CN114942396A - 一种新能源发电组件质量检测方法及装置 - Google Patents

一种新能源发电组件质量检测方法及装置 Download PDF

Info

Publication number
CN114942396A
CN114942396A CN202210557930.1A CN202210557930A CN114942396A CN 114942396 A CN114942396 A CN 114942396A CN 202210557930 A CN202210557930 A CN 202210557930A CN 114942396 A CN114942396 A CN 114942396A
Authority
CN
China
Prior art keywords
data
fault
state information
resampling
information component
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
Application number
CN202210557930.1A
Other languages
English (en)
Inventor
尤冬梅
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.)
Hebi College of Vocation and Technology
Original Assignee
Hebi College of Vocation and Technology
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 Hebi College of Vocation and Technology filed Critical Hebi College of Vocation and Technology
Priority to CN202210557930.1A priority Critical patent/CN114942396A/zh
Publication of CN114942396A publication Critical patent/CN114942396A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/56—Testing of electric apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明实施例的方法中，首先采集发电组件相关联的电流信号和状态数据；然后对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；接着对重采样结果进行处理并放大后得到电流信息分量；在对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；最后，基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。本发明实施例的技术方案通过电流信号和状态数据两个数据来源相结合的方式可以提高质量检测的准确性，电流信号和状态数据的预处理过程也在降低数据维度的同时保证了故障信息，而这些处理有效提升了后续模型计算得准确性。

Description

一种新能源发电组件质量检测方法及装置
【技术领域】
本发明涉及新能源技术领域，尤其涉及一种新能源发电组件质量检测方法及装置。
【背景技术】
新能源发电组件在进行质量检测时，需要采集大量的样本数据。样本数据的质量直接影响着检测结果的准确性，所述样本数据采集端和样本数据处理对于后续的模型计算显得尤为重要。
【发明内容】
有鉴于此，本发明实施例提供了一种新能源发电组件质量检测方法及装置。
第一方面，本发明实施例提供了一种新能源发电组件质量检测方法，该方法包括：
S1、采集发电组件相关联的电流信号和状态数据；
S2、对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；
S3、对重采样结果进行处理并放大后得到电流信息分量；
S4、对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；
S5、基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对采集到的电流信号进行高频调幅处理后生成故障信号，具体包括：
对采集到的电流信号进行希尔伯特变换：
Figure BDA0003655531150000021
其中，i(t)为采集到的电流信号，Ψ[i(t)]为基于i(t)的希尔伯特变换；
然后通过公式
Figure BDA0003655531150000022
计算得出故障信号。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对所述故障信号进行重采样，具体包括：
S31、定义故障信号f(t)的初始采样频率为ξ0，相位间隔为
Figure BDA0003655531150000023
设置每个相位间隔采样个数为N后进行重采样，得出第一重采样结果；
S32、基于第一重采样结果，并通过
Figure BDA0003655531150000024
计算出每个相位间隔的采样频率，从全部的采样频率中确定Δξ＝|ξ0-ξ|的最小值，若Δξ小于预设阈值，则输出第一采样结果为最终的重采样结果f'(t)，否则，则定义此时的ξ＝ξ0为新的采样频率；
S33、若ξ＞ξ0，则令N＝N+Δn，ξ0＝ξ，返回至S21；若ξ≤ξ0，则令N＝N-Δn，ξ0＝ξ，返回至S31；
其中，
Figure BDA0003655531150000025
为相位间隔内的相位平均值，Δn＝1,2,...N。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对重采样结果进行处理并放大后得到电流信息分量，具体包括：
S41、根据输出的采样频率ξ0和重采样结果f'(t)，确定重采样结果f'(t)在采样频率ξ0处的特征幅度；
S42、根据所述特征幅度构建卷积神经网络的卷积核的长度和通道数，卷积核的核数为通过重采样结果中相同特征频率出现的次数；
S43、通过公式
Figure BDA0003655531150000031
对重采样结果进行放大后得出电流信息分量，其中，c(t)为卷积核，F为傅里叶变换，p为卷积核的长度，q为卷积核的通道数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对采集到的状态数据进行预处理，具体包括：
S51、将状态信息数据的采样长度统一到M维后，通过进行中心标准化的计算公式进行中心标准化归一化处理后生成标准化状态信息数据；
S52、对按照数据类型对标准化状态信息数据进行筛值处理后生成筛值化状态信息数据；
S53、通过筛值修正公式对筛值化状态信息数据进行修正处理后得到强化学习模型的输入数据；
其中，所述中心标准化的计算公式为：
Figure BDA0003655531150000032
x为原始数据，xs为中心标准化后数据，m(x)为原始样本中数据的平均值，sd(x)为原始样本中数据的标准差；
所述筛值修正公式为jk＝{μ1·jk1(1-θ1),μ2·jk2(1-θ2),...,μe·jke(1-θe)}，j为筛值化状态信息数据的数据类型，k为数据类型中数据的序号，e为维度，μe为第e个维度的修正因子，jke为数据类型j中第k个数据在第e个维度分量，θe为jke在数据类型j中出现的概率。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S52具体包括：
S61、将所述标准化状态信息数据每个数据类型中的数据按照采集时刻顺序排序，预设进行U轮筛值处理；
S62、选择相邻两个数据为作为一组比较组，比较组中的每个数据选择同样的E个维度的数据进行同维度大小比较，,在同维度下数据较大者得分加1，数据较小者不得分，E个维度的数据全部比较完，统计比较组中两个数据总得分大小；
S63、若比较组中的两个数据得分相同，则增加维度，即令E＝E+E'，然后返回S62；否则进入S64；
S64、将比较组采集时刻顺序排序，若比较组的序号为奇数则组内选择得分较大的数据，筛去组内得分较小的数据，将此轮筛值后的数据作为新的标准化状态信息数据；
S65、令u＝u+1，若u＜U，则返回S62，否则，输出筛值化状态信息数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述通过强化学习模型计算生成状态信息分量，具体包括：
构建强化学习模型：
Figure BDA0003655531150000041
其中，T为迭代次数，lt为当前迭代的采样率，Q(st,at)为当前迭代的价值函数，Q(s′,a′)为最优价值函数，r为价值函数的波动值，γ为最优价值函数的修正因子；
将强化学习模型拆分为以下三个子模型：LT＝UT+VT+WT；其中，
Figure BDA0003655531150000042
Figure BDA0003655531150000043
Q(st',at')为次优价值函数，就是截至第t次迭代的最优价值函数；
分别对三个子模型进行训练学习并生成用于计算的强化学习模型后，将输入数据代入强化学习模型后生成状态信息分量。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S5具体包括：
通过公式
Figure BDA0003655531150000044
计算故障程度评价参数，判断φ值处于哪一故障程度区间，从而估计出故障程度值；
其中，为F(t)为电流信息分量，G(t)为状态信息分量，ρ为经验参数，φ为故障程度评价参数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述电流信号为发电机电流信号，所述状态数据包括风机振动数据和风机温度数据。
第二方面，本发明实施例提供了新能源发电组件质量检测装置，所述装置包括：
采集模块，用于采集发电组件相关联的电流信号和状态数据；
重采样模块，用于对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；
放大模块，用于对重采样结果进行处理并放大后得到电流信息分量；
预处理模块，用于对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；
计算模块，用于基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。
上述技术方案中的一个技术方案具有如下有益效果：
本发明实施例的方法中，首先采集发电组件相关联的电流信号和状态数据；然后对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；接着对重采样结果进行处理并放大后得到电流信息分量；在对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；最后，基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。本发明实施例的技术方案通过电流信号和状态数据两个数据来源相结合的方式可以提高质量检测的准确性，电流信号和状态数据的预处理过程也在降低数据维度的同时保证了故障信息，而这些处理有效提升了后续模型计算得准确性。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例所提供的新能源发电组件质量检测方法流程示意图；
图2为本发明实施例所提供的新能源发电组件质量检测装置的功方块图；
图3为本发明实施例提供的一种电子设备的结构示意图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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。
请参考图1，其为本发明实施例所提供的新能源发电组件质量检测方法的流程示意图，如图所示，该方法包括以下步骤：
S1、采集发电组件相关联的电流信号和状态数据；
S2、对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；
S3、对重采样结果进行处理并放大后得到电流信息分量；
S4、对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；
S5、基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。
具体地，S2中所述对采集到的电流信号进行高频调幅处理后生成故障信号，具体包括：
对采集到的电流信号进行希尔伯特变换：
Figure BDA0003655531150000071
其中，i(t)为采集到的电流信号，Ψ[i(t)]为基于i(t)的希尔伯特变换；
然后通过公式
Figure BDA0003655531150000072
计算得出故障信号。
进一步地，S2中所述对所述故障信号进行重采样，具体包括：
S31、定义故障信号f(t)的初始采样频率为ξ0，相位间隔为
Figure BDA0003655531150000073
设置每个相位间隔采样个数为N后进行重采样，得出第一重采样结果；
S32、基于第一重采样结果，并通过
Figure BDA0003655531150000074
计算出每个相位间隔的采样频率，从全部的采样频率中确定Δξ＝|ξ0-ξ|的最小值，若Δξ小于预设阈值，则输出第一采样结果为最终的重采样结果f'(t)，否则，则定义此时的ξ＝ξ0为新的采样频率；
S33、若ξ＞ξ0，则令N＝N+Δn，ξ0＝ξ，返回至S21；若ξ≤ξ0，则令N＝N-Δn，ξ0＝ξ，返回至S31；
其中，
Figure BDA0003655531150000076
为相位间隔内的相位平均值，Δn＝1,2,...N。
具体地，S3中对重采样结果进行处理并放大后得到电流信息分量，具体包括：
S41、根据输出的采样频率ξ0和重采样结果f'(t)，确定重采样结果f'(t)在采样频率ξ0处的特征幅度；
S42、根据所述特征幅度构建卷积神经网络的卷积核的长度和通道数，卷积核的核数为通过重采样结果中相同特征频率出现的次数；
S43、通过公式
Figure BDA0003655531150000075
对重采样结果进行放大后得出电流信息分量，其中，c(t)为卷积核，F为傅里叶变换，p为卷积核的长度，q为卷积核的通道数。
具体地，在S4中对采集到的状态数据进行预处理，具体包括：
S51、将状态信息数据的采样长度统一到M维后，通过进行中心标准化的计算公式进行中心标准化归一化处理后生成标准化状态信息数据；
S52、对按照数据类型对标准化状态信息数据进行筛值处理后生成筛值化状态信息数据；
S53、通过筛值修正公式对筛值化状态信息数据进行修正处理后得到强化学习模型的输入数据；
其中，所述中心标准化的计算公式为：
Figure BDA0003655531150000081
x为原始数据，xs为中心标准化后数据，m(x)为原始样本中数据的平均值，sd(x)为原始样本中数据的标准差；
所述筛值修正公式为jk＝{μ1·jk1(1-θ1),μ2·jk2(1-θ2),...,μe·jke(1-θe)}，j为筛值化状态信息数据的数据类型，k为数据类型中数据的序号，e为维度，μe为第e个维度的修正因子，jke为数据类型j中第k个数据在第e个维度分量，θe为jke在数据类型j中出现的概率。
进一步地，上面的S52具体包括：
S61、将所述标准化状态信息数据每个数据类型中的数据按照采集时刻顺序排序，预设进行U轮筛值处理；
S62、选择相邻两个数据为作为一组比较组，比较组中的每个数据选择同样的E个维度的数据进行同维度大小比较，,在同维度下数据较大者得分加1，数据较小者不得分，E个维度的数据全部比较完，统计比较组中两个数据总得分大小；
S63、若比较组中的两个数据得分相同，则增加维度，即令E＝E+E'，然后返回S62；否则进入S64；
S64、将比较组采集时刻顺序排序，若比较组的序号为奇数则组内选择得分较大的数据，筛去组内得分较小的数据，将此轮筛值后的数据作为新的标准化状态信息数据；
S65、令u＝u+1，若u＜U，则返回S62，否则，输出筛值化状态信息数据。
具体地，在S4中通过强化学习模型计算生成状态信息分量，具体包括：
构建强化学习模型：
Figure BDA0003655531150000091
其中，T为迭代次数，lt为当前迭代的采样率，Q(st,at)为当前迭代的价值函数，Q(s′,a′)为最优价值函数，r为价值函数的波动值，γ为最优价值函数的修正因子；
将强化学习模型拆分为以下三个子模型：LT＝UT+VT+WT；其中，
Figure BDA0003655531150000092
Figure BDA0003655531150000093
Q(st',at')为次优价值函数，就是截至第t次迭代的最优价值函数；
分别对三个子模型进行训练学习并生成用于计算的强化学习模型后，将输入数据代入强化学习模型后生成状态信息分量。
具体地，S5具体包括：
通过公式
Figure BDA0003655531150000094
计算故障程度评价参数，判断φ值处于哪一故障程度区间，从而估计出故障程度值；
其中，为F(t)为电流信息分量，G(t)为状态信息分量，ρ为经验参数，φ为故障程度评价参数。
本发明实施例中提到的电流信号为发电机电流信号，状态数据包括风机振动数据和风机温度数据。
请参考图2，其为本发明实施例提供了新能源发电组件质量检测装置的功能方块图，所述装置包括：
采集模块210，用于采集发电组件相关联的电流信号和状态数据；
重采样模块220，用于对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；
放大模块230，用于对重采样结果进行处理并放大后得到电流信息分量；
预处理模块240，用于对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；
计算模块250，用于基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。
本发明实施例的方法中，首先采集发电组件相关联的电流信号和状态数据；然后对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；接着对重采样结果进行处理并放大后得到电流信息分量；在对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；最后，基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。本发明实施例的技术方案通过电流信号和状态数据两个数据来源相结合的方式可以提高质量检测的准确性，电流信号和状态数据的预处理过程也在降低数据维度的同时保证了故障信息，而这些处理有效提升了后续模型计算得准确性。
由于本实施例中的各单元模块能够执行图1所示的方法，本实施例未详细描述的部分，可参考对图1的相关说明。
图3为本发明实施例提供的一种电子设备的结构示意图。请参考图3，在硬件层面，该装置可以包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该装置还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
结合本发明实施例所公开的方法的步骤可以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，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种新能源发电组件质量检测方法，其特征在于，所述方法包括：
S1、采集发电组件相关联的电流信号和状态数据；
S2、对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；
S3、对重采样结果进行处理并放大后得到电流信息分量；
S4、对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；
S5、基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。
2.根据权利要求1所述的新能源发电组件质量检测方法，其特征在于，所述对采集到的电流信号进行高频调幅处理后生成故障信号，具体包括：
对采集到的电流信号进行希尔伯特变换：
Figure FDA0003655531140000011
其中，i(t)为采集到的电流信号，Ψ[i(t)]为基于i(t)的希尔伯特变换；
然后通过公式
Figure FDA0003655531140000012
计算得出故障信号。
3.根据权利要求2所述的新能源发电组件质量检测方法，其特征在于，所述对所述故障信号进行重采样，具体包括：
S31、定义故障信号f(t)的初始采样频率为ξ0，相位间隔为
Figure FDA0003655531140000013
设置每个相位间隔采样个数为N后进行重采样，得出第一重采样结果；
S32、基于第一重采样结果，并通过
Figure FDA0003655531140000014
计算出每个相位间隔的采样频率，从全部的采样频率中确定Δξ＝|ξ0-ξ|的最小值，若Δξ小于预设阈值，则输出第一采样结果为最终的重采样结果f'(t)，否则，则定义此时的ξ＝ξ0为新的采样频率；
S33、若ξ＞ξ0，则令N＝N+Δn，ξ0＝ξ，返回至S21；若ξ≤ξ0，则令N＝N-Δn，ξ0＝ξ，返回至S31；
其中，
Figure FDA0003655531140000021
为相位间隔内的相位平均值，Δn＝1,2,...N。
4.根据权利要求2所述的新能源发电组件质量检测方法，其特征在于，所述对重采样结果进行处理并放大后得到电流信息分量，具体包括：
S41、根据输出的采样频率ξ0和重采样结果f'(t)，确定重采样结果f'(t)在采样频率ξ0处的特征幅度；
S42、根据所述特征幅度构建卷积神经网络的卷积核的长度和通道数，卷积核的核数为通过重采样结果中相同特征频率出现的次数；
S43、通过公式
Figure FDA0003655531140000022
对重采样结果进行放大后得出电流信息分量，其中，c(t)为卷积核，F为傅里叶变换，p为卷积核的长度，q为卷积核的通道数。
5.根据权利要求3所述的新能源发电组件质量检测方法，其特征在于，所述对采集到的状态数据进行预处理，具体包括：
S51、将状态信息数据的采样长度统一到M维后，通过进行中心标准化的计算公式进行中心标准化归一化处理后生成标准化状态信息数据；
S52、对按照数据类型对标准化状态信息数据进行筛值处理后生成筛值化状态信息数据；
S53、通过筛值修正公式对筛值化状态信息数据进行修正处理后得到强化学习模型的输入数据；
其中，所述中心标准化的计算公式为：
Figure FDA0003655531140000023
x为原始数据，xs为中心标准化后数据，m(x)为原始样本中数据的平均值，sd(x)为原始样本中数据的标准差；
所述筛值修正公式为jk＝{μ1·jk1(1-θ1),μ2·jk2(1-θ2),...,μe·jke(1-θe)}，j为筛值化状态信息数据的数据类型，k为数据类型中数据的序号，e为维度，μe为第e个维度的修正因子，jke为数据类型j中第k个数据在第e个维度分量，θe为jke在数据类型j中出现的概率。
6.根据权利要求5所述的新能源发电组件质量检测方法，其特征在于，所述S52具体包括：
S61、将所述标准化状态信息数据每个数据类型中的数据按照采集时刻顺序排序，预设进行U轮筛值处理；
S62、选择相邻两个数据为作为一组比较组，比较组中的每个数据选择同样的E个维度的数据进行同维度大小比较，,在同维度下数据较大者得分加1，数据较小者不得分，E个维度的数据全部比较完，统计比较组中两个数据总得分大小；
S63、若比较组中的两个数据得分相同，则增加维度，即令E＝E+E'，然后返回S62；否则进入S64；
S64、将比较组采集时刻顺序排序，若比较组的序号为奇数则组内选择得分较大的数据，筛去组内得分较小的数据，将此轮筛值后的数据作为新的标准化状态信息数据；
S65、令u＝u+1，若u＜U，则返回S62，否则，输出筛值化状态信息数据。
7.根据权利要求6所述的新能源发电组件质量检测方法，其特征在于，所述通过强化学习模型计算生成状态信息分量，具体包括：
构建强化学习模型：
Figure FDA0003655531140000031
其中，T为迭代次数，lt为当前迭代的采样率，Q(st,at)为当前迭代的价值函数，Q(s′,a′)为最优价值函数，r为价值函数的波动值，γ为最优价值函数的修正因子；
将强化学习模型拆分为以下三个子模型：LT＝UT+VT+WT；其中，
Figure FDA0003655531140000041
Figure FDA0003655531140000042
Q(s′t,a′t)为次优价值函数，就是截至第t次迭代的最优价值函数；
分别对三个子模型进行训练学习并生成用于计算的强化学习模型后，将输入数据代入强化学习模型后生成状态信息分量。
8.根据权利要求7所述的新能源发电组件质量检测方法，其特征在于，所述S5具体包括：
通过公式
Figure FDA0003655531140000043
计算故障程度评价参数，判断φ值处于哪一故障程度区间，从而估计出故障程度值；
其中，为F(t)为电流信息分量，G(t)为状态信息分量，ρ为经验参数，φ为故障程度评价参数。
9.根据权利要求1所述的新能源发电组件质量检测方法，其特征在于，所述电流信号为发电机电流信号，所述状态数据包括风机振动数据和风机温度数据。
10.一种新能源发电组件质量检测装置，其特征在于，所述装置包括：
采集模块，用于采集发电组件相关联的电流信号和状态数据；
重采样模块，用于对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；
放大模块，用于对重采样结果进行处理并放大后得到电流信息分量；
预处理模块，用于对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；
计算模块，用于基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。
CN202210557930.1A 2022-05-21 2022-05-21 一种新能源发电组件质量检测方法及装置 Pending CN114942396A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210557930.1A CN114942396A (zh) 2022-05-21 2022-05-21 一种新能源发电组件质量检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210557930.1A CN114942396A (zh) 2022-05-21 2022-05-21 一种新能源发电组件质量检测方法及装置

Publications (1)

Publication Number Publication Date
CN114942396A true CN114942396A (zh) 2022-08-26

Family

ID=82908200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210557930.1A Pending CN114942396A (zh) 2022-05-21 2022-05-21 一种新能源发电组件质量检测方法及装置

Country Status (1)

Country Link
CN (1) CN114942396A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116416616A (zh) * 2023-04-13 2023-07-11 沃森克里克（北京）生物科技有限公司 一种dc细胞体外培养筛分方法、装置及计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116416616A (zh) * 2023-04-13 2023-07-11 沃森克里克（北京）生物科技有限公司 一种dc细胞体外培养筛分方法、装置及计算机可读介质
CN116416616B (zh) * 2023-04-13 2024-01-05 沃森克里克（北京）生物科技有限公司 一种dc细胞体外培养筛分方法、装置及计算机可读介质

Similar Documents

Publication Publication Date Title
CN110008080B (zh) 基于时间序列的业务指标异常检测方法、装置和电子设备
CN109857984B (zh) 一种锅炉负荷率-效能曲线的回归方法和装置
CN109598414B (zh) 风险评估模型训练、风险评估方法、装置及电子设备
CN109918296B (zh) 软件自动化测试方法及装置
CN110457524B (zh) 模型生成方法、视频分类方法及装置
CN110909826A (zh) 一种能源设备的诊断监测方法、装置及电子设备
CN114942396A (zh) 一种新能源发电组件质量检测方法及装置
CN111506731A (zh) 一种训练字段分类模型的方法、装置及设备
CN109271453B (zh) 一种数据库容量的确定方法和装置
CN109241163B (zh) 电子凭证的生成方法及终端设备
CN117318671B (zh) 一种基于快速傅里叶变换的自适应滤波方法
Li et al. Analog circuits fault detection using cross-entropy approach
CN112200299B (zh) 神经网络计算装置、数据处理方法及装置
Xie et al. Soft fault diagnosis of analog circuits via frequency response function measurements
CN114639391A (zh) 机械故障提示方法、装置、电子设备及存储介质
Rajamani et al. A novel method for designing allpass digital filters
CN110189178B (zh) 异常交易监测方法、装置及电子设备
CN116706876A (zh) 一种双高电力系统宽频振荡识别方法、装置及设备
CN111897851A (zh) 异常数据的确定方法、装置、电子设备及可读存储介质
CN116718890A (zh) 电路故障的检测方法、装置及计算机可读存储介质
CN110646229A (zh) 空气预热器故障诊断方法、装置及电子设备、存储介质
CN111489739A (zh) 音素识别方法、装置及计算机可读存储介质
CN113225218A (zh) 一种话单质量的核查方法和装置
CN114581086A (zh) 基于动态时序网络的钓鱼账户检测方法及系统
CN109145996B (zh) 异常环境下的指标数据生成方法、装置及电子设备

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