论文部分内容阅读
太阳能是一种重要的清洁能源。暴露在自然环境中的光伏阵列不可避免的受到污染,人工检查光伏阵列是否需要清洗的方式效率低下,机器人定期清洗可能造成资源浪费,此外,光伏发电因波动性和随机性给电力调度工作带来困难。因此,建立光伏发电运维系统,实时观察光伏组件工作状态,当光伏阵列受到污染时发出警报,预测未来一段时间内发电功率以方便电力调度,实现对光伏电站运维具有重要的实用意义。论文通过分析光伏阵列清洗策略、光伏发电功率预测技术和光伏运维系统的研究现状,建立了图像分类模型和功率预测模型,开发了光伏运维系统,将算法模型应用于系统中,论文的主要工作如下:(1)研究并复现了基于卷积神经网络和残差连接的Inception-Res Net-V2算法模型,将模型应用于光伏阵列污染图像分类任务中。实验结果表明:模型没有出现过拟合或欠拟合现象,损失值收敛至0.0000124,分类精度高达99.99%,模型的受试者操作曲线下面积为0.99,逼近理想分类器。(2)研究并编写了基于GRU-Light GBM(Gated Recurrent Unit-Light Gradient Boosting Machine)集成的光伏发电功率预测模型。实验结果表明:模型没有发生过拟合或欠拟合,与极端梯度提升机、长短时记忆神经网络和深度置信神经网络对比,GRU-Light GBM集成模型的损失函数值最接近于0,预测曲线最逼近实际曲线,数据标准化后,预测值与实际值的均方误差仅为0.075。(3)开发了基于SSM框架的光伏运维系统,利用Ajax技术实现数据动态更新,利用Echarts框架实现数据可视化。实验结果表明:系统各模块功能正常,可在不加载整个界面的情况下每2秒更新一次数据,满足光伏运维系统需求。(4)在阿里云服务器上部署光伏运维系统,将Inception-Res Net-V2模型分类结果响应到前端,实现污染警报和运维功能,将GRU-Light GBM模型预测值响应到前端,实现光伏发电功率预测功能。实验结果表明:分类模型精度为100%,预测模型在天气变化平稳和变化较大情况下均方误差分别为27.47和12.61,逼近真实曲线,运维系统各个模块功能正常,用户可在电脑、手机或平板电脑上随时随地访问运维系统。