一种基于机器学习的光伏智能温控方法、装置、设备及介质

本发明涉及光伏发电技术，尤其涉及一种基于机器学习的光伏智能温控方法、装置、设备及介质。

背景技术：

1、太阳能光伏发电是一种可再生能源技术，它通过将太阳能转化为电能来满足能源需求，具有环保、可持续的特点。在一定的太阳辐照度下，光伏组件的输出功率与组件温度密切相关。

2、一般来说，太阳能光伏组件在20℃至25℃的温度范围内表现出最佳的工作状态，光伏组件的温度控制成为一个关键问题。光伏组件的转换效率随温度的升高而降低，过高的温度会导致组件效率下降、发电量减少，甚至损坏组件，影响其寿命。

3、为了解决光伏组件的温度控制问题，目前光伏温控系统多采用简单的按时浇水降温，或基于经验设置的温度阈值控制，对光伏组件进行散热，但这些方法存在温度控制精度不足、光伏系统效率低、造成水资源和电能浪费等问题。

技术实现思路

1、有鉴于此，有必要提供一种基于机器学习的光伏智能温控方法、装置、设备及介质，用以解决现有光伏温控系统的温度控制精度不足，影响光伏系统工作效率的问题。

2、为了解决上述问题，第一方面，本发明提供一种基于机器学习的光伏智能温控方法，包括：

3、获取第一时段内光伏组件的温度影响参数，对所述第一时段内光伏组件的温度影响参数进行归一化处理，其中，所述温度影响参数包括光伏组件背板温度数据、光照强度数据、环境温度数据和风速数据；

4、将归一化的温度影响参数输入至预先训练好的光伏组件板温预测模型中，输出第二时段内光伏组件背板温度预测数据；其中，所述光伏组件板温预测模型是基于温度影响参数历史数据训练得到的；

5、根据所述第二时段内光伏组件背板温度预测数据，控制与光伏组件连接的散热装置的开启或关闭。

6、优选的，所述光伏组件背板温度数据通过与光伏组件连接的温度传感器采集，所述光照强度数据、环境温度数据和风速数据均通过环境监测仪采集。

7、优选的，对所述第一时段内光伏组件的温度影响参数进行归一化处理，具体包括：

8、利用线性函数归一化方法分别对光伏组件背板温度数据、光照强度数据、环境温度数据和风速数据进行归一化处理，归一化处理的表达式为：

9、

10、式中，表示归一化后i(i＝1,2…m)时刻的数据，xi表示数据集中i时刻原始数据，xmin表示序列数据中的数据最小值，xmax表示序列数据中的数据最大值。

11、优选的，所述训练好的光伏组件板温预测模型通过以下步骤训练得到：

12、获取温度影响参数历史数据并进行归一化处理，得到光伏组件板温预测数据集；其中，所述温度影响参数历史数据包括目标历史时段内的光伏组件背板温度数据、光照强度数据、环境温度数据和风速数据；

13、基于机器学习多模型组合算法构建光伏组件板温预测模型，对所述光伏组件板温预测模型进行训练，得到训练好的光伏组件板温预测模型。

14、优选的，所述基于机器学习多模型组合算法构建光伏组件板温预测模型，对所述光伏组件板温预测模型进行训练，具体包括：

15、建立双向长短期记忆神经网络子模型bi-lstm、残差网络子模型resnet和循环神经网络子模型rnn；

16、将光伏组件板温预测数据集按照预设比例划分为训练集、验证集和测试集，将训练集分别输入基于双向长短期记忆神经网络子模型bi-lstm、残差网络子模型resnet和循环神经网络子模型rnn中，得到三个子模型的预测结果t1、t2和t3；

17、将三个子模型的预测结果t1、t2和t3通过权值优化算法进行优化训练，得到三个子模型的最优权重分配，以及加权组合的光伏组件温度预测值。

18、优选的，所述将三个子模型的预测结果t1、t2和t3通过权值优化算法进行优化训练，具体包括：

19、1)根据三个子模型的预测结果t1、t2和t3，构建用于预测的输入输出数据集d：

20、d＝[t1，t2，t3]

21、2)根据双向长短期记忆神经网络子模型bi-lstm的权重系数wbi-lstm、残差网络子模型resnet的权重系数wresnet和循环神经网络子模型rnn的权重系数wrnn，构建状态矩阵s：

22、s＝[wbi-lstm，wresnet，wrnn]

23、3)根据各子模型权重系数的变化量，构建动作矩阵a：

24、a＝[δw，-δw]

25、式中，δw表示动作幅度大??；

26、4)计算损失函数l，损失函数的计算公式为：

27、

28、式中，t为光伏组件板温真实值；为加权组合的光伏组件板温预测值；n为样本数；

29、5)建立系统对智能体前一步动作的评价的奖惩值r：

30、

31、6)计算评价函数q，根据奖惩值更新q表，评价函数q的计算公式为：

32、qm+1(sm,am)＝qm(sm,am)+δ{r(sm,am)+λmax[qm(sm+1,am+1)-qm(sm,am)]}

33、式中，δ为学习率，用于控制学习速度；λ为折扣系数；

34、重复评价函数q的计算更新过程，直到q值收敛或达到预定的迭代次数，此时得到的目标状态矩阵s作为三个子模型的最优权重分配，加权组合的光伏组件温度预测值为：

35、

36、优选的，根据所述第二时段内光伏组件背板温度预测数据，控制与光伏组件连接的散热装置的开启或关闭，具体包括：

37、若根据所述第二时段内光伏组件背板温度预测数据判断获知，在第二时段内的第一时刻，所述光伏组件背板温度预测值大于预设光伏组件背板温度上限，则在第一时刻之前控制与光伏组件连接的散热装置开启；

38、若根据所述第二时段内光伏组件背板温度预测数据判断获知，在第二时段内的第二时刻，所述光伏组件背板温度预测值小于预设光伏组件背板温度下限，则在第二时刻之前控制与光伏组件连接的散热装置关闭。

39、第二方面，本发明还提供一种基于机器学习的光伏智能温控装置，包括：

40、归一化?？?，用于获取第一时段内光伏组件的温度影响参数，对所述第一时段内光伏组件的温度影响参数进行归一化处理，其中，所述温度影响参数包括光伏组件背板温度数据、光照强度数据、环境温度数据和风速数据；

41、温度预测?？?，用于将归一化的温度影响参数输入至预先训练好的光伏组件板温预测模型中，输出第二时段内光伏组件背板温度预测数据；其中，所述光伏组件板温预测模型是基于温度影响参数历史数据进行训练后得到的；

42、温度控制?？?，用于根据所述第二时段内光伏组件背板温度预测数据，控制与光伏组件连接的散热装置的开启或关闭。

43、第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，

44、所述存储器，用于存储程序；

45、所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任意一种实现方式中所述的基于机器学习的光伏智能温控方法中的步骤。

46、第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述任意一种实现方式中所述的基于机器学习的光伏智能温控方法中的步骤。

47、采用上述实施例的有益效果是：本发明提供的基于机器学习的光伏智能温控方法，以归一化的温度影响参数作为模型输入，通过预先训练好的光伏组件板温预测模型预测未来一段时间内光伏组件板温数据，并根据未来一段时间内光伏组件板温数据，调节与光伏组件连接的散热装置的开启或关闭，以使光伏组件的背板温度维持在适宜的温度区间内，实现对光伏组件板温进行精确控制，提高了光伏组件的发电效率。