基於BP神經網絡的光伏設備生命周期費用預測方法及系統與流程
2023-07-18 20:36:26
本發明屬於光伏經濟預測領域，尤其涉及一種基於bp神經網絡的光伏電站關鍵設備生命周期費用預測方法及系統。
背景技術：
設備生命周期費用管理是從設備的長期經濟效益出發，全面考慮設備的購置、運行、維修、改造、更新，直至報廢的全過程，使設備生命周期費用最小的一種管理理念和方法。光伏板、逆變器、匯流箱、儲能設備等光伏關鍵設備直接影響光伏企業經濟效益，但目前主要根據生產經驗對設備總費用進行粗略估算，缺乏對上述關鍵設備購置、使用、維護、維修直至報廢的全過程進行管理，也未結合各生命階段費用對其生命周期總費用進行合理的評價，導致對設備利用效率相對較低。實現光伏關鍵設備壽命周期費用最經濟、設備綜合產能最高的目標是進一步提高企業效益的關鍵。
技術實現要素：
本發明的目的是提供一種光伏設備生命周期費用預測方法及系統，其通過bp神經網絡訓練學習，以獲得更加準確的設備壽命周期費用預測值，進而評價設備各生命階段費用。
為了解決上述技術問題，本發明提供了一種光伏設備生命周期費用預測方法，包括如下步驟：
步驟s1，建立並訓練bp神經網絡預測模型；以及
步驟s2，估算各光伏設備投運中的各項費用，並預測各光伏設備在其生命周期內的總費用支出。
進一步，所述步驟s1中訓練bp神經網絡預測模型的方法包括：
對光伏設備進行分類，獲取各已退役的光伏設備生命周期內各項費用及總費用，作為bp神經網絡預測模型訓練和學習數據；其中
bp神經網絡預測模型訓練學習的輸入層、輸出層、隱含層及權值閾值的設定包括：
輸入層：以各已退役的光伏設備生命周期內各項費用為輸入變量，設定輸入層節點數為m；
輸出層：以退役的光伏設備生命周期總費用為輸出變量，輸出層節點數為n；
隱含層：由選取隱含層節點為n，其中m為輸入層節點數；n為輸出層節點數；a為根據節點最優原則在1-10間取值；
權值閾值：權值閾值在初步選擇後，再根據誤差反向傳遞原則對權值閾值的初值進行修正。
進一步，按設備類別對光伏設備分類，即包括：光伏板、逆變器、匯流箱、儲能設備；以及
各已退役處理的光伏設備生命周期內各項費用包括：
歷史購入成本h1、維修費h2、維護費h3、報廢處理費h4、其餘費用h5，即
輸出層節點數為5；
並設定總費用hs，且輸出層節點數為1。
進一步，所述步驟s2中估算各光伏設備投運中的各項費用，及預測各光伏設備在其生命周期內的總費用支出的方法包括：
根據設備壽命衰減率參數，對各設備購入成本w1、維修費w2、維護費w3、報廢處理費w4及其餘費用w5進行估算，且作為bp神經網絡預測模型的輸入變量，預測各光伏設備在其生命周期內的總費用支出。
又一方面，本發明還提供了一種光伏設備生命周期費用預測系統，包括：
預測模型建立模塊，建立並訓練bp神經網絡預測模型；
所述bp神經網絡預測模型適於估算各光伏設備投運中的各項費用，並預測各光伏設備在其生命周期內的總費用支出。
進一步，建立並訓練bp神經網絡預測模型，即
對光伏設備進行分類，獲取各已退役的光伏設備生命周期內各項費用及總費用，作為bp神經網絡預測模型訓練和學習數據；其中
bp神經網絡預測模型訓練學習的輸入層、輸出層、隱含層及權值閾值的設定包括：
輸入層：以各已退役的光伏設備生命周期內各項費用為輸入變量，設定輸入層節點數為m；
輸出層：以退役的光伏設備生命周期總費用為輸出變量，輸出層節點數為n；
隱含層：由選取隱含層節點為n，其中m為輸入層節點數；n為輸出層節點數；a為根據節點最優原則在1-10間取值；
權值閾值：權值閾值在初步選擇後，再根據誤差反向傳遞原則對權值閾值的初值進行修正。
進一步，按設備類別對光伏設備分類，即包括：光伏板、逆變器、匯流箱、儲能設備；以及
各已退役處理的光伏設備生命周期內各項費用包括：
歷史購入成本h1、維修費h2、維護費h3、報廢處理費h4、其餘費用h5，即
輸出層節點數為5；
並設定總費用hs，且輸出層節點數為1。
進一步，所述bp神經網絡預測模型適於根據設備壽命衰減率參數，對各設備購入成本w1、維修費w2、維護費w3、報廢處理費w4及其餘費用w5進行估算，且作為bp神經網絡預測模型的輸入變量，預測各光伏設備在其生命周期內的總費用支出。
本發明的有益效果是，本發明提供的光伏設備生命周期費用預測方法及系統，根據各已退役的光伏設備生命周期內各項費用及總費數據進行bp神經網絡的訓練和學習，再根據生產經驗估測待評價光伏關鍵設備的各項費用，並作為神經網絡的輸入變量，進而獲取該光伏關鍵設備生命周期費用預測值。本發明將光伏設備生命周期內幾個環節結合起來作為全生命費用進行綜合管理。應用bp神經網絡算法不需要考慮各費用和生命周期總費用之間的關係，其分析過程可以從預測模型的自適應學習中獲得，大大減少了人為的影響，能進一步提高光伏設備生命周期總費用的預測準確度，具有較廣泛的應用前景。
附圖說明
下面結合附圖和實施例對本發明進一步說明。
圖1為本發明的光伏設備生命周期費用預測方法流程圖；
圖2為本發明的bp神經網絡預測模型的拓撲圖。
具體實施方式
現在結合附圖對本發明作進一步詳細的說明。這些附圖均為簡化的示意圖，僅以示意方式說明本發明的基本結構，因此其僅顯示與本發明有關的構成。
實施例1
如圖1所示，本實施例1提供了一種光伏設備生命周期費用預測方法，包括如下步驟：
步驟s1，建立並訓練bp神經網絡預測模型；以及
步驟s2，估算各光伏設備投運中的各項費用，並預測各光伏設備在其生命周期內的總費用支出。
具體的，所述步驟s1中訓練bp神經網絡預測模型的方法包括：
對光伏設備進行分類，獲取各已退役的光伏設備生命周期內各項費用及總費用，作為bp神經網絡預測模型訓練和學習數據；其中
bp神經網絡預測模型訓練學習的輸入層、輸出層、隱含層及權值閾值的設定包括：輸入層：以各已退役的光伏設備生命周期內各項費用為輸入變量，設定輸入層節點數為m；
輸出層：以退役的光伏設備生命周期總費用為輸出變量，輸出層節點數為n；
隱含層：由選取隱含層節點為n，其中m為輸入層節點數；n為輸出層節點數；a為根據節點最優原則在1-10間取值；
權值閾值：權值閾值在初步選擇後，再根據誤差反向傳遞原則對權值閾值的初值進行修正。
具體的，按設備類別對光伏設備分類，即包括：光伏板、逆變器、匯流箱、儲能設備；以及
各已退役處理的光伏設備生命周期內各項費用包括：
歷史購入成本h1、維修費h2、維護費h3、報廢處理費h4、其餘費用h5，即
輸出層節點數為5；
並設定總費用hs，且輸出層節點數為1。
具體的，所述步驟s2中估算各光伏設備投運中的各項費用，及預測各光伏設備在其生命周期內的總費用支出的方法包括：
根據設備壽命衰減率參數，對各設備購入成本w1、維修費w2、維護費w3、報廢處理費w4及其餘費用w5進行估算，且作為bp神經網絡預測模型的輸入變量，預測各光伏設備在其生命周期內的總費用支出。
其中，所述其餘費用例如但不限於包括：培訓費、安裝費等費用。
圖2為本發明的bp神經網絡預測模型的拓撲圖。
以已退役光伏設備歷史n組費用(h1、h2、h3、h4、h5)及生命周期總費hs作為bp神經網絡訓練和學習數據，bp神經網絡訓練學習的輸入層、輸出層、隱含層及權值閾值的設計包括：
取輸入分別為h1、h2、h3、h4、h5，輸入神經元個數為5，單隱含層神經元個數為s1，激活函數為f1，輸出層神經元個數為1，對應的激活函數為f2，輸出為w，其具體計算方法如下：
隱含層中第i個神經元的輸出：
隱含層中第k個神經元的輸出：
定義誤差函數為：
用梯度法求輸出層的權值變化，對從第i個輸入到第k個輸出的權值變化為：其中δki＝(tk-a2k)f2＝ekf2ek＝tk-a2k；
同理可得：
利用梯度法求隱含層權值變化，對從第j個輸入到第i個輸出的權值為：
其中：δij＝ei·f1δb1i＝ηδij
基於bp神經網絡算法，以估測的光伏關鍵設備各項費用(w1、w2、w3、w4、w5)為輸入變量預測光伏各關鍵設備生命周期內總費用。
實施例2
在實施例1基礎上，本實施例2提供了一種光伏設備生命周期費用預測系統，包括：
預測模型建立模塊，建立並訓練bp神經網絡預測模型；
所述bp神經網絡預測模型適於估算各光伏設備投運中的各項費用，並預測各光伏設備在其生命周期內的總費用支出。
具體的，建立並訓練bp神經網絡預測模型，即對光伏設備進行分類，獲取各已退役的光伏設備生命周期內各項費用及總費用，作為bp神經網絡預測模型訓練和學習數據；其中bp神經網絡預測模型訓練學習的輸入層、輸出層、隱含層及權值閾值的設定包括：
輸入層：以各已退役的光伏設備生命周期內各項費用為輸入變量，設定輸入層節點數為m；
輸出層：以退役的光伏設備生命周期總費用為輸出變量，輸出層節點數為n；
隱含層：由選取隱含層節點為n，其中m為輸入層節點數；n為輸出層節點數；a為根據節點最優原則在1-10間取值；
權值閾值：權值閾值在初步選擇後，再根據誤差反向傳遞原則對權值閾值的初值進行修正。
具體的，按設備類別對光伏設備分類，即包括：光伏板、逆變器、匯流箱、儲能設備；以及各已退役處理的光伏設備生命周期內各項費用包括：歷史購入成本h1、維修費h2、維護費h3、報廢處理費h4、其餘費用h5，即輸出層節點數為5；並設定總費用hs，且輸出層節點數為1。
具體的，所述bp神經網絡預測模型適於根據設備壽命衰減率參數，對各設備購入成本w1、維修費w2、維護費w3、報廢處理費w4及其餘費用w5進行估算，且作為bp神經網絡預測模型的輸入變量，預測各光伏設備在其生命周期內的總費用支出。
本發明提供的基於bp神經網絡的光伏設備生命周期費用預測方法及系統，通過估測光伏關鍵設備各生命階段費用，建立bp神經網絡模型進行光伏設備生命周期總費用預測。本發明不需要考慮各費用和生命周期總費用之間的關係，大大減少了人為因素的影響，為光伏關鍵設備的全生命分析提供參考依據，進而提高光伏企業對資產的價值運動狀態統一監管能力，增強企業運營經濟性，具有較廣泛的應用前景。
以上述依據本發明的理想實施例為啟示，通過上述的說明內容，相關工作人員完全可以在不偏離本項發明技術思想的範圍內，進行多樣的變更以及修改。本項發明的技術性範圍並不局限於說明書上的內容，必須要根據權利要求範圍來確定其技術性範圍。