光伏清扫装置智能调度方法及系统与流程

本发明属于智能调度，具体涉及一种光伏清扫装置智能调度方法及系统。

背景技术：

1、随着光伏产业的快速发展，光伏电站的规模不断扩大。光伏组件表面容易积灰，影响发电效率。光伏清扫装置是一种专门用于清洁光伏板（太阳能板）表面的设备，其目的是为了维持光伏板的高效发电能力。光伏板在长时间暴露于户外环境中，容易积累灰尘、鸟粪、树叶等杂物，这些污垢会降低光伏板的透光率，从而影响发电效率。目前，光伏清扫装置在光伏电站中的应用越来越广泛，但现有清扫装置的调度方式较为简单，如设置定时任务进行清扫，无法根据实际情况进行智能调度，导致清扫效果不佳，影响光伏电站的整体运行效率。

技术实现思路

1、本发明提供一种光伏清扫装置智能调度方法及系统，用以解决现有技术中存在的技术问题。

2、一方面，本发明提供一种光伏清扫装置智能调度方法，包括：

3、获取历史光伏面板图像以及每个历史光伏面板图像对应的脏污状态；其中，所述脏污状态包括光伏面板存在脏污或者光伏面板不存在脏污；

4、以所述历史光伏面板图像以及每个历史光伏面板图像对应的脏污状态为基础，确定集成自监测模型；

5、采集当前光伏面板图像，并采用集成自监测模型对所述当前光伏面板图像进行识别分析，确定当前光伏面板图像对应的实时脏污状态的概率值；

6、当所述当前光伏面板图像对应的实时脏污状态的概率值大于预设阈值时，则开启光伏清扫装置，进行智能调度。

7、进一步地，当定时清扫任务来临时，检测光伏面板的功率是否大于预设阈值，若是，则延迟光伏清扫装置的开启，直至光伏面板的功率小于预设光伏阈值，否则开启光伏清扫装置。

8、进一步地，以所述历史光伏面板图像以及每个历史光伏面板图像对应的脏污状态为基础，确定集成自监测模型，包括：

9、确定多个机器学习模型；

10、以所述历史光伏面板图像作为机器学习模型的输入，以历史光伏面板图像对应的脏污状态作为对应的期望标签，获取多个优化之后的机器学习模型；

11、初始化每个神经网络模型对应的加权系数，并采用智能优化算法对所述加权系数进行寻优，确定最优加权系数；

12、采用最优加权系数对多个优化之后的机器学习模型进行加权，得到集成自监测模型。

13、进一步地，所述机器学习模型包括卷积神经网络、多层感知机、支持向量机、逻辑斯特回归、贝叶斯模型及随机森林模型中的多个。

14、进一步地，以所述历史光伏面板图像作为机器学习模型的输入，以历史光伏面板图像对应的脏污状态作为对应的期望标签，获取多个优化之后的机器学习模型，包括：

15、对机器学习模型的参数进行编码及初始化，随机生成m个编码个体；其中，每个编码个体包括机器学习模型的多个参数；

16、将每个编码个体所对应的参数应用至机器学习模型中，并以所述历史光伏面板图像作为机器学习模型的输入，以历史光伏面板图像对应的脏污状态作为对应的期望标签，获取编码个体对应的误差函数值；

17、根据编码个体对应的误差函数值，剔除误差函数值较大的n个编码个体；

18、随机添加n个编码个体到现有群体中；

19、设置交叉概率，从现有群体的每个编码个体中随机抽取两个机器学习模型作为交叉点，并根据所述交叉概率进行交叉操作；

20、设置变异概率，并根据所述变异概率对现有群体中每个编码个体进行变异操作；

21、多次重复上述剔除、添加、交叉以及变异操作，将误差函数值最小的编码个体作为机器学习模型的最终参数，得到多个优化之后的机器学习模型。

22、进一步地，初始化每个神经网络模型对应的加权系数，并采用智能优化算法对所述加权系数进行寻优，确定最优加权系数，包括：

23、初始化每个神经网络模型对应的加权系数，以确定多个粒子对应的位置及粒子对应的速度；

24、计算粒子的适应度函数值，若是适应度函数值大于其历史最优值，则对粒子对应的历史最优值进行更新；

25、根据每个粒子对应的适应度函数值，并根据所述适应度函数值对全局最优值进行更新；

26、根据历史最优值和全局最优值，对粒子的速度以及位置进行更新，得到更新之后的粒子；

27、判断粒子更新次数是否等于预设的迭代次数阈值，若是，则根据输出全局最优值作为最优加权系数，否则返回计算粒子的适应度函数值。

28、进一步地，计算粒子的适应度函数值，包括：

29、针对任意一个粒子，将粒子所包含的加权系数应用至对应的优化之后的机器学习模型的输出上，并将所述历史光伏面板图像作为每个优化之后的机器学习模型的输入， 获取多个加权之后的输出；

30、将多个加权之后的输出相加，得到综合实际输出，以历史光伏面板图像对应的脏污状态作为对应的期望标签，并根据综合实际输出以及期望标签获取误差函数值；

31、将采用粒子获取的误差函数值与预设常数项相加并取倒数，得到粒子对应的适应度函数值。

32、进一步地，根据历史最优值和全局最优值，对粒子的速度以及位置进行更新，得到更新之后的粒子，包括：

33、采用差分改进以及双最优领导策略对粒子的速度进行更新，得到更新之后的速度，并采用更新之后的速度对粒子的位置进行一次更新，得到一次更新之后的粒子；

34、针对一次更新之后的粒子，构建自适应变化的变异决策概率，并以该变异决策概率确定变异动作；其中，变异动作包括需要变异或不需要变异；

35、当变异动作为需要变异时，则采用三角函数以及融合适应函数值的扰动函数对一次更新之后的粒子进行二次更新，得到二次更新之后的粒子。

36、进一步地，采用最优加权系数对多个优化之后的机器学习模型进行加权，得到集成自监测模型，包括：

37、针对每个优化之后的机器学习模型，采用最优加权系数中与机器学习模型对应的加权系数对机器学习模型的输出进行加权，得到加权之后的机器学习模型对应的输出；

38、将加权之后的机器学习模型对应的输出进行求和，确定集成自监测模型。

39、另一方面，本发明提供一种光伏清扫装置智能调度系统，包括：数据获取模块、模型获取模块、脏污预测模块以及智能调度模块；

40、所述数据获取模块，用于获取历史光伏面板图像以及每个历史光伏面板图像对应的脏污状态；其中，所述脏污状态包括光伏面板存在脏污或者光伏面板不存在脏污；

41、所述模型获取模块，用于以所述历史光伏面板图像以及每个历史光伏面板图像对应的脏污状态为基础，确定集成自监测模型；

42、所述脏污预测模块，用户采集当前光伏面板图像，并采用集成自监测模型对所述当前光伏面板图像进行识别分析，确定当前光伏面板图像对应的实时脏污状态的概率值；

43、所述集成自监测模型，用于当所述当前光伏面板图像对应的实时脏污状态的概率值大于预设阈值时，则开启光伏清扫装置，进行智能调度。

44、本发明提供的一种光伏清扫装置智能调度方法及系统，通过以所述历史光伏面板图像以及每个历史光伏面板图像对应的脏污状态为基础，确定集成自监测模型，然后采用集成自监测模型对所述当前光伏面板图像进行识别分析，确定当前光伏面板图像对应的实时脏污状态的概率值，当所述当前光伏面板图像对应的实时脏污状态的概率值大于预设阈值时，则开启光伏清扫装置，从而可以实现智能调度，相比于现有技术，不仅可以有效地保证光伏面板的清洁程度，同时仅在需要进行清理的时候才清理，能够有效地避免无效清理，提高光伏面板的清理效率。