CN115857614B - 多路光伏mppt交错式boost控制方法及其系统 - Google Patents
多路光伏mppt交错式boost控制方法及其系统 Download PDFInfo
- Publication number
- CN115857614B CN115857614B CN202211463501.4A CN202211463501A CN115857614B CN 115857614 B CN115857614 B CN 115857614B CN 202211463501 A CN202211463501 A CN 202211463501A CN 115857614 B CN115857614 B CN 115857614B
- Authority
- CN
- China
- Prior art keywords
- current
- feature
- current signal
- optimized
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009467 reduction Effects 0.000 claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 32
- 239000003638 chemical reducing agent Substances 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 159
- 239000011159 matrix material Substances 0.000 claims description 112
- 238000005457 optimization Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 16
- 230000003247 decreasing effect Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 14
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000015654 memory Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Control Of Electrical Variables (AREA)
Abstract
公开了一种多路光伏MPPT交错式BOOST控制方法及其系统，其采用基于深度学习的人工智能控制技术，以通过Boost变换器输出的电流信号的时域和频域的高维特征分析来综合进行开关管的占空比控制。也就是，在利用降噪器来对于Boost变换器输出的电流信号进行降噪处理后，提取出降噪后电流信号的频域统计特征值间的多尺度邻域关联特征和所述降噪后电流信号的波形图的隐含特征分布信息，再以所述电流信号的频域统计值的多尺度关联特征来优化所述电流波形的时域特征表达，以提高占空比控制的准确性。这样，实现光伏电池工作最大功率点的快速跟踪。
Description
技术领域
本申请涉及光伏电池控制技术领域，且更为具体地，涉及一种多路光伏MPPT交错式BOOST控制方法及其系统。
背景技术
随着传统能源的日益枯竭，太阳能已经成为一种十分具有潜力的新能源，而光伏发电是当前利用太阳能的主要方式。光伏发电具有安全可靠、运行费用少、维护简单、随处可用等特点，在我国得到了快速的发展。
但是，由于光伏电池在工作时，会受到周围温度、光照强度等影响，再加上电池本身的转换效率低，成本高，这就期待在光伏电池工作时进行最大功率跟踪（MPPT）。
Boost变换器是一种通过电路中电容二极管等电路原件的连接改变电路电压以达到电路电压升高作用的装置。Boost变换器作为一种结构简单，使用场合较广的升压型电路变换器，广泛应用于各种功率等级的光伏逆变器中，调节光伏阵列输出电压，并实现最大功率点追踪(MPPT)。但是，现有的BOOST控制方案对于多路光伏MPPT的速度较低，且控制的精准度也难以达到要求。
因此，期望一种优化的多路光伏MPPT交错式BOOST控制方案以实现光伏电池工作最大功率点的快速跟踪。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种多路光伏MPPT交错式BOOST控制方法及其系统，其采用基于深度学习的人工智能控制技术，以通过Boost变换器输出的电流信号的时域和频域的高维特征分析来综合进行开关管的占空比控制。也就是，在利用降噪器来对于Boost变换器输出的电流信号进行降噪处理后，提取出降噪后电流信号的频域统计特征值间的多尺度邻域关联特征和所述降噪后电流信号的波形图的隐含特征分布信息，再以所述电流信号的频域统计值的多尺度关联特征来优化所述电流波形的时域特征表达，以提高占空比控制的准确性。这样，实现光伏电池工作最大功率点的快速跟踪。
根据本申请的一个方面，提供了一种多路光伏MPPT交错式BOOST控制方法，其包括：
获取由Boost变换器输出的电流信号；
将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号；
对所述生成降噪电流信号进行傅里叶变换以得到多个电流频域统计值；
将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量；
将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量；
使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵；
对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵；以及
将所述再优化电流特征矩阵通过分类器以得到分类结果，所述分类结果用于表示开关管的占空比应增大或应减小。
在上述多路光伏MPPT交错式BOOST控制方法中，所述将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号，包括：将所述电流信号输入所述基于自动编解码器的降噪器中的编码器，其中，所述编码器使用卷积层对所述电流信号进行显式空间编码以得到电流特征；以及，将所述电流特征输入所述基于自动编解码器的降噪器中的解码器，其中，所述解码器使用反卷积层对所述电流特征进行反卷积处理以得到所述生成降噪电流信号。
在上述多路光伏MPPT交错式BOOST控制方法中，所述自动编解码器的编码器为卷积层，所述自动编解码器的解码器为反卷积层。
在上述多路光伏MPPT交错式BOOST控制方法中，所述将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量，包括：将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第一卷积层以得到第一电流频率统计特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第二卷积层以得到第二电流频率统计特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一电流频率统计特征向量和所述第二电流频率统计特征向量进行级联以得到所述电流频域统计特征向量。
在上述多路光伏MPPT交错式BOOST控制方法中，所述将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量，包括：所述Clip模型的图像编码器的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述Clip模型的图像编码器的最后一层的输出为所述电流图像语义特征向量，所述Clip模型的图像编码器的第一层的输入为所述生成降噪电流信号的波形图。
在上述多路光伏MPPT交错式BOOST控制方法中，所述使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵，包括：以如下公式基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵；其中，所述公式为：
其中，表示所述电流图像语义特征向量的转置向量，/>表示所述电流频域统计特征向量， />表示所述优化电流特征矩阵，/>表示矩阵相乘。
在上述多路光伏MPPT交错式BOOST控制方法中，所述对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵，包括：以如下公式对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到所述再优化电流特征矩阵；其中，所述公式为
其中是所述优化电流特征矩阵的第/>位置的特征值，/>和/>分别是所述优化电流特征矩阵的各个位置的特征值集合的均值和标准差。
在上述多路光伏MPPT交错式BOOST控制方法中，所述将所述再优化电流特征矩阵通过分类器以得到分类结果，包括：将所述再优化电流特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种多路光伏MPPT交错式BOOST控制系统，包括：
数据获取模块，用于获取由Boost变换器输出的电流信号；
降噪模块，用于将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号；
频域变换模块，用于对所述生成降噪电流信号进行傅里叶变换以得到多个电流频域统计值；
序列编码模块，用于将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量；
图像编码模块，用于将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量；
优化编码模块，用于使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵；
特征聚类模块，用于对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵；以及
控制结果生成模块，用于将所述再优化电流特征矩阵通过分类器以得到分类结果，所述分类结果用于表示开关管的占空比应增大或应减小。
在上述多路光伏MPPT交错式BOOST控制系统中，所述降噪模块，进一步用于：将所述电流信号输入所述基于自动编解码器的降噪器中的编码器，其中，所述编码器使用卷积层对所述电流信号进行显式空间编码以得到电流特征；以及，将所述电流特征输入所述基于自动编解码器的降噪器中的解码器，其中，所述解码器使用反卷积层对所述电流特征进行反卷积处理以得到所述生成降噪电流信号。
在上述多路光伏MPPT交错式BOOST控制系统中，所述序列编码模块，进一步用于：将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第一卷积层以得到第一电流频率统计特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第二卷积层以得到第二电流频率统计特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一电流频率统计特征向量和所述第二电流频率统计特征向量进行级联以得到所述电流频域统计特征向量。
在上述多路光伏MPPT交错式BOOST控制系统中，所述特征聚类模块，进一步用于：以如下公式对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到所述再优化电流特征矩阵；其中，所述公式为
其中是所述优化电流特征矩阵的第/>位置的特征值，/>和/>分别是所述优化电流特征矩阵的各个位置的特征值集合的均值和标准差。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的多路光伏MPPT交错式BOOST控制方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的多路光伏MPPT交错式BOOST控制方法。
与现有技术相比，本申请提供的多路光伏MPPT交错式BOOST控制方法及其系统，其采用基于深度学习的人工智能控制技术，以通过Boost变换器输出的电流信号的时域和频域的高维特征分析来综合进行开关管的占空比控制。也就是，在利用降噪器来对于Boost变换器输出的电流信号进行降噪处理后，提取出降噪后电流信号的频域统计特征值间的多尺度邻域关联特征和所述降噪后电流信号的波形图的隐含特征分布信息，再以所述电流信号的频域统计值的多尺度关联特征来优化所述电流波形的时域特征表达，以提高占空比控制的准确性。这样，实现光伏电池工作最大功率点的快速跟踪。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的多路光伏MPPT交错式BOOST控制方法的流程图。
图2为根据本申请实施例的多路光伏MPPT交错式BOOST控制方法的架构图。
图3为根据本申请实施例的多路光伏MPPT交错式BOOST控制方法中将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量的流程图。
图4为根据本申请实施例的多路光伏MPPT交错式BOOST控制方法中将所述再优化电流特征矩阵通过分类器以得到分类结果的流程图。
图5为根据本申请实施例的多路光伏MPPT交错式BOOST控制系统的框图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，随着传统能源的日益枯竭，太阳能已经成为一种十分具有潜力的新能源，而光伏发电是当前利用太阳能的主要方式。光伏发电具有安全可靠、运行费用少、维护简单、随处可用等特点，在我国得到了快速的发展。
但是，由于光伏电池在工作时，会受到周围温度、光照强度等影响，再加上电池本身的转换效率低，成本高，这就期待在光伏电池工作时进行最大功率跟踪（MPPT）。
Boost变换器是一种通过电路中电容二极管等电路原件的连接改变电路电压以达到电路电压升高作用的装置。Boost变换器作为一种结构简单，使用场合较广的升压型电路变换器，广泛应用于各种功率等级的光伏逆变器中，调节光伏阵列输出电压，并实现最大功率点追踪(MPPT)。但是，现有的BOOST控制方案对于多路光伏MPPT的速度较低，且控制的精准度也难以达到要求。因此，期望一种优化的多路光伏MPPT交错式BOOST控制方案以实现光伏电池工作最大功率点的快速跟踪。
具体地，在本申请的技术方案中，期望基于Boost变换器的输出电流，调整Boost变换器的空占比，以实现光伏电池工作最大功率点的快速跟踪。也就是，光伏电池阵列将太阳能转化为直流电能，经过DC-DC变换器变换成匹配DC-AC的直流电压，DC-DC变换器采样电路对此变换器的输出采集MPPT所需的参数数据，通过调整控制开关管的占空比输出PWM波实现光伏电池的MPPT。但是，由于在采集Boost变换器的输出电流信号时会存在外界噪声的干扰致使对于电流信号数据分析的效果较差，并且在对于开关管的占空比进行控制以输出PWM波来实现光伏电池的MPPT的过程中，会由于对于所述电流信号的分析不够充分且不够准确而导致控制的开关管占空比不能满足光伏电池工作最大功率点的快速跟踪要求。因此，需要一种更加准确地分析方案以实现开关管占空比的准确调控。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为多路光伏MPPT交错式BOOST的智能控制提供了新的解决思路和方案。
具体地，在本申请的技术方案中，通过采用基于深度学习的人工智能控制技术，以通过Boost变换器输出的电流信号的时域和频域的高维特征分析来综合进行开关管的占空比控制。也就是，在利用降噪器来对于Boost变换器输出的电流信号进行降噪处理后，利用基于深度学习的人工智能控制算法来提取出降噪后电流信号的频域统计特征值间的多尺度邻域关联特征，以及提取出所述降噪后电流信号的波形图的隐含特征分布信息，进一步地再基于该电流信号的时域特征和频域特征来综合进行开关管的占空比调控，也就是，以所述电流信号的频域统计值的多尺度关联特征来优化所述电流波形的时域特征表达，以提高占空比控制的准确性。这样，能够基于Boost变换器的输出电流来精准地调整Boost变换器的空占比，以实现光伏电池工作最大功率点的快速跟踪。
更具体地，在本申请的技术方案中，首先，获取由Boost变换器输出的电流信号。接着，考虑到在对于Boost变换器输出的电流信号进行采集的过程中，会由于外界的环境噪声以及Boost变换器本身的噪声因素对于电流信号造成干扰，因此，为了能够准确地对于输出电流信号进行分析来自适应调整开关管的占空比，需要对于电流信号进行降噪处理。具体地，将所述电流信号通过基于自动编解码器的降噪器以生成降噪电流信号，这里，所述基于自动编码器的降噪器采用编码器和解码器两个模块来对于所述电流信号进行降噪处理，其中，所述自动编解码器的编码器为卷积层，所述自动编解码器的解码器为反卷积层。
然后，对于所述生成降噪电流信号的时域特征进行提取，也就是，将所述生成降噪电流信号的波形图通过Clip模型的图像编码器中进行特征提取以得到电流图像语义特征向量。也就是，所述Clip模型的图像编码器使用卷积神经网络来对于所述生成降噪电流信号的波形图进行处理，以提取出所述生成降噪电流信号的波形图的局部隐含特征在高维空间中的特征分布表示，即所述生成降噪电流信号的时域隐含变化特征，从而得到所述电流图像语义特征向量。
进一步地，对于所述生成降噪电流信号的频域特征进行提取，也就是，首先，对所述生成降噪电流信号进行傅里叶变换以得到多个电流频域统计值。也就是，使用傅里叶变换来对于所述降噪后的电流信号进行处理，以将其转化到频域空间中，从而得到多个电流频域统计值。接着，将所述多个电流频域统计值通过所述Clip模型的序列编码器以得到电流频域统计特征向量，也就是，使用所述Clip模型的序列编码器中的多尺度邻域特征提取模块来对于所述多个电流频域统计特征值进行编码，以提取出在不同类别跨度下的的所述多个电流频域统计值的多尺度邻域关联特征，即所述电流信号的频域隐含特征，从而得到电流频域统计特征向量。
然后，使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵。也就是，以所述Clip模型的优化编码器融合所述电流信号的频域多尺度邻域关联特征和所述电流信号的时域隐含特征的高维特征信息，进而以所述电流信号的频域统计值的多尺度关联特征来优化所述电流波形的时域特征表达，以得到电流波形特征矩阵。
接着，将所述电流特征矩阵通过分类器以得到分类结果，所述分类结果用于表示开关管的占空比应增大或应减小。也就是，以所述电流特征矩阵作为分类特征矩阵来通过分类器中进行分类处理，以得到用于表示开关管的占空比应增大或应减小的分类结果。这样，就能够根据实际情况对于开关管的占空比进行控制。
特别地，在本申请的技术方案中，这里，在使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵时，是沿着所述电流频域统计特征向量的分布方向来改变所述图像编码器的编码通道维度属性。但是，在计算所述电流频域统计特征向量和所述电流图像语义特征向量的每个位置的关联值以得到所述优化电流特征矩阵时，所述优化电流特征矩阵不论相对于所述电流频域统计特征向量还是相对于所述电流图像语义特征向量，其特征分布的聚类效果都会变差，从而影响分类效果。
这里，本申请的申请人考虑到在所述优化电流特征矩阵中，各个位置的所述电流频域统计特征向量和所述电流图像语义特征向量的特征值关联关系会呈现自然状态下的高斯分布，即平均关联关系具有最高的概率密度，而较高程度和较低程度的关联均具有较低的概率密度。因此，基于这种遵循高斯点分布的高频分布特征可以对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化，表示为：
和/>分别是特征集合/>的均值和标准差，且/>是所述优化电流特征矩阵/>的第/>位置的特征值。
所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引，来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度，从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊，这样，就提升了所述优化电流特征矩阵的分类效果。这样，能够基于Boost变换器的输出电流来精准地调整Boost变换器的空占比，以实现光伏电池工作最大功率点的快速跟踪。
基于此，本申请提出了一种多路光伏MPPT交错式BOOST控制方法，其包括：获取由Boost变换器输出的电流信号；将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号；对所述生成降噪电流信号进行傅里叶变换以得到多个电流频域统计值；将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量；将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量；使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵；对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵；以及，将所述再优化电流特征矩阵通过分类器以得到分类结果，所述分类结果用于表示开关管的占空比应增大或应减小。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1为根据本申请实施例的多路光伏MPPT交错式BOOST控制方法的流程图。如图1所示，根据本申请实施例的多路光伏MPPT交错式BOOST控制方法，包括：S110，获取由Boost变换器输出的电流信号；S120，将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号；S130，对所述生成降噪电流信号进行傅里叶变换以得到多个电流频域统计值；S140，将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量；S150，将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量；S160，使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵；S170，对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵；以及，S180，将所述再优化电流特征矩阵通过分类器以得到分类结果，所述分类结果用于表示开关管的占空比应增大或应减小。
图2为根据本申请实施例的多路光伏MPPT交错式BOOST控制方法的架构图。如图2所示，在该架构图中，首先获取由Boost变换器输出的电流信号，并将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号。接着，对所述生成降噪电流信号进行傅里叶变换以得到多个电流频域统计值。然后，将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量。进而，将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量。接着，使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵。然后，对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵。进而，将所述再优化电流特征矩阵通过分类器以得到分类结果，所述分类结果用于表示开关管的占空比应增大或应减小。
在步骤S110中，获取由Boost变换器输出的电流信号。如上所述，随着传统能源的日益枯竭，太阳能已经成为一种十分具有潜力的新能源，而光伏发电是当前利用太阳能的主要方式。光伏发电具有安全可靠、运行费用少、维护简单、随处可用等特点，在我国得到了快速的发展。但是，由于光伏电池在工作时，会受到周围温度、光照强度等影响，再加上电池本身的转换效率低，成本高，这就期待在光伏电池工作时进行最大功率跟踪（MPPT）。
Boost变换器是一种通过电路中电容二极管等电路原件的连接改变电路电压以达到电路电压升高作用的装置。Boost变换器作为一种结构简单，使用场合较广的升压型电路变换器，广泛应用于各种功率等级的光伏逆变器中，调节光伏阵列输出电压，并实现最大功率点追踪(MPPT)。但是，现有的BOOST控制方案对于多路光伏MPPT的速度较低，且控制的精准度也难以达到要求。因此，期望一种优化的多路光伏MPPT交错式BOOST控制方案以实现光伏电池工作最大功率点的快速跟踪。
具体地，在本申请的技术方案中，期望基于Boost变换器的输出电流，调整Boost变换器的空占比，以实现光伏电池工作最大功率点的快速跟踪。也就是，光伏电池阵列将太阳能转化为直流电能，经过DC-DC变换器变换成匹配DC-AC的直流电压，DC-DC变换器采样电路对此变换器的输出采集MPPT所需的参数数据，通过调整控制开关管的占空比输出PWM波实现光伏电池的MPPT。但是，由于在采集Boost变换器的输出电流信号时会存在外界噪声的干扰致使对于电流信号数据分析的效果较差，并且在对于开关管的占空比进行控制以输出PWM波来实现光伏电池的MPPT的过程中，会由于对于所述电流信号的分析不够充分且不够准确而导致控制的开关管占空比不能满足光伏电池工作最大功率点的快速跟踪要求。因此，需要一种更加准确地分析方案以实现开关管占空比的准确调控。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。近年来，深度学习以及神经网络的发展为多路光伏MPPT交错式BOOST的智能控制提供了新的解决思路和方案。
具体地，在本申请的技术方案中，通过采用基于深度学习的人工智能控制技术，以通过Boost变换器输出的电流信号的时域和频域的高维特征分析来综合进行开关管的占空比控制。也就是，在利用降噪器来对于Boost变换器输出的电流信号进行降噪处理后，利用基于深度学习的人工智能控制算法来提取出降噪后电流信号的频域统计特征值间的多尺度邻域关联特征，以及提取出所述降噪后电流信号的波形图的隐含特征分布信息，进一步地再基于该电流信号的时域特征和频域特征来综合进行开关管的占空比调控，也就是，以所述电流信号的频域统计值的多尺度关联特征来优化所述电流波形的时域特征表达，以提高占空比控制的准确性。这样，能够基于Boost变换器的输出电流来精准地调整Boost变换器的空占比，以实现光伏电池工作最大功率点的快速跟踪。更具体地，在本申请的技术方案中，首先，获取由Boost变换器输出的电流信号。
在步骤S120中，将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号。考虑到在对于Boost变换器输出的电流信号进行采集的过程中，会由于外界的环境噪声以及Boost变换器本身的噪声因素对于电流信号造成干扰，因此，为了能够准确地对于输出电流信号进行分析来自适应调整开关管的占空比，需要对于电流信号进行降噪处理。具体地，将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号，这里，所述基于自动编码器的降噪器采用编码器和解码器两个模块来对于所述电流信号进行降噪处理，其中，所述自动编解码器的编码器为卷积层，所述自动编解码器的解码器为反卷积层。
更具体地，在本申请实施例中，所述将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号，包括：将所述电流信号输入所述基于自动编解码器的降噪器中的编码器，其中，所述编码器使用卷积层对所述电流信号进行显式空间编码以得到电流特征；以及，将所述电流特征输入所述基于自动编解码器的降噪器中的解码器，其中，所述解码器使用反卷积层对所述电流特征进行反卷积处理以得到所述生成降噪电流信号。
在步骤S130中，对所述生成降噪电流信号进行傅里叶变换以得到多个电流频域统计值。对于所述生成降噪电流信号的频域特征进行提取，也就是，首先，对所述生成降噪电流信号进行傅里叶变换以得到多个电流频域统计值。也就是，使用傅里叶变换来对于所述降噪后的电流信号进行处理，以将其转化到频域空间中，从而得到多个电流频域统计值。
在步骤S140中，将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量。也就是，使用所述Clip模型的序列编码器中的多尺度邻域特征提取模块来对于所述多个电流频域统计特征值进行编码，以提取出在不同类别跨度下的的所述多个电流频域统计值的多尺度邻域关联特征，即所述电流信号的频域隐含特征，从而得到电流频域统计特征向量。
图3为根据本申请实施例的多路光伏MPPT交错式BOOST控制方法中将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量的流程图。如图3所示，所述将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量，包括：S141，将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第一卷积层以得到第一电流频率统计特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S142，将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第二卷积层以得到第二电流频率统计特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，S143，将所述第一电流频率统计特征向量和所述第二电流频率统计特征向量进行级联以得到所述电流频域统计特征向量。
更具体地，在步骤S141中，将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第一卷积层以得到第一电流频率统计特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述多个电流频率统计值组成的输入向量进行一维卷积编码以得到所述第一电流频率统计特征向量；其中，所述公式为：
其中，为第一卷积核在/>方向上的宽度、/>为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，/>为第一卷积核的尺寸，/>表示所述多个电流频率统计值组成的输入向量；
更具体地，在步骤S142中，将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第二卷积层以得到第二电流频率统计特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述多个电流频率统计值组成的输入向量进行一维卷积编码以得到所述第二电流频率统计特征向量；其中，所述公式为：
其中，b为第二卷积核在方向上的宽度、/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，/>表示所述多个电流频率统计值组成的输入向量。
在步骤S150中，将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量。对于所述生成降噪电流信号的时域特征进行提取，也就是，将所述生成降噪电流信号的波形图通过Clip模型的图像编码器中进行特征提取以得到电流图像语义特征向量。也就是，所述Clip模型的图像编码器使用卷积神经网络来对于所述生成降噪电流信号的波形图进行处理，以提取出所述生成降噪电流信号的波形图的局部隐含特征在高维空间中的特征分布表示，即所述生成降噪电流信号的时域隐含变化特征，从而得到所述电流图像语义特征向量。
具体地，在本申请实施例中，所述将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量，包括：所述Clip模型的图像编码器的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述Clip模型的图像编码器的最后一层的输出为所述电流图像语义特征向量，所述Clip模型的图像编码器的第一层的输入为所述生成降噪电流信号的波形图。
在步骤S160中，使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵。也就是，以所述Clip模型的优化编码器融合所述电流信号的频域多尺度邻域关联特征和所述电流信号的时域隐含特征的高维特征信息，进而以所述电流信号的频域统计值的多尺度关联特征来优化所述电流波形的时域特征表达，以得到电流波形特征矩阵。
具体地，在本申请实施例中，所述使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵，包括：以如下公式基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵；其中，所述公式为：
其中，表示所述电流图像语义特征向量的转置向量，/>表示所述电流频域统计特征向量， />表示所述优化电流特征矩阵，/>表示矩阵相乘。
在步骤S170中，对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵。特别地，在本申请的技术方案中，这里，在使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵时，是沿着所述电流频域统计特征向量的分布方向来改变所述图像编码器的编码通道维度属性。但是，在计算所述电流频域统计特征向量和所述电流图像语义特征向量的每个位置的关联值以得到所述优化电流特征矩阵时，所述优化电流特征矩阵不论相对于所述电流频域统计特征向量还是相对于所述电流图像语义特征向量，其特征分布的聚类效果都会变差，从而影响分类效果。
这里，本申请的申请人考虑到在所述优化电流特征矩阵中，各个位置的所述电流频域统计特征向量和所述电流图像语义特征向量的特征值关联关系会呈现自然状态下的高斯分布，即平均关联关系具有最高的概率密度，而较高程度和较低程度的关联均具有较低的概率密度。因此，基于这种遵循高斯点分布的高频分布特征可以对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化。
具体地，在本申请实施例中，所述对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵，包括：以如下公式对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到所述再优化电流特征矩阵；其中，所述公式为
其中是所述优化电流特征矩阵的第/>位置的特征值，/>和/>分别是所述优化电流特征矩阵的各个位置的特征值集合的均值和标准差。
所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引，来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度，从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊，这样，就提升了所述优化电流特征矩阵的分类效果。这样，能够基于Boost变换器的输出电流来精准地调整Boost变换器的空占比，以实现光伏电池工作最大功率点的快速跟踪。
在步骤S180中，将所述再优化电流特征矩阵通过分类器以得到分类结果，所述分类结果用于表示开关管的占空比应增大或应减小。也就是，以所述电流特征矩阵作为分类特征矩阵来通过分类器中进行分类处理，以得到用于表示开关管的占空比应增大或应减小的分类结果。这样，就能够根据实际情况对于开关管的占空比进行控制。
图4为根据本申请实施例的多路光伏MPPT交错式BOOST控制方法中将所述再优化电流特征矩阵通过分类器以得到分类结果的流程图。如图4所示，所述将所述再优化电流特征矩阵通过分类器以得到分类结果，包括：S181，将所述再优化电流特征矩阵按照行向量或者列向量展开为分类特征向量；S182，使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，S183，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的多路光伏MPPT交错式BOOST控制方法被阐明，其采用基于深度学习的人工智能控制技术，以通过Boost变换器输出的电流信号的时域和频域的高维特征分析来综合进行开关管的占空比控制。也就是，在利用降噪器来对于Boost变换器输出的电流信号进行降噪处理后，提取出降噪后电流信号的频域统计特征值间的多尺度邻域关联特征和所述降噪后电流信号的波形图的隐含特征分布信息，再以所述电流信号的频域统计值的多尺度关联特征来优化所述电流波形的时域特征表达，以提高占空比控制的准确性。这样，实现光伏电池工作最大功率点的快速跟踪。
示例性系统
图5为根据本申请实施例的多路光伏MPPT交错式BOOST控制系统的框图。如图5所示，根据本申请实施例的多路光伏MPPT交错式BOOST控制系统100，包括：数据获取模块110，用于获取由Boost变换器输出的电流信号；降噪模块120，用于将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号；频域变换模块130，用于对所述生成降噪电流信号进行傅里叶变换以得到多个电流频域统计值；序列编码模块140，用于将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量；图像编码模块150，用于将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量；优化编码模块160，用于使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵；特征聚类模块170，用于对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵；以及，控制结果生成模块180，用于将所述再优化电流特征矩阵通过分类器以得到分类结果，所述分类结果用于表示开关管的占空比应增大或应减小。
在一个示例中，在上述多路光伏MPPT交错式BOOST控制系统中，所述降噪模块，进一步用于：将所述电流信号输入所述基于自动编解码器的降噪器中的编码器，其中，所述编码器使用卷积层对所述电流信号进行显式空间编码以得到电流特征；以及，将所述电流特征输入所述基于自动编解码器的降噪器中的解码器，其中，所述解码器使用反卷积层对所述电流特征进行反卷积处理以得到所述生成降噪电流信号。
在一个示例中，在上述多路光伏MPPT交错式BOOST控制系统中，所述序列编码模块，进一步用于：将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第一卷积层以得到第一电流频率统计特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第二卷积层以得到第二电流频率统计特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一电流频率统计特征向量和所述第二电流频率统计特征向量进行级联以得到所述电流频域统计特征向量。
在一个示例中，在上述多路光伏MPPT交错式BOOST控制系统中，所述特征聚类模块，进一步用于：以如下公式对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到所述再优化电流特征矩阵；其中，所述公式为
其中是所述优化电流特征矩阵的第/>位置的特征值，/>和/>分别是所述优化电流特征矩阵的各个位置的特征值集合的均值和标准差。
这里，本领域技术人员可以理解，上述多路光伏MPPT交错式BOOST控制系统 100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的多路光伏MPPT交错式BOOST控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的多路光伏MPPT交错式BOOST控制系统 100可以实现在各种终端设备中，例如用于多路光伏MPPT交错式BOOST控制的服务器等。在一个示例中，根据本申请实施例的多路光伏MPPT交错式BOOST控制系统 100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该多路光伏MPPT交错式BOOST控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该多路光伏MPPT交错式BOOST控制系统 100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该多路光伏MPPT交错式BOOST控制系统 100与该终端设备也可以是分立的设备，并且该多路光伏MPPT交错式BOOST控制系统 100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的多路光伏MPPT交错式BOOST控制方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如电流信号等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的多路光伏MPPT交错式BOOST控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的多路光伏MPPT交错式BOOST控制方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (9)
1.一种多路光伏MPPT交错式BOOST控制方法，其特征在于，包括：
获取由Boost变换器输出的电流信号；
将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号；
对所述生成降噪电流信号进行傅里叶变换以得到多个电流频域统计值；
将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量；
将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量；
使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵；
对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵；以及
将所述再优化电流特征矩阵通过分类器以得到分类结果，所述分类结果用于表示开关管的占空比应增大或应减小；
所述对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵，包括：
以如下公式对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到所述再优化电流特征矩阵；
其中，所述公式为
其中mi,j是所述优化电流特征矩阵的第(i,j)位置的特征值，μ和δ分别是所述优化电流特征矩阵的各个位置的特征值集合的均值和标准差。
2.根据权利要求1所述的多路光伏MPPT交错式BOOST控制方法，其特征在于，所述将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号，包括：
将所述电流信号输入所述基于自动编解码器的降噪器中的编码器，其中，所述编码器使用卷积层对所述电流信号进行显式空间编码以得到电流特征；以及
将所述电流特征输入所述基于自动编解码器的降噪器中的解码器，其中，所述解码器使用反卷积层对所述电流特征进行反卷积处理以得到所述生成降噪电流信号。
3.根据权利要求2所述的多路光伏MPPT交错式BOOST控制方法，其特征在于，所述自动编解码器的编码器为卷积层，所述自动编解码器的解码器为反卷积层。
4.根据权利要求3所述的多路光伏MPPT交错式BOOST控制方法，其特征在于，所述将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量，包括：
将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第一卷积层以得到第一电流频率统计特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将由所述多个电流频率统计值组成的输入向量输入所述Clip模型的序列编码器中多尺度邻域特征提取模块的第二卷积层以得到第二电流频率统计特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
将所述第一电流频率统计特征向量和所述第二电流频率统计特征向量进行级联以得到所述电流频域统计特征向量。
5.根据权利要求4所述的多路光伏MPPT交错式BOOST控制方法，其特征在于，所述将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量，包括：
所述Clip模型的图像编码器的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述Clip模型的图像编码器的最后一层的输出为所述电流图像语义特征向量，所述Clip模型的图像编码器的第一层的输入为所述生成降噪电流信号的波形图。
6.根据权利要求5所述的多路光伏MPPT交错式BOOST控制方法，其特征在于，所述使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵，包括：
以如下公式基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵；
其中，所述公式为：
其中，表示所述电流图像语义特征向量的转置向量，Vb表示所述电流频域统计特征向量，M表示所述优化电流特征矩阵，/>表示矩阵相乘。
7.根据权利要求6所述的多路光伏MPPT交错式BOOST控制方法，其特征在于，所述将所述再优化电流特征矩阵通过分类器以得到分类结果，包括：
将所述再优化电流特征矩阵按照行向量或者列向量展开为分类特征向量；
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.一种多路光伏MPPT交错式BOOST控制系统，其特征在于，包括：
数据获取模块，用于获取由Boost变换器输出的电流信号；
降噪模块，用于将所述电流信号通过基于自动编解码器的降噪器以得到生成降噪电流信号；
频域变换模块，用于对所述生成降噪电流信号进行傅里叶变换以得到多个电流频域统计值；
序列编码模块，用于将所述多个电流频率统计值通过Clip模型的序列编码器以得到电流频域统计特征向量；
图像编码模块，用于将所述生成降噪电流信号的波形图通过Clip模型的图像编码器以得到电流图像语义特征向量；
优化编码模块，用于使用所述Clip模型的优化编码器基于所述电流频域统计特征向量对所述电流图像语义特征向量进行编码优化以得到优化电流特征矩阵；
特征聚类模块，用于对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到再优化电流特征矩阵；以及
控制结果生成模块，用于将所述再优化电流特征矩阵通过分类器以得到分类结果，所述分类结果用于表示开关管的占空比应增大或应减小；
所述特征聚类模块，具体用于：
以如下公式对所述优化电流特征矩阵进行特征聚类的去聚焦模糊优化以得到所述再优化电流特征矩阵；
其中，所述公式为
其中mi,j是所述优化电流特征矩阵的第(i,j)位置的特征值，μ和δ分别是所述优化电流特征矩阵的各个位置的特征值集合的均值和标准差。
9.根据权利要求8所述的多路光伏MPPT交错式BOOST控制系统，其特征在于，所述降噪模块，包括：
卷积编码单元，用于将所述电流信号输入所述基于自动编解码器的降噪器中的编码器，其中，所述编码器使用卷积层对所述电流信号进行显式空间编码以得到电流特征；以及
反卷积解码单元，用于将所述电流特征输入所述基于自动编解码器的降噪器中的解码器，其中，所述解码器使用反卷积层对所述电流特征进行反卷积处理以得到所述生成降噪电流信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211463501.4A CN115857614B (zh) | 2022-11-17 | 2022-11-17 | 多路光伏mppt交错式boost控制方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211463501.4A CN115857614B (zh) | 2022-11-17 | 2022-11-17 | 多路光伏mppt交错式boost控制方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115857614A CN115857614A (zh) | 2023-03-28 |
| CN115857614B true CN115857614B (zh) | 2023-12-29 |
Family
ID=85664704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211463501.4A Active CN115857614B (zh) | 2022-11-17 | 2022-11-17 | 多路光伏mppt交错式boost控制方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115857614B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116500379B (zh) * | 2023-05-15 | 2024-03-08 | 珠海中瑞电力科技有限公司 | 一种sts装置电压跌落精准定位方法 |
| CN116744511B (zh) * | 2023-05-22 | 2024-01-05 | 杭州行至云起科技有限公司 | 智能调光调色照明系统及其方法 |
| CN116930749B (zh) * | 2023-06-15 | 2024-02-13 | 浙江联大科技有限公司 | 管状电机的遇阻检测系统及其方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100090962A (ko) * | 2009-02-09 | 2010-08-18 | 주식회사 코아로직 | 멀티채널 오디오 디코더, 그 디코더를 포함한 송수신 장치 및 멀티채널 오디오 디코딩 방법 |
| KR101727741B1 (ko) * | 2016-08-26 | 2017-04-17 | (주) 동보파워텍 | 3 레벨 부스트 컨버터가 구비된 고효율 태양광 인버터 시스템 |
| CN106941263A (zh) * | 2017-04-24 | 2017-07-11 | 浙江大学 | 一种可以实现分布式mppt的集中式光伏发电系统 |
| CN107068158A (zh) * | 2011-11-03 | 2017-08-18 | 沃伊斯亚吉公司 | 改善低速率码激励线性预测解码器的非语音内容 |
| CN110556871A (zh) * | 2019-10-17 | 2019-12-10 | 电子科技大学 | 基于结构保持方法的大规模光伏发电系统聚合等值方法 |
| CN112991173A (zh) * | 2021-03-12 | 2021-06-18 | 西安电子科技大学 | 基于双通道特征迁移网络的单帧图像超分辨率重建方法 |
| CN113869286A (zh) * | 2021-12-01 | 2021-12-31 | 中国工程物理研究院电子工程研究所 | 一种自适应多任务智能故障诊断模型及故障诊断方法 |
| CN114782882A (zh) * | 2022-06-23 | 2022-07-22 | 杭州电子科技大学 | 基于多模态特征融合的视频目标行为异常检测方法和系统 |
| CN114825257A (zh) * | 2022-06-27 | 2022-07-29 | 江苏烨明光电有限公司 | Led灯检测的漏电保护装置及其漏电保护方法 |
| CN114881143A (zh) * | 2022-05-07 | 2022-08-09 | 河北工业大学 | 一种光伏阵列故障特征确定方法 |
| CN114985826A (zh) * | 2022-06-22 | 2022-09-02 | 徐州飞宇机械科技有限公司 | 棘轮式电缆剪的最大过切深度限制装置及其限制方法 |
| CN115169505A (zh) * | 2022-09-06 | 2022-10-11 | 杭州浅水数字技术有限公司 | 特种设备运动部件机械故障预警方法及其预警系统 |
| CN115186774A (zh) * | 2022-09-13 | 2022-10-14 | 徐州飞宇机械科技有限公司 | 智能电缆剥线设备及其方法 |
| CN115208308A (zh) * | 2022-07-14 | 2022-10-18 | 云南电网有限责任公司电力科学研究院 | 一种光伏系统直流故障电弧检测方法及相关设备 |
| CN115235612A (zh) * | 2022-08-09 | 2022-10-25 | 爱尔达电气有限公司 | 伺服电机的故障智能诊断系统及其诊断方法 |
-
2022
- 2022-11-17 CN CN202211463501.4A patent/CN115857614B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100090962A (ko) * | 2009-02-09 | 2010-08-18 | 주식회사 코아로직 | 멀티채널 오디오 디코더, 그 디코더를 포함한 송수신 장치 및 멀티채널 오디오 디코딩 방법 |
| CN107068158A (zh) * | 2011-11-03 | 2017-08-18 | 沃伊斯亚吉公司 | 改善低速率码激励线性预测解码器的非语音内容 |
| KR101727741B1 (ko) * | 2016-08-26 | 2017-04-17 | (주) 동보파워텍 | 3 레벨 부스트 컨버터가 구비된 고효율 태양광 인버터 시스템 |
| CN106941263A (zh) * | 2017-04-24 | 2017-07-11 | 浙江大学 | 一种可以实现分布式mppt的集中式光伏发电系统 |
| CN110556871A (zh) * | 2019-10-17 | 2019-12-10 | 电子科技大学 | 基于结构保持方法的大规模光伏发电系统聚合等值方法 |
| CN112991173A (zh) * | 2021-03-12 | 2021-06-18 | 西安电子科技大学 | 基于双通道特征迁移网络的单帧图像超分辨率重建方法 |
| CN113869286A (zh) * | 2021-12-01 | 2021-12-31 | 中国工程物理研究院电子工程研究所 | 一种自适应多任务智能故障诊断模型及故障诊断方法 |
| CN114881143A (zh) * | 2022-05-07 | 2022-08-09 | 河北工业大学 | 一种光伏阵列故障特征确定方法 |
| CN114985826A (zh) * | 2022-06-22 | 2022-09-02 | 徐州飞宇机械科技有限公司 | 棘轮式电缆剪的最大过切深度限制装置及其限制方法 |
| CN114782882A (zh) * | 2022-06-23 | 2022-07-22 | 杭州电子科技大学 | 基于多模态特征融合的视频目标行为异常检测方法和系统 |
| CN114825257A (zh) * | 2022-06-27 | 2022-07-29 | 江苏烨明光电有限公司 | Led灯检测的漏电保护装置及其漏电保护方法 |
| CN115208308A (zh) * | 2022-07-14 | 2022-10-18 | 云南电网有限责任公司电力科学研究院 | 一种光伏系统直流故障电弧检测方法及相关设备 |
| CN115235612A (zh) * | 2022-08-09 | 2022-10-25 | 爱尔达电气有限公司 | 伺服电机的故障智能诊断系统及其诊断方法 |
| CN115169505A (zh) * | 2022-09-06 | 2022-10-11 | 杭州浅水数字技术有限公司 | 特种设备运动部件机械故障预警方法及其预警系统 |
| CN115186774A (zh) * | 2022-09-13 | 2022-10-14 | 徐州飞宇机械科技有限公司 | 智能电缆剥线设备及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115857614A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115857614B (zh) | 多路光伏mppt交错式boost控制方法及其系统 | |
| Li et al. | Actor-critic based training framework for abstractive summarization | |
| Tzinis et al. | Compute and memory efficient universal sound source separation | |
| CN111859991B (zh) | 语言翻译处理模型训练方法和语言翻译处理方法 | |
| CN115754107B (zh) | 用于六氟磷酸锂制备的自动化采样分析系统及其方法 | |
| CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
| CN113065704B (zh) | 一种非侵入式负荷分解模型的超参数优化和后处理方法 | |
| CN115514343B (zh) | 电网波形滤波系统及其滤波方法 | |
| CN106650820B (zh) | 一种手写电气元器件符号与标准电气元器件符号的匹配识别方法 | |
| CN117055632A (zh) | 太阳能光伏板的跟踪控制系统及方法 | |
| CN116151545A (zh) | 一种多风电机组功率控制优化系统 | |
| CN117077955A (zh) | 用于光储并网发电系统的能量管理系统及其方法 | |
| Shwartz-Ziv et al. | Representation compression and generalization in deep neural networks | |
| CN117009842A (zh) | 一种融合注意力机制的群体居民用电差异化预测方法 | |
| Syed et al. | Short-term power forecasting model based on dimensionality reduction and deep learning techniques for smart grid | |
| CN113378673B (zh) | 一种基于一致性正则化的半监督脑电信号分类方法 | |
| CN112328784B (zh) | 数据信息分类方法及装置 | |
| WO2024103613A1 (zh) | 一种电子级六氟丁二烯的质检系统及其方法 | |
| Wan et al. | Research on modulation recognition method of multi‐component radar signals based on deep convolution neural network | |
| CN117007535A (zh) | 湿法提钒的离子交换方法及其系统 | |
| CN115062728A (zh) | 时频域特征级融合的情感识别方法及其系统 | |
| CN111552963B (zh) | 一种基于结构熵序列的恶意软件分类方法 | |
| Niveditha et al. | Kernelized Deep Networks for Speech Signal Segmentation Using Clustering and Artificial Intelligence in Neural Networks | |
| CN113011163A (zh) | 基于深度学习模型的复合文本多分类方法及系统 | |
| Jin et al. | GViT: Locality enhanced vision transformer using spectral graph convolutional network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20241217 Address after: Room 1175, 1st Floor, Building 21, No. 30, Lane 1698, Wangyuan Road, Fengxian District, Shanghai, 2014 Patentee after: SHANGHAI HONGZHENG NEW ENERGY TEC Co.,Ltd. Country or region after: China Address before: 201400 Room 102, Building 1, Lane 1888, Wangyuan Road, Fengxian District, Shanghai Patentee before: Hongzheng energy storage (Shanghai) Energy Technology Co.,Ltd. Country or region before: China |