CN116415724A - 一种光伏电站运维检修时间的预测方法及装置 - Google Patents
一种光伏电站运维检修时间的预测方法及装置 Download PDFInfo
- Publication number
- CN116415724A CN116415724A CN202310316684.5A CN202310316684A CN116415724A CN 116415724 A CN116415724 A CN 116415724A CN 202310316684 A CN202310316684 A CN 202310316684A CN 116415724 A CN116415724 A CN 116415724A
- Authority
- CN
- China
- Prior art keywords
- equipment
- overhauled
- photovoltaic power
- power station
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012423 maintenance Methods 0.000 title claims abstract description 46
- 230000036541 health Effects 0.000 claims abstract description 54
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 20
- 238000012952 Resampling Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000004020 conductor Substances 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 229910001335 Galvanized steel Inorganic materials 0.000 description 1
- 239000004677 Nylon Substances 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000008397 galvanized steel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及光伏运维技术领域,解决了无法准确预测检修时间点的技术问题,尤其涉及一种光伏电站运维检修时间的预测方法及装置,包括:获取光伏电站内待检修设备的基本信息以及当前时刻下的运行状态数据;根据运行状态数据计算待检修设备的当前健康指数;采用多级检索法从历史数据库中筛选出与待检修设备型号相同且运行环境最相似的历史样本数据集;根据历史样本数据集以及待检修设备的基本信息和当前健康指数采用多隐藏层神经网络进行预测,得到待检修设备在未来预设时长内发生故障的预测概率。本发明通过根据多种影响因素采用基于多隐藏层神经网络作为基础架构的预测模型循环推算待检修设备的故障率,提高了检修时间点预测值的精准性。
Description
技术领域
本发明涉及光伏运维技术领域,尤其涉及一种光伏电站运维检修时间的预测方法及装置。
背景技术
目前,光伏电站中线缆的检修方式多为定期检修和故障后检修,这两种方式因不考虑设备的实际工作状态,普遍存在着对设备状态过好或过坏的估计,从而导致检修不足或检修过度;为此,市面上出现了状态检修,通过先进的监测技术收集设备的实时运行状态,判断设备的健康情况,并以此为依据安排检修计划,既避免了检修的盲目性,又能充分利用检修资源,提高了检修效率。
但是,现有的状态检修方法未考虑环境因素对设备的影响,也为考虑每次检修后对设备实际故障率的影响,为此,上述仅依据物理状态形成检修判据确定光伏电站中电缆设备的检修时间的状态检修方式不够精准,从而致使光伏电站中各单元电缆下一次检修时间的预测精度较低。
发明内容
针对现有技术的不足,本发明提供了一种光伏电站运维检修时间的预测方法及装置,解决了无法准确预测检修时间点的技术问题,达到了通过根据多种影响因素综合评估光伏电缆的故障率,最终实现精准预测光伏电缆检修时间点的目的。
为解决上述技术问题,本发明提供了如下技术方案:一种光伏电站运维检修时间的预测方法,包括以下过程:
S1、获取光伏电站内待检修设备的基本信息以及当前时刻下由监测设备所采集的待检修设备的运行状态数据;
S2、根据所述运行状态数据计算所述光伏电站内待检修设备的当前健康指数;
S3、采用多级检索法从历史数据库中筛选出与所述光伏电站内待检修设备型号相同且运行环境最相似的历史样本数据集;
S4、根据所述历史样本数据集以及待检修设备的基本信息和当前健康指数采用多隐藏层神经网络进行预测,得到所述光伏电站内待检修设备在未来预设时长内发生故障的预测概率;
S5、将所述预测概率与预设故障率阈值进行比对,如果所述预测概率超过预设故障率阈值,则执行下一步,否则,重置未来预设时长并返回步骤S4;
S6、所述光伏电站内待检修设备的预测检修时间为当前时刻与预设时长之和。
进一步地,在步骤S2中,所述光伏电站内待检修设备的当前健康指数的具体计算过程包括:
S21、根据各运行状态量与光伏电缆健康指数的相关性将所述运行状态数据划分为正相关类、负相关类和不相关类;
S22、分别计算所述正相关类、负相关类和不相关类对应的状态量的健康状态值;
S23、将各个所述健康状态值累加得到所述光伏电站内待检修设备的当前健康指数。
进一步地,在步骤S3中,所述从历史数据库中筛选出与所述光伏电站内待检修设备型号相同且运行环境最相似的历史样本数据集的具体过程包括:
S31、以待检修设备型号为关键词对历史数据库进行一级检索,筛选出与所述光伏电站内待检修设备型号相同的初步筛选数据集;
S32、将所述光伏电站内待检修设备所在区域一年中每个月份的环境因素数据平均值作为检索词集合;
S33、从所述初步筛选数据集中筛选出与所述检索词集合最相似的历史样本数据集。
进一步地,在步骤S4中,所述光伏电站内待检修设备在未来预设时长内发生故障的预测概率的具体预测过程包括:
S41、对历史样本数据集进行缺失值填充以及无量纲化处理,得到预处理后历史样本数据集;
S42、采用混合重采样法对所述预处理后历史样本数据集进行重构扩充生成扩充样本集;
S43、将所述扩充样本集按预设比例随机划分为训练集和测试集;
S44、采用所述训练集对多隐藏层神经网络进行训练后使用所述测试集进行验证,得到光伏电站设备检修时间预测模型;
S45、将所述待检修设备的基本信息、当前健康指数和设定的未来预设时长输入光伏电站设备检修时间预测模型,得到该待检修设备在未来预设时长内发生故障的预测概率。
进一步地,所述步骤S42的具体过程包括:
S421、根据样本属性将预处理后历史样本数据集划分为少数类样本集和多数类样本集;
S422、根据重采样经验公式确定重采样规模,其中,所述重采样经验公式表达式如下所示:
σ=-0.097r+1.428
ρ=0.198r+0.738
上式中,σ≥1且σ表示最小类过采样规模;0≤ρ≤1且ρ表示最大类欠采样规模;r表示少数类样本数与多数类样本数的比值;
S423、根据所述重采样规模采用混合重采样法对少数类样本进行过采样并对多数类样本进行欠采样,再将更新后的少数类样本和多数类样本合并为扩充样本集。
进一步地,所述多隐藏层神经网络指的是利用网络工具箱中的Newff函数建立的包含一个输入层、两个隐藏层和一个输出层四部分的神经网络。
进一步地,所述运行状态数据包括电缆导体温度、电流、介质损耗以及载流。
进一步地,所述环境因素数据包括温度、湿度、光照强度以及空气酸碱度。
本发明还提供了一种技术方案:一种光伏电站运维检修时间的预测装置,包括:
数据获取模块,所述数据获取模块用于获取光伏电站内待检修设备的基本信息以及当前时刻下由监测设备所采集的待检修设备的运行状态数据;
当前健康指数计算模块,所述当前健康指数计算模块用于根据所述运行状态数据计算所述光伏电站内待检修设备的当前健康指数;
样本数据集提取模块,所述样本数据集提取模块用于采用多级检索法从历史数据库中筛选出与所述光伏电站内待检修设备型号相同且运行环境最相似的历史样本数据集;
故障率预测模块,所述故障率预测模块用于根据所述历史样本数据集以及待检修设备的基本信息和当前健康指数采用多隐藏层神经网络进行预测,得到所述光伏电站内待检修设备在未来预设时长内发生故障的预测概率;
判断模块,所述判断模块用于将所述预测概率与预设故障率阈值进行比对,如果所述预测概率超过预设故障率阈值,则执行下一步,否则,重置未来预设时长并返回步骤S4;
检修时间确定模块,所述检修时间确定模块用于所述光伏电站内待检修设备的预测检修时间为当前时刻与预设时长之和。
借由上述技术方案,本发明提供了一种光伏电站运维检修时间的预测方法及装置,至少具备以下有益效果:
1、本发明通过根据当前时刻下所采集的运行状态数据确定待检修光伏电站内相应设备的健康指数,初步筛选出光伏电站内检修设备,再采用预测模型推算待检修设备在预置未来预设时长内发生故障的预测概率,并根据预测概率与预设故障率阈值的差值调整未来预设时长对待检修设备故障率进行循环预测,实现对待检修设备检修时间的精准预测,便于运维检修人员根据检修预测时间对光伏电站内各设备进行有序检修,实现了经济效益最大化。
2、本发明通过采用多隐藏层神经网络作为预测模型的基本架构,使得待训练模型的泛化能力更强,并采用与待检修设备基本信息相同且运行环境相似的历史样本数据训练预测模型,通过根据当前健康指数和运行环境影响因素综合评估待检修设备的故障率,从而提高了确定待检修设备检修时间预测值的精准性以及运算效率,进而增强了实用性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明提供的预测方法的流程图;
图2为本发明提供的预测方法中预测待检修设备故障率的流程图;
图3为本发明提供的预测方法中光伏电站设备检修时间预测模型的构建过程示意图;
图4为本发明提供的预测装置的结构框图。
图中:10、数据获取模块;20、当前健康指数计算模块;30、样本数据集提取模块;40、故障率预测模块;50、判断模块;60、检修时间确定模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
申请概述
光伏电站运维检修包括光伏电站内部及与光伏电站相关的设备检修、运行维护、故障处理、数据分析、电气预防性试验、组件清洗等全部电站正式运营过程中所涉及的运维、电站管理工作,最终保证电站发电量及利用小时数要求。其中,电缆作为光伏电站中跨度范围最广的设备,在恶劣的运行环境下,会出现老化及破损等问题,这将严重影响光伏电站发电可靠性,甚至会引发火灾造成人员伤害,因此对电缆进行检修就显得极为重要。
光伏电站的布线系统包括布设在组串之间、组串至直流汇流箱、汇流箱至逆变器之间的电缆线路,组串之间及组串至直流汇流箱电缆通常是沿组件支架用尼龙绑扎敷设,汇流箱至逆变器之间电缆通常是直埋敷设,在穿越道路时需套镀锌钢管直埋,另外,为了便于清洗组件并降低风霜雨雪天气的影响,通常将组件顺势就坡紧贴屋面铺设且排列方式较为密集,因而运维检修人员进行现场巡视时无法全面观察到光伏电站中电缆的运行情况。
目前,针对光伏电站中光伏电缆的检修通常是仅依据光伏电路的物理状态形成检修判据,确定光伏电站中电缆设备的检修时间的状态检修方式不够精准,从而致使光伏电站中各单元电缆下一次检修时间的预测精度较低;为此,本申请提出通过将影响光伏电缆老化速度的运行环境因素与当前健康指数相结合,采用基于多隐藏层神经网络构建的预测模型推算光伏电缆需要检修的预测时间,同时在预测模型中加入未来预设时长实现了对检修预测时间的优化,增强了实用性,实现了光伏电站检修的效益最大化。
实施例
请参照图1-图3,示出了本实施例的一种具体实施方式,本实施例通过采用多隐藏层神经网络作为预测模型的基本架构,使得待训练模型的泛化能力更强,并采用与待检修设备基本信息相同且运行环境相似的历史样本数据训练预测模型,通过根据当前健康指数和运行环境影响因素综合评估待检修设备的故障率,提高了确定待检修设备检修时间预测值的精准性以及运算效率。
如图1所示,一种光伏电站运维检修时间的预测方法,包括以下步骤:
S1、获取光伏电站内待检修设备的基本信息以及当前时刻下由监测设备所采集的待检修设备的运行状态数据。
本实施例中,从数据库中提取待检修光伏电缆的基本信息,并通过利用安装在每个光伏电缆接头处的若干不同类型的传感器进行数据采集,得到在当前时刻t下光伏电站内待检修光伏电缆的运行状态数据,以便为后续推算光伏电缆运维检修时间提供强有力的数据支撑,从而为待检修光伏电站安全稳定运行提供了保障。
需要说明的是,在基础状态量体系中影响光伏电缆寿命的运行状态量繁多,在实际操作中会比较繁琐,为此,本实施例以主成分分值越大则运行状态量对于光伏电缆寿命的影响程度越大为判据,通过采用主成分分析方法从若干状态量中提取关键状态量,即光伏电缆的运行状态数据包括电缆导体温度、电流、介质损耗以及载流。
S2、根据运行状态数据计算光伏电站内待检修设备的当前健康指数。
本实施例中,计算光伏电站内待检修光伏电缆的当前健康指数的具体过程包括以下步骤:
S21、根据各运行状态量与光伏电缆健康指数的相关性将运行状态数据划分为正相关类、负相关类和不相关类。
由于不同类型的运行状态量对光伏电缆的影响差异很大,为此,本实施例根据光伏电缆各运行状态量特征与光伏电缆健康指数的相关性将电缆导体温度、电流、介质损耗以及载流等运行状态数据划分为三类,即:数值越大健康指数越高的运行状态数据为正相关类,数值越小健康指数越高的运行状态数据为负相关类,以及数值位于中间范围健康指数最优的运行状态数据为不相关类。
S22、分别计算正相关类、负相关类和不相关类对应的状态量的健康状态值。
本实施例中,用于计算正相关类和负相关类状态量的健康状态值的计算公式如下所示:
上式中,hzf表示正相关类和负相关类状态量的健康状态值;Yzf表示正相关类和负相关类对应的运行状态数据;表示正相关类和负相关类状态量的最优值;Hzf,Lzf分别表示正相关类和负相关类状态量的上下限值;ωzf表示正相关类和负相关类中各项状态量的权重。
用于计算不相关类状态量的健康状态值的计算公式如下所示:
上式中,hb表示不相关类状态量的健康状态值;Yb表示不相关类对应的运行状态数据;Hb,Lb分别表示不相关类状态量的上下限值;Mb1,Mb2分别表示不相关类状态量的最佳范围的上下限数值;ωb表示不相关类中各项状态量的权重,并且Mb2<ωb<Mb2。
S23、将各个健康状态值累加得到光伏电站内待检修设备的当前健康指数。
本实施例中,当前时刻下光伏电站内待检修光伏电缆的当前健康指数为所有运行状态量的健康状态值之和,表达式如下所示:
上式中,m表示正相关类和负相关类状态量的数量,n表示不相关类状态量的数量。
S3、采用多级检索法从历史数据库中筛选出与光伏电站内待检修设备型号相同且运行环境最相似的历史样本数据集。
本实施例中,历史样本数据集包括历史光伏电缆的型号、环境因素数据、故障率、故障率的时间序列以及运行寿命,则从历史数据库中筛选历史样本数据集的具体过程包括以下步骤:
S31、以待检修设备型号为关键词对历史数据库进行一级检索,筛选出与光伏电站内待检修设备型号相同的初步筛选数据集。
由于不同型号的光伏电缆其故障率以及运行寿命均不相同,为了提高后续检修时间预测结果的准确性,本实施例以光伏电缆型号为一级检索关键词从历史数据库中筛选出与光伏电站内待检修光伏电缆型号相同的初步筛选数据集。
S32、将光伏电站内待检修设备所在区域一年中每个月份的环境因素数据平均值作为检索词集合。
处于不同运行环境的光伏电缆的老化速度不同,因而为了提高后续检修时间预测结果的准确性,需要从历史数据库中筛选出运行环境最相似的数据集,为此,本实施例将一年中12个月的环境因素数据平均值作为二级检索的检索词集合,其中,用于计算每个月的环境因素数据平均值的公式如下所示:
需要说明的是,在基础状态量体系中影响光伏电缆寿命的环境状态量繁多,在实际操作中会比较繁琐,为此,本实施例以主成分分值越大则环境状态量对于光伏电缆寿命的影响程度越大为判据,通过采用主成分分析方法从若干状态量中提取关键状态量,即光伏电缆的环境因素数据包括由安装在光伏电缆通道中间位置的若干不同类型传感器所采集的温度、湿度、光照强度以及空气酸碱度。
S33、从初步筛选数据集中筛选出与检索词集合最相似的历史样本数据集。
通过采用一年中12个月的环境因素数据平均值组成的检索词集合为二级检索条件,从初步筛选数据集中筛选出与待检修光伏电站所在区域发电环境最相似的历史样本数据集,更能代表待检修光伏电站所在区域真实的光伏电缆运行状态,为后续预测检修时间提供了强有力的数据支撑,进而提高了以所筛选出的历史样本数据集为依据预测检修时间的精确度。
S4、根据历史样本数据集以及待检修设备的基本信息和当前健康指数采用多隐藏层神经网络进行预测,得到光伏电站内待检修设备在未来预设时长内发生故障的预测概率。
如图2所示,在本实施例中预测光伏电站内待检修光伏电缆在未来预设时长内发生故障的预测概率的具体过程包括以下步骤:
S41、对历史样本数据集进行缺失值填充以及无量纲化处理,得到预处理后历史样本数据集。
首先,采用取平均值法依次对历史样本数据集中的缺失数据进行填充,直至所有缺失数据均被补齐为止;随后采用无量纲化处理中的归一化方法对补齐后的历史样本数据集按照最小值中心化后,再按极差缩放使其压缩至[0,1]范围之间,得到预处理后历史样本数据集。
通过对筛选出的历史样本数据集进行缺失值填充以及无量纲化处理,提高了数据质量,从而提高了后续预测光伏电缆在未来设定时间段内发生故障概率的精确度,还能够简化数据,减少运算量,进而提高了预测速度。
S42、采用混合重采样法对预处理后历史样本数据集进行重构扩充生成扩充样本集。
筛选出的历史样本数据集中发生故障的样本数明显比正常状态的样本数少,具有明显的非均衡特性,由于仅依靠少数发生故障的样本难以总结出客观规律,因此为了提高光伏电缆在未来设定时间段内发生故障概率预测值的准确度,需要对预处理后历史样本数据集进行重构扩充,则进行样本重构扩充的具体过程如下:
S421、根据样本属性将预处理后历史样本数据集划分为少数类样本集和多数类样本集。
本实施例中,将预处理后历史样本数据集中的故障样本定义为少数类样本集,正常状态样本定义为多数类样本集。
S422、根据重采样经验公式确定重采样规模,其中,重采样经验公式表达式如下所示:
σ=-0.097r+1.428
ρ=0.198r+0.738
上式中,σ≥1且σ表示最小类过采样规模;0≤ρ≤1且ρ表示最大类欠采样规模;r表示少数类样本数与多数类样本数的比值。
S423、根据重采样规模采用混合重采样法对少数类样本进行过采样并对多数类样本进行欠采样,再将更新后的少数类样本和多数类样本合并为扩充样本集。
对少数类样本集进行过采样的基本过程是:先使用k均值聚类为k个组,过滤选择用于过采样的簇,保留具有高比例的少数类样本的簇,再分配合成样本的数量,将大部分样本分配给少数样本稀疏分布的群集,最后在每个选定的簇中使用合成少数过采样法合成新样本并添加至少数类样本集中,得到更新后的少数类样本集。
对多数类样本集进行欠采样的基本过程是:先确定多数类样本集的中心点,再计算多数类样本集中的样本距离中心点的值并按顺序排列,最后根据欠采样倍率按照距离中心点从远到近的规则对多数类样本进行删减直至与少数类样本数据均衡,得到更新后的多数类样本集。
S43、将扩充样本集按预设比例随机划分为训练集和测试集。
本实施例中,将筛选出的200条历史样本数据按照预设3:1的比例随机划分为含有150条样本的训练集和含有50条样本的测试集。
S44、采用训练集对多隐藏层神经网络进行训练后使用测试集进行验证,得到光伏电站设备检修时间预测模型。
通过研究隐藏层数目对基于深度学习的预测模型性能的影响,发现两层隐藏层具有最优的算法复杂度性能,且泛化能力更强,因此本实施例中通过利用网络工具箱中的Newff函数建立包含一个输入层、两个隐藏层和一个输出层四部分的神经网络作为光伏电站设备检修时间预测模型的基础架构。
如图3所示,通过训练集X1对建立的多隐藏层神经网络进行训练的过程主要包括数据正向传递阶段和根据输出数据与目标数据差值进行反向微调阶段,具体的,数据从输入层经各个神经元逐层向上传递,将计算出的第一个隐藏层的输出作为第二个隐藏层的输入传递到第二个隐藏层并经运算处理得到输出数据,然后,计算输出数据与目标数据差值,并将差值的反向传播为代价函数取得的最小值为目标,结合梯度下降法依次迭代调整第二个隐藏层和第一个隐藏层之间的连接权值以及各神经元对应的偏置,直至网络性能达到预设精度,得到最终的权值和偏置,即可完成网络训练。
本实施例中,第一个隐藏层的神经元个数为18个,第二个隐藏层的神经元格式为5个,训练函数为Trainlm函数,最大训练迭代次数为1000次,学习率设置为0.02,在参数设置完成后运用含有150条样本的训练集X1进行训练,并且训练完成后运用含有50条样本的测试集X2对训练后的多隐藏层神经网络进行性能验证,最终获得光伏电站设备检修时间预测模型。
S45、将待检修设备的基本信息、当前健康指数和设定的未来预设时长输入光伏电站设备检修时间预测模型,得到该待检修设备在未来预设时长内发生故障的预测概率。
继续参考图3,将待检修光伏电缆的型号、所在位置和运行时长等基本信息以及当前健康指数HI和设定的未来预设时长△t组成的数据X3输入光伏电站设备检修时间预测模型,经过一系列运算处理后,输出该待检修光伏电缆在未来预设时长内发生故障的预测概率P,并且待检修设备故障发生概率P的量化关系式如下所示:
P=keC·HI
上式中,K为比例系数,C为曲率系数。本实施例中,K设置为4.067,C设置为-0.064。
值得注意的是,未来预设时长可根据待检修设备的健康指数及实际运行时长进行设定,在此不作具体限定。
S5、将预测概率与预设故障率阈值进行比对,如果预测概率超过预设故障率阈值,则执行下一步,否则,重置未来预设时长并返回步骤S4。
将预设故障率阈值定义为G,并将预测概率P与预设故障率阈值G进行比对,如果P>G,则视为需要进行立刻进行检修并执行下一步,否则,视为在本次预置未来预设时长内无需进行检修,因而需要重置未来预设时长后返回步骤S4重新预测检修时间。
S6、光伏电站内待检修设备的预测检修时间为当前时刻与预设时长之和。
根据当前时间t和本次预置未来预设时长△t可求得光伏电站内待检修光伏电缆的预测检修时间点为t+△t。
通过本实施例,通过根据当前时刻下所采集的运行状态数据确定待检修光伏电站内相应设备的健康指数,初步筛选出光伏电站内检修设备,再采用基于多隐藏层神经网络构建的光伏电站设备检修时间预测模型推算待检修设备在预置未来预设时长内发生故障的预测概率,并根据预测概率与预设故障率阈值的差值调整未来预设时长对待检修设备故障率进行循环预测,实现对待检修设备检修时间的精准预测,便于运维检修人员根据检修预测时间对光伏电站内各设备进行有序检修,降低复杂度,提高预测精准度和效率,实现了经济效益最大化。
请参照图4,本实施例还提供一种光伏电站运维检修时间的预测装置,包括:
数据获取模块10,数据获取模块10用于获取光伏电站内待检修设备的基本信息以及当前时刻下由监测设备所采集的待检修设备的运行状态数据;
当前健康指数计算模块20,当前健康指数计算模块20用于根据运行状态数据计算光伏电站内待检修设备的当前健康指数;
样本数据集提取模块30,样本数据集提取模块30用于采用多级检索法从历史数据库中筛选出与光伏电站内待检修设备型号相同且运行环境最相似的历史样本数据集;
故障率预测模块40,故障率预测模块40用于根据历史样本数据集以及待检修设备的基本信息和当前健康指数采用多隐藏层神经网络进行预测,得到光伏电站内待检修设备在未来预设时长内发生故障的预测概率;
判断模块50,判断模块50用于将预测概率与预设故障率阈值进行比对,如果预测概率超过预设故障率阈值,则执行下一步,否则,重置未来预设时长并返回步骤S4;
检修时间确定模块60,检修时间确定模块60用于光伏电站内待检修设备的预测检修时间为当前时间与预设时长之和。
通过本实施例,通过采用多隐藏层神经网络作为预测模型的基本架构,使得待训练模型的泛化能力更强,再从历史数据库中提取与待检修设备基本信息相同且运行环境相似的历史样本数据,并混合重采样法对预处理后历史样本数据集进行重构扩充生成扩充样本集,为后续训练预测模型提供强有力的训练样本,增强了预测模型的稳定性,最后通过根据待检修设备的当前健康指数和运行环境影响因素综合评估其在未来预设时长内的故障率,从而提高了确定待检修设备检修时间预测值的精准性以及运算效率,进而增强了整个装置的实用性。
需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序指令相关的硬件来完成,因此,本申请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,本申请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。
以上实施方式对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种光伏电站运维检修时间的预测方法,其特征在于,包括以下步骤:
S1、获取光伏电站内待检修设备的基本信息以及当前时刻下由监测设备所采集的待检修设备的运行状态数据;
S2、根据所述运行状态数据计算所述光伏电站内待检修设备的当前健康指数;
S3、采用多级检索法从历史数据库中筛选出与所述光伏电站内待检修设备型号相同且运行环境最相似的历史样本数据集;
S4、根据所述历史样本数据集以及待检修设备的基本信息和当前健康指数采用多隐藏层神经网络进行预测,得到所述光伏电站内待检修设备在未来预设时长内发生故障的预测概率;
S5、将所述预测概率与预设故障率阈值进行比对,如果所述预测概率超过预设故障率阈值,则执行下一步,否则,重置未来预设时长并返回步骤S4;
S6、所述光伏电站内待检修设备的预测检修时间为当前时刻与预设时长之和。
2.根据权利要求1所述的预测方法,其特征在于,在步骤S2中,所述光伏电站内待检修设备的当前健康指数的具体计算过程包括:
S21、根据各运行状态量与光伏电缆健康指数的相关性将所述运行状态数据划分为正相关类、负相关类和不相关类;
S22、分别计算所述正相关类、负相关类和不相关类对应的状态量的健康状态值;
S23、将各个所述健康状态值累加得到所述光伏电站内待检修设备的当前健康指数。
3.根据权利要求1所述的预测方法,其特征在于,在步骤S3中,所述从历史数据库中筛选出与所述光伏电站内待检修设备型号相同且运行环境最相似的历史样本数据集的具体过程包括:
S31、以待检修设备型号为关键词对历史数据库进行一级检索,筛选出与所述光伏电站内待检修设备型号相同的初步筛选数据集;
S32、将所述光伏电站内待检修设备所在区域一年中每个月份的环境因素数据平均值作为检索词集合;
S33、从所述初步筛选数据集中筛选出与所述检索词集合最相似的历史样本数据集。
4.根据权利要求1所述的预测方法,其特征在于,在步骤S4中,所述光伏电站内待检修设备在未来预设时长内发生故障的预测概率的具体预测过程包括:
S41、对历史样本数据集进行缺失值填充以及无量纲化处理,得到预处理后历史样本数据集;
S42、采用混合重采样法对所述预处理后历史样本数据集进行重构扩充生成扩充样本集;
S43、将所述扩充样本集按预设比例随机划分为训练集和测试集;
S44、采用所述训练集对多隐藏层神经网络进行训练后使用所述测试集进行验证,得到光伏电站设备检修时间预测模型;
S45、将所述待检修设备的基本信息、当前健康指数和设定的未来预设时长输入光伏电站设备检修时间预测模型,得到该待检修设备在未来预设时长内发生故障的预测概率。
5.根据权利要求4所述的预测方法,其特征在于,所述步骤S42的具体过程包括:
S421、根据样本属性将预处理后历史样本数据集划分为少数类样本集和多数类样本集;
S422、根据重采样经验公式确定重采样规模,其中,所述重采样经验公式表达式如下所示:
σ=-0.097r+1.428
ρ=0.198r+0.738
上式中,σρ1且σ表示最小类过采样规模;0≤ρ≤1且ρ表示最大类欠采样规模;r表示少数类样本数与多数类样本数的比值;
S423、根据所述重采样规模采用混合重采样法对少数类样本进行过采样并对多数类样本进行欠采样,再将更新后的少数类样本和多数类样本合并为扩充样本集。
6.根据权利要求1所述的预测方法,其特征在于,所述多隐藏层神经网络指的是利用网络工具箱中的Newff函数建立的包含一个输入层、两个隐藏层和一个输出层四部分的神经网络。
7.根据权利要求1所述的预测方法,其特征在于,所述运行状态数据包括电缆导体温度、电流、介质损耗以及载流。
8.根据权利要求3所述的预测方法,其特征在于,所述环境因素数据包括温度、湿度、光照强度以及空气酸碱度。
9.一种光伏电站运维检修时间的预测装置,其特征在于,包括:
数据获取模块(10),所述数据获取模块(10)用于获取光伏电站内待检修设备的基本信息以及当前时刻下由监测设备所采集的待检修设备的运行状态数据;
当前健康指数计算模块(20),所述当前健康指数计算模块(20)用于根据所述运行状态数据计算所述光伏电站内待检修设备的当前健康指数;
样本数据集提取模块(30),所述样本数据集提取模块(30)用于采用多级检索法从历史数据库中筛选出与所述光伏电站内待检修设备型号相同且运行环境最相似的历史样本数据集;
故障率预测模块(40),所述故障率预测模块(40)用于根据所述历史样本数据集以及待检修设备的基本信息和当前健康指数采用多隐藏层神经网络进行预测,得到所述光伏电站内待检修设备在未来预设时长内发生故障的预测概率;
判断模块(50),所述判断模块(50)用于将所述预测概率与预设故障率阈值进行比对,如果所述预测概率超过预设故障率阈值,则执行下一步,否则,重置未来预设时长并返回步骤S4;
检修时间确定模块(60),所述检修时间确定模块(60)用于所述光伏电站内待检修设备的预测检修时间为当前时刻与预设时长之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316684.5A CN116415724A (zh) | 2023-03-29 | 2023-03-29 | 一种光伏电站运维检修时间的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316684.5A CN116415724A (zh) | 2023-03-29 | 2023-03-29 | 一种光伏电站运维检修时间的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116415724A true CN116415724A (zh) | 2023-07-11 |
Family
ID=87052561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310316684.5A Pending CN116415724A (zh) | 2023-03-29 | 2023-03-29 | 一种光伏电站运维检修时间的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415724A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912003A (zh) * | 2023-09-12 | 2023-10-20 | 国网山西省电力公司营销服务中心 | 面向多交易品种的电力资源调度方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160444A (zh) * | 2015-10-22 | 2015-12-16 | 广东电网有限责任公司电力调度控制中心 | 电力设备故障率确定方法及系统 |
CN108964606A (zh) * | 2018-08-23 | 2018-12-07 | 上海电气分布式能源科技有限公司 | 一种光伏系统热斑故障检测方法 |
CN110533325A (zh) * | 2019-08-29 | 2019-12-03 | 云南电网有限责任公司电力科学研究院 | 继电保护设备检修时间的决策方法及系统 |
CN110968069A (zh) * | 2018-09-28 | 2020-04-07 | 新疆金风科技股份有限公司 | 风力发电机组的故障预测方法、相应的装置及电子设备 |
CN114625923A (zh) * | 2022-03-18 | 2022-06-14 | 北京百度网讯科技有限公司 | 视频检索模型的训练方法、视频检索方法、装置以及设备 |
-
2023
- 2023-03-29 CN CN202310316684.5A patent/CN116415724A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160444A (zh) * | 2015-10-22 | 2015-12-16 | 广东电网有限责任公司电力调度控制中心 | 电力设备故障率确定方法及系统 |
CN108964606A (zh) * | 2018-08-23 | 2018-12-07 | 上海电气分布式能源科技有限公司 | 一种光伏系统热斑故障检测方法 |
CN110968069A (zh) * | 2018-09-28 | 2020-04-07 | 新疆金风科技股份有限公司 | 风力发电机组的故障预测方法、相应的装置及电子设备 |
CN110533325A (zh) * | 2019-08-29 | 2019-12-03 | 云南电网有限责任公司电力科学研究院 | 继电保护设备检修时间的决策方法及系统 |
CN114625923A (zh) * | 2022-03-18 | 2022-06-14 | 北京百度网讯科技有限公司 | 视频检索模型的训练方法、视频检索方法、装置以及设备 |
Non-Patent Citations (4)
Title |
---|
张钊 等: ""一种基于可用率约束的电气设备计划维护优化模型"", 《电力系统保护与控制》, vol. 39, no. 23, pages 1 - 3 * |
戴志辉 等: ""状态检修背景下继电保护设备检修时间决策方法"", 《电力系统及其自动化学报.HTTPS://DOI.ORG/10.19635/J.CNKI.CSU-EPSA.000335》, pages 1 - 5 * |
汤路庆;耿星;陈庆芳;涂勇;郭艺;吕飞鹏;: "基于故障率研究的数字保护最优检修周期", 电测与仪表, no. 20 * |
郝伟: ""基于 PHM 技术的高速动车组关键部件智能检修理论与方法研究"", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, pages 3 - 4 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912003A (zh) * | 2023-09-12 | 2023-10-20 | 国网山西省电力公司营销服务中心 | 面向多交易品种的电力资源调度方法及系统 |
CN116912003B (zh) * | 2023-09-12 | 2024-01-12 | 国网山西省电力公司营销服务中心 | 面向多交易品种的电力资源调度方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
Wang et al. | Power consumption predicting and anomaly detection based on long short-term memory neural network | |
CN110570122B (zh) | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 | |
CN110598726A (zh) | 一种基于随机森林的输电杆塔鸟害风险预测方法 | |
CN107909212B (zh) | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN113723669B (zh) | 一种基于Informer模型的输电线路覆冰预测方法 | |
CN110889587B (zh) | 配电网线路风险评估方法 | |
CN116415724A (zh) | 一种光伏电站运维检修时间的预测方法及装置 | |
CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
CN115796059A (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
CN112308425A (zh) | 一种构建配变健康评价指标体系的方法 | |
CN115496353A (zh) | 一种压缩天然气加气站智能风险评估方法 | |
CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
Huang et al. | Prediction of solar photovoltaic power generation based on MLP and LSTM neural networks | |
CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
CN113486291B (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
CN113837473A (zh) | 基于bp神经网络的充电设备故障率分析系统和方法 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
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 | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
CN116258234A (zh) | 一种基于bp神经网络模型的能源企业碳排测算与预测方法 | |
CN115423041A (zh) | 一种基于深度学习的边缘云故障预测方法及系统 | |
CN114595966A (zh) | 一种计及不同灾害类型的特大型城市电网韧性评估方法 | |
CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 |
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 |