CN109802634B - 一种基于大数据的光伏电站的智能运维方法及运维系统 - Google Patents

一种基于大数据的光伏电站的智能运维方法及运维系统 Download PDF

Info

Publication number
CN109802634B
CN109802634B CN201910040887.XA CN201910040887A CN109802634B CN 109802634 B CN109802634 B CN 109802634B CN 201910040887 A CN201910040887 A CN 201910040887A CN 109802634 B CN109802634 B CN 109802634B
Authority
CN
China
Prior art keywords
photovoltaic power
data
dimension
power station
data set
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.)
Active
Application number
CN201910040887.XA
Other languages
English (en)
Other versions
CN109802634A (zh
Inventor
肖慧明
王辉
向杰
彭建伟
周世大
水甲
程亮
蒲强前
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan anhuayuan Power Technology Co.,Ltd.
Original Assignee
Hunan Xingye Green Power Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Xingye Green Power Technology Co ltd filed Critical Hunan Xingye Green Power Technology Co ltd
Priority to CN201910040887.XA priority Critical patent/CN109802634B/zh
Publication of CN109802634A publication Critical patent/CN109802634A/zh
Application granted granted Critical
Publication of CN109802634B publication Critical patent/CN109802634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/242—Home appliances

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于大数据的光伏电站的智能运维方法，包括以下步骤：S1：获取预设范围内的所有光伏电站各个维度的数据；S2：将S1中各个维度的数据进行分割重组，使数据粒度变小，对数据进行升维操作；S3：对升维后的数据遍历做关联分析，计算相关性；S4：提取S3中相关性系数不小于0.6的数据集；S5：构建人工神经网络模型；S6：以S4的数据集为基础，采用S5中的人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测；S7：根据S6的预测结果和预设范围内的光伏电站的运行状态，生成运维建议。本发明基于大数据分析，获得光伏电站的运行规律，能够准确预测未来时间段内所有光伏电站的运行状态。

Description

一种基于大数据的光伏电站的智能运维方法及运维系统
技术领域
本发明涉及光伏电站运维管理技术领域，更具体的说是涉及一种基于大数据的光伏电站的智能运维方法及运维系统。
背景技术
光伏电站具有占地面广、数据量大和运维复杂的特点，其在日常运行过程中，会产生海量的运行状态数据。如何从海量的数据中发现设备运行规律，并准确对设备发电量进行预测，对可能产生的故障进行预警，对光伏电站的运行有着极其重要的意义。
目前公开的光伏电站的运维仅是将数据进行采集，对光伏电站进行设备监控、视频监控、环境监控、故障预警等，无法对各光伏电站在未来时间段内的运行状态做出预测。
因此，如何提供一种基于大数据的，能够准确预测光伏电站的运行状态，并能提高运维效率和管理水平的光伏电站的智能运维方法及运维系统是本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此，本发明提供了一种基于大数据的光伏电站的智能运维方法及运维系统，其通过采集各光伏电站各维度的相关数据，并对数据进行分析，找到其运行规律，从而准确对光伏电站的运行状态做出预测，并生成运维协议，对光伏电站的运行有着极其重要的指导意义。
为了实现上述目的，本发明采用如下技术方案：
一种基于大数据的光伏电站的智能运维方法，包括以下步骤：
S1：获取预设范围内的所有光伏电站各个维度的数据；
S2：将S1中各个维度的数据进行分割重组，使数据粒度变小，对数据进行升维操作；
S3：对升维后的数据遍历做关联分析，计算相关性；
S4：提取S3中相关性系数不小于0.6的数据集；
S5：构建人工神经网络模型；
S6：以S4的数据集为基础，采用S5中的人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测；
S7：根据S6的预测结果和预设范围内的光伏电站的运行状态，生成运维建议。
经由上述的技术方案可知，与现有技术相比，本发明通过采集预设范围内的所有光伏电站各维度的数据，并对其进行分割重组、计算相关性后再加工处理，深度挖掘光伏大数据与光伏电站运维管理的相关性，从而提高了光伏电站运维平台的智能性，降低了运维成本，提高了运维效率和管理水平，对光伏电站的运维管理具有极佳的指导意义。
优选的，在上述一种基于大数据的光伏电站的智能运维方法中，步骤S1中的预设范围为市级范围、省级范围或全国范围。
优选的，在上述一种基于大数据的光伏电站的智能运维方法中，步骤S1中，所述光伏电站的各个维度至少包括：光伏电站的自身运行状态维度、气象参数维度、辐射数据维度、故障工单信息维度、光伏电站的资产管理数据库中的设备及成本信息维度、维修人员的分布情况维度和用户的购电协议维度。
优选的，在上述一种基于大数据的光伏电站的智能运维方法中，所述光伏电站的自身运行状态维度的数据集至少由光伏电池背板温度、组成的光伏阵列的电压和电流、光伏电站现场温度、转换效率、汇流箱的电压值和电流值、功率值和当前发电量组成；
所述气象参数维度的数据集至少由所述光伏电站所处地域的环境温度、湿度、风向和风速组成；
所述辐射数据维度的数据集至少由太阳能辐照度、地面气压、海拔高度、空气中的PM2.5浓度组成；
所述故障工单信息维度的数据集至少由故障工单的时间、工时数、目的地、路径长度、开始时间、结束时间和用工数量；
所述光伏电站的资产管理数据库中的设备及成本信息维度的数据集至少由设备名称、设备的重量、设备的长宽高、设备的资产原值和设备现净值组成；
所述维修人员的分布情况维度的数据集至少由人员数量、所属地区、人均负荷、开始时间、结束时间、已完成工时数和预计尚需工时数组成；
所述用户的购电协议维度的数据集至少由上网电价、合约电量、已经交易电量、未交易电量、高峰用电时段、低谷用电时段和已发生故障次数组成。
优选的，在上述一种基于大数据的光伏电站的智能运维方法中，将所述光伏电站的各个维度的数据集划分成多个不相交的子集，再进行相互组合，将相互组合后的数据集进行升维，生成多个升维后的数据集。
优选的，在上述一种基于大数据的光伏电站的智能运维方法中，对升维后的数据集做关联分析，并计算其相关性；相关性的计算公式如下所示：
Figure BDA0001947495800000031
其中，X、Y为任意两个升维后的数据集，ρX，Y为X、Y两个数据集的相关性，
Figure BDA0001947495800000032
分别是X、Y在扣除最大值和最小值后的均值。
优选的，在上述一种基于大数据的光伏电站的智能运维方法中，步骤S6中的所述神经网络模型根据不同的运维内容方向做不同的预测，所述不同的运维内容至少包括：光伏电站的运行效率、故障发生时间、人员准备数量、局部发电量预测、整体发电量预测、局部光伏发电消纳、预期收益和电站消耗。
优选的，在上述一种基于大数据的光伏电站的智能运维方法中，步骤S7包括：
S71：构建运维建议知识库；
S72：获取预设范围内的所有光伏电站的当前运行状态；
S73：根据步骤S6的预测结果，并结合S72中预设范围内的所有光伏电站的当前运行状态，从所述运维建议知识库中查找、匹配生成运维建议。
本发明还提供一种基于大数据的光伏电站的智能运维系统，包括：
数据获取单元，所述数据获取单元用于获取预设范围内的所有光伏电站各个维度的数据；
升维单元，所述升维单元用于将预设范围内的所有光伏电站各个维度的数据进行分割重组并进行升维；
相关性计算单元，所述相关性计算单元用于对升维后的数据遍历做关联分析，并进行相关性计算；
提取单元，所述提取单元用于提取相关性系数不小于0.6的数据集；
人工神经网络单元，所述工神经网络单元用于训练并生成人工神经网络模型；
预测单元，所述预测单元用于根据相关性系数不小于0.6的数据集和人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测，并生成预测结果；
结果生成单元，所述结果生成单元用于根据所述预测结果和预设范围内的光伏电站的运行状态，生成运维建议。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种基于大数据的光伏电站的智能运维方法的流程图；
图2附图为本发明对光伏电站的各维度数据的处理过程流程图；
图3附图为本发明提供的一种基于大数据的光伏电站的智能运维系统的结构示意图。
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。
如图1-图2所示，本发明实施例公开了一种基于大数据的光伏电站的智能运维方法，包括以下步骤：
S1：获取预设范围内的所有光伏电站各个维度的数据；
S2：将S1中各个维度的数据进行分割重组，使数据粒度变小，对数据进行升维操作；
S3：对升维后的数据遍历做关联分析，计算相关性；
S4：提取S3中相关性系数不小于0.6的数据集；
S5：构建人工神经网络模型；
S6：以S4的数据集为基础，采用S5中的人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测；
S7：根据S6的预测结果和预设范围内的光伏电站的运行状态，生成运维建议。
具体的，步骤S1中的预设范围为市级范围、省级范围或全国范围。
步骤S1中，光伏电站的各个维度至少包括包括：光伏电站的自身运行状态维度、气象参数维度、辐射数据维度、故障工单信息维度、光伏电站的资产管理数据库中的设备及成本信息维度、维修人员的分布情况维度和用户的购电协议维度。
光伏电站的自身运行状态维度的数据集A1至少由光伏电池背板温度、组成的光伏阵列的电压和电流、光伏电站现场温度、转换效率、汇流箱的电压值和电流值、功率值和当前发电量组成；
气象参数维度的数据集B1至少由光伏电站所处地域的环境温度、湿度、风向和风速组成；
辐射数据维度的数据集C1至少由太阳能辐照度、地面气压、海拔高度、空气中的PM2.5浓度组成；
故障工单信息维度的数据集D1至少由故障工单的时间、工时数、目的地、路径长度、开始时间、结束时间和用工数量；
光伏电站的资产管理数据库中的设备及成本信息维度的数据集E1至少由设备名称、设备的重量、设备的长宽高、设备的资产原值和设备现净值组成；
维修人员的分布情况维度的数据集F1至少由人员数量、所属地区、人均负荷、开始时间、结束时间、已完成工时数和预计尚需工时数组成；
用户的购电协议维度的数据集G1至少由上网电价、合约电量、已经交易电量、未交易电量、高峰用电时段、低谷用电时段和已发生故障次数组成。
设定数据集A1包括na个子向量，
Figure BDA0001947495800000068
分别表示A1的子向量。
数据集B1包括nb个子向量，
Figure BDA0001947495800000069
分别表示B1的子向量。
数据集C1包括nc个子向量，
Figure BDA00019474958000000610
分别表示C1的子向量。
数据集D1包括nd个子向量，
Figure BDA00019474958000000611
分别表示D1的子向量。
数据集E1包括ne个子向量，
Figure BDA00019474958000000612
分别表示E1的子向量。
数据集F1包括nf个子向量，
Figure BDA00019474958000000613
分别表示F1的子向量。
数据集G1包括ng个子向量，
Figure BDA00019474958000000614
分别表示G1的子向量。
则以上各维度的数据组成如下：
Figure BDA0001947495800000061
Figure BDA0001947495800000062
Figure BDA0001947495800000063
Figure BDA0001947495800000064
Figure BDA0001947495800000065
Figure BDA0001947495800000066
Figure BDA0001947495800000067
本实施例中，na等于7，a1表示光伏电池背板温度、a2表示组成的光伏阵列的电压和电流、a3表示光伏电站现场温度、a4表示转换效率、a5表示汇流箱的电压值和电流值、a6表示功率值，a7表示当前发电量。
nb等于4，b1表示光伏电站所处地域的环境温度，b2表示湿度，b3表示风向，b4表示风速。
nc等于4，c1表示太阳能辐照度、c2表示地面气压、c3表示海拔高度、c4表示空气中的PM2.5浓度。
nd等于7，d1表示故障工单的时间、d2表示工时数、d3表示目的地、d4表示路径长度、d5表示开始时间、d6表示结束时间、d7表示用工数量.
ne等于5，e1表示设备名称、e2表示设备的重量、e3表示设备的长宽高、e4表示设备的资产原值、e5表示设备现净值.
nf等于7，f1表示人员数量、f2表示所属地区、f3表示人均负荷、f4表示开始时间、f5表示结束时间、f6表示已完成工时数、f7表示预计尚需工时数。
ng等于7，g1表示上网电价、g2表示合约电量、g3表示已经交易电量、g4表示未交易电量、g5表示高峰用电时段、g6表示低谷用电时段、g7表示已发生故障次数。
将预设范围内的所有光伏电站的各个维度的数据集进行分割重组，分割重组的规则是：数据内容需要有相关性且数据集不相交。进行数据集的重新划分和组合后，所得的新的数据集的数量可能比之前少，也可能比之前多。新数据集与旧数据集相比，数据集的向量数据具有更多的在不同维度上的关联性。
比如：将A1和C1中的数据进行重新组合，得到新的数据集A2，数据集A2表示考虑了地面气压、海拔高度、空气质量的PM2.5浓度的光伏电站的自身运行状态维度的数据，即光伏电站的地面气压、海拔高度、空气质量的PM2.5浓度、光伏电池背板温度、组成的光伏阵列的电压和电流、光伏电站现场温度、转换效率、汇流箱电压值和电流值、功率值和当前发电量。
经过重新划分，升维后的数据集如下所示：
Figure BDA0001947495800000071
Figure BDA0001947495800000072
......
Figure BDA0001947495800000073
将升维后的数据集做遍历关联分析，即对升维后的数据集{A2，B2......X2}做关联分析，计算相关性，相关性的计算公式如下所示：
Figure BDA0001947495800000081
其中，X、Y为数据集{A2，B2......X2}的任意两个子集，ρX，Y为X、Y两个子集的相关性，
Figure BDA0001947495800000082
分别是X、Y在扣除最大值和最小值后的均值。
具体的，步骤S6中的神经网络模型根据不同的运维内容方向做不同的预测，不同的运维内容至少包括：光伏电站的运行效率、故障发生时间、人员准备数量、局部发电量预测、整体发电量预测、局部光伏发电消纳、预期收益和电站消耗。
具体的，步骤S7包括：
S71：构建运维建议知识库；
S72：获取预设范围内的所有光伏电站的当前运行状态；
S73：根据步骤S6的预测结果，并结合S72中预设范围内的所有光伏电站的当前运行状态，从运维建议知识库中查找、匹配生成运维建议。
如图3所示，本发明实施例还公开一种基于大数据的光伏电站的智能运维系统，包括：
数据获取单元1，数据获取单元1用于获取预设范围内的所有光伏电站各个维度的数据；
升维单元2，升维单元2用于将预设范围内的所有光伏电站各个维度的数据进行分割重组并进行升维；
相关性计算单元3，相关性计算单元3用于对升维后的数据遍历做关联分析，并进行相关性计算；
提取单元4，提取单元4用于提取相关性系数不小于0.6的数据集；
人工神经网络单元5，工神经网络单元5用于训练并生成人工神经网络模型；
预测单元6，预测单元6用于根据相关性系数不小于0.6的数据集和人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测，并生成预测结果；
结果生成单元7，结果生成单元7用于根据预测结果和预设范围内的光伏电站的运行状态，生成运维建议。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于大数据的光伏电站的智能运维方法，其特征在于，包括以下步骤：
S1：获取预设范围内的所有光伏电站各个维度的数据；
S2：将S1中各个维度的数据进行分割重组，使数据粒度变小，对数据进行升维操作；分割重组的规则是：数据内容需要有相关性且数据集不相交；进行数据集的重新划分和组合；新数据集与旧数据集相比，数据集的向量数据具有更多的在不同维度上的关联性；
S3：对升维后的数据遍历做关联分析，计算相关性；相关性的计算公式如下所示：
Figure FDA0002358312110000011
其中，X、Y为任意两个升维后的数据集，ρX，Y为X、Y两个数据集的相关性，
Figure FDA0002358312110000012
分别是X、Y在扣除最大值和最小值后的均值；
S4：提取S3中相关性系数不小于0.6的数据集；
S5：构建人工神经网络模型；
S6：以S4的数据集为基础，采用S5中的人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测；
S7：根据S6的预测结果和预设范围内的光伏电站的运行状态，生成运维建议。
2.根据权利要求1所述的一种基于大数据的光伏电站的智能运维方法，其特征在于，步骤S1中的预设范围为市级范围、省级范围或全国范围。
3.根据权利要求1所述的一种基于大数据的光伏电站的智能运维方法，其特征在于，步骤S1中，所述光伏电站的各个维度至少包括：光伏电站的自身运行状态维度、气象参数维度、辐射数据维度、故障工单信息维度、光伏电站的资产管理数据库中的设备及成本信息维度、维修人员的分布情况维度和用户的购电协议维度。
4.根据权利要求3所述的一种基于大数据的光伏电站的智能运维方法，其特征在于，所述光伏电站的自身运行状态维度的数据集至少由光伏电池背板温度、组成的光伏阵列的电压和电流、光伏电站现场温度、转换效率、汇流箱的电压值和电流值、功率值和当前发电量组成；
所述气象参数维度的数据集至少由所述光伏电站所处地域的环境温度、湿度、风向和风速组成；
所述辐射数据维度的数据集至少由太阳能辐照度、地面气压、海拔高度、空气中的PM2.5浓度组成；
所述故障工单信息维度的数据集至少由故障工单的时间、工时数、目的地、路径长度、开始时间、结束时间和用工数量；
所述光伏电站的资产管理数据库中的设备及成本信息维度的数据集至少由设备名称、设备的重量、设备的长宽高、设备的资产原值和设备现净值组成；
所述维修人员的分布情况维度的数据集至少由人员数量、所属地区、人均负荷、开始时间、结束时间、已完成工时数和预计尚需工时数组成；
所述用户的购电协议维度的数据集至少由上网电价、合约电量、已经交易电量、未交易电量、高峰用电时段、低谷用电时段和已发生故障次数组成。
5.根据权利要求4所述的一种基于大数据的光伏电站的智能运维方法，其特征在于，将所述光伏电站的各个维度的数据集划分成多个不相交的子集，再将不相交的子集进行相互组合，生成多个升维后的数据集。
6.根据权利要求1所述的一种基于大数据的光伏电站的智能运维方法，其特征在于，步骤S6中的所述神经网络模型根据不同的运维内容方向做不同的预测，所述不同的运维内容至少包括：光伏电站的运行效率、故障发生时间、人员准备数量、局部发电量预测、整体发电量预测、局部光伏发电消纳、预期收益和电站消耗。
7.根据权利要求1所述的一种基于大数据的光伏电站的智能运维方法，其特征在于，步骤S7包括：
S71：构建运维建议知识库；
S72：获取预设范围内的所有光伏电站的当前运行状态；
S73：根据步骤S6的预测结果，并结合S72中预设范围内的所有光伏电站的当前运行状态，从所述运维建议知识库中查找、匹配生成运维建议。
8.一种基于大数据的光伏电站的智能运维系统，其特征在于，包括：
数据获取单元，所述数据获取单元用于获取预设范围内的所有光伏电站各个维度的数据；
升维单元，所述升维单元用于将预设范围内的所有光伏电站各个维度的数据进行分割重组并进行升维；分割重组的规则是：数据内容需要有相关性且数据集不相交；进行数据集的重新划分和组合；新数据集与旧数据集相比，数据集的向量数据具有更多的在不同维度上的关联性；
相关性计算单元，所述相关性计算单元用于对升维后的数据遍历做关联分析，并进行相关性计算；相关性的计算公式如下所示：
Figure FDA0002358312110000031
其中，X、Y为任意两个升维后的数据集，ρX，Y为X、Y两个数据集的相关性，
Figure FDA0002358312110000032
分别是X、Y在扣除最大值和最小值后的均值；
提取单元，所述提取单元用于提取相关性系数不小于0.6的数据集；
人工神经网络单元，所述工神经网络单元用于训练并生成人工神经网络模型；
预测单元，所述预测单元用于根据相关性系数不小于0.6的数据集和人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测，并生成预测结果；
结果生成单元，所述结果生成单元用于根据所述预测结果和预设范围内的光伏电站的运行状态，生成运维建议。
CN201910040887.XA 2019-01-16 2019-01-16 一种基于大数据的光伏电站的智能运维方法及运维系统 Active CN109802634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910040887.XA CN109802634B (zh) 2019-01-16 2019-01-16 一种基于大数据的光伏电站的智能运维方法及运维系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910040887.XA CN109802634B (zh) 2019-01-16 2019-01-16 一种基于大数据的光伏电站的智能运维方法及运维系统

Publications (2)

Publication Number Publication Date
CN109802634A CN109802634A (zh) 2019-05-24
CN109802634B true CN109802634B (zh) 2020-05-26

Family

ID=66559521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910040887.XA Active CN109802634B (zh) 2019-01-16 2019-01-16 一种基于大数据的光伏电站的智能运维方法及运维系统

Country Status (1)

Country Link
CN (1) CN109802634B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI750647B (zh) * 2020-05-05 2021-12-21 盈正豫順電子股份有限公司 太陽能模組或模組串列之運維異常測試方法及其系統
CN112731022B (zh) * 2020-12-18 2023-06-23 阳光智维科技股份有限公司 光伏逆变器故障检测方法、设备及介质
CN113780596A (zh) * 2021-09-14 2021-12-10 广州汇通国信科技有限公司 一种基于大数据的电站智能运维方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101769788B (zh) * 2009-12-29 2012-01-04 青海国泰节能技术研究院 一种光伏电站光功率预测及发电量预测的方法
EP2555479A1 (en) * 2011-08-05 2013-02-06 NTT DoCoMo, Inc. Apparatus and method for estimating a channel coefficient of a data subchannel of a radio channel
CN102968410A (zh) * 2012-12-04 2013-03-13 江南大学 一种基于rbf神经网络算法与语义特征选取的文本分类方法
CN107945016B (zh) * 2017-11-01 2021-04-30 招商银行股份有限公司 变量的取值升维方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN109802634A (zh) 2019-05-24

Similar Documents

Publication Publication Date Title
Li et al. Short-term wind power prediction based on data mining technology and improved support vector machine method: A case study in Northwest China
Tian et al. A novel wind speed forecasting system based on hybrid data preprocessing and multi-objective optimization
CN112383052B (zh) 基于电力物联网的电网故障修复方法和装置
CN109802634B (zh) 一种基于大数据的光伏电站的智能运维方法及运维系统
CN112749904B (zh) 基于深度学习的配电网故障风险预警方法及系统
Kang et al. Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters
CN112952807B (zh) 考虑风电不确定性与需求响应的多目标优化调度方法
CN113450031B (zh) 居民智慧用能服务潜在台区选取方法及装置
CN113837434A (zh) 太阳能光伏发电预测方法、装置、电子设备和存储介质
CN114140176A (zh) 一种负荷聚集平台的可调容量预测方法及装置
CN117595225A (zh) 一种多能互补新能源电站智慧运维方法、系统及设备
CN116467658A (zh) 一种基于马尔科夫链的设备故障溯源方法
CN116054129A (zh) 一种基于光伏制氢的多电解槽联合运行功率分配方法
CN117856238A (zh) 一种基于图计算的分布式电源可消纳能力计算方法及系统
Zhang Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors
CN116502771B (zh) 一种基于电力物资预测的配电方法及系统
CN108038518A (zh) 一种基于气象数据的光伏发电功率确定方法及系统
CN105207255B (zh) 一种适用于风电出力的电力系统调峰计算方法
CN116933512A (zh) 基于多参数融合的汽轮发电机组健康度评估与预测方法
CN116611741A (zh) 基于风电设备的服役质量指数体系构建方法及系统
Panapakidis et al. Application of the load profiling methodology in short-term bus load forecasting
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及系统
CN116561503A (zh) 一种多权重因素的光照强度惯性预测方法
Domínguez et al. Analysis of electric power consumption using Self-Organizing Maps.
CN115392560A (zh) 一种基于决策树的变流器故障预测方法和系统

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
CP01 Change in the name or title of a patent holder

Address after: 411100 1 Xingye Avenue, Jiuhua Economic District, Xiangtan, Hunan

Patentee after: Hunan anhuayuan Power Technology Co.,Ltd.

Address before: 411100 1 Xingye Avenue, Jiuhua Economic District, Xiangtan, Hunan

Patentee before: HUNAN XINGYE GREEN POWER TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder