基于BP神经网络的光伏设备生命周期费用预测方法及系统技术方案

本发明专利技术涉及一种基于BP神经网络的光伏设备生命周期费用预测方法及系统，本光伏设备生命周期费用预测方法包括如下步骤：步骤S1，建立并训练BP神经网络预测模型；步骤S2，估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出；本发明专利技术根据各已退役的光伏设备生命周期内各项费用及总费数据进行BP神经网络的训练和学习，再根据生产经验估测待评价光伏关键设备的各项费用，并作为神经网络的输入变量，进而获取该光伏关键设备生命周期费用预测值。

【技术实现步骤摘要】
基于BP神经网络的光伏设备生命周期费用预测方法及系统
本专利技术属于光伏经济预测领域，尤其涉及一种基于BP神经网络的光伏电站关键设备生命周期费用预测方法及系统。
技术介绍
设备生命周期费用管理是从设备的长期经济效益出发，全面考虑设备的购置、运行、维修、改造、更新，直至报废的全过程，使设备生命周期费用最小的一种管理理念和方法。光伏板、逆变器、汇流箱、储能设备等光伏关键设备直接影响光伏企业经济效益，但目前主要根据生产经验对设备总费用进行粗略估算，缺乏对上述关键设备购置、使用、维护、维修直至报废的全过程进行管理，也未结合各生命阶段费用对其生命周期总费用进行合理的评价，导致对设备利用效率相对较低。实现光伏关键设备寿命周期费用最经济、设备综合产能最高的目标是进一步提高企业效益的关键。
技术实现思路
本专利技术的目的是提供一种光伏设备生命周期费用预测方法及系统，其通过BP神经网络训练学习，以获得更加准确的设备寿命周期费用预测值，进而评价设备各生命阶段费用。为了解决上述技术问题，本专利技术提供了一种光伏设备生命周期费用预测方法，包括如下步骤：步骤S1，建立并训练BP神经网络预测模型；以及步骤S2，估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。进一步，所述步骤S1中训练BP神经网络预测模型的方法包括：对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。进一步，按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及各已退役处理的光伏设备生命周期内各项费用包括：历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即输出层节点数为5；并设定总费用Hs，且输出层节点数为1。进一步，所述步骤S2中估算各光伏设备投运中的各项费用，及预测各光伏设备在其生命周期内的总费用支出的方法包括：根据设备寿命衰减率参数，对各设备购入成本W1、维修费W2、维护费W3、报废处理费W4及其余费用W5进行估算，且作为BP神经网络预测模型的输入变量，预测各光伏设备在其生命周期内的总费用支出。又一方面，本专利技术还提供了一种光伏设备生命周期费用预测系统，包括：预测模型建立模块，建立并训练BP神经网络预测模型；所述BP神经网络预测模型适于估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。进一步，建立并训练BP神经网络预测模型，即对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。进一步，按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及各已退役处理的光伏设备生命周期内各项费用包括：历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即输出层节点数为5；并设定总费用Hs，且输出层节点数为1。进一步，所述BP神经网络预测模型适于根据设备寿命衰减率参数，对各设备购入成本W1、维修费W2、维护费W3、报废处理费W4及其余费用W5进行估算，且作为BP神经网络预测模型的输入变量，预测各光伏设备在其生命周期内的总费用支出。本专利技术的有益效果是，本专利技术提供的光伏设备生命周期费用预测方法及系统，根据各已退役的光伏设备生命周期内各项费用及总费数据进行BP神经网络的训练和学习，再根据生产经验估测待评价光伏关键设备的各项费用，并作为神经网络的输入变量，进而获取该光伏关键设备生命周期费用预测值。本专利技术将光伏设备生命周期内几个环节结合起来作为全生命费用进行综合管理。应用BP神经网络算法不需要考虑各费用和生命周期总费用之间的关系，其分析过程可以从预测模型的自适应学习中获得，大大减少了人为的影响，能进一步提高光伏设备生命周期总费用的预测准确度，具有较广泛的应用前景。附图说明下面结合附图和实施例对本专利技术进一步说明。图1为本专利技术的光伏设备生命周期费用预测方法流程图；图2为本专利技术的BP神经网络预测模型的拓扑图。具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。实施例1如图1所示，本实施例1提供了一种光伏设备生命周期费用预测方法，包括如下步骤：步骤S1，建立并训练BP神经网络预测模型；以及步骤S2，估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。具体的，所述步骤S1中训练BP神经网络预测模型的方法包括：对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。具体的，按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及各已退役处理的光伏设备生命周期内各项费用包括：历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即输出层节点数为5；并设定总费用Hs，且输出层节点数为1。具体的，所述步骤S2中估算各光伏设备投运中的各项费用，及预测各光伏设备在其生命周期内的总费用支出的方法包括：根据设备寿命衰减率参数，对各设备购入成本W1、维修费W2、维护费W3、报废处理费W4及其余费用W5进行估算，且作为BP神经网络预测模型的输入变量，预测各光伏设备在其生命周期内的总费用支出。其中，所述其余费用例如但不限于包括：培训费、安装费等费用。图2为本专利技术的BP神经网络预测模型的拓扑图。以已退役光伏设备历史N组费用(H1、H2、H3、H4、H5)及生命周期总费Hs作为BP神经网络训练和学习数据，BP神经网络训练学习的输入层、输出层、隐含层及权值阈值的设计包括：取输入分别为H1、H2、H3、H4、H5，输入神经元个数为5，单隐含层神经元个数为s1，激活函数本文档来自技高网...

【技术保护点】
一种光伏设备生命周期费用预测方法，其特征在于，包括如下步骤：步骤S1，建立并训练BP神经网络预测模型；以及步骤S2，估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。

【技术特征摘要】
1.一种光伏设备生命周期费用预测方法，其特征在于，包括如下步骤：步骤S1，建立并训练BP神经网络预测模型；以及步骤S2，估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。2.根据权利要求1所述的光伏设备生命周期费用预测方法，其特征在于，所述步骤S1中训练BP神经网络预测模型的方法包括：对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。3.根据权利要求2所述的光伏设备生命周期费用预测方法，其特征在于，按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及各已退役处理的光伏设备生命周期内各项费用包括：历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即输出层节点数为5；并设定总费用Hs，且输出层节点数为1。4.根据权利要求3所述的光伏设备生命周期费用预测方法，其特征在于，所述步骤S2中估算各光伏设备投运中的各项费用，及预测各光伏设备在其生命周期内的总费用支出的方法包括：根据设备寿命衰减率参数，对各设备购入成本W1、维修费W2、维护费W3、报废处理费W4及其余费用W5进行估算，且作为BP神经网络预测模型的输入变量，预测...

【专利技术属性】
技术研发人员：沈金荣，惠杰，赵鸣晖，王浩宇，王子林，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏,32