基于演化优化的光伏运维数据重构方法技术

本发明专利技术公开了一种基于演化优化的光伏运维数据重构方法。本发明专利技术应用演化优化算法来优化设计光伏运维数据重构中的观测矩阵。在优化过程中，首先输入光伏运维数据，设置演化优化算法的参数，随机产生种群，然后适应性地调整变异系数和杂交率，执行变异和杂交操作生成新个体，并利用组合反向学习策略来生成反向种群，再将当前种群与反向种群进行竞争选择出新一代种群，从而优化得到光伏运维数据重构的观测矩阵。本发明专利技术能够提高光伏运维数据的重构效率。率。率。

【技术实现步骤摘要】
基于演化优化的光伏运维数据重构方法


[0001]本专利技术涉及数据挖掘领域，尤其是涉及一种基于演化优化的光伏运维数据重构方法。

技术介绍

[0002]随着光伏发电技术的快速发展，光伏电站的运维技术也在不断增强。光伏电站的运维已经逐渐实现了数字化。随着数字化进程的推进，光伏运维数据的形态越来越丰富，并且数据的容量也越来越大。光伏运维数据反映了光伏电站在运行过程中各个层面上的动态状态。因此，技术人员越来越重视光伏运维数据的分析。近年来，数据挖掘技术已经深入渗透到了光伏运维数据的分析中。利用数据挖掘技术，技术人员可以从光伏运维数据中挖掘出光伏电站的潜在运行规律，从而为光伏电站的运维提供决策支持。
[0003]光伏运维数据的重构是光伏运维数据分析中的关键技术，它在光伏运维数据的压缩、去噪以及光伏设备故障诊断中具有非常重要的作用。近年来，压缩感知技术已经在光伏运维数据的重构中获得了一些可行的结果。然而，利用压缩感知技术实现光伏运维数据的重构时，观测矩阵的优化设计会在很大程度上影响光伏运维数据的重构效率[崔志华,张春妹,时振涛,牛云. 基于蝙蝠算法的观测矩阵优化算法[J]. 控制与决策,2018,33(07):1341
‑
1344]。如何优化设计出有效的观测矩阵是光伏运维数据重构中的难题。传统观测矩阵的优化设计方法应用于光伏运维数据重构时容易出现精度不足的缺点。

技术实现思路

[0004]本专利技术提供一种基于演化优化的光伏运维数据重构方法，在一定程度上克服了传统观测矩阵的优化设计方法应用于光伏运维数据重构时容易出现精度不足的缺点，本专利技术能够提高光伏运维数据的重构效率。
[0005]本专利技术的技术方案：一种基于演化优化的光伏运维数据重构方法，包括以下步骤：步骤1，输入光伏运维数据；步骤2，输入稀疏变换基；步骤3，输入观测数据的长度；步骤4，输入种群规模，最大迭代次数；步骤5，设置迭代次数；步骤6，随机产生种群，其中表示种群中的第个个体，并且个体中存储了观测矩阵的个优化设计参数；个体下标；观测矩阵的优化设计参数的数量；其中，为光伏运维数据的长度；步骤7，计算种群中每个个体的适应值；步骤8，从种群中找出适应值最小的个体记为最优个体；
步骤9，设置变异系数，以及杂交率；其中，表示在[0, 1]之间产生随机实数的函数；步骤10，根据公式(1)计算当前正弦变异幅度值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，sin表示正弦函数，表示圆周率；步骤11，根据公式(2)计算当前变异系数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，为[0, 1]之间的随机实数；为[0, 0.5]之间的随机实数；步骤12，根据公式(3)计算当前正弦杂交幅度值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)步骤13，根据公式(4)计算当前杂交率：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，为[0, 1]之间的随机实数；为[0, 0.5]之间的随机实数；步骤14，根据公式(5)生成变异个体：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，，和表示从种群中随机选择出来的三个个体；步骤15，根据公式(6)生成杂交个体：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，表示杂交个体中存储的观测矩阵的第个参数；表示变异个体中存储的观测矩阵的第个参数；表示个体中存储的观测矩阵的第个参数；维度下标；步骤16，计算杂交个体的适应值；步骤17，如果杂交个体的适应值小于个体的适应值，则在种群中利用杂交个体替换个体，否则保持个体不变；步骤18，如果杂交个体的适应值小于个体的适应值，则设置，否则保持不变；
步骤19，如果杂交个体的适应值小于个体的适应值，则设置，否则保持不变；步骤20，根据公式(7)计算反向学习率：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)步骤21，对种群中的所有个体按照适应值从小到大进行排序，将排序的种群中的前个个体放入到集合中，其中，并且表示向上取整函数；步骤22，根据公式(8)生成反向种群：
ꢀꢀꢀꢀꢀ
(8)其中，表示反向种群中的第个反向个体；表示反向个体中存储的观测矩阵的第个参数；表示最优个体中存储的观测矩阵的第个参数；表示集合中的第个个体中存储的观测矩阵的第个参数；表示集合中个体的下界；表示集合中个体的上界；表示[0, 1]之间的随机实数；反向个体下标；步骤23，从种群和反向种群的并集中选择出适应值最小的前个个体组成新一代种群；步骤24，从新一代种群中找出适应值最小的个体记为最优个体；步骤25，设置迭代次数；如果迭代次数小于最大迭代次数，则转到步骤10，否则转到步骤26；步骤26，从最优个体中提取出观测矩阵的个参数，然后利用得到的个参数构建出观测矩阵，基于稀疏变换基以及得到的观测矩阵，利用正交匹配追踪算法对光伏运维数据进行重构。
[0006]针对传统观测矩阵的优化设计方法应用于光伏运维数据重构时容易出现精度不足的缺点，本专利技术应用演化优化算法来优化设计光伏运维数据重构中的观测矩阵。在演化优化算法中，利用正弦函数的周期性对变异系数和杂交率进行适应性地调节，实现全局搜索与局部搜索的平衡，提升算法的优化效率。此外，在优化过程中，利用组合反向学习策略生成反向种群，并将当前种群与反向种群进行竞争，选择出新一代种群，增强算法的优化性能，从而提高光伏运维数据的重构精度。
附图说明
[0007]图1为本专利技术实施例的流程图。
具体实施方式
[0008]下面通过实施例，并结合附图，对本专利技术的技术方案作进一步具体的说明。
[0009]实施例：本实施例结合附图，本专利技术的具体实施步骤如下：步骤1，输入光伏运维数据；所述光伏运维数据为光伏发电功率数据；步骤2，输入稀疏变换基为单位矩阵；步骤3，输入观测数据的长度；步骤4，输入种群规模，最大迭代次数；步骤5，设置迭代次数；步骤6，随机产生种群，其中表示种群中的第个个体，并且个体中存储了观测矩阵的个优化设计参数；个体下标；观测矩阵的优化设计参数的数量；其中，为光伏运维数据的长度；步骤7，计算种群中每个个体的适应值；所述适应值的计算方法为：对于种群中的第个个体，首先从个体中提取出观测矩阵的个参数，然后利用得到的个参数构建出观测矩阵，利用稀疏变换基以及得到的观测矩阵将光伏运维数据压缩成长度为的观测数据，然后基于观测矩阵以及稀疏变换基，利用正交匹配追踪算法将观测数据重构成数据，计算数据和光伏运维数据之间的误差，再将个体的适应值设置为；步骤8，从种群中找出适应值最小的个体记为最优个体；步骤9，设置变异系数，以及杂交率；其中，表示在[0, 1]之间产生随机实数的函数；步骤10，根据公式(1)计算当前正弦变异幅度值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，sin表示正弦函数，表示圆周率；步骤11，根据公式(2)计算当前变异系数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，为[0, 1]之间的随机实数；为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于演化优化的光伏运维数据重构方法，其特征在于，包括以下步骤：步骤1，输入光伏运维数据；步骤2，输入稀疏变换基；步骤3，输入观测数据的长度；步骤4，输入种群规模，最大迭代次数；步骤5，设置迭代次数；步骤6，随机产生种群，其中表示种群中的第个个体，并且个体中存储了观测矩阵的个优化设计参数；个体下标；观测矩阵的优化设计参数的数量；其中，为光伏运维数据的长度；步骤7，计算种群中每个个体的适应值；步骤8，从种群中找出适应值最小的个体记为最优个体；步骤9，设置变异系数，以及杂交率；其中，表示在[0, 1]之间产生随机实数的函数；步骤10，根据公式(1)计算当前正弦变异幅度值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，sin表示正弦函数，表示圆周率；步骤11，根据公式(2)计算当前变异系数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，为[0, 1]之间的随机实数；为[0, 0.5]之间的随机实数；步骤12，根据公式(3)计算当前正弦杂交幅度值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)步骤13，根据公式(4)计算当前杂交率：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，为[0, 1]之间的随机实数；为[0, 0.5]之间的随机实数；步骤14，根据公式(5)生成变异个体：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，，和表示从种群中随机选择出来的三个个体；步骤15，根据公式(6)生成杂交个体：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ...

【专利技术属性】
技术研发人员：吴文宝，熊建英，吴昌垣，熊敏，杜桂兰，叶伟，郭肇禄，
申请(专利权)人：中国电建集团江西省电力建设有限公司，
类型：发明
国别省市：