基于特征選擇和電力視覺的太陽能電池板轉動策略

于 舜, 侯榮旭, 郭朋偉, 張聿博, 夏 炎, 吳欣怡

(1. 沈陽工程學院 信息學院, 沈陽 110136; 2. 東北師范大學 信息科學與技術學院, 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,由此引發了能源危機.近年來,隨著科學技術水平的不斷進步,新能源開采與利用的相關技術獲得了長足的進步,風能、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勢,如其無處不在的普遍性、不污染環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,并且促進了能源和電力領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太陽能的采集工作,為了提高太陽能的采集效率,現有研究領域對太陽能電池板的設計研究已經相當深入.最初的電池板是固定的,無法保持高效的光能接收,現有的電池板絕大多數都是可轉動的,目前相關研究領域有很多對轉動裝置的設計以及轉動策略的研究,其研究目的是提高太陽能電池板接收光能的效率,達到的首要目標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動特征選擇和電力視覺技術的太陽能電池板轉動策略.該策略包含轉動要素的特征選擇過程,在確定太陽能電池板是否轉動以及轉動角度的過程中,存在諸多要素,如光強、轉動能量消耗、轉回預測、當前光強持續時間、當地日照變化等,這些要素都或多或少影響最終的轉動收益.因此,本文基于這些因素采用特征選擇的方法過濾無關特征和重復特征,采用RBF網絡訓練相關參數得到最終的特征權重.

1 相關研究

本文對太陽能電池板轉動和電力視覺技術的相關研究進行了闡述.

1.1 太陽能電池板轉動

太陽能電池板轉動在能源、電力、控制以及機械等領域均有所涉及,其重點主要集中在太陽能電池板的轉動硬件設計,以及如何通過轉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,針對現有自動跟蹤系統的缺陷,設計了一種雙周四向跟蹤系統并給出了系統框圖及系統電路圖和相關流程圖,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,構造了一套能夠智能選擇跟蹤方式的太陽能轉動系統,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構,并設計了相應的轉換程序和控制程序,實現了對太陽方向的跟蹤,具有一定的實用價值;Ristani等[4]通過相關研究總結出,相比于固定的太陽能電池板,可轉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計了一個雙軸的自動跟蹤系統;趙旭等[5]依據太陽運行規律設計了一個基于單片機的太陽跟蹤系統,一定程度上解決了現有方法在適應性、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,依據極軸抵消地球自轉的原理設計了一種極軸太陽能跟蹤系統,解決了現有相關方法中光線偏差過大的問題;Ranganathan等[7]基于虛擬儀器設計了一個太陽能的自動跟蹤系統,該系統可以完成天氣的判斷,實現經緯度的設置等功能,并可以手動調節,從而提高了太陽能的采集效率;劉劍等[8]針對現有的太陽能電池板自動跟蹤系統,總結了現有系統存在的相關問題并提出了未來的研究方向及發展趨勢.

1.2 電力視覺技術

隨著人工智能的發展,機器學習及其相關方法深入于各個研究領域之中,其中電力視覺技術就是一個典型的應用.電力視覺是一類基于機器學習、模式識別以及數字圖像處理等相關技術,結合電力領域知識,解決電力系統各個環節中存在視覺問題的人工智能技術,是人工智能的相關理論方法在電力領域的融合應用[9].

在電力視覺中,應用最廣泛的為相關深度學習理論[10].在計算機技術與電力領域融合研究中,趙振兵等[11]將圖像處理技術應用于智能輸變電并進行了相關研究,利用深度學習相關方法對輸電線路關鍵部件進行視覺檢測;周筑博等[12]開展了基于深度卷積神經網絡對輸電線路可見光圖像目標檢測的研究.在太陽能電池板跟蹤方面,李文華等[13]通過電力視覺相關技術以及模糊識別的相關方法識別太陽位置,將采集到的圖像經過一系列處理,如灰度變換、濾波等實現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 基于轉動要素的特征選擇過程

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

2.1 特征選擇過程

影響太陽能電池板轉動的因素有很多,因此,在基于網絡訓練太陽能電池板轉動要素參數之前,必須采用相應的特征選擇過程和特征選擇算法對其進行預處理,其目的是找到相關特征集合,剔除無關特征,從而達到降低特征維數,降低后續訓練任務難度的目的.通過分析可能影響轉動的因素,總結太陽能電池板的轉動特征,結果如表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劣.

表1 轉動備選特征

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.輸出為最優特征子集O.

《水利工程混凝土耐久性技術規范》提出的水利工程混凝土設計、施工、運行管理等階段的耐久性技術要求，有利于促進資源節約利用，提高水利工程興利減災效果，有利于更好地實現水利工程設計使用年限目標，適應水利現代化的需要。

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的特征子集,迭代終止條件是當候選的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,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,給定數據集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,假設根據其取值將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,可以確定最優的特征子集.

2.2 基于神經網絡的特征權重確定

由于太陽能電池板的光能采集效率取決于特征選擇過程,而在現實中不同的太陽能電池板構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重必然不同,那么就需要對權重進行計算.為了更精確地確定相關權重,本文基于徑向基函數RBF計算最優特征子集的特征權重.

RBF網絡本質上是一種單隱層前饋神經網絡,使用徑向基函數作為隱藏神經元的激活函數,輸出層為對隱層神經元輸出的線性組合.假設輸入為d維向量x,那么RBF網絡可表示為

(2)

式中:q為隱層神經元個數;ci和wi分別為第i個隱層神經元所對應的中心和權重;ρ(x,ci)為徑向基函數,其本質為沿徑向對稱的標量函數,通常定義為樣本x到數據中心ci之間歐氏距離的單調函數.高斯徑向基函數表達式為

(3)

式中,βi為RBF待訓練的網絡參數.RBF網絡能夠以任意精度逼近任意連續函數,具有結構簡單,學習速度快以及泛化能力強等特點.在確定神經元中心ci的過程中,本文采用隨機采樣來實現,之后利用誤差逆傳播BP算法來確定相關參數.在實驗過程中,針對不同場景模擬4類數據集,因此可以訓練出4組網絡參數,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測

在特征選擇過程中,光強持續時長T的相關數據需要基于電力視覺的相關技術獲取.在現有研究中,通常將灰度圖像二值化,根據周圍環境光的亮度對比進行計算,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,應將彩色圖像轉換成灰度圖像,根據其灰度值判斷云層的厚度并計算持續時長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.通過上述相關計算,可以較為精確地判斷出當前光強的持續時長,再通過計算能量收益和轉動損耗計算整體能量收益,進而決定太陽能電池板是否需要轉動及所需轉動角度.對于電池板是否需要轉動的判斷需要借助深度卷積神經網絡DCNN,本文采用的DCNN網絡如圖1所示.

圖1 用于計算光強持續時長的DCNN網絡

在DCNN網絡中,輸入為經過處理的灰度圖像,在圖像預處理過程中,通過圖像變換對數據集進行擴充,擴充后的數據集輸入像素小于實際拍攝的像素.本文采用的DCNN網絡包含輸入層、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以達到盡快收斂的目的,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絡所需要訓練的參數.為了增強方法的實用性,池化層采用空間金字塔(SPP)方法,使得該網絡可以處理任意大小的圖像,避免了數據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計算獲取.為了使收斂速度更快,計算成本更低,激活函數使用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)基于不同訓練數據集的參數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計算,過濾掉無關特征或者冗余特征,依據特征選擇過程中的轉動因素以及相關算法和計算過程,得到的實驗結果如表2所示.

表2 特征選擇結果

由表2可知,相關特征包括光照強度、轉動能量消耗、轉回預測、光強持續時長以及日照變化記錄.無關特征包括當前時間,冗余特征包括環境散光和能量收益.根據實驗結果分析無關特征可知,當前時間對轉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境因素的影響,在不同時刻其分布大體上是均勻的,因此當前時間對轉動調整的影響微乎其微,其作用可以用日照變化記錄替代,而日照變化記錄是根據長時間觀測某一光伏發電站的日照變化獲取,在實驗中采用模擬數據,記錄了一年中每一天的日照變化統計值.冗余特征可以通過其他特征推導獲取,其中環境散光蘊含在光強持續時長T中,而能量收益則可以通過其他特征計算得到.

4.2 不同網絡適用場景

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個模擬數據集分別訓練網絡參數,4類數據集的模擬分別對應4個參數訓練結果,如表3所示.

表3 不同數據集上的RBF網絡訓練結果

在實際操作過程中,為了測試本文提出轉動策略的有效性,4類模擬數據集的構建參照中國氣象局網站公開的氣象數據,將表3中得到的訓練參數分別應用于晴天、多云、雨天、雪天4種天氣,得到轉動增益如圖2～5所示.

圖2 晴天轉動增益

圖3 多云轉動增益

由圖2～5可知,本文提出的太陽能電池板轉動策略適用于各種場景以及特殊天氣,適用性較強.結合表3可以看出,針對不同地區及天氣特點,參數并不是固定的,而是依據當地的天氣和光照數據訓練得到,因此可以用于當地光伏發電站的太陽能電池板轉動預測過程中.通過在數據集上的訓練以及不同天氣的轉動增益可以發現,在不同天氣下,5個特征的權重變化較大,如在晴天,光照強度影響最大,此時的光強比較固定且較強,轉動消耗遠小于光能吸收增益,光強時長變化相對較小,因此基本不會轉回,故轉回預測權重較低.在多云天氣,光強時長的權重更加重要,光強時長預測對進一步優化設置電池板的轉動起了很大作用.在雨雪天氣,日照記錄的影響較大,這是因為某一地區某一時間范圍內的雨雪特點通常是比較固定的.

圖2～3中,晴天的D1數據集和多云的D2數據集轉動增益最大.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中雨天轉動增益在D3和D4數據集上表現較好.雨雪天氣又存在極大的區別,與雨天不同,雪天反光較強導致光強較強,因此圖4～5中D4數據集訓練得到的網絡參數轉動增益均高于D3數據集的增益.

圖4 雨天轉動增益

圖5 雪天轉動增益

4.3 實驗對比

為了對本文提出的方法做總體評估,與現有文獻[13]方法進行對比.針對晴天、多云、雨、雪天氣條件,對應數據集為D1～D4,分別采用文獻[13]方法以及本文所提出的方法計算太陽能電池板轉動方案的整體能量增益提升,對比實驗結果如圖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[13]方法在4個數據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數據集,二者差異不大,因為晴天并不能完全體現本文提出轉動策略的優勢.在D2的多云數據集以及雨雪天氣的D3和D4數據集上則能夠看出本文方法的優勢,證明了該方法在應對特殊天氣方面的有效性.

5 結 論

針對基于太陽能電池板相關轉動研究中,忽視轉動損耗與不能應對特殊天氣的不足,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動的相關特征,通過RBF網絡訓練獲取相關特征的權重參數.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網絡DCNN,通過設計一個6層網絡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數據用于精確計算當前光強所能持續的時間.實驗過濾掉了冗余特征和無關特征,通過模擬構建4類針對性的數據集,分別對晴天、多云、雨、雪天氣訓練出4組參數,并對參數進行了驗證,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的太陽能電池板轉動策略的有效性.