具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

如图1和图2所示，一种光伏支架网格化容错纠偏方法，包括以下步骤：

S1：配置支架场景属性并对支架场景属性进行数值表述；

在实际应用中，所述配置支架场景属性包括：确定影响因子，所述影响因子包括微观选址条件、光资源条件、环境因子、支架安装方式和高度、间距要求、组件特性、逆变器性质以及系统效率和发电量要求。

在实际应用中，由光资源条件、环境因子、微观选址条件共同决定倾角设计，由组件特性、逆变器性质以及环境因子共同决定组件串级设计数量，由微观选址条件、组件串级设计以及倾角等共同决定阵列布置设计，由系统效率、组件斜面年峰值小时数以及衰减系数等共同决定发电量要求。

在实际应用中，所述对支架场景属性进行数值表述包括：根据支架场景属性配置进行包括定性概念与定量关系的窄域数值表述。

在实际应用中，还包括步骤：对窄域数值形成窄域区间判断矩阵进行归一化容错处理。

S2：根据支架场景属性的数值表述采集形成网格样本集，同时获取专家样本集和待检测样本集；

在实际应用中，所述根据支架场景属性的数值表述采集形成网格样本集包括：基于窄域区间判断矩阵的基础上采集网格样本事件得到网格样本集。

S3：使用专家样本集对网格样本集进行零和博弈网络训练固化得到专家样本扩展集；

在实际应用中，所述使用专家样本集对网格样本集进行零和博弈网络训练固化得到专家样本扩展集包括：以专家样本事件对网格样本事件进行零和博弈网络训练固化，实现专家样本库更新和扩展。

S4：使用待检测样本集、网格样本集和专家样本扩展集训练自组织竞争网络模型；

在实际应用中，所述自组织竞争网络模型包括竞争层和输入层。

在实际应用中，所述使用待检测样本集、网格样本集和专家样本扩展集训练自组织竞争网络模型包括：以获胜竞争层神经元完成权值、阈值等竞争方向调整，其输入层神经元与竞争层神经元连接权值ωij满足且更新权值满足修正，其中a为[0,1]区间的学习参数，一般为0.01～0.03取值，即输入层为二值向量为1的元素，i＝1，2，...，N，j＝1，2，...，M。

S5：将目标光伏支架的支架场景属性输入自组织竞争网络模型得到网格化容错参数向量进行匹配纠偏。

实施例二

如图1、图2和图3所示，一种光伏支架网格化容错纠偏系统，所述光伏支架网格化容错纠偏系统包括：

配置模块，用于配置支架场景属性并对支架场景属性进行数值表述；

在实际应用中，所述配置模块与样本采集模块相连，所述扩展模块与样本采集模块和样本获取模块相连，所述自组织竞争网络模型与样本采集模块、样本获取模块和扩展模块均相连。

在实际应用中，所述配置支架场景属性包括：确定影响因子，所述影响因子包括微观选址条件、光资源条件、环境因子、支架安装方式和高度、间距要求、组件特性、逆变器性质以及系统效率和发电量要求。

在实际应用中，由光资源条件、环境因子、微观选址条件共同决定倾角设计，由组件特性、逆变器性质以及环境因子共同决定组件串级设计数量，由微观选址条件、组件串级设计以及倾角等共同决定阵列布置设计，由系统效率、组件斜面年峰值小时数以及衰减系数等共同决定发电量要求。

在实际应用中，对支架场景属性进行数值表述包括：根据支架场景属性配置进行包括定性概念与定量关系的窄域数值表述。

在实际应用中，配置模块还可对窄域数值形成窄域区间判断矩阵进行归一化容错处理。

样本采集模块，用于根据支架场景属性的数值表述采集形成网格样本集；

在实际应用中，根据支架场景属性的数值表述采集形成网格样本集包括：基于窄域区间判断矩阵的基础上采集网格样本事件得到网格样本集。

样本获取模块，用于获取专家样本集和待检测样本集；

扩展模块，用于使用专家样本集对网格样本集进行零和博弈网络训练固化得到专家样本扩展集；

在实际应用中，使用专家样本集对网格样本集进行零和博弈网络训练固化得到专家样本扩展集包括：以专家样本事件对网格样本事件进行零和博弈网络训练固化，实现专家样本库更新和扩展。

自组织竞争网络模型，使用待检测样本集、网格样本集和专家样本扩展集训练，用于根据目标光伏支架的支架场景属性进行匹配纠偏。

在实际应用中，所述自组织竞争网络模型包括相互连接的多个输入层和多个竞争层。

在实际应用中，所述多个输入层和多个竞争层互相交叉相连。

在实际应用中，使用待检测样本集、网格样本集和专家样本扩展集训练自组织竞争网络模型包括：以获胜竞争层神经元完成权值、阈值等竞争方向调整，其输入层神经元与竞争层神经元连接权值ω_ij满足且更新权值满足修正，其中a为[0,1]区间的学习参数，一般为0.01～0.03取值，即输入层为二值向量为1的元素，i＝1，2，...，N，j＝1，2，...，M。

在实际应用中，将目标光伏支架的支架场景属性输入自组织竞争网络模型进行匹配纠偏包括：目标光伏支架经训练的自组织竞争网络模型的全局样本库检索，并在全局样本库中调用支架场景属性配置关联符合检索规则的特定样本集，由欧氏距离得到目标光伏支架的窄域网格化容错参数进行匹配纠偏。

在实际应用中，欧氏距离为欧几里得距离,其为在m维空间中两个点之间的真实距离。

在实际应用中，所述将目标光伏支架的支架场景属性输入自组织竞争网络模型得到网格化容错参数向量进行匹配纠偏包括：目标光伏支架经训练的自组织竞争网络模型的全局样本库检索，并在全局样本库中调用支架场景属性配置关联符合检索规则的特定样本集，由欧氏距离得到目标光伏支架的窄域网格化容错参数进行匹配纠偏。

在实际应用中，所述欧氏距离为欧几里得距离,其为在m维空间中两个点之间的真实距离。

本发明实施的优点：本发明所述的一种光伏支架网格化容错纠偏方法，包括以下步骤：配置支架场景属性并对支架场景属性进行数值表述；根据支架场景属性的数值表述采集形成网格样本集，同时获取专家样本集和待检测样本集；使用专家样本集对网格样本集进行零和博弈网络训练固化得到专家样本扩展集；使用待检测样本集、网格样本集和专家样本扩展集训练自组织竞争网络模型；将目标光伏支架的支架场景属性输入自组织竞争网络模型得到网格化容错参数向量进行匹配纠偏。通过对支架定位场景属性进行智能优化配置，并以窄域区间判断矩阵，进行网格化管理，实现最大容错范围的光资源场景生成。其有益效果是在光伏组件支架安装过程中，利用窄域网格区间判断矩阵进行精细化管理，避免阴影遮挡造成发电量损失，并实现建设阶段的运维管理。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。