多路光伏MPPT交錯式BOOST控制方法及其系統與流程
2024-04-15 19:13:05
多路光伏mppt交錯式boost控制方法及其系統
技術領域
1.本技術涉及光伏電池控制技術領域，且更為具體地，涉及一種多路光伏mppt交錯式boost控制方法及其系統。
背景技術：
2.隨著傳統能源的日益枯竭，太陽能已經成為一種十分具有潛力的新能源，而光伏發電是當前利用太陽能的主要方式。光伏發電具有安全可靠、運行費用少、維護簡單、隨處可用等特點，在我國得到了快速的發展。
3.但是，由於光伏電池在工作時，會受到周圍溫度、光照強度等影響，再加上電池本身的轉換效率低，成本高，這就期待在光伏電池工作時進行最大功率跟蹤（mppt）。
4.boost變換器是一種通過電路中電容二極體等電路原件的連接改變電路電壓以達到電路電壓升高作用的裝置。boost變換器作為一種結構簡單，使用場合較廣的升壓型電路變換器，廣泛應用於各種功率等級的光伏逆變器中，調節光伏陣列輸出電壓，並實現最大功率點追蹤(mppt)。但是，現有的boost控制方案對於多路光伏mppt的速度較低，且控制的精準度也難以達到要求。
5.因此，期望一種優化的多路光伏mppt交錯式boost控制方案以實現光伏電池工作最大功率點的快速跟蹤。
技術實現要素：
6.為了解決上述技術問題，提出了本技術。本技術的實施例提供了一種多路光伏mppt交錯式boost控制方法及其系統，其採用基於深度學習的人工智慧控制技術，以通過boost變換器輸出的電流信號的時域和頻域的高維特徵分析來綜合進行開關管的佔空比控制。也就是，在利用降噪器來對於boost變換器輸出的電流信號進行降噪處理後，提取出降噪後電流信號的頻域統計特徵值間的多尺度鄰域關聯特徵和所述降噪後電流信號的波形圖的隱含特徵分布信息，再以所述電流信號的頻域統計值的多尺度關聯特徵來優化所述電流波形的時域特徵表達，以提高佔空比控制的準確性。這樣，實現光伏電池工作最大功率點的快速跟蹤。
7.根據本技術的一個方面，提供了一種多路光伏mppt交錯式boost控制方法，其包括：獲取由boost變換器輸出的電流信號；將所述電流信號通過基於自動編解碼器的降噪器以得到生成降噪電流信號；對所述生成降噪電流信號進行傅立葉變換以得到多個電流頻域統計值；將所述多個電流頻率統計值通過clip模型的序列編碼器以得到電流頻域統計特徵向量；將所述生成降噪電流信號的波形圖通過clip模型的圖像編碼器以得到電流圖像語義特徵向量；
使用所述clip模型的優化編碼器基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣；對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到再優化電流特徵矩陣；以及將所述再優化電流特徵矩陣通過分類器以得到分類結果，所述分類結果用於表示開關管的佔空比應增大或應減小。
8.在上述多路光伏mppt交錯式boost控制方法中，所述將所述電流信號通過基於自動編解碼器的降噪器以得到生成降噪電流信號，包括：將所述電流信號輸入所述基於自動編解碼器的降噪器中的編碼器，其中，所述編碼器使用卷積層對所述電流信號進行顯式空間編碼以得到電流特徵；以及，將所述電流特徵輸入所述基於自動編解碼器的降噪器中的解碼器，其中，所述解碼器使用反卷積層對所述電流特徵進行反卷積處理以得到所述生成降噪電流信號。
9.在上述多路光伏mppt交錯式boost控制方法中，所述自動編解碼器的編碼器為卷積層，所述自動編解碼器的解碼器為反卷積層。
10.在上述多路光伏mppt交錯式boost控制方法中，所述將所述多個電流頻率統計值通過clip模型的序列編碼器以得到電流頻域統計特徵向量，包括：將由所述多個電流頻率統計值組成的輸入向量輸入所述clip模型的序列編碼器中多尺度鄰域特徵提取模塊的第一卷積層以得到第一電流頻率統計特徵向量，其中，所述第一卷積層具有第一長度的第一一維卷積核；將由所述多個電流頻率統計值組成的輸入向量輸入所述clip模型的序列編碼器中多尺度鄰域特徵提取模塊的第二卷積層以得到第二電流頻率統計特徵向量，其中，所述第二卷積層具有第二長度的第二一維卷積核，所述第一長度不同於所述第二長度；以及，將所述第一電流頻率統計特徵向量和所述第二電流頻率統計特徵向量進行級聯以得到所述電流頻域統計特徵向量。
11.在上述多路光伏mppt交錯式boost控制方法中，所述將所述生成降噪電流信號的波形圖通過clip模型的圖像編碼器以得到電流圖像語義特徵向量，包括：所述clip模型的圖像編碼器的各層在層的正向傳遞中分別進行：對輸入數據進行卷積處理以得到卷積特徵圖；對所述卷積特徵圖進行基於局部特徵矩陣的均值池化以得到池化特徵圖；以及，對所述池化特徵圖進行非線性激活以得到激活特徵圖；其中，所述clip模型的圖像編碼器的最後一層的輸出為所述電流圖像語義特徵向量，所述clip模型的圖像編碼器的第一層的輸入為所述生成降噪電流信號的波形圖。
12.在上述多路光伏mppt交錯式boost控制方法中，所述使用所述clip模型的優化編碼器基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣，包括：以如下公式基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣；其中，所述公式為：其中，表示所述電流圖像語義特徵向量的轉置向量，表示所述電流頻域統計特徵向量， 表示所述優化電流特徵矩陣，表示矩陣相乘。
13.在上述多路光伏mppt交錯式boost控制方法中，所述對所述優化電流特徵矩陣進
行特徵聚類的去聚焦模糊優化以得到再優化電流特徵矩陣，包括：以如下公式對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到所述再優化電流特徵矩陣；其中，所述公式為其中是所述優化電流特徵矩陣的第位置的特徵值，和分別是所述優化電流特徵矩陣的各個位置的特徵值集合的均值和標準差。
14.在上述多路光伏mppt交錯式boost控制方法中，所述將所述再優化電流特徵矩陣通過分類器以得到分類結果，包括：將所述再優化電流特徵矩陣按照行向量或者列向量展開為分類特徵向量；使用所述分類器的全連接層對所述分類特徵向量進行全連接編碼以得到編碼分類特徵向量；以及，將所述編碼分類特徵向量輸入所述分類器的softmax分類函數以得到所述分類結果。
15.根據本技術的另一方面，提供了一種多路光伏mppt交錯式boost控制系統，包括：數據獲取模塊，用於獲取由boost變換器輸出的電流信號；降噪模塊，用於將所述電流信號通過基於自動編解碼器的降噪器以得到生成降噪電流信號；頻域變換模塊，用於對所述生成降噪電流信號進行傅立葉變換以得到多個電流頻域統計值；序列編碼模塊，用於將所述多個電流頻率統計值通過clip模型的序列編碼器以得到電流頻域統計特徵向量；圖像編碼模塊，用於將所述生成降噪電流信號的波形圖通過clip模型的圖像編碼器以得到電流圖像語義特徵向量；優化編碼模塊，用於使用所述clip模型的優化編碼器基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣；特徵聚類模塊，用於對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到再優化電流特徵矩陣；以及控制結果生成模塊，用於將所述再優化電流特徵矩陣通過分類器以得到分類結果，所述分類結果用於表示開關管的佔空比應增大或應減小。
16.在上述多路光伏mppt交錯式boost控制系統中，所述降噪模塊，進一步用於：將所述電流信號輸入所述基於自動編解碼器的降噪器中的編碼器，其中，所述編碼器使用卷積層對所述電流信號進行顯式空間編碼以得到電流特徵；以及，將所述電流特徵輸入所述基於自動編解碼器的降噪器中的解碼器，其中，所述解碼器使用反卷積層對所述電流特徵進行反卷積處理以得到所述生成降噪電流信號。
17.在上述多路光伏mppt交錯式boost控制系統中，所述序列編碼模塊，進一步用於：將由所述多個電流頻率統計值組成的輸入向量輸入所述clip模型的序列編碼器中多尺度鄰域特徵提取模塊的第一卷積層以得到第一電流頻率統計特徵向量，其中，所述第一卷積層具有第一長度的第一一維卷積核；將由所述多個電流頻率統計值組成的輸入向量輸入所述clip模型的序列編碼器中多尺度鄰域特徵提取模塊的第二卷積層以得到第二電流頻率
統計特徵向量，其中，所述第二卷積層具有第二長度的第二一維卷積核，所述第一長度不同於所述第二長度；以及，將所述第一電流頻率統計特徵向量和所述第二電流頻率統計特徵向量進行級聯以得到所述電流頻域統計特徵向量。
18.在上述多路光伏mppt交錯式boost控制系統中，所述特徵聚類模塊，進一步用於：以如下公式對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到所述再優化電流特徵矩陣；其中，所述公式為其中是所述優化電流特徵矩陣的第位置的特徵值，和分別是所述優化電流特徵矩陣的各個位置的特徵值集合的均值和標準差。
19.根據本技術的再一方面，提供了一種電子設備，包括：處理器；以及，存儲器，在所述存儲器中存儲有電腦程式指令，所述電腦程式指令在被所述處理器運行時使得所述處理器執行如上所述的多路光伏mppt交錯式boost控制方法。
20.根據本技術的又一方面，提供了一種計算機可讀介質，其上存儲有電腦程式指令，所述電腦程式指令在被處理器運行時使得所述處理器執行如上所述的多路光伏mppt交錯式boost控制方法。
21.與現有技術相比，本技術提供的多路光伏mppt交錯式boost控制方法及其系統，其採用基於深度學習的人工智慧控制技術，以通過boost變換器輸出的電流信號的時域和頻域的高維特徵分析來綜合進行開關管的佔空比控制。也就是，在利用降噪器來對於boost變換器輸出的電流信號進行降噪處理後，提取出降噪後電流信號的頻域統計特徵值間的多尺度鄰域關聯特徵和所述降噪後電流信號的波形圖的隱含特徵分布信息，再以所述電流信號的頻域統計值的多尺度關聯特徵來優化所述電流波形的時域特徵表達，以提高佔空比控制的準確性。這樣，實現光伏電池工作最大功率點的快速跟蹤。
附圖說明
22.通過結合附圖對本技術實施例進行更詳細的描述，本技術的上述以及其他目的、特徵和優勢將變得更加明顯。附圖用來提供對本技術實施例的進一步理解，並且構成說明書的一部分，與本技術實施例一起用於解釋本技術，並不構成對本技術的限制。在附圖中，相同的參考標號通常代表相同部件或步驟。
23.圖1為根據本技術實施例的多路光伏mppt交錯式boost控制方法的流程圖。
24.圖2為根據本技術實施例的多路光伏mppt交錯式boost控制方法的架構圖。
25.圖3為根據本技術實施例的多路光伏mppt交錯式boost控制方法中將所述多個電流頻率統計值通過clip模型的序列編碼器以得到電流頻域統計特徵向量的流程圖。
26.圖4為根據本技術實施例的多路光伏mppt交錯式boost控制方法中將所述再優化電流特徵矩陣通過分類器以得到分類結果的流程圖。
27.圖5為根據本技術實施例的多路光伏mppt交錯式boost控制系統的框圖。
28.圖6為根據本技術實施例的電子設備的框圖。
具體實施方式
29.下面，將參考附圖詳細地描述根據本技術的示例實施例。顯然，所描述的實施例僅僅是本技術的一部分實施例，而不是本技術的全部實施例，應理解，本技術不受這裡描述的示例實施例的限制。
30.申請概述如上所述，隨著傳統能源的日益枯竭，太陽能已經成為一種十分具有潛力的新能源，而光伏發電是當前利用太陽能的主要方式。光伏發電具有安全可靠、運行費用少、維護簡單、隨處可用等特點，在我國得到了快速的發展。
31.但是，由於光伏電池在工作時，會受到周圍溫度、光照強度等影響，再加上電池本身的轉換效率低，成本高，這就期待在光伏電池工作時進行最大功率跟蹤（mppt）。
32.boost變換器是一種通過電路中電容二極體等電路原件的連接改變電路電壓以達到電路電壓升高作用的裝置。boost變換器作為一種結構簡單，使用場合較廣的升壓型電路變換器，廣泛應用於各種功率等級的光伏逆變器中，調節光伏陣列輸出電壓，並實現最大功率點追蹤(mppt)。但是，現有的boost控制方案對於多路光伏mppt的速度較低，且控制的精準度也難以達到要求。因此，期望一種優化的多路光伏mppt交錯式boost控制方案以實現光伏電池工作最大功率點的快速跟蹤。
33.具體地，在本技術的技術方案中，期望基於boost變換器的輸出電流，調整boost變換器的空佔比，以實現光伏電池工作最大功率點的快速跟蹤。也就是，光伏電池陣列將太陽能轉化為直流電能，經過dc-dc變換器變換成匹配dc-ac的直流電壓，dc-dc變換器採樣電路對此變換器的輸出採集mppt所需的參數數據，通過調整控制開關管的佔空比輸出pwm波實現光伏電池的mppt。但是，由於在採集boost變換器的輸出電流信號時會存在外界噪聲的幹擾致使對於電流信號數據分析的效果較差，並且在對於開關管的佔空比進行控制以輸出pwm波來實現光伏電池的mppt的過程中，會由於對於所述電流信號的分析不夠充分且不夠準確而導致控制的開關管佔空比不能滿足光伏電池工作最大功率點的快速跟蹤要求。因此，需要一種更加準確地分析方案以實現開關管佔空比的準確調控。
34.目前，深度學習以及神經網絡已經廣泛應用於計算機視覺、自然語言處理、語音信號處理等領域。此外，深度學習以及神經網絡在圖像分類、物體檢測、語義分割、文本翻譯等領域，也展現出了接近甚至超越人類的水平。
35.近年來，深度學習以及神經網絡的發展為多路光伏mppt交錯式boost的智能控制提供了新的解決思路和方案。
36.具體地，在本技術的技術方案中，通過採用基於深度學習的人工智慧控制技術，以通過boost變換器輸出的電流信號的時域和頻域的高維特徵分析來綜合進行開關管的佔空比控制。也就是，在利用降噪器來對於boost變換器輸出的電流信號進行降噪處理後，利用基於深度學習的人工智慧控制算法來提取出降噪後電流信號的頻域統計特徵值間的多尺度鄰域關聯特徵，以及提取出所述降噪後電流信號的波形圖的隱含特徵分布信息，進一步地再基於該電流信號的時域特徵和頻域特徵來綜合進行開關管的佔空比調控，也就是，以所述電流信號的頻域統計值的多尺度關聯特徵來優化所述電流波形的時域特徵表達，以提高佔空比控制的準確性。這樣，能夠基於boost變換器的輸出電流來精準地調整boost變換器的空佔比，以實現光伏電池工作最大功率點的快速跟蹤。
37.更具體地，在本技術的技術方案中，首先，獲取由boost變換器輸出的電流信號。接著，考慮到在對於boost變換器輸出的電流信號進行採集的過程中，會由於外界的環境噪聲以及boost變換器本身的噪聲因素對於電流信號造成幹擾，因此，為了能夠準確地對於輸出電流信號進行分析來自適應調整開關管的佔空比，需要對於電流信號進行降噪處理。具體地，將所述電流信號通過基於自動編解碼器的降噪器以生成降噪電流信號，這裡，所述基於自動編碼器的降噪器採用編碼器和解碼器兩個模塊來對於所述電流信號進行降噪處理，其中，所述自動編解碼器的編碼器為卷積層，所述自動編解碼器的解碼器為反卷積層。
38.然後，對於所述生成降噪電流信號的時域特徵進行提取，也就是，將所述生成降噪電流信號的波形圖通過clip模型的圖像編碼器中進行特徵提取以得到電流圖像語義特徵向量。也就是，所述clip模型的圖像編碼器使用卷積神經網絡來對於所述生成降噪電流信號的波形圖進行處理，以提取出所述生成降噪電流信號的波形圖的局部隱含特徵在高維空間中的特徵分布表示，即所述生成降噪電流信號的時域隱含變化特徵，從而得到所述電流圖像語義特徵向量。
39.進一步地，對於所述生成降噪電流信號的頻域特徵進行提取，也就是，首先，對所述生成降噪電流信號進行傅立葉變換以得到多個電流頻域統計值。也就是，使用傅立葉變換來對於所述降噪後的電流信號進行處理，以將其轉化到頻域空間中，從而得到多個電流頻域統計值。接著，將所述多個電流頻域統計值通過所述clip模型的序列編碼器以得到電流頻域統計特徵向量，也就是，使用所述clip模型的序列編碼器中的多尺度鄰域特徵提取模塊來對於所述多個電流頻域統計特徵值進行編碼，以提取出在不同類別跨度下的的所述多個電流頻域統計值的多尺度鄰域關聯特徵，即所述電流信號的頻域隱含特徵，從而得到電流頻域統計特徵向量。
40.然後，使用所述clip模型的優化編碼器基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣。也就是，以所述clip模型的優化編碼器融合所述電流信號的頻域多尺度鄰域關聯特徵和所述電流信號的時域隱含特徵的高維特徵信息，進而以所述電流信號的頻域統計值的多尺度關聯特徵來優化所述電流波形的時域特徵表達，以得到電流波形特徵矩陣。
41.接著，將所述電流特徵矩陣通過分類器以得到分類結果，所述分類結果用於表示開關管的佔空比應增大或應減小。也就是，以所述電流特徵矩陣作為分類特徵矩陣來通過分類器中進行分類處理，以得到用於表示開關管的佔空比應增大或應減小的分類結果。這樣，就能夠根據實際情況對於開關管的佔空比進行控制。
42.特別地，在本技術的技術方案中，這裡，在使用所述clip模型的優化編碼器基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣時，是沿著所述電流頻域統計特徵向量的分布方向來改變所述圖像編碼器的編碼通道維度屬性。但是，在計算所述電流頻域統計特徵向量和所述電流圖像語義特徵向量的每個位置的關聯值以得到所述優化電流特徵矩陣時，所述優化電流特徵矩陣不論相對於所述電流頻域統計特徵向量還是相對於所述電流圖像語義特徵向量，其特徵分布的聚類效果都會變差，從而影響分類效果。
43.這裡，本技術的申請人考慮到在所述優化電流特徵矩陣中，各個位置的所述電流頻域統計特徵向量和所述電流圖像語義特徵向量的特徵值關聯關係會呈現自然狀態下的
高斯分布，即平均關聯關係具有最高的概率密度，而較高程度和較低程度的關聯均具有較低的概率密度。因此，基於這種遵循高斯點分布的高頻分布特徵可以對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化，表示為：特徵聚類的去聚焦模糊優化，表示為：和分別是特徵集合的均值和標準差，且是所述優化電流特徵矩陣的第位置的特徵值。
44.所述特徵聚類的去聚焦模糊優化通過將用於估計聚類度量值的聚焦堆棧表示進行基於統計信息的特徵聚類索引，來補償遵循高斯點分布的高頻分布特徵相對於整體特徵分布的均一化表示的依賴相似度，從而避免由於該依賴相似度低而引起整體特徵分布的聚焦模糊，這樣，就提升了所述優化電流特徵矩陣的分類效果。這樣，能夠基於boost變換器的輸出電流來精準地調整boost變換器的空佔比，以實現光伏電池工作最大功率點的快速跟蹤。
45.基於此，本技術提出了一種多路光伏mppt交錯式boost控制方法，其包括：獲取由boost變換器輸出的電流信號；將所述電流信號通過基於自動編解碼器的降噪器以得到生成降噪電流信號；對所述生成降噪電流信號進行傅立葉變換以得到多個電流頻域統計值；將所述多個電流頻率統計值通過clip模型的序列編碼器以得到電流頻域統計特徵向量；將所述生成降噪電流信號的波形圖通過clip模型的圖像編碼器以得到電流圖像語義特徵向量；使用所述clip模型的優化編碼器基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣；對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到再優化電流特徵矩陣；以及，將所述再優化電流特徵矩陣通過分類器以得到分類結果，所述分類結果用於表示開關管的佔空比應增大或應減小。
46.在介紹了本技術的基本原理之後，下面將參考附圖來具體介紹本技術的各種非限制性實施例。
47.示例性方法圖1為根據本技術實施例的多路光伏mppt交錯式boost控制方法的流程圖。如圖1所示，根據本技術實施例的多路光伏mppt交錯式boost控制方法，包括：s110，獲取由boost變換器輸出的電流信號；s120，將所述電流信號通過基於自動編解碼器的降噪器以得到生成降噪電流信號；s130，對所述生成降噪電流信號進行傅立葉變換以得到多個電流頻域統計值；s140，將所述多個電流頻率統計值通過clip模型的序列編碼器以得到電流頻域統計特徵向量；s150，將所述生成降噪電流信號的波形圖通過clip模型的圖像編碼器以得到電流圖像語義特徵向量；s160，使用所述clip模型的優化編碼器基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣；s170，對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到再優化電流特徵矩陣；以及，s180，將所述再優化電流特徵矩陣通過分類器以得到分類結果，所述分類結果用於表示開關管的佔空比應增大或應減小。
48.圖2為根據本技術實施例的多路光伏mppt交錯式boost控制方法的架構圖。如圖2所示，在該架構圖中，首先獲取由boost變換器輸出的電流信號，並將所述電流信號通過基
於自動編解碼器的降噪器以得到生成降噪電流信號。接著，對所述生成降噪電流信號進行傅立葉變換以得到多個電流頻域統計值。然後，將所述多個電流頻率統計值通過clip模型的序列編碼器以得到電流頻域統計特徵向量。進而，將所述生成降噪電流信號的波形圖通過clip模型的圖像編碼器以得到電流圖像語義特徵向量。接著，使用所述clip模型的優化編碼器基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣。然後，對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到再優化電流特徵矩陣。進而，將所述再優化電流特徵矩陣通過分類器以得到分類結果，所述分類結果用於表示開關管的佔空比應增大或應減小。
49.在步驟s110中，獲取由boost變換器輸出的電流信號。如上所述，隨著傳統能源的日益枯竭，太陽能已經成為一種十分具有潛力的新能源，而光伏發電是當前利用太陽能的主要方式。光伏發電具有安全可靠、運行費用少、維護簡單、隨處可用等特點，在我國得到了快速的發展。但是，由於光伏電池在工作時，會受到周圍溫度、光照強度等影響，再加上電池本身的轉換效率低，成本高，這就期待在光伏電池工作時進行最大功率跟蹤（mppt）。
50.boost變換器是一種通過電路中電容二極體等電路原件的連接改變電路電壓以達到電路電壓升高作用的裝置。boost變換器作為一種結構簡單，使用場合較廣的升壓型電路變換器，廣泛應用於各種功率等級的光伏逆變器中，調節光伏陣列輸出電壓，並實現最大功率點追蹤(mppt)。但是，現有的boost控制方案對於多路光伏mppt的速度較低，且控制的精準度也難以達到要求。因此，期望一種優化的多路光伏mppt交錯式boost控制方案以實現光伏電池工作最大功率點的快速跟蹤。
51.具體地，在本技術的技術方案中，期望基於boost變換器的輸出電流，調整boost變換器的空佔比，以實現光伏電池工作最大功率點的快速跟蹤。也就是，光伏電池陣列將太陽能轉化為直流電能，經過dc-dc變換器變換成匹配dc-ac的直流電壓，dc-dc變換器採樣電路對此變換器的輸出採集mppt所需的參數數據，通過調整控制開關管的佔空比輸出pwm波實現光伏電池的mppt。但是，由於在採集boost變換器的輸出電流信號時會存在外界噪聲的幹擾致使對於電流信號數據分析的效果較差，並且在對於開關管的佔空比進行控制以輸出pwm波來實現光伏電池的mppt的過程中，會由於對於所述電流信號的分析不夠充分且不夠準確而導致控制的開關管佔空比不能滿足光伏電池工作最大功率點的快速跟蹤要求。因此，需要一種更加準確地分析方案以實現開關管佔空比的準確調控。
52.目前，深度學習以及神經網絡已經廣泛應用於計算機視覺、自然語言處理、語音信號處理等領域。此外，深度學習以及神經網絡在圖像分類、物體檢測、語義分割、文本翻譯等領域，也展現出了接近甚至超越人類的水平。近年來，深度學習以及神經網絡的發展為多路光伏mppt交錯式boost的智能控制提供了新的解決思路和方案。
53.具體地，在本技術的技術方案中，通過採用基於深度學習的人工智慧控制技術，以通過boost變換器輸出的電流信號的時域和頻域的高維特徵分析來綜合進行開關管的佔空比控制。也就是，在利用降噪器來對於boost變換器輸出的電流信號進行降噪處理後，利用基於深度學習的人工智慧控制算法來提取出降噪後電流信號的頻域統計特徵值間的多尺度鄰域關聯特徵，以及提取出所述降噪後電流信號的波形圖的隱含特徵分布信息，進一步地再基於該電流信號的時域特徵和頻域特徵來綜合進行開關管的佔空比調控，也就是，以所述電流信號的頻域統計值的多尺度關聯特徵來優化所述電流波形的時域特徵表達，以提
高佔空比控制的準確性。這樣，能夠基於boost變換器的輸出電流來精準地調整boost變換器的空佔比，以實現光伏電池工作最大功率點的快速跟蹤。更具體地，在本技術的技術方案中，首先，獲取由boost變換器輸出的電流信號。
54.在步驟s120中，將所述電流信號通過基於自動編解碼器的降噪器以得到生成降噪電流信號。考慮到在對於boost變換器輸出的電流信號進行採集的過程中，會由於外界的環境噪聲以及boost變換器本身的噪聲因素對於電流信號造成幹擾，因此，為了能夠準確地對於輸出電流信號進行分析來自適應調整開關管的佔空比，需要對於電流信號進行降噪處理。具體地，將所述電流信號通過基於自動編解碼器的降噪器以得到生成降噪電流信號，這裡，所述基於自動編碼器的降噪器採用編碼器和解碼器兩個模塊來對於所述電流信號進行降噪處理，其中，所述自動編解碼器的編碼器為卷積層，所述自動編解碼器的解碼器為反卷積層。
55.更具體地，在本技術實施例中，所述將所述電流信號通過基於自動編解碼器的降噪器以得到生成降噪電流信號，包括：將所述電流信號輸入所述基於自動編解碼器的降噪器中的編碼器，其中，所述編碼器使用卷積層對所述電流信號進行顯式空間編碼以得到電流特徵；以及，將所述電流特徵輸入所述基於自動編解碼器的降噪器中的解碼器，其中，所述解碼器使用反卷積層對所述電流特徵進行反卷積處理以得到所述生成降噪電流信號。
56.在步驟s130中，對所述生成降噪電流信號進行傅立葉變換以得到多個電流頻域統計值。對於所述生成降噪電流信號的頻域特徵進行提取，也就是，首先，對所述生成降噪電流信號進行傅立葉變換以得到多個電流頻域統計值。也就是，使用傅立葉變換來對於所述降噪後的電流信號進行處理，以將其轉化到頻域空間中，從而得到多個電流頻域統計值。
57.在步驟s140中，將所述多個電流頻率統計值通過clip模型的序列編碼器以得到電流頻域統計特徵向量。也就是，使用所述clip模型的序列編碼器中的多尺度鄰域特徵提取模塊來對於所述多個電流頻域統計特徵值進行編碼，以提取出在不同類別跨度下的的所述多個電流頻域統計值的多尺度鄰域關聯特徵，即所述電流信號的頻域隱含特徵，從而得到電流頻域統計特徵向量。
58.圖3為根據本技術實施例的多路光伏mppt交錯式boost控制方法中將所述多個電流頻率統計值通過clip模型的序列編碼器以得到電流頻域統計特徵向量的流程圖。如圖3所示，所述將所述多個電流頻率統計值通過clip模型的序列編碼器以得到電流頻域統計特徵向量，包括：s141，將由所述多個電流頻率統計值組成的輸入向量輸入所述clip模型的序列編碼器中多尺度鄰域特徵提取模塊的第一卷積層以得到第一電流頻率統計特徵向量，其中，所述第一卷積層具有第一長度的第一一維卷積核；s142，將由所述多個電流頻率統計值組成的輸入向量輸入所述clip模型的序列編碼器中多尺度鄰域特徵提取模塊的第二卷積層以得到第二電流頻率統計特徵向量，其中，所述第二卷積層具有第二長度的第二一維卷積核，所述第一長度不同於所述第二長度；以及，s143，將所述第一電流頻率統計特徵向量和所述第二電流頻率統計特徵向量進行級聯以得到所述電流頻域統計特徵向量。
59.更具體地，在步驟s141中，將由所述多個電流頻率統計值組成的輸入向量輸入所述clip模型的序列編碼器中多尺度鄰域特徵提取模塊的第一卷積層以得到第一電流頻率統計特徵向量，包括：使用所述多尺度鄰域特徵提取模塊的第一卷積層以如下公式對所述多個電流頻率統計值組成的輸入向量進行一維卷積編碼以得到所述第一電流頻率統計特
徵向量；其中，所述公式為：其中，為第一卷積核在方向上的寬度、為第一卷積核參數向量、為與卷積核函數運算的局部向量矩陣，為第一卷積核的尺寸，表示所述多個電流頻率統計值組成的輸入向量；更具體地，在步驟s142中，將由所述多個電流頻率統計值組成的輸入向量輸入所述clip模型的序列編碼器中多尺度鄰域特徵提取模塊的第二卷積層以得到第二電流頻率統計特徵向量，包括：使用所述多尺度鄰域特徵提取模塊的第二卷積層以如下公式對所述多個電流頻率統計值組成的輸入向量進行一維卷積編碼以得到所述第二電流頻率統計特徵向量；其中，所述公式為：其中，b為第二卷積核在方向上的寬度、為第二卷積核參數向量、為與卷積核函數運算的局部向量矩陣，m為第二卷積核的尺寸，表示所述多個電流頻率統計值組成的輸入向量。
60.在步驟s150中，將所述生成降噪電流信號的波形圖通過clip模型的圖像編碼器以得到電流圖像語義特徵向量。對於所述生成降噪電流信號的時域特徵進行提取，也就是，將所述生成降噪電流信號的波形圖通過clip模型的圖像編碼器中進行特徵提取以得到電流圖像語義特徵向量。也就是，所述clip模型的圖像編碼器使用卷積神經網絡來對於所述生成降噪電流信號的波形圖進行處理，以提取出所述生成降噪電流信號的波形圖的局部隱含特徵在高維空間中的特徵分布表示，即所述生成降噪電流信號的時域隱含變化特徵，從而得到所述電流圖像語義特徵向量。
61.具體地，在本技術實施例中，所述將所述生成降噪電流信號的波形圖通過clip模型的圖像編碼器以得到電流圖像語義特徵向量，包括：所述clip模型的圖像編碼器的各層在層的正向傳遞中分別進行：對輸入數據進行卷積處理以得到卷積特徵圖；對所述卷積特徵圖進行基於局部特徵矩陣的均值池化以得到池化特徵圖；以及，對所述池化特徵圖進行非線性激活以得到激活特徵圖；其中，所述clip模型的圖像編碼器的最後一層的輸出為所述電流圖像語義特徵向量，所述clip模型的圖像編碼器的第一層的輸入為所述生成降噪電流信號的波形圖。
62.在步驟s160中，使用所述clip模型的優化編碼器基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣。也就是，以所述clip模型的優化編碼器融合所述電流信號的頻域多尺度鄰域關聯特徵和所述電流信號的時域隱含特徵的高維特徵信息，進而以所述電流信號的頻域統計值的多尺度關聯特徵來優化所述電流波形的時域特徵表達，以得到電流波形特徵矩陣。
63.具體地，在本技術實施例中，所述使用所述clip模型的優化編碼器基於所述電流
頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣，包括：以如下公式基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣；其中，所述公式為：其中，表示所述電流圖像語義特徵向量的轉置向量，表示所述電流頻域統計特徵向量， 表示所述優化電流特徵矩陣，表示矩陣相乘。
64.在步驟s170中，對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到再優化電流特徵矩陣。特別地，在本技術的技術方案中，這裡，在使用所述clip模型的優化編碼器基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣時，是沿著所述電流頻域統計特徵向量的分布方向來改變所述圖像編碼器的編碼通道維度屬性。但是，在計算所述電流頻域統計特徵向量和所述電流圖像語義特徵向量的每個位置的關聯值以得到所述優化電流特徵矩陣時，所述優化電流特徵矩陣不論相對於所述電流頻域統計特徵向量還是相對於所述電流圖像語義特徵向量，其特徵分布的聚類效果都會變差，從而影響分類效果。
65.這裡，本技術的申請人考慮到在所述優化電流特徵矩陣中，各個位置的所述電流頻域統計特徵向量和所述電流圖像語義特徵向量的特徵值關聯關係會呈現自然狀態下的高斯分布，即平均關聯關係具有最高的概率密度，而較高程度和較低程度的關聯均具有較低的概率密度。因此，基於這種遵循高斯點分布的高頻分布特徵可以對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化。
66.具體地，在本技術實施例中，所述對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到再優化電流特徵矩陣，包括：以如下公式對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到所述再優化電流特徵矩陣；其中，所述公式為其中是所述優化電流特徵矩陣的第位置的特徵值，和分別是所述優化電流特徵矩陣的各個位置的特徵值集合的均值和標準差。
67.所述特徵聚類的去聚焦模糊優化通過將用於估計聚類度量值的聚焦堆棧表示進行基於統計信息的特徵聚類索引，來補償遵循高斯點分布的高頻分布特徵相對於整體特徵分布的均一化表示的依賴相似度，從而避免由於該依賴相似度低而引起整體特徵分布的聚焦模糊，這樣，就提升了所述優化電流特徵矩陣的分類效果。這樣，能夠基於boost變換器的輸出電流來精準地調整boost變換器的空佔比，以實現光伏電池工作最大功率點的快速跟蹤。
68.在步驟s180中，將所述再優化電流特徵矩陣通過分類器以得到分類結果，所述分類結果用於表示開關管的佔空比應增大或應減小。也就是，以所述電流特徵矩陣作為分類特徵矩陣來通過分類器中進行分類處理，以得到用於表示開關管的佔空比應增大或應減小的分類結果。這樣，就能夠根據實際情況對於開關管的佔空比進行控制。
69.圖4為根據本技術實施例的多路光伏mppt交錯式boost控制方法中將所述再優化
電流特徵矩陣通過分類器以得到分類結果的流程圖。如圖4所示，所述將所述再優化電流特徵矩陣通過分類器以得到分類結果，包括：s181，將所述再優化電流特徵矩陣按照行向量或者列向量展開為分類特徵向量；s182，使用所述分類器的全連接層對所述分類特徵向量進行全連接編碼以得到編碼分類特徵向量；以及，s183，將所述編碼分類特徵向量輸入所述分類器的softmax分類函數以得到所述分類結果。
70.綜上，基於本技術實施例的多路光伏mppt交錯式boost控制方法被闡明，其採用基於深度學習的人工智慧控制技術，以通過boost變換器輸出的電流信號的時域和頻域的高維特徵分析來綜合進行開關管的佔空比控制。也就是，在利用降噪器來對於boost變換器輸出的電流信號進行降噪處理後，提取出降噪後電流信號的頻域統計特徵值間的多尺度鄰域關聯特徵和所述降噪後電流信號的波形圖的隱含特徵分布信息，再以所述電流信號的頻域統計值的多尺度關聯特徵來優化所述電流波形的時域特徵表達，以提高佔空比控制的準確性。這樣，實現光伏電池工作最大功率點的快速跟蹤。
71.示例性系統圖5為根據本技術實施例的多路光伏mppt交錯式boost控制系統的框圖。如圖5所示，根據本技術實施例的多路光伏mppt交錯式boost控制系統100，包括：數據獲取模塊110，用於獲取由boost變換器輸出的電流信號；降噪模塊120，用於將所述電流信號通過基於自動編解碼器的降噪器以得到生成降噪電流信號；頻域變換模塊130，用於對所述生成降噪電流信號進行傅立葉變換以得到多個電流頻域統計值；序列編碼模塊140，用於將所述多個電流頻率統計值通過clip模型的序列編碼器以得到電流頻域統計特徵向量；圖像編碼模塊150，用於將所述生成降噪電流信號的波形圖通過clip模型的圖像編碼器以得到電流圖像語義特徵向量；優化編碼模塊160，用於使用所述clip模型的優化編碼器基於所述電流頻域統計特徵向量對所述電流圖像語義特徵向量進行編碼優化以得到優化電流特徵矩陣；特徵聚類模塊170，用於對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到再優化電流特徵矩陣；以及，控制結果生成模塊180，用於將所述再優化電流特徵矩陣通過分類器以得到分類結果，所述分類結果用於表示開關管的佔空比應增大或應減小。
72.在一個示例中，在上述多路光伏mppt交錯式boost控制系統中，所述降噪模塊，進一步用於：將所述電流信號輸入所述基於自動編解碼器的降噪器中的編碼器，其中，所述編碼器使用卷積層對所述電流信號進行顯式空間編碼以得到電流特徵；以及，將所述電流特徵輸入所述基於自動編解碼器的降噪器中的解碼器，其中，所述解碼器使用反卷積層對所述電流特徵進行反卷積處理以得到所述生成降噪電流信號。
73.在一個示例中，在上述多路光伏mppt交錯式boost控制系統中，所述序列編碼模塊，進一步用於：將由所述多個電流頻率統計值組成的輸入向量輸入所述clip模型的序列編碼器中多尺度鄰域特徵提取模塊的第一卷積層以得到第一電流頻率統計特徵向量，其中，所述第一卷積層具有第一長度的第一一維卷積核；將由所述多個電流頻率統計值組成的輸入向量輸入所述clip模型的序列編碼器中多尺度鄰域特徵提取模塊的第二卷積層以得到第二電流頻率統計特徵向量，其中，所述第二卷積層具有第二長度的第二一維卷積核，所述第一長度不同於所述第二長度；以及，將所述第一電流頻率統計特徵向量和所述第二電流頻率統計特徵向量進行級聯以得到所述電流頻域統計特徵向量。
74.在一個示例中，在上述多路光伏mppt交錯式boost控制系統中，所述特徵聚類模
塊，進一步用於：以如下公式對所述優化電流特徵矩陣進行特徵聚類的去聚焦模糊優化以得到所述再優化電流特徵矩陣；其中，所述公式為其中是所述優化電流特徵矩陣的第位置的特徵值，和分別是所述優化電流特徵矩陣的各個位置的特徵值集合的均值和標準差。
75.這裡，本領域技術人員可以理解，上述多路光伏mppt交錯式boost控制系統 100中的各個單元和模塊的具體功能和操作已經在上面參考圖1到圖4的多路光伏mppt交錯式boost控制方法的描述中得到了詳細介紹，並因此，將省略其重複描述。
76.如上所述，根據本技術實施例的多路光伏mppt交錯式boost控制系統 100可以實現在各種終端設備中，例如用於多路光伏mppt交錯式boost控制的伺服器等。在一個示例中，根據本技術實施例的多路光伏mppt交錯式boost控制系統 100可以作為一個軟體模塊和/或硬體模塊而集成到終端設備中。例如，該多路光伏mppt交錯式boost控制系統100可以是該終端設備的作業系統中的一個軟體模塊，或者可以是針對於該終端設備所開發的一個應用程式；當然，該多路光伏mppt交錯式boost控制系統 100同樣可以是該終端設備的眾多硬體模塊之一。
77.替換地，在另一示例中，該多路光伏mppt交錯式boost控制系統 100與該終端設備也可以是分立的設備，並且該多路光伏mppt交錯式boost控制系統 100可以通過有線和/或無線網絡連接到該終端設備，並且按照約定的數據格式來傳輸交互信息。
78.示例性電子設備下面，參考圖6來描述根據本技術實施例的電子設備。圖6為根據本技術實施例的電子設備的框圖。如圖6所示，電子設備10包括一個或多個處理器11和存儲器12。
79.處理器11可以是中央處理單元（cpu）或者具有數據處理能力和/或指令執行能力的其他形式的處理單元，並且可以控制電子設備10中的其他組件以執行期望的功能。
80.存儲器12可以包括一個或多個電腦程式產品，所述電腦程式產品可以包括各種形式的計算機可讀存儲介質，例如易失性存儲器和/或非易失性存儲器。所述易失性存儲器例如可以包括隨機存取存儲器（ram）和/或高速緩衝存儲器（cache）等。所述非易失性存儲器例如可以包括只讀存儲器（rom）、硬碟、快閃記憶體等。在所述計算機可讀存儲介質上可以存儲一個或多個電腦程式指令，處理器11可以運行所述程序指令，以實現上文所述的本技術的各個實施例的多路光伏mppt交錯式boost控制方法中的功能以及/或者其他期望的功能。在所述計算機可讀存儲介質中還可以存儲諸如電流信號等各種內容。
81.在一個示例中，電子設備10還可以包括：輸入裝置13和輸出裝置14，這些組件通過總線系統和/或其他形式的連接機構（未示出）互連。
82.該輸入裝置13可以包括例如鍵盤、滑鼠等等。
83.該輸出裝置14可以向外部輸出各種信息，包括分類結果等。該輸出裝置14可以包括例如顯示器、揚聲器、印表機、以及通信網絡及其所連接的遠程輸出設備等等。
84.當然，為了簡化，圖6中僅示出了該電子設備10中與本技術有關的組件中的一些，省略了諸如總線、輸入/輸出接口等等的組件。除此之外，根據具體應用情況，電子設備10還
可以包括任何其他適當的組件。
85.示例性電腦程式產品和計算機可讀存儲介質除了上述方法和設備以外，本技術的實施例還可以是電腦程式產品，其包括電腦程式指令，所述電腦程式指令在被處理器運行時使得所述處理器執行本說明書上述「示例性方法」部分中描述的根據本技術各種實施例的多路光伏mppt交錯式boost控制方法中的功能中的步驟。
86.所述電腦程式產品可以以一種或多種程序設計語言的任意組合來編寫用於執行本技術實施例操作的程序代碼，所述程序設計語言包括面向對象的程序設計語言，諸如java、c++等，還包括常規的過程式程序設計語言，諸如「c」語言或類似的程序設計語言。程序代碼可以完全地在用戶計算設備上執行、部分地在用戶設備上執行、作為一個獨立的軟體包執行、部分在用戶計算設備上部分在遠程計算設備上執行、或者完全在遠程計算設備或伺服器上執行。
87.此外，本技術的實施例還可以是計算機可讀存儲介質，其上存儲有電腦程式指令，所述電腦程式指令在被處理器運行時使得所述處理器執行本說明書上述「示例性方法」部分中描述的根據本技術各種實施例的多路光伏mppt交錯式boost控制方法中的功能中的步驟。
88.所述計算機可讀存儲介質可以採用一個或多個可讀介質的任意組合。可讀介質可以是可讀信號介質或者可讀存儲介質。可讀存儲介質例如可以包括但不限於電、磁、光、電磁、紅外線、或半導體的系統、裝置或器件，或者任意以上的組合。可讀存儲介質的更具體的例子（非窮舉的列表）包括：具有一個或多個導線的電連接、可攜式盤、硬碟、隨機存取存儲器（ram）、只讀存儲器（rom）、可擦式可編程只讀存儲器（eprom或快閃記憶體）、光纖、可攜式緊湊盤只讀存儲器(cd-rom)、光存儲器件、磁存儲器件、或者上述的任意合適的組合。