[发明专利]基于BP神经网络的光伏设备生命周期费用预测方法及系统

说明书

技术领域

本发明属于光伏经济预测领域，尤其涉及一种基于BP神经网络的光伏电站关键设备生命周期费用预测方法及系统。

背景技术

设备生命周期费用管理是从设备的长期经济效益出发，全面考虑设备的购置、运行、维修、改造、更新，直至报废的全过程，使设备生命周期费用最小的一种管理理念和方法。光伏板、逆变器、汇流箱、储能设备等光伏关键设备直接影响光伏企业经济效益，但目前主要根据生产经验对设备总费用进行粗略估算，缺乏对上述关键设备购置、使用、维护、维修直至报废的全过程进行管理，也未结合各生命阶段费用对其生命周期总费用进行合理的评价，导致对设备利用效率相对较低。实现光伏关键设备寿命周期费用最经济、设备综合产能最高的目标是进一步提高企业效益的关键。

发明内容

本发明的目的是提供一种光伏设备生命周期费用预测方法及系统，其通过BP神经网络训练学习，以获得更加准确的设备寿命周期费用预测值，进而评价设备各生命阶段费用。

为了解决上述技术问题，本发明提供了一种光伏设备生命周期费用预测方法，包括如下步骤：

步骤S1，建立并训练BP神经网络预测模型；以及

步骤S2，估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。

进一步，所述步骤S1中训练BP神经网络预测模型的方法包括：

对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中

BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：

输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；

输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；

隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；

权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。

进一步，按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及

各已退役处理的光伏设备生命周期内各项费用包括：

历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即

输出层节点数为5；

并设定总费用Hs，且输出层节点数为1。

进一步，所述步骤S2中估算各光伏设备投运中的各项费用，及预测各光伏设备在其生命周期内的总费用支出的方法包括：

根据设备寿命衰减率参数，对各设备购入成本W1、维修费W2、维护费W3、报废处理费W4及其余费用W5进行估算，且作为BP神经网络预测模型的输入变量，预测各光伏设备在其生命周期内的总费用支出。

又一方面，本发明还提供了一种光伏设备生命周期费用预测系统，包括：

预测模型建立模块，建立并训练BP神经网络预测模型；

所述BP神经网络预测模型适于估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。

进一步，建立并训练BP神经网络预测模型，即

对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中

BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：

输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；

输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；

隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；

权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。

进一步，按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及

各已退役处理的光伏设备生命周期内各项费用包括：

历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即

输出层节点数为5；

并设定总费用Hs，且输出层节点数为1。