【技术实现步骤摘要】
本专利技术涉及光伏清洗策略制定，具体涉及基于pcc-xgboost光伏系统清洗策略生成方法及系统。
技术介绍
1、全球能源危机的日益加剧，寻求新的能源供应方式显得越来越重要，光伏发电凭借其光照资源充足、建设周期短、清洁无污染等诸多优点成为目前最重要的新能源发电形式之一。但为了充分吸收太阳辐射，光伏系统往往架设在户外裸露的地方，这也导致了光伏系统会受到户外污染物的污染，如果不能对相关的污染物进行有效处理，一方面不仅仅会影响整体光伏系统的发电效率，另一方面由此引发的光伏板热斑等问题甚至会影响光伏系统的使用寿命，造成不必要的经济损失。高频率的清洗可以在一定程度上保证光伏系统的清洁度从而尽可能的避免污染物带来的发电损失，但光伏系统的清洗同样需要付出成本，为此，研究并制定合理的光伏系统清洗策略，在保证光伏系统发电量的同时尽可能的减少清洗次数，避免不必要的成本支出，具有非常重要的意义。
2、关于光伏清洗策略的研究，目前相关人员已经做出了大量的工作：1)一方面利用视觉算法判断光伏的污染程度从而制定清洗策略，这种方式需要大量的现场照片，而这种图片的获取需要大量的时间以及资金成本；2)另外是理论公式的方式，通过采集包括太阳辐射、温度、湿度等气象因素，从而根据理论公式，计算光伏系统的理论发电量，对比实际发电量与理论发电量的偏离程度，从而判断光伏系统的污染程度，这种方式忽略的产品之间的个体差异，其计算结果不尽人意。
3、此外，还存在基于历史数据训练策略模型进而制定光伏系统清洗策略，但这种数据驱动方式目前主要存在如下问题：1)一
技术实现思路
1、专利技术目的：本专利技术目的在于针对现有技术的不足，提供基于pcc-xgboost光伏系统清洗策略生成方法及系统，采用xgboost算法建立光伏系统清洗策略模型，为消除气象因素对光伏系统发电效率的影响，利用相似性原理获取与当前日期气象条件最为相似的历史发电数据，从而保证决策模型的准确性。
2、技术方案：本专利技术所述基于pcc-xgboost光伏系统清洗策略生成方法，包括如下步骤：
3、s1：获取与光伏系统运行相关的原始数据，包括气象数据、日期类型数据、历史发电数据、当前发电数据和光伏清洗数据；
4、s2：对s1获取的数据进行预处理，将预处理后的数据划分为训练集、测试集，进行特征向量的构建，获取当前日期气象数据，采用pcc算法与历史气象数据进行相似性计算，得到相似度最高的n个历史气象数据，将n个历史气象数据对应的历史发电数据与当前日期气象数据、日期类型数据、当前发电数据拼接成特征向量；基于特征向量生成特征数据，基于光伏清洗数据生成标签数据，所述标签数据用于表示对应日期的光伏系统清洗策略，所述训练集、测试集均分为特征数据、标签数据；
5、s3：采用smote算法对数据量较小类别进行采集，以消除数据不均衡；
6、s4：采用xgboost算法构建光伏清洗策略模型，输入训练集的特征数据和标签数据，通过拟合特征数据与标签数据之间的相关性，以缩短预测值与真实值之间的差距为目标，不断优化模型参数，得到训练好的光伏清洗策略模型；采用测试集进行验证，将测试集的特征数据输入训练好的光伏清洗策略模型，模型输出为光伏系统清洗策略，将模型输出与测试集的标签数据做对比，以验证模型输出的可靠性。
7、进一步完善上述技术方案，所述气象数据包括温度、气压、辐照度、风速、风向、降雨量、天气状况，所述日期类型数据包括周一至周日，所述光伏清洗数据为对应日期光伏系统是否清洗。
8、进一步地，所述s2中数据的预处理包括：
9、s201：首先对原始数据中气象数据、日期数据、历史发电数据的奇异点、离群点、缺失值进行填充，所述气象数据、日期数据则按照其所处的数据范围进行填充，所述历史发电数据按照平均值进行填充；
10、s202：对气象数据、日期类型数据进行编码以对所有离散数据进行向量化；
11、s203：对所有数据归一化处理。
12、进一步地，所述pcc算法包括：
13、
14、其中，ρ∈[-1,1]，当ρ靠近-1，则数据负相关，当ρ靠近1，则数据正相关，当ρ靠近0，则表示数据相关性较小，xwea,i是当前气象数据，是当前气象数据平均值，x′wea,i是历史气象数据，是历史气象数据平均值，n为数据量个数；
15、获取当日的气象数据，采用pcc算法与历史气象数据进行相似性计算，取最为相似的前n天，将对应的发电数据与当前的气象数据、日期类型数据、当前的发电数据拼接形成特征向量。
16、进一步地，所述s3采用smote对光伏清洗数据进行采样，其生成过程如下：
17、s301：对于光伏系统清洗策略为清洗类型的数据，随机挑选其中的一个特征向量xi，利用knn算法，得到距离xi最近的k个近邻；
18、s302：通过k个紧邻数据，生成对应的样本数据，对于连续数据特征来说，乘上权值，对于离散特征来说，用数量最多的类进行填充；
19、s303：将新得出的特征向量x′i，添加至数据集中，判断少数类样本数量是否满足要求，若满足，则结束；若不满足，则跳转至s301。
20、进一步地，所述采用xgboost算法构建光伏清洗策略模型由若干个弱决策模型组成，所述弱决策模型采用分类回归树，假设有m个树，
21、
22、其中，f表示所有弱决策模型的函数空间；fm表示函数空间中的一个函数，其中包含该独立树的结构q与叶子权重ω，xi表示特征向量；
23、由于xgboost算法是通过不断迭代拟合前一棵树的残差，其拟合过程表示如下：
24、
25、综合可得，xgboost的目标函数如下所示：
26、
27、其中，为训练误差函数，ω(fm)为正则项，主要作用为控制模型复杂度，防止过拟合，为了训练误差函数，采用前向分步加法算法，即在每轮迭代中添加增量函数ft(xi)来优化目标函数，从而得到：
28、
29、对损失函数进行二阶泰勒展开，并移除相关的常数项，定义其中ij为叶子节点j的样本集，ij＝{i|q(xi)＝j}从而得到
30、
31、其中，hi、gi分别为损失函数的一阶、二阶导数，λ和γ分别为l1和l2的正则惩罚系数。综上，在树结构q事先确定的前提下，对ωi求偏导可得到叶节点的最优权重和最有目标值：
32、
33、
34、采用贪心法进行子树划分，选择目标函数最小、增益最大的划分，其增益表达式为：
35、
3本文档来自技高网...
【技术保护点】
1.基于PCC-XGBoost光伏系统清洗策略生成方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于PCC-XGBoost光伏系统清洗策略生成方法，其特征在于：所述气象数据包括温度、气压、辐照度、风速、风向、降雨量、天气状况，所述日期类型数据包括周一至周日，所述光伏清洗数据为对应日期光伏系统是否清洗。
3.根据权利要求1所述的基于PCC-XGBoost光伏系统清洗策略生成方法，其特征在于，所述S2中数据的预处理包括：
4.根据权利要求1所述的基于PCC-XGBoost光伏系统清洗策略生成方法，其特征在于：所述PCC算法包括：
5.根据权利要求1所述的基于PCC-XGBoost光伏系统清洗策略生成方法，其特征在于：所述S3采用SMOTE对光伏清洗数据进行采样，其生成过程如下：
6.根据权利要求5所述的基于PCC-XGBoost光伏系统清洗策略生成方法，其特征在于：所述采用XGBoost算法构建光伏清洗策略模型由若干个弱决策模型组成，所述弱决策模型采用分类回归树，假设有M个树，
7.用于实现权利要求1
...【技术特征摘要】
1.基于pcc-xgboost光伏系统清洗策略生成方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于pcc-xgboost光伏系统清洗策略生成方法，其特征在于：所述气象数据包括温度、气压、辐照度、风速、风向、降雨量、天气状况，所述日期类型数据包括周一至周日，所述光伏清洗数据为对应日期光伏系统是否清洗。
3.根据权利要求1所述的基于pcc-xgboost光伏系统清洗策略生成方法，其特征在于，所述s2中数据的预处理包括：
4.根据权利要求1所述的基于pcc-xgboost光伏系统清洗策略生...
【专利技术属性】
技术研发人员：邵辉，郑建宁，李睿，陈志力，钟毅，周红卫，
申请(专利权)人：江苏润和软件股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。