CN111126492A - 光伏电网的故障类型的确定方法及装置 - Google Patents
光伏电网的故障类型的确定方法及装置 Download PDFInfo
- Publication number
- CN111126492A CN111126492A CN201911358691.1A CN201911358691A CN111126492A CN 111126492 A CN111126492 A CN 111126492A CN 201911358691 A CN201911358691 A CN 201911358691A CN 111126492 A CN111126492 A CN 111126492A
- Authority
- CN
- China
- Prior art keywords
- fault type
- power data
- power grid
- photovoltaic power
- weight
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请公开了一种光伏电网的故障类型的确定方法及装置,涉及电力技术领域,用于解决现有技术中传统的基于人工规则的专家系统判断故障类型的准确率低的问题。该方法包括:确定装置获取第一电力数据,第一电力数据为第一时间段内所述光伏电网的电力数据;所述确定装置将所述第一电力数据输入当前的故障类型诊断模型,以确定所述第一电力数据对应的所述光伏电网的第一故障类型,第一故障类型为所述故障类型诊断模型确定出的第一电力数据对应的光伏电网的故障类型。
Description
技术领域
本申请实施例涉及电力技术领域,尤其涉及一种光伏电网的故障类型的确定方法及装置。
背景技术
随着人工智能的发展,人工智能得到了广泛的应用,同时也深刻地影响着各行各业的发展。其中,专家系统是人工智能中发展最为迅速、应用最为广泛的一个技术方向。
在光伏电网故障诊断领域,现有技术中,一般是根据基于人工规则的专家系统判断光伏电网的故障类型。但是,光伏电网日常运行会产生大量的电力数据,同时也可能会产生新的故障类型。由于传统的基于人工规则的专家系统没有再学习能力,传统的专家系统无法准确的判断光伏电网的故障类型。
发明内容
本申请实施例提供了一种光伏电网的故障类型的确定方法及装置,用于解决现有技术中传统的基于人工规则的专家系统无法准确的判断光伏电网的故障类型的问题。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,提供了一种光伏电网的故障类型的确定方法,该方法包括:
在获取第一时间段内光伏电网的第一电力数据之后,光伏电网的故障类型的确定装置(后续为了简化描述,均以确定装置为例进行描述)将第一电力数据输入故障类型诊断模型,以确定第一电力数据对应的光伏电网的第一故障类型。
可以看出,本申请的确定装置通过预先训练好的故障类型诊断模型,对光伏电网的第一时间段的电力数据进行处理,以确定该电力数据对应的故障类型。相比现有技术,本申请提供的技术方案可以准确的确定光伏电网的故障类型。
第二方面,提供了一种光伏电网的故障类型的确定装置,该装置包括:
通信单元,用于获取第一时间段内光伏电网的第一电力数据。处理单元,用于将第一电力数据输入故障类型诊断模型,以确定第一电力数据对应的光伏电网的故障类型。
第三方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,所述指令当被执行时,实现第一方面所述的确定方法。
第四方面,提供了一种计算机程序产品,计算机程序产品包含至少一个指令,当所述指令在计算机上运行时,使得计算机执行如第一方面所述的光伏电网的故障类型的确定方法。
第五方面,提供一种光伏电网的故障类型的确定装置,包括存储器和处理器。存储器用于存储计算机执行指令,处理器与存储器通过总线连接。当光伏电网的故障类型的确定装置运行时,处理器执行存储器存储的计算机执行指令,以使确定装置执行第一方面所述的光伏电网的故障类型的确定方法。
该光伏电网的故障类型的确定装置可以是服务器或终端,也可以是服务器或终端中的一部分装置,例如服务器中的芯片系统。该芯片系统用于支持确定装置实现第一方面及其任意一种可能的实现方式中所涉及的功能,例如,获取、处理上述方法中所涉及的数据和/或信息。该芯片系统包括芯片,也可以包括其他分立器件或电路结构。
上述提供的任一种装置或计算机存储介质或计算机程序产品均用于执行上文所提供的对应的方法,因此,其所能达到的有益效果可参考上文提供的对应的方法中对应方案的有益效果,此处不再赘述。
附图说明
图1为本申请的实施例提供的一种光伏电网的故障类型的确定装置的结构示意图;
图2为本申请的实施例提供的一种故障类型诊断模型训练流程示意图;
图3为本申请的实施例提供的一种光伏电网的故障类型的确定方法的流程示意图一;
图4为本申请的实施例提供的一种光伏电网的故障类型的确定方法的流程示意图二;
图5为本申请的实施例提供的一种光伏电网的故障类型的确定方法的流程示意图三;
图6为本申请的实施例提供的一种光伏电网的故障类型的确定装置的结构示意图;
图7为本申请实施例提供的一种芯片的结构示意图。
具体实施方式
为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一电力数据和第二电力数据仅仅是为了区分不同的电力数据,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
为了便于理解本申请的技术方案,下面对一些技术术语进行介绍。
1、专家系统
专家系统是指一种基于知识(Knowledge-based)的人工智能诊断系统。实质是一种应用大量专家的知识和推理方法求解复杂的实际问题的人工智能计算机程序。专家系统能够模拟、再现、保存和复制专家的脑力劳动。专家系统可视作知识库和推理机的结合。
其中,知识库是专家的知识在计算机中的映射,一般包含大量的数据案例与专家在特定领域的知识集合。本申请实施例中,知识库包含了大量的光伏电网的电力数据以及对应的故障类型。知识库还包括了大量的光伏电网正常运行的电力数据。
推理机是专家系统中实现基于知识推理的部件,是基于知识的推理在计算机中的实现。
2、电力数据
电力数据是指光伏电网的运行数据。
其中,每个电力数据都有多个特征维度。每个特征维度具有对应的数值。
示例性,电力数据的特征维度可以包括天气状况、时间维度。其中,当天气为晴天时,天气状况对应的数值为1;当天气为降水(包括降雨、降雪)时,天气状况对应的数值为2;当天气为其他状况时,天气状况对应的数值为0。时间维度可以包括年、月、日、时刻。例如,2019年7月12日19:00的电力数据。
电力数据还可以包括以下特征维度中的一个或多个:功率、累计能量读数、三相电流值1、三相电流值2、三相电流值3、三相电压值1、三相电压值2、三相电压值3、直流系统直流柜馈线开关指示灯指示是否正确、直流系统直流柜馈线开关指示灯状态是否正确、直流柜测量表计显示是否正确、直流柜测量表计有无损坏现象、直流柜绝缘监察装置工作是否正常、直流柜绝缘监察装置有无故障报警、电压表显示是否正常、指示灯有无损坏现象电压表有无损坏现象、充电器风扇有无异音、设备编号、继保装置指示灯指示是否正常、继保装置指示灯亮度是否正常、继保装置指示仪表指示是否正确、压板位置是否正确、控制开关有无异常报警、压板位置有无异常报警、故障录波器屏内打印机色带及纸张是否充足、测控装置有无异常报警GPS时钟显示是否正确电源指示是否正常、电能量计量系统电能表显示是否正常、电量报表电量数据是否正确、远动设备远动机运行是否正常、远动设备远动机通讯是否正常升压、站户外端子箱柜内卫生是否清洁、户外断路器设备本体有无悬挂物、户外断路器本体内部有无异音、主变压器储油柜外观是否完好、变压器本体声音是否异常、电压互感器本体有无渗漏、低压配电柜母线电压计是否完整、低压配电柜母线电流计是否完整、控制系统参数设置是否正确。
需要说明的是,对于上述需要确定是否的特征维度,在结果为“是”的情况下,特征维度的数值为1;在结果为“否”的情况下,特征维度的数值为0。例如,对于特征维度“电压表显示是否正常”,若电压表显示正常,则数值为1;若电压表显示不正常,则数值为0。
3、故障类型
故障类型是指光伏电网发生故障的原因。
示例性的,如表1所示,表1示出了本申请实施例提供的光伏电网的故障类型。
表1故障类型
需要说明的是,表1中,对于故障类型1,故障类型1为通讯故障。通讯故障是指光伏电网的电力设备的电力数据的采集和电力数据的传输过程中发生故障,光伏电网的具体表现为支路电流持续长时间不发生变化或跳转。故障类型2-故障类型6的描述可以参照故障类型1,此处不在赘述。
现有的专家系统,存在以下问题:
1、严重依赖于专家的电气知识和经验规则。在遇到光伏电网的故障实时诊断时,无法有效处理光伏电网故障分类的问题。
2、光伏电网日常运行会产生大量的电力数据。传统的基于人工规则的专家系统,对电网新的故障诊断没有解决能力和再学习能力。
3、基于知识的逻辑推理规则的专家系统,需要大量的专家参与研发,推理机的开发难度较高。
为解决上述问题,本申请实施例提供了一种光伏电网的故障类型的确定方法。确定装置通过预先训练好的故障类型诊断模型,对光电电网的第一时间段内的电力数据进行处理,以确定第一时间段内光伏电网的故障类型。相比现有技术,本申请实施例提供的技术方案可以准确的确定光伏电网的故障类型。
本申请实施例中,确定装置为用于确定光伏电网的故障类型的服务器或者终端。或者,可以为服务器或终端中的芯片。
其中,服务器可以实体服务器,也可以为虚拟服务器,例如,云端服务器。
终端可以有不同的名称,例如用户设备(user equipment,UE)、接入终端、终端单元、终端站、移动站、移动台、远方站、远程终端、移动设备、无线通信设备、车辆用户设备、终端代理或终端装置等。
可选的,所述终端可以为各种具有计算能力的手持设备、计算机,本申请实施例对此不作任何限定。例如,手持设备可以是智能手机。计算机可以是个人数字助理(personaldigital assistant,PDA)电脑、平板型电脑以及膝上型电脑(laptop computer)。
为了便于理解,下面对本申请实施例中的确定装置的结构进行描述。
图1示出了该确定装置的硬件结构。如图1所示,确定装置包括处理器110、存储器120、输入/输出接口130、显示器140和总线150。其中,处理器110、存储器120、输入/输出接口130、显示器140通过总线150实现彼此之间的通信连接。
处理器110可以采用通用的中央处理器(Central Processing Unit,CPU),微处理器,应用专用集成电路(Application Specific Integrated Circuit,ASIC),或者一个或多个集成电路,用于执行相关程序,以实现本申请实施例的数据可视化的处理中的模块所需执行的功能,或者执行本申请方法实施例的数据可视化的处理方法。
处理器110可能是一种集成电路芯片,具有信号的处理能力。
上述的处理器110可以是通用处理器、数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(ASIC)、现成可编程门阵列(Field Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。通用处理器直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器120,处理器110读取存储器120中的信息,结合其硬件完成本申请实施例的确定装置中包括的模块所需执行的功能,或者执行本申请方法实施例的数据可视化的处理方法。
存储器120可以是只读存储器(Read Only Memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(Random Access Memory,RAM)。
存储器120可以存储操作系统以及其他应用程序。在通过软件或者固件来实现本申请实施例的确定装置中包括的模块所需执行的功能,或者执行本申请方法实施例的光伏电网的故障类型的确定方法时,用于实现本申请实施例提供的技术方案的程序代码保存在存储器120中,并由处理器110来执行确定装置中包括的模块所需执行的操作,或者执行本申请方法实施例提供的数据可视化的处理方法。
输入/输出接口130用于接收输入的数据和信息,输出操作结果等数据。
显示器140用于显示接收输入的数据和信息,显示推理结果等。
总线150可包括在确定装置各个部件(例如处理器110、存储器120、输入/输出接口130、显示器140)之间传送信息的通路。
应注意,尽管图1所示的确定装置仅仅示出了处理器110、存储器120、输入/输出接口130、显示器140以及总线150,但是在具体实现过程中,本领域的技术人员应当明白,确定装置还包括实现正常运行所必须的其他器件。同时,根据具体需要,本领域的技术人员应当明白,确定装置还可包括实现其他附加功能的硬件器件。此外,本领域的技术人员应当明白,确定装置也可仅仅包括实现本申请实施例所必须的器件,而不必包括图1中所示的全部器件。
需要指出的是,图1示出的结构并不构成对该确定装置的限定。除图1所示部件之外,该确定装置的可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合附图对本申请实施例提供的光伏电网的故障类型的确定方法进行详细介绍。
本申请实施例提供的光伏电网的故障类型的确定方法包括:确定装置不断获取光伏电网新的电力数据以及对应的故障类型,并结合光伏电网知识库中的历史电力数据以及对应的故障类型,训练得到故障类型诊断模型的流程(简称为“故障类型诊断模型训练流程”)和确定装置根据故障类型诊断模型,对第一时间段内的光伏电网的故障类型进行推理的流程(简称为“故障类型推理流程”)。
需要说明的是,本申请实施例中,确定装置可以循环执行训练阶段和推理阶段。这样,确定装置可以不断获取光伏电网的电力数据,以及可能出现的新的故障类型。然后,确定装置不断通过新的电力数据和新的故障类型,训练故障类型诊断模型,使得故障类型诊断模型不断学习新的电力数据以及新的故障类型。这样,确定装置通过循环执行训练阶段和推理阶段,可以不断根据新的电力数据和故障类型,更新故障类型诊断模型,以使得故障类型诊断模型更具有泛化能力。
下面先对“故障类型诊断模型训练流程”进行描述。
如图2所示,“故障类型诊断模型训练流程”包括:
步骤101、确定装置获取第一预设时间内光伏电网的M个第三电力数据。
其中,第一预设时间段可以为当前时间之前的时间段。示例性的,预设时间可以为当前时间之前的1个月。M为正整数。
一种可能的实现方式中,确定装置可以按照时间间隔获取预设时间内的光伏电网的第三电力数据。例如,时间间隔可以为一天。也就是说,确定装置可以每隔一天获取光伏电网一个月内的M个第三电力数据。
步骤102、确定装置确定M个第三电力数据对应的故障类型。
一种可能的实现方式中,确定装置可以具有电力数据与故障类型的对应关系。
在该对应关系中具有第三电力数据对应的故障类型的情况下,确定装置可以根据该对应关系,确定第三电力数据对应的故障类型。
在该对应关系中没有第三电力数据对应的故障的情况下,确定装置可以输出提示信息,以提示需要人工确认故障类型。该提示信息用于表示确定装置无法确定第三电力数据对应的故障类型。
示例性的,确定装置具有显示装置,确定装置可以通过显示装置显示无法确认第三电力数据对应的故障类型的信息。
另一种可能的实现方式中,在确定装置已经具有故障类型诊断模型的情况下,确定装置可以将M个第三电力数据输入故障类型诊断模型,以确定光伏电网的故障类型。然后,在故障类型诊断模型输出的故障类型与光伏电网的实际故障类型不一致的情况下,由人工进行纠正,并将纠正后的故障类型输入确定装置。
需要说明的是,M个第三电力数据还包括光伏电网正常运行的电力数据。
步骤103、确定装置获取第二预设时间段内光伏电网的N个第四电力数据以及对应的故障类型。
其中,第二预设时间段为第一预设时间段之前的时间段。N个第四电力数据是已知光伏电网运行状态的电力数据。光伏电网运行状态包括光伏电网正常运行以及光伏电网发生故障。若第四电力数据为光伏电网发生故障对应的电力数据,则确定装置还可以从知识库中获取该第四电力数据对应的故障类型。N为正整数。
一种可能的实现方式中,为了减少确定装置的运算量,在M大于等于阈值的情况下,确定装置从光伏电网的知识库中获取N个第四电力数据。
步骤104、确定装置根据M个第三电力数据以及对应的故障类型,和N个第四电力数据以及对应的故障类型,训练故障类型诊断模型。
其中,故障类型诊断模型包括多个子模型。该多个子模型中每个子模型具有对应的权重。
需要说明的是,步骤101-步骤104中的故障类型为光伏电网的实际故障类型。
一种可能的实施例中,步骤104可以通过以下步骤实现。
步骤201、确定装置根据M个第三电力数据以及对应的故障类型,和N个第四电力数据以及对应的故障类型,确定多个子模型中每个子模型确定故障类型的准确率,并根据子模型的准确率确定该子模型对应的权重。
一种可能的实现方式中,本申请实施例中,确定装置将M个第三电力数据和N个第四电力数据混合后,得到一个电力数据集合。然后,确定装置将该电力数据集合划分为训练集和验证集。
其中,训练集包括一个或多个第三电力数据,和一个或多个第四电力数据。验证集包括一个或多个第三电力数据,和一个或多个第四电力数据。
进一步的,训练集中的电力数据的数量和验证集中的电力数据的数量之间的比值可以为预设值。例如该预设值为1/3。
需要说明的是,为了保证电力数据的准确性和完整性,确定装置可以对该电力数据集合中的每个电力数据进行缺失值处理和异常值处理。下面对这两种处理方法进行说明。
1、缺失值处理。缺失值处理是指对于该电力数据集合中特征维度缺少对应的数值,或者特征维度的数值为乱码的电力数据,确定装置可以删除该电力数据,或对该电力数据作平滑处理。
示例性的,若电力数据a缺少数值的特征维度的数量大于等于第一阈值,则确定装置可以删除电力数据a。若电力数据b缺少数值的特征维度的数量小于第一阈值,则确定装置可以进行平滑处理。例如,电力数据b缺少特征维度1和特征维度2的数值,确定装置可以将其他电力数据的特征维度1的数值的平均值作为电力数据b的特征维度1的数值,将其他电力数据的特征维度2的数值的平均值作为电力数据b的特征维度2的数值。
2、异常值处理。异常值处理是指对于电力数据集合中,存在特征维度(如电流或电压等)对应的值超过预设范围的电力数据,确定装置可以将该电力数据删除。
示例性的,若电力数据c的特征维度的数值大于等于第二阈值,则确定装置可以删除电力数据c。
一种可能的实现方式中,确定装置根据上述训练集以及预设算法对基础模型进行训练,得到多个子模型。
示例性的,预设算法可以包括随机森林(Random Forest)算法、轻型梯度提升树(light gradient boosting machine,Light GBM)算法和K最近邻(k-nearest neighbor,KNN)算法。确定装置根据Random Forest算法以及训练集对基础模型训练,可以得到RandomForest模型。确定装置根据Light GBM算法以及训练集对基础模型训练,得到Light GBM模型。确定装置根据KNN算法以及训练集对基础模型训练,得到KNN模型。该三个模型的具体训练过程,可以参照现有技术,本申请实施例不再赘述。本申请实施例中,对于预设算法并不局限于此。
需要说明的是,确定装置在构建KNN模型还需要使用到距离量度有关的算法。因此,确定装置需要对电力数据中数值为连续性的特征维度(如电流、电压等)进行归一化处理。LightGBM模型与Random Forest模型则不需要。
示例性的,确定装置可以根据公式一对电力数据进行归一化处理。
其中,e为自然对数,zj为k个连续性的特征维度中第j个特征维度的数值。σ(z)j为第j个特征维度归一化处理后的数值。j=1、2……k,k为正整数。
在训练得到多个子模型后,确定装置对每个子模型进行验证,确定每个子模型的准确率。例如,确定装置使用上述验证集验证每个子模型的准确率。
示例性的,确定装置可以根据公式二计算每个子模型的准确率。
示例性的,确定装置通过训练集得到三个子模型,分别为:子模型1、子模型2以及子模型3。对于子模型1,确定装置将验证集的n个电力数据输入子模型1,得到n个电力数据中每个电力数据对应的故障类型。确定装置具有n个电力数据对应的实际故障类型。若子模型1确定的电力数据的故障类型与实际故障类型一致,则确定装置记作第一字符,例如,1。若子模型1确定的电力数据的故障类型与实际故障类型不一致,则确定装置记作第二字符,例如,0。这样,确定装置可以确定n个电力数据中每个电力数据对应的故障类型和实际故障类型。
例如,n=100。确定装置将该100个电力数据输入子模型1,得到该100个电力数据中每个电力数据对应的故障类型。其中,该100个电力数据中子模型1确定的故障类型与实际故障类型一致的电力数据的数量为60,子模型1确定的故障类型与实际故障类型不一致的电力数据的数量为40。则确定装置根据公式二,确定子模型1的准确率为60/100=0.6。
对于子模型2以及子模型3,确定装置可以参照子模型1的验证方法,确定每个子模型的准确率,此处不再赘述。
在确定每个子模型的准确率后,确定装置可以根据每个子模型的准确率,确定每个子模型的权重。
示例性,确定装置可以通过归一化算法确定每个子模型的权重。
例如,子模型1的准确率为0.7,子模型2的准确率为0.5,子模型3的准确率为0.8。则子模型1的权重为0.7/(0.7+0.5+0.8)=0.35,子模型2的权重为0.25,子模型3的权重为0.4。
步骤202、确定装置根据每个子模型以及每个子模型的权重,确定故障类型诊断模型。
一种可能的实现方式中,确定装置具有融合模块。该融合模块用于将多个子模型按照各自对应的权重进行融合,得到故障类型诊断模型。
接下来对“故障类型推理流程”进行描述。
采用上述方法训练好故障类型诊断模型之后,确定装置可以确定第一时间段内光伏电网的故障类型。如图3所示,包括:
步骤301、确定装置获取第一电力数据。
其中,第一电力数据为第一时间段内的光伏电网的电力数据。
需要说明的是,在故障类型推理流程阶段,确定装置可以根据步骤201中的电力数据的处理方法对第三电力数据进行处理。
步骤302、确定装置将第一电力数据输入当前的故障类型诊断模型,以确定第一电力数据对应的光伏电网的第一故障类型。
其中,第一故障类型为故障类型诊断模型确定出的第一电力数据对应的光伏电网的故障类型。
一种可能的实现方式中,确定装置将第一电力数据输入当前的故障类型诊断模型,得到对应的光伏电网的运行状态。其中,运行状态包括正常运行、至少一个故障类型。其中,至少一个故障类型中每个故障类型对应一个概率。服务器可以将概率最大的故障类型确定为光伏电网当前时间段的故障类型。
示例性的,第一电力数据的数量为10个。当前的故障类型诊断模型包括三个子模型,分别为子模型1、子模型2以及子模型3。其中,子模型1的权重为0.35,子模型2的权重为0.25,子模型3的权重为0.4。
确定装置根据子模型1、子模型2、子模型3以及10个第三电力数据,确定光伏电网的运行正常的概率以及每个故障类型的概率如表2所示。
表2运行正常的概率以及每个故障类型的概率
根据表2的概率以及每个子模型的权重,确定装置可以确定该10个第一电力数据对应故障类型1的概率为0.2*0.35+0.2*0.25+0.4*0.4=0.28,故障类型2的概率为0.4*0.35+0.1*0.25+0.2*0.4=0.245,故障类型3的概率为0.3*0.35+0.1*0.25+0.4*0.4=0.29,故障类型4的概率为0.1*0.35+0.6*0.25+0*0.4=0.185。故障类型5、故障类型6以及正常运行的概率为0。确定装置可以确定该光伏电网对应的故障类型为故障类型2。
可选的,在第一电力数据对应的至少一个故障类型的概率相同或相近的情况下,确定装置可以输出该至少一个故障类型。该至少一个故障类型为需要人工进一步确认的故障类型。
本申请实施例中,确定装置在获取第一时间段内光伏电网的第一电力数据后,将第一电力数据输入预先训练好的故障类型诊断模型,以确定第一时间段光伏电网对应的故障类型。由于,确定装置可以不断更新电力数据以及光伏电网的故障类型。然后,确定装置获取根据新的电力数据以及新的故障类型,生成故障类型诊断模型。这样,在不断获得新的电力数据的情况下,确定装置可以确保训练得到的故障类型诊断模型具有更强的泛化,同时也提高了该故障类型诊断模型的准确性。然后,确定装置根据光伏电网的第一时间段内的电力数据以及故障类型诊断模型,可以确定的确定第一时间段内光伏电网的故障类型。
在确定第一时间段光伏电网的故障类型之后,确定装置再次进入“故障类型诊断模型训练阶段”。如图4所示,本申请实施例提供的光伏电网的故障类型的确定方法,还可以包括:
步骤303、确定装置获取第一电力数据对应的光伏电网的实际故障类型。
一种可能的实现方式中,在确定装置可以根据故障类型诊断模型,确定第一电力数据,确定光伏电网的第一故障类型之后,可以由人工根据第一电力数据,确定第一时间段的光伏电网的实际故障类型。然后,工作人员将电力数据的实际故障类型输入确定装置。相应的,确定装置接收第一电力数据的实际故障类型。
步骤304、确定装置判断光伏电网的实际故障类型与第一故障类型是否相同。
其中,在实际故障类型与第一故障类型相同的情况下,确定装置将判断结果记作第一字符,例如,1。在实际故障类型与第一故障类型不相同的情况下,确定装置将判断结果记作第二字符,例如,0。
步骤305、确定装置根据判断结果,调整当前的故障类型诊断模型中至少两个子模型的权重。
示例性的,至少两个子模型包括第一子模型和第二子模型。
一种可能的实现方式中,如图5所示,步骤305可以通过以下步骤实现:
步骤401、确定装置根据归一化算法以及判断结果,确定第一权重和第二权重。
该步骤具体可以参考步骤201,此处不再赘述。
步骤402、确定装置将第一子模型的权重更新为第一权重,并将第二子模型的权重更新为第二权重。
需要说明的是,上述步骤401和步骤402,仅以两个子模型为例进行说明。在故障类型诊断模型包括多个子模型的情况下,确定装置可以采用步骤201中的方法,确定每个子模型的新的权重。然后,确定装置将当前的故障类型诊断模型中的每个子模型的权重更新为新的权重。
需要说明的是,本申请实施例中,确定装置可以根据第一电力数据以及第一电力数据对应的故障类型,重新训练每个子模型,并重新计算每个子模型的权重。这样就能保证故障类型诊断模型的准确率,不会因为不同时间段的电力数据的分布不同而降低。同时,确定装置还可以将新的电力数据加入训练集,以使得故障类型诊断模型保持实时推理结果的可靠与准确,增强模型的泛化能力。
可选的,如图5所示,本申请实施例提供的光伏电网的故障类型的确定方法,还可以包括:
步骤501、确定装置获取第二电力数据。
其中,第二电力数据为第二时间段内光伏电网的电力数据。第二时间段为第一时间段之后的时间段。
步骤502、确定装置将第二电力数据输入到权重调整后的故障类型诊断模型,以确定第二电力数据对应的光伏电网的故障类型。
可选的,本申请实施例提供的光伏电网的故障类型的确定方法,还可以包括:若确定该光伏电网的运行出现故障,确定装置输出告警信息。
其中,该告警信息用于提示该光伏电网运行异常。
本申请实施例可以根据上述方法示例对光伏电网的故障类型的确定装置进行功能模块或者功能单元的划分,例如,可以对应各个功能划分各个功能模块或者功能单元,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块或者功能单元的形式实现。其中,本申请实施例中对模块或者单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
本申请实施例提供了一种光伏电网的故障类型的确定装置,如图6所示,该确定装置可以包括:
通信单元410,用于获取第一电力数据。
其中,第一电力数据为第一时间段内光伏电网的电力数据。
例如,结合图4,通信单元410可以用于执行步骤301。
处理单元420,用于将第一电力数据输入当前的故障类型诊断模型,以确定第一时间段内光伏电网的第一故障类型。
其中,第一故障类型为故障类型诊断模型确定出的第一电力数据对应的光伏电网的故障类型。
例如,结合图4,处理单元420可以用于执行步骤302。
可选的,通信单元410,还用于获取第一电力数据对应的光伏电网的实际故障类型。
例如,结合图4,通信单元410可以用于执行步骤303。
处理单元420,还用于判断光伏电网的实际故障类型与第一故障类型是否相同。
例如,结合图4,处理单元420可以用于执行步骤304。
处理单元420,还用于根据判断结果,调整当前的故障诊断模型中至少两个子模型的权重。
例如,结合图4,处理单元420可以用于执行步骤305。
可选的,在至少两个子模型为第一子模型和第二子模型的情况下,处理单元420,具体用于:根据归一化算法,确定第一权重和第二权重;将第一子模型的权重更新为第一权重,并将第二子模型的权重更新为第二权重。
例如,结合图5,处理单元420可以具体用于执行步骤401和步骤402。
可选的,通信单元410,还用于获取第二电力数据。
其中,第二电力数据为第二时间段内光伏电网的电力数据。第二时间段为第一时间段之后的时间段。
例如,结合图5,通信单元410可以用于执行步骤501。
处理单元420,还用于将第二电力数据输入权重调整后的故障类型诊断模型,以确定第二时间段内光伏电网的故障类型。
例如,结合图5,处理单元420可以用于执行步骤502。
图7是本申请实施例提供的芯片160的结构示意图。芯片160包括一个或两个以上(包括两个)处理器1610和通信接口1630。
可选的,该芯片160还包括存储器1640,存储器1640可以包括只读存储器和随机存取存储器,并向处理器1610提供操作指令和数据。存储器1640的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory,NVRAM)。
在一些实施方式中,存储器1640存储了如下的元素,执行模块或者数据结构,或者他们的子集,或者他们的扩展集。
在本申请实施例中,通过调用存储器1640存储的操作指令(该操作指令可存储在操作系统中),执行相应的操作。
其中,上述处理器1610可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,单元和电路。该处理器可以是中央处理器,通用处理器,数字信号处理器,专用集成电路,现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,单元和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
存储器1640可以包括易失性存储器,例如随机存取存储器;该存储器也可以包括非易失性存储器,例如只读存储器,快闪存储器,硬盘或固态硬盘;该存储器还可以包括上述种类的存储器的组合。
总线1620可以是扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。总线1620可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能单元的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元完成,即将装置的内部结构划分成不同的功能单元,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当计算机执行该指令时,该计算机执行上述方法实施例所示的方法流程中的各个步骤。
其中,计算机可读存储介质,例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘。随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的人以合适的组合、或者本领域数值的任何其他形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit,ASIC)中。在本申请实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
本发明的实施例提供一种包含指令的计算机程序产品,当指令在计算机上运行时,使得计算机执行如图2、图3、图4、图5中所述的光伏电网的故障类型的确定方法。
由于本发明的实施例中的光伏电网的故障类型的确定装置、计算机可读存储介质、计算机程序产品可以应用于上述方法,因此,其所能获得的技术效果也可参考上述方法实施例,本发明实施例在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种光伏电网的故障类型的确定方法,其特征在于,包括:
获取第一电力数据,所述第一电力数据为第一时间段内所述光伏电网的电力数据;
将所述第一电力数据输入到当前的故障类型诊断模型中,以确定第一故障类型,所述第一故障类型为所述故障类型诊断模型确定的所述第一电力数据对应的所述光伏电网的故障类型。
2.根据权利要求1所述的确定方法,其特征在于,所述确定方法还包括:
获取所述第一电力数据对应的所述光伏电网的实际故障类型;
判断所述实际故障类型与所述第一故障类型是否相同;
根据判断结果,调整所述当前的故障类型诊断模型中至少两个子模型的权重。
3.根据权利要求2所述的确定方法,其特征在于,所述至少两个子模型包括第一子模型以及第二子模型,所述根据判断结果,调整所述当前的故障类型诊断模型中至少两个子模型的权重,包括:
根据所述判断结果以及归一化算法,确定第一权重以及第二权重;
将所述第一子模型的权重更新为所述第一权重,并将所述第二子模型的权重更为所述第二权重。
4.根据权利要求2或3所述的确定方法,其特征在于,所述确定方法还包括:
获取第二电力数据,所述第二电力数据为第二时间段内所述光伏电网的电力数据;所述第二时间段为第一时间段之后的时间段;
将所述第二电力数据输入到权重调整后的故障类型诊断模型,以确定所述第二电力数据对应的所述光伏电网的故障类型。
5.一种光伏电网的故障类型的确定装置,其特征在于,包括:
通信单元,用于获取第一电力数据,所述第一电力数据为第一时间段内所述光伏电网的电力数据;
处理单元,用于将所述第一电力数据输入当前的故障类型诊断模型,以确定所述第一电力数据对应的所述光伏电网的第一故障类型,所述第一故障类型为所述故障类型诊断模型确定的所述第一电力数据对应的所述光伏电网的故障类型。
6.根据权利要求5所述的确定装置,其特征在于,
所述通信单元,还用于获取所述第一电力数据对应的所述光伏电网的实际故障类型;
所述处理单元,还用于判断所述实际故障类型与所述第一故障类型是否相同;
所述处理单元,还用于根据判断结果,调整所述当前的故障类型诊断模型中至少两个子模型的权重。
7.根据权利要求6所述的确定装置,其特征在于,所述至少两个子模型包括第一子模型和第二子模型,所述处理单元,具体用于:
根据所述判断结果以及归一化算法,确定第一权重以及第二权重;
将所述第一子模型的权重更新为所述第一权重,并将所述第二子模型的权重更新为所述第二权重。
8.根据权利要求6或7所述的确定装置,其特征在于,
所述通信单元,还用于获取第二电力数据,所述第二电力数据为第二时间段内所述光伏电网的电力数据;所述第二时间段为所述第一时间段之后的时间段;
所述处理单元,还用于将所述第二电力数据输入权重调整后的故障类型诊断模型,以确定所述第二电力数据对应的所述光伏电网的故障类型。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令被执行时,实现如权利要求1-4任一项所述的确定方法。
10.一种光伏电网的故障类型的确定装置,其特征在于,包括存储器和处理器;所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过总线连接;
当所述光伏电网的故障类型的确定装置运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述光伏电网的故障类型的确定装置执行如权利要求1-4任一项所述的光伏电网的故障类型的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358691.1A CN111126492A (zh) | 2019-12-25 | 2019-12-25 | 光伏电网的故障类型的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358691.1A CN111126492A (zh) | 2019-12-25 | 2019-12-25 | 光伏电网的故障类型的确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126492A true CN111126492A (zh) | 2020-05-08 |
Family
ID=70502390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911358691.1A Pending CN111126492A (zh) | 2019-12-25 | 2019-12-25 | 光伏电网的故障类型的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126492A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131852A (zh) * | 2020-09-14 | 2020-12-25 | 中国南方电网有限责任公司超高压输电公司昆明局 | 换流站故障报告自动生成方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017216673A1 (en) * | 2016-06-13 | 2017-12-21 | Electrical Grid Monitoring Ltd. | A method and system for dynamic fault detection in an electric grid |
CN108646725A (zh) * | 2018-07-31 | 2018-10-12 | 河北工业大学 | 基于动态加权的双模型故障诊断方法 |
CN109146076A (zh) * | 2018-08-13 | 2019-01-04 | 东软集团股份有限公司 | 模型生成方法及装置、数据处理方法及装置 |
CN110188834A (zh) * | 2019-06-04 | 2019-08-30 | 广东电网有限责任公司 | 一种电力通信网的故障诊断方法、装置及设备 |
CN110336590A (zh) * | 2019-07-23 | 2019-10-15 | 广东电网有限责任公司 | 一种电力通信网的故障定位方法、装置及设备 |
-
2019
- 2019-12-25 CN CN201911358691.1A patent/CN111126492A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017216673A1 (en) * | 2016-06-13 | 2017-12-21 | Electrical Grid Monitoring Ltd. | A method and system for dynamic fault detection in an electric grid |
CN108646725A (zh) * | 2018-07-31 | 2018-10-12 | 河北工业大学 | 基于动态加权的双模型故障诊断方法 |
CN109146076A (zh) * | 2018-08-13 | 2019-01-04 | 东软集团股份有限公司 | 模型生成方法及装置、数据处理方法及装置 |
CN110188834A (zh) * | 2019-06-04 | 2019-08-30 | 广东电网有限责任公司 | 一种电力通信网的故障诊断方法、装置及设备 |
CN110336590A (zh) * | 2019-07-23 | 2019-10-15 | 广东电网有限责任公司 | 一种电力通信网的故障定位方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
李再华;刘明昆;: "电力系统故障的智能诊断综述", 电气技术 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131852A (zh) * | 2020-09-14 | 2020-12-25 | 中国南方电网有限责任公司超高压输电公司昆明局 | 换流站故障报告自动生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564181B (zh) | 电力设备故障检测与维修方法及终端设备 | |
Zhang et al. | Chance-constrained two-stage unit commitment under uncertain load and wind power output using bilinear benders decomposition | |
CN115015474B (zh) | 一种电力用户的碳排放量检测方法及设备 | |
CN112559279A (zh) | 不间断电源系统故障预测方法、设备和计算机可读存储介质 | |
CN107677967B (zh) | 确定电池电量的方法及装置 | |
CN110988563B (zh) | 一种ups故障检测方法、装置、设备和存储介质 | |
CN111198799A (zh) | 一种基于lstm的机房功耗预警方法、系统、终端及存储介质 | |
CN115549084A (zh) | 配电网故障确定方法、装置、计算机设备和存储介质 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN115796708A (zh) | 一种工程建设用的大数据智能质检方法、系统和介质 | |
CN104158489B (zh) | 光伏电站的监测方法和电站监测系统 | |
CN111126492A (zh) | 光伏电网的故障类型的确定方法及装置 | |
CN109116183B (zh) | 谐波模型参数辨识方法、装置、存储介质及电子设备 | |
CN113408804B (zh) | 窃电行为检测方法、系统、终端设备及存储介质 | |
CN116303480B (zh) | 基于云计算的电能表误差校验方法 | |
CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
CN116073340A (zh) | 一种源荷互动场景下的继电保护定值单生成方法及装置 | |
CN114595746A (zh) | 配电网故障原因的分类方法、装置、设备及存储介质 | |
CN110070230B (zh) | 一种局部电网机组窝电量评估计算方法、装置及存储介质 | |
CN117110976B (zh) | 电表异常检测方法、装置、电子设备和存储介质 | |
US20220147851A1 (en) | Learning device, learning method, learning data generation device, learning data generation method, inference device, and inference method | |
CN115409647A (zh) | 一种基于人工智能的能量路由器寿命预测方法和装置 | |
CN114743703A (zh) | 核电站机组的可靠性分析方法、装置、设备和存储介质 | |
CN116400173A (zh) | 输电线路的故障识别方法 | |
CN115640944A (zh) | 电网数据质量综合评价方法、系统、装置及终端设备 |
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 |