基于数据分析的周期清洗智能化管理系统的制作方法

本发明涉及数据分析，尤其涉及基于数据分析的周期清洗智能化管理系统。

背景技术：

1、数据分析技术是指运用统计学、计算机科学及相关领域的知识，对收集到的数据进行处理、分析和解释，以提取出有价值的信息，为决策提供支持的技术。

2、随着技术的不断进步和应用领域的不断拓展，光伏发电行业也在稳步发展。然而，光伏电站的运维管理中，仍存在以下问题：光伏板积灰与污染，长时间运行后，光伏板表面会积累灰尘、鸟粪、树叶等污染物，污染物会遮挡光线，降低光伏板的透光率和光电转换效率；清洗周期不合理，传统的人工清洗或定期清洗方式往往无法根据光伏板实际污染情况灵活调整清洗周期，导致清洗过于频繁或清洗不及时，增加了运维成本或降低了发电效率；时间序列分析复杂性，光伏电站的发电量等数据具有明显的时间序列特性，且受到多种因素的影响，如季节变化、天气条件等，这增加了时间序列分析的复杂性。为此，本发明提出了基于数据分析的周期清洗智能化管理系统。

技术实现思路

1、本发明的目的是为了解决背景技术中的问题，而提出的基于数据分析的周期清洗智能化管理系统。

2、为了实现上述目的，本发明采用了如下技术方案：

3、基于数据分析的周期清洗智能化管理系统，包括：多元数据适应调整模块、特征分析提取模块、周期清洗预测模块以及预测评估优化模块；

4、多元数据适应调整模块用于对光伏电站历史数据进行补偿和处理；多元数据适应调整模块包括第一复合补偿单元、第二复合补偿单元以及清洗频率处理单元；

5、特征分析提取模块用于根据补偿处理数据进行特征提取，构建多维特征空间；特征分析提取模块包括第一复合特征提取单元、第二复合特征提取单元以及清洗活动特征提取单元；

6、周期清洗预测模块用于基于构建的多维特征空间进行时间序列分析，建立预测模型确定最佳清洗周期；

7、预测评估优化模块用于将预测模型的最佳清洗周期与实时监测数据进行评估分析，并判断模型预测的准确性。

8、需要说明的是，本发明实施例中基于数据分析的周期清洗智能化管理系统的应用对象可以为清洁能源行业领域中的光伏电站运维管理，可以用于监测光伏电站中光伏板的运行状态，具体的可以为通过数据分析技术对光伏电站的历史发电量数据、环境因素数据（如温度、湿度、光照强度等）以及清洗记录数据进行全面分析和精准评估，以预测并确定光伏板的最佳清洗周期，通过数据处理、特征提取、模型训练、预测评估等多个环节，形成了一个完整的智能化管理系统，使得该系统能够显著提升光伏电站的运维效率和发电效率，确保了光伏板长期处于最佳工作状态，以满足对清洁能源高效利用和可持续发展的需求。

9、进一步的，第一复合补偿单元用于对获取的历史温度数据和历史湿度数据进行补偿分析的过程包括：

10、将光伏电站历史温度数据和历史湿度数据分别标记为和；

11、提取历史温湿度数据的数值，并进行复合补偿分析：

12、，式中，表示历史温湿度复合补偿后的输出功率，反映温湿度对光伏板输出功率的影响程度；表示在历史温湿度观测条件下光伏板的原始输出功率；分别表示温度和湿度的敏感度系数；分别表示参考温度值和参考湿度值；

13、可理解的是，由于温湿度的变化会影响光伏板的性能，反映在未进行任何补偿调整之前，光伏板在当前温湿度条件下的实际输出功率水平；通过第一复合补偿公式对进行复合补偿，进而得到补偿调整后的，以便准确反映温湿度对光伏板输出功率的作用。

14、进一步的，第二复合补偿单元用于对获取的历史光强度和历史角度数据进行补偿分析的过程包括：

15、将光伏电站历史光强度数据和历史角度数据分别标记为和；

16、提取历史光强度和历史角度数据的数值，并进行复合补偿分析：

17、，式中，表示历史光强度和历史角度复合补偿后的输出功率；表示在历史光强度和历史角度条件下的光伏板的原始输出功率；表示光强度参考值；表示最优角度；分别表示光强度和角度的敏感度指数；

18、可理解的是，由于光强度和角度的变化对光伏板接收的太阳辐射量有直接影响，进而影响其输出功率；通过第二复合补偿公式对进行基于光强度和角度的复合补偿，得到补偿调整后的功率，精确地反映光伏板在特定光强度和角度条件下的性能；

19、其中，通过复合补偿公式对原始输出功率进行调整，以更准确地反映实际工作条件下光伏板的性能，更精确地预测光伏板的性能变化；这种补偿过程对于优化光伏电站的运行和维护，尤其在周期清洗策略的制定中，具有重要意义，从而制定更有效的清洗计划，确保光伏电站的高效运行。

20、进一步的，清洗频率处理单元用于对获取的历史清洗频率进行处理分析的过程包括：

21、设定存在n次历史清洗记录，每次清洗记录包含清洗时间点、清洗前和清洗后光伏板的平均输出功率以及清洗成本；

22、使用清洗频率处理公式进行分析：

23、，，式中，表示清洗优化功率指标，综合反映清洗频率、清洗效果、成本以及长期影响，为后续的清洗活动特征值提取提供了全面的评估；表示第次清洗后光伏板平均输出功率的提升；表示每次清洗后输出功率提升与清洗成本的比值，即单位成本清洗后输出功率的提升量；为衰减因子，用于表示清洗效果随时间的衰减程度，量化清洗效果随时间的衰减情况，从而评估清洗活动对光伏板性能的长期影响；表示清洗效果衰减率，且；表示两次清洗之间的时间间隔；表示清洗效果长期衰减的平均值，用于评估清洗活动对光伏板性能的长期影响；表示清洗时间点标识或索引；

24、可理解的是，通过清洗频率处理公式，清洗频率处理单元能够更深入地分析历史清洗记录，以便后续提取清洗活动的综合特征值，为优化光伏电站的清洗周期和任务调度提供数据支持，这种分析方法不仅考虑了清洗的直接效果和成本，还考虑了清洗对光伏板性能的长期影响，有助于实现更高效和经济的光伏电站管理。

25、进一步的，第一复合特征提取单元用于根据第一复合补偿单元的补偿分析结果进行特征提取的过程包括：

26、结合温湿度复合补偿后的输出功率，获取若干输出功率的数据组，并进行第一复合特征提取：

27、，式中，表示第一复合特征值；表示观测次数；表示观测索引下标；表示第组历史温度数据；表示第组历史湿度数据；表示第组历史观测的输出功率。

28、进一步的，第二复合特征提取单元用于根据第二复合补偿单元的补偿分析结果进行特征提取的过程包括：

29、收集光伏板在不同光强度和角度下复合补偿后的输出功率及对应的时间戳s；

30、假设复合补偿后的输出功率受光强度和角度的周期性变化影响，则使用周期性函数捕捉光强度和角度对光伏板输出功率的周期性变化：

31、，，，，式中，表示被近似为傅里叶级数；表示傅里叶级数的阶数；表示谐波分量的阶数索引，用于遍历1到的所有谐波分量；表示周期长度；为傅里叶系数，分别表示输出功率的平均值、输出功率随时间变化的偶次谐波分量以及输出功率随时间变化的奇次谐波分量，反映了输出功率随时间变化的周期性特征；表示以为变量的微小增量，对时间戳的微分进行积分；

32、定义第二复合特征值为傅里叶系数向量：

33、。

34、进一步的，清洗活动特征提取单元用于根据清洗频率处理单元的处理分析结果进行特征提取的过程包括：

35、结合清洗优化功率指标进行计算分析：

36、，式中，表示清洗活动特征值；表示即时功率恢复率，即清洗后光伏板功率的快速恢复情况，用于反映清洗活动的即时效果；表示长期性能稳定系数，用于分析清洗后光伏板性能的长期稳定性，即清洗效果能够持续多久而不受显著影响；

37、整合第一复合特征值、第二复合特征值以及清洗活动特征值，形成一个多维特征向量集合，并构成多维特征空间；其中，每个特征向量都是多维特征空间中的一个点；该多维特征空间由多个特征向量组成，每个特征向量都包含第一复合特征值、第二复合特征值以及清洗活动特征值的整合结果；同时多维特征向量集合共同定义了一个多维的数据空间，为后续的数据分析、学习模型训练提供了全面且丰富的特征表示。

38、进一步的，周期清洗预测模块根据构建的多维特征空间进行时间序列分析，建立预测模型确定最佳清洗周期的过程包括：

39、从原始数据集中抽取多个训练样本集，每个样本集用于构建一棵决策树；其中，从原始数据集的单个样本中提取所有多维特征向量集合，即多维特征空间中的点；

40、在构建每棵决策树时，随机选择个部分特征作为候选特征集，并基于候选特征进行树的生长；其中，表示随机选择的特征数量作为候选特征集的大小，例如若原始数据集中有100个特征，用户每次只随机选择其中的10个或20个特征进行树的生长；

41、每棵决策树根据输入的特征向量进行预测，即多维特征空间中的一个点，并输出一个预测结果；

42、利用随机森林进行预测的过程为：

43、，式中，表示随机森林在时间序列对最佳清洗周期进行预测的最终预测值；表示随机森林预测过程的函数，接收多维特征向量和随机森林中所有决策树的集合，并作为输入，同时输出最佳清洗周期的预测值；表示在时间序列的多维特征向量，包含第一复合特征值、第二复合特征值以及清洗活动特征值；表示随机森林中树的总数；

44、其中，由于随机森林是通过集成多个决策树的预测结果进行工作，因此进一步展开函数，以更具体地描述其工作机制：

45、，式中，表示随机森林中的第棵决策树；表示第棵决策树根据特征向量进行预测，整个随机森林的预测值是所有树预测值的平均值；其中，；

46、可理解的是，随机森林模型使用原始数据集中的样本，即多维特征向量，来训练多棵决策树，并通过集成所有决策树的预测结果做出最终预测，从而确定最佳清洗周期；因此，随机森林的最终预测结果是基于所有决策树预测结果的集成。

47、进一步的，预测评估优化模块将预测模型的最佳清洗周期与实时监测数据进行评估分析，并判断模型预测的准确性的过程包括：

48、定义实时监测数据集为：

49、；

50、其中，表示光伏板在时间序列的第个监测数据，表示监测数据的标识或索引编号，表示监测数据的数量，且；实时监测数据为污垢积累程度；使用污垢层平均厚度、流体进出口温差、污垢热阻以及直接称重法中的沉积板重量变化等参数来表征污垢积累程度；污垢热阻是衡量污垢沉积对热交换效率影响的一个重要参数，通过比较清洁状态和受污染状态下的总传热系数来间接测量；污垢层平均厚度是指污垢在设备表面形成的层的平均厚度；流体进出口温差是指流体在通过设备前后的温度差，通过监测流体进出口温差的变化来反映污垢沉积量的变化；直接称重法中的沉积板重量变化是指在设备上设置一个易于拆装的沉积板，定期取下干燥并称重，通过沉积板重量的变化来确定积垢的沉积量；

51、根据随机森林预测模型预测的最佳清洗周期，与实际的实时监测数据进行比对分析，评估当前时刻污垢积累程度的变化是否符合预期；

52、定义预测的最佳清洗周期为，以及实时监测到的污垢累积程度为，则为根据历史数据估算的在时刻的污垢累积程度，评估分析表示为：

53、，式中，表示预测误差的可接受范围，即若预测的最佳清洗周期对应的污垢积累程度（通过估算或已知）与实时监测的污垢积累程度之差在范围内，则认为预测准确；

54、若预测的最佳清洗周期对应的污垢积累程度与实时监测的污垢积累程度之差在阈值范围内，则预测的当前时刻的最佳清洗周期符合实时监测的污垢积累程度，认为预测结果与实际相符，并生成一个包含清洗启动信号的清洗条件，同时将清洗启动信号发送至清洗机器人，以分配和启动清洗任务；

55、其中，清洗启动信号包括清洗时间、清洗区域以及清洗强度，清洗条件为：

56、，式中，表示清洗任务优先级，的值越高表示优先级越高；表示设定的常数项，保证清洗任务优先级的范围，即；表示资源分配；表示资源分配系数，用于调整资源分配比例，确保的范围，即；

57、若预测的最佳清洗周期对应的污垢积累程度与实时监测的污垢积累程度之差超出了阈值范围，则预测的当前时刻的最佳清洗周期不符合实时监测的污垢积累程度，认为预测结果存在问题，并重新优化模型调整参数；

58、其中，重新优化模型调整参数为：

59、，式中，表示学习率，用于控制参数调整的步长；表示时间序列，即随机森林在时间序列上进行预测；表示关于预测模型参数的梯度；表示随机森林预测过程的函数；表示在时间序列的多维特征向量。

60、与现有的技术相比，本发明提供了基于数据分析的周期清洗智能化管理系统及方法的优点在于：

61、本发明通过对光伏电站历史数据进行补偿和处理，调整由于极端天气或季节性变化导致的发电数据偏差，更精确地评估光照条件对发电量的影响，根据评估清洗活动的有效性，可以为优化清洗策略提供价值参考；

62、本发明通过根据补偿处理数据进行特征提取，构建多维特征空间，揭示了环境因素和发电量之间的非线性关系，分析清洗活动对光伏板长期性能的影响，提高了模型的训练效率和预测性能；

63、本发明通过根据构建的多维特征空间进行时间序列分析，建立预测模型确定最佳清洗周期，提高了预测模型的准确性和泛化能力，使得预测结果更加可靠和实用；通过将预测模型的最佳清洗周期与实时监测数据进行评估分析，并判断模型预测的准确性，持续的评估和优化过程，确保了预测模型始终保持较高的准确性和稳定性。

64、综上所述，本发明从采集光伏电站的历史数据来预测清洗周期，并结合光伏电站的实际情况，进行全面的数据分析和精准监测，发明中的各个模块相互配合、协同工作，共同构成了一个高效、智能的周期清洗管理运维体系，能够及时清洗光伏板，保证了其清洁度和发电效率，进一步提升了经济效益，确保后续基于数据分析的周期清洗智能化管理系统的高效稳定运行。