【技術實現步驟摘要】
本專利技術涉及光伏發電領域，具體為融合深度學習與粒子群的光伏最大功率點追蹤方法及系統。
技術介紹
1、光伏系統在不同的光照強度和溫度條件下會產生不同的輸出功率。為了最大化光伏系統的能量產出，最大功率點追蹤(mppt)算法被廣泛應用。傳統的mppt算法，如擾動觀察法(p&o)和增量電導法(inccond)，在快速變化的環境條件下存在響應速度慢和精度低的問題。隨著深度學習技術的發展，利用其進行mppt算法優化成為一種新的趨勢。但是，將深度學習單獨作用于最大功率追蹤過程中，遇到環境突變時也易陷入局部最優，導致跟蹤精度下降。為此，本專利采用深度學習作為一次先行尋優方法，使其逼近系統的最大功率點，并利用改進后的粒子群算法作為精確化跟蹤最大功率點的二次尋優方法，以此解決陷入局部極值點的問題。
技術實現思路
1、鑒于上述存在的問題，提出了本專利技術。
2、因此，本專利技術解決的技術問題是：如何在光伏系統中實現更精確和高效的最大功率點追蹤，應對傳統方法在動態環境變化下的不足和低效問題。
3、為解決上述技術問題，本專利技術提供如下技術方案：融合深度學習與粒子群的光伏最大功率點追蹤方法，其包括如下步驟，
4、使用傳感器收集光伏數據，進行預處理；
5、構建深度學習模型，通過預處理后的數據訓練，輸出最大功率；
6、采用萊維飛行方法優化粒子群算法；
7、將深度學習模型輸出的最大功率輸入至優化后的粒子群算法中計算光伏的最大功率值。
8、作為本專利技術所述的融合深度學習與粒子群的光伏最大功率點追蹤方法的一種優選方案，其中：所述使用傳感器收集光伏數據包括環境溫度、光照強度以及對應的功率歷史數據；
9、所述預處理是對環境溫度、光照強度及功率歷史數據進行去噪處理，對數據進行歸一化處理，對數據進行時間序列分割和特征提取，保留在不同環境條件下的動態變化特征，將處理后的數據劃分為訓練集、驗證集和測試集。
10、作為本專利技術所述的融合深度學習與粒子群的光伏最大功率點追蹤方法的一種優選方案，其中：所述構建深度學習模型是將光照強度、環境溫度作為輸入，相對應的功率歷史數據作為輸出，訓練深度學習模型，采用交叉熵損失函數作為計算預測值與真實值之間的損失值，當損失函數值小于預設值時，得到最終訓練好的深度學習模型，確定光照強度、環境溫度與功率之間的關系；
11、將光照強度和環境溫度輸入到訓練好的深度學習模型中，經過計算得到輸出層的初始最大功率。
12、作為本專利技術所述的融合深度學習與粒子群的光伏最大功率點追蹤方法的一種優選方案，其中：所述深度學習模型包括若干個神經元的連接，通過多層神經網絡模擬光伏非線性關系，在網絡學習過程中，訓練樣本集為x，期望值集合為d，實際輸出為y，對應隱藏層的第j個神經元的輸入表達式為：
13、
14、其中，n是輸入神經元個數，ωij是輸入層第i個神經元到隱藏層第j個神經元的連接權值，是隱藏層第j個神經元的閾值，xj為訓練樣本集中對應的第j個樣本；
15、隱藏層第j個神經元的輸出表達式為：
16、
17、其中，xi為訓練樣本集中對應的第j個樣本，f為隱藏層的激勵函數.
18、作為本專利技術所述的融合深度學習與粒子群的光伏最大功率點追蹤方法的一種優選方案，其中：所述光伏特性模型，表達式為：
19、
20、其中，ipv為光伏電流，il為等效電感電流，i0為光生電流，vpv為光伏電壓，rs光伏等效串聯電阻，rsh為光伏等效并聯電阻，n固定參數因子，k為玻爾茲曼常數，t為光伏電池絕對溫度；
21、使用粒子群算法對光伏特性模型進行計算，求解最大功率值；
22、粒子群算法的表達式為：
23、
24、其中，ω為慣性權重。
25、作為本專利技術所述的融合深度學習與粒子群的光伏最大功率點追蹤方法的一種優選方案，其中：所述計算光伏的最大功率值是將深度學習模型輸出的預測最大功率值作為初始輸入值，應用粒子群優化算法計算實際的光伏最大功率，在每次迭代中，計算每個粒子的適應度，并尋找個體最優和全局最優，若粒子的位置在迭代過程中沒有更新，則使用萊維飛行方法進行位置更新；
26、判斷當前時刻是否滿足終止條件，若滿足則結束優化，則根據當前位置的電壓并計算輸出最終的光伏最大功率值；
27、若當前時刻不滿足終止條件，則繼續進行適應度計算和粒子位置更新，直至滿足終止條件；
28、所述終止條件包括當迭代次數達到預設值以及使用萊維飛行方法后粒子位置停止更新。
29、作為本專利技術所述的融合深度學習與粒子群的光伏最大功率點追蹤方法的一種優選方案，其中：所述萊維飛行方法是采用萊維飛行方法對對粒子群算法中的慣性權重進行改進，并調整粒子位置求解公式，表達式為：
30、
31、其中，imax為粒子群算法最大迭代次數，i為當前粒子群算法的迭代次數，m為控制系數，權重和變化次數之間整體曲線的平滑度，表示xid的第k代位置，表示點對點乘法，α表示的是能控制步長的一個因子，levy(λ)為隨路徑搜索的函數。
32、本專利技術的另外一個目的是提供融合深度學習與粒子群的光伏最大功率點追蹤系統，其能通過實時采集光伏系統的環境數據，利用深度學習模型預測初始最大功率值，然后通過優化后的粒子群算法進一步精確優化最大功率點，解決了現有技術在復雜環境條件下難以實時準確追蹤光伏系統最大功率點的問題。在動態環境下表現出更強的適應能力和全局搜索能力，避免了傳統方法容易陷入局部最優的缺陷，提高了光伏系統的整體能源轉換效率。
33、為解決上述技術問題，本專利技術提供如下技術方案：融合深度學習與粒子群的光伏最大功率點追蹤系統，包括：數據收集與預處理模塊、深度學習模型訓練模塊、粒子群優化算法模塊、萊維飛行優化模塊以及結果評估與終止判斷模塊；
34、所述數據收集與預處理模塊是通過傳感器實時采集光伏數據，對收集到的數據進行去噪、歸一化、時間序列分割和特征提取；
35、所述深度學習模型訓練模塊是基于預處理后的數據集構建深度學習模型，并定義輸入、輸出和網絡結構，使用訓練數據集對深度學習模型進行訓練，學習環境溫度和光照強度與功率之間的關系，完成訓練后根據新的輸入數據預測光伏初始最大功率值；
36、所述粒子群優化算法模塊是初始化粒子群的種群參數，設置個體最優值和全局最優值，根據深度學習模型的初始預測值，使用粒子群優化算法計算每個粒子的適應度，更新個體最優和全局最優，通過更新粒子的速度和位置，優化功率輸出值，尋找全局最優解；
37、所述萊維飛行優化模塊是在粒子群優化算法上增加大步長跳躍搜索策略，在每次迭代中，利用萊維飛行分布更新粒子的位置；
38、所述結果評估與終止判斷模塊是在每次迭代結束時，檢查當前優化結果是否滿足預設的終止條件，評估當前粒子群本文檔來自技高網...
【技術保護點】
1.融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于，包括：
2.如權利要求1所述的融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于：所述使用傳感器收集光伏數據包括環境溫度、光照強度以及對應的功率歷史數據；
3.如權利要求2所述的融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于：所述構建深度學習模型是將光照強度、環境溫度作為輸入，相對應的功率歷史數據作為輸出，訓練深度學習模型，采用交叉熵損失函數作為計算預測值與真實值之間的損失值，當損失函數值小于預設值時，得到最終訓練好的深度學習模型，確定光照強度、環境溫度與功率之間的關系；
4.如權利要求3所述的融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于：所述深度學習模型包括若干個神經元的連接，通過多層神經網絡模擬光伏非線性關系，在網絡學習過程中，訓練樣本集為X，期望值集合為D，實際輸出為Y，對應隱藏層的第j個神經元的輸入表達式為：
5.如權利要求4所述的融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于：所述光伏特性模型，表達式為：
6.如
7.如權利要求6所述的融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于：所述萊維飛行方法是采用萊維飛行方法對對粒子群算法中的慣性權重進行改進，并調整粒子位置求解公式，表達式為：
8.一種采用如權利要求1至7任一所述的融合深度學習與粒子群的光伏最大功率點追蹤方法的系統，其特征在于：包括數據收集與預處理模塊、深度學習模型訓練模塊、粒子群優化算法模塊、萊維飛行優化模塊以及結果評估與終止判斷模塊；
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的融合深度學習與粒子群的光伏最大功率點追蹤方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述融合深度學習與粒子群的光伏最大功率點追蹤方法的步驟。
...【技術特征摘要】
1.融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于，包括：
2.如權利要求1所述的融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于：所述使用傳感器收集光伏數據包括環境溫度、光照強度以及對應的功率歷史數據；
3.如權利要求2所述的融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于：所述構建深度學習模型是將光照強度、環境溫度作為輸入，相對應的功率歷史數據作為輸出，訓練深度學習模型，采用交叉熵損失函數作為計算預測值與真實值之間的損失值，當損失函數值小于預設值時，得到最終訓練好的深度學習模型，確定光照強度、環境溫度與功率之間的關系；
4.如權利要求3所述的融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于：所述深度學習模型包括若干個神經元的連接，通過多層神經網絡模擬光伏非線性關系，在網絡學習過程中，訓練樣本集為x，期望值集合為d，實際輸出為y，對應隱藏層的第j個神經元的輸入表達式為：
5.如權利要求4所述的融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于：所述光伏特性模型，表達式為：
6.如權利要求5所述的融合深度學習與粒子群的光伏最大功率點追蹤方法，其特征在于：...
【專利技術屬性】
技術研發人員：龔新勇，張臘，梁俊宇，李俊偉，葉志明，閆文棋，沈紋冰，潘堋，
申請(專利權)人：云南電網有限責任公司昆明供電局，
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。