计算，输出定日镜的校准误差预测值，用于驱动定日镜进行角度补偿调节，具体包括：

35、将图聚合节点特征与高维投影特征进行拼接，输入至由多层感知机构成的预测控制网络中，经多层非线性变换后回归输出定日镜在纬度、经度及高度三个空间方向上的校准误差预测值；

36、将所述校准误差预测值发送至定日镜的双轴驱动机构，驱动双轴电机在纬度、经度及高度三个方向上进行角度补偿调节。

37、第二方面，本技术实施例提供了一种基于图神经网络的定日镜跟踪角度调节误差预测装置，包括：

38、处理器；

39、存储器；

40、以及计算机程序，其中所述计算机程序被存储在所述存储器中，所述计算机程序包括指令，当所述指令被所述处理器执行时，使得所述误差预测装置实现第一方面定日镜跟踪角度调节系统各个模块的功能，以执行以下步骤：

41、获取各定日镜gps坐标，基于k近邻算法构建定日镜k近邻图；

42、获取定日镜校准样本特征数据并映射至高维潜在空间，得到高维投影特征；

43、建立各定日镜设备固有嵌入表示并获取动态环境聚合表示，二者融合生成初始节点特征矩阵；

44、将节点特征矩阵结合所述k近邻图输入图卷积网络，通过消息传播聚合局部邻域节点特征；

45、对图卷积网络各层输出的多尺度特征进行融合处理，输出图聚合节点特征；

46、将图聚合节点特征与高维投影特征拼接后输入预测控制网络执行回归计算，输出定日镜校准误差预测值，用于驱动定日镜进行角度补偿调节，以调节控制参数。

47、第三方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行第一方面中任意一项所述的系统各个模块的功能。

48、在本技术实施例中，通过构建定日镜k近邻图，将镜场中空间位置相邻的定日镜建立拓扑关联，利用图卷积网络的消息传播机制使各定日镜节点能够聚合局部邻域节点的数据特征信息，从而实现对相邻定日镜之间因空间物理位置贴近而存在的相似性环境关联效应的有效建模。在此基础上，通过门控机制动态融合设备固有嵌入表示与动态环境聚合表示，使模型能够自适应地平衡设备静态属性与外部环境因素；通过残差聚合模块对多尺度图卷积特征进行融合并保留设备自身先验信息。上述方案有效解决了现有技术因将各定日镜作为独立个体进行建模、忽略镜间空间协同关系，导致面对缺乏历史运行数据的新设备时无法有效提取邻域先验信息而产生严重预测偏差的技术问题，显著提升了冷启动设备的跟踪误差预测精度和系统鲁棒性。