(19)国家知识产权局

(12)发明专利申请
(10)申请公布号 CN 114793086 A
(43)申请公布日 2022.07.26
(21)申请号 202210702936 .3

(22)申请日 2022 .06 .21

(71)申请人 江苏中清光伏科技有限公司
地址 221400 江苏省徐州市新沂市锡沂高
新区智能制造产业园3号厂房三楼

(72)发明人 马霖敏 王佳佳 崔恩恩

(74)专利代理机构 杭州汇和信专利代理有限公
司 33475
专利代理师 吴琰

(51)Int .Cl .
H02S 20/32 (2014 .01)
F24S 30/00 (2018 .01)
G05D 3/12 (2006 .01)
G06N 3/04 (2006 .01)
G06N 3/08 (2006 .01)
权利要求书3页 说明书14页 附图6页

(54)发明名称
双面双玻光伏板调节支架及调节方法
(57)摘要
本申请涉及光伏智能发电的领域，其具体地
公开了一种双面双玻光伏板调节支架及调节方
法， 其使用基于卷积神经网络的深度学习技术，
来从光伏阵列中各个光伏板在预定时间段内的
角度数据和发电功率数据中挖掘出所述各个光
伏板在时间维度上的动态变化特征， 并且利用了
所述角度与所述发电功率之间存在的响应关系
来进一步提高对于所述光伏板角度调整结果的
准确性， 进而以基于全局最优的角度来对所述光
伏板的角度进行调整来保障光伏发电系统的发
电效率。
CN 114793086 A
CN 114793086 A 权 利 要 求 书 1/3 页

1 .一种双面双玻光伏板调节支架，其特征在于，包括：光伏板工作数据获取模块，用于
获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据；
第一时序编码模块， 用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的
角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位姿特征向
量，并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模
式构造为位姿三维张量； 位姿全局编码模块，用于将所述位姿三维张量通过第一卷积神经
网络以得到全局位姿特征向量； 第二时序编码模块，用于将所述预定时间段内多个预定时
间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以
得到对应于各个光伏板的功率特征向量， 并将所述对应于各个光伏板的功率特征向量按照
所述光伏阵列中各个光伏板的排列模式构造为功率三维张量； 功率全局编码模块，用于将
所述功率三维张量通过第二卷积神经网络以得到全局功率特征向量； 光伏阵列全局模块，
用于基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征
向量和所述功率特征向量进行关联编码以得到分类特征矩阵； 待调节光伏板模块，用于从
所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量， 并将所述分
类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量； 以及调节
结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果， 所述分类结果用于
表示所述待调节光伏板的角度应增大或应减小。
2 .根据权利要求1所述的双面双玻光伏板调节支架，其中，所述第一时序编码模块，包
括：第一向量构造单元，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏
板的角度数据按照时间维度排列为角度输入向量； 以及第一一维卷积编码单元，用于使用
所述第一时序编码器的一维卷积层以如下公式对所述角度输入向量进行一维卷积编码； 其
中，
所述公式为：

其中， a 为卷积核在x 方向上的宽度、

F 为卷积核参数向量、G 为与卷积核函数运算的局部
向量矩阵， w 为卷积核的尺寸。
3 .根据权利要求2所述的双面双玻光伏板调节支架， 其中， 所述第二时序编码模块，包
括：第二向量构造单元，用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏
板的发电功率数据按照时间维度排列为功率输入向量； 以及第二一维卷积单元，用于使用
所述第二时序编码器的一维卷积层以如下公式对所述功率输入向量进行一维卷积编码； 其
中，
所述公式为：

其中， a 为卷积核在x 方向上的宽度、

F 为卷积核参数向量、G 为与卷积核函数运算的局部
向量矩阵， w 为卷积核的尺寸。
4 .根据权利要求3所述的双面双玻光伏板调节支架， 其中， 所述第一时序编码器和所述
第二时序编码器由交替排列的一维卷积层和全连接层组成。

2
CN 114793086 A 权 利 要 求 书 2/3 页

5 .根据权利要求4所述的双面双玻光伏板调节支架，其中，
所述第一卷积神经网络的各
层在层的正向传递中分别进行： 对输入数据进行卷积处理以得到卷积特征图； 对所述卷积
特征图进行基于局部特征矩阵的均值池化以得到池化特征图； 以及对所述池化特征图进行
非线性激活以得到激活特征图； 其中，所述第一卷积神经网络的最后一层的输出为所述全
局位姿特征向量， 所述第一卷积神经网络的第一层的输入为所述位姿三维张量。
6 .根据权利要求5所述的双面双玻光伏板调节支架，其中，
所述第二卷积神经网络的各
层在层的正向传递中分别进行： 对输入数据进行卷积处理以得到卷积特征图； 对所述卷积
特征图进行基于局部特征矩阵的均值池化以得到池化特征图； 以及对所述池化特征图进行
非线性激活以得到激活特征图； 其中，所述第二卷积神经网络的最后一层的输出为所述全
局功率特征向量， 所述第二卷积神经网络的第一层的输入为所述功率三维张量。
7 .根据权利要求6所述的双面双玻光伏板调节支架，其中，所述光伏阵列全局模块，进
一步用于： 基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移以如下公式
对所述位姿特征向量和所述功率特征向量进行关联编码以得到所述分类特征矩阵； 其中，
所述公式为：

其中 表示所述分类特征矩阵， 表示所述位姿特征向量 , 表示所述功率特征向

量， 和 均为列向量， 表示矩阵的Frobenius范数， 表示矩阵的指数运算。

8 .根据权利要求7所述的双面双玻光伏板调节支架，
其中，所述调节结果生成模块，
进
一步用于： 使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结
果，
其中，
所述公式为： ，
其中， 到 为权重矩

阵， 到 为偏置向量， 为所述分类特征向量。
9 .一种双面双玻光伏板调节支架的调节方法，其特征在于，
包括：获取预定时间段内多
个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据； 将所述预定时间段内
多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编
码器以得到对应于各个光伏板的位姿特征向量， 并将所述对应于各个光伏板的位姿特征向
量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量； 将所述位姿三维张量
通过第一卷积神经网络以得到全局位姿特征向量； 将所述预定时间段内多个预定时间点的
光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对
应于各个光伏板的功率特征向量， 并将所述对应于各个光伏板的功率特征向量按照所述光
伏阵列中各个光伏板的排列模式构造为功率三维张量； 将所述功率三维张量通过第二卷积
神经网络以得到全局功率特征向量； 基于所述位姿特征向量和所述功率特征向量的特征分
布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩
阵；从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量， 并将
所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向量； 以
及将所述分类特征向量通过分类器以得到分类结果， 所述分类结果用于表示所述待调节光

3
CN 114793086 A 权 利 要 求 书 3/3 页

伏板的角度应增大或应减小。
10 .根据权利要求9所述的双面双玻光伏板调节支架的调节方法，
其中，将所述预定时
间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一
时序编码器以得到对应于各个光伏板的位姿特征向量， 包括：
将所述预定时间段内多个预
定时间点的光伏阵列中各个光伏板的角度数据按照时间维度排列为角度输入向量； 以及使
用所述第一时序编码器的一维卷积层以如下公式对所述角度输入向量进行一维卷积编码；
其中，所述公式为：

a 为卷积核在x 方向上的宽度、
其中， F 为卷积核参数向量、
G 为与卷积核函数运算的局部
向量矩阵，w 为卷积核的尺寸。

4
CN 114793086 A 说 明 书 1/14 页

双面双玻光伏板调节支架及调节方法

技术领域
[0001] 本发明涉及光伏智能发电的领域，
且更为具体地，
涉及一种双面双玻光伏板调节
支架及调节方法。

背景技术
[0002] 随着社会的高速发展对资源的过度利用，对环境造成严重的污染， 国际社会对节
能减排日益重视， 呼吁利用绿色能源代替传统能源，减少对环境的污染，
近年来太阳能的利
用取得了重大发展， 太阳能光伏板是目前较为常见的转换太阳能的装置， 太阳能光伏板作
为一种清洁环保的绿色能源产品， 越来越多地应用于生产、生活各领域，
太阳能光伏板接入
并网光伏发电系统或独立光伏发电系统中。
[0003] 但是目前市场上的太阳能光伏板通过安装支架安装完成后便完全固定， 太阳光照
射的方向会随季节的不断变化， 如果不对太阳能光伏板的倾斜角度进行及时的调节， 则会
造成太阳能光伏板无法充分的利用太阳光照， 降低了太阳能光伏板的使用效果。
[0004] 并且，在使用时光伏板以阵列的形式进行排布以形成光伏发电阵列， 因此，在光伏
板的角度调整中不仅仅要考虑其与太阳的照射角度之间的相对位置关系， 还需要考虑其与
其他光伏发电板之间的相对位置关系， 因为各个光伏板之间也会存在遮挡等问题， 因此，期
待一种基于全局最优的角度来对光伏板的角度进行调整。

发明内容
[0005] 为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种双面双玻光
伏板调节支架及调节方法， 其使用基于卷积神经网络的深度学习技术， 来从光伏阵列中各
个光伏板在预定时间段内的角度数据和发电功率数据中挖掘出所述各个光伏板在时间维
度上的动态变化特征， 并且利用了所述角度与所述发电功率之间存在的响应关系来进一步
提高对于所述光伏板角度调整结果的准确性， 进而以基于全局最优的角度来对所述光伏板
的角度进行调整来保障光伏发电系统的发电效率。
[0006] 根据本申请的一个方面，提供了一种双面双玻光伏板调节支架， 其包括：
光伏板工
作数据获取模块， 用于获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度
数据和发电功率数据； 第一时序编码模块，用于将所述预定时间段内多个预定时间点的光
伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各
个光伏板的位姿特征向量， 并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列
中各个光伏板的排列模式构造为位姿三维张量； 位姿全局编码模块，用于将所述位姿三维
张量通过第一卷积神经网络以得到全局位姿特征向量； 第二时序编码模块，用于将所述预
定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积
层的第二时序编码器以得到对应于各个光伏板的功率特征向量， 并将所述对应于各个光伏
板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量； 功率
全局编码模块，用于将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向

5
CN 114793086 A 说 明 书 2/14 页

量； 光伏阵列全局模块，用于基于所述位姿特征向量和所述功率特征向量的特征分布的位
置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵； 待调
节光伏板模块， 用于从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿
特征向量， 并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分
类特征向量； 以及调节结果生成模块，用于将所述分类特征向量通过分类器以得到分类结
果， 所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。
[0007] 在上述双面双玻光伏板调节支架中，所述第一时序编码模块，包括：
第一向量构造
单元， 用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据按照
时间维度排列为角度输入向量； 以及，第一一维卷积编码单元，
用于使用所述第一时序编码
器的一维卷积层以如下公式对所述角度输入向量进行一维卷积编码；
其中，所述公式为：

其中，a 为卷积核在x 方向上的宽度、F 为卷积核参数向量、

G 为与卷积核函数运算的
局部向量矩阵， w 为卷积核的尺寸。
[0008] 在上述双面双玻光伏板调节支架中， 所述第二时序编码模块， 包括：第二向量构造
单元， 用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据
按照时间维度排列为功率输入向量； 以及，第二一维卷积单元， 用于使用所述第二时序编码
器的一维卷积层以如下公式对所述功率输入向量进行一维卷积编码； 其中，所述公式为：

a 为卷积核在x 方向上的宽度、
其中， F 为卷积核参数向量、G 为与卷积核函数运算的
局部向量矩阵， w 为卷积核的尺寸。
[0009] 在上述双面双玻光伏板调节支架中， 所述第一时序编码器和所述第二时序编码器
由交替排列的一维卷积层和全连接层组成。
[0010] 在上述双面双玻光伏板调节支架中， 所述第一卷积神经网络的各层在层的正向传
递中分别进行： 对输入数据进行卷积处理以得到卷积特征图； 对所述卷积特征图进行基于
局部特征矩阵的均值池化以得到池化特征图； 以及，对所述池化特征图进行非线性激活以
得到激活特征图； 其中，
所述第一卷积神经网络的最后一层的输出为所述全局位姿特征向
量， 所述第一卷积神经网络的第一层的输入为所述位姿三维张量。
[0011] 在上述双面双玻光伏板调节支架中， 所述第二卷积神经网络的各层在层的正向传
递中分别进行： 对输入数据进行卷积处理以得到卷积特征图； 对所述卷积特征图进行基于
局部特征矩阵的均值池化以得到池化特征图； 以及，对所述池化特征图进行非线性激活以
得到激活特征图； 其中，
所述第二卷积神经网络的最后一层的输出为所述全局功率特征向
量， 所述第二卷积神经网络的第一层的输入为所述功率三维张量。
[0012] 在上述双面双玻光伏板调节支架中， 所述光伏阵列全局模块， 进一步用于：基于所
述位姿特征向量和所述功率特征向量的特征分布的位置偏移以如下公式对所述位姿特征

6
CN 114793086 A 说 明 书 3/14 页

向量和所述功率特征向量进行关联编码以得到所述分类特征矩阵；
其中，
所述公式为：

其中 表示所述分类特征矩阵 ， 表示所述位姿特征向量 , 表示所述功率

特征向量， 和 均为列向量， 表示矩阵的Frobenius范数， 表示矩阵的指数

运算。
[0013]
在上述双面双玻光伏板调节支架中，
所述调节结果生成模块，进一步用于：使用所
述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，
所述公式
为： ，
其中， 到 为权重矩阵， 到 为偏置

向量， 为所述分类特征向量。
[0014] 根据本申请的另一方面，一种双面双玻光伏板调节支架的调节方法，其包括：
获取
预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据； 将所
述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积
层的第一时序编码器以得到对应于各个光伏板的位姿特征向量， 并将所述对应于各个光伏
板的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量； 将所
述位姿三维张量通过第一卷积神经网络以得到全局位姿特征向量； 将所述预定时间段内多
个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序
编码器以得到对应于各个光伏板的功率特征向量， 并将所述对应于各个光伏板的功率特征
向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量； 将所述功率三维张
量通过第二卷积神经网络以得到全局功率特征向量； 基于所述位姿特征向量和所述功率特
征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以
得到分类特征矩阵； 从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿
特征向量， 并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分
类特征向量； 以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表
示所述待调节光伏板的角度应增大或应减小。
[0015] 与现有技术相比 ，
本申请提供的双面双玻光伏板调节支架及调节方法，其使用基
于卷积神经网络的深度学习技术， 来从光伏阵列中各个光伏板在预定时间段内的角度数据
和发电功率数据中挖掘出所述各个光伏板在时间维度上的动态变化特征， 并且利用了所述
角度与所述发电功率之间存在的响应关系来进一步提高对于所述光伏板角度调整结果的
准确性， 进而以基于全局最优的角度来对所述光伏板的角度进行调整来保障光伏发电系统
的发电效率。

附图说明
[0016] 通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、
特征和优势将变得更加明显。 附图用来提供对本申请实施例的进一步理解，并且构成说明
书的一部分， 与本申请实施例一起用于解释本申请，
并不构成对本申请的限制。在附图中，

7
CN 114793086 A 说 明 书 4/14 页

相同的参考标号通常代表相同部件或步骤。
[0017] 图1为根据本申请实施例的双面双玻光伏板调节支架的应用场景图。
[0018] 图2为根据本申请实施例的双面双玻光伏板调节支架的框图。
[0019] 图3为根据本申请实施例的双面双玻光伏板调节支架中第一时序编码模块的框
图。
[0020] 图4为根据本申请实施例的双面双玻光伏板调节支架中第二时序编码模块的框
图。
[0021] 图5为根据本申请实施例的双面双玻光伏板调节支架的调节方法的流程图。
[0022] 图6为根据本申请实施例的双面双玻光伏板调节支架的调节方法的架构示意图。

具体实施方式
[0023] 下面，将参考附图详细地描述根据本申请的示例实施例。显然， 所描述的实施例仅
仅是本申请的一部分实施例， 而不是本申请的全部实施例， 应理解，本申请不受这里描述的
示例实施例的限制。
[0024] 场景概述
如前所述，随着社会的高速发展对资源的过度利用， 对环境造成严重的污染， 国际
社会对节能减排日益重视， 呼吁利用绿色能源代替传统能源， 减少对环境的污染， 近年来太
阳能的利用取得了重大发展， 太阳能光伏板是目前较为常见的转换太阳能的装置， 太阳能
光伏板作为一种清洁环保的绿色能源产品， 越来越多地应用于生产、 生活各领域，太阳能光
伏板接入并网光伏发电系统或独立光伏发电系统中。
[0025] 但是目前市场上的太阳能光伏板通过安装支架安装完成后便完全固定， 太阳光照
射的方向会随季节的不断变化， 如果不对太阳能光伏板的倾斜角度进行及时的调节， 则会
造成太阳能光伏板无法充分的利用太阳光照， 降低了太阳能光伏板的使用效果。
[0026] 并且，在使用时光伏板以阵列的形式进行排布以形成光伏发电阵列， 因此，在光伏
板的角度调整中不仅仅要考虑其与太阳的照射角度之间的相对位置关系， 还需要考虑其与
其他光伏发电板之间的相对位置关系， 因为各个光伏板之间也会存在遮挡等问题， 因此，期
待一种基于全局最优的角度来对光伏板的角度进行调整。
[0027] 深度学习以及神经网络已经广泛应用于计算机视觉、 自然语言处理、文本信号处
理等领域。此外， 深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领
域， 也展现出了接近甚至超越人类的水平。
[0028] 深度学习以及神经网络的发展， 为光伏板角度的调整提供了新的解决思路和方
案。
[0029] 基于此，本申请的申请人使用基于卷积神经网络的深度学习技术， 来从光伏阵列
中各个光伏板在预定时间段内的角度数据和发电功率数据中挖掘出所述各个光伏板在时
间维度上的动态变化特征， 并且利用了分类器来对所述待调节光伏板的角度调整结果进行
回归分类， 以基于全局最优的角度来对光伏板的角度进行调整。
[0030] 也就是，具体地，在本申请的技术方案中，首先，通过角度测量仪和光伏功率测试
仪获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数
据。应可以理解， 由于光伏阵列中的各个光伏板的角度变化和发电功率变化在一天当中都

8
CN 114793086 A 说 明 书 5/14 页

会存在动态的规律性， 因此，为了提取出这种规律性，进一步将所述预定时间段内多个预定
时间点的光伏阵列中各个光伏板的角度数据通过第一时序编码器以得到对应于各个光伏
板的位姿特征向量。在一个具体示例中， 所述第一时序编码器由交替排列的一维卷积层和
全连接层组成， 其通过一维卷积编码提取出所述各个光伏板的角度数据在时序维度上的关
联性特征， 并通过全连接编码提取出所述各个光伏板的角度数据的高维隐含特征信息。
[0031] 然后，将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板
的排列模式构造为位姿三维张量， 以整合各个光伏板的角度关联特征信息，进一步再将所
述位姿三维张量通过第一卷积神经网络中进行处理， 以更深层次的挖掘出所述各个光伏板
的角度数据的隐含动态变化特征， 从而得到全局位姿特征向量。
[0032] 同样地，对于所述预定时间段内的多个预定时间点的光伏阵列中各个光伏板的发
电功率数据， 也将其通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功
率特征向量， 这里，所述第二时序编码器也由交替排列的一维卷积层和全连接层组成，以提
取出所述各个光伏板的发电功率数据在时序维度上的关联特征以及各个光伏板的发电功
率的高维隐含特征。然后， 将所述对应于各个光伏板的功率特征向量按照所述光伏阵列中
各个光伏板的排列模式构造为功率三维张量后通过第二卷积神经网络以得到全局功率特
征向量， 以更深层次的挖掘出所述各个光伏板的发电功率数据的隐含动态变化特征。
[0033] 应可以理解，
由于位姿特征向量 用于表达发电板的角度拓扑关联特征，
功率特

征向量 用于表达发电板的发电功率拓扑关联特征，
且发电功率与角度之间存在响应性，

因此计算位姿特征向量 到功率特征向量 的转移矩阵 ，

以 得到全局矩阵 ，即

。但是，
考虑到角度拓扑关联特征和发电功率拓扑关联特征在高维空间内

的特征表达不一定能完全对齐，
因此基于特征分布的位置偏移对全局矩阵 进行修正，
即：

表示矩阵的Frobenius范数，
位姿特征向量 和功率特征向量 均为列向

量， 表示矩阵的指数运算，
矩阵除法表示以分子矩阵中各个位置的特征值分别除以
分母，
对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。
[0034] 也就是，
通过位姿特征向量 和功率特征向量 的按位置关联特征表达，
进一

步以关联矩阵的Frobenius范数来进行低秩约束，
保持了位姿特征向量 和功率特征向量

之间的关联特征在高维特征空间内的尺度迁移确定性，
由此，
全局矩阵 作为转移响

应，
也可以与位姿特征向量 和功率特征向量 在一定程度上保持分类概率的一致性，
即保留了分类概率下的概率分布的一致性，
进而也就提高了对于光伏板角度调节的分类结
果的准确性。

9
CN 114793086 A 说 明 书 6/14 页

[0035] 基于此， 本申请提出了一种双面双玻光伏板调节支架， 其包括：光伏板工作数据获

取模块， 用于获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发
电功率数据； 第一时序编码模块，用于将所述预定时间段内多个预定时间点的光伏阵列中
各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板
的位姿特征向量， 并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光
伏板的排列模式构造为位姿三维张量； 位姿全局编码模块，用于将所述位姿三维张量通过
第一卷积神经网络以得到全局位姿特征向量； 第二时序编码模块，用于将所述预定时间段
内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二
时序编码器以得到对应于各个光伏板的功率特征向量， 并将所述对应于各个光伏板的功率
特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量； 功率全局编码
模块，用于将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向量； 光伏阵
列全局模块， 用于基于所述位姿特征向量和所述功率特征向量的特征分布的位置偏移对所
述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵； 待调节光伏板模
块，用于从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量，
并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征向
量； 以及， 调节结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果， 所述
分类结果用于表示所述待调节光伏板的角度应增大或应减小。
[0036] 图1图示了根据本申请实施例的双面双玻光伏板调节支架的应用场景图。 如图1所
示， 在该应用场景中， 首先，
通过部署于光伏系统中的角度测量仪（例如， 如图1中所示意的
T1）和光伏功率测试仪（例如， 如图1中所示意的T2）获取预定时间段内多个预定时间点的光
伏阵列（例如， 如图1中所示意的P）中各个光伏板（例如， 如图1中所示意的P1‑Pn）的角度数
据和发电功率数据。然后， 将获得的所述各个光伏板的角度数据和发电功率数据输入至部
署有双面双玻光伏板调节支架算法的服务器中（例如， 如图1中所示意的云服务器S）， 其中，
所述服务器能够以双面双玻光伏板调节支架算法对所述各个光伏板的角度数据和发电功
率数据进行处理， 以生成用于表示所述待调节光伏板的角度应增大或应减小的分类结果。
[0037] 在介绍了本申请的基本原理之后， 下面将参考附图来具体介绍本申请的各种非限
制性实施例。
[0038] 示例性系统
图2图示了根据本申请实施例的双面双玻光伏板调节支架的框图。如图2所示， 根
据本申请实施例的双面双玻光伏板调节支架 200， 包括：
光伏板工作数据获取模块 210， 用
于获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数
据； 第一时序编码模块 220，用于将所述预定时间段内多个预定时间点的光伏阵列中各个
光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于各个光伏板的位
姿特征向量， 并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板
的排列模式构造为位姿三维张量； 位姿全局编码模块 230，用于将所述位姿三维张量通过
第一卷积神经网络以得到全局位姿特征向量； 第二时序编码模块 240，用于将所述预定时
间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的
第二时序编码器以得到对应于各个光伏板的功率特征向量， 并将所述对应于各个光伏板的
功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量； 功率全局

10
CN 114793086 A 说 明 书 7/14 页

编码模块 250，用于将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向
量； 光伏阵列全局模块 260，用于基于所述位姿特征向量和所述功率特征向量的特征分布
的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩阵；
待调节光伏板模块 270， 用于从所述对应于各个光伏板的位姿特征向量中提取待调节光伏
板的位姿特征向量， 并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘
以得到分类特征向量； 以及， 调节结果生成模块 280，用于将所述分类特征向量通过分类器
以得到分类结果， 所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。
[0039] 具体地，在本申请实施例中， 所述光伏板工作数据获取模块 210、 所述第一时序编
码模块 220和所述位姿全局编码模块 230， 用于获取预定时间段内多个预定时间点的光伏
阵列中各个光伏板的角度数据和发电功率数据， 并将所述预定时间段内多个预定时间点的
光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得到对应于
各个光伏板的位姿特征向量， 并将所述对应于各个光伏板的位姿特征向量按照所述光伏阵
列中各个光伏板的排列模式构造为位姿三维张量， 再将所述位姿三维张量通过第一卷积神
经网络以得到全局位姿特征向量。如前所述， 应可以理解，由于在使用时光伏板以阵列的形
式进行排布以形成光伏发电阵列， 所述各个光伏板之间会存在遮挡等问题， 因此，在光伏板
的角度调整中不仅仅要考虑其与太阳的照射角度之间的相对位置关系， 还需要考虑其与其
他光伏发电板之间的相对位置关系。 因此， 在本申请的技术方案中，使用基于卷积神经网络
的深度学习技术， 来从光伏阵列中各个光伏板在预定时间段内的角度数据和发电功率数据
中挖掘出所述各个光伏板在时间维度上的动态变化特征， 并且利用了分类器来对所述待调
节光伏板的角度调整结果进行回归分类， 以基于全局最优的角度来对光伏板的角度进行调
整。
[0040] 也就是，具体地， 在本申请的技术方案中， 首先，通过部署于光伏系统中的角度测
量仪和光伏功率测试仪获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角
度数据和发电功率数据。应可以理解， 由于所述光伏阵列中的各个光伏板的角度变化和发
电功率变化在一天当中都会存在动态的规律性， 因此，为了提取出这种规律性，进一步将所
述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过第一时序编码
器以得到对应于各个光伏板的位姿特征向量。在一个具体示例中， 所述第一时序编码器由
交替排列的一维卷积层和全连接层组成， 其通过一维卷积编码提取出所述各个光伏板的角
度数据在时序维度上的关联性特征， 并通过全连接编码提取出所述各个光伏板的角度数据
的高维隐含特征信息。
[0041] 然后，将对应于所述各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板
的排列模式构造为位姿三维张量， 以整合所述各个光伏板的角度关联特征信息， 进一步再
将所述位姿三维张量通过第一卷积神经网络中进行处理， 以更深层次的挖掘出所述各个光
伏板的角度数据的隐含动态变化特征， 从而得到全局位姿特征向量。
[0042] 相应地，在一个具体示例中， 所述第一卷积神经网络的各层在层的正向传递中分
别进行： 对输入数据进行卷积处理以得到卷积特征图； 对所述卷积特征图进行基于局部特
征矩阵的均值池化以得到池化特征图； 以及， 对所述池化特征图进行非线性激活以得到激
活特征图； 其中，所述第一卷积神经网络的最后一层的输出为所述全局位姿特征向量， 所述
第一卷积神经网络的第一层的输入为所述位姿三维张量。

11
CN 114793086 A 说 明 书 8/14 页

更具体地，
[0043] 在本申请实施例中，
所述第一时序编码模块，
包括：首先，
将所述预定时
间段内多个预定时间点的光伏阵列中各个光伏板的角度数据按照时间维度排列为角度输
入向量。然后，
使用所述第一时序编码器的一维卷积层以如下公式对所述角度输入向量进
行一维卷积编码；
其中，所述公式为：

其中，a 为卷积核在x 方向上的宽度、

F 为卷积核参数向量、
G 为与卷积核函数运算的
局部向量矩阵， w 为卷积核的尺寸。
[0044] 图3图示了根据本申请实施例的双面双玻光伏板调节支架中第一时序编码模块的
框图。如图3所示， 所述第一时序编码模块 220，包括：
第一向量构造单元 221，用于将所述
预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据按照时间维度排列为
角度输入向量； 以及， 第一一维卷积编码单元 222，用于使用所述第一时序编码器的一维卷
积层以如下公式对所述角度输入向量进行一维卷积编码；
其中，所述公式为：

其中，a 为卷积核在x 方向上的宽度、F 为卷积核参数向量、G 为与卷积核函数运算的

局部向量矩阵， w 为卷积核的尺寸。
[0045] 具体地， 在本申请实施例中， 所述第二时序编码模块 240和所述功率全局编码模
块 250， 用于将所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数
据通过包含一维卷积层的第二时序编码器以得到对应于各个光伏板的功率特征向量， 并将
所述对应于各个光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造
为功率三维张量， 并将所述功率三维张量通过第二卷积神经网络以得到全局功率特征向
量。应可以理解， 同样地，对于所述预定时间段内的多个预定时间点的光伏阵列中各个光伏
板的发电功率数据， 也将其通过包含一维卷积层的第二时序编码器以得到对应于各个光伏
板的功率特征向量， 这里，所述第二时序编码器也由交替排列的一维卷积层和全连接层组
成， 以提取出所述各个光伏板的发电功率数据在时序维度上的关联特征以及所述各个光伏
板的发电功率的高维隐含特征。然后， 将所述对应于各个光伏板的功率特征向量按照所述
光伏阵列中各个光伏板的排列模式构造为功率三维张量后通过第二卷积神经网络以得到
全局功率特征向量， 以更深层次的挖掘出所述各个光伏板的发电功率数据的隐含动态变化
特征。
[0046] 相应地， 在一个具体示例中， 所述第二卷积神经网络的各层在层的正向传递中分
别进行： 对输入数据进行卷积处理以得到卷积特征图； 对所述卷积特征图进行基于局部特
征矩阵的均值池化以得到池化特征图； 以及，对所述池化特征图进行非线性激活以得到激
活特征图； 其中， 所述第二卷积神经网络的最后一层的输出为所述全局功率特征向量， 所述
第二卷积神经网络的第一层的输入为所述功率三维张量。

12
CN 114793086 A 说 明 书 9/14 页

更具体地，
[0047] 在本申请实施例中，
所述第二时序编码模块，
包括：首先，
将所述预定时
间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据按照时间维度排列为功
率输入向量。然后，
使用所述第二时序编码器的一维卷积层以如下公式对所述功率输入向
量进行一维卷积编码；其中，
所述公式为：

其中，a 为卷积核在x 方向上的宽度、F 为卷积核参数向量、G 为与卷积核函数运算的

局部向量矩阵， w 为卷积核的尺寸。
[0048] 图4图示了根据本申请实施例的双面双玻光伏板调节支架中第一时序编码模块的
框图。如图4所示， 所述第二时序编码模块 240， 包括：
第二向量构造单元241，用于将所述预
定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据按照时间维度排列
为功率输入向量； 以及，第二一维卷积单元242，用于使用所述第二时序编码器的一维卷积
层以如下公式对所述功率输入向量进行一维卷积编码； 其中，
所述公式为：

其中，a 为卷积核在x 方向上的宽度、

F 为卷积核参数向量、
G 为与卷积核函数运算的
局部向量矩阵， w 为卷积核的尺寸。
[0049] 具体地， 在本申请实施例中， 所述光伏阵列全局模块 260，用于基于所述位姿特
征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征
向量进行关联编码以得到分类特征矩阵。应可以理解，
由于所述位姿特征向量 用于表达

发电板的角度拓扑关联特征，
所述功率特征向量 用于表达所述发电板的发电功率拓扑
关联特征，
且所述发电功率与所述角度之间存在响应性。因此，
在本申请的技术方案中，
进
一步计算所述位姿特征向量 到所述功率特征向量 的转移矩阵，
以得到全局矩阵 ，

即 。但是，
考虑到所述角度拓扑关联特征和所述发电功率拓扑关联特征在

高维空间内的特征表达不一定能完全对齐，
因此基于特征分布的位置偏移对全局矩阵
进行修正。
[0050] 更具体地，
在本申请实施例中，
所述光伏阵列全局模块，
进一步用于：
基于所述位
姿特征向量和所述功率特征向量的特征分布的位置偏移以如下公式对所述位姿特征向量
和所述功率特征向量进行关联编码以得到所述分类特征矩阵；
其中，
所述公式为：

其中 表示所述分类特征矩阵 ， 表示所述位姿特征向量 , 表示所述功率

特征向量， 和 均为列向量， 表示矩阵的Frobenius范数， 表示矩阵的指数

13
CN 114793086 A 说 明 书 10/14 页

运算，矩阵除法表示以分子矩阵中各个位置的特征值分别除以分母，
对矩阵进行指数运算
表示以矩阵中各个位置的特征值为幂的自然指数函数值。应可以理解，通过所述位姿特征
向量 和所 述 功率特 征向 量 的 按位 置关 联 特 征 表达 ，进一 步以 所 述关 联 矩阵 的

Frobenius范数来进行低秩约束，
保持了所述位姿特征向量 和所述功率特征向量 之

间的关联特征在高维特征空间内的尺度迁移确定性，
由此，
所述全局矩阵 作为转移响

应，
也可以与所述位姿特征向量 和所述功率特征向量 在一定程度上保持分类概率的
一致性， 即保留了分类概率下的概率分布的一致性， 进而也就提高了对于光伏板角度调节
的分类结果的准确性。
[0051] 具体地，
在本申请实施例中， 所述待调节光伏板模块 270和所述调节结果生成模
块 280， 用于从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向
量， 并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类特征
向量， 并将所述分类特征向量通过分类器以得到分类结果， 所述分类结果用于表示所述待
调节光伏板的角度应增大或应减小。也就是， 在本申请的技术方案中， 在得到所述分类特征
矩阵后， 进一步从所述对应于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征
向量， 并将其与所述分类特征矩阵进行矩阵相乘以将所述待调节的光伏板的位姿特征向量
映射到所述分类特征矩阵的高维特征空间中， 从而得到分类特征向量。然后， 将所述分类特
征向量通过分类器以获得用于表示所述待调节光伏板的角度应增大或应减小的分类结果。
[0052] 更具体地， 在本申请实施例中，所述调节结果生成模块， 进一步用于： 使用所述分
类器以如下公式对所述分类特征向量进行处理以获得所述分类结果， 其中，
所述公式为：
，
其中 ， 到 为权重矩阵 ， 到 为偏置向

量， 为所述分类特征向量。
[0053] 综上，基于本申请实施例的所述双面双玻光伏板调节支架 200被阐明，其使用基
于卷积神经网络的深度学习技术， 来从光伏阵列中各个光伏板在预定时间段内的角度数据
和发电功率数据中挖掘出所述各个光伏板在时间维度上的动态变化特征， 并且利用了所述
角度与所述发电功率之间存在的响应关系来进一步提高对于所述光伏板角度调整结果的
准确性， 进而以基于全局最优的角度来对所述光伏板的角度进行调整来保障光伏发电系统
的发电效率。
[0054] 如上所述， 根据本申请实施例的双面双玻光伏板调节支架 200可以实现在各种终
端设备中， 例如双面双玻光伏板调节支架算法的服务器等。在一个示例中， 根据本申请实施
例的双面双玻光伏板调节支架 200可以作为一个软件模块和/或硬件模块而集成到终端设
备中。例如， 该双面双玻光伏板调节支架 200可以是该终端设备的操作系统中的一个软件
模块， 或者可以是针对于该终端设备所开发的一个应用程序； 当然，该双面双玻光伏板调节
支架 200同样可以是该终端设备的众多硬件模块之一。
[0055] 替换地， 在另一示例中，该双面双玻光伏板调节支架 200与该终端设备也可以是
分立的设备， 并且该双面双玻光伏板调节支架 200可以通过有线和/或无线网络连接到该
终端设备， 并且按照约定的数据格式来传输交互信息。
[0056] 示例性方法

14
CN 114793086 A 说 明 书 11/14 页

图5图示了双面双玻光伏板调节支架的调节方法的流程图。如图5所示， 根据本申
请实施例的双面双玻光伏板调节支架的调节方法， 包括步骤： S110，获取预定时间段内多个
预定时间点的光伏阵列中各个光伏板的角度数据和发电功率数据； S120，将所述预定时间
段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时
序编码器以得到对应于各个光伏板的位姿特征向量， 并将所述对应于各个光伏板的位姿特
征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量； S130，
将所述位
姿三维张量通过第一卷积神经网络以得到全局位姿特征向量； S140，将所述预定时间段内
多个预定时间点的光伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时
序编码器以得到对应于各个光伏板的功率特征向量， 并将所述对应于各个光伏板的功率特
征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量； S150，
将所述功
率三维张量通过第二卷积神经网络以得到全局功率特征向量； S160，基于所述位姿特征向
量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特征向量
进行关联编码以得到分类特征矩阵； S170，从所述对应于各个光伏板的位姿特征向量中提
取待调节光伏板的位姿特征向量， 并将所述分类特征矩阵与所述待调节光伏板的位姿特征
向量进行相乘以得到分类特征向量； 以及， S180，
将所述分类特征向量通过分类器以得到分
类结果， 所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。
[0057] 图6图示了根据本申请实施例的双面双玻光伏板调节支架的调节方法的架构示意
图。如图6所示， 在所述双面双玻光伏板调节支架的调节方法的网络架构中， 首先， 将获得的
所述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据（例如， 如图6中所
示意的P1）通过包含一维卷积层的第一时序编码器（例如， 如图6中所示意的E1）以得到对应
于各个光伏板的位姿特征向量（例如， 如图6中所示意的VF1）， 并将所述对应于各个光伏板
的位姿特征向量按照所述光伏阵列中各个光伏板的排列模式构造为位姿三维张量（例如，
如图6中所示意的T1）； 接着，将所述位姿三维张量通过第一卷积神经网络（例如， 如图6中所
示意的CNN1）以得到全局位姿特征向量（例如， 如图6中所示意的VF2）； 然后， 将获得的所述
预定时间段内多个预定时间点的光伏阵列中各个光伏板的发电功率数据（例如， 如图6中所
示意的P2）通过包含一维卷积层的第二时序编码器（例如， 如图6中所示意的E2）以得到对应
于各个光伏板的功率特征向量（例如， 如图6中所示意的VF3）， 并将所述对应于各个光伏板
的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量（例如，
如图6中所示意的T2）； 接着，将所述功率三维张量通过第二卷积神经网络（例如， 如图6中所
示意的CNN2）以得到全局功率特征向量（例如， 如图6中所示意的VF4）； 然后， 基于所述位姿
特征向量和所述功率特征向量的特征分布的位置偏移对所述位姿特征向量和所述功率特
征向量进行关联编码以得到分类特征矩阵（例如， 如图6中所示意的MF）； 接着， 从所述对应
于各个光伏板的位姿特征向量中提取待调节光伏板的位姿特征向量（例如， 如图6中所示意
的VF）， 并将所述分类特征矩阵与所述待调节光伏板的位姿特征向量进行相乘以得到分类
特征向量（例如， 如图6中所示意的VC）； 以及， 最后， 将所述分类特征向量通过分类器（例如，
如图6中所示意的圈S）以得到分类结果， 所述分类结果用于表示所述待调节光伏板的角度
应增大或应减小。
[0058] 更具体地，在步骤S110、
步骤S120和步骤S130中， 获取预定时间段内多个预定时间
点的光伏阵列中各个光伏板的角度数据和发电功率数据， 并将所述预定时间段内多个预定

15
CN 114793086 A 说 明 书 12/14 页

时间点的光伏阵列中各个光伏板的角度数据通过包含一维卷积层的第一时序编码器以得
到对应于各个光伏板的位姿特征向量， 并将所述对应于各个光伏板的位姿特征向量按照所
述光伏阵列中各个光伏板的排列模式构造为位姿三维张量， 再将所述位姿三维张量通过第
一卷积神经网络以得到全局位姿特征向量。应可以理解， 由于在使用时光伏板以阵列的形
式进行排布以形成光伏发电阵列， 所述各个光伏板之间会存在遮挡等问题， 因此，
在光伏板
的角度调整中不仅仅要考虑其与太阳的照射角度之间的相对位置关系， 还需要考虑其与其
他光伏发电板之间的相对位置关系。 因此， 在本申请的技术方案中， 使用基于卷积神经网络
的深度学习技术， 来从光伏阵列中各个光伏板在预定时间段内的角度数据和发电功率数据
中挖掘出所述各个光伏板在时间维度上的动态变化特征， 并且利用了分类器来对所述待调
节光伏板的角度调整结果进行回归分类， 以基于全局最优的角度来对光伏板的角度进行调
整。
[0059] 也就是，具体地，在本申请的技术方案中， 首先，通过部署于光伏系统中的角度测
量仪和光伏功率测试仪获取预定时间段内多个预定时间点的光伏阵列中各个光伏板的角
度数据和发电功率数据。应可以理解， 由于所述光伏阵列中的各个光伏板的角度变化和发
电功率变化在一天当中都会存在动态的规律性， 因此， 为了提取出这种规律性，进一步将所
述预定时间段内多个预定时间点的光伏阵列中各个光伏板的角度数据通过第一时序编码
器以得到对应于各个光伏板的位姿特征向量。在一个具体示例中， 所述第一时序编码器由
交替排列的一维卷积层和全连接层组成， 其通过一维卷积编码提取出所述各个光伏板的角
度数据在时序维度上的关联性特征， 并通过全连接编码提取出所述各个光伏板的角度数据
的高维隐含特征信息。
[0060] 然后，
将对应于所述各个光伏板的位姿特征向量按照所述光伏阵列中各个光伏板
的排列模式构造为位姿三维张量， 以整合所述各个光伏板的角度关联特征信息， 进一步再
将所述位姿三维张量通过第一卷积神经网络中进行处理， 以更深层次的挖掘出所述各个光
伏板的角度数据的隐含动态变化特征， 从而得到全局位姿特征向量。
[0061] 更具体地，在步骤S140和步骤S150中，
将所述预定时间段内多个预定时间点的光
伏阵列中各个光伏板的发电功率数据通过包含一维卷积层的第二时序编码器以得到对应
于各个光伏板的功率特征向量， 并将所述对应于各个光伏板的功率特征向量按照所述光伏
阵列中各个光伏板的排列模式构造为功率三维张量， 并将所述功率三维张量通过第二卷积
神经网络以得到全局功率特征向量。应可以理解， 同样地， 对于所述预定时间段内的多个预
定时间点的光伏阵列中各个光伏板的发电功率数据， 也将其通过包含一维卷积层的第二时
序编码器以得到对应于各个光伏板的功率特征向量， 这里， 所述第二时序编码器也由交替
排列的一维卷积层和全连接层组成， 以提取出所述各个光伏板的发电功率数据在时序维度
上的关联特征以及所述各个光伏板的发电功率的高维隐含特征。然后， 将所述对应于各个
光伏板的功率特征向量按照所述光伏阵列中各个光伏板的排列模式构造为功率三维张量
后通过第二卷积神经网络以得到全局功率特征向量， 以更深层次的挖掘出所述各个光伏板
的发电功率数据的隐含动态变化特征。
[0062] 更具体地，在步骤S160中，基于所述位姿特征向量和所述功率特征向量的特征分
布的位置偏移对所述位姿特征向量和所述功率特征向量进行关联编码以得到分类特征矩
阵。应可以理解，
由于所述位姿特征向量 用于表达发电板的角度拓扑关联特征，
所述功

16
CN 114793086 A 说 明 书 13/14 页

率特征向量 用于表达所述发电板的发电功率拓扑关联特征，
且所述发电功率与所述角

度之间存在响应性。因此， 进一步计算所述位姿特征向量
在本申请的技术方案中， 到所

述功率特征向量 的转移矩阵，
以得到全局矩阵 ，
即 。但是，
考虑到所
述角度拓扑关联特征和所述发电功率拓扑关联特征在高维空间内的特征表达不一定能完
全对齐，
因此基于特征分布的位置偏移对全局矩阵 进行修正。
[0063] 更具体地， 在步骤S170和步骤S180中，从所述对应于各个光伏板的位姿特征向量
中提取待调节光伏板的位姿特征向量， 并将所述分类特征矩阵与所述待调节光伏板的位姿
特征向量进行相乘以得到分类特征向量， 并将所述分类特征向量通过分类器以得到分类结
果， 所述分类结果用于表示所述待调节光伏板的角度应增大或应减小。也就是， 在本申请的
技术方案中， 在得到所述分类特征矩阵后， 进一步从所述对应于各个光伏板的位姿特征向
量中提取待调节光伏板的位姿特征向量， 并将其与所述分类特征矩阵进行矩阵相乘以将所
述待调节的光伏板的位姿特征向量映射到所述分类特征矩阵的高维特征空间中， 从而得到
分类特征向量。然后， 将所述分类特征向量通过分类器以获得用于表示所述待调节光伏板
的角度应增大或应减小的分类结果。
[0064] 综上，基于本申请实施例的所述双面双玻光伏板调节支架的调节方法被阐明， 其
使用基于卷积神经网络的深度学习技术， 来从光伏阵列中各个光伏板在预定时间段内的角
度数据和发电功率数据中挖掘出所述各个光伏板在时间维度上的动态变化特征， 并且利用
了所述角度与所述发电功率之间存在的响应关系来进一步提高对于所述光伏板角度调整
结果的准确性， 进而以基于全局最优的角度来对所述光伏板的角度进行调整来保障光伏发
电系统的发电效率。
[0065] 以上结合具体实施例描述了本申请的基本原理， 但是，需要指出的是， 在本申请中
提及的优点、 优势、效果等仅是示例而非限制， 不能认为这些优点、 优势、效果等是本申请的
各个实施例必须具备的。另外， 上述公开的具体细节仅是为了示例的作用和便于理解的作
用， 而非限制， 上述细节并不限制本申请为必须采用上述具体的细节来实现。
[0066] 本申请中涉及的器件、 装置、
设备、系统的方框图仅作为例示性的例子并且不意图
要求或暗示必须按照方框图示出的方式进行连接、 布置、
配置。如本领域技术人员将认识到
的， 可以按任意方式连接、布置、配置这些器件、装置、 设备、系统。诸如“包括”、
“包含”、
“具
有”等等的词语是开放性词汇， 指“包括但不限于”， 且可与其互换使用。这里所使用的词汇
“或”和“和”指词汇“和/或”， 且可与其互换使用， 除非上下文明确指示不是如此。这里所使
用的词汇“诸如”指词组“诸如但不限于”， 且可与其互换使用。
[0067] 还需要指出的是， 在本申请的装置、设备和方法中 ， 各部件或各步骤是可以分解
和/或重新组合的。 这些分解和/或重新组合应视为本申请的等效方案。
[0068] 提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本
申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的， 并且在此定义
的一般原理可以应用于其他方面而不脱离本申请的范围。因此， 本申请不意图被限制到在
此示出的方面， 而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0069] 为了例示和描述的目的已经给出了以上描述。 此外，此描述不意图将本申请的实

17
CN 114793086 A 说 明 书 14/14 页

施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，
但是本领域技
术人员将认识到其某些变型、修改、
改变、添加和子组合。

18
CN 114793086 A 说 明 书 附 图 1/6 页

图1

19
CN 114793086 A 说 明 书 附 图 2/6 页

图2

20
CN 114793086 A 说 明 书 附 图 3/6 页

图3

21
CN 114793086 A 说 明 书 附 图 4/6 页

图4

22
CN 114793086 A 说 明 书 附 图 5/6 页

图5

23
CN 114793086 A 说 明 书 附 图 6/6 页

图6

24