本發(fā)明涉及評估領域，尤其涉及基于大數(shù)據(jù)的光伏組件生命周期評估方法及系統(tǒng)。

背景技術：

1、隨著全球對可再生能源需求的不斷增長，光伏發(fā)電作為一種清潔、可再生的能源形式，其重要性日益凸顯。光伏組件作為光伏發(fā)電系統(tǒng)的核心部件，其性能穩(wěn)定性和使用壽命直接關系到整個系統(tǒng)的發(fā)電效率和經(jīng)濟效益。然而，光伏組件在長期的戶外運行過程中，會受到多種因素的影響，如自然環(huán)境條件(如溫度、濕度、光照強度、風沙等)、材料老化、機械應力等，這些因素都會導致光伏組件的性能逐漸下降，甚至發(fā)生損壞。

2、目前，對光伏組件的性能評估大多依賴于傳統(tǒng)的定期檢測和維護方式，這種方法不僅費時費力，而且難以實時、準確地反映光伏組件的實際運行狀態(tài)和剩余壽命。此外，隨著大數(shù)據(jù)技術的快速發(fā)展，各行各業(yè)都在積極探索如何利用大數(shù)據(jù)來優(yōu)化決策、提升效率。在光伏領域，如何有效利用光伏組件運行過程中產(chǎn)生的大量數(shù)據(jù)，構建科學、準確的生命周期評估模型，已成為行業(yè)研究的熱點之一。

3、因此有必要開發(fā)一種基于大數(shù)據(jù)的光伏組件生命周期評估方法，該方法能夠實時、準確地采集光伏組件的工作數(shù)據(jù)和監(jiān)測數(shù)據(jù)，并通過先進的預處理技術和數(shù)據(jù)分析算法，深入挖掘數(shù)據(jù)背后的規(guī)律和信息，構建科學、準確、具有動態(tài)調(diào)整能力的光伏組件生命周期評估模型，實現(xiàn)全面、準確、實時的光伏組件生命周期評估。

技術實現(xiàn)思路

1、本發(fā)明的目的是要提供基于大數(shù)據(jù)的光伏組件生命周期評估方法。

2、為達到上述目的，本發(fā)明是按照以下技術方案實施的：

3、本發(fā)明包括以下步驟：

4、采集光伏組件的工作數(shù)據(jù)和監(jiān)測數(shù)據(jù)，對所述工作數(shù)據(jù)和所述監(jiān)測數(shù)據(jù)進行預處理；

5、通過所述監(jiān)測數(shù)據(jù)獲得影響數(shù)據(jù)；所述影響數(shù)據(jù)包括第一影響數(shù)據(jù)和第二影響數(shù)據(jù)；所述第一影響數(shù)據(jù)表征光伏組件的內(nèi)衰度；所述第二影響數(shù)據(jù)表征光伏組件的外損系數(shù)；

6、根據(jù)所述工作數(shù)據(jù)進行壽命預測獲得預測壽命，根據(jù)所述影響數(shù)據(jù)和所述預測壽命構建光伏組件生命周期評估模型；

7、優(yōu)化所述光伏組件生命周期評估模型，將待評估數(shù)據(jù)輸入所述光伏組件生命周期評估模型，輸出評估結果。

8、進一步的，獲取所述內(nèi)衰度的方法，包括：

9、將光伏組件的內(nèi)部影響數(shù)據(jù)輸入深度學習模型獲得內(nèi)部預測壽命，采用歸一化后的內(nèi)部影響數(shù)據(jù)構造決策矩陣；

10、對內(nèi)部影響數(shù)據(jù)與內(nèi)部預測壽命進行關聯(lián)分析獲得關聯(lián)度，表達式為：

11、

12、其中第s時刻的第z個內(nèi)部影響數(shù)據(jù)為第s時刻的第z個內(nèi)部預測壽命為hs,z，內(nèi)部影響數(shù)據(jù)與內(nèi)部預測壽命hs,z的關聯(lián)度為內(nèi)部影響數(shù)據(jù)出現(xiàn)的概率為內(nèi)部影響數(shù)據(jù)與內(nèi)部預測壽命hs,z同時出現(xiàn)的概率為分辨系數(shù)為ζ，監(jiān)測時間上限為n，第s時刻第z個內(nèi)部影響數(shù)據(jù)的重要性為第s時刻的第z個干擾常量為us,z；

13、計算內(nèi)部影響數(shù)據(jù)的重要性：

14、

15、其中第s時刻的第z個調(diào)整因子為內(nèi)部影響數(shù)據(jù)的數(shù)量為第z個內(nèi)部影響數(shù)據(jù)第s時刻的壽命縮減貢獻度為

16、計算內(nèi)部影響數(shù)據(jù)的決策值：

17、

18、其中歸一化后的內(nèi)部影響數(shù)據(jù)為，第s時刻的第z個決策值為

19、根據(jù)決策值計算內(nèi)衰度：

20、

21、其中第一權重為第二權重為第s-1時刻的第z個內(nèi)部預測壽命為hs+1,z，第z個內(nèi)部影響數(shù)據(jù)的內(nèi)衰度為θz，誤偏系數(shù)為θz。

22、進一步的，獲取所述外損系數(shù)的方法，包括：

23、計算外部影響數(shù)據(jù)的信息熵：

24、

25、其中外部影響數(shù)據(jù)的數(shù)量為α，第i個外部影響數(shù)據(jù)為gi，第s時刻的第i個外部影響數(shù)據(jù)為gi,s，外部影響數(shù)據(jù)gi的信息熵為h(gi)，時間上限為

26、計算信息增益率：

27、

28、其中外部影響數(shù)據(jù)的信息增益率為φ(gi)，第s時刻的第j個外部影響數(shù)據(jù)為gj,s，第s+1時刻的第j個外部影響數(shù)據(jù)為gj,s+1，外部影響數(shù)據(jù)gj,s和外部影響數(shù)據(jù)gj,s+1的偏移量為第s+1時刻的第i個外部影響數(shù)據(jù)為gi,s+1，外部影響數(shù)據(jù)gi,s和外部影響數(shù)據(jù)gi,s+1的偏移量為

29、計算基尼指數(shù)：

30、

31、其中外部影響數(shù)據(jù)gi的基尼指數(shù)為ui(gi)，采用長短期記憶網(wǎng)絡獲取組件的外部預測壽命；

32、根據(jù)基尼指數(shù)計算外損系數(shù)，表達式為：

33、

34、其中比例調(diào)控系數(shù)為ξ，出現(xiàn)第i個外部預測壽命的概率為同時出現(xiàn)第i個外部預測壽命和外部影響數(shù)據(jù)gi的概率為外部預測壽命和外部影響數(shù)據(jù)gi的關聯(lián)度為l2范數(shù)函數(shù)為||·||2，第i次測試的外損系數(shù)為

35、進一步的，根據(jù)所述工作數(shù)據(jù)進行壽命預測獲得預測壽命的方法，包括：

36、將工作數(shù)據(jù)按照時間順序排列并作為輸入數(shù)據(jù)，在編碼器中計算輸入數(shù)據(jù)的注意力權重：

37、

38、

39、其中第s時刻第w個輸入數(shù)據(jù)的注意力權重為查詢向量為q，輸入數(shù)據(jù)的數(shù)量為m，注意力打分函數(shù)為雙曲線正切函數(shù)為tanh(·)，轉置為t，權重矩陣為vz，第s-1時刻的隱藏層狀態(tài)為fs-1，第s-1時刻的細胞狀態(tài)為ys-1，權重向量為λz，線性變換的權重矩陣為cz，第w個輸入數(shù)據(jù)為bw，第s時刻第w個輸入數(shù)據(jù)為第s時刻第κ個輸入數(shù)據(jù)為

40、根據(jù)注意力權重更新輸入數(shù)據(jù)，表達式為：

41、

42、其中第s時刻更新后的輸入數(shù)據(jù)為輸入數(shù)據(jù)的數(shù)量為n，更新隱藏層狀態(tài)，表達式為：

43、

44、其中非線性激活函數(shù)為更新的第s時刻隱藏層狀態(tài)為fs，計算解碼器的輸入：

45、

46、其中第s時刻隱藏層狀態(tài)權重為第w個隱藏層狀態(tài)為fw，第s-1時刻隱藏層狀態(tài)為ds-1，第s-1時刻細胞狀態(tài)為xs-1，第s時刻細胞狀態(tài)為xs，編碼器權重向量為λd，解碼器權重矩陣為λd；

47、根據(jù)解碼器的輸入獲得光伏組件外部的預測壽命，表達式為：

48、

49、其中第s時刻的預測壽命為解碼器第s時刻的藏層狀態(tài)為d1s，第s-1時刻的預測壽命為解碼器偏置為σ，解碼器權重為τ，權重向量偏置為γλ，權重矩陣偏置為γw，第s-1時刻的實際壽命為ρs-1。

50、進一步的，根據(jù)所述影響數(shù)據(jù)和所述預測壽命構建光伏組件生命周期評估模型的方法，包括：

51、構建目標函數(shù)：

52、

53、其中第c個光伏組件的目標函數(shù)為第c個光伏組件的空間參數(shù)為第c個光伏組件的外損系數(shù)為第c個光伏組件的內(nèi)衰度為θc，第c個光伏組件的第i個預測壽命為第c個光伏組件的第i個實際壽命為ρc,i，影異常數(shù)為第c個光伏組件的預測壽命為第c個光伏組件的實際壽命為ρc，預測壽命和實際壽命ρc的損失函數(shù)為

54、光伏組件生命周期評估模型包括偏差分析算法、自編碼器、深度學習匹配算法和生命周期評價法；

55、偏差分析算法評估輸入數(shù)據(jù)的預測值與實際值之間的偏差獲取偏差量，根據(jù)偏差量的重要性對輸入數(shù)據(jù)進行選擇，獲得重要數(shù)據(jù)；

56、自編碼器通過無監(jiān)督學習壓縮和重建重要數(shù)據(jù)，提取重點數(shù)據(jù)的影響特征；

57、深度學習匹配算法根據(jù)影響特征和影響數(shù)據(jù)的相似度進行匹配分析，獲得匹配數(shù)據(jù)；

58、生命周期評價法根據(jù)，通過量化光伏組件生命周期中的工作情況消耗和環(huán)境負荷對匹配數(shù)據(jù)和重要數(shù)據(jù)進行生命周期評估，將目標函數(shù)最小的生命周期作為評估結果。

59、進一步的，優(yōu)化所述光伏組件生命周期評估模型的方法，包括：

60、將搜索子捕捉的獵物作為最優(yōu)解，搜索子所在位置作為解，通過隨機數(shù)和系數(shù)向量的模更新搜索子的位置，表達式為：

61、

62、β＝2r2

63、其中第t+1次迭代的搜索子位置為系數(shù)向量為β，0到1之間的隨機數(shù)分別為r、r1、r2，-1到1的隨機數(shù)為v1，第t次迭代的獵物位置為螺旋系數(shù)為μ，當前迭代次數(shù)為t，最大迭代次數(shù)為tmax，搜索子位置為

64、更新螺旋系數(shù)，表達式為：

65、

66、當r<0.5時，根據(jù)隨機位置更新搜索子位置獲得調(diào)整搜索子位置，表達式為：

67、

68、

69、其中第t次迭代搜索子的隨機位置為第t+1次迭代的調(diào)整搜索子位置為

70、引入步長系數(shù)，根據(jù)步長系數(shù)更新調(diào)整搜索子位置獲得優(yōu)化搜索子位置，表達式為：

71、

72、

73、其中第t+1次迭代的優(yōu)化搜索子位置為第t次迭代的調(diào)整搜索子位置為第t次迭代的搜索子速度為第t次迭代的步長系數(shù)為搜索區(qū)間上限為搜索區(qū)間下限為最大步長系數(shù)為最小步長系數(shù)為

74、不斷迭代直到達到最大迭代次數(shù)，否則更新螺旋系數(shù)，重新挑選最優(yōu)解。

75、第二方面，基于大數(shù)據(jù)的光伏組件生命周期評估系統(tǒng)，包括：

76、數(shù)據(jù)采集模塊：用于采集光伏組件的工作數(shù)據(jù)和監(jiān)測數(shù)據(jù)，對所述工作數(shù)據(jù)和所述監(jiān)測數(shù)據(jù)進行預處理；

77、數(shù)據(jù)處理模塊：用于通過所述監(jiān)測數(shù)據(jù)獲得影響數(shù)據(jù)；所述影響數(shù)據(jù)包括第一影響數(shù)據(jù)和第二影響數(shù)據(jù)；所述第一影響數(shù)據(jù)表征光伏組件的內(nèi)衰度；所述第二影響數(shù)據(jù)表征光伏組件的外損系數(shù)；

78、預測構造模塊：用于根據(jù)所述工作數(shù)據(jù)進行壽命預測獲得預測壽命，根據(jù)所述影響數(shù)據(jù)和所述預測壽命構建光伏組件生命周期評估模型；

79、構建優(yōu)化模塊：用于優(yōu)化所述光伏組件生命周期評估模型，將待評估數(shù)據(jù)輸入所述光伏組件生命周期評估模型，輸出評估結果。

80、本發(fā)明的有益效果是：

81、本發(fā)明是基于大數(shù)據(jù)的光伏組件生命周期評估方法及系統(tǒng)，與現(xiàn)有技術相比，本發(fā)明具有以下技術效果：

82、本發(fā)明通過預處理、獲得影響數(shù)據(jù)、壽命預測、模型構建和模型優(yōu)化步驟，可以提高光伏組件生命周期評估的準確性，從而提高光伏組件生命周期評估的精度，將光伏組件生命周期評估優(yōu)化，可以大大節(jié)省資源，提高工作效率，可以實現(xiàn)對光伏組件生命周期的智能評估，實時對光伏組件生命周期評估進行多數(shù)據(jù)輸入，對光伏組件生命周期評估具有重要意義，可以適應不同標準的光伏組件生命周期評估、不同的光伏組件生命周期評估需求，具有一定的普適性。