定日镜人工智能纠偏方法、装置、电子设备及存储介质制造方法及图纸

本公开涉及定日镜人工智能纠偏方法、装置、电子设备及存储介质，该方法包括：读取样本数据；根据所述样本数据训练LSTM网络，得到LSTM网络模型；将所述定日镜的序列数据输入所述LSTM网络模型，经过所述LSTM网络模型计算后输出所述定日镜的纠偏数据；以及使用所述定日镜的所述纠偏数据修正所述定日镜日常的追踪运行参数。使用包括了长短期记忆人工智能机器学习的方法对定日镜的样本数据进行高效地学习，从而使定日镜进行更高精度的追踪。从而使定日镜进行更高精度的追踪。从而使定日镜进行更高精度的追踪。

【技术实现步骤摘要】
定日镜人工智能纠偏方法、装置、电子设备及存储介质


[0001]本公开涉及太阳能应用
，更具体地涉及定日镜人工智能纠偏方法、装置、电子设备及存储介质。

技术介绍

[0002]太阳能因其总能量大、分布广泛、清洁无污染和经济性高的优点在人们生活中越来越多地被利用。在利用太阳能的过程中，不论是采用太阳能光伏板、太阳能聚光反射镜或其它形式，为了接收更多的太阳辐照加以利用，太阳光跟踪技术被越来越多地应用。尤其是在大型的太阳能电站中，可以使用太阳光跟踪系统来提升太阳能发电装置的发电效率以提高产量。
[0003]例如，将太阳光追踪技术应用在太阳能光伏发电中时，其控制系统根据数学原理得出的追踪公式进行计算以控制太阳能光伏电池板进行追踪，以保持光伏电池板随时正对太阳，让太阳光的光线随时垂直照射光伏电池板上；应用在塔式太阳能热发电系统中时，控制系统根据数学原理得出的追踪公式进行计算以实时控制反射镜活动，以随时将太阳光反射到集热塔上。
[0004]光伏电池板和反射镜在经过各种测量以及初次安装调试后，获取了用以进行数学原理计算的固定输入状态参数，例如光伏电池板和反射镜的经纬度参数、安装底座的倾斜角度以及海拔高度等，在初期这些参数的精度较高，设备追踪的精度也较高。但随着设备的运行，由于风、振动、地理情况和机械应力的影响，这些参数会逐渐发生变化，误差逐步累积，最终造成追踪精度的显著下降。
[0005]对此，现有技术提供了了各种方法用以获取不同时刻各个光伏电池板或反射镜追踪的跟踪误差，即偏移量。并且现有技术还记载了根据获取的离散的追踪误差拟合出追踪误差曲线，并利用该追踪误差曲线实时计算出当前的追踪误差，并以此为根据修正当前的追踪参数，以进行精确追踪的方法。
[0006]其中，上述的根据历史偏差量拟合追踪误差曲线以计算当前的追踪误差的方法，速度较慢，耗费的计算资源较大，并且拟合出来的结果精度较低。

技术实现思路

[0007]为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了定日镜人工智能纠偏方法、装置、电子设备及存储介质。
[0008]第一方面，本公开涉及定日镜人工智能纠偏方法，其包括：
[0009]读取样本数据；
[0010]根据所述样本数据训练LSTM网络，得到LSTM网络模型；
[0011]将所述定日镜的序列数据输入所述LSTM网络模型，经过所述LSTM网络模型计算后输出所述定日镜的纠偏数据；以及
[0012]使用所述定日镜的所述纠偏数据修正所述定日镜日常的追踪运行参数。
[0013]在某些实施方案中，所述根据所述样本数据训练LSTM网络，得到LSTM网络模型包括：
[0014]对所述样本数据进行预处理，其中所述样本数据包括样本序列数据和样本纠偏数据；
[0015]在所述LSTM网络中，将经过预处理的所述样本序列数据作为输入与具有第一数量单元的第一LSTM隐含层相连，所述第一LSTM隐含层接着与第一丢弃层相连，并由所述第一丢弃层通过全连接层与作为输出的所述样本纠偏数据相连；以及
[0016]使用优化器对所述LSTM网络进行迭代优化训练，以获得所述LSTM网络模型。
[0017]在某些实施方案中，所述根据所述样本数据训练LSTM网络，得到LSTM网络模型包括：
[0018]对所述样本数据进行预处理，其中所述样本数据包括样本序列数据和样本纠偏数据；
[0019]在所述LSTM网络中，将经过预处理的所述样本序列数据作为输入与具有第一数量单元的第一LSTM隐含层相连，所述第一LSTM隐含层接着与第一丢弃层相连，所述第一丢弃层再与具有第二数量单元的第二LSTM隐含层相连，所述第二LSTM隐含层接着与第二丢弃层相连，并由所述第二丢弃层通过全连接层与作为输出的所述样本纠偏数据相连；以及
[0020]使用优化器对所述LSTM网络进行迭代优化训练，以获得所述LSTM网络模型。
[0021]在某些实施方案中，所述对所述样本数据进行预处理包括：
[0022]将同一定日镜同一天内的各组数据拼成矩阵；
[0023]用元胞数组组合所述矩阵得到样本元胞数组；以及
[0024]对所述样本元胞数组进行处理，使其正态化分布在0至1之间，并保存均值和标准差。
[0025]在某些实施方案中，所述使用优化器对所述LSTM网络进行迭代优化训练包括：采用梯度下降优化器对所述LSTM网络进行迭代优化训练。
[0026]在某些实施方案中，所述第一数量小于所述第二数量，并且所述第一丢弃层的丢弃率小于所述第二丢弃层的丢弃率。
[0027]在某些实施方案中，所述读取样本数据包括：读取每个定日镜分散在每一天内的至少6组样本序列数据，并忽略不相关的部分数据。
[0028]第二方面，本公开涉及定日镜人工智能纠偏装置，其包括：
[0029]数据读取模块，配置为读取样本数据；
[0030]模型训练模块，配置为根据所述样本数据训练LSTM网络，得到LSTM网络模型；
[0031]模型计算模块，配置为将所述定日镜的序列数据输入所述LSTM网络模型，经过所述LSTM网络模型计算后输出所述定日镜的纠偏数据；以及
[0032]结果应用模块，配置为使用所述定日镜的所述纠偏数据修正所述定日镜日常的追踪运行参数。
[0033]第三方面，本公开涉及电子设备，其包括处理器、通信接口、存储器和通信总线，其中所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信；
[0034]所述存储器用于存放计算机程序；
[0035]所述处理器配置为在执行所述存储器上所存放的所述计算机程序时，实现如本公
开第一方面所述的任一定日镜人工智能纠偏方法。
[0036]第四方面，本公开涉及计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本公开第一方面所述的任一定日镜人工智能纠偏方法。
[0037]本公开涉及的方法，使用包括了长短期记忆人工智能机器学习的方法对定日镜的样本数据进行高效地学习以获得计算定日镜纠偏数据的模型，从而得到更准确的追踪运行参数使定日镜进行更高精度的追踪。
附图说明
[0038]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0039]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]图1示出了本公开一实施例的定日镜人工智能纠偏方法的流程示意图；
[0041]图2示出了本公开一实施例的定日镜人工智能纠偏方法中根据样本数据训练LSTM网络的流程示意图；
[0042]图3示出了本公开另一实施例的定日镜人工智能纠偏方法中根据样本数据训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.定日镜人工智能纠偏方法包括：读取样本数据；根据所述样本数据训练LSTM网络，得到LSTM网络模型；将所述定日镜的序列数据输入所述LSTM网络模型，经过所述LSTM网络模型计算后输出所述定日镜的纠偏数据；以及使用所述定日镜的所述纠偏数据修正所述定日镜日常的追踪运行参数。2.如权利要求1所述的方法，其中所述根据所述样本数据训练LSTM网络，得到LSTM网络模型包括：对所述样本数据进行预处理，其中所述样本数据包括样本序列数据和样本纠偏数据；在所述LSTM网络中，将经过预处理的所述样本序列数据作为输入与具有第一数量单元的第一LSTM隐含层相连，所述第一LSTM隐含层接着与第一丢弃层相连，并由所述第一丢弃层通过全连接层与作为输出的所述样本纠偏数据相连；以及使用优化器对所述LSTM网络进行迭代优化训练，以获得所述LSTM网络模型。3.如权利要求1所述的方法，其中所述根据所述样本数据训练LSTM网络，得到LSTM网络模型包括：对所述样本数据进行预处理，其中所述样本数据包括样本序列数据和样本纠偏数据；在所述LSTM网络中，将经过预处理的所述样本序列数据作为输入与具有第一数量单元的第一LSTM隐含层相连，所述第一LSTM隐含层接着与第一丢弃层相连，所述第一丢弃层再与具有第二数量单元的第二LSTM隐含层相连，所述第二LSTM隐含层接着与第二丢弃层相连，并由所述第二丢弃层通过全连接层与作为输出的所述样本纠偏数据相连；以及使用优化器对所述LSTM网络进行迭代优化训练，以获得所述LSTM网络模型。4.如权利要求2或3所述的方法，其中所述对所述样本数据进行预处理包括：将...

【专利技术属性】
技术研发人员：王培培，
申请(专利权)人：北京聚树核科技有限公司，
类型：发明
国别省市：