一种光伏发电最大功率点跟踪方法及系统

本发明涉及人工智能，尤其涉及一种光伏发电最大功率点跟踪方法及系统。

背景技术：

1、传统的光伏最大功率点跟踪方法主要可分为两大类：第一类是依赖物理模型的方法，如采用pid控制器，根据光伏系统的物理特性建立控制模型，并人为设置控制参数，通过反馈调节实现最大功率点的跟踪。这类方法依赖对光伏系统精确的物理定量描述，但实际运行情况复杂多变，光伏系统很难用简单的物理模型描述，这样导致难以调参适应不同环境。第二类是传感器测量与机械跟踪联合的方法，如使用光敏传感器检测太阳光强分布，结合机械系统驱动光伏板的定向调整，持续对准太阳。这种方法实现简单，但依赖额外硬件，精度和响应速度有限，自动化程度不高。

2、现有采用数据驱动分析的光伏跟踪算法，大多运用一些简单的机器学习模型，如线性回归分析系统多变量之间的相关性，支持向量机建立简化的预测模型。但这些方法需要人工辅助完成特征工程与数据标注，且仅能处理有限的输入变量，难以在复杂环境中显著提高跟踪精度。近年探索采用深度学习模型进行光伏跟踪与决策，但大部分还停留在理论设想上，直接应用到实际系统中效果欠佳。主要是深度网络需要大量标注数据进行有效训练，而光伏系统数据复杂，人工标注工作量巨大，使得网络训练不充分，无法达到预期水平。总体而言，现有光伏跟踪算法难以实现对最大功率点的完全自主跟踪。

3、为了克服这些缺陷，本申请提出了一种光伏发电最大功率点跟踪方法及系统，降低对手工建模和标注数据的依赖，实现真正的自动化智能跟踪。

技术实现思路

1、本申请的目的是提供一种光伏发电最大功率点跟踪方法及系统，旨在解决传统光伏最大功率点跟踪方法存在依赖手工建模和大量标注数据的问题。

2、为实现上述目的，本申请提供如下技术方案：

3、本申请提供一种光伏发电最大功率点跟踪方法，包括：

4、获取光伏数据并进行预处理；

5、对预处理后的光伏数据进行特征提取与融合，得到特征表达式；

6、基于特征表达式构建强化学习模型，得到最优策略参数；

7、将最优策略参数部署至光伏发电系统，对最大功率点进行智能跟踪。

8、进一步的，在获取光伏数据并进行预处理的步骤中，具体包括下述步骤：

9、所述光伏数据包括电压、电流、温度、辐射度信息，将所述光伏数据建立历史运行数据集；

10、采用小波阈值滤波算法抑制信号干扰；采用小波变换去除历史运行数据集中的噪声干扰，其公式为：

11、y＝wxs+wnd

12、其中y为去噪后信号，wx为有用信号s的小波变换系数，wn为噪声信号d的小波变换系数；

13、对所述光伏数据进行z-score标准化，减均值并除以标准差，将不同特征数据映射到同一数量级，公式为：

14、

15、其中x为原始数据，z为标准化后数据，μ和μ分别为原数据的均值和标准差。

16、进一步的，在对预处理后的光伏数据进行特征提取与融合，得到特征表达式的步骤中，具体包括下述步骤：

17、构建cnn卷积神经网络，输入层获取预处理后的电压和电流图像数据，并采用多层卷积层和最大池化层提取图像局部特征；cnn卷积神经网络通过迭代训练调整卷积核参数，提取电流电压数据所代表光伏系统的空间状态特征；

18、lstm递归神经网络的建模时间序列中长距离的依赖关系为：

19、it＝σ(wxixt+whiht-1+wcict-1+bi)

20、其中it、ct和ht分别为lstm的输入门、细胞状态和隐状态，xt为当前时刻输入，w为权重矩阵，b为偏置向量，σ为sigmoid激活函数；

21、将cnn卷积神经网络提取的空间状态特征输入lstm递归神经网络，通过网络训练学习光伏状态时间演变的模式，得到时序特征；

22、结合空间状态特征与时序特征，得到当前光伏系统状态的特征表达式。

23、进一步的，在基于特征表达式构建强化学习模型，得到最优策略参数的步骤中，具体包括下述步骤：

24、所述特征表达式作为状态输入，采用两层隐层的深度网络跟踪控制的策略函数；其中深度网络结构为：

25、q(s，a；θ)＝f(s，a；θ)

26、其中q为动作价值函数，根据状态s和动作a给出对应的价值，θ为策略网络参数，f为多层神经网络结构；

27、设置以跟踪最大功率点偏差作为奖励函数，偏差越小奖励越大，作为策略学习的优化目标；

28、通过在线学习与环境交互，所述强化学习模型学习得到最优策略参数。

29、进一步的，所述在线学习与环境交互的步骤中，包括：

30、光伏发电系统实时输入所述强化学习模型，根据当前策略参数输出控制动作；

31、执行控制后，所述强化学习模型收集环境反馈的奖励信号，并不断更新策略参数，形成一个与环境闭环的在线学习系统。

32、进一步的，在将最优策略参数部署至光伏发电系统，对最大功率点进行智能跟踪的步骤中，具体包括下述步骤：

33、所述光伏发电系统精确跟踪太阳位置变化，保持光伏发电系统在最大功率点工作输出状态；

34、执行反馈产生的新数据，使所述强化学习模型优化策略参数，对最大功率点进行智能跟踪。

35、本申请提供一种光伏发电最大功率点跟踪系统，包括：

36、获取模块：获取光伏数据并进行预处理；

37、提取与融合模块：对预处理后的光伏数据进行特征提取与融合，得到特征表达式；

38、模型构建模块：基于特征表达式构建强化学习模型，得到最优策略参数；

39、跟踪模块：将最优策略参数部署至光伏发电系统，对最大功率点进行智能跟踪。

40、本申请提供一种设备，所述设备包括处理器、与所述处理器耦接的存储器，其中，所述存储器存储有用于实现一种光伏发电最大功率点跟踪方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令以实现一种光伏发电最大功率点跟踪。

41、本申请提供一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行一种光伏发电最大功率点跟踪方法。

42、本申请提供了一种光伏发电最大功率点跟踪方法及系统，具有以下有益效果：

43、本申请利用深度强化学习算法自动获得光伏系统最大功率点跟踪的最优策略，避免手工设计策略的需要；然后建立cnn和lstm模型提取空间和时序特征以全面表示光伏系统状态，不仅依赖有限输入；同时采用半监督学习方式训练模型，以减少人工标注数据量；最后构建强化学习模型，光伏发电系统在每次执行后收集新数据并重新训练网络，持续更新模型参数；经过策略自动获得、特征提取、半监督学习以及闭环学习四个步骤，实现自主学习与持续优化的智能光伏跟踪，以适应大规模复杂环境下的需求。

技术特征：

1.一种光伏发电最大功率点跟踪方法，其特征在于，包括：

2.根据权利要求1所述的一种光伏发电最大功率点跟踪方法，其特征在于，在获取光伏数据并进行预处理的步骤中，具体包括下述步骤：

3.根据权利要求1所述的一种光伏发电最大功率点跟踪方法，其特征在于，在对预处理后的光伏数据进行特征提取与融合，得到特征表达式的步骤中，具体包括下述步骤：

4.根据权利要求1所述的一种光伏发电最大功率点跟踪方法，其特征在于，在基于特征表达式构建强化学习模型，得到最优策略参数的步骤中，具体包括下述步骤：

5.根据权利要求4所述的一种光伏发电最大功率点跟踪方法，其特征在于，所述在线学习与环境交互的步骤中，包括：

6.根据权利要求1所述的一种光伏发电最大功率点跟踪方法，其特征在于，在将最优策略参数部署至光伏发电系统，对最大功率点进行智能跟踪的步骤中，具体包括下述步骤：

7.一种根据权利要求1所述的一种光伏发电最大功率点跟踪方法的系统，包括：

8.一种设备，其特征在于，所述设备包括处理器、与所述处理器耦接的存储器，其中，所述存储器存储有用于实现权利要求1-6任一项所述的一种光伏发电最大功率点跟踪方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令以实现一种光伏发电最大功率点跟踪。

9.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1-6任一项所述的一种光伏发电最大功率点跟踪方法。

技术总结
本发明公开了一种光伏发电最大功率点跟踪方法及系统，运用于人工智能技术领域，其方法包括：获取光伏数据并进行预处理；对预处理后的光伏数据进行特征提取与融合，得到特征表达式；基于特征表达式构建强化学习模型，得到最优策略参数；将最优策略参数部署至光伏发电系统，对最大功率点进行智能跟踪；经过策略自动获得、特征提取、半监督学习以及闭环学习四个步骤，实现自主学习与持续优化的智能光伏跟踪，以适应大规模复杂环境下的需求。

技术研发人员：杨之乐,周文康,郭媛君,吴承科
受保护的技术使用者：中国科学院深圳先进技术研究院
技术研发日：
技术公布日：2024/2/8