基于特征選擇和電力視覺的太陽能電池板轉(zhuǎn)動策略

于 舜, 侯榮旭, 郭朋偉, 張聿博, 夏 炎, 吳欣怡

(1. 沈陽工程學(xué)院 信息學(xué)院, 沈陽 110136; 2. 東北師范大學(xué) 信息科學(xué)與技術(shù)學(xué)院, 長春 130024)

隨著人類社會活動的不斷深入,能源的消耗量也隨之增長,傳統(tǒng)能源如煤、石油、天然氣等均為不可再生資源或其再生周期極長,由此引發(fā)了能源危機.近年來,隨著科學(xué)技術(shù)水平的不斷進(jìn)步,新能源開采與利用的相關(guān)技術(shù)獲得了長足的進(jìn)步,風(fēng)能、光能、海洋能等新能源逐步融入人類生活的各個方面,極大地緩解了能源危機帶來的影響.

在新能源中,太陽能具有更加獨特的優(yōu)勢,如其無處不在的普遍性、不污染環(huán)境的清潔性以及源源不斷的巨大性和長久性等.基于太陽能的上述特性,各國政府均加大了對太陽能的開采和利用,并且促進(jìn)了能源和電力領(lǐng)域中對太陽能的深入研究.

在太陽能的開采過程中,需要使用太陽能電池板以實現(xiàn)太陽能的采集工作,為了提高太陽能的采集效率,現(xiàn)有研究領(lǐng)域?qū)μ柲茈姵匕宓脑O(shè)計研究已經(jīng)相當(dāng)深入.最初的電池板是固定的,無法保持高效的光能接收,現(xiàn)有的電池板絕大多數(shù)都是可轉(zhuǎn)動的,目前相關(guān)研究領(lǐng)域有很多對轉(zhuǎn)動裝置的設(shè)計以及轉(zhuǎn)動策略的研究,其研究目的是提高太陽能電池板接收光能的效率,達(dá)到的首要目標(biāo)是保持太陽能電池板能夠在接收光能的過程中始終和光線垂直以達(dá)到每一時刻的最大光能接收效率.

基于上述思想,本文提出了一種基于轉(zhuǎn)動特征選擇和電力視覺技術(shù)的太陽能電池板轉(zhuǎn)動策略.該策略包含轉(zhuǎn)動要素的特征選擇過程,在確定太陽能電池板是否轉(zhuǎn)動以及轉(zhuǎn)動角度的過程中,存在諸多要素,如光強、轉(zhuǎn)動能量消耗、轉(zhuǎn)回預(yù)測、當(dāng)前光強持續(xù)時間、當(dāng)?shù)厝照兆兓?這些要素都或多或少影響最終的轉(zhuǎn)動收益.因此,本文基于這些因素采用特征選擇的方法過濾無關(guān)特征和重復(fù)特征,采用RBF網(wǎng)絡(luò)訓(xùn)練相關(guān)參數(shù)得到最終的特征權(quán)重.

1 相關(guān)研究

本文對太陽能電池板轉(zhuǎn)動和電力視覺技術(shù)的相關(guān)研究進(jìn)行了闡述.

1.1 太陽能電池板轉(zhuǎn)動

太陽能電池板轉(zhuǎn)動在能源、電力、控制以及機械等領(lǐng)域均有所涉及,其重點主要集中在太陽能電池板的轉(zhuǎn)動硬件設(shè)計,以及如何通過轉(zhuǎn)動維持光照垂直于太陽能電池板兩個方面.

徐崢悍等[1]為了最大限度地采集太陽能資源,針對現(xiàn)有自動跟蹤系統(tǒng)的缺陷,設(shè)計了一種雙周四向跟蹤系統(tǒng)并給出了系統(tǒng)框圖及系統(tǒng)電路圖和相關(guān)流程圖,通過實驗證明了其合理性和可移植性;邱燕[2]通過比較兩種跟蹤方式,即光電跟蹤和視日運動軌跡跟蹤,構(gòu)造了一套能夠智能選擇跟蹤方式的太陽能轉(zhuǎn)動系統(tǒng),給出了基本的控制流程,并通過實驗驗證了其有效性;劉宇恒等[3]針對太陽能電池板接收光能效率低下的問題,提出了一種能夠自動追蹤太陽方向的框架結(jié)構(gòu),并設(shè)計了相應(yīng)的轉(zhuǎn)換程序和控制程序,實現(xiàn)了對太陽方向的跟蹤,具有一定的實用價值;Ristani等[4]通過相關(guān)研究總結(jié)出,相比于固定的太陽能電池板,可轉(zhuǎn)動電池板的光能接收效率可以提高40%,并采用光電跟蹤的方法設(shè)計了一個雙軸的自動跟蹤系統(tǒng);趙旭等[5]依據(jù)太陽運行規(guī)律設(shè)計了一個基于單片機的太陽跟蹤系統(tǒng),一定程度上解決了現(xiàn)有方法在適應(yīng)性、價格以及精度等方面存在的問題;周詩悅等[6]為了保持太陽能電池板與太陽光始終保持垂直狀態(tài),依據(jù)極軸抵消地球自轉(zhuǎn)的原理設(shè)計了一種極軸太陽能跟蹤系統(tǒng),解決了現(xiàn)有相關(guān)方法中光線偏差過大的問題;Ranganathan等[7]基于虛擬儀器設(shè)計了一個太陽能的自動跟蹤系統(tǒng),該系統(tǒng)可以完成天氣的判斷,實現(xiàn)經(jīng)緯度的設(shè)置等功能,并可以手動調(diào)節(jié),從而提高了太陽能的采集效率;劉劍等[8]針對現(xiàn)有的太陽能電池板自動跟蹤系統(tǒng),總結(jié)了現(xiàn)有系統(tǒng)存在的相關(guān)問題并提出了未來的研究方向及發(fā)展趨勢.

1.2 電力視覺技術(shù)

隨著人工智能的發(fā)展,機器學(xué)習(xí)及其相關(guān)方法深入于各個研究領(lǐng)域之中,其中電力視覺技術(shù)就是一個典型的應(yīng)用.電力視覺是一類基于機器學(xué)習(xí)、模式識別以及數(shù)字圖像處理等相關(guān)技術(shù),結(jié)合電力領(lǐng)域知識,解決電力系統(tǒng)各個環(huán)節(jié)中存在視覺問題的人工智能技術(shù),是人工智能的相關(guān)理論方法在電力領(lǐng)域的融合應(yīng)用[9].

在電力視覺中,應(yīng)用最廣泛的為相關(guān)深度學(xué)習(xí)理論[10].在計算機技術(shù)與電力領(lǐng)域融合研究中,趙振兵等[11]將圖像處理技術(shù)應(yīng)用于智能輸變電并進(jìn)行了相關(guān)研究,利用深度學(xué)習(xí)相關(guān)方法對輸電線路關(guān)鍵部件進(jìn)行視覺檢測;周筑博等[12]開展了基于深度卷積神經(jīng)網(wǎng)絡(luò)對輸電線路可見光圖像目標(biāo)檢測的研究.在太陽能電池板跟蹤方面,李文華等[13]通過電力視覺相關(guān)技術(shù)以及模糊識別的相關(guān)方法識別太陽位置,將采集到的圖像經(jīng)過一系列處理,如灰度變換、濾波等實現(xiàn)對太陽方位的自動跟蹤,保證了光線與太陽能電池板的垂直.

2 基于轉(zhuǎn)動要素的特征選擇過程

在太陽能電池板的轉(zhuǎn)動過程中存在許多特征,為了更高效地利用這些特征,需要對這些特征進(jìn)行選擇.

2.1 特征選擇過程

影響太陽能電池板轉(zhuǎn)動的因素有很多,因此,在基于網(wǎng)絡(luò)訓(xùn)練太陽能電池板轉(zhuǎn)動要素參數(shù)之前,必須采用相應(yīng)的特征選擇過程和特征選擇算法對其進(jìn)行預(yù)處理,其目的是找到相關(guān)特征集合,剔除無關(guān)特征,從而達(dá)到降低特征維數(shù),降低后續(xù)訓(xùn)練任務(wù)難度的目的.通過分析可能影響轉(zhuǎn)動的因素,總結(jié)太陽能電池板的轉(zhuǎn)動特征,結(jié)果如表1所示.表1中共列出了8種可能影響太陽能電池板的特征,這些特征并不都是有效特征,需要通過實驗進(jìn)一步確定.而在實驗過程中,需要考慮兩個主要問題,即如何確定特征子集以及如何評價特征子集的優(yōu)劣.

表1 轉(zhuǎn)動備選特征

確定特征子集的過程可以通過如下算法來完成.輸入為特征集合F={I,t,L,R,A,T,S,E}.流程包含:1)任選一個特征a作為最優(yōu)特征O;2)計算信息增益Gmax;3)加入另外一個特征作為特征集合a′;4)計算信息增益G′max;5)如果GmaxGk.輸出為最優(yōu)特征子集O.

《水利工程混凝土耐久性技術(shù)規(guī)范》提出的水利工程混凝土設(shè)計、施工、運行管理等階段的耐久性技術(shù)要求，有利于促進(jìn)資源節(jié)約利用，提高水利工程興利減災(zāi)效果，有利于更好地實現(xiàn)水利工程設(shè)計使用年限目標(biāo)，適應(yīng)水利現(xiàn)代化的需要。

該算法為向前搜索特征選擇算法,其核心思想是通過迭代選取最優(yōu)的特征子集,迭代終止條件是當(dāng)候選的k+1輪特征子集評價不如k輪時,信息增益G代表某一輪的最大增益,對于第一輪的單個特征子集,如果{ai}最優(yōu),則將{ai}作為第一輪的選定集得到Gmax.在上述算法中,涉及到特征子集評價的過程,子集評價計算公式為

(1)

在信息增益Gain(A)的計算中,給定數(shù)據(jù)集D,假定D中第i類樣本所占比例為pi,i為1到|y|,對于屬性子集A,假設(shè)根據(jù)其取值將D分為V個子集,而每個子集在樣本A上的取值相同.信息增益越大,說明特征子集A包含的有助于分類的信息越多.Ent(D)的值越小,則D的純度越高.通過上述特征選擇算法和特征子集評價過程,可以確定最優(yōu)的特征子集.

2.2 基于神經(jīng)網(wǎng)絡(luò)的特征權(quán)重確定

由于太陽能電池板的光能采集效率取決于特征選擇過程,而在現(xiàn)實中不同的太陽能電池板構(gòu)造以及不同地域的光照條件均不相同,因此,針對某一特定的場景,特征選擇的最佳特征子集中每個特征的權(quán)重必然不同,那么就需要對權(quán)重進(jìn)行計算.為了更精確地確定相關(guān)權(quán)重,本文基于徑向基函數(shù)RBF計算最優(yōu)特征子集的特征權(quán)重.

RBF網(wǎng)絡(luò)本質(zhì)上是一種單隱層前饋神經(jīng)網(wǎng)絡(luò),使用徑向基函數(shù)作為隱藏神經(jīng)元的激活函數(shù),輸出層為對隱層神經(jīng)元輸出的線性組合.假設(shè)輸入為d維向量x,那么RBF網(wǎng)絡(luò)可表示為

(2)

式中:q為隱層神經(jīng)元個數(shù);ci和wi分別為第i個隱層神經(jīng)元所對應(yīng)的中心和權(quán)重;ρ(x,ci)為徑向基函數(shù),其本質(zhì)為沿徑向?qū)ΨQ的標(biāo)量函數(shù),通常定義為樣本x到數(shù)據(jù)中心ci之間歐氏距離的單調(diào)函數(shù).高斯徑向基函數(shù)表達(dá)式為

(3)

式中,βi為RBF待訓(xùn)練的網(wǎng)絡(luò)參數(shù).RBF網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù),具有結(jié)構(gòu)簡單,學(xué)習(xí)速度快以及泛化能力強等特點.在確定神經(jīng)元中心ci的過程中,本文采用隨機采樣來實現(xiàn),之后利用誤差逆?zhèn)鞑P算法來確定相關(guān)參數(shù).在實驗過程中,針對不同場景模擬4類數(shù)據(jù)集,因此可以訓(xùn)練出4組網(wǎng)絡(luò)參數(shù),從而可以驗證本文提出策略的有效性和適用性.

3 基于電力視覺的光強時長預(yù)測

在特征選擇過程中,光強持續(xù)時長T的相關(guān)數(shù)據(jù)需要基于電力視覺的相關(guān)技術(shù)獲取.在現(xiàn)有研究中,通常將灰度圖像二值化,根據(jù)周圍環(huán)境光的亮度對比進(jìn)行計算,從而判定閾值,再利用開運算處理二值圖像,其中開運算是一種復(fù)合運算,由腐蝕和膨脹兩種運算合成得到.

為了精確計算特定光強的持續(xù)時長,需要考慮云層的厚度,因此灰度圖像二值化是不可行的,應(yīng)將彩色圖像轉(zhuǎn)換成灰度圖像,根據(jù)其灰度值判斷云層的厚度并計算持續(xù)時長T.在此過程中,對于云層運動方向和速度的判斷可以通過實際中前后采集圖像的差來實現(xiàn).通過上述相關(guān)計算,可以較為精確地判斷出當(dāng)前光強的持續(xù)時長,再通過計算能量收益和轉(zhuǎn)動損耗計算整體能量收益,進(jìn)而決定太陽能電池板是否需要轉(zhuǎn)動及所需轉(zhuǎn)動角度.對于電池板是否需要轉(zhuǎn)動的判斷需要借助深度卷積神經(jīng)網(wǎng)絡(luò)DCNN,本文采用的DCNN網(wǎng)絡(luò)如圖1所示.

圖1 用于計算光強持續(xù)時長的DCNN網(wǎng)絡(luò)

在DCNN網(wǎng)絡(luò)中,輸入為經(jīng)過處理的灰度圖像,在圖像預(yù)處理過程中,通過圖像變換對數(shù)據(jù)集進(jìn)行擴充,擴充后的數(shù)據(jù)集輸入像素小于實際拍攝的像素.本文采用的DCNN網(wǎng)絡(luò)包含輸入層、卷積層、池化層、全連接層以及輸出層.在卷積層中,為了降低模型的迭代次數(shù)以達(dá)到盡快收斂的目的,采用分組卷積,并且使用多個小卷積核替代大卷積核的方式降低網(wǎng)絡(luò)所需要訓(xùn)練的參數(shù).為了增強方法的實用性,池化層采用空間金字塔(SPP)方法,使得該網(wǎng)絡(luò)可以處理任意大小的圖像,避免了數(shù)據(jù)集擴充過程中圖像特征減少的問題.輸出層輸出通過灰度識別的太陽位置、云層位置、云層厚度以及云層移動速度,其中太陽位置為直接輸出,而其他三項需要通過相關(guān)計算獲取.為了使收斂速度更快,計算成本更低,激活函數(shù)使用ReLU,計算公式為

(4)

4 實 驗

本文實驗分為三部分:1)基于備選特征的特征選擇實驗;2)基于不同訓(xùn)練數(shù)據(jù)集的參數(shù)確定實驗以及不同天氣情況下的對比實驗;3)本文提出方法與現(xiàn)有方法的對比實驗.

4.1 特征選擇實驗

特征選擇實驗的目的是通過相關(guān)計算,過濾掉無關(guān)特征或者冗余特征,依據(jù)特征選擇過程中的轉(zhuǎn)動因素以及相關(guān)算法和計算過程,得到的實驗結(jié)果如表2所示.

表2 特征選擇結(jié)果

由表2可知,相關(guān)特征包括光照強度、轉(zhuǎn)動能量消耗、轉(zhuǎn)回預(yù)測、光強持續(xù)時長以及日照變化記錄.無關(guān)特征包括當(dāng)前時間,冗余特征包括環(huán)境散光和能量收益.根據(jù)實驗結(jié)果分析無關(guān)特征可知,當(dāng)前時間對轉(zhuǎn)動過程中的能量收益不起作用的原因在于太陽光受各種環(huán)境因素的影響,在不同時刻其分布大體上是均勻的,因此當(dāng)前時間對轉(zhuǎn)動調(diào)整的影響微乎其微,其作用可以用日照變化記錄替代,而日照變化記錄是根據(jù)長時間觀測某一光伏發(fā)電站的日照變化獲取,在實驗中采用模擬數(shù)據(jù),記錄了一年中每一天的日照變化統(tǒng)計值.冗余特征可以通過其他特征推導(dǎo)獲取,其中環(huán)境散光蘊含在光強持續(xù)時長T中,而能量收益則可以通過其他特征計算得到.

4.2 不同網(wǎng)絡(luò)適用場景

為了對比不同天氣狀況下本文提出策略的有效性和適用性,采用4個模擬數(shù)據(jù)集分別訓(xùn)練網(wǎng)絡(luò)參數(shù),4類數(shù)據(jù)集的模擬分別對應(yīng)4個參數(shù)訓(xùn)練結(jié)果,如表3所示.

表3 不同數(shù)據(jù)集上的RBF網(wǎng)絡(luò)訓(xùn)練結(jié)果

在實際操作過程中,為了測試本文提出轉(zhuǎn)動策略的有效性,4類模擬數(shù)據(jù)集的構(gòu)建參照中國氣象局網(wǎng)站公開的氣象數(shù)據(jù),將表3中得到的訓(xùn)練參數(shù)分別應(yīng)用于晴天、多云、雨天、雪天4種天氣,得到轉(zhuǎn)動增益如圖2～5所示.

圖2 晴天轉(zhuǎn)動增益

圖3 多云轉(zhuǎn)動增益

由圖2～5可知,本文提出的太陽能電池板轉(zhuǎn)動策略適用于各種場景以及特殊天氣,適用性較強.結(jié)合表3可以看出,針對不同地區(qū)及天氣特點,參數(shù)并不是固定的,而是依據(jù)當(dāng)?shù)氐奶鞖夂凸庹諗?shù)據(jù)訓(xùn)練得到,因此可以用于當(dāng)?shù)毓夥l(fā)電站的太陽能電池板轉(zhuǎn)動預(yù)測過程中.通過在數(shù)據(jù)集上的訓(xùn)練以及不同天氣的轉(zhuǎn)動增益可以發(fā)現(xiàn),在不同天氣下,5個特征的權(quán)重變化較大,如在晴天,光照強度影響最大,此時的光強比較固定且較強,轉(zhuǎn)動消耗遠(yuǎn)小于光能吸收增益,光強時長變化相對較小,因此基本不會轉(zhuǎn)回,故轉(zhuǎn)回預(yù)測權(quán)重較低.在多云天氣,光強時長的權(quán)重更加重要,光強時長預(yù)測對進(jìn)一步優(yōu)化設(shè)置電池板的轉(zhuǎn)動起了很大作用.在雨雪天氣,日照記錄的影響較大,這是因為某一地區(qū)某一時間范圍內(nèi)的雨雪特點通常是比較固定的.

圖2～3中,晴天的D1數(shù)據(jù)集和多云的D2數(shù)據(jù)集轉(zhuǎn)動增益最大.由于雨雪天氣有共性,陽光被云遮住,整體光強較弱,因此圖4中雨天轉(zhuǎn)動增益在D3和D4數(shù)據(jù)集上表現(xiàn)較好.雨雪天氣又存在極大的區(qū)別,與雨天不同,雪天反光較強導(dǎo)致光強較強,因此圖4～5中D4數(shù)據(jù)集訓(xùn)練得到的網(wǎng)絡(luò)參數(shù)轉(zhuǎn)動增益均高于D3數(shù)據(jù)集的增益.

圖4 雨天轉(zhuǎn)動增益

圖5 雪天轉(zhuǎn)動增益

4.3 實驗對比

為了對本文提出的方法做總體評估,與現(xiàn)有文獻(xiàn)[13]方法進(jìn)行對比.針對晴天、多云、雨、雪天氣條件,對應(yīng)數(shù)據(jù)集為D1～D4,分別采用文獻(xiàn)[13]方法以及本文所提出的方法計算太陽能電池板轉(zhuǎn)動方案的整體能量增益提升,對比實驗結(jié)果如圖6所示.

圖6 能量增益提升對比

由圖6可以看出,本文方法較文獻(xiàn)[13]方法在4個數(shù)據(jù)集上的太陽能電池板能量采集增益均有所提升.對于更偏向于晴天的D1數(shù)據(jù)集,二者差異不大,因為晴天并不能完全體現(xiàn)本文提出轉(zhuǎn)動策略的優(yōu)勢.在D2的多云數(shù)據(jù)集以及雨雪天氣的D3和D4數(shù)據(jù)集上則能夠看出本文方法的優(yōu)勢,證明了該方法在應(yīng)對特殊天氣方面的有效性.

5 結(jié) 論

針對基于太陽能電池板相關(guān)轉(zhuǎn)動研究中,忽視轉(zhuǎn)動損耗與不能應(yīng)對特殊天氣的不足,提出了一種基于特征選擇和電力視覺的太陽能電池板轉(zhuǎn)動策略.該方法通過特征選擇算法確定影響太陽能電池板轉(zhuǎn)動的相關(guān)特征,通過RBF網(wǎng)絡(luò)訓(xùn)練獲取相關(guān)特征的權(quán)重參數(shù).在計算光強時長T的過程中,采用了電力視覺中的深度神經(jīng)網(wǎng)絡(luò)DCNN,通過設(shè)計一個6層網(wǎng)絡(luò)處理灰度圖像獲取太陽位置、云層位置、云層厚度和云層速度等相關(guān)數(shù)據(jù)用于精確計算當(dāng)前光強所能持續(xù)的時間.實驗過濾掉了冗余特征和無關(guān)特征,通過模擬構(gòu)建4類針對性的數(shù)據(jù)集,分別對晴天、多云、雨、雪天氣訓(xùn)練出4組參數(shù),并對參數(shù)進(jìn)行了驗證,證明了本文方法的適用性,通過對比實驗證明了本文提出的基于特征選擇和電力視覺技術(shù)的太陽能電池板轉(zhuǎn)動策略的有效性.