本發(fā)明屬于智能調(diào)度，具體涉及一種光伏清掃裝置智能調(diào)度方法及系統(tǒng)。

背景技術(shù)：

1、隨著光伏產(chǎn)業(yè)的快速發(fā)展，光伏電站的規(guī)模不斷擴(kuò)大。光伏組件表面容易積灰，影響發(fā)電效率。光伏清掃裝置是一種專門用于清潔光伏板（太陽(yáng)能板）表面的設(shè)備，其目的是為了維持光伏板的高效發(fā)電能力。光伏板在長(zhǎng)時(shí)間暴露于戶外環(huán)境中，容易積累灰塵、鳥糞、樹葉等雜物，這些污垢會(huì)降低光伏板的透光率，從而影響發(fā)電效率。目前，光伏清掃裝置在光伏電站中的應(yīng)用越來越廣泛，但現(xiàn)有清掃裝置的調(diào)度方式較為簡(jiǎn)單，如設(shè)置定時(shí)任務(wù)進(jìn)行清掃，無(wú)法根據(jù)實(shí)際情況進(jìn)行智能調(diào)度，導(dǎo)致清掃效果不佳，影響光伏電站的整體運(yùn)行效率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種光伏清掃裝置智能調(diào)度方法及系統(tǒng)，用以解決現(xiàn)有技術(shù)中存在的技術(shù)問題。

2、一方面，本發(fā)明提供一種光伏清掃裝置智能調(diào)度方法，包括：

3、獲取歷史光伏面板圖像以及每個(gè)歷史光伏面板圖像對(duì)應(yīng)的臟污狀態(tài)；其中，所述臟污狀態(tài)包括光伏面板存在臟污或者光伏面板不存在臟污；

4、以所述歷史光伏面板圖像以及每個(gè)歷史光伏面板圖像對(duì)應(yīng)的臟污狀態(tài)為基礎(chǔ)，確定集成自監(jiān)測(cè)模型；

5、采集當(dāng)前光伏面板圖像，并采用集成自監(jiān)測(cè)模型對(duì)所述當(dāng)前光伏面板圖像進(jìn)行識(shí)別分析，確定當(dāng)前光伏面板圖像對(duì)應(yīng)的實(shí)時(shí)臟污狀態(tài)的概率值；

6、當(dāng)所述當(dāng)前光伏面板圖像對(duì)應(yīng)的實(shí)時(shí)臟污狀態(tài)的概率值大于預(yù)設(shè)閾值時(shí)，則開啟光伏清掃裝置，進(jìn)行智能調(diào)度。

7、進(jìn)一步地，當(dāng)定時(shí)清掃任務(wù)來臨時(shí)，檢測(cè)光伏面板的功率是否大于預(yù)設(shè)閾值，若是，則延遲光伏清掃裝置的開啟，直至光伏面板的功率小于預(yù)設(shè)光伏閾值，否則開啟光伏清掃裝置。

8、進(jìn)一步地，以所述歷史光伏面板圖像以及每個(gè)歷史光伏面板圖像對(duì)應(yīng)的臟污狀態(tài)為基礎(chǔ)，確定集成自監(jiān)測(cè)模型，包括：

9、確定多個(gè)機(jī)器學(xué)習(xí)模型；

10、以所述歷史光伏面板圖像作為機(jī)器學(xué)習(xí)模型的輸入，以歷史光伏面板圖像對(duì)應(yīng)的臟污狀態(tài)作為對(duì)應(yīng)的期望標(biāo)簽，獲取多個(gè)優(yōu)化之后的機(jī)器學(xué)習(xí)模型；

11、初始化每個(gè)神經(jīng)網(wǎng)絡(luò)模型對(duì)應(yīng)的加權(quán)系數(shù)，并采用智能優(yōu)化算法對(duì)所述加權(quán)系數(shù)進(jìn)行尋優(yōu)，確定最優(yōu)加權(quán)系數(shù)；

12、采用最優(yōu)加權(quán)系數(shù)對(duì)多個(gè)優(yōu)化之后的機(jī)器學(xué)習(xí)模型進(jìn)行加權(quán)，得到集成自監(jiān)測(cè)模型。

13、進(jìn)一步地，所述機(jī)器學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)、多層感知機(jī)、支持向量機(jī)、邏輯斯特回歸、貝葉斯模型及隨機(jī)森林模型中的多個(gè)。

14、進(jìn)一步地，以所述歷史光伏面板圖像作為機(jī)器學(xué)習(xí)模型的輸入，以歷史光伏面板圖像對(duì)應(yīng)的臟污狀態(tài)作為對(duì)應(yīng)的期望標(biāo)簽，獲取多個(gè)優(yōu)化之后的機(jī)器學(xué)習(xí)模型，包括：

15、對(duì)機(jī)器學(xué)習(xí)模型的參數(shù)進(jìn)行編碼及初始化，隨機(jī)生成m個(gè)編碼個(gè)體；其中，每個(gè)編碼個(gè)體包括機(jī)器學(xué)習(xí)模型的多個(gè)參數(shù)；

16、將每個(gè)編碼個(gè)體所對(duì)應(yīng)的參數(shù)應(yīng)用至機(jī)器學(xué)習(xí)模型中，并以所述歷史光伏面板圖像作為機(jī)器學(xué)習(xí)模型的輸入，以歷史光伏面板圖像對(duì)應(yīng)的臟污狀態(tài)作為對(duì)應(yīng)的期望標(biāo)簽，獲取編碼個(gè)體對(duì)應(yīng)的誤差函數(shù)值；

17、根據(jù)編碼個(gè)體對(duì)應(yīng)的誤差函數(shù)值，剔除誤差函數(shù)值較大的n個(gè)編碼個(gè)體；

18、隨機(jī)添加n個(gè)編碼個(gè)體到現(xiàn)有群體中；

19、設(shè)置交叉概率，從現(xiàn)有群體的每個(gè)編碼個(gè)體中隨機(jī)抽取兩個(gè)機(jī)器學(xué)習(xí)模型作為交叉點(diǎn)，并根據(jù)所述交叉概率進(jìn)行交叉操作；

20、設(shè)置變異概率，并根據(jù)所述變異概率對(duì)現(xiàn)有群體中每個(gè)編碼個(gè)體進(jìn)行變異操作；

21、多次重復(fù)上述剔除、添加、交叉以及變異操作，將誤差函數(shù)值最小的編碼個(gè)體作為機(jī)器學(xué)習(xí)模型的最終參數(shù)，得到多個(gè)優(yōu)化之后的機(jī)器學(xué)習(xí)模型。

22、進(jìn)一步地，初始化每個(gè)神經(jīng)網(wǎng)絡(luò)模型對(duì)應(yīng)的加權(quán)系數(shù)，并采用智能優(yōu)化算法對(duì)所述加權(quán)系數(shù)進(jìn)行尋優(yōu)，確定最優(yōu)加權(quán)系數(shù)，包括：

23、初始化每個(gè)神經(jīng)網(wǎng)絡(luò)模型對(duì)應(yīng)的加權(quán)系數(shù)，以確定多個(gè)粒子對(duì)應(yīng)的位置及粒子對(duì)應(yīng)的速度；

24、計(jì)算粒子的適應(yīng)度函數(shù)值，若是適應(yīng)度函數(shù)值大于其歷史最優(yōu)值，則對(duì)粒子對(duì)應(yīng)的歷史最優(yōu)值進(jìn)行更新；

25、根據(jù)每個(gè)粒子對(duì)應(yīng)的適應(yīng)度函數(shù)值，并根據(jù)所述適應(yīng)度函數(shù)值對(duì)全局最優(yōu)值進(jìn)行更新；

26、根據(jù)歷史最優(yōu)值和全局最優(yōu)值，對(duì)粒子的速度以及位置進(jìn)行更新，得到更新之后的粒子；

27、判斷粒子更新次數(shù)是否等于預(yù)設(shè)的迭代次數(shù)閾值，若是，則根據(jù)輸出全局最優(yōu)值作為最優(yōu)加權(quán)系數(shù)，否則返回計(jì)算粒子的適應(yīng)度函數(shù)值。

28、進(jìn)一步地，計(jì)算粒子的適應(yīng)度函數(shù)值，包括：

29、針對(duì)任意一個(gè)粒子，將粒子所包含的加權(quán)系數(shù)應(yīng)用至對(duì)應(yīng)的優(yōu)化之后的機(jī)器學(xué)習(xí)模型的輸出上，并將所述歷史光伏面板圖像作為每個(gè)優(yōu)化之后的機(jī)器學(xué)習(xí)模型的輸入，?獲取多個(gè)加權(quán)之后的輸出；

30、將多個(gè)加權(quán)之后的輸出相加，得到綜合實(shí)際輸出，以歷史光伏面板圖像對(duì)應(yīng)的臟污狀態(tài)作為對(duì)應(yīng)的期望標(biāo)簽，并根據(jù)綜合實(shí)際輸出以及期望標(biāo)簽獲取誤差函數(shù)值；

31、將采用粒子獲取的誤差函數(shù)值與預(yù)設(shè)常數(shù)項(xiàng)相加并取倒數(shù)，得到粒子對(duì)應(yīng)的適應(yīng)度函數(shù)值。

32、進(jìn)一步地，根據(jù)歷史最優(yōu)值和全局最優(yōu)值，對(duì)粒子的速度以及位置進(jìn)行更新，得到更新之后的粒子，包括：

33、采用差分改進(jìn)以及雙最優(yōu)領(lǐng)導(dǎo)策略對(duì)粒子的速度進(jìn)行更新，得到更新之后的速度，并采用更新之后的速度對(duì)粒子的位置進(jìn)行一次更新，得到一次更新之后的粒子；

34、針對(duì)一次更新之后的粒子，構(gòu)建自適應(yīng)變化的變異決策概率，并以該變異決策概率確定變異動(dòng)作；其中，變異動(dòng)作包括需要變異或不需要變異；

35、當(dāng)變異動(dòng)作為需要變異時(shí)，則采用三角函數(shù)以及融合適應(yīng)函數(shù)值的擾動(dòng)函數(shù)對(duì)一次更新之后的粒子進(jìn)行二次更新，得到二次更新之后的粒子。

36、進(jìn)一步地，采用最優(yōu)加權(quán)系數(shù)對(duì)多個(gè)優(yōu)化之后的機(jī)器學(xué)習(xí)模型進(jìn)行加權(quán)，得到集成自監(jiān)測(cè)模型，包括：

37、針對(duì)每個(gè)優(yōu)化之后的機(jī)器學(xué)習(xí)模型，采用最優(yōu)加權(quán)系數(shù)中與機(jī)器學(xué)習(xí)模型對(duì)應(yīng)的加權(quán)系數(shù)對(duì)機(jī)器學(xué)習(xí)模型的輸出進(jìn)行加權(quán)，得到加權(quán)之后的機(jī)器學(xué)習(xí)模型對(duì)應(yīng)的輸出；

38、將加權(quán)之后的機(jī)器學(xué)習(xí)模型對(duì)應(yīng)的輸出進(jìn)行求和，確定集成自監(jiān)測(cè)模型。

39、另一方面，本發(fā)明提供一種光伏清掃裝置智能調(diào)度系統(tǒng)，包括：數(shù)據(jù)獲取模塊、模型獲取模塊、臟污預(yù)測(cè)模塊以及智能調(diào)度模塊；

40、所述數(shù)據(jù)獲取模塊，用于獲取歷史光伏面板圖像以及每個(gè)歷史光伏面板圖像對(duì)應(yīng)的臟污狀態(tài)；其中，所述臟污狀態(tài)包括光伏面板存在臟污或者光伏面板不存在臟污；

41、所述模型獲取模塊，用于以所述歷史光伏面板圖像以及每個(gè)歷史光伏面板圖像對(duì)應(yīng)的臟污狀態(tài)為基礎(chǔ)，確定集成自監(jiān)測(cè)模型；

42、所述臟污預(yù)測(cè)模塊，用戶采集當(dāng)前光伏面板圖像，并采用集成自監(jiān)測(cè)模型對(duì)所述當(dāng)前光伏面板圖像進(jìn)行識(shí)別分析，確定當(dāng)前光伏面板圖像對(duì)應(yīng)的實(shí)時(shí)臟污狀態(tài)的概率值；

43、所述集成自監(jiān)測(cè)模型，用于當(dāng)所述當(dāng)前光伏面板圖像對(duì)應(yīng)的實(shí)時(shí)臟污狀態(tài)的概率值大于預(yù)設(shè)閾值時(shí)，則開啟光伏清掃裝置，進(jìn)行智能調(diào)度。

44、本發(fā)明提供的一種光伏清掃裝置智能調(diào)度方法及系統(tǒng)，通過以所述歷史光伏面板圖像以及每個(gè)歷史光伏面板圖像對(duì)應(yīng)的臟污狀態(tài)為基礎(chǔ)，確定集成自監(jiān)測(cè)模型，然后采用集成自監(jiān)測(cè)模型對(duì)所述當(dāng)前光伏面板圖像進(jìn)行識(shí)別分析，確定當(dāng)前光伏面板圖像對(duì)應(yīng)的實(shí)時(shí)臟污狀態(tài)的概率值，當(dāng)所述當(dāng)前光伏面板圖像對(duì)應(yīng)的實(shí)時(shí)臟污狀態(tài)的概率值大于預(yù)設(shè)閾值時(shí)，則開啟光伏清掃裝置，從而可以實(shí)現(xiàn)智能調(diào)度，相比于現(xiàn)有技術(shù)，不僅可以有效地保證光伏面板的清潔程度，同時(shí)僅在需要進(jìn)行清理的時(shí)候才清理，能夠有效地避免無(wú)效清理，提高光伏面板的清理效率。