(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111125125.3 (22)申请日 2021.09.25 (71)申请人 中机国能电力工程有限公司 地址 201302 上海市浦东 新区老港镇 南港 公路1765号153室 (72)发明人 万露　苏欣　周洲　张敬昂　 王元龙　陶岳来　臧藏　施蒋娟　 (74)专利代理 机构 上海愉腾 专利代理事务所 (普通合伙) 31306 代理人 唐海波 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于阴影倍率的非线性拟合最佳布阵 方法 (57)摘要 本发明公开了一种基于阴影倍率的非线性 拟合最佳布阵方法， 包括以下步骤： 获取布阵数 据样本并根据数据样本形成数据矩阵； 对数据矩 阵进行数据预处理； 对预处理后的数据矩阵进行 特征量提取和内隐规则扩展； 将扩展后的数据矩 阵输入预先构建的神经网络进行训练； 训练后的 神经网络输出最佳布阵特征参量。 依托于环境数 据， 进行一定数量的事件模拟仿真， 针对离散化 分布的事件数据， 进行数据特征量挖掘和扩展， 并通过训练和测试后的Kohonen神经网络聚类模 型进行非线性拟合输出最佳特征参量。 实现光伏 设计度电成本最优， 使得最佳倾角、 最佳布阵间 距以及用地控制指标和资本投入方式协同统一。 权利要求书2页 说明书6页 附图2页 CN 113987916 A 2022.01.28 CN 113987916 A 1.一种基于阴影倍 率的非线性拟合 最佳布阵方法， 其特 征在于， 包括以下步骤： 获取布阵数据样本并根据数据样本形成数据矩阵； 对数据矩阵进行 数据预处 理； 对预处理后的数据矩阵进行 特征量提取和内隐规则扩展； 将扩展后的数据矩阵输入预 先构建的神经网络进行训练； 训练后的神经网络 输出最佳布阵特 征参量。 2.根据权利要求1所述的基于阴影倍率的非线性拟合最佳布阵方法， 其特征在于， 所述 获取布阵数据样 本并根据数据样本形成数据 矩阵包括： 获取冬至、 春 分最大不遮挡日数据， 组串倾斜面长度数据， 组串长度数据， 倾角数据， 纬度数据， 支架间距数据， 南北、 东西坡度 数据和发电量数据， 组建以倾角、 布阵间距和发电量 为特征的数据矩阵。 3.根据权利要求1所述的基于阴影倍率的非线性拟合最佳布阵方法， 其特征在于， 所述 对数据矩阵进行数据预处理包括： 对数据矩阵进行韦伯 ‑费希纳定律归一化处理以及小波 分解及其滤波器设置和重构。 4.根据权利要求3所述的基于阴影倍率的非线性拟合最佳布阵方法， 其特征在于， 所述 韦伯‑费希纳定律 表明发电量与一定区间的倾角、 间距对数成正比关系； 其中 为评 价参数系数， 基准 参考量则是理论计算的倾角、 间距和发电量。 5.根据权利要求4所述的基于阴影倍率的非线性拟合最佳布阵方法， 其特征在于， 所述 小波分解及其滤波器设置和重构对数据矩阵进行函数还原和噪声数据的去躁处理并形成 噪声样本 。 6.根据权利要求5所述的基于阴影倍率的非线性拟合最佳布阵方法， 其特征在于， 所述 对预处理后的数据矩阵进 行特征量提取和内隐规则扩展包括： 针对特征量和内隐规则扩展 对噪声样本和预处 理后的数据矩阵进行GAN网络学习训练。 7.根据权利要求6所述的基于阴影倍率的非线性拟合最佳布阵方法， 其特征在于， 所述 GAN网络学习训练包括： 噪声样本输入生成器产生生成数据， 生成数据和预 处理后的数据 矩 阵输入判别器进行判别， 判别结果通过损失函数LG返回生成器、 通过损失函数LD返回判别 器， 实现数据矩阵的扩展。 8.根据权利要求1所述的基于阴影倍率的非线性拟合最佳布阵方法， 其特征在于， 所述 将扩展后的数据矩阵输入预先构建的神经网络进行训练包括： 扩展后的数据矩阵输入 Kohonen神经网络聚类模型进行训练与测试。 9.根据权利要求8所述的基于阴影倍率的非线性拟合最佳布阵方法， 其特征在于， 所述 扩展后的数据矩阵输入Koh onen神经网络聚类模型进行训练与测试包括： 通 过连接权值ωij 实现输入层 特征向量αi(i＝1， 2， …， m)与竞争层矩阵βj(j＝1， 2， …， n)的全连接， 由输入层 矩阵神经元i与输出神经元j的权值ωij计算欧几里得值 最小 欧几里得值dj对应的输入层矩阵神经元i为优胜神经元， 调整优胜神经元与毗邻权值实现 竞争层矩阵神经元j的最佳匹配， 逐步迭代实现同类聚集， 以最佳匹配神经元及其临近神经 元组建优胜内涵矩阵γk(k＝1， 2， …， n)， 在内涵矩阵范围内实现神经元权值系数τ 的迭代 寻优， 即权　利　要　求　书 1/2 页 2 CN 113987916 A 2ωij＝ωij+ ε( αj‑ωij) 其中posτ， posj为优胜内涵矩阵的神经 元τ 位置， 分别为限定阈值及学习速率。 10.根据权利要求2所述的基于阴影倍率的非线性拟合最佳布阵方法， 其特征在于， 所 述训练后的神经网络输出最佳布阵特征参量包括： 训练后的神经网络通过非线性拟合输出 最佳倾角、 最佳布阵间距和最大发电量特 征参量。权　利　要　求　书 2/2 页 3 CN 113987916 A 3