【技術實現步驟摘要】
本專利技術屬于光伏組件，具體涉及一種基于反向學習的光伏組件退化率預測方法及計算機設備。
技術介紹
1、光伏組件的光電轉換性能或輸出功率隨服役時間的延長而衰減或退化。準確預測和評價光伏組件的現場性能退化或現場壽命，既是光伏組件設計和制造過程質量控制的需要，也是進行光伏電站投資和運維決策的重要依據。
2、為了進行光伏組件退化率的預測，現有技術中通常使用基于光伏組件的現場性能退化數據，建立性能退化率預測模型來預測光伏組件退化率。其中預測模型的超參數選取對于模型的預測效果影響重大，為了解決這一問題，現有技術中通常采用麻雀算法等優化算法來對預測模型的超參數進行優化，但這些優化算法容易出現陷入局部最優解的問題，影響超參數的優化效果，當選取的超參數不合適時，又會導致預測模型的預測精度較低。
3、為了更加合理地優化預測模型中的超參數，申請公布號為cn113762078a的中國專利技術專利申請，提出了一種使用混沌麻雀算法來進行超參數優化的技術方案，但該方案混沌麻雀算法的初始種群直接使用tent混沌擾動生成，初始種群具有隨機性，如果初始種群的個體質量較差，不僅會影響超參數優化的效果，還會影響混沌麻雀算法的運行時間；從而影響預測模型的預測精度和優化效率。
技術實現思路
1、本專利技術的目的在于提供一種基于反向學習的光伏組件退化率預測方法及計算機設備，用以解決光伏組件退化率預測模型的超參數優化算法，初始種群質量較差，最終導致預測模型預測精度低和優化效率低的技術問題。
2
3、所述退化率預測模型中超參數的初值為使用群智能算法進行優化得到，且得到群智能算法的初始種群的方法包括：
4、選取起始種群中的精英個體，對選取的每個精英個體使用反向學習策略得到每個精英個體分別對應的反向個體，將每個精英個體分別和其對應的反向個體進行比較，從中選取適應度較佳的個體保留至反向種群；根據反向種群得到初始種群。
5、進一步地，根據反向種群得到初始種群的過程包括：使用混沌擾動對精英個體進行擾動，得到新的個體，并保留至混沌種群；取反向種群和混沌種群中適應度較佳的個體生成初始種群。
6、進一步地，所述退化特征參數為從初始選定的退化特征參數中選出的與退化率相關性較高的退化特征參數。
7、進一步地，使用二維皮爾遜相關系數法計算所述相關性。
8、進一步地，與退化率相關性較高的退化特征參數包括：光伏組件的平均溫度、最大溫差、所處環境相對濕度和紫外線輻射量，所述最大溫差為光伏組件溫度最高處溫度減去溫度最低處溫度。
9、進一步地，所述群智能算法為對傳統麻雀算法進行改進后得到的改進麻雀算法，所述改進包括：
10、麻雀位置更新后，先計算每只麻雀的適應度以及所有麻雀的平均適應度：若某只麻雀的適應度小于所有麻雀的平均適應度，則使用高斯變異對其進行變異，否則加入混沌擾動對其進行擾動；
11、將變異或者擾動后的所有麻雀作為當代種群進行后續處理。
12、進一步地，退化率預測模型為lstm神經網絡預測模型；lstm神經網絡預測模型的隱藏層參數為使用群智能算法進行優化得到。
13、進一步地，退化率預測模型的訓練數據中歷史退化率的計算方式如下：
14、v＝λ(α1t+α2rh+α3euv+α4δt)+γ
15、式中：v表示光伏組件退化率，λ表示不同地理區域影響系數常數，αi表示各個影響因素變量的權重，其中i＝1，2，3，4；γ表示擬合誤差，t為光伏組件平均溫度、rh為光伏組件所處環境相對濕度、euv光伏組件所處環境紫外線輻射量，△t為光伏組件最大溫差。
16、進一步地，取反向種群和混沌種群中適應度較佳的個體生成初始種群的過程包括：取反向種群和混沌種群中適應度較佳的第一設定數量的個體生成初始種群；
17、選取起始種群中的精英個體的過程包括：選取起始種群中適應度較高的第二設定數量的個體作為精英個體，第二設定數量等于第一設定數量。
18、進一步地，所述混沌擾動為tent混沌擾動。
19、本專利技術為改進型專利技術創造，其有益效果為：本專利技術的基于反向學習的光伏組件退化率預測方法，使用反向學習策略對的精英個體進行處理得到反向種群，并根據反向種群得到群智能算法的初始種群。不同于現有技術中反向學習對較差個體進行反向求解優化的方法，本專利技術通過反向學習對精英個體進行優中選優，得到更優的反向種群，反向種群中不僅沒有整個種群中較差的個體，而且比選出來的精英個體更優，大幅提升了初始種群的質量，能夠更快得到更優解，提升了超參數優化的效果，從而提升了光伏組件退化率預測模型的預測精度和優化效率。
20、為解決上述技術問題，本專利技術還提供了一種計算機設備，包括處理器，所述處理器在執行計算機程序時實現如本專利技術的基于反向學習的光伏組件退化率預測方法的步驟。
21、本專利技術為改進型專利技術創造，其有益效果為：本專利技術的計算機設備，處理器在執行計算機程序時，使用反向學習策略對的精英個體進行處理得到反向種群，并根據反向種群得到群智能算法的初始種群。不同于現有技術中反向學習對較差個體進行反向求解優化的方法，本專利技術通過反向學習對精英個體進行優中選優，得到更優的反向種群，反向種群中不僅沒有整個種群中較差的個體，而且比選出來的精英個體更優，大幅提升了初始種群的質量，能夠更快得到更優解，提升了超參數優化的效果，從而提升了光伏組件退化率預測模型的預測精度和優化效率。
本文檔來自技高網...【技術保護點】
1.一種基于反向學習的光伏組件退化率預測方法，其特征在于，包括：將待預測時刻前設定時間段內光伏組件的退化特征參數數據輸入到訓練后的退化率預測模型中，預測得到該光伏組件在待預測時刻的退化率；
2.根據權利要求1所述的基于反向學習的光伏組件退化率預測方法，其特征在于，根據反向種群得到初始種群的過程包括：使用混沌擾動對精英個體進行擾動，得到新的個體，并保留至混沌種群；取反向種群和混沌種群中適應度較佳的個體生成初始種群。
3.根據權利要求1所述的基于反向學習的光伏組件退化率預測方法，其特征在于，所述退化特征參數為從初始選定的退化特征參數中選出的與退化率相關性較高的退化特征參數。
4.根據權利要求3所述的基于反向學習的光伏組件退化率預測方法，其特征在于，使用二維皮爾遜相關系數法計算所述相關性。
5.根據權利要求3所述的基于反向學習的光伏組件退化率預測方法，其特征在于，與退化率相關性較高的退化特征參數包括：光伏組件的平均溫度、最大溫差、所處環境相對濕度和紫外線輻射量，所述最大溫差為光伏組件溫度最高處溫度減去溫度最低處溫度。
6.根據
7.根據權利要求1所述的基于反向學習的光伏組件退化率預測方法，其特征在于，退化率預測模型為LSTM神經網絡預測模型；LSTM神經網絡預測模型的隱藏層參數為使用群智能算法進行優化得到。
8.根據權利要求1所述的基于反向學習的光伏組件退化率預測方法，其特征在于，退化率預測模型的訓練數據中歷史退化率的計算方式如下：
9.根據權利要求2所述的基于反向學習的光伏組件退化率預測方法，其特征在于，取反向種群和混沌種群中適應度較佳的個體生成初始種群的過程包括：取反向種群和混沌種群中適應度較佳的第一設定數量的個體生成初始種群；
10.一種計算機設備，包括處理器，其特征在于，所述處理器在執行計算機程序時實現如權利要求1-9任意一項所述的基于反向學習的光伏組件退化率預測方法的步驟。
...【技術特征摘要】
1.一種基于反向學習的光伏組件退化率預測方法，其特征在于，包括：將待預測時刻前設定時間段內光伏組件的退化特征參數數據輸入到訓練后的退化率預測模型中，預測得到該光伏組件在待預測時刻的退化率；
2.根據權利要求1所述的基于反向學習的光伏組件退化率預測方法，其特征在于，根據反向種群得到初始種群的過程包括：使用混沌擾動對精英個體進行擾動，得到新的個體，并保留至混沌種群；取反向種群和混沌種群中適應度較佳的個體生成初始種群。
3.根據權利要求1所述的基于反向學習的光伏組件退化率預測方法，其特征在于，所述退化特征參數為從初始選定的退化特征參數中選出的與退化率相關性較高的退化特征參數。
4.根據權利要求3所述的基于反向學習的光伏組件退化率預測方法，其特征在于，使用二維皮爾遜相關系數法計算所述相關性。
5.根據權利要求3所述的基于反向學習的光伏組件退化率預測方法，其特征在于，與退化率相關性較高的退化特征參數包括：光伏組件的平均溫度、最大溫差、所處環境相對濕度和紫外線輻射量，所述最大溫...
【專利技術屬性】
技術研發人員：馬運亮，韋祥遠，柳行青，許垚，冉茂兵，夏路甲，李琳，李志，謝高鋒，陳春宇，王紫鑒，
申請(專利權)人：許繼電氣股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。