【技术实现步骤摘要】
本专利技术涉及光伏发电领域，具体为融合深度学习与粒子群的光伏最大功率点追踪方法及系统。
技术介绍
1、光伏系统在不同的光照强度和温度条件下会产生不同的输出功率。为了最大化光伏系统的能量产出，最大功率点追踪(mppt)算法被广泛应用。传统的mppt算法，如扰动观察法(p&o)和增量电导法(inccond)，在快速变化的环境条件下存在响应速度慢和精度低的问题。随着深度学习技术的发展，利用其进行mppt算法优化成为一种新的趋势。但是，将深度学习单独作用于最大功率追踪过程中，遇到环境突变时也易陷入局部最优，导致跟踪精度下降。为此，本专利采用深度学习作为一次先行寻优方法，使其逼近系统的最大功率点，并利用改进后的粒子群算法作为精确化跟踪最大功率点的二次寻优方法，以此解决陷入局部极值点的问题。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：如何在光伏系统中实现更精确和高效的最大功率点追踪，应对传统方法在动态环境变化下的不足和低效问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：融合深度学习与粒子群的光伏最大功率点追踪方法，其包括如下步骤，
4、使用传感器收集光伏数据，进行预处理；
5、构建深度学习模型，通过预处理后的数据训练，输出最大功率；
6、采用莱维飞行方法优化粒子群算法；
7、将深度学习模型输出的最大功率输入至优化后的粒子群算法中计算光伏的最大功率值。
8、作为本专利技术所述的融合深度学习与粒子群的光伏最大功率点追踪方法的一种优选方案，其中：所述使用传感器收集光伏数据包括环境温度、光照强度以及对应的功率历史数据；
9、所述预处理是对环境温度、光照强度及功率历史数据进行去噪处理，对数据进行归一化处理，对数据进行时间序列分割和特征提取，保留在不同环境条件下的动态变化特征，将处理后的数据划分为训练集、验证集和测试集。
10、作为本专利技术所述的融合深度学习与粒子群的光伏最大功率点追踪方法的一种优选方案，其中：所述构建深度学习模型是将光照强度、环境温度作为输入，相对应的功率历史数据作为输出，训练深度学习模型，采用交叉熵损失函数作为计算预测值与真实值之间的损失值，当损失函数值小于预设值时，得到最终训练好的深度学习模型，确定光照强度、环境温度与功率之间的关系；
11、将光照强度和环境温度输入到训练好的深度学习模型中，经过计算得到输出层的初始最大功率。
12、作为本专利技术所述的融合深度学习与粒子群的光伏最大功率点追踪方法的一种优选方案，其中：所述深度学习模型包括若干个神经元的连接，通过多层神经网络模拟光伏非线性关系，在网络学习过程中，训练样本集为x，期望值集合为d，实际输出为y，对应隐藏层的第j个神经元的输入表达式为：
13、
14、其中，n是输入神经元个数，ωij是输入层第i个神经元到隐藏层第j个神经元的连接权值，是隐藏层第j个神经元的阈值，xj为训练样本集中对应的第j个样本；
15、隐藏层第j个神经元的输出表达式为：
16、
17、其中，xi为训练样本集中对应的第j个样本，f为隐藏层的激励函数.
18、作为本专利技术所述的融合深度学习与粒子群的光伏最大功率点追踪方法的一种优选方案，其中：所述光伏特性模型，表达式为：
19、
20、其中，ipv为光伏电流，il为等效电感电流，i0为光生电流，vpv为光伏电压，rs光伏等效串联电阻，rsh为光伏等效并联电阻，n固定参数因子，k为玻尔兹曼常数，t为光伏电池绝对温度；
21、使用粒子群算法对光伏特性模型进行计算，求解最大功率值；
22、粒子群算法的表达式为：
23、
24、其中，ω为惯性权重。
25、作为本专利技术所述的融合深度学习与粒子群的光伏最大功率点追踪方法的一种优选方案，其中：所述计算光伏的最大功率值是将深度学习模型输出的预测最大功率值作为初始输入值，应用粒子群优化算法计算实际的光伏最大功率，在每次迭代中，计算每个粒子的适应度，并寻找个体最优和全局最优，若粒子的位置在迭代过程中没有更新，则使用莱维飞行方法进行位置更新；
26、判断当前时刻是否满足终止条件，若满足则结束优化，则根据当前位置的电压并计算输出最终的光伏最大功率值；
27、若当前时刻不满足终止条件，则继续进行适应度计算和粒子位置更新，直至满足终止条件；
28、所述终止条件包括当迭代次数达到预设值以及使用莱维飞行方法后粒子位置停止更新。
29、作为本专利技术所述的融合深度学习与粒子群的光伏最大功率点追踪方法的一种优选方案，其中：所述莱维飞行方法是采用莱维飞行方法对对粒子群算法中的惯性权重进行改进，并调整粒子位置求解公式，表达式为：
30、
31、其中，imax为粒子群算法最大迭代次数，i为当前粒子群算法的迭代次数，m为控制系数，权重和变化次数之间整体曲线的平滑度，表示xid的第k代位置，表示点对点乘法，α表示的是能控制步长的一个因子，levy(λ)为随路径搜索的函数。
32、本专利技术的另外一个目的是提供融合深度学习与粒子群的光伏最大功率点追踪系统，其能通过实时采集光伏系统的环境数据，利用深度学习模型预测初始最大功率值，然后通过优化后的粒子群算法进一步精确优化最大功率点，解决了现有技术在复杂环境条件下难以实时准确追踪光伏系统最大功率点的问题。在动态环境下表现出更强的适应能力和全局搜索能力，避免了传统方法容易陷入局部最优的缺陷，提高了光伏系统的整体能源转换效率。
33、为解决上述技术问题，本专利技术提供如下技术方案：融合深度学习与粒子群的光伏最大功率点追踪系统，包括：数据收集与预处理模块、深度学习模型训练模块、粒子群优化算法模块、莱维飞行优化模块以及结果评估与终止判断模块；
34、所述数据收集与预处理模块是通过传感器实时采集光伏数据，对收集到的数据进行去噪、归一化、时间序列分割和特征提取；
35、所述深度学习模型训练模块是基于预处理后的数据集构建深度学习模型，并定义输入、输出和网络结构，使用训练数据集对深度学习模型进行训练，学习环境温度和光照强度与功率之间的关系，完成训练后根据新的输入数据预测光伏初始最大功率值；
36、所述粒子群优化算法模块是初始化粒子群的种群参数，设置个体最优值和全局最优值，根据深度学习模型的初始预测值，使用粒子群优化算法计算每个粒子的适应度，更新个体最优和全局最优，通过更新粒子的速度和位置，优化功率输出值，寻找全局最优解；
37、所述莱维飞行优化模块是在粒子群优化算法上增加大步长跳跃搜索策略，在每次迭代中，利用莱维飞行分布更新粒子的位置；
38、所述结果评估与终止判断模块是在每次迭代结束时，检查当前优化结果是否满足预设的终止条件，评估当前粒子群本文档来自技高网...
【技术保护点】
1.融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于，包括：
2.如权利要求1所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述使用传感器收集光伏数据包括环境温度、光照强度以及对应的功率历史数据；
3.如权利要求2所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述构建深度学习模型是将光照强度、环境温度作为输入，相对应的功率历史数据作为输出，训练深度学习模型，采用交叉熵损失函数作为计算预测值与真实值之间的损失值，当损失函数值小于预设值时，得到最终训练好的深度学习模型，确定光照强度、环境温度与功率之间的关系；
4.如权利要求3所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述深度学习模型包括若干个神经元的连接，通过多层神经网络模拟光伏非线性关系，在网络学习过程中，训练样本集为X，期望值集合为D，实际输出为Y，对应隐藏层的第j个神经元的输入表达式为：
5.如权利要求4所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述光伏特性模型，表达式为：
6.如
7.如权利要求6所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述莱维飞行方法是采用莱维飞行方法对对粒子群算法中的惯性权重进行改进，并调整粒子位置求解公式，表达式为：
8.一种采用如权利要求1至7任一所述的融合深度学习与粒子群的光伏最大功率点追踪方法的系统，其特征在于：包括数据收集与预处理模块、深度学习模型训练模块、粒子群优化算法模块、莱维飞行优化模块以及结果评估与终止判断模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的融合深度学习与粒子群的光伏最大功率点追踪方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述融合深度学习与粒子群的光伏最大功率点追踪方法的步骤。
...【技术特征摘要】
1.融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于，包括：
2.如权利要求1所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述使用传感器收集光伏数据包括环境温度、光照强度以及对应的功率历史数据；
3.如权利要求2所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述构建深度学习模型是将光照强度、环境温度作为输入，相对应的功率历史数据作为输出，训练深度学习模型，采用交叉熵损失函数作为计算预测值与真实值之间的损失值，当损失函数值小于预设值时，得到最终训练好的深度学习模型，确定光照强度、环境温度与功率之间的关系；
4.如权利要求3所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述深度学习模型包括若干个神经元的连接，通过多层神经网络模拟光伏非线性关系，在网络学习过程中，训练样本集为x，期望值集合为d，实际输出为y，对应隐藏层的第j个神经元的输入表达式为：
5.如权利要求4所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述光伏特性模型，表达式为：
6.如权利要求5所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：...
【专利技术属性】
技术研发人员：龚新勇，张腊，梁俊宇，李俊伟，叶志明，闫文棋，沈纹冰，潘堋，
申请(专利权)人：云南电网有限责任公司昆明供电局，
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。