CN108228800A - 一种基于数据挖掘的光伏发电系统异常检测系统及方法 - Google Patents
一种基于数据挖掘的光伏发电系统异常检测系统及方法 Download PDFInfo
- Publication number
- CN108228800A CN108228800A CN201711480100.9A CN201711480100A CN108228800A CN 108228800 A CN108228800 A CN 108228800A CN 201711480100 A CN201711480100 A CN 201711480100A CN 108228800 A CN108228800 A CN 108228800A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- rule
- module
- generated energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007418 data mining Methods 0.000 title claims abstract description 14
- 230000005856 abnormality Effects 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000010248 power generation Methods 0.000 claims abstract description 62
- 238000002864 sequence alignment Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 22
- 238000005286 illumination Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 230000032683 aging Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于数据挖掘的光伏发电系统异常检测系统及方法，系统包括数据采集子系统、数据处理子系统、数据存储子系统和设备状态显示子系统，数据处理子系统通过获取数据采集子系统监测到的数据构建关联规则，当发电量异常时，监测数据模块将实时监测数据通过关联规则构建实时规则，将先验规则与实时规则进行序列比对，实现光伏发电系统对光伏发电设备运行状态的自动监测和诊断。本发明的优点是：能高效地检测处光伏板的故障位置和故障原因，诊断效率高，减少了人力和物力成本。
Description
技术领域
本发明属于光伏发电技术领域，尤其涉及一种基于数据挖掘的光伏发电系统异常检测系统及方法。
背景技术
在能源危机形势下，太阳能光伏发电作为可再生清洁能源得到了广泛发展和应用。由于能量直接来自太阳光，所以太阳能光伏发电设备主要装配在建筑物顶层或者荒漠无人区。受外部环境和自身使用寿命的影响，太阳能光伏电池板通常出现碎裂，老化等故障现象。太阳能电池板的故障会影响整个发电系统的效率，严重时会法发生火灾等。
目前，太阳能光伏发电系统的设备故障检测主要有基于红外图像的故障诊断方法和电气测量故障诊断方法。其中基于红外图像的检测方法成本较高，受外界环境影响较大；电气检测方法不能实现实时检测，并且检测结构在大规模光伏阵列应用中难以推广。近些年来，人工智能被广泛应用到太阳能光伏发电系统的故障诊断中，实现了实时在线检测。但是这些方法大多没有考虑太阳能光伏电池板老化和外部环境因素对光伏发电系统异常检测的影响。
发明内容
本发明的目的在于：为解决光伏发电装备老化和外部环境因素导致光伏发电设备发电异常问题，提供了一种基于数据挖掘的光伏发电系统异常检测系统及方法。
本发明采用的技术方案如下：
一种基于数据挖掘的光伏发电系统异常检测系统，包括：
数据采集子系统，包括发电量采集模块、光照强度采集模块和温度及湿度采集模块，发电量采集模块与光伏发电设备连接；
数据处理子系统，包括关联规则提取模块和关联规则匹配模块，关联规则提取模块提取数据采集子系统中的数据进行处理，并构建关联规则集；
数据存储子系统，包括先验规则存储模块和监测数据模块，先验规则存储模块存储光伏发电设备的先验规则集，监测数据模块存储数据采集子系统获取的监测数据；
设备状态显示子系统，包括故障报警模块和设备状态显示模块，故障报警模块用于发出故障信号，设备状态显示模块用于将故障位置和故障原因显示于界面上。
一种基于数据挖掘的光伏发电系统异常检测方法，其特征在于，包括以下步骤：
S1.在光伏发电设备正常运行状态下，发电量采集模块、光照强度采集模块和温度及湿度采集模块以特定的时间间隔分别获取光伏发电设备一天中特定时刻的发电量W、太阳光强度G、设备周围环境的温度T和湿度S，并将获取到的数据输入到数据处理子系统中。
S2.关联规则提取模块提取步骤S1中所得的数据作为先验数据，通过先验数据构建先验规则F1、F2和F3，将先验规则F1、F2和F3整合形成先验规则集F{F1，F2，F3}，将先验规则集F{F1，F2，F3}存储到先验规则存储模块中。
S3.在光伏发电设备实际运行过程中，当发电量W异常时，监测数据模块将数据采集子系统获取的监测数据带入关联规则提取模块中，通过步骤S2构建的先验规则得到实时规则集K{K1，K2，K3}。
S4.将步骤S3中的实时规则集K{K1，K2，K3}与步骤S2中的先验规则集F{F1，F2，F3}进行序列比对。
S5.设备显示子系统根据步骤S4得到的序列比对结果进行处理，若序列比对结果表示光伏发电设备正常，设备状态显示模块将光伏发电设备发电正常信息显示在界面上；若序列比对结果表示光伏发电设备异常，故障报警模块发出故障报警信号，设备状态显示模块将异常原因显示在界面上。
进一步地，所述步骤S2采用apriori算法构建先验规则集，具体步骤如下：
S2.1.关联规则提取模块提取正常情况下光伏发电设备的发电量W、太阳光强度G、设备周围环境的温度T和湿度S，将项集集合D＝{D1，D2，...，Dn-1，Dn}(n>2)输入到数据处理子系统中，并确定项集集合D最小支持阈值，其中Di＝{Gi，Ti，Si，Wi}(0<i<≤n)；
S2.2.统计项集集合D中不同的项集Di出现的频率，根据频率找出大于apriori算法中最小支持度的项集，即为一维最大项集；
S2.3.根据步骤S2.2中得到的k-1(k≥2)维最大项集产生k维候选项集，从项集集合D中获取候选项集的项集支持度，并与步骤S2.2中的最小支持度进行比较，得到k维最大项集；
S2.4.循环处理步骤S2.3，直至没有最大项集生成，最终得到k'维最大项集；
S2.5.通过步骤S2.4中的k'维最大项集得到项集集合D的先验规则集F{F1，F2，F3}，其中，F1表示光伏发电设备发电量W与光照强度G的关系，F2表示光伏发电设备发电量W与外部温度T的关系，F3表示光伏发电设备发电量W与外部湿度S的关系。
进一步地，判断发电量W的异常的方式为：通过步骤S2中的先验数据中的发电量确定一个阈值U，将步骤S1中构建先验规则选取的特定时刻采集的发电量w1与光伏发电设备实际运行状态时相同时刻的发电量w2进行比较，若w1与w2之间的差值不超过阈值U，则视为发电量正常；若w1与w2之间的差值超过阈值U，则视为发电量异常。
进一步地，步骤S4中所述的序列比对步骤如下：
S4.1.判断实时规则K1是否满足关联规则F1，若实时规则K1不满足关联规则F1，则光伏发电设备异常，且光伏发电设备产生异常原因为光照强度G的变化引起发电量W变化，序列比对结束；若实时规则K1满足关联规则F1，进入下一步；
S4.2.判断实时规则K2是否满足关联规则F2，若实时规则K2不满足关联规则F2，则光伏发电设备异常，且光伏发电设备产生异常原因为外部温度T的变化引起发电量W变化，序列比对结束；若实时规则K2满足关联规则F2，进入下一步；
S4.3.判断实时规则K3是否满足关联规则F3，若实时规则K3不满足关联规则F3，则光伏发电设备异常，且光伏发电设备产生异常原因为外部湿度S的变化引起发电量W变化，序列比对结束；若实时规则K3满足关联规则F3，进入下一步；
S4.4.光伏发电设备正常。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，通过光伏发电系统实现对光伏发电设备运行状态的自动监测和诊断，减少了人力和物力成本，实用性高。
2、本发明中，利用数据挖掘的方法对光伏板组件故障进行诊断、排查，能有效、快速地检测出光伏板故障源及故障原因，提高了对光伏板组件故障的诊断效率。
3、本发明中，该方法不仅针对光伏板的电路故障进行诊断，同时包括了对光伏板老化情况下发电率不高的异常进行诊断，实用性高。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
一种基于数据挖掘的光伏发电系统异常检测系统及方法，系统包括数据采集子系统、数据处理子系统、数据存储子系统和设备状态显示子系统。数据采集子系统包括发电量采集模块、光照强度采集模块和温度及湿度采集模块，发电量采集模块与光伏发电设备连接。数据处理子系统包括关联规则提取模块和关联规则匹配模块，关联规则提取模块用于提取数据采集子系统中的数据进行处理，并构建关联规则集；关联规则匹配模块用于将实时检测数据的实时规则与数据存储库中的先验规则进行比较，并进行异常判断。数据存储子系统包括先验规则存储模块和监测数据模块，先验规则存储模块用于存储光伏发电设备的先验规则；监测数据模块用于存储数据采集子系统获取的监测数据。设备状态显示子系统包括故障报警模块和设备状态显示模块，故障报警模块用于在数据处理子系统获取故障信息后发出故障信号，设备状态显示模块用于将故障位置和故障原因显示于界面上，供用户查看。异常检测方法实现步骤如下：
S1.在光伏发电设备正常运行状态下，发电量采集模块、光照强度采集模块和温度及湿度采集模块以特定的时间间隔分别获取光伏发电设备一天中特定时刻的发电量W、太阳光强度G、设备周围环境的温度T和湿度S，并将获取到的数据输入到数据处理子系统中；
S2.关联规则提取模块提取步骤S1中所得的数据作为先验数据，通过先验数据构建先验规则F1、F2和F3，将先验规则F1、F2和F3整合形成先验规则集F{F1，F2，F3}，将先验规则集F{F1，F2，F3}存储到先验规则存储模块中。本发明采用apriori算法构建先验规则集，其具体步骤如下：
S2.1.关联规则提取模块提取正常情况下光伏发电设备的发电量W、太阳光强度G、设备周围环境的温度T和湿度S，将项集集合D＝{D1，D2，...，Dn-1，Dn}(n>2)输入到数据处理子系统中，并确定项集集合D最小支持阈值，其中Di＝{Gi，Ti，Si，Wi}(0<i<≤n)；
S2.2.统计项集集合D中不同的项集Di出现的频率，根据频率找出大于apriori算法中最小支持度的项集，即为一维最大项集；
S2.3.根据步骤S2.2中得到的k-1(k≥2)维最大项集产生k维候选项集，从项集集合D中获取候选项集的项集支持度，并与步骤S2.2中的最小支持度进行比较，得到k维最大项集；
S2.4.循环处理步骤S2.3，直至没有最大项集生成，最终得到k'维最大项集；
S2.5.通过步骤S2.4中的k'维最大项集得到项集集合D的先验规则集F{F1，F2，F3}，其中，F1表示光伏发电设备发电量W与光照强度G的关系，F2表示光伏发电设备发电量W与外部温度T的关系，F3表示光伏发电设备发电量W与外部湿度S的关系。
S3.在光伏发电设备实际运行过程中，当发电量W异常时，监测数据模块将数据采集子系统获取的监测数据带入关联规则提取模块中，通过步骤S2构建的先验规则得到实时规则集K{K1，K2，K3}。其中，判断发电量W的异常的方式为：通过步骤S2中的先验数据中的发电量确定一个阈值U，将步骤S1中构建先验规则选取的特定时刻采集的发电量w1与光伏发电设备实际运行状态时相同时刻的发电量w2进行比较，若w1与w2之间的差值不超过阈值U，则视为发电量正常；若w1与w2之间的差值超过阈值U，则视为发电量异常。
S4.将步骤S3中的实时规则集K{K1，K2，K3}与步骤S2中的先验规则集F{F1，F2，F3}进行序列比对，序列比对步骤如下：
S4.1.判断实时规则K1是否满足关联规则F1，若实时规则K1不满足关联规则F1，则光伏发电设备异常，且光伏发电设备产生异常原因为光照强度G的变化引起发电量W变化，序列比对结束；若实时规则K1满足关联规则F1，进入下一步；
S4.2.判断实时规则K2是否满足关联规则F2，若实时规则K2不满足关联规则F2，则光伏发电设备异常，且光伏发电设备产生异常原因为外部温度T的变化引起发电量W变化，序列比对结束；若实时规则K2满足关联规则F2，进入下一步；
S4.3.判断实时规则K3是否满足关联规则F3，若实时规则K3不满足关联规则F3，则光伏发电设备异常，且光伏发电设备产生异常原因为外部湿度S的变化引起发电量W变化，序列比对结束；若实时规则K3满足关联规则F3，进入下一步；
S4.4.光伏发电设备正常。
其中，步骤S4.1、S4.2和S4.3的顺序可任意调整。
S5.设备显示子系统根据步骤S4得到的序列比对结果进行处理，若序列比对结果表示光伏发电设备正常，设备状态显示模块将光伏发电设备发电正常信息显示在界面上；若序列比对结果表示光伏发电设备异常，故障报警模块发出故障报警信号，设备状态显示模块将异常原因和异常位置显示在界面上。其中，本申请中的异常位置的判断方法采用与本申请同日递交的名称为“一种基于开关矩阵的光伏板故障定位系统及方法”的专利申请中的故障定位方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于数据挖掘的光伏发电系统异常检测系统，其特征在于，包括：
数据采集子系统，包括发电量采集模块、光照强度采集模块和温度及湿度采集模块，发电量采集模块与光伏发电设备连接；
数据处理子系统，包括关联规则提取模块和关联规则匹配模块，关联规则提取模块提取数据采集子系统中的数据进行处理，并构建关联规则集；
数据存储子系统，包括先验规则存储模块和监测数据模块，先验规则存储模块存储光伏发电设备的先验规则集，监测数据模块存储数据采集子系统获取的监测数据；
设备状态显示子系统，包括故障报警模块和设备状态显示模块，故障报警模块用于发出故障信号，设备状态显示模块用于将故障位置和故障原因显示于界面上。
2.根据权利要求1所述的一种基于数据挖掘的光伏发电系统异常检测方法，其特征在于，包括以下步骤：
S1.在光伏发电设备正常运行状态下，发电量采集模块、光照强度采集模块和温度及湿度采集模块以特定的时间间隔分别获取光伏发电设备一天中特定时刻的发电量W、太阳光强度G、设备周围环境的温度T和湿度S，并将获取到的数据输入到数据处理子系统中；
S2.关联规则提取模块提取步骤S1中所得的数据作为先验数据，通过先验数据构建先验规则F1、F2和F3，将先验规则F1、F2和F3整合形成先验规则集F{F1，F2，F3}，将先验规则集F{F1，F2，F3}存储到先验规则存储模块中；
S3.在光伏发电设备实际运行过程中，当发电量W异常时，监测数据模块将数据采集子系统获取的监测数据带入关联规则提取模块中，通过步骤S2构建的先验规则得到实时规则集K{K1，K2，K3}；
S4.将步骤S3中的实时规则集K{K1，K2，K3}与步骤S2中的先验规则集F{F1，F2，F3}进行序列比对；
S5.设备显示子系统根据步骤S4得到的序列比对结果进行处理，若序列比对结果表示光伏发电设备正常，设备状态显示模块将光伏发电设备发电正常信息显示在界面上；若序列比对结果表示光伏发电设备异常，故障报警模块发出故障报警信号，设备状态显示模块将异常原因显示在界面上。
3.根据权利要求2所述的一种基于数据挖掘的光伏发电系统异常检测方法，其特征在于，所述步骤S2采用apriori算法构建先验规则集，具体步骤如下：
S2.1.关联规则提取模块提取正常情况下光伏发电设备的发电量W、太阳光强度G、设备周围环境的温度T和湿度S，将项集集合D＝{D1，D2，...，Dn-1，Dn}(n>2)输入到数据处理子系统中，并确定项集集合D最小支持阈值，其中Di＝{Gi，Ti，Si，Wi}(0<i<≤n)；
S2.2.统计项集集合D中不同的项集Di出现的频率，根据频率找出大于apriori算法中最小支持度的项集，即为一维最大项集；
S2.3.根据步骤S2.2中得到的k-1(k≥2)维最大项集产生k维候选项集，从项集集合D中获取候选项集的项集支持度，并与步骤S2.2中的最小支持度进行比较，得到k维最大项集；
S2.4.循环处理步骤S2.3，直至没有最大项集生成，最终得到k'维最大项集；
S2.5.通过步骤S2.4中的k'维最大项集得到项集集合D的先验规则集F{F1，F2，F3}，其中，F1表示光伏发电设备发电量W与光照强度G的关系，F2表示光伏发电设备发电量W与外部温度T的关系，F3表示光伏发电设备发电量W与外部湿度S的关系。
4.根据权利要求2所述的一种基于数据挖掘的光伏发电系统异常检测方法，其特征在于，判断发电量W的异常的方式为：通过步骤S2中的先验数据中的发电量确定一个阈值U，将步骤S1中构建先验规则选取的特定时刻采集的发电量w1与光伏发电设备实际运行状态时相同时刻的发电量w2进行比较，若w1与w2之间的差值不超过阈值U，则视为发电量正常；若w1与w2之间的差值超过阈值U，则视为发电量异常。
5.根据权利要求2所述的一种基于数据挖掘的光伏发电系统异常检测方法，其特征在于，步骤S4中所述的序列比对步骤如下：
S4.1.判断实时规则K1是否满足关联规则F1，若实时规则K1不满足关联规则F1，则光伏发电设备异常，且光伏发电设备产生异常原因为光照强度G的变化引起发电量W变化，序列比对结束；若实时规则K1满足关联规则F1，进入下一步；
S4.2.判断实时规则K2是否满足关联规则F2，若实时规则K2不满足关联规则F2，则光伏发电设备异常，且光伏发电设备产生异常原因为外部温度T的变化引起发电量W变化，序列比对结束；若实时规则K2满足关联规则F2，进入下一步；
S4.3.判断实时规则K3是否满足关联规则F3，若实时规则K3不满足关联规则F3，则光伏发电设备异常，且光伏发电设备产生异常原因为外部湿度S的变化引起发电量W变化，序列比对结束；若实时规则K3满足关联规则F3，进入下一步；
S4.4.光伏发电设备正常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711480100.9A CN108228800B (zh) | 2017-12-29 | 2017-12-29 | 一种基于数据挖掘的光伏发电系统异常检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711480100.9A CN108228800B (zh) | 2017-12-29 | 2017-12-29 | 一种基于数据挖掘的光伏发电系统异常检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108228800A true CN108228800A (zh) | 2018-06-29 |
| CN108228800B CN108228800B (zh) | 2022-03-15 |
Family
ID=62647060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711480100.9A Active CN108228800B (zh) | 2017-12-29 | 2017-12-29 | 一种基于数据挖掘的光伏发电系统异常检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108228800B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114254A (zh) * | 2023-10-25 | 2023-11-24 | 山东电力工程咨询院有限公司 | 一种电网新能源异常数据监测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102420700A (zh) * | 2011-11-28 | 2012-04-18 | 武汉大学 | 网络故障诊断系统 |
| CN103341506A (zh) * | 2013-07-10 | 2013-10-09 | 鞍钢股份有限公司 | 一种基于数据模式的板形时间序列数据挖掘方法 |
| CN103488802A (zh) * | 2013-10-16 | 2014-01-01 | 国家电网公司 | 一种基于粗糙集关联规则的超高压电网故障规则挖掘方法 |
| CN104133981A (zh) * | 2014-06-25 | 2014-11-05 | 国家电网公司 | 一种基于模糊产生式规则知识库的光伏电站故障诊断方法 |
| CN104268375A (zh) * | 2014-09-10 | 2015-01-07 | 中国人民解放军海军工程大学 | 基于知识petri网的船用电站故障诊断方法 |
| CN104571099A (zh) * | 2015-01-26 | 2015-04-29 | 北京国能日新系统控制技术有限公司 | 基于理论计算和数据分析的光伏故障诊断系统和诊断方法 |
| CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 |
| CN106019084A (zh) * | 2016-06-16 | 2016-10-12 | 上海交通大学 | 基于配用电数据关联的中压配电网断线故障诊断方法 |
| CN106802643A (zh) * | 2015-11-26 | 2017-06-06 | 通用电气公司 | 故障预测系统及方法 |
-
2017
- 2017-12-29 CN CN201711480100.9A patent/CN108228800B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102420700A (zh) * | 2011-11-28 | 2012-04-18 | 武汉大学 | 网络故障诊断系统 |
| CN103341506A (zh) * | 2013-07-10 | 2013-10-09 | 鞍钢股份有限公司 | 一种基于数据模式的板形时间序列数据挖掘方法 |
| CN103488802A (zh) * | 2013-10-16 | 2014-01-01 | 国家电网公司 | 一种基于粗糙集关联规则的超高压电网故障规则挖掘方法 |
| CN104133981A (zh) * | 2014-06-25 | 2014-11-05 | 国家电网公司 | 一种基于模糊产生式规则知识库的光伏电站故障诊断方法 |
| CN104268375A (zh) * | 2014-09-10 | 2015-01-07 | 中国人民解放军海军工程大学 | 基于知识petri网的船用电站故障诊断方法 |
| CN104571099A (zh) * | 2015-01-26 | 2015-04-29 | 北京国能日新系统控制技术有限公司 | 基于理论计算和数据分析的光伏故障诊断系统和诊断方法 |
| CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 |
| CN106802643A (zh) * | 2015-11-26 | 2017-06-06 | 通用电气公司 | 故障预测系统及方法 |
| CN106019084A (zh) * | 2016-06-16 | 2016-10-12 | 上海交通大学 | 基于配用电数据关联的中压配电网断线故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐浩文 等: "利用状态数据的无人平台测控协议逆向分析方法", 《电讯技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114254A (zh) * | 2023-10-25 | 2023-11-24 | 山东电力工程咨询院有限公司 | 一种电网新能源异常数据监测方法及系统 |
| CN117114254B (zh) * | 2023-10-25 | 2024-03-19 | 山东电力工程咨询院有限公司 | 一种电网新能源异常数据监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108228800B (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Riley et al. | Photovoltaic prognostics and heath management using learning algorithms | |
| CN108964606B (zh) | 一种光伏系统热斑故障检测方法 | |
| Wang et al. | Probability modeling for PV array output interval and its application in fault diagnosis | |
| CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
| CN101257355A (zh) | 一种无线传感器网络节点故障检测方法 | |
| CN111579945A (zh) | 一种一体式开关柜局部放电智能传感器及其信息融合状态评估方法 | |
| Qureshi et al. | ICA‐based solar photovoltaic fault diagnosis | |
| Mukherjee et al. | Deep learning-based identification of false data injection attacks on modern smart grids | |
| Hammoudi et al. | Review on maintenance of photovoltaic systems based on deep learning and internet of things | |
| Yun et al. | Research on fault diagnosis of photovoltaic array based on random forest algorithm | |
| Yang et al. | Silos: an intelligent fault detection scheme for solar insecticidal lamp iot with improved energy efficiency | |
| CN108228800A (zh) | 一种基于数据挖掘的光伏发电系统异常检测系统及方法 | |
| Yan et al. | Wind turbine generator fault detection based on multi-layer neural network and random forest algorithm | |
| Rao et al. | A novel fault diagnostic strategy for PV micro grid to achieve reliability centered maintenance | |
| CN116723211B (zh) | 大空间环境电力设备远程巡检装置 | |
| Zahraoui et al. | System‐Level Condition Monitoring Approach for Fault Detection in Photovoltaic Systems | |
| Afrasiabi et al. | Machine Learning-Based Condition Monitoring of Solar Photovoltaic Systems: A Review | |
| Chandrasekharan et al. | Current indicator based fault detection algorithm for identification of faulty string in solar PV system | |
| Wang et al. | Federated learning for anomaly detection: A case of real-world energy storage deployment | |
| EP4224707A1 (en) | A method and computing device for monitoring performance of a photovoltaic panel | |
| CN205844850U (zh) | 一种电力信通运检用通信机房检测系统 | |
| CN104601107A (zh) | 一种云光伏故障诊断系统 | |
| Gokarn et al. | Enhancing cyber physical system security via anomaly detection using behaviour analysis | |
| Olivencia Polo et al. | Supervisory control and automatic failure detection in grid-connected photovoltaic systems | |
| Jacome et al. | Real-Time Fault Identification of Photovoltaic Systems Based on Remote Monitoring with IoT |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |