本发明涉及可再生能源，特别涉及一种基于长短期记忆网络(lstm)的光伏板清洗周期预测方法。
背景技术：
1、随着全球对可再生能源需求的不断增长，光伏发电作为一种清洁、可再生的能源形式，其在全球能源结构中所占的比重日益增加。光伏发电系统的发电效率受到多种因素的影响，其中光伏板表面的污垢积累是一个不容忽视的因素。污垢不仅降低了光伏板的光照接收效率，严重时还可能引起热斑效应，进而影响整个光伏系统的稳定性和寿命，光伏板的清洗对于保持其发电效率至关重要。然而，光伏板的清洗并非越频繁越好，过于频繁的清洗增加了光伏电站的运维成本。
2、因此，如何提供一种能够合理地预判光伏清洗周期的基于lstm模型的光伏板清洗周期预测方法是本领域技术人员亟待解决的技术问题。
技术实现思路
1、本发明针对上述研究现状，提供了一种基于lstm模型的光伏板清洗周期预测方法，旨在实现光伏板清洗成本与光伏电站经济效益之间的最佳平衡。
2、本发明提供的一种基于lstm模型的光伏板清洗周期预测方法，包括如下步骤：
3、构建训练数据集：包括光伏板的历史运行时间，以及相应历史运行时间段内的历史光伏发电量、历史天气特征数据；
4、构建lstm模型：以所述历史运行时间和历史天气特征数据作为输入，所述历史光伏发电量作为输出对所述lstm模型进行训练，获得训练好的lstm模型；
5、预测光伏板实际发电量：获取未来时间段内的天气特征数据输入至所述训练好的lstm模型，输出预测周期内考虑运行时间的光伏板实际发电量预测值；
6、模拟光伏板理论发电量：利用模拟计算模型对光伏组件模型进行模拟计算，所述光伏组件模型与所述光伏板的实际参数相匹配，输出不考虑运行时间的光伏板理论发电量；
7、基于光伏上网电价确定累计日积灰收益损失，根据所述未来时间段内的累计日积灰收益损失与光伏板清洗成本的关系值，以及光伏板实际发电量预测值和光伏板理论发电量的关系值输出光伏板清洗判断结果。
8、优选的，所述训练数据集包括：
9、历史运行时间包括：自前次清洁程序执行后的累积时间；
10、历史光伏发电量包括：日发电量；
11、历史天气特征数据包括：太阳辐射、降雨量、温度、湿度和风速中的一种或多种的组合。
12、优选的，还包括对所述训练数据集进行数据分析与特征选择的步骤：
13、分析历史光伏发电量与历史运行时间以及历史天气特征数据的关系，通过相关性分析和特征重要性评估，选择历史运行时间内与历史光伏发电量的关联性满足要求的历史天气特征。
14、优选的，所述lstm模型包括遗忘门、输入门和输出门：
15、所述遗忘门用于确定参与所述lstm模型处理的天气特征数据，公式如下：
16、ft＝σ(wf×[ht-1，xt]+bf)，
17、其中，ft表示在时间t的遗忘门输出，σ为sigmoid函数，wf和bf是遗忘门的权重矩阵和偏置项，ht-1为前一隐藏状态，xt为当前输入；
18、输入门用于决定在当前时间步中，对当前输入xt进行筛选，并将筛选结果存储到当前单元状态中，所述当前输入xt包括历史运行时间和历史天气特征数据；由一个sigmoid层和一个tanh层组成，公式如下：
19、it＝σ(wi×[ht-1，xt]+bi)，
20、
21、其中，it为输入门的输出，wi和bi是输入门的权重矩阵和偏置项，为候选值向量，wc和bc是候选值向量的权重矩阵和偏置项；
22、输出门用于确定当前隐藏状态的输出，公式如下：
23、ot＝σ(wo×[ht-1，xt]+bo)，
24、ht＝ot×tanh(ct)，
25、其中，ot为输出门的输出，wo和bo是输出门的权重矩阵和偏置项，ht为当前隐藏状态，ct为当前单元状态。
26、优选的，利用回调函数训练所述lstm模型。
27、优选的，还包括所述lstm模型的评估步骤：
28、选择归一化均方根误差、归一化平均绝对误差和决定系数对所述训练好的lstm模型进行评价。
29、优选的，所述模拟计算模型执行如下步骤：
30、获取所述光伏板的位置信息，以及所述光伏板所在地理区域在设定时间段内的气象数据；
31、从pvsyst的数据库中选择与所述光伏板的实际参数相匹配的光伏组件模型，以及相关性能参数；
32、使用project design模块进行模拟，输出不考虑运行时间的光伏板理论发电量。
33、优选的，所述光伏板的位置信息包括：光伏板所在地理经纬度信息、光伏板的安装倾斜角度和方位角；所述气象数据包括：水平面太阳总辐照量、温度；所述相关性能参数包括：逆变器效率和系统损耗。
34、优选的，所述累计日积灰收益损失计算步骤包括：
35、累计积灰损失为
36、日积灰收益损失st＝(1-η)×eprice，
37、相对发电效率
38、其中，eprice为光伏上网电价，n为预测周期，wash为光伏板实际发电量预测值，wclean为光伏板理论发电量。
39、优选的，所述根据所述未来时间段内的累计日积灰收益损失与光伏板清洗成本的关系值，以及光伏板实际发电量预测值和光伏板理论发电量的关系值输出光伏板清洗判断结果包括如下步骤：
40、当s>sclean，η<α且预测周期后r天的降雨量<d时，进行清洗报警；
41、其中，sclean为光伏板清洗一次的成本，α为相对发电效率设定阈值，d为降雨量阈值，r≥1。
42、本发明提出的基于lstm模型的光伏板清洗周期预测方法相较现有技术具有以下有益效果：
43、本发明将lstm模型应用于光伏板清洗周期预测，通过内部的门控机制，能有效地捕捉时间序列数据中的长期依赖关系，同时lstm能够记忆和遗忘信息，可以根据实时数据和历史数据动态调整光伏发电量的预测，适应环境条件的变化。
44、本发明通过lstm获取预测周期内的光伏实际发电量预测值，耦合pvsyst模拟计算，更准确地反映光伏板的发电效率，进一步提高预测的准确性，有助于更精确地预测光伏板清洗周期。
1.一种基于lstm模型的光伏板清洗周期预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于lstm模型的光伏板清洗周期预测方法，其特征在于，所述训练数据集包括：
3.根据权利要求1所述的一种基于lstm模型的光伏板清洗周期预测方法，其特征在于，还包括对所述训练数据集进行数据分析与特征选择的步骤：
4.根据权利要求1所述的一种基于lstm模型的光伏板清洗周期预测方法，其特征在于，所述lstm模型包括遗忘门、输入门和输出门：
5.根据权利要求1所述的一种基于lstm模型的光伏板清洗周期预测方法，其特征在于，利用回调函数训练所述lstm模型。
6.根据权利要求1所述的一种基于lstm模型的光伏板清洗周期预测方法，其特征在于，还包括所述lstm模型的评估步骤：
7.根据权利要求1所述的一种基于lstm模型的光伏板清洗周期预测方法，其特征在于，所述模拟计算模型执行如下步骤：
8.根据权利要求7所述的一种基于lstm模型的光伏板清洗周期预测方法，其特征在于，所述光伏板的位置信息包括：光伏板所在地理经纬度信息、光伏板的安装倾斜角度和方位角；所述气象数据包括：水平面太阳总辐照量、温度；所述相关性能参数包括：逆变器效率和系统损耗。
9.根据权利要求1所述的一种基于lstm模型的光伏板清洗周期预测方法，其特征在于，所述累计日积灰收益损失计算步骤包括：
10.根据权利要求9所述的一种基于lstm模型的光伏板清洗周期预测方法，其特征在于，所述根据所述未来时间段内的累计日积灰收益损失与光伏板清洗成本的关系值，以及光伏板实际发电量预测值和光伏板理论发电量的关系值输出光伏板清洗判断结果包括如下步骤：
