CN115544140A - 一种基于人工智能的光伏电站性能检测系统及方法 - Google Patents

一种基于人工智能的光伏电站性能检测系统及方法 Download PDF

Info

Publication number
CN115544140A
CN115544140A CN202211205245.9A CN202211205245A CN115544140A CN 115544140 A CN115544140 A CN 115544140A CN 202211205245 A CN202211205245 A CN 202211205245A CN 115544140 A CN115544140 A CN 115544140A
Authority
CN
China
Prior art keywords
data
fault
photovoltaic power
power station
abnormal
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
CN202211205245.9A
Other languages
English (en)
Inventor
罗群芳
肖洁
文栋
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.)
Uper New Energy Technology Ningbo Co ltd
Original Assignee
Uper New Energy Technology Ningbo 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 Uper New Energy Technology Ningbo Co ltd filed Critical Uper New Energy Technology Ningbo Co ltd
Priority to CN202211205245.9A priority Critical patent/CN115544140A/zh
Publication of CN115544140A publication Critical patent/CN115544140A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2379—Updates performed during online database operations; commit processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及光伏电站性能检测技术领域，具体为一种基于人工智能的光伏电站性能检测系统及方法，包括：数据采集模块、数据库、数据分析模块、数据诊断模块、智能调度模块和手机终端；通过数据采集模块利用搜索引擎技术采集光伏电站监控系统内的实时数据，并将数据发送至所述数据库；通过数据库存储所有采集到的实时数据；通过数据分析模块分析数据是否出现异常，若异常则进行报警处理；通过数据诊断模块提取异常数据，确认故障点，分析故障原因并规划最佳的方案措施；通过智能调度模块对电站的故障信息进行调度，并将信息发送至所述手机终端；通过手机终端以三维可视化显示故障点位置信息，并通过语音交互的形式进行方案的选择；提高了检修效率。

Description

一种基于人工智能的光伏电站性能检测系统及方法
技术领域
本发明涉及光伏电站性能检测技术领域，具体为一种基于人工智能的光伏电站性能检测系统及方法。
背景技术
随着化石能源的不可持续性日益暴露，可再生能源取代化石能源已是大势所趋，而光伏发电规模不断扩大以及度电成本快速下降，使得光伏发电已成为当下能源变革的重要力量。
光伏发电包括大到大型光伏电站，小到家用屋顶式发电系统。我国光伏发展至今，取得辉煌成就的同时，也不可避免地同其他工业产业一样遇到了一些问题，目前我们对光伏电站的调度仍是处于人工的状态，而由于光伏发电系统中工作运行设备较多，会存在无法及时调度监控数据，从而不能及时解决故障的问题。
所以，人们需要一种基于人工智能的光伏电站性能检测系统及方法来解决上述问题，通过人工智能对电站性能进行检测，保证区域内电站性能完好，对电站进行检测评估，当出现故障时能够远程进行诊断，通过三维可视化进行展示，及时消缺，提高检修效率。
发明内容
本发明的目的在于提供一种基于人工智能的光伏电站性能检测系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的光伏电站性能检测系统，所述系统包括：数据采集模块、数据库、数据分析模块、数据诊断模块、智能调度模块和手机终端；
通过所述数据采集模块利用搜索引擎技术采集光伏电站监控系统内的实时数据，并将数据发送至所述数据库；
通过所述数据库存储所有采集到的实时数据；
通过所述数据分析模块分析数据是否出现异常，若异常则进行报警处理；
通过所述数据诊断模块提取异常数据，确认故障点，分析故障原因并规划最佳的方案措施；
通过所述智能调度模块对光伏电站的故障信息进行调度，并将信息发送至所述手机终端；
通过所述手机终端以三维可视化显示故障点位置信息，并通过语音交互的形式进行方案的选择。
进一步的，所述数据采集模块利用搜索引擎技术采集光伏电站监控系统内的实时数据，所述实时数据包括光伏电站的逆变器、汇流箱、辐照仪、气象仪、电表等设备的实时监控数据。
进一步的，所述数据库用于存储所有采集到的监控数据，同时也储存光伏电站一系列的故障采取措施以及登记的运维人员名单及其信息。
进一步的，所述数据分析模块包括数据分类单元、数据对比单元和报警单元；所述数据分类单元用于利用朴素贝叶斯分类模型将数据进行分类处理，并将分类后的数据上传至所述数据对比单元；所述数据对比单元用于对比不同时刻同一种数据的变化程度，判断数据是否发生异常，若超过某一阈值，则说明数据发生异常，此时，则进入报警单元；若数据未发生异常，则不进入所述报警单元；所述报警单元用于利用指示灯对异常数据进行报警处理，此时，指示灯亮红灯。
进一步的，所述数据诊断模块包括数据提取单元、数据诊断单元和措施选择单元；所述数据提取单元用于提取发生异常的数据，并将提取的数据发送至所述数据诊断单元；所述数据诊断单元用于对异常数据进行诊断，确认故障设备和其具体位置，并分析其故障原因；所述措施选择单元接收到所述数据诊断单元的结果后，用于提供几种检修光伏电站故障的最佳方案。
所述数据诊断单元包括故障确认子单元和原因分析子单元；所述故障确认子单元用于确认故障设备及故障点具体位置；所述原因分析子单元用于根据异常数据信息及故障设备分析其故障原因。
进一步的，所述智能调度模块包括人员调取单元和信息调度单元；所述人员调取单元用于调取所登记的当天负责故障电站的运维人员；所述信息调度单元用于将调度信息发送至运维人员的手机终端上，其中，所述调度信息包括故障点位置信息，方案措施选择等。
进一步的，所述手机终端包括显示单元、语音交互单元和信息返回单元；所述显示单元用于利用3D显示技术显示光伏电站故障设备及故障点具体位置信息；所述语音交互单元用于利用智能语音系统与运维人员进行交互，告知其具体措施的选择；所述信息返回单元用于将运维人员实际采取措施及电站具体故障原因返回到数据库，当运维人员到达故障点，进一步确认故障原因，并将根据方案所选择的实际措施输入手机终端，所述手机终端将信息返回至所述数据库，便于留痕，除此之外，对数据判断更加准确，更有利于故障原因及其措施选择的优化。
一种基于人工智能的光伏电站性能检测方法，包括以下步骤：
S1：利用搜索引擎技术采集光伏电站监控系统内的实时数据；
S2：存储所有采集到的实时数据；
S3：分析数据是否出现异常，若异常则进行报警处理；
S4：提取异常数据，确认故障点，分析故障原因并规划最佳的方案措施；
S5：对光伏电站的故障信息进行调度；
S6：以三维可视化显示故障点位置信息，并通过语音交互的形式进行方案的选择。
进一步的，在步骤S1中：利用搜索引擎技术采集光伏电站监控系统内的实时数据，包括光伏电站的逆变器、汇流箱、辐照仪、气象仪、电表等设备的实时监控数据。
进一步的，在步骤S2中：存储所有采集到的监控数据，如光伏阵列光照数据，逆变器数据，汇流箱电压等。
进一步的，在步骤S3中：为了分析数据是否异常，首先利用主成分分析法提取监控数据的关键词：
设定有n个监控数据，每个监控数据观测p个指标，将原始数据写成矩阵：
Figure BDA0003870966370000031
Figure BDA0003870966370000032
将数据标准化后，得到建立变量的相关系数矩阵：
Figure BDA0003870966370000033
则R＝(rij)p×p，
Figure BDA0003870966370000034
进一步得到R相应的监控数据特征向量：
Figure BDA0003870966370000035
Figure BDA0003870966370000036
由特征向量得到特征值为λ1，λ2，…，λp，原样本中含有p个变量，通过主成分分析后变量个数会减少很多，而由于选取主成分的个数需要依据主成分的贡献率与累计贡献率，其中第k个主成分数据的贡献率为：
Figure BDA0003870966370000037
通常情况下，该主成分的贡献率越大，说明保存的原有数据的信息越多；样本前m个主成分的累计贡献率为：
Figure BDA0003870966370000041
Figure BDA0003870966370000042
通常情况下，如果累计贡献率达到80％以上，便可以认为选取前m个主成分能够很好地保留原来样本的信息。累计贡献率是判断选取主成分个数的标准，也反映了这些主成分对原有信息的保留情况，一般取累计贡献率达85％～95％的特征值λ1，λ2，…，λm所对应的第1、第2、…、第m(m≤p)个主成分；那么第i主成分Fi为：Fi＝a1iX1+a2iX2+…+apiXp，其中i＝1，2，…，p；
接着利用朴素贝叶斯分类模型将采集到的监控数据根据关键词进行分组处理，并将不同时间提取的关键词相同的数据归为一组，从而得到数据集V＝{vi}，i＝1，2，…，p，如将关键词为“光伏阵列1电压”的数据归为一类；其中，朴素贝叶斯分类模型属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述；
最后通过对比同一组内的实时数据，来判断组内数据是否发生异常：
设定x时间里第i组内数据为Y＝{yx}，x＝1，2，…，n，则其均值为
Figure BDA0003870966370000043
此时，当有一个数据yn+1进入组内，则将其与E(Y)进行比较，若|yn+1-E(Y)|＞η时，此时判断数据发生异常，反之，则数据无异常；
若数据发生异常，则进入报警状态，此时，指示灯亮红灯，若数据未发生异常，则不亮灯。
进一步的，在步骤S4中：当x时间时，系统处于报警状态，则进入数据诊断模式：
首先提取发生异常的数据，并确认其对应的组别，如“光伏阵列1-电压”：若发生异常的数据为第i组内的数据，则其组别为Fi；
接着对异常数据进行诊断：根据数据的组别关键词Fi确认其故障设备，并通过对光伏电站内的每一个设备数据进行标号处理来进一步确认其故障位置信息；
然后利用k线图将数据差值制成图表并根据异常数据信息及故障设备分析其故障原因：将数据集Y＝{yx}，x＝1，2，…，n内的每一个数据与前一个数据做差值，则h(x)＝yx+1-yx，x＝1，2，…，n，将h(x)制作成k线图，并根据k线图的上升及下降趋势来判断设备的故障原因，若故障设备为“光伏阵列1-电压”，此时，k线图呈明显的下降趋势，则其故障原因为组件开路电压异常；
最后根据其故障原因提供几种检修光伏电站故障的最佳方案，若故障原因为光伏组件开路电压异常时，则可提供“组串中每个组件的开路电压，查出开路电压异常的组件”的方案措施。
进一步的，在步骤S5中：利用人员调取单元调取数据库内所登记的当天负责故障电站的运维人员信息，并将故障设备信息及其故障原因发送至该运维人员的手机终端上。
进一步的，在步骤S6中：所述手机终端利用3D显示技术以三维可视化显示故障设备及其具体的位置信息，同时利用智能语音系统与运维人员进行交互，告知运维人员具体措施的选择；在运维人员解决故障问题后，利用信息返回单元将运维人员实际的采取措施及电站具体故障原因进一步返回到数据库，从而提高对故障原因分析的精确度并优化方案措施的提取；其中，3D显示技术和智能语音系统属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述。
与现有技术相比，本发明所达到的有益效果是：
本发明通过利用利用搜索引擎技术采集光伏电站监控系统内的实时数据，更有利于监控数据的获得；通过主成分分析法提取监控数据的关键词，更有利于数据的分类；通过利用朴素贝叶斯分类模型将数据根据关键词进行分组处理，分类效率高，稳定性好；通过将同组内不同数据进行对比，从而判断数据是否异常；通过提取异常数据，利用k线图和数据组别分析其故障设备信息及故障原因，更有利于实现对电站的远程诊断；通过调取运维人员名单并将故障信息发送给运维人员的手机终端上，实现了对故障信息的智能调度，大大减少了人工的操作；通过利用3D技术及智能语音系统显示故障点位置信息及措施选择，更有利于运维人员对电站故障点及时消缺，从而提高检修效率；通过将运维人员实际的采取措施及电站具体故障原因进一步返回到数据库，从而进一步提高对故障原因分析的精确度并优化方案措施的提取。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的光伏电站性能检测系统的结构图；
图2是本发明一种基于人工智能的光伏电站性能检测方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
请参阅图1-图2，本发明提供技术方案：一种基于人工智能的光伏电站性能检测系统，系统包括：数据采集模块、数据库、数据分析模块、数据诊断模块、智能调度模块和手机终端；
通过所述数据采集模块利用搜索引擎技术采集光伏电站监控系统内的实时数据，并将数据发送至所述数据库；
通过所述数据库存储所有采集到的实时数据；
通过所述数据分析模块分析数据是否出现异常，若异常则进行报警处理；
通过所述数据诊断模块提取异常数据，确认故障点，分析故障原因并规划最佳的方案措施；
通过所述智能调度模块对光伏电站的故障信息进行调度，并将信息发送至所述手机终端；
通过所述手机终端以三维可视化显示故障点位置信息，并通过语音交互的形式进行方案的选择。
进一步的，所述数据采集模块利用搜索引擎技术采集光伏电站监控系统内的实时数据，所述实时数据包括光伏电站的逆变器、汇流箱、辐照仪、气象仪、电表等设备的实时监控数据。
进一步的，所述数据库用于存储所有采集到的监控数据，同时也储存光伏电站一系列的故障采取措施以及登记的运维人员名单及其信息。
进一步的，所述数据分析模块包括数据分类单元、数据对比单元和报警单元；所述数据分类单元用于利用朴素贝叶斯分类模型将数据进行分类处理，并将分类后的数据上传至所述数据对比单元；所述数据对比单元用于对比不同时刻同一种数据的变化程度，判断数据是否发生异常，若超过某一阈值，则说明数据发生异常，此时，则进入报警单元；若数据未发生异常，则不进入所述报警单元；所述报警单元用于利用指示灯对异常数据进行报警处理，此时，指示灯亮红灯。
进一步的，所述数据诊断模块包括数据提取单元、数据诊断单元和措施选择单元；所述数据提取单元用于提取发生异常的数据，并将提取的数据发送至所述数据诊断单元；所述数据诊断单元用于对异常数据进行诊断，确认故障设备和其具体位置，并分析其故障原因；所述措施选择单元接收到所述数据诊断单元的结果后，用于提供几种检修光伏电站故障的最佳方案。
所述数据诊断单元包括故障确认子单元和原因分析子单元；所述故障确认子单元用于确认故障设备及故障点具体位置；所述原因分析子单元用于根据异常数据信息及故障设备分析其故障原因。
进一步的，所述智能调度模块包括人员调取单元和信息调度单元；所述人员调取单元用于调取所登记的当天负责故障电站的运维人员；所述信息调度单元用于将调度信息发送至运维人员的手机终端上，其中，所述调度信息包括故障点位置信息，方案措施选择等。
进一步的，所述手机终端包括显示单元、语音交互单元和信息返回单元；所述显示单元用于利用3D显示技术显示光伏电站故障设备及故障点具体位置信息；所述语音交互单元用于利用智能语音系统与运维人员进行交互，告知其具体措施的选择；所述信息返回单元用于将运维人员实际采取措施及电站具体故障原因返回到数据库，当运维人员到达故障点，进一步确认故障原因，并将根据方案所选择的实际措施输入手机终端，所述手机终端将信息返回至所述数据库，便于留痕，除此之外，对数据判断更加准确，更有利于故障原因及其措施选择的优化。
一种基于人工智能的光伏电站性能检测方法，包括以下步骤：
S1：利用搜索引擎技术采集光伏电站监控系统内的实时数据；
S2：存储所有采集到的实时数据；
S3：分析数据是否出现异常，若异常则进行报警处理；
S4：提取异常数据，确认故障点，分析故障原因并规划最佳的方案措施；
S5：对光伏电站的故障信息进行调度；
S6：以三维可视化显示故障点位置信息，并通过语音交互的形式进行方案的选择。
进一步的，在步骤S1中：利用搜索引擎技术采集光伏电站监控系统内的实时数据，包括光伏电站的逆变器、汇流箱、辐照仪、气象仪、电表等设备的实时监控数据。
进一步的，在步骤S2中：存储所有采集到的监控数据，如光伏阵列光照数据，逆变器数据，汇流箱电压等。
进一步的，在步骤S3中：为了分析数据是否异常，首先利用主成分分析法提取监控数据的关键词：
设定有n个监控数据，每个监控数据观测p个指标，将原始数据写成矩阵：
Figure BDA0003870966370000081
Figure BDA0003870966370000082
将数据标准化后，得到建立变量的相关系数矩阵：
Figure BDA0003870966370000083
则R＝(rij)p×p，
Figure BDA0003870966370000084
进一步得到R相应的监控数据特征向量：
Figure BDA0003870966370000085
Figure BDA0003870966370000086
由特征向量得到特征值为λ1，λ2，…，λp，原样本中含有p个变量，通过主成分分析后变量个数会减少很多，而由于选取主成分的个数需要依据主成分的贡献率与累计贡献率，其中第k个主成分数据的贡献率为：
Figure BDA0003870966370000087
通常情况下，该主成分的贡献率越大，说明保存的原有数据的信息越多；样本前m个主成分的累计贡献率为：
Figure BDA0003870966370000088
Figure BDA0003870966370000089
通常情况下，如果累计贡献率达到80％以上，便可以认为选取前m个主成分能够很好地保留原来样本的信息。累计贡献率是判断选取主成分个数的标准，也反映了这些主成分对原有信息的保留情况，一般取累计贡献率达85％～95％的特征值λ1，λ2，…，λm所对应的第1、第2、…、第m(m≤p)个主成分；那么第i主成分Fi为：Fi＝a1iX1+a2iX2+…+apiXp，其中i＝1，2，…，p；
接着利用朴素贝叶斯分类模型将采集到的监控数据根据关键词进行分组处理，并将不同时间提取的关键词相同的数据归为一组，从而得到数据集V＝{vi}，i＝1，2，…，p，如将关键词为“光伏阵列1-电压”的数据归为一类；其中，朴素贝叶斯分类模型属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述；
最后通过对比同一组内的实时数据，来判断组内数据是否发生异常：
设定x时间里第i组内数据为Y＝{yx}，x＝1，2，…，n，则其均值为
Figure BDA00038709663700000810
此时，当有一个数据yn+1进入组内，则将其与E(Y)进行比较，若|yn+1-E(Y)|＞η时，此时判断数据发生异常，反之，则数据无异常；
若数据发生异常，则进入报警状态，此时，指示灯亮红灯，若数据未发生异常，则不亮灯。
进一步的，在步骤S4中：当x时间时，系统处于报警状态，则进入数据诊断模式：
首先提取发生异常的数据，并确认其对应的组别，如“光伏阵列1-电压”：若发生异常的数据为第i组内的数据，则其组别为Fi；
接着对异常数据进行诊断：根据数据的组别关键词Fi确认其故障设备，并通过对光伏电站内的每一个设备数据进行标号处理来进一步确认其故障位置信息；
然后利用k线图将数据差值制成图表并根据异常数据信息及故障设备分析其故障原因：将数据集Y＝{yx}，x＝1，2，…，n内的每一个数据与前一个数据做差值，则h(x)＝yx+1-yx，x＝1，2，…，n，将h(x)制作成k线图，并根据k线图的上升及下降趋势来判断设备的故障原因，若故障设备为“光伏阵列1-电压”，此时，k线图呈明显的下降趋势，则其故障原因为组件开路电压异常；
最后根据其故障原因提供几种检修光伏电站故障的最佳方案，若故障原因为光伏组件开路电压异常时，则可提供“组串中每个组件的开路电压，查出开路电压异常的组件”的方案措施。
进一步的，在步骤S5中：利用人员调取单元调取数据库内所登记的当天负责故障电站的运维人员信息，并将故障设备信息及其故障原因发送至该运维人员的手机终端上。
进一步的，在步骤S6中：所述手机终端利用3D显示技术以三维可视化显示故障设备及其具体的位置信息，同时利用智能语音系统与运维人员进行交互，告知运维人员具体措施的选择；在运维人员解决故障问题后，利用信息返回单元将运维人员实际的采取措施及电站具体故障原因进一步返回到数据库，从而提高对故障原因分析的精确度并优化方案措施的提取；其中，3D显示技术和智能语音系统属于本领域技术人员的常规技术手段，因此，并未做出过多的赘述。
实施例一：
在步骤S1中：利用搜索引擎技术采集光伏电站监控系统内的实时数据，包括光伏电站的逆变器、汇流箱、辐照仪、气象仪、电表等设备的实时监控数据。
在步骤S2中：存储所有采集到的监控数据，同时也储存光伏电站一系列的故障采取措施以及登记的运维人员名单及其信息。
在步骤S3中：为了分析数据是否异常，首先利用主成分分析法提取监控数据的关键词：
设定有n个监控数据，每个监控数据观测p个指标，将原始数据写成矩阵：
Figure BDA0003870966370000091
Figure BDA0003870966370000092
将数据标准化后，得到建立变量的相关系数矩阵：
Figure BDA0003870966370000093
则R＝(rij)p×p，
Figure BDA0003870966370000101
进一步得到R相应的监控数据特征向量：
Figure BDA0003870966370000102
Figure BDA0003870966370000103
由特征向量得到特征值为λ1，λ2，…，λp，原样本中含有p个变量，通过主成分分析后变量个数会减少很多，而由于选取主成分的个数需要依据主成分的贡献率与累计贡献率，其中第k个主成分数据的贡献率为：
Figure BDA0003870966370000104
通常情况下，该主成分的贡献率越大，说明保存的原有数据的信息越多；样本前m个主成分的累计贡献率为：
Figure BDA0003870966370000105
Figure BDA0003870966370000106
累计贡献率是判断选取主成分个数的标准，也反映了这些主成分对原有信息的保留情况，一般取累计贡献率达85％～95％的特征值λ1，λ2，…，λm所对应的第1、第2、…、第m(m≤p)个主成分；那么第i主成分Fi为：Fi＝a1iX1+a2iX2+…+apiXp，其中i＝1，2，…，p；
接着利用朴素贝叶斯分类模型将采集到的监控数据根据关键词进行分组处理，并将不同时间提取的关键词相同的数据归为一组，从而得到数据集V＝{vi}，i＝1，2，…，p；
最后通过对比同一组内的实时数据，来判断组内数据是否发生异常：
设定x时间里第i组内数据为Y＝{yx}，x＝1，2，…，n，则其均值为
Figure BDA0003870966370000107
此时，当有一个数据yn+1进入组内，则将其与E(Y)进行比较，此时，得到|yn+1-E(Y)|＞η，其中，η为某一设定阈值，因此，判断该组数据发生异常，则进入报警状态，指示灯亮红灯。
在步骤S4中：当x时间时，系统处于报警状态，则进入数据诊断模式：
首先提取发生异常的数据，并确认其对应的组别，由关键词“光伏阵列1-电压”得到故障设备为光伏阵列，且该设备标号为“1”，
接着对该组异常数据进行诊断：根据数据的组别关键词“光伏阵列1-电压”确认其故障设备，并通过设备标号为“1”来进一步确认其故障位置信息；
然后利用k线图将数据差值制成图表并根据异常数据信息及故障设备分析其故障原因：将数据集Y＝{yx}，x＝1，2，…，n内的每一个数据与前一个数据做差值，则h(x)＝yx+1-yx，x＝1，2，…，n，将h(x)制作成k线图，并根据k线图的上升及下降趋势来判断设备的故障原因，此时，k线图呈明显的下降趋势，则其故障原因为组件开路电压异常；
最后根据其故障原因提供几种检修光伏电站故障的最佳方案：由故障原因为组件开路电压异常，得到措施方案为“组串中每个组件的开路电压，查出开路电压异常的组件”
在步骤S5中：调取数据库内所登记的当天负责故障电站的运维人员信息为“丁一，158XXXXXXXX”，将故障设备信息及其故障原因发送至该运维人员的手机终端上；
在步骤S6中：手机终端接收到消息后，利用3D显示技术以三维可视化显示电站故障点的具体位置坐标，同时利用智能语音系统与运维人员进行交互，告知运维人员具体措施；运维人员“丁一”查看现场故障设备，根据实际情况与经验，采取措施，并将具体措施输入至手机终端，进一步返回至系统，与系统分析的原因及措施进行比对，提高数据分析的准确率。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的光伏电站性能检测系统，其特征在于：所述系统包括：数据采集模块、数据库、数据分析模块、数据诊断模块、智能调度模块和手机终端；
通过所述数据采集模块利用搜索引擎技术采集光伏电站监控系统内的实时数据，并将数据发送至所述数据库；
通过所述数据库存储所有采集到的实时数据；
通过所述数据分析模块分析数据是否出现异常，若异常则进行报警处理；
通过所述数据诊断模块提取异常数据，确认故障点，分析故障原因并规划最佳的方案措施；
通过所述智能调度模块对光伏电站的故障信息进行调度，并将信息发送至所述手机终端；
通过所述手机终端以三维可视化显示故障点位置信息，并通过语音交互的形式进行方案的选择。
2.根据权利要求1所述的一种基于人工智能的光伏电站性能检测系统，其特征在于：所述数据分析模块包括数据分类单元、数据对比单元和报警单元；所述数据分类单元用于利用朴素贝叶斯分类模型将数据进行分类处理，并将分类后的数据上传至所述数据对比单元；所述数据对比单元用于对比不同时刻同一种数据的变化程度，判断数据是否发生异常，若发生明显异常，则进入报警单元；所述报警单元用于利用指示灯对异常数据进行报警处理。
3.根据权利要求1所述的一种基于人工智能的光伏电站性能检测系统，其特征在于：所述数据诊断模块包括数据提取单元、数据诊断单元和措施选择单元；所述数据提取单元用于提取发生异常的数据，并将提取的数据发送至所述数据诊断单元；所述数据诊断单元用于对异常数据进行诊断，确认故障设备和其具体位置，并分析其故障原因；所述措施选择单元接收到所述数据诊断单元的结果后，用于提供几种检修光伏电站故障的最佳方案；
所述数据诊断单元包括故障确认子单元和原因分析子单元；所述故障确认子单元用于确认故障设备及故障点具体位置；所述原因分析子单元用于根据异常数据信息及故障设备分析其故障原因。
4.根据权利要求1所述的一种基于人工智能的光伏电站性能检测系统，其特征在于：所述智能调度模块包括人员调取单元和信息调度单元；所述人员调取单元用于调取所登记的当天负责故障电站的运维人员；所述信息调度单元用于将调度信息发送至运维人员的手机终端上。
5.根据权利要求1所述的一种基于人工智能的光伏电站性能检测系统，其特征在于：所述手机终端包括显示单元、语音交互单元和信息返回单元；所述显示单元用于利用3D显示技术显示光伏电站故障设备及故障点具体位置信息；所述语音交互单元用于利用智能语音系统与运维人员进行交互，告知其具体措施的选择；所述信息返回单元用于将运维人员实际采取措施及电站具体故障原因返回到数据库。
6.一种基于人工智能的光伏电站性能检测方法，其特征在于：包括以下步骤：
S1：利用搜索引擎技术采集光伏电站监控系统内的实时数据；
S2：存储所有采集到的实时数据；
S3：分析数据是否出现异常，若异常则进行报警处理；
S4：提取异常数据，确认故障点，分析故障原因并规划最佳的方案措施；
S5：对光伏电站的故障信息进行调度；
S6：以三维可视化显示故障点位置信息，并通过语音交互的形式进行方案的选择。
7.根据权利要求6所述的一种基于人工智能的光伏电站性能检测方法，其特征在于：在步骤S3中：为了分析数据是否异常，首先利用主成分分析法提取监控数据的关键词：
设定有n个监控数据，每个监控数据观测p个指标，将原始数据写成矩阵：
Figure FDA0003870966360000021
Figure FDA0003870966360000022
将数据标准化后，得到建立变量的相关系数矩阵：
Figure FDA0003870966360000023
则
Figure FDA0003870966360000024
进一步得到R相应的监控数据特征向量：
Figure FDA0003870966360000025
Figure FDA0003870966360000026
由特征向量得到特征值为λ1，λ2，…，λp，而由于选取主成分的个数需要依据主成分的贡献率与累计贡献率，其中第k个主成分数据的贡献率为：
Figure FDA0003870966360000027
Figure FDA0003870966360000028
样本前m个主成分的累计贡献率为：
Figure FDA0003870966360000029
那么第i主成分Fi为：Fi＝a1iX1+a2iX2+…+apiXp，其中i＝1，2，…，p；
接着利用朴素贝叶斯分类模型将采集到的监控数据根据关键词进行分组处理，并将不同时间提取的关键词相同的数据归为一组，从而得到数据集V＝{vi}，i＝1，2，…，p；
最后通过对比同一组内的实时数据，来判断组内数据是否发生异常：
设定x时间里第i组内数据为Y＝{yx}，x＝1，2，…，n，则其均值为
Figure FDA0003870966360000031
此时，当有一个数据yn+1进入组内，则将其与E(Y)进行比较，若|yn+1-E(Y)|＞η时，此时判断数据发生异常，反之，则数据无异常；
若数据发生异常，则进入报警状态，此时，指示灯亮红灯。
8.根据权利要求7所述的一种基于人工智能的光伏电站性能检测方法，其特征在于：在步骤S4中：当x时间时，系统处于报警状态，则进入数据诊断模式：
首先提取发生异常的数据，并确认其对应的组别：若发生异常的数据为第i组内的数据，则其组别为Fi；
接着对异常数据进行诊断：根据数据的组别关键词Fi确认其故障设备，并通过对光伏电站内的设备进行标号处理来进一步确认其故障位置信息；
然后利用k线图将数据差值制成图表并根据异常数据信息及故障设备分析其故障原因：将数据集Y＝{yx}，x＝1，2，…，n内的每一个数据与前一个数据做差值，则h(x)＝yx+1-yx，x＝1，2，…，n，将h(x)制作成k线图，并根据k线图的上升及下降趋势来判断设备的故障原因；
最后根据其故障原因提供几种检修光伏电站故障的最佳方案。
9.根据权利要求6所述的一种基于人工智能的光伏电站性能检测方法，其特征在于：在步骤S5中：利用人员调取单元调取所登记的当天负责故障电站的运维人员信息，并将故障设备信息及其故障原因发送至该运维人员的手机终端上。
10.根据权利要求6所述的一种基于人工智能的光伏电站性能检测方法，其特征在于：在步骤S6中：所述手机终端利用3D显示技术以三维可视化显示故障设备及其具体的位置信息，同时利用智能语音系统与运维人员进行交互，告知运维人员具体措施的选择；在运维人员解决故障问题后，利用信息返回单元将运维人员实际的采取措施及电站具体故障原因进一步返回到数据库，从而提高对故障原因分析的精确度并优化方案措施的提取。
CN202211205245.9A 2022-09-29 2022-09-29 一种基于人工智能的光伏电站性能检测系统及方法 Pending CN115544140A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211205245.9A CN115544140A (zh) 2022-09-29 2022-09-29 一种基于人工智能的光伏电站性能检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211205245.9A CN115544140A (zh) 2022-09-29 2022-09-29 一种基于人工智能的光伏电站性能检测系统及方法

Publications (1)

Publication Number Publication Date
CN115544140A true CN115544140A (zh) 2022-12-30

Family

ID=84732438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211205245.9A Pending CN115544140A (zh) 2022-09-29 2022-09-29 一种基于人工智能的光伏电站性能检测系统及方法

Country Status (1)

Country Link
CN (1) CN115544140A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562714A (zh) * 2023-07-07 2023-08-08 南通汤姆瑞斯工业智能科技有限公司 一种应用于机械加工的工件信息追溯系统及方法
CN116707437A (zh) * 2023-08-04 2023-09-05 国网山西省电力公司运城供电公司 一种基于边缘计算的光伏电站电弧故障监控装置
CN116865671A (zh) * 2023-09-01 2023-10-10 湖州丽天智能科技有限公司 一种光伏电站运维管理方法、巡检机器人

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562714A (zh) * 2023-07-07 2023-08-08 南通汤姆瑞斯工业智能科技有限公司 一种应用于机械加工的工件信息追溯系统及方法
CN116562714B (zh) * 2023-07-07 2023-12-08 南通汤姆瑞斯工业智能科技有限公司 一种应用于机械加工的工件信息追溯系统及方法
CN116707437A (zh) * 2023-08-04 2023-09-05 国网山西省电力公司运城供电公司 一种基于边缘计算的光伏电站电弧故障监控装置
CN116707437B (zh) * 2023-08-04 2023-10-13 国网山西省电力公司运城供电公司 一种基于边缘计算的光伏电站电弧故障监控装置
CN116865671A (zh) * 2023-09-01 2023-10-10 湖州丽天智能科技有限公司 一种光伏电站运维管理方法、巡检机器人
CN116865671B (zh) * 2023-09-01 2024-01-26 湖州丽天智能科技有限公司 一种光伏电站运维管理方法、巡检机器人

Similar Documents

Publication Publication Date Title
CN115544140A (zh) 一种基于人工智能的光伏电站性能检测系统及方法
CN106712713B (zh) 一种光伏电站的监测系统以及监测和异常定位方法
CN110320892A (zh) 基于Lasso回归的污水处理设备故障诊断系统及方法
Leva et al. PV module fault diagnosis based on microconverters and day-ahead forecast
WO2018028005A1 (zh) 一种大型光伏电站中电池面板的故障检测算法
CN111412579B (zh) 一种基于大数据的空调机组故障类型诊断方法和系统
CN108052056A (zh) Led照明灯具的状态监测方法、装置及系统
CN103306893A (zh) 一种风力发电机故障预警及报警方法
CN112085621A (zh) 一种基于K-Means-HMM模型的分布式光伏电站故障预警算法
CN113339204A (zh) 一种基于混合神经网络的风力发电机故障识别方法
CN112036087A (zh) 一种多策略融合的核动力关键设备故障诊断方法及系统
CN113962308A (zh) 一种航空设备故障预测方法
CN116032003A (zh) 一种基于电力专网数据处理的电网巡检方法及系统
CN117235617A (zh) 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法
Yun et al. Research on fault diagnosis of photovoltaic array based on random forest algorithm
CN117411436B (zh) 光伏组件状态检测方法、系统及存储介质
CN117150418B (zh) 基于状态特征故障树的变压器运检周期制定方法和系统
CN109739197A (zh) 一种化工废料处理设备的多工况故障预测方法
CN114280383A (zh) 一种大型地面站天线的健康检测装置及健康检测方法
CN110309221A (zh) 基于电缆附件故障数据库的电缆故障识别系统
Catterson et al. On-line transformer condition monitoring through diagnostics and anomaly detection
CN112036496A (zh) 一种核动力装置故障诊断方法及系统
CN117764547A (zh) 一种光伏组串故障诊断方法及系统
CN113902222B (zh) 一种新能源智慧运维系统
CN115853722A (zh) 基于特征选择和stacking模型融合的风电机组故障诊断方法

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