CN115639840B - 一种基于光伏电站运维分析的无人机巡检方法 - Google Patents
一种基于光伏电站运维分析的无人机巡检方法 Download PDFInfo
- Publication number
- CN115639840B CN115639840B CN202211401300.1A CN202211401300A CN115639840B CN 115639840 B CN115639840 B CN 115639840B CN 202211401300 A CN202211401300 A CN 202211401300A CN 115639840 B CN115639840 B CN 115639840B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- photovoltaic module
- aerial vehicle
- unmanned aerial
- photovoltaic
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 85
- 238000012423 maintenance Methods 0.000 title claims abstract description 78
- 238000004458 analytical method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 230000036541 health Effects 0.000 claims abstract description 22
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims description 20
- 238000010248 power generation Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000005195 poor health Effects 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 3
- 108010063499 Sigma Factor Proteins 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000002498 deadly effect Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000036449 good health Effects 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000005065 mining Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Abstract
本发明提出一种基于光伏电站运维分析的无人机巡检方法，包括步骤S1、基于目标光伏电站的运维数据，构建相对应的数据分析模型对运维数据进行深度挖掘与分析；步骤S2、利用运维数据的分析结果确定光伏组件状态评估的指标，并针对性的构建光伏组件状态评估算法；S3、根据光伏组件的健康程度，下达无人机巡检的指令；步骤S4、基于无人机的巡检结果对光伏组件进行故障判断，合理制定巡检和运维方案。本发明有益效果为，在可以实现光伏组件异常提前预警的同时，还可以针对存在异常风险的组件进行提前检查和维护，从而实现光伏组件故障率下降、合理制定巡检方案、及时发现组件故障和维护对策、提高光伏电站发电量的作用，为光伏电站的安全稳定运行提供保障。
Description
技术领域
本发明涉及新能源领域，涉及光伏电站巡检领域，特别是指一种基于光伏电站运维分析的无人机巡检方法。
背景技术
传统的光伏电站巡检，由于大型并网光伏电站的光伏组件数量庞大，占地面积广，因此巡检工作量大，单次巡检时间长，人工巡检难以应对大规模光伏电站的运维需求。在实际应用中，无人机因其体积小、飞行灵活、可代替人工执行简单任务的特点，已经开始被应用于光伏电站的巡检。然而，无人机巡检有可能会遗漏一些故障点，导致故障一直存在，直到故障扩大才会被发现，影响光伏场站安全稳定的运行。并且，光伏组件有可能存在一些潜在的风险和异常，往往不能被无人机巡检所发现，从而留下出现故障的隐患。
发明内容
本发明提出一种基于光伏电站运维分析的无人机巡检方法，解决了现有技术中上述的问题。
本发明的技术方案是这样实现的：
一种基于光伏电站运维分析的无人机巡检方法，包括如下步骤：
步骤S1、基于目标光伏电站的运维数据，构建相对应的数据分析模型对运维数据进行深度挖掘与分析；
步骤S2、利用运维数据的分析结果确定光伏组件状态评估的指标，并针对性的构建光伏组件状态评估算法；
步骤S3、基于光伏组件评估算法计算光伏组件的健康程度，对于健康程度差或存在异常的光伏组件下达无人机巡检的指令；
步骤S4、基于无人机的光伏组件巡检结果对光伏组件进行故障判断，通过无人机各光伏组件采集的可见光图片与红外线图片进行故障识别，合理制定巡检和运维方案。
进一步地，所述的基于光伏电站运维分析的无人机巡检方法，还包括：所构建的光伏电站运维数据分析模型可以用来实现对运维数据的深度分析和挖掘，并以可视化的形式展现分析结果，直观地观测出光伏电站的实际运维情况；
进一步地，所述的基于光伏电站运维分析的无人机巡检方法，还包括：光伏组件状态评估算法应根据光伏电站的运维数据分析结果构建指标，实现光伏组件健康程度的精准评估；
进一步地，所述的基于光伏电站运维分析的无人机巡检方法，还包括：光伏电站应根据自身实际运维情况选取评估指标，结合相关历史运维数据或实时数据的分析结果，选取相应的评估指标和评估界定实现评估结果的准确性；
进一步地，所述的基于光伏电站运维分析的无人机巡检方法，还包括：对于光伏组件的状态评估结果进行健康度排序，健康程度按照区间划分为良好、稍差、严重三种情况；对于健康程度严重的组件进行重点检查，健康程度稍差的进行总体检查，健康程度良好的无需检查；
进一步地，所述的基于光伏电站运维分析的无人机巡检方法，还包括：基于运维数据分析结果以及无人机巡检情况，将二者结合并对光伏组件进行异常或潜在故障判断；基于运维数据分析结果发现的缺陷，即影响发电量的情况，可利用无人机巡检结果或下发无人机巡检指令进行二次验证和检查，确定故障原因和故障详细情况，方便工作人员进行消缺；
另外，基于无人机巡检报告，利用运维数据分析结果验证无人机巡检情况，若无人机巡检发现的缺陷并未导致发电量下降，根据缺陷类型合理制定运维方案，轻微缺陷可暂不消除但下次巡检应关注此问题，严重缺陷与致命缺陷必须及时消缺，未影响发电量的一般缺陷可暂不消缺，若一般缺陷降低了发电量，即安排工作人员尽快进行消缺工作；
进一步地，所述的基于光伏电站运维分析的无人机巡检方法，还包括：基于运维数据分析结果以及无人机巡检情况，对出现异常和故障的光伏组件提出运维措施和检修方案，实现异常和故障的精准维修。
本发明的有益效果为：本发明在可以实现光伏组件异常提前预警的同时，还可以针对存在异常风险的组件进行提前检查和维护，从而实现光伏组件故障率下降、合理制定巡检方案、及时发现组件故障和维护对策、提高光伏电站发电量的作用，为光伏电站的安全稳定运行提供保障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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他的附图。
图1为本发明一种基于光伏电站运维分析的无人机巡检方法一个实施例的步骤流程图；
图2为本发明一种基于光伏电站运维分析的无人机巡检方法一个实施例的步骤S1的子步骤流程图；
图3为本发明一种基于光伏电站运维分析的无人机巡检方法一个实施例的步骤S2的子步骤流程图；
图4为本发明一种基于光伏电站运维分析的无人机巡检方法一个实施例的步骤S3的子步骤流程图；
图5为本发明一种基于光伏电站运维分析的无人机巡检方法一个实施例的步骤S4的子步骤流程图。
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作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。
如图所示，本发明所述的一种基于光伏电站运维分析的无人机巡检方法包括步骤S1、步骤S2、步骤S3和步骤S4：
步骤S1、基于目标光伏电站的运维数据，构建相对应的数据分析模型对运维数据进行深度挖掘与分析；
对目标光伏电站的运维数据进行抽取，并对其发电量与实时功率、电流电压、气象温度等数据进行曲线拟合，证明各指标是否可以影响到光伏电站的发电量数据。利用主成分分析选取主成分，实现对初始变量集的方差解释性最大。选定主成分后，可知主成分对每个变量的方差解释度，解释度越大，则相关性越强，所占的权重应该更大，最后通过归一化来算出每个特征的最终权重，具体步骤如下：
步骤S11、采集光伏电站运维的实时数据与历史数据，如箱变、逆变器、光伏组件等设备的数据，以及光伏场站运维的气象数据、财务数据、电量数据等；将采集的电压、电流、功率等数据进行降序排列，将采集到的功率以及辐照度作为故障特征并进行归一化处理，对所采集的光伏电站运维数据进行深度挖掘；其中归一化处理公式为：
式中，εi1表示第i个原始数据，εmax为原始数据中的最大值，εmin为原始数据中的最小值，εi2为归一化后的对应数据；
步骤S12、根据光伏电站的实际情况，针对不同数据类型以及性质的不同，构建相应的光伏电站运维数据分析模型；利用支持向量机算法求解二分类问题，SVM优化问题的数学模型为：
其约束条件可转化为：
其中，α为拉格朗日乘子；
在诊断过程中，由于SVM采用了结构风险最小化原则，因此只需要获取一些光照强度、温度、电流、电压等关键特征数据就能很好的进行故障的识别；
步骤S13、结合实时数据与历史数据对光伏电站内设备数据进行深度分析；
步骤S14、利用大数据可视化技术对光伏电站运维数据的分析结果进行展示。
步骤S2、利用运维数据的分析结果确定光伏组件状态评估的指标，并针对性的构建光伏组件状态评估算法，利用光伏组件状态评估算法对各光伏组件的状态进行评估，并对评估结果进行整理汇总，具体步骤为：
步骤S21、根据目标光伏电站内设备的分析结果，对分析结果进行处理优化；
步骤S22、根据目标光伏电站的实际情况，选择能确定光伏组件状态的评估指标，并对指标的相应数据进行整理，评估指标包括但不限于：光伏组件发电效率、转化效率、故障次数和月平均故障时间；
步骤S23、根据状态评估指标构建光伏组件状态评估算法，通过制定各项指标的权重，通过计算权重下的各光伏组件的得分，对数据值区间进行划分并进行评估组件状态；
在确定指标后，应首先确定指标的各主成分在各线性组合中的系数，系数计算公式为：
式中，S为各主成分在各线性组合中的系数，C为成分载荷，R为对应特征根；
然后确定各因素在综合得分模型中的系数，即
Z＝(S1×F1+S2×F2+…+Sn×Fn)/(F1+F2+…+Fn)
式中，Z为综合系数，Sn为各成分的系数，Fn为各成分对应的方差解释度；
将各因素在综合得分模型中的系数进行归一化处理，即：
Q＝α/(Z1+Z2+…+Zn)
其中Q为权重，α为综合系数，即1，Zn为各综合系数；
最终确定光伏组件状态评估的指标及其对应的权重系数；
利用实时运维数据以及历史主成分因子的平均值对各指标进行打分，并利用权重系数最终得到状态评估的最终分数，即：
γ＝Q1*θ1+Q2*θ2+…+Qn*θn
其中γ为最终的状态评估分数，Qn为权重系数，θn为各指标得分；
步骤S24、利用光伏组件状态评估算法对各光伏组件的状态进行评估，并对评估结果进行整理汇总。
步骤S3、基于光伏组件评估算法，计算光伏组件的健康程度，对于健康程度差或存在异常的光伏组件下达无人机巡检的指令，具体包括以下步骤；
步骤S31、对整理汇总后的光伏组件评估结果进行健康度分析，对各光伏组件的健康度进行打分；
一般来说，可对单一因素下的发电效率进行评定打分，具体在算法上可采取分段式取权重的方式，即在有效辐照度或温度范围内划分为多个有效段，以每段辐照度或温度占比作为权重进行加权计算，具体如下：
单一辐照度因素评定方法为：
式中，μlight为单一辐照度因素影响下的综合发电效率；σi为第i段辐照度分布加权权重系数；ρi为第i段辐照度分布中光伏组件发电效率；N为设定的辐照度最高段；
式中G为辐照度特征值；Gi为第i段辐照度；Ti为第i段温度值；
单一温度因素评定方法为：
式中，μT为单一温度因素影响下综合发电效率，σi为第i段辐照度分布加权权重系数；ρi为第i段辐照度分布中光伏组件发电效率；N为设定的辐照度最高段；
式中，t为温度特征值，Gi为第i段辐照度；Ti为第i段温度值；
加权权重系数可根据实际采集的辐照度和温度数据而得，或可根据实用地域历史气象数据进行统计配置；
在实际条件下，辐照度和温度因素是复合反映于光伏组件发电效率，即将辐照度和温度作为统一因素，取加权权重系数，结合光伏组件在对应环境因素下的效率，计算得出综合效率，计算公式如下：
式中，μP为复合因素影响下综合发电效率；σi为第i段辐照度分布加权权重系数；ρi为第i段辐照度分布中光伏组件发电效率；N为设定的辐照度最高段；
步骤S32、对光伏组件的状态评估结果进行健康度得分排序，将健康程度按照区间划分为良好、稍差、严重三种情况；
步骤S33、针对光伏组件的健康度进行巡检方案的制定，对于健康程度差的组件进行重点检查，健康程度稍差的进行总体检查，健康程度正常、良好及优秀的光伏组件则无需进行检查；
针对性的对光伏组件进行巡检，避免了无人机一次巡检后发现重大问题后还需进行二次飞检进行仔细检查的情况，对于情况良好的光伏组件也节省了无人机巡检的时间，提高了巡检的工作效率；
步骤S34、无人机按照巡检方案进行巡检，无人机巡检完毕后，整理汇总无人机对光伏组件的巡检情况数据。
步骤S4、基于无人机的光伏组件巡检结果对光伏组件进行故障判断，通过无人机各光伏组件采集的可见光图片与红外线图片进行故障识别，合理制定巡检和运维方案，具体步骤为：
步骤S41、将汇总后的光伏组件评估数据和无人机巡检数据进行深度挖掘；
步骤S42、结合深度挖掘后的评估和巡检数据，综合分析无人机巡检的各光伏组件的实际情况，确定光伏组件是否存在故障和隐患；
步骤S43、根据分析结果，判断光伏组件是否需要制定运维策略；
步骤S44、如果光伏组件存在故障和异常隐患，则针对存在的故障和异常隐患类型，针对性地提出运维措施；
步骤S45、如果不存在故障和隐患，则无需制定运维方案。
本发明的有益效果为：本发明在可以实现光伏组件异常提前预警的同时，还可以针对存在异常风险的组件进行提前检查和维护，从而实现光伏组件故障率下降、合理制定巡检方案、及时发现组件故障和维护对策、提高光伏电站发电量的作用，为光伏电站的安全稳定运行提供保障。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (4)
1.一种基于光伏电站运维分析的无人机巡检方法，其特征在于，包括：
步骤S1、基于目标光伏电站的运维数据，构建相对应的数据分析模型对运维数据进行深度挖掘与分析；对光伏的运维数据进行抽取，并对其发电量与实时功率、电流电压、气象温度数据进行曲线拟合，证明各指标是否影响到光伏电站的发电量数据；利用主成分分析选取主成分，实现对初始变量集的方差解释性最大；选定主成分后，获得主成分对每个变量的方差解释度，解释度越大，则相关性越强，所占的权重更大，最后通过归一化来算出每个特征的最终权重；
步骤S2、利用运维数据的分析结果确定光伏组件状态评估的指标，并针对性的构建光伏组件状态评估算法；
在确定指标后，应首先确定指标的各主成分在各线性组合中的系数，系数计算公式为：
式中，S为各主成分在各线性组合中的系数，C为成分载荷，R为对应特征根；
然后确定各因素在综合得分模型中的系数，即
Z＝(S1×F1+S2×F2+…+Sn×Fn)/(F1+F2+…+Fn)
式中，Z为综合系数，Sn为各成分的系数，Fn为各成分对应的方差解释度；
将各因素在综合得分模型中的系数进行归一化处理，即：
Q＝α/(Z1+Z2+…+Zn)
其中Q为权重，α为综合系数，即1，Zn为各综合系数；
最终确定光伏组件状态评估的指标及其对应的权重系数；
利用实时运维数据以及历史主成分因子的平均值对各指标进行打分，并利用权重系数最终得到状态评估的最终分数，即：
γ＝Q1*θ1+Q2*θ2+…+Qn*θn
其中γ为最终的状态评估分数，Qn为权重系数，θn为各指标得分；
步骤S3、基于光伏组件评估算法计算光伏组件的健康程度，对于健康程度差或存在异常的光伏组件下达无人机巡检的指令；
其中光伏组件的健康程度根据状态评估的最终分数进行区分并进行排名，按照最终得分由大到小进行排序并确认健康度；其中，对单一因素下的发电效率进行评定打分；算法上采取分段式取权重的方式，即在有效辐照度或温度范围内划分为多个有效段，以每段辐照度或温度占比作为权重进行加权计算；
单一辐照度因素评定方法为：
式中，μlight为单一辐照度因素影响下的综合发电效率；σi为第i段辐照度分布加权权重系数；ρi为第i段辐照度分布中光伏组件发电效率；N为设定的辐照度最高段；
式中G为辐照度特征值；Gi为第i段辐照度；Ti为第i段温度值；
单一温度因素评定方法为：
式中，μT为单一温度因素影响下综合发电效率，σi为第i段辐照度分布加权权重系数；ρi为第i段辐照度分布中光伏组件发电效率；N为设定的辐照度最高段；
式中，t为温度特征值，Gi为第i段辐照度；Ti为第i段温度值；
加权权重系数根据实际采集的辐照度和温度数据而得，或根据实用地域历史气象数据进行统计配置；
在实际条件下，辐照度和温度因素是复合反映于光伏组件发电效率，即将辐照度和温度作为统一因素，取加权权重系数，结合光伏组件在对应环境因素下的效率，计算得出综合效率，计算公式如下：
式中，μP为复合因素影响下综合发电效率；σi为第i段辐照度分布加权权重；系数；ρi为第i段辐照度分布中光伏组件发电效率；N为设定的辐照度最高段；
步骤S4、基于无人机的光伏组件巡检结果对光伏组件进行故障判断，通过无人机各光伏组件采集的可见光图片与红外线图片进行故障识别，合理制定巡检和运维方案；
针对存在故障的光伏组件以及状态评估结果较差的光伏组件，应重点对其进行检修和运维，在进行消缺后再次进行状态评估和无人机飞检故障检测，直至达到完全消缺状态；
对于光伏组件的状态评估结果进行健康度排序，健康程度按照区间划分为良好、稍差、严重三种情况；
对于健康程度严重的组件进行重点检查，健康程度稍差的进行总体检查，健康程度良好的无需检查；
基于运维数据分析结果以及无人机巡检情况，将二者结合并对光伏组件进行异常或故障判断；基于运维数据分析结果发现的缺陷，即影响发电量的情况，利用无人机巡检结果或下发无人机巡检指令进行二次验证和检查，确定故障原因和故障详细情况，方便工作人员进行消缺；
另外，基于无人机巡检报告，利用运维数据分析结果验证无人机巡检情况，若无人机巡检发现的缺陷并未导致发电量下降，根据缺陷类型合理制定运维方案，轻微缺陷暂不消除，但下次巡检应关注此问题，严重缺陷与致命缺陷必须及时消缺，未影响发电量的缺陷暂不消缺，若缺陷降低了发电量，即安排工作人员尽快进行消缺工作。
2.根据权利要求1所述的基于光伏电站运维分析的无人机巡检方法，其特征在于，所构建的光伏电站运维数据分析模型用来实现对运维数据的深度分析和挖掘，以可视化的形式展现分析结果，直观地观测出光伏电站的实际运维情况。
3.根据权利要求1所述的基于光伏电站运维分析的无人机巡检方法，其特征在于，光伏组件状态评估算法应根据光伏电站的运维数据分析结果构建指标，实现光伏组件健康程度的精准评估。
4.根据权利要求1所述的基于光伏电站运维分析的无人机巡检方法，其特征在于，还包括：基于运维数据分析结果以及无人机巡检情况，对出现异常和故障的光伏组件提出相应的运维措施和检修方案，实现异常和故障的精准消除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211401300.1A CN115639840B (zh) | 2022-11-09 | 一种基于光伏电站运维分析的无人机巡检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211401300.1A CN115639840B (zh) | 2022-11-09 | 一种基于光伏电站运维分析的无人机巡检方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115639840A CN115639840A (zh) | 2023-01-24 |
| CN115639840B true CN115639840B (zh) | 2024-07-05 |
Family
ID=
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113342034A (zh) * | 2021-05-27 | 2021-09-03 | 南方电网数字电网研究院有限公司 | 一种无人机通道巡检与精细化巡检的组合策略算法 |
| CN114648708A (zh) * | 2022-03-28 | 2022-06-21 | 国网电子商务有限公司 | 光伏组件的状态检测方法及装置、存储介质及电子设备 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113342034A (zh) * | 2021-05-27 | 2021-09-03 | 南方电网数字电网研究院有限公司 | 一种无人机通道巡检与精细化巡检的组合策略算法 |
| CN114648708A (zh) * | 2022-03-28 | 2022-06-21 | 国网电子商务有限公司 | 光伏组件的状态检测方法及装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106384210B (zh) | 一种基于检修风险收益的输变电设备检修优先级排序方法 | |
| Lin et al. | Risk identification and analysis for new energy power system in China based on D numbers and decision-making trial and evaluation laboratory (DEMATEL) | |
| CN106054104B (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
| CN106777984B (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
| CN109492777A (zh) | 一种基于机器学习算法平台的风电机组健康管理方法 | |
| CN104915747A (zh) | 一种发电机组的发电性能评估方法及设备 | |
| CN108649892B (zh) | 光伏电站的缺陷诊断方法及装置 | |
| CN107256449A (zh) | 一种智能变电站继电保护装置状态评价与评估方法 | |
| CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
| CN114386753A (zh) | 一种基于主变负载状况的设备风险综合分析预警方法 | |
| CN106523300A (zh) | 基于机舱风速仪的风电机组损失电量评估方法 | |
| CN109613372B (zh) | 一种基于多元电网数据库的电网故障诊断方法 | |
| CN117494950B (zh) | 一种光储充检微电网一体站运行安全评价方法 | |
| Ahamed et al. | Optimization of Hybrid Microgrid of Renewable Energy Efficiency Using Homer Software | |
| CN115639840B (zh) | 一种基于光伏电站运维分析的无人机巡检方法 | |
| CN110142803B (zh) | 一种移动焊接机器人系统工作状态检测方法及装置 | |
| CN116523493A (zh) | 配电网运行维护辅助决策分析方法、系统及存储介质 | |
| CN114861973B (zh) | 一种计及多源因素的风力发电系统风险评估方法 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
| CN114841534A (zh) | 顶盖排水系统的智能诊断与实时故障预警分析方法及系统 | |
| CN115639840A (zh) | 一种基于光伏电站运维分析的无人机巡检方法 | |
| Liu et al. | Failure Probability Model of Distribution Network Equipment Based on Improved Age-Reduction Model and Factor Correction | |
| CN117543823B (zh) | 一种基于多模型的光伏组串损失电量计算方法及系统 | |
| CN117010749A (zh) | 一种基于模糊综合评价的输电线路状态定量评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |