CN114765451A - 基于故障知识图谱的光伏电站故障检测方法 - Google Patents
基于故障知识图谱的光伏电站故障检测方法 Download PDFInfo
- Publication number
- CN114765451A CN114765451A CN202110049277.3A CN202110049277A CN114765451A CN 114765451 A CN114765451 A CN 114765451A CN 202110049277 A CN202110049277 A CN 202110049277A CN 114765451 A CN114765451 A CN 114765451A
- Authority
- CN
- China
- Prior art keywords
- fault
- photovoltaic
- data
- photovoltaic power
- detection method
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 19
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000010248 power generation Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000009960 carding Methods 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- 239000000779 smoke Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000002803 fossil fuel Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000001012 protector Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了基于故障知识图谱的光伏电站故障检测方法,属于光伏电站故障检测技术领域,包括以下步骤:S101:梳理光伏系统;S102:建立横向联合学习系统;S103:构建异常监测系统;S104:数据接入;S105:实时异常监测,计算分析,算法输出;S106:故障诊断,策略推荐;S107:执行反馈。基于贝叶斯网络模型进行故障推断,并形成反馈优化体系,可以不断校准提高准确度;依据故障因果关系梳理形成故障知识图谱,对故障图谱不断扩展,故障预测适用越来越多的故障种类,增加鲁棒性,提高准确率。
Description
技术领域
本发明涉及光伏电站故障检测技术领域,特别涉及基于故障知识图谱的光伏电站故障检测方法。
背景技术
随着全球经济的快速发展,人们对于各种形式的能源需求也越来越大。如今,世界正面临着三大能源危机:一是对化石燃料的过分依赖,并且在化石燃料的生产和消耗的过程中对环境产生了巨大的污染和破坏;二是人类己经消耗了大概一半不可再生的化石燃料;三是己探明的化石燃料储备远远不能满足人们对于能源的巨大需求。寻找和研究新型能源是当今社会的研究热点之一。
太阳能光伏电站是国内外重点发展的绿色能源装备。随着光伏发电技术的进步和光伏发电并网运行规模的增大,光伏电站的优化、改善和运行成本等问题严重制约了光伏发电的发展。其中光伏阵列由于占地面积大、分布广泛,容易出现光伏电池组件“裂片”、“线路老化”和“热斑现象”等故障,并网逆变器则容易出现过压、过流、功率管短路和开路等故障。这些严重影响到光伏电池组件的寿命和光伏电站的安全稳定运行。特别是,大型并网逆变器承担着向电网馈送电能的重任,其主电路中任意一个关键组件故障都会使得整个光伏电站停机甚至损坏设备,较长的停机时间会降低电站的发电收益。光伏电站的这些故障,严重影响到光伏发电系统的正常运行。
为了防止因故障造成更严重的事故,降低电站的收益损失,及时检测光伏电站设备故障,有助于光伏电站稳定高效运行,方便在光伏电站设备发生故障之初采取相应的对策。通过对光伏电站设备的运行情况进行在线监测,及时分析处理故障征兆,确定设备故障发生的原因和位置,也有利于光伏电站维护人员工作的开展。因此研究光伏电站设备故障检测及诊断方法,以实现光伏电站的稳定、可靠、经济运行,对于促进我国光伏发电的规模化发展,具有极其重要的意义。
但是,现有的光伏电站设备故障检测对于特定故障良好,其他准确性有不足,且无法迭代提高准确率。
发明内容
本发明的目的在于提供基于故障知识图谱的光伏电站故障检测方法,基于贝叶斯网络模型进行故障推断,并形成反馈优化体系,可以不断校准提高准确度;依据故障因果关系梳理形成故障知识图谱,对故障图谱不断扩展,故障预测适用越来越多的故障种类,增加鲁棒性,提高准确率,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于故障知识图谱的光伏电站故障检测方法,包括以下步骤:
S101:梳理光伏系统,采集光伏电站相关数据,并依据该数据对光伏系统全面分析;
S102:建立横向联合学习系统;
S103:构建异常监测系统,依据光伏系统的数据构建多个子系统,一个子系统监测光伏电站的一个部分,实现对光伏电站进行全面监测;
S104:数据接入,建立故障知识图谱,并在实时更新的基础上将故障知识图谱接入异常监测系统;
S105:实时异常监测,计算分析,算法输出;
S106:故障诊断,策略推荐;
S107:执行反馈。
进一步地,梳理光伏系统包括以下步骤:
S1011:明确光伏站系统的结构;
S1012:明确光伏站的环境因素;
S1013:明确影响光伏站发电量的因素。
进一步地,光伏站系统包括组件、组串式逆变器、汇流箱、箱变和开关站。
进一步地,建立横向联合学习系统包括以下步骤:
S1021:参与方各自从服务器A下载最新横向联合学习系统;
S1022:每个参与方利用本地数据训练联合学习系统,加密梯度上传至服务器A,服务器A聚各用户的梯度更新系统参数;
S1023:服务器A返回更新后的系统给各参与方;
S1024:各参与方更新各自系统。
进一步地,构建异常监测系统包括以下步骤:
S1031:建立阈值系统,以实时发送的物联数据依据,历史物联数据为参考数据,设定数据超过或低于一个数值,并对该系统进行演化;
S1032:建立趋势系统,依据实时发送的物联数据和阈值系统,设定数据的波动超过一个阈值,数据有逐渐上升或下降趋势,并对该系统进行演化;
S1033:建立相关性系统,依据实时发送的物联数据和阈值系统,设定两个数据的相关性超过一个阈值,并对该系统进行演化;
S1034:能效系统,依据实时发送的物联数据和阈值系统,设定设备平均能效高于或低于一个阈值,并对该系统进行演化。
进一步地,数据接入所接入的数据来源故障知识图谱,故障知识图谱中记载CIM物联数据和非CIM物联数据。
进一步地,故障诊断包括以下步骤:
S1061:以贝叶斯网络模型基础构建初始化系统;
S1062:将光伏板发电情况发送至初始化系统,初始化系统结合整个光伏系统的发现情况计算分析获得某一光伏组件运行状态;
S1063:初始化系统结合光伏组件运行状态计算分析光伏电站异常情况,根据同分布的相似样本的偏差对比,判定该光伏组件运行异常报警;
S1064:初始化系统依据异常报警条件,触发贝叶斯网络诊断模型进行故障分析,并输出故障类型和故障可能性。
进一步地,故障诊断包括以下步骤:
S1061:以贝叶斯网络模型基础构建初始化系统;
S1062:将光伏板发电情况发送至初始化系统,初始化系统结合整个光伏系统的发现情况计算分析获得某一光伏组件运行状态;
S1063:初始化系统结合光伏组件运行状态计算分析光伏电站异常情况,根据事先设定的标准样本的偏差对比,判定该光伏组件运行异常报警;
S1064:初始化系统依据异常报警条件,触发贝叶斯网络诊断模型进行故障分析,并输出故障类型和故障可能性。
进一步地,实时异常监测中通过检测装置获取相关数据,并将相关数据以固定频率发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论。
进一步地,执行反馈包括制定标准反馈模板,用户于前端交互时填报标准反馈模板并提交,反馈处理中心提取标准反馈模板中记载的反馈结果,并将该结果输送至初始化系统中,实现对初始化系统得反馈优化。
与现有技术相比,本发明的有益效果是:本发明提出的基于故障知识图谱的光伏电站故障检测方法,基于贝叶斯网络模型进行故障推断,并形成反馈优化体系,可以不断校准提高准确度;依据故障因果关系梳理形成故障知识图谱,对故障图谱不断扩展,故障预测适用越来越多的故障种类,增加鲁棒性,提高准确率。
附图说明
图1为本发明的基于故障知识图谱的光伏电站故障检测方法的流程图;
图2为本发明的基于故障知识图谱的光伏电站故障检测方法的原理图;
图3为本发明的基于故障知识图谱的光伏电站故障检测方法的梳理光伏系统流程图;
图4为本发明的基于故障知识图谱的光伏电站故障检测方法的光伏系统结构图;
图5为本发明的基于故障知识图谱的光伏电站故障检测方法的建立横向联合学习系统流程图;
图6为本发明的基于故障知识图谱的光伏电站故障检测方法的横向联合学习系统结构图;
图7为本发明的基于故障知识图谱的光伏电站故障检测方法的构建异常监测系统流程图;
图8为本发明实施例一中的基于故障知识图谱的光伏电站故障检测方法的故障诊断流程图;
图9为本发明实施例二中的基于故障知识图谱的光伏电站故障检测方法的故障诊断流程图。
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。
Computer Integrated Manu-facturing:计算机集成制造,指在所有与生产有关企业部门中集成地用电子数据处理,CIM包括了在生产计划和控制、计算机辅助设计、计算机辅助工艺规划、计算机辅助制造、计算机辅助质量管理之间信息技术上的协同工作,其中为生产产品所必需的各种技术功能和管理功能应实理由集成。
CIM(Common Information Model通用信息模型),描述管理数据的语言和方法。CIM架构包括系统、应用程序、局域网(LAN)和设备的模型。CIM架构使不同开发人员在不同平台上开发的应用程序都能以标准格式描述管理数据,以便在多个管理应用程序中共享。
实施例一
参阅图1至图2,基于故障知识图谱的光伏电站故障检测方法,包括以下步骤:
S101:梳理光伏系统,采集光伏电站相关数据,并依据该数据对光伏系统全面分析;
S102:建立横向联合学习系统;
S103:构建异常监测系统,依据光伏系统的数据构建多个子系统,一个子系统监测光伏电站的一个部分,实现对光伏电站进行全面监测;
S104:数据接入,建立故障知识图谱,并在实时更新的基础上将故障知识图谱接入异常监测系统;其中,数据接入所接入的数据来源故障知识图谱,故障知识图谱中记载CIM物联数据和非CIM物联数据,其中CIM物联数据的来源为非用户反馈,主要来源为光伏站的发电设备,例如燃烧器燃气流量、燃气温度、燃气压力、炉膛出口烟温、冷凝器进口烟温、蒸汽压力、蒸汽瞬时流量、给水温度等,非CIM物联数据来源于用户补充,例如客户上报除氧器水位异常,则非CIM物联数据为除氧器高度;
S105:实时异常监测,计算分析,算法输出,通过检测装置获取相关数据,并将相关数据以固定频率发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论;实时异常监测中通过温度传感器测量燃烧器燃气温度、炉膛出口烟温、冷凝器进口烟温和给水温度等信息,并将该信息发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论,实时异常监测中通过压力传感器测量燃气压力、蒸汽压力等信息,并将该信息发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论,实时异常监测中通过流量计测量燃烧器燃气流量和蒸汽瞬时流量等相关信息,并将该信息发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论,实时异常监测中通过液位计测量除氧器水位高度、蒸汽冷凝水水位高度、锅炉中水位高度等信息,并将该信息发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论;
S106:故障诊断,策略推荐;
S107:执行反馈,执行反馈包括制定标准反馈模板,用户于前端交互时填报标准反馈模板并提交,反馈处理中心提取标准反馈模板中记载的反馈结果,并将该结果输送至初始化系统中,实现对初始化系统得反馈优化。
参阅图3至图4,梳理光伏系统包括以下步骤:
S1011:明确光伏站系统的结构;光伏站系统包括组件、组串式逆变器、汇流箱、箱变和开关站。发电过程是由光伏组件吸收太阳光照,并将光照转换为电能,电能通过线路传递至组串式逆变器,并进入汇流箱,之后经过箱变从开关站输出,光伏站发电方向依次经过组件、组串式逆变器、汇流箱、箱变和开关站,最后输入用户端;
S1012:明确光伏站的环境因素;环境因素分为相对固定的因素和时时变动的因素,相对固定的因素为光伏站位置经纬度、光伏板倾角和光伏站所在地风速等;变动的因素为降雨量,海风风速,平均太阳辐射量,等效时间看,当季每天日照等;设置一次故障检测指标,该指标为光伏发电现场组件、汇流箱、逆变器等,并对上述指标进行名字解释,设置二次故障检测指标,该指标为测量、计量、控制和保护,并对上述指标进行名字解释;
S1013:明确影响光伏站发电量的因素;该因素分为两类,分别为内部因素和外部因素,其中,外部因素是指组件损坏(破损)、组件倾斜角度(主要是光照角度、当地风力、基于当地气候最恶劣限值设定)、灰尘、鸟粪、遮挡(阴影、遮挡)、热斑,温度特性(温度过高,输出功率下降0.04%);内部因素是指组件损失(组件有个衰减期限,自然损失),光伏板插接头松动或拉弧、温度过热烧坏,逆变器故障(曾发生过继电器故障,更换了升压板),汇流箱故障(断路器故障(过电压、过电流等)、浪涌保护器损坏,线路损坏);箱变故障(箱变变压器温度过高导致箱变变压器温度告警信号,一支路万能断路器故障,负荷开关故障,支路接地故障(存在浪涌保护器故障,过电压导致接地现象,导致不接地运行,但几率小;低压侧断路器故障);以及开关站故障。
参阅图5至图6,建立横向联合学习系统包括以下步骤:
S1021:参与方各自从服务器A下载最新横向联合学习系统;横向联合学习用于用户重叠度高的场景中;
S1022:每个参与方利用本地数据训练联合学习系统,加密梯度上传至服务器A,服务器A聚各用户的梯度更新系统参数;
S1023:服务器A返回更新后的系统给各参与方;
S1024:各参与方更新各自系统;在传统的机器学习建模中,通常是把系统训练需要的数据集合到一个数据中心然后再训练系统,之后预测,在横向联合学习中,可以看作是基于样本的分布式系统训练,分发全部数据到不同的机器,每台机器从服务器下载系统,然后利用本地数据训练系统,之后返回给服务器需要更新的参数;服务器聚合各机器上的返回的参数,更新系统,再把最新的系统反馈到每台机器。
参阅图7,构建异常监测系统包括以下步骤:
S1031:建立阈值系统,以实时发送的物联数据依据,历史物联数据为参考数据,设定数据超过或低于一个数值,并对该系统进行演化;
S1032:建立趋势系统,依据实时发送的物联数据和阈值系统,设定数据的波动超过一个阈值,数据有逐渐上升或下降趋势,并对该系统进行演化;
S1033:建立相关性系统,依据实时发送的物联数据和阈值系统,设定两个数据的相关性超过一个阈值,并对该系统进行演化;
S1034:能效系统,依据实时发送的物联数据和阈值系统,设定设备平均能效高于或低于一个阈值,并对该系统进行演化;阈值系统、趋势系统、相关性系统和能效系统均为子系统;除了上述系统还需要依次设立数据输出等系统,令异常监测系统完整化;系统的演化需要通过对多个站数据的积累、学习行业的基准、用户反馈的学习后自适应调整参数的阈值的过程。
参阅图8,故障诊断是贝叶斯网络模型的故障推断,该故障推断需要构建初始化系统,故障诊断包括以下步骤:
S1061:以贝叶斯网络模型基础构建初始化系统;
S1062:将光伏板发电情况(如组件电流、电压、功率)发送至初始化系统,初始化系统结合整个光伏系统的发现情况计算分析获得某一光伏组件运行状态;
S1063:初始化系统结合光伏组件运行状态计算分析光伏电站异常情况,根据同分布的相似样本的偏差对比,判定该光伏组件运行异常报警;
S1064:初始化系统依据异常报警条件,触发贝叶斯网络诊断模型进行故障分析,并输出故障类型和故障可能性。
实施例二
参阅图1至图2,基于故障知识图谱的光伏电站故障检测方法,包括以下步骤:
S101:梳理光伏系统,采集光伏电站相关数据,并依据该数据对光伏系统全面分析;
S102:建立横向联合学习系统;
S103:构建异常监测系统,依据光伏系统的数据构建多个子系统,一个子系统监测光伏电站的一个部分,实现对光伏电站进行全面监测;
S104:数据接入,建立故障知识图谱,并在实时更新的基础上将故障知识图谱接入异常监测系统;其中,数据接入所接入的数据来源故障知识图谱,故障知识图谱中记载CIM物联数据和非CIM物联数据,其中CIM物联数据的来源为非用户反馈,主要来源为光伏站的发电设备,例如燃烧器燃气流量、燃气温度、燃气压力、炉膛出口烟温、冷凝器进口烟温、蒸汽压力、蒸汽瞬时流量、给水温度等,非CIM物联数据来源于用户补充,例如客户上报除氧器水位异常,则非CIM物联数据为除氧器高度;
S105:实时异常监测,计算分析,算法输出,通过检测装置获取相关数据,并将相关数据以固定频率发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论;实时异常监测中通过温度传感器测量燃烧器燃气温度、炉膛出口烟温、冷凝器进口烟温和给水温度等信息,并将该信息发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论,实时异常监测中通过压力传感器测量燃气压力、蒸汽压力等信息,并将该信息发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论,实时异常监测中通过流量计测量燃烧器燃气流量和蒸汽瞬时流量等相关信息,并将该信息发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论,实时异常监测中通过液位计测量除氧器水位高度、蒸汽冷凝水水位高度、锅炉中水位高度等信息,并将该信息发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论;
S106:故障诊断,策略推荐;
S107:执行反馈,执行反馈包括制定标准反馈模板,用户于前端交互时填报标准反馈模板并提交,反馈处理中心提取标准反馈模板中记载的反馈结果,并将该结果输送至初始化系统中,实现对初始化系统得反馈优化。
参阅图3至图4,梳理光伏系统包括以下步骤:
S1011:明确光伏站系统的结构;光伏站系统包括组件、组串式逆变器、汇流箱、箱变和开关站。发电过程是由光伏组件吸收太阳光照,并将光照转换为电能,电能通过线路传递至组串式逆变器,并进入汇流箱,之后经过箱变从开关站输出,光伏站发电方向依次经过组件、组串式逆变器、汇流箱、箱变和开关站,最后输入用户端;
S1012:明确光伏站的环境因素;环境因素分为相对固定的因素和时时变动的因素,相对固定的因素为光伏站位置经纬度、光伏板倾角和光伏站所在地风速等;变动的因素为降雨量,海风风速,平均太阳辐射量,等效时间看,当季每天日照等;设置一次故障检测指标,该指标为光伏发电现场组件、汇流箱、逆变器等,并对上述指标进行名字解释,设置二次故障检测指标,该指标为测量、计量、控制和保护,并对上述指标进行名字解释;
S1013:明确影响光伏站发电量的因素;该因素分为两类,分别为内部因素和外部因素,其中,外部因素是指组件损坏(破损)、组件倾斜角度(主要是光照角度、当地风力、基于当地气候最恶劣限值设定)、灰尘、鸟粪、遮挡(阴影、遮挡)、热斑,温度特性(温度过高,输出功率下降0.04%);内部因素是指组件损失(组件有个衰减期限,自然损失),光伏板插接头松动或拉弧、温度过热烧坏,逆变器故障(曾发生过继电器故障,更换了升压板),汇流箱故障(断路器故障(过电压、过电流等)、浪涌保护器损坏,线路损坏);箱变故障(箱变变压器温度过高导致箱变变压器温度告警信号,一支路万能断路器故障,负荷开关故障,支路接地故障(存在浪涌保护器故障,过电压导致接地现象,导致不接地运行,但几率小;低压侧断路器故障);以及开关站故障。
参阅图5至图6,建立横向联合学习系统包括以下步骤:
S1021:参与方各自从服务器A下载最新横向联合学习系统;横向联合学习用于用户重叠度高的场景中;
S1022:每个参与方利用本地数据训练联合学习系统,加密梯度上传至服务器A,服务器A聚各用户的梯度更新系统参数;
S1023:服务器A返回更新后的系统给各参与方;
S1024:各参与方更新各自系统;在传统的机器学习建模中,通常是把系统训练需要的数据集合到一个数据中心然后再训练系统,之后预测,在横向联合学习中,可以看作是基于样本的分布式系统训练,分发全部数据到不同的机器,每台机器从服务器下载系统,然后利用本地数据训练系统,之后返回给服务器需要更新的参数;服务器聚合各机器上的返回的参数,更新系统,再把最新的系统反馈到每台机器。
参阅图7,构建异常监测系统包括以下步骤:
S1031:建立阈值系统,以实时发送的物联数据依据,历史物联数据为参考数据,设定数据超过或低于一个数值,并对该系统进行演化;
S1032:建立趋势系统,依据实时发送的物联数据和阈值系统,设定数据的波动超过一个阈值,数据有逐渐上升或下降趋势,并对该系统进行演化;
S1033:建立相关性系统,依据实时发送的物联数据和阈值系统,设定两个数据的相关性超过一个阈值,并对该系统进行演化;
S1034:能效系统,依据实时发送的物联数据和阈值系统,设定设备平均能效高于或低于一个阈值,并对该系统进行演化;阈值系统、趋势系统、相关性系统和能效系统均为子系统;除了上述系统还需要依次设立数据输出等系统,令异常监测系统完整化;系统的演化需要通过对多个站数据的积累、学习行业的基准、用户反馈的学习后自适应调整参数的阈值的过程。
参阅图9,故障诊断是贝叶斯网络模型的故障推断,该故障推断需要构建初始化系统,故障诊断包括以下步骤:
S1061:以贝叶斯网络模型基础构建初始化系统;
S1062:将光伏板发电情况发送至初始化系统,初始化系统结合整个光伏系统的发现情况计算分析获得某一光伏组件运行状态;
S1063:初始化系统结合光伏组件运行状态计算分析光伏电站异常情况,根据事先设定的标准样本的偏差对比,判定该光伏组件运行异常报警;
S1064:初始化系统依据异常报警条件,触发贝叶斯网络诊断模型进行故障分析,并输出故障类型和故障可能性。
综上所述:本发明提出的基于故障知识图谱的光伏电站故障检测方法,基于贝叶斯网络模型进行故障推断,并形成反馈优化体系,可以不断校准提高准确度;依据故障因果关系梳理形成故障知识图谱,对故障图谱不断扩展,故障预测适用越来越多的故障种类,增加鲁棒性,提高准确率。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.基于故障知识图谱的光伏电站故障检测方法,其特征在于,包括以下步骤:
S101:梳理光伏系统,采集光伏电站相关数据,并依据该数据对光伏系统全面分析;
S102:建立横向联合学习系统;
S103:构建异常监测系统,依据光伏系统的数据构建多个子系统,一个子系统监测光伏电站的一个部分,实现对光伏电站进行全面监测;
S104:数据接入,建立故障知识图谱,并在实时更新的基础上将故障知识图谱接入异常监测系统;
S105:实时异常监测,计算分析,算法输出;
S106:故障诊断,策略推荐;
S107:执行反馈。
2.如权利要求1所述的基于故障知识图谱的光伏电站故障检测方法,其特征在于,梳理光伏系统包括以下步骤:
S1011:明确光伏站系统的结构;
S1012:明确光伏站的环境因素;
S1013:明确影响光伏站发电量的因素。
3.如权利要求1所述的基于故障知识图谱的光伏电站故障检测方法,其特征在于,光伏站系统包括组件、组串式逆变器、汇流箱、箱变和开关站。
4.如权利要求1所述的基于故障知识图谱的光伏电站故障检测方法,其特征在于,建立横向联合学习系统包括以下步骤:
S1021:参与方各自从服务器A下载最新横向联合学习系统;
S1022:每个参与方利用本地数据训练联合学习系统,加密梯度上传至服务器A,服务器A聚各用户的梯度更新系统参数;
S1023:服务器A返回更新后的系统给各参与方;
S1024:各参与方更新各自系统。
5.如权利要求1所述的基于故障知识图谱的光伏电站故障检测方法,其特征在于,构建异常监测系统包括以下步骤:
S1031:建立阈值系统,以实时发送的物联数据依据,历史物联数据为参考数据,设定数据超过或低于一个数值,并对该系统进行演化;
S1032:建立趋势系统,依据实时发送的物联数据和阈值系统,设定数据的波动超过一个阈值,数据有逐渐上升或下降趋势,并对该系统进行演化;
S1033:建立相关性系统,依据实时发送的物联数据和阈值系统,设定两个数据的相关性超过一个阈值,并对该系统进行演化;
S1034:能效系统,依据实时发送的物联数据和阈值系统,设定设备平均能效高于或低于一个阈值,并对该系统进行演化。
6.如权利要求1所述的基于故障知识图谱的光伏电站故障检测方法,其特征在于,数据接入所接入的数据来源故障知识图谱,故障知识图谱中记载CIM物联数据和非CIM物联数据。
7.如权利要求1所述的基于故障知识图谱的光伏电站故障检测方法,其特征在于,故障诊断包括以下步骤:
S1061:以贝叶斯网络模型基础构建初始化系统;
S1062:将光伏板发电情况发送至初始化系统,初始化系统结合整个光伏系统的发现情况计算分析获得某一光伏组件运行状态;
S1063:初始化系统结合光伏组件运行状态计算分析光伏电站异常情况,根据同分布的相似样本的偏差对比,判定该光伏组件运行异常报警;
S1064:初始化系统依据异常报警条件,触发贝叶斯网络诊断模型进行故障分析,并输出故障类型和故障可能性。
8.如权利要求1所述的基于故障知识图谱的光伏电站故障检测方法,其特征在于,故障诊断包括以下步骤:
S1061:以贝叶斯网络模型基础构建初始化系统;
S1062:将光伏板发电情况发送至初始化系统,初始化系统结合整个光伏系统的发现情况计算分析获得某一光伏组件运行状态;
S1063:初始化系统结合光伏组件运行状态计算分析光伏电站异常情况,根据事先设定的标准样本的偏差对比,判定该光伏组件运行异常报警;
S1064:初始化系统依据异常报警条件,触发贝叶斯网络诊断模型进行故障分析,并输出故障类型和故障可能性。
9.如权利要求1所述的基于故障知识图谱的光伏电站故障检测方法,其特征在于,实时异常监测中通过检测装置获取相关数据,并将相关数据以固定频率发送至中央处理器,中央处理器依据上述数据进行计算分析获得所需结论。
10.如权利要求1所述的基于故障知识图谱的光伏电站故障检测方法,其特征在于,执行反馈包括制定标准反馈模板,用户于前端交互时填报标准反馈模板并提交,反馈处理中心提取标准反馈模板中记载的反馈结果,并将该结果输送至初始化系统中,实现对初始化系统得反馈优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110049277.3A CN114765451A (zh) | 2021-01-14 | 2021-01-14 | 基于故障知识图谱的光伏电站故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110049277.3A CN114765451A (zh) | 2021-01-14 | 2021-01-14 | 基于故障知识图谱的光伏电站故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114765451A true CN114765451A (zh) | 2022-07-19 |
Family
ID=82364206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110049277.3A Pending CN114765451A (zh) | 2021-01-14 | 2021-01-14 | 基于故障知识图谱的光伏电站故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114765451A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117891962A (zh) * | 2024-03-15 | 2024-04-16 | 华中科技大学 | 一种城市分布式光伏系统数据的图数据库构建方法及应用 |
CN118014564A (zh) * | 2024-04-10 | 2024-05-10 | 山东和兑智能科技有限公司 | 一种基于数据驱动的电力设备故障诊断系统及方法 |
-
2021
- 2021-01-14 CN CN202110049277.3A patent/CN114765451A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117891962A (zh) * | 2024-03-15 | 2024-04-16 | 华中科技大学 | 一种城市分布式光伏系统数据的图数据库构建方法及应用 |
CN117891962B (zh) * | 2024-03-15 | 2024-05-28 | 华中科技大学 | 一种城市分布式光伏系统数据的图数据库构建方法及应用 |
CN118014564A (zh) * | 2024-04-10 | 2024-05-10 | 山东和兑智能科技有限公司 | 一种基于数据驱动的电力设备故障诊断系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103235221B (zh) | 光伏电站远程监控的故障检测系统及检测方法 | |
CN104281737A (zh) | 一种海上风电场集电系统拓扑结构选型方法 | |
CN104504607A (zh) | 一种基于模糊聚类算法的光伏电站故障诊断方法 | |
CN109993445B (zh) | 一种考虑光伏预测误差的综合能源系统脆弱性评估方法 | |
CN111080065A (zh) | 一种基于多元数据融合的网源协调源侧性能边缘计算与分析平台 | |
CN109086518A (zh) | 一种智能变电站输变电一次设备状态评估的方法 | |
CN114765451A (zh) | 基于故障知识图谱的光伏电站故障检测方法 | |
KR102625403B1 (ko) | 지역 단위 재생 에너지 통합 관제 시스템 | |
CN115395643B (zh) | 基于全数据采集和状态感知的低压配电网故障预警定位装置及系统 | |
CN107063337A (zh) | 电源设备采集装置及管控系统 | |
Li et al. | Outlier data mining method considering the output distribution characteristics for photovoltaic arrays and its application | |
CN105514984A (zh) | 一种即插即用的非侵入式负荷分解装置 | |
CN117117820A (zh) | 一种分布式新能源接入的配电网风险评估与协同平抑方法 | |
CN112001569A (zh) | 一种基于多电压等级故障下的电网运行风险分析方法 | |
CN117674249A (zh) | 一种含分布式光伏的配电网故障自愈控制与评价方法 | |
CN114069860B (zh) | 光伏电站的状态确定方法、装置、设备及可读存储介质 | |
Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
Chen et al. | Reliability assessment on switchgear and its controller based on Time-Spatial-Source dimension | |
Zhao et al. | Overview of Research on Distribution Network Fault Prediction Based on Situation Awareness | |
Wang et al. | Research on remote analysis technology and system development of distributed photovoltaic power generation operating status | |
Wang et al. | Research on Line Loss Diagnosis and Management Method Based on Big Data Technology | |
CN112748150B (zh) | 一种换流变压器产气规律监测装置及工作方法 | |
Tang et al. | Design and Realization of Online Monitoring System of Distributed New Energy and Renewable Energy | |
CN118395907B (zh) | 一种主备式站用交直流电源监测智慧终端及其监控方法 | |
CN114336648B (zh) | 电压暂降导致电气系统切负荷损失分析方法、介质及系统 |
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 |