一种行波电帘除尘控制方法技术

本发明专利技术涉及太阳能电池板除尘技术领域，公开了一种行波电帘除尘控制方法，采用灰色GM(1,N)

【技术实现步骤摘要】
一种行波电帘除尘控制方法


[0001]本专利技术涉及太阳能电池板除尘
，具体涉及一种行波电帘除尘控制方法。

技术介绍

[0002]电帘除尘作为一种相对简单高效的新型除尘技术，已在太空电池板除尘中得到应用，可有效去除登月器表面的微尘颗粒，对于长期暴露在复杂大气环境中的太阳能电池板，受雾霾天气等潮湿因素影响，太阳能电池板表面沉积的灰尘颗粒与电池板间表面能增大，为保证除尘效率，所需的除尘激励电压增大，达到千伏左右，高压交变电压不稳定，易产生瞬时尖峰，导致电帘板绝缘层电气击穿，不但降低电帘工作可靠性还增加了功耗。
[0003]对电帘除尘所需电压有效预测控制，可有效提高电帘除尘的可靠性。专利ZL202011082367.4中采用的灰色GM(1,N)模型结构简单，对于复杂气候环境因素不确定性、非线性变化情况，灰色GM(1,N)模型预测结果存在不确定性，仅以提升除尘效率为主，忽略电帘激励电源电压对系统可靠性和工作能耗的影响，缺乏电极安全约束前提下，以提效降耗为目标的电帘除尘装置与控制方法研究。

技术实现思路

[0004]专利技术目的：针对现有技术中存在的问题，本专利技术提供一种行波电帘除尘控制方法，综合考虑电帘激励电源电压对可靠性和除尘效率间影响，根据太阳能电池板表面灰尘累积量大小实时调节激励电源电压，以保障电帘工作可靠性，提升复杂气候环境下的太阳能电池板表面除尘效率。
[0005]技术方案：本专利技术提供了一种行波电帘除尘控制方法，包括如下步骤：
[0006]S1：采集温度T、湿度h、风速v、电帘工作频率f、太阳能电池板表面单位面积积尘量m；
[0007]S2：建立太阳能电池板表面颗粒清洁所需电压的灰色GM(1,N)
‑
BP神经网络预测模型。
[0008]S3：比较所述灰色GM(1,N)
‑
BP神经网络预测模型得到的预测电压u1与电极安全电压u0，如果u1≤u0，则激励电源的电压为u＝u1，否则，转S4
‑
S6，采用动态规划算法，将激励电压约束在电极安全电压范围内，寻找除尘效率最大时的电压值；
[0009]S4：当预测电压u1>u0，求得设定状态变量，以电极安全电压u0为初始规划状态，相邻采样时刻间激励电压变化量为Δu；
[0010]S5：将初始规划状态u0代入状态转移方程，得出第k时刻的动态规划状态值，第k时刻的状态转移方程为：
[0011][0012]其中，l为第k
‑
1时刻的状态值，a为电极宽度，b为电极间距，m0为初始状态时刻太阳能电池板表面单位面积积尘量，Δm为第k
‑
1时刻至第k时刻间太阳能电池板表面单位面积积尘变化量，η为第k
‑
1时刻至第k时刻间的除尘效率，
[0013]S6：将S5中得到的控制变量更新状态转移方程的数值，重复S5继续下一次滚动优化，直至k＝T
s
时结束，滚动优化结束后得到电帘激励电源电压为动态规划全局最优解u＝u
’
。
[0014]进一步地，所述S3中的灰色GM(1,N)
‑
BP神经网络预测模型的具体方法为：
[0015]数列x0(i)表示为x
n
(t)，t＝1,2,
…
,N；n是某一组数据的编号，n＝1,2,
…
,6；x1(t),x2(t),
…
,x6(t)分别为预测电帘激励电源电压u、温度T、湿度h、风速v、电帘工作频率f、太阳能电池板表面单位面积积尘量m；经过灰色GM(1,N)预测模型后的数据序列记为y
n
(t)，n＝1,2,
…
,6，将y
n
(t)(n＝1,2,
…
,6)归一化处理后作为BP神经网络训练的样本数据，其中，y
n
(t)(n＝2,3,
…
,6)归一化处理后的值为BP神经网络输入因子，y1(t)归一化处理后的值为BP神经网络输出因子，即电帘激励电源电压；
[0016]BP神经网络预测模型的输入层节点数为5，输出层节点数为1，采用函数premrmax对样本数据作归一化处理，采用试算法确定隐含层节点的个数，选取当训练与预测值误差最小时的隐含层神经元个数作为模型的隐含层节点数。
[0017]进一步地，所述除尘对象为太阳能电池板，所述电池板表面安装有若干电极构成的电帘，所述电帘的激励电源来源于太阳能电池板供电，所述太阳能电池板产生的直流电经逆变后输出三相正弦交流电源，所述三相正弦交流电源经控制器后输出可调的三相正弦交流电施加于所述行波电帘上，为所述行波电帘提供电源。
[0018]有益效果：
[0019]1、由于复杂气候环境因素变化存在不确定性、非线性等特点，导致灰色GM(1,N)预测模型结果存在误差，本专利技术结合BP神经网络在非线性映射方面的处理优势，构建灰色GM(1,N)
‑
BP神经网络组合模型，修正灰色GM(1,N)模型预测结果存在的误差，通过对单一的灰色GM(1,N)预测和灰色GM(1,N)
‑
BP神经网络组合模型预测结果对比分析，证明灰色GM(1,N)
‑
BP神经网络组合模型预测精度高于单一的灰色GM(1,N)模型。
[0020]2、本专利技术先采用预测模型来预测电帘除尘所需电压值，如果在阈值范围内，那么直接采用预测电压施加在电帘上；如果超出了阈值电压，这时电帘电极有安全隐患，采用动态规划算法来寻求除尘效率、电帘电压之间最优解，把电压限制在阈值范围内，同时也保证了除尘效率。本专利技术动态调整除尘激励电源电压，在兼顾除尘效率的同时，约束电帘激励电源电压在电帘电极安全电压范围内，保障电帘使用的可靠性，提高电帘除尘在复杂环境下的应用。
附图说明
[0021]图1为本专利技术的电帘结构示意图；
[0022]图2为本专利技术的动态规划控制流程图；
[0023]图3为本专利技术BP神经网络预测模型结构图。
具体实施方式
[0024]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0025]本专利技术公开了一种行波电帘除尘控制方法，其基于图1所述的电帘结构实施，本专利技术公开的电帘结构包括太阳能电池板，太阳能电池板表面安装有若干电极构成的行波电帘，行波电帘的激励电源来源于太阳能电池板供电，太阳能电池板产生的直流电经逆变后输出三相正弦交流电源，三相正弦交流电源经控制器后输出可调的三相正弦交流电施加于行波电帘上，为行波电帘提供电源。待除尘装置为太阳能电池板。
[0026]本专利技术公开了一种行波电帘除尘控制方法包括如下步骤：。
[0027]S1：采集温度T、湿度h、风速v、电帘工作频率f、太阳能电池板表面单位面积积尘量m。
[0028]S2：建立太阳能电池板表面颗粒清洁所需电压本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行波电帘除尘控制方法，其特征在于，包括如下步骤：S1：采集温度T、湿度h、风速v、电帘工作频率f、太阳能电池板表面单位面积积尘量m；S2：建立太阳能电池板表面颗粒清洁所需电压的灰色GM(1,N)
‑
BP神经网络预测模型；S3：比较所述灰色GM(1,N)
‑
BP神经网络预测模型得到的预测电压u1与电极安全电压u0，如果u1≤u0，则激励电源的电压为u＝u1，否则，转S4
‑
S6，采用动态规划算法，将激励电压约束在电极安全电压范围内，寻找除尘效率最大时的电压值；S4：当预测电压u1>u0，求得设定状态变量，以电极安全电压u0为初始规划状态，相邻采样时刻间激励电压变化量为Δu；S5：将初始规划状态u0代入状态转移方程，得出第k时刻的动态规划状态值，第k时刻的状态转移方程为：其中，l为第k
‑
1时刻的状态值，a为电极宽度，b为电极间距，m0为初始状态时刻太阳能电池板表面单位面积积尘量，Δm为第k
‑
1时刻至第k时刻间太阳能电池板表面单位面积积尘变化量，η为第k
‑
1时刻至第k时刻间的除尘效率，S6：将S5中得到的控制变量更新状态转移方程的数值，重复S5继续下一次滚动优化，直至k＝T
s
时结束，滚动优化结束后得到电帘激励电源电压为动态规划全局最优解u＝u
’
。2.根据权利要求1所述的行波电帘除尘控制方法，其特征在于，所述S3中的灰色GM(1,N)
‑
B...

【专利技术属性】
技术研发人员：刘晓艳，刘乔，侍寿永，姚薇，
申请(专利权)人：江苏电子信息职业学院，
类型：发明
国别省市：