一种光伏逆变器的运行效率优化方法及系统与流程

本发明涉及光伏逆变器，尤其是涉及一种光伏逆变器的运行效率优化方法及系统。

背景技术：

1、光伏逆变器作为太阳能发电系统的核心组成部分，其运行效率直接关系到整个系统的发电量和经济效益。为了提升光伏逆变器的运行效率，可以从以下几个方面进行优化：

2、一、最大功率点跟踪(mppt)

3、最大功率点跟踪是光伏逆变器优化运行的重要手段。通过实时检测光伏电池板的工作电压和电流，mppt算法能够迅速找到光伏电池的最大功率点，使光伏系统在不同环境条件下均保持最佳工作状态。

4、二、最大效率点跟踪(mept)

5、除了最大功率点跟踪外，最大效率点跟踪也是一种有效的优化方法。mept不仅考虑光伏电池板的输出功率，还综合考虑了系统的整体效率，包括逆变器的转换效率、散热损失等，从而找到系统整体效率最高的工作点。

6、三、器件损耗分析

7、对光伏逆变器中的关键器件进行损耗分析，包括功率器件、滤波器件等，通过改进器件选型、优化散热设计等手段，减少不必要的能量损失，提升逆变器效率。

8、四、系统设计优化

9、通过优化逆变器的电路设计、电磁设计等方面，减少系统内部的能量损耗，提高转换效率。同时，合理设计逆变器的控制策略，以适应不同的光照条件和负载需求。

10、五、组件匹配

11、光伏逆变器与光伏电池板的匹配也是提升效率的关键。应根据光伏电池板的特性选择合适的逆变器，确保两者之间的匹配性，减少能量在转换过程中的损失。

12、六、电压空间矢量调制(svpwm)

13、采用电压空间矢量调制技术，可以提高逆变器的输出电压波形质量，减少谐波分量，从而提高系统的整体效率。

14、七、高效逆变器使用

15、选择高效的光伏逆变器产品，是提升系统效率的直接手段。高效逆变器通常具有更高的转换效率、更低的自身损耗和更好的散热性能。

16、八、智能控制系统应用

17、通过引入智能控制系统，可以实现对光伏逆变器的实时监控和智能控制。智能控制系统能够根据光照条件、负载需求等因素，自动调节逆变器的工作状态，使其始终处于最优运行区间，从而提高系统效率。

18、但是上述方法基本都是从单一维度去考虑、优化，因此，本发明尝试提供一种多维度的优化方案。

技术实现思路

1、本发明提供一种光伏逆变器的运行效率优化方法及系统，采用曲面拟合和神经网络方式，从多维度来优化光伏逆变器的运行效率。

2、本说明书实施例公开了一种光伏逆变器的运行效率优化方法，包括：

3、获取光伏电池的输出电流和输出电压、光伏逆变器的工作温度和运行效率；

4、将所述输出电流作为行向量，将所述工作温度作为列向量，构成第一矩阵，再导入所述运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第一参考域；

5、将所述输出电压作为行向量，将所述工作温度作为列向量，构成第二矩阵，再导入所述运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第二参考域；

6、基于第一参考域和第二参考域，以运行效率最优为目标，得到参考运行效率、参考输出电流、参考输出电压和参考工作温度；

7、将参考运行效率、参考输出电流、参考输出电压和参考工作温度整理为第一训练集和第一测试集，且将所述参考运行效率单独作为验证集；

8、对所述第一训练集和第一测试集进行预处理；

9、基于预处理后的所述第一训练集，进行模型训练得到第一神经网络模型；

10、基于预处理后的所述第一测试集，获取所述第一神经网络模型的第一准确率、第一精度和第一召回率；

11、将所述第一召回率作为行向量，将所述第一准确率作为列向量，构成第三矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第三参考域；

12、将所述第一精度作为行向量，将所述第一准确率作为列向量，构成第四矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第四参考域；

13、基于第三参考域和第四参考域，以参考运行效率最优为目标，使用所述第一测试集，选取参考运行效率最优对应的模型的最优的准确率、最优的精度和最优的召回率；

14、基于所述最优的准确率、最优的精度和最优的召回率，通过调整超参数、修改模型结构和采用正则化来优化模型参数，并基于所述验证集，选取参考运行效率最优对应的模型参数，得到最优的第一神经网络模型；

15、基于最优的第一神经网络模型进行光伏逆变器运行效率优化。

16、本说明书的一些实施例中，获取光伏逆变器的实际输出功率与其额定输出功率的比值，即负载率；

17、将所述负载率作为行向量，将所述工作温度作为列向量，构成第五矩阵，再导入所述运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第五参考域；

18、基于第一参考域、第二参考域和第五参考域，以运行效率最优为目标，得到参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考负载率；

19、将参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考负载率整理为第二训练集和第二测试集；

20、对所述第二训练集和第二测试集进行预处理；

21、基于预处理后的所述第二训练集，进行模型训练得到第二神经网络模型；

22、基于预处理后的所述第二测试集，获取所述第二神经网络模型的第二准确率、第二精度和第二召回率；

23、将所述第二召回率作为行向量，将所述第二准确率作为列向量，构成第六矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第六参考域；

24、将所述第二精度作为行向量，将所述第二准确率作为列向量，构成第七矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第七参考域；

25、基于第六参考域和第七参考域，以参考运行效率最优为目标，使用所述第二测试集，选取参考运行效率最优对应的模型的最优的准确率、最优的精度和最优的召回率；

26、基于所述最优的准确率、最优的精度和最优的召回率，通过调整超参数、修改模型结构和采用正则化来优化模型参数，并基于所述验证集，选取参考运行效率最优对应的模型参数，得到最优的第二神经网络模型；

27、基于最优的第二神经网络模型进行光伏逆变器运行效率优化。

28、本说明书的一些实施例中，获取光伏发电系统的谐波电流；

29、将所述谐波电流作为行向量，将所述工作温度作为列向量，构成第八矩阵，再导入所述运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第八参考域；

30、基于第一参考域、第二参考域和第八参考域，以运行效率最优为目标，得到参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考谐波电流；

31、将参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考谐波电流整理为第三训练集和第三测试集；

32、对所述第三训练集和第三测试集进行预处理；

33、基于预处理后的所述第三训练集，进行模型训练得到第三神经网络模型；

34、基于预处理后的所述第三测试集，获取所述第三神经网络模型的第三准确率、第三精度和第三召回率；

35、将所述第三召回率作为行向量，将所述第三准确率作为列向量，构成第九矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第九参考域；

36、将所述第三精度作为行向量，将所述第三准确率作为列向量，构成第十矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第十参考域；

37、基于第九参考域和第十参考域，以参考运行效率最优为目标，使用所述第三测试集，选取参考运行效率最优对应的模型的最优的准确率、最优的精度和最优的召回率；

38、基于所述最优的准确率、最优的精度和最优的召回率，通过调整超参数、修改模型结构和采用正则化来优化模型参数，并基于所述验证集，选取参考运行效率最优对应的模型参数，得到最优的第三神经网络模型；

39、基于最优的第三神经网络模型进行光伏逆变器运行效率优化。

40、本说明书的一些实施例中，获取光伏发电系统的谐波电压；

41、将所述谐波电压作为行向量，将所述工作温度作为列向量，构成第十一矩阵，再导入所述运行效率，执行曲面拟合操作，获得三维曲面和谐波电压曲面拟合方程，将该三维曲面记为第十一参考域；

42、基于第一参考域、第二参考域和第十一参考域，以运行效率最优为目标，得到参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考谐波电压；

43、将参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考谐波电压整理为第四训练集和第四测试集；

44、对所述第四训练集和第四测试集进行预处理；

45、基于预处理后的所述第四训练集，进行模型训练得到第四神经网络模型；

46、基于预处理后的所述第四测试集，获取所述第四神经网络模型的第四准确率、第四精度和第四召回率；

47、将所述第四召回率作为行向量，将所述第四准确率作为列向量，构成第十二矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第十二参考域；

48、将所述第四精度作为行向量，将所述第四准确率作为列向量，构成第十三矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第十三参考域；

49、基于第十二参考域和第十三参考域，以参考运行效率最优为目标，使用所述第四测试集，选取参考运行效率最优对应的模型的最优的准确率、最优的精度和最优的召回率；

50、基于所述最优的准确率、最优的精度和最优的召回率，通过调整超参数、修改模型结构和采用正则化来优化模型参数，并基于所述验证集，选取参考运行效率最优对应的模型参数，得到最优的第四神经网络模型；

51、基于最优的第四神经网络模型进行光伏逆变器运行效率优化。

52、本说明书的一些实施例中，获取光伏发电系统的谐波阻抗；

53、将所述谐波阻抗作为行向量，将所述工作温度作为列向量，构成第十四矩阵，再导入所述运行效率，执行曲面拟合操作，获得三维曲面和谐波阻抗曲面拟合方程，将该三维曲面记为第十四参考域；

54、基于第一参考域、第二参考域和第十四参考域，以运行效率最优为目标，得到参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考谐波阻抗；

55、将参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考谐波阻抗整理为第五训练集和第五测试集；

56、对所述第五训练集和第五测试集进行预处理；

57、基于预处理后的所述第五训练集，进行模型训练得到第五神经网络模型；

58、基于预处理后的所述第五测试集，获取所述第五神经网络模型的第五准确率、第五精度和第五召回率；

59、将所述第五召回率作为行向量，将所述第五准确率作为列向量，构成第十五矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第十五参考域；

60、将所述第五精度作为行向量，将所述第五准确率作为列向量，构成第十六矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第十六参考域；

61、基于第十五参考域和第十六参考域，以参考运行效率最优为目标，使用所述第五测试集，选取参考运行效率最优对应的模型的最优的准确率、最优的精度和最优的召回率；

62、基于所述最优的准确率、最优的精度和最优的召回率，通过调整超参数、修改模型结构和采用正则化来优化模型参数，并基于所述验证集，选取参考运行效率最优对应的模型参数，得到最优的第五神经网络模型；

63、基于最优的第五神经网络模型进行光伏逆变器运行效率优化。

64、本说明书的一些实施例中，获取光伏电池的倾斜角度；

65、将所述倾斜角度作为行向量，将所述工作温度作为列向量，构成第十七矩阵，再导入所述运行效率，执行曲面拟合操作，获得三维曲面和倾斜角度曲面拟合方程，将该三维曲面记为第十七参考域；

66、基于第一参考域、第二参考域和第十七参考域，以运行效率最优为目标，得到参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考倾斜角度；

67、将参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考倾斜角度整理为第六训练集和第六测试集；

68、对所述第六训练集和第六测试集进行预处理；

69、基于预处理后的所述第六训练集，进行模型训练得到第六神经网络模型；

70、基于预处理后的所述第六测试集，获取所述第六神经网络模型的第六准确率、第六精度和第六召回率；

71、将所述第六召回率作为行向量，将所述第六准确率作为列向量，构成第十八矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第十八参考域；

72、将所述第六精度作为行向量，将所述第六准确率作为列向量，构成第十九矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第十九参考域；

73、基于第十八参考域和第十九参考域，以参考运行效率最优为目标，使用所述第六测试集，选取参考运行效率最优对应的模型的最优的准确率、最优的精度和最优的召回率；

74、基于所述最优的准确率、最优的精度和最优的召回率，通过调整超参数、修改模型结构和采用正则化来优化模型参数，并基于所述验证集，选取参考运行效率最优对应的模型参数，得到最优的第六神经网络模型；

75、基于最优的第六神经网络模型进行光伏逆变器运行效率优化。

76、本说明书的一些实施例中，获取光伏逆变器的环境噪声分贝；

77、将所述环境噪声分贝作为行向量，将所述工作温度作为列向量，构成第二十矩阵，再导入所述运行效率，执行曲面拟合操作，获得三维曲面和环境噪声分贝曲面拟合方程，将该三维曲面记为第二十参考域；

78、基于第一参考域、第二参考域和第二十参考域，以运行效率最优为目标，得到参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考环境噪声分贝；

79、将参考运行效率、参考输出电流、参考输出电压、参考工作温度和参考环境噪声分贝整理为第七训练集和第七测试集；

80、对所述第七训练集和第七测试集进行预处理；

81、基于预处理后的所述第七训练集，进行模型训练得到第七神经网络模型；

82、基于预处理后的所述第七测试集，获取所述第七神经网络模型的第七准确率、第七精度和第七召回率；

83、将所述第七召回率作为行向量，将所述第七准确率作为列向量，构成第二十一矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第二十一参考域；

84、将所述第七精度作为行向量，将所述第七准确率作为列向量，构成第二十二矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第二十二参考域；

85、基于第二十一参考域和第二十二参考域，以参考运行效率最优为目标，使用所述第七测试集，选取参考运行效率最优对应的模型的最优的准确率、最优的精度和最优的召回率；

86、基于所述最优的准确率、最优的精度和最优的召回率，通过调整超参数、修改模型结构和采用正则化来优化模型参数，并基于所述验证集，选取参考运行效率最优对应的模型参数，得到最优的第七神经网络模型；

87、基于最优的第七神经网络模型进行光伏逆变器运行效率优化。

88、本说明书实施例还公开了一种光伏逆变器的运行效率优化系统，用于实现上述中任一项所述的光伏逆变器的运行效率优化方法，所述光伏逆变器的运行效率优化系统包括：

89、获取模块，用于获取获取获取光伏电池的输出电流和输出电压、光伏逆变器的工作温度和运行效率；

90、第一拟合模块，用于：

91、将所述输出电流作为行向量，将所述工作温度作为列向量，构成第一矩阵，再导入所述运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第一参考域；

92、将所述输出电压作为行向量，将所述工作温度作为列向量，构成第二矩阵，再导入所述运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第二参考域；

93、参考模块，用于基于第一参考域和第二参考域，以运行效率最优为目标，得到参考运行效率、参考输出电流、参考输出电压和参考工作温度；

94、神经网络模块，用于：

95、将参考运行效率、参考输出电流、参考输出电压和参考工作温度整理为第一训练集和第一测试集，且将所述参考运行效率单独作为验证集；

96、对所述第一训练集和第一测试集进行预处理；

97、基于预处理后的所述第一训练集，进行模型训练得到第一神经网络模型；

98、基于预处理后的所述第一测试集，获取所述第一神经网络模型的第一准确率、第一精度和第一召回率；

99、第二拟合模块，用于：

100、将所述第一召回率作为行向量，将所述第一准确率作为列向量，构成第三矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第三参考域；

101、将所述第一精度作为行向量，将所述第一准确率作为列向量，构成第四矩阵，再导入所述参考运行效率，执行曲面拟合操作，获得三维曲面，将该三维曲面记为第四参考域；

102、第一优化模块，用于基于第三参考域和第四参考域，以参考运行效率最优为目标，使用所述第一测试集，选取参考运行效率最优对应的模型的最优的准确率、最优的精度和最优的召回率；

103、第二优化模块，用于基于所述最优的准确率、最优的精度和最优的召回率，通过调整超参数、修改模型结构和采用正则化来优化模型参数，并基于所述验证集，选取参考运行效率最优对应的模型参数，得到最优的第一神经网络模型；

104、效率优化模块，用于基于最优的第一神经网络模型进行光伏逆变器运行效率优化。

105、本说明书实施例至少可以实现以下有益效果：

106、通过获取光伏电池的输出电流和输出电压、光伏逆变器的工作温度和运行效率，分别进行曲面拟合操作，得到第一参考域和第二参考域，并基于第一参考域和第二参考域，得到相应的参考数据，并基于参考数据进行神经网络训练，得到神经网络模型，并采用曲面拟合方式来优化神经网络模型，得到最优的神经网络模型，最后基于最优的神经网络模型进行光伏逆变器运行效率优化。采用曲面拟合和神经网络，从多维度来优化光伏逆变器的运行效率，通过不断优化，可以使得光伏逆变器的运行效率长期处于较为良好甚至最优的状态，进而提高整个系统的发电量和经济效益。