[发明专利]风光互补电解水制氢的转化效率的确定方法和确定装置

说明书

本申请提供了一种风光互补电解水制氢的转化效率的确定方法和确定装置，该方法包括：实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据；建立转化效率的神经网络模型；根据神经网络模型以及第一测试数据，确定转化效率。该方法中，通过将第一测试数据输入神经网络模型，可以实时且较为准确地确定风光互补电解水制氢的转化效率，这样有效地解决了现有技术中离线分析转化效率导致延迟性大的问题，方便了工作人员根据实时确定的转化效率，确定电厂的实时运行情况。

技术领域

本申请涉及制氢领域，具体而言，涉及一种风光互补电解水制氢的转化效率的确定方法、确定装置、确定系统、计算机可读存储介质以及处理器。

背景技术

在风光互补制氢的实际生产过程中，影响能量转化效率的多个因素很多，并且难以通过简单的公式来描述转化效率与其影响因素。

在目前的风电厂生产中，大多通过分析风电转换、光电转换以及电解水等能量转换过程来离线分析效率，这些方法不仅准确率低，还伴随有较大的延迟性，无法为工程人员针对电厂的实时运行情况进行相应的调整提供指导意见。

因此，亟需一种风光互补电解水制氢能量转化效率的在线软测量与能耗诊断方法及系统。

在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。

发明内容

本申请的主要目的在于提供一种风光互补电解水制氢的转化效率的确定方法、确定装置、确定系统、计算机可读存储介质以及处理器，以解决现有技术中离线分析电解水能量转换效率延迟性大的问题。

根据本发明实施例的一个方面，提供了一种风光互补电解水制氢的转化效率的确定方法，包括：实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据；建立所述转化效率的神经网络模型；根据所述神经网络模型以及所述第一测试数据，确定所述转化效率。

可选地，在实时获取影响风光互补电解水制氢的转化效率的目标因素的第一测试数据之前，所述方法还包括：获取影响所述转化效率的多个因素的多个第一历史测试数据；根据多个所述第一历史测试数据，采用最大信息系数法，确定多个所述因素中的所述目标因素。

可选地，在获取影响所述转化效率的多个因素的多个第一历史测试数据之后，在根据多个所述第一历史测试数据，采用最大信息系数法，确定多个所述因素中的所述目标因素之前，所述方法包括：采用格拉布斯法确定多个所述第一历史测试数据中的异常数据，并去除所述异常数据；采用小波阈值降噪法对去除所述异常数据的多个所述第一历史测试数据进行处理，得到多个第一预定历史数据，根据多个所述第一历史测试数据，采用最大信息系数法，确定多个所述因素中的所述目标因素，包括：根据多个所述第一预定历史数据，采用最大信息系数法确定所述目标因素。

可选地，建立所述转化效率的神经网络模型，包括：获取多个所述第一预定历史数据对应的多个第二历史测试数据，所述第二历史测试数据为所述转化效率的历史数据；根据多个所述第一预定历史数据以及对应的多个所述第二历史测试数据，确定初始神经网络模型；确定所述初始神经网络模型的预测精度是否小于等于预定值；在确定所述初始神经网络模型的预测精度小于等于所述预定值的情况下，采用改进蝗虫优化算法对所述初始神经网络模型进行优化，直到优化后的所述初始神经网络模型的预测精度大于所述预定值，优化后的所述初始神经网络模型为所述神经网络模型。

可选地，在获取多个所述第一预定历史数据对应的多个第二历史测试数据之后，在确定初始神经网络模型之前，所述方法还包括：采用格拉布斯法确定多个所述第二历史测试数据中的异常数据，并去除所述异常数据；采用小波阈值降噪法对去除所述异常数据的多个所述第二历史测试数据进行处理，得到多个第二预定历史数据，根据多个所述第一预定历史数据以及对应的多个所述第二历史测试数据，确定初始神经网络模型，包括：根据多个所述第一预定历史数据以及对应的多个所述第二预定历史数据，确定所述初始神经网络模型。