CN113919474B - 一种面向光伏运维数据的约简方法 - Google Patents
一种面向光伏运维数据的约简方法 Download PDFInfo
- Publication number
- CN113919474B CN113919474B CN202111066418.9A CN202111066418A CN113919474B CN 113919474 B CN113919474 B CN 113919474B CN 202111066418 A CN202111066418 A CN 202111066418A CN 113919474 B CN113919474 B CN 113919474B
- Authority
- CN
- China
- Prior art keywords
- individual
- maintenance data
- photovoltaic
- individuals
- setting
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 230000006978 adaptation Effects 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种面向光伏运维数据的约简方法,从光伏电站的运维系统中导出光伏运维数据;设置种群大小,最大代数;迭代执行改进的差分演化操作得到最优个体;将最优个体解码为光伏运维数据的约简结果,即实现光伏运维数据的约简。本发明应用改进的演化算法来优化光伏运维数据的约简效果,在改进的演化算法中,利用选择的个体与最优个体的适应值差值作为启发式信息,再利用启发式信息对选择的个体与最优个体进行线性组合生成组合均值,然后利用组合均值增强最优个体在搜索过程中的主导作用,以此提升算法的局部搜索能力,从而提高了光伏运维数据的约简效率。
Description
技术领域
本发明涉及光伏运维数据分析领域,尤其是涉及一种面向光伏运维数据的约简方法。
背景技术
由于光伏发电具有无污染,无需消耗燃料等优点,光伏电站正在迅速地建设。随着光伏电站的不断涌现,如何提高光伏电站的运维效率是光伏电站技术人员当前所面临的一项紧迫任务。光伏组件的故障诊断是光伏电站的运维中的重要任务。因此,提升光伏组件的故障诊断精度可以在很大程度上提高光伏电站的运维效率。
为了高效地诊断出光伏组件在运行过程中出现的故障,许多技术人员已经将数据挖掘技术引入到了光伏组件的故障诊断中。然而,在光伏电站运维数据中往往存在着大量的冗余数据或者与光伏组件故障不相关的数据,这在很大程度上影响了光伏组件故障诊断的精度。为了解决这个问题,技术人员就需要对光伏运维数据进行约简,也就是删除光伏运维数据中的冗余数据或者与光伏组件故障不相关的数据,从而提升光伏组件故障诊断的精度。然而,光伏运维数据的约简往往是一个NP(网络处理器)完全性问题。因此,传统确定性搜索方法常常难以在有效的时间内求解出满足实际工程要求的约简结果。为此,研究人员提出了基于演化算法的光伏运维数据约简方法。
演化算法是一种模拟自然演化规律的智能算法,它在解决许多工程实践中的NP完全性问题时获得了较可行的结果。然而,传统演化算法在解决光伏运维数据的约简时容易出现局部搜索能力不足的问题。
发明内容
本发明的目的是提供一种面向光伏运维数据的约简方法。在一定程度上克服传统演化算法应用于光伏运维数据的约简时容易出现局部搜索能力不足的缺点,提高光伏运维数据的约简效率。
本发明采用以下技术方案。一种面向光伏运维数据的约简方法,其步骤如下:
1)从光伏电站的运维系统中导出光伏运维数据;
2)设置种群大小LPS,最大代数MGN;
3)设置代数t=0;
5)计算种群中每个个体的适应值;
6)从种群中找出适应值最小的个体记为最优个体BGX;
7)设置适应性系数FAtk=0.1;
12)按照公式(1)计算当前适应性系数CFAtk:
其中,arf为[0,0.2]之间的随机实数;prf为[0,1]之间的随机实数;
17)按照公式(2)计算累积权重sumd:
sumd=swb+sw1+sw2 (2)
18)按照公式(3)计算组合均值xu:
19)按照公式(4)计算组合标准差xstd:
20)按照公式(5)计算差分变异量DVX:
其中,krf为[0,1]之间的随机实数;
其中,krd为[0,1]之间的随机实数;
其中,ptr为[0,1]之间的随机实数;jrd为[1,RD]之间随机生成的整数;表示交叉个体中存储的光伏运维数据的第cj个特征的约简权重;表示个体中存储的光伏运维数据的第cj个特征的约简权重;表示变异个体中存储的光伏运维数据的第cj个特征的约简权重;
25)设置适应性系数FAtk=CFAtk;
26)从种群中找出适应值最小的个体记为最优个体BGX;
27)设置代数t=t+1;
28)如果t小于MGN,则转到步骤8),否则转到步骤29);
29)将最优个体BGX解码为光伏运维数据的约简结果,即实现光伏运维数据的约简。
本发明应用改进的演化算法来优化光伏运维数据的约简效果,在改进的演化算法中,利用选择的个体与最优个体的适应值差值作为启发式信息,再利用启发式信息对选择的个体与最优个体进行线性组合生成组合均值,然后利用组合均值增强最优个体在搜索过程中的主导作用,以此提升算法的局部搜索能力,从而提高了光伏运维数据的约简效率。
附图说明
图1为本发明实施例的流程图。
具体实施方式
下面通过实施例,并结合图1,对本发明的技术方案作进一步具体的说明。
实施例:
本发明的具体实施步骤如下(参见图1):
步骤1)从光伏电站的运维系统中导出光伏运维数据;所述光伏运维数据包括但不限于输出电流、输出电压、光照强度、入射角度、光伏阵列安装角度、光伏阵列转换率、光伏阵列表面温度、光伏阵列使用时间、光伏阵列所处地的经度、光伏阵列所处地的纬度、光伏阵列的海拔高度、光伏阵列所处地的环境温度和光伏阵列所处地的环境湿度,以及光伏阵列的故障类型;
步骤2)设置种群大小LPS=30,最大代数MGN=5000;
步骤3)设置代数t=0;
步骤5)计算种群中每个个体的适应值;所述适应值的计算方法为:对于种群中的第tk个个体首先从个体中提取出光伏运维数据的每个特征的约简权重,然后根据每个特征的约简权重删除光伏运维数据中对应的特征,当约简权重小于0.5时,则删除光伏运维数据中对应的特征,否则保留光伏运维数据中对应的特征;再利用支持向量机方法在所有保留的特征上构建故障分类模型,并将所构建的故障分类模型的分类错误率设置为个体的适应值;
步骤6)从种群中找出适应值最小的个体记为最优个体BGX;
步骤7)设置适应性系数FAtk=0.1;
步骤12)按照公式(1)计算当前适应性系数CFAtk:
其中,arf为[0,0.2]之间的随机实数;prf为[0,1]之间的随机实数;
步骤17)按照公式(2)计算累积权重sumd:
sumd=swb+sw1+sw2 (2)
步骤18)按照公式(3)计算组合均值xu:
步骤19)按照公式(4)计算组合标准差xstd:
步骤20)按照公式(5)计算差分变异量DVX:
其中,krf为[0,1]之间的随机实数;
其中,krd为[0,1]之间的随机实数;
其中,ptr为[0,1]之间的随机实数;jrd为[1,RD]之间随机生成的整数;表示交叉个体中存储的光伏运维数据的第cj个特征的约简权重;表示个体中存储的光伏运维数据的第cj个特征的约简权重;表示变异个体中存储的光伏运维数据的第cj个特征的约简权重;
步骤25)设置适应性系数FAtk=CFAtk;
步骤26)从种群中找出适应值最小的个体记为最优个体BGX;
步骤27)设置代数t=t+1;
步骤28)如果t小于MGN,则转到步骤8),否则转到步骤29);
步骤29)将最优个体BGX解码为光伏运维数据的约简结果,即实现光伏运维数据的约简;所述最优个体BGX解码为光伏运维数据的约简结果的方法为:首先从最优个体BGX中提取出光伏运维数据的每个特征的约简权重,然后根据每个特征的约简权重删除光伏运维数据中对应的特征,当约简权重小于0.5时,则删除光伏运维数据中对应的特征,否则保留光伏运维数据中对应的特征。
Claims (1)
1.一种面向光伏运维数据的约简方法,其特征在于,其步骤如下:
1)从光伏电站的运维系统中导出光伏运维数据;
2)设置种群大小LPS,最大代数MGN;
3)设置代数t=0;
5)计算种群中每个个体的适应值;
6)从种群中找出适应值最小的个体记为最优个体BGX;
7)设置适应性系数FAtk=0.1;
12)按照公式(1)计算当前适应性系数CFAtk:
其中,arf为[0,0.2]之间的随机实数;prf为[0,1]之间的随机实数;
17)按照公式(2)计算累积权重sumd:
sumd=swb+sw1+sw2 (2)
18)按照公式(3)计算组合均值xu:
19)按照公式(4)计算组合标准差xstd:
20)按照公式(5)计算差分变异量DVX:
其中,krf为[0,1]之间的随机实数;
其中,krd为[0,1]之间的随机实数;
其中,ptr为[0,1]之间的随机实数;jrd为[1,RD]之间随机生成的整数;表示交叉个体中存储的光伏运维数据的第cj个特征的约简权重;表示个体中存储的光伏运维数据的第cj个特征的约简权重;表示变异个体中存储的光伏运维数据的第cj个特征的约简权重;
25)设置适应性系数FAtk=CFAtk;
26)从种群中找出适应值最小的个体记为最优个体BGX;
27)设置代数t=t+1;
28)如果t小于MGN,则转到步骤8),否则转到步骤29);
29)将最优个体BGX解码为光伏运维数据的约简结果,即实现光伏运维数据的约简。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111066418.9A CN113919474B (zh) | 2021-09-13 | 2021-09-13 | 一种面向光伏运维数据的约简方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111066418.9A CN113919474B (zh) | 2021-09-13 | 2021-09-13 | 一种面向光伏运维数据的约简方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113919474A CN113919474A (zh) | 2022-01-11 |
CN113919474B true CN113919474B (zh) | 2022-03-15 |
Family
ID=79234842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111066418.9A Active CN113919474B (zh) | 2021-09-13 | 2021-09-13 | 一种面向光伏运维数据的约简方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919474B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626498B (zh) * | 2022-03-02 | 2024-05-28 | 中国电建集团江西省电力建设有限公司 | 基于演化优化的光伏运维数据重构方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504289A (zh) * | 2015-01-13 | 2015-04-08 | 西北工业大学 | 一种减少智能优化算法计算耗时的方法 |
CN107729241A (zh) * | 2017-10-12 | 2018-02-23 | 中国矿业大学 | 一种基于变异体分组的软件变异测试数据进化生成方法 |
CN108595871A (zh) * | 2018-05-04 | 2018-09-28 | 江西理工大学 | 基于均值差分演化的液压支架优化设计方法 |
CN108830335A (zh) * | 2018-06-26 | 2018-11-16 | 广东石油化工学院 | 光伏电站故障预警方法及系统 |
CN109978715A (zh) * | 2017-12-28 | 2019-07-05 | 北京南瑞电研华源电力技术有限公司 | 用户侧分布式电源数据约简方法及装置 |
CN111062119A (zh) * | 2019-11-26 | 2020-04-24 | 深圳大学 | 一种建设项目多目标优化方法 |
CN111275160A (zh) * | 2020-01-21 | 2020-06-12 | 河海大学常州校区 | 基于种群优化改进粒子群算法的光伏阵列参数辨识方法 |
CN111897650A (zh) * | 2020-07-23 | 2020-11-06 | 广东奥博信息产业股份有限公司 | 一种基于启发式搜索的标注云服务器分配方法 |
CN113610325A (zh) * | 2021-09-08 | 2021-11-05 | 江西理工大学 | 一种基于演化随机森林的电池soc预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140032079A1 (en) * | 2012-07-26 | 2014-01-30 | Anil Varma | Diagnostic and control system and method |
-
2021
- 2021-09-13 CN CN202111066418.9A patent/CN113919474B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504289A (zh) * | 2015-01-13 | 2015-04-08 | 西北工业大学 | 一种减少智能优化算法计算耗时的方法 |
CN107729241A (zh) * | 2017-10-12 | 2018-02-23 | 中国矿业大学 | 一种基于变异体分组的软件变异测试数据进化生成方法 |
CN109978715A (zh) * | 2017-12-28 | 2019-07-05 | 北京南瑞电研华源电力技术有限公司 | 用户侧分布式电源数据约简方法及装置 |
CN108595871A (zh) * | 2018-05-04 | 2018-09-28 | 江西理工大学 | 基于均值差分演化的液压支架优化设计方法 |
CN108830335A (zh) * | 2018-06-26 | 2018-11-16 | 广东石油化工学院 | 光伏电站故障预警方法及系统 |
CN111062119A (zh) * | 2019-11-26 | 2020-04-24 | 深圳大学 | 一种建设项目多目标优化方法 |
CN111275160A (zh) * | 2020-01-21 | 2020-06-12 | 河海大学常州校区 | 基于种群优化改进粒子群算法的光伏阵列参数辨识方法 |
CN111897650A (zh) * | 2020-07-23 | 2020-11-06 | 广东奥博信息产业股份有限公司 | 一种基于启发式搜索的标注云服务器分配方法 |
CN113610325A (zh) * | 2021-09-08 | 2021-11-05 | 江西理工大学 | 一种基于演化随机森林的电池soc预测方法 |
Non-Patent Citations (4)
Title |
---|
《A proposed method to extract maximum possible power in the shortest time on solar PV arrays under partial shadings using metaheuristic algorithms》;Reza Hedayati Majdabadi等;《arXiv》;20190318;第1-35页 * |
《Self-adaptive differential evolution with global neighborhood search》;Zhaolu Guo等;《Soft Computing》;20171231;第21卷(第13期);第3759-3768页 * |
《一种应用精英混沌搜索的函数优化算法》;井福荣 等;《江西理工大学学报》;20151015;第36卷(第05期);第74-79页 * |
《基于蚁群算法的多路径覆盖测试数据生成》;廖伟志 等;《电子学报》;20200715;第48卷(第07期);第1330-1342页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113919474A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
Mao et al. | A novel short-term wind speed prediction based on MFEC | |
CN111859812B (zh) | 天气影响下的海上风电场及柔直并网系统可靠性评估方法 | |
Ashraf et al. | Artificial neural network based models for forecasting electricity generation of grid connected solar PV power plant | |
CN102479347A (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
CN113919474B (zh) | 一种面向光伏运维数据的约简方法 | |
CN103886223B (zh) | 功率预测方法和系统 | |
CN113541194A (zh) | 一种海上风电场及vsc-hvdc并网系统可靠性评估方法 | |
Zare et al. | Performance analysis and design of FOPDF (1+ FOPI) robust controller using slim mould algorithm for frequency control in offshore fixed platform microgrid | |
Yang et al. | Statistical downscaling of numerical weather prediction based on convolutional neural networks | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
CN108616145B (zh) | 一种计及事故后电压影响效果的新能源切机优化方法 | |
Choulli et al. | Hybrid optimization based on the analytical approach and the particle swarm optimization algorithm (Ana-PSO) for the extraction of single and double diode models parameters | |
Zare et al. | Maiden application of zebra optimization algorithm for design PIDN-TIDF controller for frequency control in offshore fixed platforms microgrid in the presence of tidal energy | |
CN116581755B (zh) | 功率预测方法、装置、设备及存储介质 | |
CN111030167B (zh) | 一种大规模海上风电场接入方案生成方法及系统 | |
Sun et al. | Interval mixed-integer programming for daily unit commitment and dispatch incorporating wind power | |
Abdalla et al. | Generation expansion planning considering high share renewable energies uncertainty | |
El-Bidairi et al. | Impact of tidal energy on battery sizing in standalone microgrids: A case study | |
CN105528517A (zh) | 基于神经网络、小波分解光伏电站功率预测方法、系统 | |
CN114281846B (zh) | 一种基于机器学习的新能源发电预测方法 | |
CN109787217A (zh) | 基于风电多状态模型及机会成本修正的备用出清方法 | |
CN115313377A (zh) | 一种电力负荷预测方法及系统 | |
CN114447975A (zh) | 一种基于移动储能的多微电网灵活性提升方法 | |
Juchuang et al. | CNN-Wavelet-Transform-Based Model for Solar Photovoltaic Power Prediction |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231129 Address after: No.69, Guangzhou road, qingyunbu District, Nanchang City, Jiangxi Province Patentee after: POWERCHINA JIANGXI ELECTRIC POWER CONSTRUCTION Co.,Ltd. Patentee after: Zhixin Energy Technology Co.,Ltd. Address before: No.69, Guangzhou road, qingyunbu District, Nanchang City, Jiangxi Province Patentee before: POWERCHINA JIANGXI ELECTRIC POWER CONSTRUCTION Co.,Ltd. |