[发明专利]一种基于深度学习的太阳能自动追日系统及其控制方法

权利要求书

1.一种基于深度学习的太阳能自动追日系统的控制方法，其特征在于，所述太阳能自动追日系统包括：太阳能电池板、太阳能电池板安装部件、太阳能电池板角度调整部件和控制部件；所述太阳能电池板左右两侧和上下两侧分别设置有照度传感器；

所述方法包括：

步骤1：控制部件获取当前天气信息以及时间；

步骤2：控制部件根据获取到的当前天气信息以及时间进行判断，若为白天且是晴天，则运行步骤3；若为黑夜或者阴雨天，则控制自动追日系统进入休眠；

步骤3：控制部件根据自动追日系统安装地点的纬度以及时角，计算出当前时刻太阳的高度角以及方位角，通过控制太阳能电池板角度调整部件调整太阳能电池板使其正对太阳；

步骤4：控制部件通过太阳能电池板左右两侧和上下两侧分别设置的照度传感器获取当前照度信息；并将自动追日系统安装地点的纬度、时角、太阳赤纬以及四个照度传感器获取的当前照度信息作为输入数据输入训练好的深度神经网络模型中得到当前太阳方向角和高度角；

步骤5：控制部件根据神经网络模型中得到的当前太阳方向角和高度角判断当前太阳能电池板是否正对太阳，如果没有正对太阳，则控制太阳能电池板角度调整部件调整太阳能电池板使其正对太阳；如果正对太阳，则等待预定时间间隔后继续运行步骤1。

2.根据权利要求1所述的方法，其特征在于，所述步骤4中训练好的深度神经网络模型包括输入层、隐藏层和输出层；输入数据为7维数据，包括自动追日系统安装地点的纬度、时角、太阳赤纬以及太阳能电池板上设置的四个照度传感器测量值；神经网络的宽度为12，输出数据为2维数据，包括太阳高度角和方向角；

训练过程包括：

采集纬度、时角、太阳赤纬、四个照度传感器测量值以及对应的太阳高度角和方向角的历史数据，预处理后按照预定比例分成训练集和测试集；

将训练集中的数据输入到深度神经网络模型之中进行训练，直至网络收敛，得到训练好的深度神经网络模型；训练过程中，使用均方误差MSE作为损失函数，在深度神经网络模型的隐藏层中采用Relu函数作为激活函数，输出层采用Sigmoid函数作为激活函数。

3.根据权利要求2所述的方法，其特征在于，所述将训练集中的数据输入到深度神经网络模型之中进行训练，直至网络收敛，包括：

设输入层到隐藏层的权值为ν_ih，隐藏层到输出层的权值为ω_hj，则深度神经网络模型中第j个输出神经元的输入表示为第q个隐藏神经元的输入表示为输出神经元为输出层中的神经元，隐藏神经元为隐藏层中的神经元；b_h表示隐藏层中第h个神经元的输出；x_i表示深度神经网络模型的第i个输入特征；

训练数据为(x_k，y_k)时，深度神经网络模型的训练输出为输出为l维向量，l＝2，其中：

x_k为第k个7维输入数据，y_k为对应的第k个2维输出数据；

此时误差表示为：

参数调整公式为：

式中：η为学习率；

此时隐藏层到输出层的权值调整值为：

深度神经网络模型根据以上过程不断的调整各层的权值，直到获得一个稳定的最小的误差，此时对应的各层的权值即为训练好的深度神经网络模型的模型参数。

4.根据权利要求3所述的方法，其特征在于，所述太阳能自动追日系统中控制部件包括云平台和嵌入式控制器；嵌入式控制器通过无线网络与云平台连接。