本申请涉及制氢领域，具体而言，涉及一种风光互补电解水制氢的转化效率的确定方法、确定装置、确定系统、计算机可读存储介质以及处理器。
背景技术：
在风光互补制氢的实际生产过程中，影响能量转化效率的多个因素很多，并且难以通过简单的公式来描述转化效率与其影响因素。
在目前的风电厂生产中，大多通过分析风电转换、光电转换以及电解水等能量转换过程来离线分析效率，这些方法不仅准确率低，还伴随有较大的延迟性，无法为工程人员针对电厂的实时运行情况进行相应的调整提供指导意见。
因此，亟需一种风光互补电解水制氢能量转化效率的在线软测量与能耗诊断方法及系统。
在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。
技术实现要素：
本申请的主要目的在于提供一种风光互补电解水制氢的转化效率的确定方法、确定装置、确定系统、计算机可读存储介质以及处理器，以解决现有技术中离线分析电解水能量转换效率延迟性大的问题。
根据本发明实施例的一个方面，提供了一种风光互补电解水制氢的转化效率的确定方法，包括：实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据；建立所述转化效率的神经网络模型；根据所述神经网络模型以及所述第一测试数据，确定所述转化效率。
可选地，在实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据之前，所述方法还包括：获取影响所述转化效率的多个因素的多个第一历史测试数据；根据多个所述第一历史测试数据，采用最大信息系数法，确定多个所述因素中的所述目标因素。
可选地，在获取影响所述转化效率的多个因素的多个第一历史测试数据之后，在根据多个所述第一历史测试数据，采用最大信息系数法，确定多个所述因素中的所述目标因素之前，所述方法包括：采用格拉布斯法确定多个所述第一历史测试数据中的异常数据，并去除所述异常数据；采用小波阈值降噪法对去除所述异常数据的多个所述第一历史测试数据进行处理，得到多个第一预定历史数据，根据多个所述第一历史测试数据，采用最大信息系数法，确定多个所述因素中的所述目标因素，包括：根据多个所述第一预定历史数据，采用最大信息系数法确定所述目标因素。
可选地，建立所述转化效率的神经网络模型，包括：获取多个所述第一预定历史数据对应的多个第二历史测试数据，所述第二历史测试数据为所述转化效率的历史数据；根据多个所述第一预定历史数据以及对应的多个所述第二历史测试数据，确定初始神经网络模型；确定所述初始神经网络模型的预测精度是否小于等于预定值；在确定所述初始神经网络模型的预测精度小于等于所述预定值的情况下，采用改进蝗虫优化算法对所述初始神经网络模型进行优化，直到优化后的所述初始神经网络模型的预测精度大于所述预定值，优化后的所述初始神经网络模型为所述神经网络模型。
可选地，在获取多个所述第一预定历史数据对应的多个第二历史测试数据之后，在确定初始神经网络模型之前，所述方法还包括：采用格拉布斯法确定多个所述第二历史测试数据中的异常数据，并去除所述异常数据；采用小波阈值降噪法对去除所述异常数据的多个所述第二历史测试数据进行处理，得到多个第二预定历史数据，根据多个所述第一预定历史数据以及对应的多个所述第二历史测试数据，确定初始神经网络模型，包括：根据多个所述第一预定历史数据以及对应的多个所述第二预定历史数据，确定所述初始神经网络模型。
可选地，所述初始神经网络模型为gru神经网络模型。
可选地，在根据所述神经网络模型以及所述第一测试数据，确定所述转化效率之后，所述方法还包括：采用dbscan算法对多个所述第二预定历史数据以及对应的多个所述第一预定历史数据进行处理，确定所述目标因素的基准值以及所述转化效率的基准值；根据所述目标因素的基准值、所述转化效率的基准值、所述第一测试数据以及所述神经网络模型，确定所述目标因素对所述转化效率的影响程度；根据所述影响程度，确定风光互补电解水制氢的损耗原因。
根据本发明实施例的另一方面，还提供了一种风光互补电解水制氢的转化效率的确定装置，包括第一获取单元、建立单元和第一确定单元，其中，所述第一获取单元用于实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据；所述建立单元用于建立所述转化效率的神经网络模型；所述第一确定单元用于根据所述神经网络模型以及所述第一测试数据，确定所述转化效率。
根据本发明实施例的另一方面，还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，所述程序执行任意一种所述的方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的方法。
根据本发明实施例的另一方面，还提供了一种风光互补电解水制氢的转化效率的确定系统，包括确定装置、数据库、终端以及服务端，其中，所述确定装置用于执行任一种所述的确定方法；所述数据库与所述确定装置通信连接，所述数据库用于给所述确定装置提供数据，并将所述确定装置生成的所述转化效率进行存储；所述终端用于发送请求，所述请求至少包括获取风光互补电解水制氢的转化效率的请求；所述服务端分别与所述终端以及所述数据库通信连接，所述服务端用于接收所述请求，根据所述请求从所述数据库中获取所述转化效率，并将所述转化效率发送至所述终端。
本申请的所述风光互补电解水制氢的转化效率的确定方法，首先，实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据，然后建立所述转化效率的神经网络模型；最后，根据所述神经网络模型以及所述第一测试数据，确定所述转化效率。所述方法中，通过将所述第一测试数据输入所述神经网络模型，可以实时且较为准确地确定风光互补电解水制氢的转化效率，这样有效地解决了现有技术中离线分析转化效率导致延迟性大的问题，方便了工作人员根据实时确定的所述转化效率，确定电厂的实时运行情况。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请的实施例的风光互补电解水制氢的转化效率的确定方法生成的流程示意图；
图2示出了根据本申请的实施例得到的转化效率与实测转化效率的对比结果图；
图3示出了根据本申请的实施例的风光互补电解水制氢的转化效率的确定装置的示意图；
图4示出了根据本申请的实施例的风光互补电解水制氢的转化效率的确定系统的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
正如背景技术中所说的，现有技术中的离线分析电解水能量转换效率延迟性大，为了解决上述问题，本申请的一种典型的实施方式中，提供了一种风光互补电解水制氢的转化效率的确定方法、确定装置、确定系统、计算机可读存储介质以及处理器。
根据本申请的实施例，提供了一种风光互补电解水制氢的转化效率的确定方法。
图1是根据本申请实施例的风光互补电解水制氢的转化效率的确定方法的流程图。如图1所示，该方法包括以下步骤：
步骤s101，实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据；
步骤s102，建立上述转化效率的神经网络模型；
步骤s103，根据上述神经网络模型以及上述第一测试数据，确定上述转化效率。
本申请的上述风光互补电解水制氢的转化效率的确定方法，首先，实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据，然后建立上述转化效率的神经网络模型；最后，根据上述神经网络模型以及上述第一测试数据，确定上述转化效率。上述方法中，通过将上述第一测试数据输入上述神经网络模型，可以实时且较为准确地确定风光互补电解水制氢的转化效率，这样有效地解决了现有技术中离线分析转化效率导致延迟性大的问题，方便了工作人员根据实时确定的上述转化效率，确定电厂的实时运行情况。
一种具体的实施例中，如图2所示，采用本申请的上述方法确定的转化效率曲线为上述预测值曲线，实测的转化效率曲线为上述实测值曲线，从图中可看出，采用本申请的上述方法确定的转化效率与实测的转化效率基本一致，准确性较高。
根据本申请的一种具体的实施例，在实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据之前，上述方法还包括：获取影响上述转化效率的多个因素的多个第一历史测试数据；根据多个上述第一历史测试数据，采用最大信息系数法，确定多个上述因素中的上述目标因素。上述方法，通过最大信息系数法，可以较为准确地从上述因素中确定对风光互补电解水制氢的转化效率影响较大的上述目标因素，进一步地保证了后续确定的上述转化效率较为准确，同时，从多个因素中提取目标因素，保证了上述方法的确定过程较为简单。
在实际的应用过程中，上述因素包括风速、光照强度、电极电流、氢气含氧量、直流微网损耗、电解液浓度、氢气含水量、蓄电池转化消耗、氢气残留、电解液温度、氢气压力和电极损耗，当然，上述因素还可以包括影响风光互补电解水制氢的转化效率的其他因素。通过最大信息系数法，确定多个上述因素中的上述目标因素包括风速、光照强度、电极电流、氢气含氧量、直流微网损耗、电解液浓度、氢气含水量、蓄电池转化消耗、电解液温和氢气压力。当然，本领域技术人员还可以采用现有技术中的其他算法来从上述因素中确定上述目标因素。
具体的一种实施例中，采用最大信息系数法确定上述目标因素的步骤如下：选择上述因素中任意的两个因素x、y，通过给定i、j，由x、y构成的散点图进行i列j行网格化，并求出最大的互信息值，然后对所求得的最大的互信息值进行归一化，最终选择不同尺度下互信息的最大值作为最大信息系数值。重复上述步骤，直到确定任意的两个上述因素的上述最大信息系数值，根据上述最大信息系数值，确定上述目标因素。
在实际的应用过程中，上述测试数据的收集往往采用传感器，由于传感器容易受到外界环境的变化、设备故障影响以及老化的影响，使得传感器采集到的数据往往出现偏离了正常水平的失真数据，这些失真数据被称作异常点，异常点的存在会极大地影响特征的提取以及上述转化效率的准确性，这种情况下，为了进一步地保证此种情况对确定的上述转化效率较为准确，本申请的另一种具体的实施例中，在获取影响上述转化效率的多个因素的多个第一历史测试数据之后，在根据多个上述第一历史测试数据，采用最大信息系数法，确定多个上述因素中的上述目标因素之前，上述方法包括：采用格拉布斯法确定多个上述第一历史测试数据中的异常数据，并去除上述异常数据；采用小波阈值降噪法对去除上述异常数据的多个上述第一历史测试数据进行处理，得到多个第一预定历史数据，根据多个上述第一历史测试数据，采用最大信息系数法，确定多个上述因素中的上述目标因素，包括：根据多个上述第一预定历史数据，采用最大信息系数法确定上述目标因素。上述方法，通过确定多个上述第一历史测试数据中的异常值，去除异常值后再降噪，缓解了由于环境变化以及设备老化等原因导致的采集的数据的准确性较低的问题，保证了得到的多个上述第一预定历史数据较为准确，进一步地保证了确定的上述目标因素较为准确，进而进一步地保证了后续确定的上述转化效率较为准确。
在实际的应用过程中，得到多个上述第一预定历史数据的步骤包括：针对多个上述第一历史测试数据，每邻近的15个第一历史测试数据作为一个单位，对每个单位中的数据进行从小到大的排序，通过对每个单位中的数据进行计算求得单位的平均值，并计算单位内数据的平均值x以及标准差δ，计算过程必须包含单位内的所有数据；通过计算平均值与最大值和最小值的差值可以求得偏离值，通过比较偏离值的大小，确定一个可疑值；计算gi＝(xi-x)/δ，其中i为可疑值的序号，如果gi值大于临界值gp(n)，则此值为异常值，予以剔除；采用小波变换阈值降噪法，消除因为环境变化以及设备老化而在数据中混叠的噪声。
在实际的应用过程中，一般通过传感器进行上述数据的采集，该数据量较大，并且，各种外界因素以及传感器的精度问题，因此，对收集到的每个上述数据进行分析处理，会导致工作量较大且容易存在误差，此时，在剔除异常值之后，在采用小波变换阈值降噪法之前，可以将采集到的时间相近的上述数据进行合并，看做是一条数据，这样可以极大的减少可能存在的误差，同时可以降低数据处理的工作量。
根据本申请的又一种具体的实施例，建立上述转化效率的神经网络模型，包括：获取多个上述第一预定历史数据对应的多个第二历史测试数据，上述第二历史测试数据为上述转化效率的历史数据；根据多个上述第一预定历史数据以及对应的多个上述第二历史测试数据，确定初始神经网络模型；确定上述初始神经网络模型的预测精度是否小于等于预定值；在确定上述初始神经网络模型的预测精度小于等于上述预定值的情况下，采用改进蝗虫优化算法对上述初始神经网络模型进行优化，直到优化后的上述初始神经网络模型的预测精度大于上述预定值，优化后的上述初始神经网络模型为上述神经网络模型。这样保证了建立的上述神经网络模型较为准确，进而进一步地保证了后续确定的上述转化效率的准确度较高。
本申请的一种具体的实施例中，对蝗虫优化算法进行改进，得到上述改进蝗虫优化算法的步骤包括：第一步，初始化蝗虫优化算法的参数，如种群规模，最大迭代次数，位置的变化范围等，并确定适应度函数；第二步，初始化第一代种群的位置：采用φn准则优化拉丁超立方体抽样方法，改善种群初始化过程，使之可以均匀分布在解空间；第三步，根据需要优化的问题，计算所有蝗虫个体的适应度的值，将适应度最好的个体位置记录并保存；第四步，利用混沌后的参数，更新每个蝗虫个体的位置，再结合差分进化思想添加变异算子，得到这一代个体更新后的最终位置；重复上述第三步以及上述第四步，不断更新所有个体的位置，并保存更新后的最优个体的位置，直至迭代结束。当然，对蝗虫优化算法进行改进，得到上述改进蝗虫优化算法的过程并不限于上述的过程，其还可以为现有技术中任意的改进过程。
根据本申请的另一种具体的实施例，采用改进蝗虫优化算法对上述初始神经网络模型进行优化的步骤包括：第一步，个体初始化：首先按随机方法初始化第一代种群的位置，也就是初始化(s，η)的参数组合；第二步，计算个体适应度：选择模型训练的输出值和实际值间的rmse(rootmeansquarederror，均方根误差)作为寻优的目标函数，即种群中每个个体的适应度。分别计算各个适应度，并选择最小值的个体作为最优个体，并记录与此对应的最优模型参数；第三步，更新最优个体位置：更新每个蝗虫个体位置，重新计算每个个体的适应度，并与其他所有个体比较。若产生新的适应度最好的个体，将该个体位置作为新的最优位置，并记录其对应的模型参数；第四步，重复上述第二步和上述第三步两个步骤，直至迭代结束，从最优个体位置得到模型的最优参数组合。
本申请的再一种具体的实施例种，在获取多个上述第一预定历史数据对应的多个第二历史测试数据之后，在确定初始神经网络模型之前，上述方法还包括：采用格拉布斯法确定多个上述第二历史测试数据中的异常数据，并去除上述异常数据；采用小波阈值降噪法对去除上述异常数据的多个上述第二历史测试数据进行处理，得到多个第二预定历史数据，根据多个上述第一预定历史数据以及对应的多个上述第二历史测试数据，确定初始神经网络模型，包括：根据多个上述第一预定历史数据以及对应的多个上述第二预定历史数据，确定上述初始神经网络模型。上述方法，通过确定多个上述第二历史测试数据中的异常值，去除异常值后再降噪，缓解了由于环境变化以及设备老化等原因导致的采集的数据的准确性较低的问题，保证了得到的多个上述第二预定历史数据较为准确，进一步地保证了建立的上述神经网络模型较为准确，进而进一步地保证了后续确定的上述转化效率较为准确。
为了进一步地保证上述神经网络模型的预测精度较好，进而进一步地保证得到较为准确的上述转化效率，在实际的应用过程中，上述初始神经网络模型为gru(gatedrecurrentunit，门控循环单元)神经网络模型。当然，上述初始神经网络模型还可以为其他类型的神经网络模型，比如bp(backpropagation，反向传播算法)神经网络模型和hopfield网络模型等。
上述gru神经网络模型属于门控rnns(recurrentneuralnetworks，循环神经网络)的一种，“门”是控制信息流通的一种机制，包含sigmoid函数和一个乘法操作。在实际的门控循环单元中，通过sigmoid函数，可以将数据变换为(0，1)范围内的数值输出，从而来充当门控信号。对于gru网络模型而言，初始权重的设定对于训练时间长短以及是否收敛有重要影响，同时对是否陷入局部最优有重要影响。权重矩阵的维数以及初始化的结果和输入层，隐含层以及输出层节点数有关。由于输入层和输出层的节点数分别为预测数据的输入和输出，而且隐含层节点数和权重学习率对预测结果精度有重要影响，因此选择隐含层节点数s和权重系数学习速率η作为待优化的参数。
根据本申请的再一种具体的实施例，在根据上述神经网络模型以及上述第一测试数据，确定上述转化效率之后，上述方法还包括：采用dbscan(density-basedspatialclusteringofapplicationswithnoise，聚类)算法对多个上述第二预定历史数据以及对应的多个上述第一预定历史数据进行处理，确定上述目标因素的基准值以及上述转化效率的基准值；根据上述目标因素的基准值、上述转化效率的基准值、上述第一测试数据以及上述神经网络模型，确定上述目标因素对上述转化效率的影响程度；根据上述影响程度，确定风光互补电解水制氢的损耗原因。这样可以较为准确地确定上述目标因素对上述转化效率的影响程度，从而较为准确地确定风光互补电解水制氢的损耗原因，这样可以有效地帮助工作人员有目的性地进行工艺优化。
具体的一种实施例中，在确定上述目标因素的基准值以及上述转化效率的基准值之后，在确定上述目标因素对上述转化效率的影响程度之前，上述方法还包括：对不同工作方式下的电解水制氢的上述目标因素的基准值进行曲线拟合，以及对不同工作方式下的电解水制氢的上述转化效率的基准值进行曲线拟合，得到全工况的上述目标因素的基准值以及全工况的上述转化效率的基准值。在处理大量数据信息时，通过曲线拟合可以得到平滑的曲线，从而找到变量之间的关系以及变化趋势，以得到基准值的曲线拟合的表达式，方便后续根据上述表达式确定基准值。
一种具体的实施例中，以计算电解液温度对应转化效率变化量为例，根据上述目标因素的基准值、上述转化效率的基准值、上述第一测试数据以及上述神经网络模型，确定上述目标因素对上述转化效率的影响程度，包括：转化效率基准值b0＝g(x1,x2,...,xn)，g(x1,x2,...,xn)为能量转化效率预测模型，xn为目标因素的基准值，电解液温度tz对应的转化效率变化量为：
在实际的应用过程中，可以将通过上述神经网络模型确定的上述转化效率与转化效率的基准值进行对比，将每个目标因素的上述第一测试数据与目标因数的基准值进行对比，结合上述影响程度，可以确定转化效率损耗的原因。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种风光互补电解水制氢的转化效率的确定装置，需要说明的是，本申请实施例的风光互补电解水制氢的转化效率的确定装置可以用于执行本申请实施例所提供的用于风光互补电解水制氢的转化效率的确定方法。以下对本申请实施例提供的风光互补电解水制氢的转化效率的确定装置进行介绍。
图3是根据本申请实施例的风光互补电解水制氢的转化效率的确定装置的示意图。如图3所示，该装置包括第一获取单元10、建立单元20和第一确定单元30，其中，上述第一获取单元10用于实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据；上述建立单元20用于建立上述转化效率的神经网络模型；上述第一确定单元30用于根据上述神经网络模型以及上述第一测试数据，确定上述转化效率。
本申请的上述风光互补电解水制氢的转化效率的确定装置，通过上述第一获取单元实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据，通过上述建立单元建立上述转化效率的神经网络模型；通过上述第一确定单元根据上述神经网络模型以及上述第一测试数据，确定上述转化效率。上述装置中，通过将上述第一测试数据输入上述神经网络模型，可以实时且较为准确地确定风光互补电解水制氢的转化效率，这样有效地解决了现有技术中离线分析转化效率导致延迟性大的问题，方便了工作人员根据实时确定的上述转化效率，确定电厂的实时运行情况。
一种具体的实施例中，如图2所示，采用本申请的上述方法确定的转化效率曲线为上述预测值曲线，实测的转化效率曲线为上述实测值曲线，从图中可看出，采用本申请的上述方法确定的转化效率与实测的转化效率基本一致，准确性较高。
根据本申请的一种具体的实施例，上述装置还包括第二获取单元和第二确定单元，其中，上述第二获取单元用于在实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据之前，获取影响上述转化效率的多个因素的多个第一历史测试数据；上述第二确定单元用于根据多个上述第一历史测试数据，采用最大信息系数法，确定多个上述因素中的上述目标因素。上述装置，通过最大信息系数法，可以较为准确地从上述因素中确定对风光互补电解水制氢的转化效率影响较大的上述目标因素，进一步地保证了后续确定的上述转化效率较为准确，同时，从多个因素中提取目标因素，保证了上述装置的确定过程较为简单。
在实际的应用过程中，上述因素包括风速、光照强度、电极电流、氢气含氧量、直流微网损耗、电解液浓度、氢气含水量、蓄电池转化消耗、氢气残留、电解液温度、氢气压力和电极损耗，当然，上述因素还可以包括影响风光互补电解水制氢的转化效率的其他因素。通过最大信息系数法，确定多个上述因素中的上述目标因素包括风速、光照强度、电极电流、氢气含氧量、直流微网损耗、电解液浓度、氢气含水量、蓄电池转化消耗、电解液温和氢气压力。当然，本领域技术人员还可以采用现有技术中的其他算法来从上述因素中确定上述目标因素。
具体的一种实施例中，采用最大信息系数法确定上述目标因素的步骤如下：选择上述因素中任意的两个因素x、y，通过给定i、j，由x、y构成的散点图进行i列j行网格化，并求出最大的互信息值，然后对所求得的最大的互信息值进行归一化，最终选择不同尺度下互信息的最大值作为最大信息系数值。重复上述步骤，直到确定任意的两个上述因素的上述最大信息系数值，根据上述最大信息系数值，确定上述目标因素。
在实际的应用过程中，上述测试数据的收集往往采用传感器，由于传感器容易受到外界环境的变化、设备故障影响以及老化的影响，使得传感器采集到的数据往往出现偏离了正常水平的失真数据，这些失真数据被称作异常点，异常点的存在会极大地影响特征的提取以及上述转化效率的准确性，这种情况下，为了进一步地保证此种情况对确定的上述转化效率较为准确，本申请的另一种具体的实施例中，上述装置包括第三确定单元和第一处理单元，其中，上述第三确定单元用于在获取影响上述转化效率的多个因素的多个第一历史测试数据之后，在根据多个上述第一历史测试数据，采用最大信息系数法，确定多个上述因素中的上述目标因素之前，采用格拉布斯法确定多个上述第一历史测试数据中的异常数据，并去除上述异常数据；上述第一处理单元用于采用小波阈值降噪法对去除上述异常数据的多个上述第一历史测试数据进行处理，得到多个第一预定历史数据，上述第二确定单元包括第一确定模块，上述第一确定模块用于根据多个上述第一预定历史数据，采用最大信息系数法确定上述目标因素。上述装置，通过确定多个上述第一历史测试数据中的异常值，去除异常值后再降噪，缓解了由于环境变化以及设备老化等原因导致的采集的数据的准确性较低的问题，保证了得到的多个上述第一预定历史数据较为准确，进一步地保证了确定的上述目标因素较为准确，进而进一步地保证了后续确定的上述转化效率较为准确。
在实际的应用过程中，得到多个上述第一预定历史数据的步骤包括：针对多个上述第一历史测试数据，每邻近的15个第一历史测试数据作为一个单位，对每个单位中的数据进行从小到大的排序，通过对每个单位中的数据进行计算求得单位的平均值，并计算单位内数据的平均值x以及标准差δ，计算过程必须包含单位内的所有数据；通过计算平均值与最大值和最小值的差值可以求得偏离值，通过比较偏离值的大小，确定一个可疑值；计算gi＝(xi-x)/δ，其中i为可疑值的序号，如果gi值大于临界值gp(n)，则此值为异常值，予以剔除；采用小波变换阈值降噪法，消除因为环境变化以及设备老化而在数据中混叠的噪声。
在实际的应用过程中，一般通过传感器进行上述数据的采集，该数据量较大，并且，各种外界因素以及传感器的精度问题，因此，对收集到的每个上述数据进行分析处理，会导致工作量较大且容易存在误差，此时，在剔除异常值之后，在采用小波变换阈值降噪法之前，可以将采集到的时间相近的上述数据进行合并，看做是一条数据，这样可以极大的减少可能存在的误差，同时可以降低数据处理的工作量。
根据本申请的又一种具体的实施例，上述建立单元包括获取模块、第二确定模块、第三确定模块和优化模块，其中，上述获取模块用于获取多个上述第一预定历史数据对应的多个第二历史测试数据，上述第二历史测试数据为上述转化效率的历史数据；上述第二确定模块用于根据多个上述第一预定历史数据以及对应的多个上述第二历史测试数据，确定初始神经网络模型；上述第三确定模块用于确定上述初始神经网络模型的预测精度是否小于等于预定值；上述优化模块用于在确定上述初始神经网络模型的预测精度小于等于上述预定值的情况下，采用改进蝗虫优化算法对上述初始神经网络模型进行优化，直到优化后的上述初始神经网络模型的预测精度大于上述预定值，优化后的上述初始神经网络模型为上述神经网络模型。这样保证了建立的上述神经网络模型较为准确，进而进一步地保证了后续确定的上述转化效率的准确度较高。
本申请的一种具体的实施例中，对蝗虫优化算法进行改进，得到上述改进蝗虫优化算法的步骤包括：第一步，初始化蝗虫优化算法的参数，如种群规模，最大迭代次数，位置的变化范围等，并确定适应度函数；第二步，初始化第一代种群的位置：采用φn准则优化拉丁超立方体抽样装置，改善种群初始化过程，使之可以均匀分布在解空间；第三步，根据需要优化的问题，计算所有蝗虫个体的适应度的值，将适应度最好的个体位置记录并保存；第四步，利用混沌后的参数，更新每个蝗虫个体的位置，再结合差分进化思想添加变异算子，得到这一代个体更新后的最终位置；重复上述第三步以及上述第四步，不断更新所有个体的位置，并保存更新后的最优个体的位置，直至迭代结束。当然，对蝗虫优化算法进行改进，得到上述改进蝗虫优化算法的过程并不限于上述的过程，其还可以为现有技术中任意的改进过程。
根据本申请的另一种具体的实施例，采用改进蝗虫优化算法对上述初始神经网络模型进行优化的步骤包括：第一步，个体初始化：首先按随机方法初始化第一代种群的位置，也就是初始化(s，η)的参数组合；第二步，计算个体适应度：选择模型训练的输出值和实际值间的rmse(rootmeansquarederror，均方根误差)作为寻优的目标函数，即种群中每个个体的适应度。分别计算各个适应度，并选择最小值的个体作为最优个体，并记录与此对应的最优模型参数；第三步，更新最优个体位置：更新每个蝗虫个体位置，重新计算每个个体的适应度，并与其他所有个体比较。若产生新的适应度最好的个体，将该个体位置作为新的最优位置，并记录其对应的模型参数；第四步，重复上述第二步和上述第三步两个步骤，直至迭代结束，从最优个体位置得到模型的最优参数组合。
本申请的再一种具体的实施例种，上述装置还包括第四确定单元和第二处理单元，其中，上述第四确定单元用于在获取多个上述第一预定历史数据对应的多个第二历史测试数据之后，在确定初始神经网络模型之前，采用格拉布斯法确定多个上述第二历史测试数据中的异常数据，并去除上述异常数据；上述第二处理单元用于采用小波阈值降噪法对去除上述异常数据的多个上述第二历史测试数据进行处理，得到多个第二预定历史数据，上述第二确定模块包括第一确定子模块，上述第一确定子模块用于根据多个上述第一预定历史数据以及对应的多个上述第二预定历史数据，确定上述初始神经网络模型。上述装置，通过确定多个上述第二历史测试数据中的异常值，去除异常值后再降噪，缓解了由于环境变化以及设备老化等原因导致的采集的数据的准确性较低的问题，保证了得到的多个上述第二预定历史数据较为准确，进一步地保证了建立的上述神经网络模型较为准确，进而进一步地保证了后续确定的上述转化效率较为准确。
为了进一步地保证上述神经网络模型的预测精度较好，进而进一步地保证得到较为准确的上述转化效率，在实际的应用过程中，上述初始神经网络模型为gru神经网络模型。当然，上述初始神经网络模型还可以为其他类型的神经网络模型，比如bp(backpropagation，反向传播算法)神经网络模型和hopfield网络模型等。
上述gru神经网络模型属于门控rnns(recurrentneuralnetworks，循环神经网络)的一种，“门”是控制信息流通的一种机制，包含sigmoid函数和一个乘法操作。在实际的门控循环单元中，通过sigmoid函数，可以将数据变换为(0，1)范围内的数值输出，从而来充当门控信号。对于gru网络模型而言，初始权重的设定对于训练时间长短以及是否收敛有重要影响，同时对是否陷入局部最优有重要影响。权重矩阵的维数以及初始化的结果和输入层，隐含层以及输出层节点数有关。由于输入层和输出层的节点数分别为预测数据的输入和输出，而且隐含层节点数和权重学习率对预测结果精度有重要影响，因此选择隐含层节点数s和权重系数学习速率η作为待优化的参数。
根据本申请的再一种具体的实施例，上述装置还包括第三处理单元、第五确定单元以及第六确定单元，其中，上述第三处理单元用于在根据上述神经网络模型以及上述第一测试数据，确定上述转化效率之后，采用dbscan算法对多个上述第二预定历史数据以及对应的多个上述第一预定历史数据进行处理，确定上述目标因素的基准值以及上述转化效率的基准值；上述第五确定单元用于根据上述目标因素的基准值、上述转化效率的基准值、上述第一测试数据以及上述神经网络模型，确定上述目标因素对上述转化效率的影响程度；上述第六确定单元用于根据上述影响程度，确定风光互补电解水制氢的损耗原因。这样可以较为准确地确定上述目标因素对上述转化效率的影响程度，从而较为准确地确定风光互补电解水制氢的损耗原因，这样可以有效地帮助工作人员有目的性地进行工艺优化。
具体的一种实施例中，上述装置还包括拟合单元，上述拟合单元用于在确定上述目标因素的基准值以及上述转化效率的基准值之后，在确定上述目标因素对上述转化效率的影响程度之前，对不同工作方式下的电解水制氢的上述目标因素的基准值进行曲线拟合，以及对不同工作方式下的电解水制氢的上述转化效率的基准值进行曲线拟合，得到全工况的上述目标因素的基准值以及全工况的上述转化效率的基准值。在处理大量数据信息时，通过曲线拟合可以得到平滑的曲线，从而找到变量之间的关系以及变化趋势，以得到基准值的曲线拟合的表达式，方便后续根据上述表达式确定基准值。
一种具体的实施例中，以计算电解液温度对应转化效率变化量为例，根据上述目标因素的基准值、上述转化效率的基准值、上述第一测试数据以及上述神经网络模型，确定上述目标因素对上述转化效率的影响程度，包括：转化效率基准值b0＝g(x1,x2,...,xn)，g(x1,x2,...,xn)为能量转化效率预测模型，xn为目标因素的基准值，电解液温度tz对应的转化效率变化量为：
在实际的应用过程中，可以将通过上述神经网络模型确定的上述转化效率与转化效率的基准值进行对比，将每个目标因素的上述第一测试数据与目标因数的基准值进行对比，结合上述影响程度，可以确定转化效率损耗的原因。
上述风光互补电解水制氢的转化效率的确定装置包括处理器和存储器，上述第一获取单元、上述建立单元和上述第一确定单元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，通过调整内核参数来解决现有技术中离线分析电解水能量转换效率延迟性大的问题。
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(flashram)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述风光互补电解水制氢的转化效率的确定方法。
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述风光互补电解水制氢的转化效率的确定方法。
根据本申请的再一种典型的实施例，还提供了一种风光互补电解水制氢的转化效率的确定系统，包括确定装置、数据库、终端以及服务端，其中，上述确定装置用于执行任一种上述的确定方法；上述数据库与上述确定装置通信连接，上述数据库用于给上述确定装置提供数据，并将上述确定装置生成的上述转化效率进行存储；上述终端用于发送请求，上述请求至少包括获取风光互补电解水制氢的转化效率的请求；上述服务端分别与上述终端以及上述数据库通信连接，上述服务端用于接收上述请求，根据上述请求从上述数据库中获取上述转化效率，并将上述转化效率发送至上述终端。
本申请的上述风光互补电解水制氢的转化效率的确定系统，包括确定装置、数据库、终端以及服务端，其中，上述确定装置用于执行任一种上述的确定方法；上述数据库用于给上述确定装置提供数据，并将上述确定装置生成的上述转化效率进行存储；上述终端用于发送获取风光互补电解水制氢的转化效率的请求；上述服务端用于接收上述请求，根据上述请求从上述数据库中获取上述转化效率，并将上述转化效率发送至上述终端。上述确定系统可以实时且较为准确地确定风光互补电解水制氢的转化效率，并显示在上述终端上，这样有效地解决了现有技术中离线分析转化效率导致延迟性大的问题，方便了工作人员根据实时确定的上述转化效率，确定电厂的实时运行情况。
图4为本申请的上述系统的示意图，其中，上述数据库包括风电厂数据库以及本地系统数据库，上述终端为显示界面，上述服务端为web服务器，上述本地系统数据库分别与上述确定装置以及上述服务器通信连接，上述服务端用于接收终端的上述请求，并对上述请求进行逻辑处理，再根据逻辑处理后的上述请求从上述本地系统数据库中获取上述转化效率。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
步骤s101，实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据；
步骤s102，建立上述转化效率的神经网络模型；
步骤s103，根据上述神经网络模型以及上述第一测试数据，确定上述转化效率。
本文中的设备可以是服务器、pc、pad、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
步骤s101，实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据；
步骤s102，建立上述转化效率的神经网络模型；
步骤s103，根据上述神经网络模型以及上述第一测试数据，确定上述转化效率。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
上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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个第一处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
1)、本申请的上述风光互补电解水制氢的转化效率的确定方法，首先，实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据，然后建立上述转化效率的神经网络模型；最后，根据上述神经网络模型以及上述第一测试数据，确定上述转化效率。上述方法中，通过将上述第一测试数据输入上述神经网络模型，可以实时且较为准确地确定风光互补电解水制氢的转化效率，这样有效地解决了现有技术中离线分析转化效率导致延迟性大的问题，方便了工作人员根据实时确定的上述转化效率，确定电厂的实时运行情况。
2)、本申请的上述风光互补电解水制氢的转化效率的确定装置，通过上述第一获取单元实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据，通过上述建立单元建立上述转化效率的神经网络模型；通过上述第一确定单元根据上述神经网络模型以及上述第一测试数据，确定上述转化效率。上述装置中，通过将上述第一测试数据输入上述神经网络模型，可以实时且较为准确地确定风光互补电解水制氢的转化效率，这样有效地解决了现有技术中离线分析转化效率导致延迟性大的问题，方便了工作人员根据实时确定的上述转化效率，确定电厂的实时运行情况。
3)、本申请的上述风光互补电解水制氢的转化效率的确定系统，包括确定装置、数据库、终端以及服务端，其中，上述确定装置用于执行任一种上述的确定方法；上述数据库用于给上述确定装置提供数据，并将上述确定装置生成的上述转化效率进行存储；上述终端用于发送获取风光互补电解水制氢的转化效率的请求；上述服务端用于接收上述请求，根据上述请求从上述数据库中获取上述转化效率，并将上述转化效率发送至上述终端。上述确定系统可以实时且较为准确地确定风光互补电解水制氢的转化效率，并显示在上述终端上，这样有效地解决了现有技术中离线分析转化效率导致延迟性大的问题，方便了工作人员根据实时确定的上述转化效率，确定电厂的实时运行情况。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
