CN117634836A - 一种基于矩阵分析的光伏电站清洗过程评估方法及*** - Google Patents
一种基于矩阵分析的光伏电站清洗过程评估方法及*** Download PDFInfo
- Publication number
- CN117634836A CN117634836A CN202311680290.4A CN202311680290A CN117634836A CN 117634836 A CN117634836 A CN 117634836A CN 202311680290 A CN202311680290 A CN 202311680290A CN 117634836 A CN117634836 A CN 117634836A
- Authority
- CN
- China
- Prior art keywords
- cleaning
- photovoltaic power
- module
- power station
- photovoltaic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 367
- 239000011159 matrix material Substances 0.000 title claims abstract description 113
- 238000011156 evaluation Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000008569 process Effects 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000013136 deep learning model Methods 0.000 claims abstract description 99
- 238000010248 power generation Methods 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000000694 effects Effects 0.000 claims description 47
- 238000004891 communication Methods 0.000 claims description 20
- 238000005286 illumination Methods 0.000 claims description 16
- 230000003749 cleanliness Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 239000000306 component Substances 0.000 description 29
- 238000012423 maintenance Methods 0.000 description 21
- 238000007726 management method Methods 0.000 description 21
- 239000000428 dust Substances 0.000 description 19
- 238000012545 processing Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000012459 cleaning agent Substances 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000003631 expected effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提出了一种基于矩阵分析的光伏电站清洗过程评估方法和***。其特征在于,所述光伏电站清洗过程评估方法包括:实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***;利用预定的分类标准对光伏组件划分为不同的区域矩阵;利用所述区域矩阵的区域矩阵信息结合光伏电站的历史性能数据对深度学习模型进行训练,获得完成训练和优化的深度学习模型。通过实时监测和精确识别光伏组件的清洗需求,以及优化清洗排程,本发明可以最大程度地提高光伏电站的发电效率。这有助于充分利用太阳能资源,提供更多清洁能源。
Description
技术领域
本发明涉及光伏电站清洗过程评估技术领域,特别涉及一种基于矩阵分析的光伏电站清洗过程评估方法及***。
背景技术
光伏电站清洗过程评估技术是太阳能光伏行业中备受关注和发展迅猛的领域之一,其重要性在于确保太阳能光伏组件的高效运行,通过实时监测和准确识别清洗需求,最大程度地提高发电效率,同时降低维护成本,从而推动可再生能源的可持续发展。
目前,传统方法在光伏电站清洗过程评估方面存在一些问题和不足之处:
1、固定的清洗计划:传统方法通常基于固定的时间表来进行清洗,而不是根据实际需求和光伏组件的状况来制定清洗计划。这可能导致清洗不足或过度清洗,浪费资源并降低发电效率。
2、清洗力量分配问题:传统方法通常未能优化清洗力量,未能识别哪些组件或区域需要更紧急的清洗。这可能导致一些污染严重的区域被忽略,从而影响整个电站的性能。
3、缺乏实时监测:传统方法通常无法提供实时监测和反馈,因此无法及时发现清洗效果不佳或局部积灰等问题。这会延缓问题的识别和解决,降低了发电效率。
4、灰尘积累模型准确:传统灰尘积累预测模型基于电站的整体历史数据进行计算,缺乏分类和先验知识,导致灰尘积累模型准确性较差。
基于矩阵分析模型的方法能够更全面地考虑多个因素和情况,因此具有潜力成为光伏电站清洗过程评估技术的关键工具。
发明内容
本发明提供了一种基于矩阵分析的光伏电站清洗过程评估方法及***,用以解决现有技术中清洗方式清洗效率不高、无法对清洗效果进行实时监测、大多依赖人工巡检,人力资源成本高、无法动态调整清洗策略,导致清洗效果不佳、采样清洗机器人导致成本昂贵以及无法准确评估光伏组件的清洁程度,无法进行区域化的清洗计划或深入的清洗效果评估的问题:
本发明提出的一种基于矩阵分析的光伏电站清洗过程评估方法,所述光伏电站清洗过程评估方法包括:
S1:实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***;
S2:利用预定的分类标准对光伏组件划分为不同的区域矩阵;
S3:利用所述区域矩阵的区域矩阵信息结合光伏电站的历史性能数据对深度学习模型进行训练,获得完成训练和优化的深度学习模型;
S4:根据清洗需求通过所述完成训练和优化的深度学习模型确定光伏电站的需要进行清洗的组串及其清洗参数;
S5:根据组串的评估结果进行清洗效果评估。
进一步的,实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***,包括:
S11:控制数据采集装置定期测量所述光伏电站所包含的各组串的电流、电压、温度和光照强度等其他性能参数;其中,所述各组串的电流、电压、温度和光照强度即为所述光伏电站的运行参数信息;
S12:将所述运行参数信息通过通信模块发送至中央***。
进一步的,利用预定的分类标准对光伏组件划分为不同的区域矩阵,包括:
S21:提取所述预定的分类标准;
S22:利用矩阵分析方法按照所述预定的分类标准对光伏组件进行划分,形成不同的区域矩阵;
S23:将所述光伏组件按照划分结果归类到其对应的区域矩阵。
进一步的,根据清洗需求通过所述完成训练和优化的深度学习模型确定光伏电站的需要进行清洗的组串及其清洗参数,包括:
S41:调取所述光伏电站的清洗需求;
S42:将所述清洗需求输入至所述完成训练和优化的深度学习模型;
S43:将所述光伏电站的各组串的运行参数输入至所述完成训练和优化的深度学习模型,通过所述完成训练和优化的深度学习模型判定所述光伏电站的各组串是否符合清洗需求;
S44:针对需要清洗的组串,利用所述完成训练和优化的深度学习模型根据组串的运行参数进行清洗参数确定,其中,所述清洗参数包括清洗顺序、清洗力度和清洗时长;
S45:根据每个需要清洗的组串的清洗力度和清洗时长,进行清洗力度分配和清洗时长分配,并按照所述清洗顺序对待清洗的组串进行清洗排程。
进一步的,根据组串的亲故结果进行清洗效果评估,包括:
S51:实时监测组串清洗过程中的数据参数,其中,所述数据参数包括性能参数和清洗程度;
S52:结合区域矩阵信息对所述清洗程度进行评估;
S53:利用所述深度学习模型的矩阵区域清洁程度的预测结果和历史最优发电效率数据对光伏组件的发电效率进行评估,获得评估结果,并通过所述评估结果判断所述光伏组件是否处于最佳性能状态。
本发明提出的一种基于矩阵分析的光伏电站清洗过程评估***,所述光伏电站清洗过程评估***包括:
信息采集模块:实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***;
矩阵划分模块:利用预定的分类标准对光伏组件划分为不同的区域矩阵;
模型获得模块:利用所述区域矩阵的区域矩阵信息结合光伏电站的历史性能数据对深度学习模型进行训练,获得完成训练和优化的深度学习模型;
参数确定模块:根据清洗需求通过所述完成训练和优化的深度学习模型确定光伏电站的需要进行清洗的组串及其清洗参数;
效果评估模块:根据组串的评估结果进行清洗效果评估。
进一步的,所述信息采集模块,包括:
参数测量模块:控制数据采集装置定期测量所述光伏电站所包含的各组串的电流、电压、温度和光照强度等其他性能参数;其中,所述各组串的电流、电压、温度和光照强度即为所述光伏电站的运行参数信息;
信息传输模块:将所述运行参数信息通过通信模块发送至中央***。
进一步的,所述矩阵划分模块,包括:
标准提取模块:提取所述预定的分类标准;
组件划分模块:利用矩阵分析方法按照所述预定的分类标准对光伏组件进行划分,形成不同的区域矩阵;
组件归类模块:将所述光伏组件按照划分结果归类到其对应的区域矩阵。
进一步的,所述参数确定模块,包括:
调取所述光伏电站的清洗需求;
需求输入模块:将所述清洗需求输入至所述完成训练和优化的深度学习模型;
需求判定模块:将所述光伏电站的各组串的运行参数输入至所述完成训练和优化的深度学习模型,通过所述完成训练和优化的深度学习模型判定所述光伏电站的各组串是否符合清洗需求;
参数确定模块:针对需要清洗的组串,利用所述完成训练和优化的深度学习模型根据组串的运行参数进行清洗参数确定,其中,所述清洗参数包括清洗顺序、清洗力度和清洗时长;
清洗排程模块:根据每个需要清洗的组串的清洗力度和清洗时长,进行清洗力度分配和清洗时长分配,并按照所述清洗顺序对待清洗的组串进行清洗排程。
进一步的,所述效果评估模块,包括:
实时监测模块:实时监测组串清洗过程中的数据参数,其中,所述数据参数包括性能参数和清洗程度;
程度评估模块:结合区域矩阵信息对所述清洗程度进行评估;
状态判断模块:利用所述深度学习模型的矩阵区域清洁程度的预测结果和历史最优发电效率数据对光伏组件的发电效率进行评估,获得评估结果,并通过所述评估结果判断所述光伏组件是否处于最佳性能状态。
本发明有益效果:
1、提高发电效率:通过实时监测和精确识别光伏组件的清洗需求,以及优化清洗排程,本发明可以最大程度地提高光伏电站的发电效率。这有助于充分利用太阳能资源,提供更多清洁能源。
2、降低维护成本:本发明通过深度学习模型的应用,精确识别哪些光伏组件需要清洗,哪些不需要,以及最佳的清洗顺序。这有效降低了不必要的清洗工作,减少了清洗设备和人力的使用,从而降低了维护成本。
3、实时清洗效果监测:本发明引入了清洗程度传感器和矩阵分析,可实时监测光伏组件的清洗状态,并通过深度学习模型提供清洗效果评估。这使运维人员能够及时发现清洗不彻底的组件或局部积灰问题,确保清洗过程的实时效果。
4、推动可再生能源的可持续发展:通过提高光伏电站的发电效率,降低维护成本,以及减少对化石燃料的依赖,本发明有助于推动可再生能源(太阳能)的可持续发展,减少对环境的影响。
5、智能化维护决策:本发明基于深度学习和历史数据建立了智能化的清洗力量分配模型,使***能够自动识别清洗需求和分配清洗资源,为运维人员提供更智能的维护决策支持。
6、减少人为误差:传统的人工维护方式可能受到人为误差的影响,而本发明基于数据和模型的方法减少了这种误差,提高了清洗的准确性和效率。
附图说明
图1为本发明提出的一种基于矩阵分析的光伏电站清洗过程评估方法步骤图;
图2为本发明提出的一种基于矩阵分析的光伏电站清洗过程评估***流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1、
本实施例提出的一种基于矩阵分析的光伏电站清洗过程评估方法,如图1所示,所述光伏电站清洗过程评估方法包括:
S1:实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***;
S2:利用预定的分类标准对光伏组件划分为不同的区域矩阵;
S3:利用所述区域矩阵的区域矩阵信息结合光伏电站的历史性能数据对深度学习模型进行训练,获得完成训练和优化的深度学习模型;
S4:根据清洗需求通过所述完成训练和优化的深度学习模型确定光伏电站的需要进行清洗的组串及其清洗参数;
S5:根据组串的评估结果进行清洗效果评估。
上述技术方案的工作原理为:实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***。通过监测光伏电站的运行参数,如发电功率、电压、温度等,可以获取电站的实时状态和性能数据;利用预定的分类标准对光伏组件划分为不同的区域矩阵。根据光伏组件的位置、朝向、倾角等特征,将光伏组件划分为不同的区域,每个区域形成一个矩阵;利用所述区域矩阵的区域矩阵信息结合光伏电站的历史性能数据对深度学习模型进行训练,获得完成训练和优化的深度学习模型。将区域矩阵信息和历史性能数据作为训练样本,通过深度学习算法对模型进行训练和优化,以建立光伏电站清洗过程评估的模型;根据清洗需求通过所述完成训练和优化的深度学习模型确定光伏电站的需要进行清洗的组串及其清洗参数。根据光伏电站清洗的需求,使用完成训练和优化的深度学习模型对各个区域进行评估,确定需要清洗的组串以及相应的清洗参数,如清洗时间、清洗剂浓度等;根据组串的评估结果进行清洗效果评估。在完成清洗后,通过监测光伏组件的运行参数和性能数据,对清洗效果进行评估和分析,判断清洗过程是否达到预期效果,并可根据评估结果调整清洗策略和参数。
具体的,实时采集光伏电站的运行参数信息对应的实时监测***可以包括:
数据采集装置:数据采集装置安装在综自旁边,可以采集到光伏电站的电压、电流、组串电流,光照强度等关键信息。
数据采集单元:负责收集数据采集装置产生的数据。该单元定期收集光伏电站的运行数据。
通信模块:与数据采集单元连接,用于将采集的数据传输到中央***。通信模块可以使用无线或有线连接,确保数据的实时传输。
其中,数据采集装置安装在综自附近,定期测量电流、电压、温度等性能参数。数据采集单元负责定期收集数据采集装置采集到的光伏电站运行数据,并将其传输到中央***。
所述中央***的实际结构可以包括:
计算机或服务器:中央***的核心组成部分,用于数据处理和分析。它与通信模块连接,接收来自实时监测***的数据。
矩阵分析模型:中央***包括矩阵分析模型,用于将光伏组件划分为不同的区域矩阵,进行区域化分类。该模型基于机理和数据分析标准,将组件进行归类。
深度学习模型:用于建立和运行深度学习模型,该模型分析历史性能数据,预测每个区域的理论最优发电量,并学习历史最优发电效率。
清洗力量分配算法:中央***配备清洗力量分配算法,根据深度学习模型的输出,确定哪些组串需要清洗,哪些不需要。该算法确保最需要清洗的组串获得足够的清洗力量。
排程优化:中央***还包括排程优化算法,它根据清洗力量的分配情况,确定清洗机器人的工作顺序和时间分配,以最大程度地提高发电效率。
其中,中央***收到实时监测数据后,启动矩阵分析模型。矩阵分析模型根据机理分析,以及数据聚类分析,确定分类标准,将光伏组件划分为不同的区域矩阵,如同朝向、支架类型等。
组件被归类到各自的区域矩阵中,形成区域化分类。
并且,所述实时监测***与所述中央***之间的连接情况如下:
数据采集装置通过电缆连接到数据采集单元,实现数据的即时传输。
数据采集单元与通信模块通过内部数据总线或通信协议连接,以便将采集的数据传输到中央***。
中央***中的计算机或服务器与通信模块连接,接收、存储和处理来自实时监测***的数据。
中央***内的矩阵分析模型、深度学习模型、清洗力量分配算法和排程优化算法协同工作,根据收到的数据进行分析和决策。
其中,深度学习模型采用深度卷积神经网络进行建模,输入数据为时间序列的输出功率/装机容量,组串电流,太阳辐射强度,温度,风速;输出数据为组件清洁程度。
为了捕捉数据的时间信息,对数据进行动态窗口处理,形成动态矩阵,作为深度神经网络的输入矩阵。
模型的网络结构为:
第1层为卷积,卷积核为3×3
第2层为池化,采用2×2最大池化
第3层为卷积,卷积核为3×3
第4层为池化,采用2×2最大池化
最后是3个全连接层。
整个模型的激活函数采用ReLU。
上述技术方案的效果为:通过实时采集光伏电站的运行参数信息,可以及时获取电站的实时状态和性能数据,对光伏组件的清洗需求进行准确评估;利用预定的分类标准对光伏组件进行区域矩阵划分,可以根据不同的区域特征进行差异化的清洗策略制定,提高清洗效果;通过利用区域矩阵信息和历史性能数据对深度学习模型进行训练和优化,可以建立准确的评估模型,提高清洗评估的准确性和可靠性;通过训练和优化的深度学习模型,可以根据清洗需求确定光伏电站需要清洗的组串以及相应的清洗参数,如清洗时间、清洗剂浓度等,从而确保清洗过程的高效性和可控性;根据组串的评估结果,可以对清洗效果进行评估,判断清洗过程是否达到预期效果,及时调整清洗策略和参数,保证光伏组件的正常运行和发电效率。
实施例2、
本实施例,实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***,包括:
S11:控制数据采集装置定期测量所述光伏电站所包含的各组串的电流、电压、温度和光照强度等其他性能参数;其中,所述各组串的电流、电压、温度和光照强度即为所述光伏电站的运行参数信息;
S12:将所述运行参数信息通过通信模块发送至中央***。
上述技术方案的工作原理为:在光伏电站中安装数据采集装置,定期测量各组串的电流、电压、温度和光照强度等其他性能参数。这些参数是影响光伏电站发电效率的重要指标,通过实时监测可以及时掌握电站的运行状态;数据采集装置需要进行定期的测量,以保证数据的准确性和可靠性。控制数据采集装置可以对数据进行定时采集和上传,避免人工操作的误差和不及时;所述运行参数信息通过通信模块发送至中央***,以便对数据进行统一管理和分析。通信模块可以采用无线通信方式或有线通信方式,实现数据的远程监测和管理;中央***负责接收并处理所述运行参数信息,对数据进行分析和处理,分析光伏电站的运行状态和性能,并提出相应的建议和措施。中央***还可以与其他***进行联动,如告警***、维护***等,实现对光伏电站的全面监控和管理。
上述技术方案的效果为:通过实时采集光伏电站的运行参数信息,可以及时获取电站的实时状态和性能数据,对光伏组件的运行状态进行准确评估,及时发现故障和异常情况;通过对所述运行参数信息的分析,可以了解光伏电站的运行状况和性能表现,并对光伏组件的优化管理提供数据支持,提高光伏电站的发电效率和运行可靠性;通过所述运行参数信息的监测和分析,可以及时发现电站中的故障和异常情况,并进行精准的故障诊断和排除,避免因故障而导致的电站停运和损失;通过分析所述运行参数信息的历史数据,可以预测光伏电站未来的运行状况和性能表现,进行合理的维护规划和预防措施,提高电站的运行时间和效益;通过对所述运行参数信息的监测和分析,可以对光伏电站的管理和运营进行优化,制定科学的管理措施和策略,提高光伏电站的运行效率和经济效益。
实施例3、
本实施例,利用预定的分类标准对光伏组件划分为不同的区域矩阵,包括:
S21:提取所述预定的分类标准;
S22:利用矩阵分析方法按照所述预定的分类标准对光伏组件进行划分,形成不同的区域矩阵;
S23:将所述光伏组件按照划分结果归类到其对应的区域矩阵。
上述技术方案的工作原理为:提取预定的分类标准,这些分类标准可以是光伏组件的尺寸、材质、颜色、厚度等参数,也可以是电性能、光学性能、机械性能等方面的指标;利用矩阵分析方法,将提取的分类标准作为维度,在不同的维度上进行数据分析和矩阵运算,得到不同的区域矩阵。这些区域矩阵可以由多个属性组成,形成一个多维属性空间,通过对不同属性的组合,可以得到不同的区域划分;根据所述分类结果,将光伏组件按照其特征和属性归类到相应的区域矩阵中,以实现光伏组件的分类管理和精细化管理。
其中,所述区域矩阵的划分具体如下:
区域矩阵的划分采用机理分析与聚类分析相结合的方法;当具备丰富的先验知识时,机理分析如下:
1)依据光伏电站的屋顶进行区域划分,即同屋顶的组件为1区域;
2)依据光伏组件的朝向,倾角进行区域划分,即同朝向,倾角的组件为同1区域。
当无法掌握光伏电站现场的详细信息:
基于数据聚类的方法进行划分:
对功率/装机容量,太阳辐射强度,风速,温度,采用k近邻的方法进行聚类,对光伏电站的区域进行划分,保证同区域组件的数据特征更为相近。
上述技术方案的效果为:通过对光伏组件按照预定的分类标准进行划分,可以对不同类型的光伏组件进行精细化管理。这样可以更好地了解和掌握不同类型光伏组件的性能特点和运行状态,有针对性地制定管理策略和维护计划;通过将光伏组件划分为不同的区域矩阵,可以实现更加精确的数据分析和管理。根据不同区域矩阵中光伏组件的特点和属性,可以进行针对性的优化和调整,提高光伏组件的发电效率和性能表现;精细化管理和优化调整可以帮助识别和处理光伏组件中的问题和故障。通过及时发现和解决问题,可以降低维修和更换成本,延长光伏组件的使用寿命,从而降低运营成本;通过对光伏组件进行区域矩阵划分,可以更好地掌握光伏组件的质量状况。针对不同区域矩阵中的光伏组件,可以采取针对性的质量控制和监测措施,提升光伏组件的整体质量水平;通过对区域矩阵中光伏组件的数据进行分析,可以获取更加准确和全面的信息。这些信息可以为决策者提供参考和支持,帮助其制定科学合理的运营和管理决策,提高光伏电站的整体效益。
实施例4、
本实施例,根据清洗需求通过所述完成训练和优化的深度学习模型确定光伏电站的需要进行清洗的组串及其清洗参数,包括:
S41:调取所述光伏电站的清洗需求;
S42:将所述清洗需求输入至所述完成训练和优化的深度学习模型;
S43:将所述光伏电站的各组串的运行参数输入至所述完成训练和优化的深度学习模型,通过所述完成训练和优化的深度学习模型判定所述光伏电站的各组串是否符合清洗需求;
S44:针对需要清洗的组串,利用所述完成训练和优化的深度学习模型根据组串的运行参数进行清洗参数确定,其中,所述清洗参数包括清洗顺序、清洗力度和清洗时长;具体的:清洗力度的分配流程如下:
使用历史运行数据,输入数据包括,组串电流,组串电压,逆变器功率,光照强度,温度,时间等,在中央***建立深度学习模型。
模型预测每个区域的理论最优发电量,并学习历史最优发电效率。
采用Adam的方法对模型参数进行优化,以提高准确性和性能。
利用深度学习模型学习清洗需求,***分析各组串的性能参数和清洗程度数据,以及计算得到的组件灰尘和积灰程度。
***确定哪些组串需要清洗,哪些不需要清洗,确保最需要清洗的组串获得清洗力量。
其中,所述清洗力量的具体力度比例通过如下公式获取:
其中,P表示清洗力量的具体力度比例;P0表示预设的比例基准值(即,初始化比例);M表示灰尘参数矩阵;M0表示基准参数矩阵;mh和mhs分别表示当前清洗时的组件灰尘质量和组件灰尘分布面积;Δmh和Δmhs分别表示当前清洗时与上一次清洗时的组件灰尘的质量变化量和灰尘分布面积变化量;mhp和mhps分别表示的比例基准值对应的预设的组件灰尘质量基准值和灰尘分布面积基准值;
利用所述清洗力量的具体力度比例,获取所述清洗力量,其中,所述清洗力量通过如下公式获取:
F=(1+P)·F0
其中,F表示清洗力量;F0表示预设的清洗力量初始值;
同时,所述清洗时长通过如下公式获取:
其中,T表示清洗时长;T0表示预设的清洗时长初始值;
S45:根据每个需要清洗的组串的清洗力度和清洗时长,进行清洗力度分配和清洗时长分配,并按照所述清洗顺序对待清洗的组串进行清洗排程。
上述技术方案的工作原理为:通过调取光伏电站的清洗需求,将其输入至已完成训练和优化的深度学习模型中。然后,将光伏电站各组串的运行参数输入至深度学习模型中,利用深度学习模型对输入的运行参数进行分析和判定,以判断每个组串是否需要进行清洗。对于需要清洗的组串,利用深度学习模型根据其运行参数确定清洗参数,包括清洗顺序、清洗力度和清洗时长。最后,根据每个需要清洗的组串的清洗力度和清洗时长,进行清洗力度和清洗时长的分配,并按照确定的清洗顺序对待清洗的组串进行清洗排程。
上述技术方案的效果为:通过完成训练和优化的深度学习模型,能够准确地判断光伏电站各组串是否符合清洗需求。基于深度学习模型的分析和判定,可以排除主观判断的误差,提高清洗判定的准确性;利用深度学习模型,整个清洗流程可以自动化执行,减少人工操作的需求。只需要输入光伏电站的清洗需求和各组串的运行参数,深度学习模型就能自动判断和确定清洗参数,极大地提高了清洗过程的效率和便捷性;通过完成训练和优化的深度学习模型,可以根据组串的运行参数确定清洗参数,包括清洗顺序、清洗力度和清洗时长。这样可以针对不同的组串进行个性化的清洗处理,最大程度地提高清洗效果,保证光伏电站的正常运行和发电效率;由于清洗参数的精确确定,清洗力度和时长可以根据实际需求进行分配,避免了不必要的清洗浪费和资源消耗,从而节约了清洗成本。同时,自动化的清洗排程可以优化清洗时间和人力资源的利用,进一步降低了清洗的成本。
另一方面,通过获取灰尘参数矩阵以及预设的组件灰尘质量基准值和灰尘分布面积基准值,可以更加准确地判断组件的污染程度和分布情况,从而根据实际情况调整清洗力量和清洗时长,有效提高清洗质量。通过对当前清洗时与上一次清洗时的组件灰尘的质量变化量和灰尘分布面积变化量的监测,可以及时发现组件的磨损情况,从而调整清洗力量和清洗时长,减少对组件的损伤,延长组件的使用寿命。通过预设的清洗力量初始值和预设的清洗时长初始值,可以根据实际需求进行合理设置,避免过度的清洗和能源浪费,实现能源的有效利用。通过对清洗力量的精确控制,可以实现对清洗过程的自动化和智能化管理,减少人工干预和操作失误,提高工作效率。
综上所述,这种基于清洗力量的控制方法可以在提高清洗质量、延长组件寿命、节约能源和提高工作效率等方面取得良好的技术效果。
实施例5、
本实施例,根据组串的亲故结果进行清洗效果评估,包括:
S51:实时监测组串清洗过程中的数据参数,其中,所述数据参数包括性能参数和清洗程度;
S52:结合区域矩阵信息对所述清洗程度进行评估;
S53:利用所述深度学习模型的矩阵区域清洁程度的预测结果和历史最优发电效率数据对光伏组件的发电效率进行评估,获得评估结果,并通过所述评估结果判断所述光伏组件是否处于最佳性能状态。
上述技术方案的工作原理为:实时监测组串清洗过程中的数据参数,包括性能参数和清洗程度。这些参数可以通过传感器等设备进行实时监测和采集,以反映组串的实际情况。结合区域矩阵信息对清洗程度进行评估。区域矩阵是光伏电站中常用的一种评估方法,可以通过比较不同区域内组件的发电效率差异,得到组串清洗后的效果。利用区域矩阵信息,可以对组串的清洗程度进行客观评估。利用深度学习模型的矩阵区域清洁程度的预测结果和历史最优发电效率数据,对光伏组件的发电效率进行评估。深度学习模型可以通过历史数据和实时监测的数据,预测出组件的发电效率,并与历史最优发电效率进行比较,从而得出组件当前的发电效率情况。根据评估结果判断光伏组件是否处于最佳性能状态。根据实时监测的数据和评估结果,可以判断组件是否达到了最佳性能状态,如果没有达到,则需要进一步进行清洗或其他处理。
同时,采用深度卷积神经网络的方法建立模型,会输出每个矩阵的组件清洁程度,每个矩阵会建立一个模型,会采用RMSE,MAE对模型精度进行评估,如果模型性能满足参数要求,则模型得到的清洁程度是可以用来参考的。
通过深度学习模型,可以实时看到每个矩阵区域的清洁程度变化情况,当清洁程度达到预设的阈值,则说明该矩阵区域处于洁净状态,整个过程可以看到光伏电站每个矩阵清洁程度的动态变化情况,以此来实现对矩阵清洁程度的评估。
上述技术方案的效果为:通过实时监测组串清洗过程中的性能参数和清洗程度,可以及时获取组串的运行情况,确保对光伏组件进行准确的评估和维护;结合区域矩阵信息,可以对清洗程度进行评估。这样可以更客观地判断组串的清洗效果,避免清洗不彻底或清洗过度导致性能下降或损坏;利用深度学习模型的矩阵区域清洁程度的预测结果和历史最优发电效率数据,对光伏组件的发电效率进行评估。通过与历史最优发电效率进行对比,可以了解组件当前的发电效率情况,并及时发现异常状态;通过评估结果,可以判断光伏组件是否处于最佳性能状态。如果评估结果显示组件未达到最佳状态,可以采取相应措施,如进一步清洗、维修或更换组件,以保证光伏电站的正常运行和发电效率。
实施例6、
本实施例提出的一种基于矩阵分析的光伏电站清洗过程评估***,如图2所示,所述光伏电站清洗过程评估***包括:
信息采集模块:实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***;
矩阵划分模块:利用预定的分类标准对光伏组件划分为不同的区域矩阵;
模型获得模块:利用所述区域矩阵的区域矩阵信息结合光伏电站的历史性能数据对深度学习模型进行训练,获得完成训练和优化的深度学习模型;
参数确定模块:根据清洗需求通过所述完成训练和优化的深度学习模型确定光伏电站的需要进行清洗的组串及其清洗参数;
效果评估模块:根据组串的评估结果进行清洗效果评估。
上述技术方案的工作原理为:实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***。通过监测光伏电站的运行参数,如发电功率、电压、温度等,可以获取电站的实时状态和性能数据;利用预定的分类标准对光伏组件划分为不同的区域矩阵。根据光伏组件的位置、朝向、倾角等特征,将光伏组件划分为不同的区域,每个区域形成一个矩阵;利用所述区域矩阵的区域矩阵信息结合光伏电站的历史性能数据对深度学习模型进行训练,获得完成训练和优化的深度学习模型。将区域矩阵信息和历史性能数据作为训练样本,通过深度学习算法对模型进行训练和优化,以建立光伏电站清洗过程评估的模型;根据清洗需求通过所述完成训练和优化的深度学习模型确定光伏电站的需要进行清洗的组串及其清洗参数。根据光伏电站清洗的需求,使用完成训练和优化的深度学习模型对各个区域进行评估,确定需要清洗的组串以及相应的清洗参数,如清洗时间、清洗剂浓度等;根据组串的评估结果进行清洗效果评估。在完成清洗后,通过监测光伏组件的运行参数和性能数据,对清洗效果进行评估和分析,判断清洗过程是否达到预期效果,并可根据评估结果调整清洗策略和参数。
上述技术方案的效果为:通过实时采集光伏电站的运行参数信息,可以及时获取电站的实时状态和性能数据,对光伏组件的清洗需求进行准确评估;利用预定的分类标准对光伏组件进行区域矩阵划分,可以根据不同的区域特征进行差异化的清洗策略制定,提高清洗效果;通过利用区域矩阵信息和历史性能数据对深度学习模型进行训练和优化,可以建立准确的评估模型,提高清洗评估的准确性和可靠性;通过训练和优化的深度学习模型,可以根据清洗需求确定光伏电站需要清洗的组串以及相应的清洗参数,如清洗时间、清洗剂浓度等,从而确保清洗过程的高效性和可控性;根据组串的评估结果,可以对清洗效果进行评估,判断清洗过程是否达到预期效果,及时调整清洗策略和参数,保证光伏组件的正常运行和发电效率。
实施例7、
本实施例,所述信息采集模块,包括:
参数测量模块:控制数据采集装置定期测量所述光伏电站所包含的各组串的电流、电压、温度和光照强度等其他性能参数;其中,所述各组串的电流、电压、温度和光照强度即为所述光伏电站的运行参数信息;
信息传输模块:将所述运行参数信息通过通信模块发送至中央***。
上述技术方案的工作原理为:在光伏电站中安装数据采集装置,定期测量各组串的电流、电压、温度和光照强度等其他性能参数。这些参数是影响光伏电站发电效率的重要指标,通过实时监测可以及时掌握电站的运行状态;数据采集装置需要进行定期的测量,以保证数据的准确性和可靠性。控制数据采集装置可以对数据进行定时采集和上传,避免人工操作的误差和不及时;所述运行参数信息通过通信模块发送至中央***,以便对数据进行统一管理和分析。通信模块可以采用无线通信方式或有线通信方式,实现数据的远程监测和管理;中央***负责接收并处理所述运行参数信息,对数据进行分析和处理,分析光伏电站的运行状态和性能,并提出相应的建议和措施。中央***还可以与其他***进行联动,如告警***、维护***等,实现对光伏电站的全面监控和管理。
上述技术方案的效果为:通过实时采集光伏电站的运行参数信息,可以及时获取电站的实时状态和性能数据,对光伏组件的运行状态进行准确评估,及时发现故障和异常情况;通过对所述运行参数信息的分析,可以了解光伏电站的运行状况和性能表现,并对光伏组件的优化管理提供数据支持,提高光伏电站的发电效率和运行可靠性;通过所述运行参数信息的监测和分析,可以及时发现电站中的故障和异常情况,并进行精准的故障诊断和排除,避免因故障而导致的电站停运和损失;通过分析所述运行参数信息的历史数据,可以预测光伏电站未来的运行状况和性能表现,进行合理的维护规划和预防措施,提高电站的运行时间和效益;通过对所述运行参数信息的监测和分析,可以对光伏电站的管理和运营进行优化,制定科学的管理措施和策略,提高光伏电站的运行效率和经济效益。
实施例8、
本实施例,所述矩阵划分模块,包括:
标准提取模块:提取所述预定的分类标准;
组件划分模块:利用矩阵分析方法按照所述预定的分类标准对光伏组件进行划分,形成不同的区域矩阵;
组件归类模块:将所述光伏组件按照划分结果归类到其对应的区域矩阵。
上述技术方案的工作原理为:提取预定的分类标准,这些分类标准可以是光伏组件的尺寸、材质、颜色、厚度等参数,也可以是电性能、光学性能、机械性能等方面的指标;利用矩阵分析方法,将提取的分类标准作为维度,在不同的维度上进行数据分析和矩阵运算,得到不同的区域矩阵。这些区域矩阵可以由多个属性组成,形成一个多维属性空间,通过对不同属性的组合,可以得到不同的区域划分;根据所述分类结果,将光伏组件按照其特征和属性归类到相应的区域矩阵中,以实现光伏组件的分类管理和精细化管理。
上述技术方案的效果为:通过对光伏组件按照预定的分类标准进行划分,可以对不同类型的光伏组件进行精细化管理。这样可以更好地了解和掌握不同类型光伏组件的性能特点和运行状态,有针对性地制定管理策略和维护计划;通过将光伏组件划分为不同的区域矩阵,可以实现更加精确的数据分析和管理。根据不同区域矩阵中光伏组件的特点和属性,可以进行针对性的优化和调整,提高光伏组件的发电效率和性能表现;精细化管理和优化调整可以帮助识别和处理光伏组件中的问题和故障。通过及时发现和解决问题,可以降低维修和更换成本,延长光伏组件的使用寿命,从而降低运营成本;通过对光伏组件进行区域矩阵划分,可以更好地掌握光伏组件的质量状况。针对不同区域矩阵中的光伏组件,可以采取针对性的质量控制和监测措施,提升光伏组件的整体质量水平;通过对区域矩阵中光伏组件的数据进行分析,可以获取更加准确和全面的信息。这些信息可以为决策者提供参考和支持,帮助其制定科学合理的运营和管理决策,提高光伏电站的整体效益。
实施例9、
本实施例,所述参数确定模块,包括:
调取所述光伏电站的清洗需求;
需求输入模块:将所述清洗需求输入至所述完成训练和优化的深度学习模型;
需求判定模块:将所述光伏电站的各组串的运行参数输入至所述完成训练和优化的深度学习模型,通过所述完成训练和优化的深度学习模型判定所述光伏电站的各组串是否符合清洗需求;
参数确定模块:针对需要清洗的组串,利用所述完成训练和优化的深度学习模型根据组串的运行参数进行清洗参数确定,其中,所述清洗参数包括清洗顺序、清洗力度和清洗时长;
清洗排程模块:根据每个需要清洗的组串的清洗力度和清洗时长,进行清洗力度分配和清洗时长分配,并按照所述清洗顺序对待清洗的组串进行清洗排程。
上述技术方案的工作原理为:通过调取光伏电站的清洗需求,将其输入至已完成训练和优化的深度学习模型中。然后,将光伏电站各组串的运行参数输入至深度学习模型中,利用深度学习模型对输入的运行参数进行分析和判定,以判断每个组串是否需要进行清洗。对于需要清洗的组串,利用深度学习模型根据其运行参数确定清洗参数,包括清洗顺序、清洗力度和清洗时长。最后,根据每个需要清洗的组串的清洗力度和清洗时长,进行清洗力度和清洗时长的分配,并按照确定的清洗顺序对待清洗的组串进行清洗排程。
上述技术方案的效果为:通过完成训练和优化的深度学习模型,能够准确地判断光伏电站各组串是否符合清洗需求。基于深度学习模型的分析和判定,可以排除主观判断的误差,提高清洗判定的准确性;利用深度学习模型,整个清洗流程可以自动化执行,减少人工操作的需求。只需要输入光伏电站的清洗需求和各组串的运行参数,深度学习模型就能自动判断和确定清洗参数,极大地提高了清洗过程的效率和便捷性;通过完成训练和优化的深度学习模型,可以根据组串的运行参数确定清洗参数,包括清洗顺序、清洗力度和清洗时长。这样可以针对不同的组串进行个性化的清洗处理,最大程度地提高清洗效果,保证光伏电站的正常运行和发电效率;由于清洗参数的精确确定,清洗力度和时长可以根据实际需求进行分配,避免了不必要的清洗浪费和资源消耗,从而节约了清洗成本。同时,自动化的清洗排程可以优化清洗时间和人力资源的利用,进一步降低了清洗的成本。
实施例10、
本实施例,所述效果评估模块,包括:
实时监测模块:实时监测组串清洗过程中的数据参数,其中,所述数据参数包括性能参数和清洗程度;
程度评估模块:结合区域矩阵信息对所述清洗程度进行评估;
状态判断模块:利用所述深度学习模型的矩阵区域清洁程度的预测结果和历史最优发电效率数据对光伏组件的发电效率进行评估,获得评估结果,并通过所述评估结果判断所述光伏组件是否处于最佳性能状态。
上述技术方案的工作原理为:实时监测组串清洗过程中的数据参数,包括性能参数和清洗程度。这些参数可以通过传感器等设备进行实时监测和采集,以反映组串的实际情况。结合区域矩阵信息对清洗程度进行评估。区域矩阵是光伏电站中常用的一种评估方法,可以通过比较不同区域内组件的发电效率差异,得到组串清洗后的效果。利用区域矩阵信息,可以对组串的清洗程度进行客观评估。利用深度学习模型的矩阵区域清洁程度的预测结果和历史最优发电效率数据,对光伏组件的发电效率进行评估。深度学习模型可以通过历史数据和实时监测的数据,预测出组件的发电效率,并与历史最优发电效率进行比较,从而得出组件当前的发电效率情况。根据评估结果判断光伏组件是否处于最佳性能状态。根据实时监测的数据和评估结果,可以判断组件是否达到了最佳性能状态,如果没有达到,则需要进一步进行清洗或其他处理。
上述技术方案的效果为:通过实时监测组串清洗过程中的性能参数和清洗程度,可以及时获取组串的运行情况,确保对光伏组件进行准确的评估和维护;结合区域矩阵信息,可以对清洗程度进行评估。这样可以更客观地判断组串的清洗效果,避免清洗不彻底或清洗过度导致性能下降或损坏;利用深度学习模型的矩阵区域清洁程度的预测结果和历史最优发电效率数据,对光伏组件的发电效率进行评估。通过与历史最优发电效率进行对比,可以了解组件当前的发电效率情况,并及时发现异常状态;通过评估结果,可以判断光伏组件是否处于最佳性能状态。如果评估结果显示组件未达到最佳状态,可以采取相应措施,如进一步清洗、维修或更换组件,以保证光伏电站的正常运行和发电效率。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于矩阵分析的光伏电站清洗过程评估方法,其特征在于,所述光伏电站清洗过程评估方法包括:
实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***;
利用预定的分类标准对光伏组件划分为不同的区域矩阵;
利用所述区域矩阵的区域矩阵信息结合光伏电站的历史性能数据对深度学习模型进行训练,获得完成训练和优化的深度学习模型;
根据清洗需求通过所述完成训练和优化的深度学习模型确定光伏电站的需要进行清洗的组串及其清洗参数;
根据组串的评估结果进行清洗效果评估。
2.根据权利要求1所述基于矩阵分析的光伏电站清洗过程评估方法,其特征在于,实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***,包括:
控制数据采集装置定期测量所述光伏电站所包含的各组串的电流、电压、温度和光照强度;其中,所述各组串的电流、电压、温度和光照强度即为所述光伏电站的运行参数信息;
将所述运行参数信息通过通信模块发送至中央***。
3.根据权利要求1所述基于矩阵分析的光伏电站清洗过程评估方法,其特征在于,利用预定的分类标准对光伏组件划分为不同的区域矩阵,包括:
提取所述预定的分类标准;
利用矩阵分析方法按照所述预定的分类标准对光伏组件进行划分,形成不同的区域矩阵;
将所述光伏组件按照划分结果归类到其对应的区域矩阵。
4.根据权利要求1所述基于矩阵分析的光伏电站清洗过程评估方法,其特征在于,根据清洗需求通过所述完成训练和优化的深度学习模型确定光伏电站的需要进行清洗的组串及其清洗参数,包括:
调取所述光伏电站的清洗需求;
将所述清洗需求输入至所述完成训练和优化的深度学习模型;
将所述光伏电站的各组串的运行参数输入至所述完成训练和优化的深度学习模型,通过所述完成训练和优化的深度学习模型判定所述光伏电站的各组串是否符合清洗需求;
针对需要清洗的组串,利用所述完成训练和优化的深度学习模型根据组串的运行参数进行清洗参数确定,其中,所述清洗参数包括清洗顺序、清洗力度和清洗时长;
根据每个需要清洗的组串的清洗力度和清洗时长,进行清洗力度分配和清洗时长分配,并按照所述清洗顺序对待清洗的组串进行清洗排程。
5.根据权利要求1所述基于矩阵分析的光伏电站清洗过程评估方法,其特征在于,根据组串的亲故结果进行清洗效果评估,包括:
实时监测组串清洗过程中的数据参数,其中,所述数据参数包括性能参数和清洗程度;
结合区域矩阵信息对所述清洗程度进行评估;
利用所述深度学习模型的矩阵区域清洁程度的预测结果和历史最优发电效率数据对光伏组件的发电效率进行评估,获得评估结果,并通过所述评估结果判断所述光伏组件是否处于最佳性能状态。
6.一种基于矩阵分析的光伏电站清洗过程评估***,其特征在于,所述光伏电站清洗过程评估***包括:
信息采集模块:实时采集光伏电站的运行参数信息,并将所述运行参数信息发送至中央***;
矩阵划分模块:利用预定的分类标准对光伏组件划分为不同的区域矩阵;
模型获得模块:利用所述区域矩阵的区域矩阵信息结合光伏电站的历史性能数据对深度学习模型进行训练,获得完成训练和优化的深度学习模型;
参数确定模块:根据清洗需求通过所述完成训练和优化的深度学习模型确定光伏电站的需要进行清洗的组串及其清洗参数;
效果评估模块:根据组串的评估结果进行清洗效果评估。
7.根据权利要求6所述基于矩阵分析的光伏电站清洗过程评估***,其特征在于,所述信息采集模块,包括:
参数测量模块:控制数据采集装置定期测量所述光伏电站所包含的各组串的电流、电压、温度和光照强度;其中,所述各组串的电流、电压、温度和光照强度即为所述光伏电站的运行参数信息;
信息传输模块:将所述运行参数信息通过通信模块发送至中央***。
8.根据权利要求6所述基于矩阵分析的光伏电站清洗过程评估***,其特征在于,所述矩阵划分模块,包括:
标准提取模块:提取所述预定的分类标准;
组件划分模块:利用矩阵分析方法按照所述预定的分类标准对光伏组件进行划分,形成不同的区域矩阵;
组件归类模块:将所述光伏组件按照划分结果归类到其对应的区域矩阵。
9.根据权利要求6所述基于矩阵分析的光伏电站清洗过程评估***,其特征在于,所述参数确定模块,包括:
调取所述光伏电站的清洗需求;
需求输入模块:将所述清洗需求输入至所述完成训练和优化的深度学习模型;
需求判定模块:将所述光伏电站的各组串的运行参数输入至所述完成训练和优化的深度学习模型,通过所述完成训练和优化的深度学习模型判定所述光伏电站的各组串是否符合清洗需求;
参数确定模块:针对需要清洗的组串,利用所述完成训练和优化的深度学习模型根据组串的运行参数进行清洗参数确定,其中,所述清洗参数包括清洗顺序、清洗力度和清洗时长;
清洗排程模块:根据每个需要清洗的组串的清洗力度和清洗时长,进行清洗力度分配和清洗时长分配,并按照所述清洗顺序对待清洗的组串进行清洗排程。
10.根据权利要求6所述基于矩阵分析的光伏电站清洗过程评估***,其特征在于,所述效果评估模块,包括:
实时监测模块:实时监测组串清洗过程中的数据参数,其中,所述数据参数包括性能参数和清洗程度;
程度评估模块:结合区域矩阵信息对所述清洗程度进行评估;
状态判断模块:利用所述深度学习模型的矩阵区域清洁程度的预测结果和历史最优发电效率数据对光伏组件的发电效率进行评估,获得评估结果,并通过所述评估结果判断所述光伏组件是否处于最佳性能状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311680290.4A CN117634836A (zh) | 2023-12-08 | 2023-12-08 | 一种基于矩阵分析的光伏电站清洗过程评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311680290.4A CN117634836A (zh) | 2023-12-08 | 2023-12-08 | 一种基于矩阵分析的光伏电站清洗过程评估方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117634836A true CN117634836A (zh) | 2024-03-01 |
Family
ID=90019812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311680290.4A Pending CN117634836A (zh) | 2023-12-08 | 2023-12-08 | 一种基于矩阵分析的光伏电站清洗过程评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634836A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095798A (zh) * | 2024-04-25 | 2024-05-28 | 华能山东发电有限公司众泰电厂 | 基于大数据的光伏清洗机器人能效优化方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627674A (zh) * | 2021-08-12 | 2021-11-09 | 中国华能集团清洁能源技术研究院有限公司 | 一种分布式光伏电站出力预测方法、装置及存储介质 |
CN116596517A (zh) * | 2023-06-05 | 2023-08-15 | 中建三局第一建设安装有限公司 | 一种基于神经网络模型的光伏组件清洗决策方法及*** |
CN116938115A (zh) * | 2023-07-13 | 2023-10-24 | 华能南京金陵发电有限公司 | 一种光伏组件清洗频率控制*** |
CN117117833A (zh) * | 2023-07-21 | 2023-11-24 | 国网湖南省电力有限公司 | 光伏输出功率预测方法、装置、电子设备及存储介质 |
CN117150220A (zh) * | 2023-08-02 | 2023-12-01 | 上海电机学院 | 一种基于机器学习的光伏阵列故障诊断方法 |
-
2023
- 2023-12-08 CN CN202311680290.4A patent/CN117634836A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627674A (zh) * | 2021-08-12 | 2021-11-09 | 中国华能集团清洁能源技术研究院有限公司 | 一种分布式光伏电站出力预测方法、装置及存储介质 |
CN116596517A (zh) * | 2023-06-05 | 2023-08-15 | 中建三局第一建设安装有限公司 | 一种基于神经网络模型的光伏组件清洗决策方法及*** |
CN116938115A (zh) * | 2023-07-13 | 2023-10-24 | 华能南京金陵发电有限公司 | 一种光伏组件清洗频率控制*** |
CN117117833A (zh) * | 2023-07-21 | 2023-11-24 | 国网湖南省电力有限公司 | 光伏输出功率预测方法、装置、电子设备及存储介质 |
CN117150220A (zh) * | 2023-08-02 | 2023-12-01 | 上海电机学院 | 一种基于机器学习的光伏阵列故障诊断方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095798A (zh) * | 2024-04-25 | 2024-05-28 | 华能山东发电有限公司众泰电厂 | 基于大数据的光伏清洗机器人能效优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6600653B2 (ja) | 太陽電池パネル洗浄システムの予測保守および推測パターン | |
KR101958941B1 (ko) | 머신러닝 기반 태양광 발전 제어 시스템 및 방법 | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和*** | |
CN117634836A (zh) | 一种基于矩阵分析的光伏电站清洗过程评估方法及*** | |
CN116683500B (zh) | 一种电化学储能电站有功功率调度方法和*** | |
CN116937575A (zh) | 一种网格***用的能源监控管理*** | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及*** | |
CN116887569B (zh) | 一种数据中心能耗预测和节能调节方法、***及存储介质 | |
CN117171590B (zh) | 一种电机智能驱动优化方法及*** | |
CN116596517A (zh) | 一种基于神经网络模型的光伏组件清洗决策方法及*** | |
CN117350507A (zh) | 一种虚拟电厂调度*** | |
CN117410988B (zh) | 一种新能源充电站的充电控制方法及装置 | |
CN112214911B (zh) | 一种电源的健康状态预测方法 | |
CN117674249A (zh) | 一种含分布式光伏的配电网故障自愈控制与评价方法 | |
KR102411915B1 (ko) | 시설 및 장비 실시간 모니터링 및 이상 징후 ai 진단 서비스 제공 시스템 및 방법 | |
CN117407829B (zh) | 基于深度学习的光伏组件健康度评估方法、***和设备 | |
CN116232222B (zh) | 一种分布式光伏***云边协同积灰程度监测方法及*** | |
CN117666448B (zh) | 基于物联网能耗预测的节能方法、装置、设备及介质 | |
CN118195837A (zh) | 基于微网双碳平台的能源监控方法、装置、设备及介质 | |
CN117992758A (zh) | 分布式光伏虚拟数据采集及特性分析方法、***及设备 | |
CN117474584A (zh) | 一种基于大数据的电力客户需求预测与分析*** | |
CN117595491A (zh) | 一种综合能源设备控制方法 | |
CN118040897A (zh) | 一种光伏配电的设备智能监控方法及*** | |
CN118364627A (zh) | 基于组串分析的低效定位方法及*** | |
CN118211032A (zh) | 一种适用于光伏出力超短期预测的预测方法、***及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |