基于特征选择和电力视觉的太阳能电池板转动策略

于 舜, 侯荣旭, 郭朋伟, 张聿博, 夏 炎, 吴欣怡

(1. 沈阳工程学院 信息学院, 沈阳 110136; 2. 东北师范大学 信息科学与技术学院, 长春 130024)

随着人类社会活动的不断深入,能源的消耗量也随之增长,传统能源如煤、石油、天然气等均为不可再生资源或其再生周期极长,由此引发了能源危机.近年来,随着科学技术水平的不断进步,新能源开采与利用的相关技术获得了长足的进步,风能、光能、海洋能等新能源逐步融入人类生活的各个方面,极大地缓解了能源危机带来的影响.

在新能源中,太阳能具有更加独特的优势,如其无处不在的普遍性、不污染环境的清洁性以及源源不断的巨大性和长久性等.基于太阳能的上述特性,各国政府均加大了对太阳能的开采和利用,并且促进了能源和电力领域中对太阳能的深入研究.

在太阳能的开采过程中,需要使用太阳能电池板以实现太阳能的采集工作,为了提高太阳能的采集效率,现有研究领域对太阳能电池板的设计研究已经相当深入.最初的电池板是固定的,无法保持高效的光能接收,现有的电池板绝大多数都是可转动的,目前相关研究领域有很多对转动装置的设计以及转动策略的研究,其研究目的是提高太阳能电池板接收光能的效率,达到的首要目标是保持太阳能电池板能够在接收光能的过程中始终和光线垂直以达到每一时刻的最大光能接收效率.

基于上述思想,本文提出了一种基于转动特征选择和电力视觉技术的太阳能电池板转动策略.该策略包含转动要素的特征选择过程,在确定太阳能电池板是否转动以及转动角度的过程中,存在诸多要素,如光强、转动能量消耗、转回预测、当前光强持续时间、当地日照变化等,这些要素都或多或少影响最终的转动收益.因此,本文基于这些因素采用特征选择的方法过滤无关特征和重复特征,采用RBF网络训练相关参数得到最终的特征权重.

1 相关研究

本文对太阳能电池板转动和电力视觉技术的相关研究进行了阐述.

1.1 太阳能电池板转动

太阳能电池板转动在能源、电力、控制以及机械等领域均有所涉及,其重点主要集中在太阳能电池板的转动硬件设计,以及如何通过转动维持光照垂直于太阳能电池板两个方面.

徐峥悍等[1]为了最大限度地采集太阳能资源,针对现有自动跟踪系统的缺陷,设计了一种双周四向跟踪系统并给出了系统框图及系统电路图和相关流程图,通过实验证明了其合理性和可移植性;邱燕[2]通过比较两种跟踪方式,即光电跟踪和视日运动轨迹跟踪,构造了一套能够智能选择跟踪方式的太阳能转动系统,给出了基本的控制流程,并通过实验验证了其有效性;刘宇恒等[3]针对太阳能电池板接收光能效率低下的问题,提出了一种能够自动追踪太阳方向的框架结构,并设计了相应的转换程序和控制程序,实现了对太阳方向的跟踪,具有一定的实用价值;Ristani等[4]通过相关研究总结出,相比于固定的太阳能电池板,可转动电池板的光能接收效率可以提高40%,并采用光电跟踪的方法设计了一个双轴的自动跟踪系统;赵旭等[5]依据太阳运行规律设计了一个基于单片机的太阳跟踪系统,一定程度上解决了现有方法在适应性、价格以及精度等方面存在的问题;周诗悦等[6]为了保持太阳能电池板与太阳光始终保持垂直状态,依据极轴抵消地球自转的原理设计了一种极轴太阳能跟踪系统,解决了现有相关方法中光线偏差过大的问题;Ranganathan等[7]基于虚拟仪器设计了一个太阳能的自动跟踪系统,该系统可以完成天气的判断,实现经纬度的设置等功能,并可以手动调节,从而提高了太阳能的采集效率;刘剑等[8]针对现有的太阳能电池板自动跟踪系统,总结了现有系统存在的相关问题并提出了未来的研究方向及发展趋势.

1.2 电力视觉技术

随着人工智能的发展,机器学习及其相关方法深入于各个研究领域之中,其中电力视觉技术就是一个典型的应用.电力视觉是一类基于机器学习、模式识别以及数字图像处理等相关技术,结合电力领域知识,解决电力系统各个环节中存在视觉问题的人工智能技术,是人工智能的相关理论方法在电力领域的融合应用[9].

在电力视觉中,应用最广泛的为相关深度学习理论[10].在计算机技术与电力领域融合研究中,赵振兵等[11]将图像处理技术应用于智能输变电并进行了相关研究,利用深度学习相关方法对输电线路关键部件进行视觉检测;周筑博等[12]开展了基于深度卷积神经网络对输电线路可见光图像目标检测的研究.在太阳能电池板跟踪方面,李文华等[13]通过电力视觉相关技术以及模糊识别的相关方法识别太阳位置,将采集到的图像经过一系列处理,如灰度变换、滤波等实现对太阳方位的自动跟踪,保证了光线与太阳能电池板的垂直.

2 基于转动要素的特征选择过程

在太阳能电池板的转动过程中存在许多特征,为了更高效地利用这些特征,需要对这些特征进行选择.

2.1 特征选择过程

影响太阳能电池板转动的因素有很多,因此,在基于网络训练太阳能电池板转动要素参数之前,必须采用相应的特征选择过程和特征选择算法对其进行预处理,其目的是找到相关特征集合,剔除无关特征,从而达到降低特征维数,降低后续训练任务难度的目的.通过分析可能影响转动的因素,总结太阳能电池板的转动特征,结果如表1所示.表1中共列出了8种可能影响太阳能电池板的特征,这些特征并不都是有效特征,需要通过实验进一步确定.而在实验过程中,需要考虑两个主要问题,即如何确定特征子集以及如何评价特征子集的优劣.

表1 转动备选特征

确定特征子集的过程可以通过如下算法来完成.输入为特征集合F={I,t,L,R,A,T,S,E}.流程包含:1)任选一个特征a作为最优特征O;2)计算信息增益Gmax;3)加入另外一个特征作为特征集合a′;4)计算信息增益G′max;5)如果GmaxGk.输出为最优特征子集O.

《水利工程混凝土耐久性技术规范》提出的水利工程混凝土设计、施工、运行管理等阶段的耐久性技术要求，有利于促进资源节约利用，提高水利工程兴利减灾效果，有利于更好地实现水利工程设计使用年限目标，适应水利现代化的需要。

该算法为向前搜索特征选择算法,其核心思想是通过迭代选取最优的特征子集,迭代终止条件是当候选的k+1轮特征子集评价不如k轮时,信息增益G代表某一轮的最大增益,对于第一轮的单个特征子集,如果{ai}最优,则将{ai}作为第一轮的选定集得到Gmax.在上述算法中,涉及到特征子集评价的过程,子集评价计算公式为

(1)

在信息增益Gain(A)的计算中,给定数据集D,假定D中第i类样本所占比例为pi,i为1到|y|,对于属性子集A,假设根据其取值将D分为V个子集,而每个子集在样本A上的取值相同.信息增益越大,说明特征子集A包含的有助于分类的信息越多.Ent(D)的值越小,则D的纯度越高.通过上述特征选择算法和特征子集评价过程,可以确定最优的特征子集.

2.2 基于神经网络的特征权重确定

由于太阳能电池板的光能采集效率取决于特征选择过程,而在现实中不同的太阳能电池板构造以及不同地域的光照条件均不相同,因此,针对某一特定的场景,特征选择的最佳特征子集中每个特征的权重必然不同,那么就需要对权重进行计算.为了更精确地确定相关权重,本文基于径向基函数RBF计算最优特征子集的特征权重.

RBF网络本质上是一种单隐层前馈神经网络,使用径向基函数作为隐藏神经元的激活函数,输出层为对隐层神经元输出的线性组合.假设输入为d维向量x,那么RBF网络可表示为

(2)

式中:q为隐层神经元个数;ci和wi分别为第i个隐层神经元所对应的中心和权重;ρ(x,ci)为径向基函数,其本质为沿径向对称的标量函数,通常定义为样本x到数据中心ci之间欧氏距离的单调函数.高斯径向基函数表达式为

(3)

式中,βi为RBF待训练的网络参数.RBF网络能够以任意精度逼近任意连续函数,具有结构简单,学习速度快以及泛化能力强等特点.在确定神经元中心ci的过程中,本文采用随机采样来实现,之后利用误差逆传播BP算法来确定相关参数.在实验过程中,针对不同场景模拟4类数据集,因此可以训练出4组网络参数,从而可以验证本文提出策略的有效性和适用性.

3 基于电力视觉的光强时长预测

在特征选择过程中,光强持续时长T的相关数据需要基于电力视觉的相关技术获取.在现有研究中,通常将灰度图像二值化,根据周围环境光的亮度对比进行计算,从而判定阈值,再利用开运算处理二值图像,其中开运算是一种复合运算,由腐蚀和膨胀两种运算合成得到.

为了精确计算特定光强的持续时长,需要考虑云层的厚度,因此灰度图像二值化是不可行的,应将彩色图像转换成灰度图像,根据其灰度值判断云层的厚度并计算持续时长T.在此过程中,对于云层运动方向和速度的判断可以通过实际中前后采集图像的差来实现.通过上述相关计算,可以较为精确地判断出当前光强的持续时长,再通过计算能量收益和转动损耗计算整体能量收益,进而决定太阳能电池板是否需要转动及所需转动角度.对于电池板是否需要转动的判断需要借助深度卷积神经网络DCNN,本文采用的DCNN网络如图1所示.

图1 用于计算光强持续时长的DCNN网络

在DCNN网络中,输入为经过处理的灰度图像,在图像预处理过程中,通过图像变换对数据集进行扩充,扩充后的数据集输入像素小于实际拍摄的像素.本文采用的DCNN网络包含输入层、卷积层、池化层、全连接层以及输出层.在卷积层中,为了降低模型的迭代次数以达到尽快收敛的目的,采用分组卷积,并且使用多个小卷积核替代大卷积核的方式降低网络所需要训练的参数.为了增强方法的实用性,池化层采用空间金字塔(SPP)方法,使得该网络可以处理任意大小的图像,避免了数据集扩充过程中图像特征减少的问题.输出层输出通过灰度识别的太阳位置、云层位置、云层厚度以及云层移动速度,其中太阳位置为直接输出,而其他三项需要通过相关计算获取.为了使收敛速度更快,计算成本更低,激活函数使用ReLU,计算公式为

(4)

4 实 验

本文实验分为三部分:1)基于备选特征的特征选择实验;2)基于不同训练数据集的参数确定实验以及不同天气情况下的对比实验;3)本文提出方法与现有方法的对比实验.

4.1 特征选择实验

特征选择实验的目的是通过相关计算,过滤掉无关特征或者冗余特征,依据特征选择过程中的转动因素以及相关算法和计算过程,得到的实验结果如表2所示.

表2 特征选择结果

由表2可知,相关特征包括光照强度、转动能量消耗、转回预测、光强持续时长以及日照变化记录.无关特征包括当前时间,冗余特征包括环境散光和能量收益.根据实验结果分析无关特征可知,当前时间对转动过程中的能量收益不起作用的原因在于太阳光受各种环境因素的影响,在不同时刻其分布大体上是均匀的,因此当前时间对转动调整的影响微乎其微,其作用可以用日照变化记录替代,而日照变化记录是根据长时间观测某一光伏发电站的日照变化获取,在实验中采用模拟数据,记录了一年中每一天的日照变化统计值.冗余特征可以通过其他特征推导获取,其中环境散光蕴含在光强持续时长T中,而能量收益则可以通过其他特征计算得到.

4.2 不同网络适用场景

为了对比不同天气状况下本文提出策略的有效性和适用性,采用4个模拟数据集分别训练网络参数,4类数据集的模拟分别对应4个参数训练结果,如表3所示.

表3 不同数据集上的RBF网络训练结果

在实际操作过程中,为了测试本文提出转动策略的有效性,4类模拟数据集的构建参照中国气象局网站公开的气象数据,将表3中得到的训练参数分别应用于晴天、多云、雨天、雪天4种天气,得到转动增益如图2～5所示.

图2 晴天转动增益

图3 多云转动增益

由图2～5可知,本文提出的太阳能电池板转动策略适用于各种场景以及特殊天气,适用性较强.结合表3可以看出,针对不同地区及天气特点,参数并不是固定的,而是依据当地的天气和光照数据训练得到,因此可以用于当地光伏发电站的太阳能电池板转动预测过程中.通过在数据集上的训练以及不同天气的转动增益可以发现,在不同天气下,5个特征的权重变化较大,如在晴天,光照强度影响最大,此时的光强比较固定且较强,转动消耗远小于光能吸收增益,光强时长变化相对较小,因此基本不会转回,故转回预测权重较低.在多云天气,光强时长的权重更加重要,光强时长预测对进一步优化设置电池板的转动起了很大作用.在雨雪天气,日照记录的影响较大,这是因为某一地区某一时间范围内的雨雪特点通常是比较固定的.

图2～3中,晴天的D1数据集和多云的D2数据集转动增益最大.由于雨雪天气有共性,阳光被云遮住,整体光强较弱,因此图4中雨天转动增益在D3和D4数据集上表现较好.雨雪天气又存在极大的区别,与雨天不同,雪天反光较强导致光强较强,因此图4～5中D4数据集训练得到的网络参数转动增益均高于D3数据集的增益.

图4 雨天转动增益

图5 雪天转动增益

4.3 实验对比

为了对本文提出的方法做总体评估,与现有文献[13]方法进行对比.针对晴天、多云、雨、雪天气条件,对应数据集为D1～D4,分别采用文献[13]方法以及本文所提出的方法计算太阳能电池板转动方案的整体能量增益提升,对比实验结果如图6所示.

图6 能量增益提升对比

由图6可以看出,本文方法较文献[13]方法在4个数据集上的太阳能电池板能量采集增益均有所提升.对于更偏向于晴天的D1数据集,二者差异不大,因为晴天并不能完全体现本文提出转动策略的优势.在D2的多云数据集以及雨雪天气的D3和D4数据集上则能够看出本文方法的优势,证明了该方法在应对特殊天气方面的有效性.

5 结 论

针对基于太阳能电池板相关转动研究中,忽视转动损耗与不能应对特殊天气的不足,提出了一种基于特征选择和电力视觉的太阳能电池板转动策略.该方法通过特征选择算法确定影响太阳能电池板转动的相关特征,通过RBF网络训练获取相关特征的权重参数.在计算光强时长T的过程中,采用了电力视觉中的深度神经网络DCNN,通过设计一个6层网络处理灰度图像获取太阳位置、云层位置、云层厚度和云层速度等相关数据用于精确计算当前光强所能持续的时间.实验过滤掉了冗余特征和无关特征,通过模拟构建4类针对性的数据集,分别对晴天、多云、雨、雪天气训练出4组参数,并对参数进行了验证,证明了本文方法的适用性,通过对比实验证明了本文提出的基于特征选择和电力视觉技术的太阳能电池板转动策略的有效性.