基于人工智能的太阳能并网调控方法及系统与流程

1.本技术涉及太阳能并网调控领域，尤其涉及基于人工智能的太阳能并网调控方法及系统。


背景技术：

2.太阳能并网是指将太阳能发电系统与电网连接，将太阳能发电系统的产生的电能直接注入电网中，以供其他用户使用。太阳能并网有两种类型：一种是微型电网，即将太阳能发电系统与小规模电网连接，如太阳能发电系统与单个建筑物或微型社区连接；另一种是大规模电网，将太阳能发电系统与整个国家或地区的电网连接。太阳能并网可以帮助减少对传统化石燃料的依赖，减少污染排放，提高能源利用效率，并在可再生能源领域促进可持续发展。
3.授权公告号为cn102130631b的中国专利提供了一种用于太阳能光伏并网发电的最大功率点跟踪控制方法中，通过对光伏电池当前输出电压与电流的检测，将输出功率与前一时刻功率相比较，改变占空比，直至达到最大点附近的一个极小区域内，以预测最大功率点。最大功率点是指是指在太阳能电池板或其他能源装置中，能够输出最大功率的工作状态。
4.但是现有技术没有考虑天气变化对太阳能电池板最大输出功率的影响，仅依靠不断地迭代计算得到结果，会导致最大输出功率预测结果不准确。


技术实现要素：

5.为了结合环境复杂度对太阳能电池板最大输出功率的影响，提高最大输出功率结果准确性，本技术提供基于人工智能的太阳能并网调控方法及系统。
6.第一方面，本技术提供基于人工智能的太阳能并网调控方法，采用如下的技术方案：基于人工智能的太阳能并网调控方法，包括步骤：根据采集的图像数据，计算阴影遮挡度，根据所述阴影遮挡度、采集的太阳能电池板的温度、电压及电流，构建四维环境向量，获得0到i时刻的环境矩阵；根据所述环境矩阵，计算环境复杂程度指数，所述环境复杂程度指数的计算公式为：，，其中，设定记录当天为第a天，为0到i时刻的环境复杂程度指数，为0到i时刻的环境复杂程度指数的初始值，为余弦相似度，为第a天所述环境矩阵的特征值序列，为第n天所述环境矩阵的特征值序列；构建第一预测模型并获得最大输出功率的第一预测结果，所述第一预测模型包含以下多项式：，其中，为第a天第i 1时刻最大输出功率的第一预测结果，
为第n天第i 1时刻的最大输出功率；为第n天i＋1时刻最大输出功率的权重；根据采集的历史数据，构建并训练第二预测模型，计算最大输出功率的第二预测结果；构建最大输出功率的第三预测模型，生成最大输出功率的第三预测结果，调节预设的逆变器输出功率为所述第三预测结果，所述第三预测模型包括以下多项式：，其中，表示最大输出功率的第三预测结果，为最大输出功率的第二预测结果，为最大输出功率的第一预测结果。
7.通过采用上述技术方案，考虑到环境对于太阳能电池板的影响，设置环境复杂程度指数，根据环境复杂程度指数、太阳能电池板的历史最大输出功率，构建第一预测模型，获得下一时刻太阳能电池板最大输出功率的第一预测结果。当太阳能电池板的环境不稳定时，第一预测结果可能会出现偏差，通过采集电池板的历史最大输出功率，构建和训练第二预测模型，结合第一预测模型和第二预测模型，构建第三预测模型，得到最大输出功率的第三预测结果，提高了最大输出功率结果准确性的效果。
8.可选的，所述第一预测模型中的构建中，包括以下步骤：根据采集的太阳能电池板的实时最大输出功率，获得第m天i时刻的最大输出功率；构建最大输出功率的权重模型，所述权重模型包括以下多项式：，其中，为第m天第i 1时刻最大输出功率权重，为皮尔逊系数计算，为所述第m天i时刻的最大输出功率，为第m天0时刻的最大输出功率，为第a天i时刻的最大输出功率，为第a天0时刻的最大输出功率，m为{a-1,a-2,a-3,a-4}；构建所述第一预测模型并获得所述第一预测结果。
9.通过采用上述技术方案，越大，说明第m天的第0到i时刻的最大输出功率变化与第a天的第0到i时刻的越相似。。
10.可选的，所述根据采集的历史数据，构建并训练第二预测模型，计算最大输出功率的第二预测结果，包括：将最大输出功率的集合，按日期从早到晚的顺序，前90%的数据作为训练集，后10%作为测试集。
11.通过采用上述技术方案，以达到训练模型的目的，根据当日最大输出功率的集合内的数据变化进行预测。
12.可选的，所述根据采集的图像数据，计算阴影遮挡度，包括以下步骤：将所述图像数据转化为灰度图像；设置灰度图像样本，将所述灰度图像样本中阴影区域的像素值标记为0，光照区域的像素值标记为1，得到所述灰度图像样本的标签数据；计算所述标签数据像素点的比例，获得所述阴影遮挡度。
13.通过采用上述技术方案，以达到计算阴影遮挡度的目的，阴影遮挡度可以反映出太阳能电池板的环境中，阴影对光照的影响程度。
14.第二方面，本技术提供基于人工智能的太阳能并网调控系统，采用如下的技术方案：基于人工智能的太阳能并网调控系统，包括：处理器和存储器，所述存储器存储有
计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述的基于人工智能的太阳能并网调控方法。
15.通过采用上述技术方案，将上述基于人工智能的太阳能并网调控方法生成计算机程序，并存储于存储器中，以被处理器加载并执行，从而，根据存储器及处理器制作终端设备，方便使用。
16.本技术具有以下技术效果：1、考虑到环境对于太阳能电池板的影响，设置环境复杂程度指数，根据环境复杂程度指数、太阳能电池板的历史最大输出功率，构建第一预测模型，获得下一时刻太阳能电池板最大输出功率的第一预测结果。当太阳能电池板的环境不稳定时，第一预测结果可能会出现偏差，通过采集电池板的历史最大输出功率，构建和训练第二预测模型，结合第一预测模型和第二预测模型，构建第三预测模型，得到最大输出功率的第三预测结果，提高了最大输出功率结果准确性的效果。
17.2、在获得第三预测结果的下一时刻，通过逆变器调节输出功率为第三预测结果，使得太阳能电池板处于高效运行的状态，提高最大输出功率调控的实时性和准确性。
附图说明
18.通过参考附图阅读下文的详细描述，本技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本技术的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：图1是本技术实施例基于人工智能的太阳能并网调控方法中步骤s1-s5的方法流程图。
19.图2是本技术实施例基于人工智能的太阳能并网调控方法中步骤s10-s12的方法流程图。
20.图3是本技术实施例基于人工智能的太阳能并网调控方法中步骤s30-s32的方法流程图。
21.图4是本技术实施例基于人工智能的太阳能并网调控系统的逻辑框架图。
具体实施方式
22.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域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，都属于本技术保护的范围。
23.应当理解，当本技术的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本技术的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、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它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
24.本技术实施例公开基于人工智能的太阳能并网调控方法，参照图1，包括步骤s1-s5，具体如下：s1：根据采集的图像数据，计算阴影遮挡度，根据阴影遮挡度、采集的太阳能电池
板的温度、电压及电流，构建四维环境向量，获得0到i时刻的环境矩阵。
25.参照图2，步骤s1中的根据采集的图像数据，计算阴影遮挡度包括步骤s10-步骤s12,具体如下：s10：将图像数据转化为灰度图像。
26.通过ccd相机对太阳能电池板进行拍照，以采集太阳能电池板图像数据，再进行灰度转换，获得实时太阳能电池板灰度图像，ccd相机是一种使用电荷耦合器件（charge-coupled device，ccd）作为图像传感器的相机。
27.s11：设置灰度图像样本，将灰度图像样本中阴影区域的像素值标记为0，光照区域的像素值标记为1，得到灰度图像样本的标签数据。
28.将多张采集的太阳能电池板灰度图像作为灰度图像样本，将一个太阳能电池板灰度图像样本中阴影区域的像素值标记为0，光照区域的像素值标记为1，得到太阳能电池板灰度图像样本的标签数据，计算灰度图像上标签数据（0,1）像素点的比例，获得阴影遮挡度。
29.s12：计算标签数据像素点的比例，获得阴影遮挡度。
30.在获得阴影遮挡度后，将阴影遮挡度记为s，结合采集的太阳能电池板的温度、电压及电流，构建四维环境向量，具体地，通过高精度多用途电力计测量太阳能电池板的实时电流，记为i；通过数字电压表测量太阳能电池板的实时电压，记为v；通过温度计测量太阳能电池板的实时温度，记为t；构建光照环境向量，光照环境向量是由同一时刻的阴影遮挡度s、温度t、电压v和电流i构建的四维环境向量，得到一个由起始0时刻到当前i时刻的环境向量，按照时间排序组成一个4
×
n的环境矩阵，其中，以日为周期，起始时刻为0点时刻。由此，获得0到i时刻的环境矩阵。
31.家用太阳能电池板受到的遮挡主要分为固定遮挡和随机遮挡。固定遮挡来源为建筑和植物。家用太阳能电池板的使用环境复杂，太阳能电池板的周围存在建筑物或树木，这些建筑物会阻挡太阳光对太阳能电池板的投射，且在相邻的若干天内太阳光照射角度变化很小，可以忽略不计，太阳能电池板受到的光照呈现规律性变化。随机遮挡来源为乌云，乌云受到风力的影响会随机对太阳能电池板的光照进行遮挡。
32.由于太阳能电池板的最大输出功率受到环境矩阵中阴影遮挡度s、温度t、电压v和电流i的直接影响，因此，需要判断太阳能电池板的环境变化程度。太阳能电池板的环境变化程度的变化由环境复杂程度指数进行量化判断，包括步骤s2,具体如下：s2：根据环境矩阵，计算环境复杂程度指数。
33.具体地，以当天0到i时刻的环境矩阵为例，计算该方阵的特征值，记录为当前i时刻的环境矩阵的特征值序列。
34.由于相邻的若干天内太阳光照射角度变化很小家用太阳能电池板受到的固定遮挡可以认为是稳定变化。随机遮挡受到天气变化的影响，故要优先对比相邻的若干天与当天的天气变化情况的相似程度，两者越相似说明天气的变化越稳定。
35.本技术设定对比周期为四天，利用上述计算特征值序列的方法，计算前四天内，每天0到i时刻的环境矩阵的特征值序列，记录当前天为第a天，前四天的特征值序列分别为。
36.构建环境复杂程度指数，环境复杂程度指数的计算公式为：构建环境复杂程度指数，环境复杂程度指数的计算公式为：其中，设定记录当天为第a天，为0到i时刻的环境复杂程度指数，为0到i时刻的环境复杂程度指数的初始值，为余弦相似度，为第a天环境矩阵的特征值序列，为第n天环境矩阵的特征值序列。
37.环境复杂程度指数越大，说明当天0到i时刻的环境变化越稳定，越小，说明当天0到i时刻的环境变化越不稳定。
38.s3：构建第一预测模型并获得最大输出功率的第一预测结果。
39.太阳能电池板受到环境复杂程度的影响，使得最大输出功率出现不稳定变化。结合环境复杂程度指数和采集的数据，构建第一预测模型，参照图3，步骤s3包括步骤s30
‑ꢀ
s32，具体如下：s30：根据采集的太阳能电池板的实时最大输出功率，获得第m天i时刻的最大输出功率。
40.通过最大功率点跟踪控制器（maximum power point tracking controller，mppt）记录太阳能电池板的实时最大输出功率，获得i时刻的最大输出功率，上标i为第i时刻，下标m为第m天。
41.s31：构建最大输出功率的权重模型。
42.权重模型包括以下多项式：其中，为第m天第i 1时刻最大输出功率权重，为皮尔逊系数计算，为第m天的最大输出功率，为第m天i时刻的最大输出功率，为第m天0时刻的最大输出功率，为第a天i时刻的最大输出功率，为第a天0时刻的最大输出功率，m为{a-1,a-2,a-3,a-4}。
43.越大，说明第m天的第0到i时刻的最大输出功率变化与第a天的第0到i时刻的越相似。得到对比周期内四天的最大输出功率的权重。
44.s32：构建第一预测模型并获得第一预测结果。
45.第一预测模型包含以下多项式：
其中，为第a天第i 1时刻最大输出功率的第一预测结果，为第n天第i 1时刻的最大输出功率；为第n天i＋1时刻最大输出功率的权重。
46.太阳能电池板的环境不稳定时，最大输出功率的第一预测结果会发生预测不准确，设置第二预测模型，具体如下：s4：根据采集的历史数据，构建并训练第二预测模型，计算最大输出功率的第二预测结果。
47.具体地，利用反向传播神经网络（backpropagation neural network，bp）对第a天的进行预测。
48.bp神经网络的输入为0到i时刻的最大输出功率的集合。将最大输出功率的集合，按日期从早到晚的顺序，前90%的数据作为训练集，后10%作为测试集。损失函数采用均方差损失函数。输出为预测的i 1时刻的最大输出功率。
49.在使用bp神经网络做稳定预测，即根据当日最大输出功率的集合内的数据变化进行预测，缺乏对往日历史数据参考，导致预测数据在太阳能电池板的往日环境稳定时，相对于上述步骤预测准确度低。
50.s5：根据第一预测结果及第二预测结果，构建最大输出功率的第三预测模型，生成最大输出功率的第三预测结果，调节预设的逆变器输出功率为第三预测结果。
51.第三预测模型包括以下多项式：其中，表示最大输出功率的第三预测结果，为最大输出功率的第二预测结果，为最大输出功率的第一预测结果。
52.w为最终预测最大输出功率，结合历史数据变化与神经网络预测的结果。根据所得到的最终预测最大输出功率w，在下一时刻，通过逆变器调节输出功率为最大输出功率w，使得太阳能电池板处于高效运行的状态。
53.本技术实施例基于人工智能的太阳能并网调控方法的实施原理为：考虑到环境对于太阳能电池板的影响，设置环境复杂程度指数，根据环境复杂程度指数、太阳能电池板的历史最大输出功率，构建第一预测模型，获得下一时刻太阳能电池板最大输出功率的第一预测结果。当太阳能电池板的环境不稳定时，第一预测结果可能会出现偏差，通过采集电池板的历史最大输出功率，构建和训练第二预测模型，结合第一预测模型和第二预测模型，构建第三预测模型，得到最大输出功率的第三预测结果，提高了最大输出功率结果准确性的效果。
54.本技术实施例还公开基于人工智能的太阳能并网调控系统，参照图4，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本
申请的基于人工智能的太阳能并网调控方法。
55.上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
56.在本技术中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器rram（resistiverandomaccessmemory）、动态随机存取存储器dram（dynamicrandomaccessmemory）、静态随机存取存储器sram（staticrandom-accessmemory）、增强动态随机存取存储器edram（enhanceddynamicrandomaccessmemory）、高带宽内存hbm（high-bandwidthmemory）、混合存储立方hmc（hybridmemorycube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本技术描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
57.虽然本说明书已经示出和描述了本技术的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本技术思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本技术的过程中，可以采用对本文所描述的本技术实施例的各种替代方案。
58.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。