CN116579500B - 一种光伏电站健康度预测方法、系统和存储介质 - Google Patents

一种光伏电站健康度预测方法、系统和存储介质 Download PDF

Info

Publication number
CN116579500B
CN116579500B CN202310728980.6A CN202310728980A CN116579500B CN 116579500 B CN116579500 B CN 116579500B CN 202310728980 A CN202310728980 A CN 202310728980A CN 116579500 B CN116579500 B CN 116579500B
Authority
CN
China
Prior art keywords
photovoltaic power
power station
representing
dispersion
index
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
Application number
CN202310728980.6A
Other languages
English (en)
Other versions
CN116579500A (zh
Inventor
王泽军
李欣
杨玲
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.)
State Power Investment Group Integrated Smart Energy Technology Co ltd
Original Assignee
State Power Investment Group Integrated Smart Energy Technology 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 State Power Investment Group Integrated Smart Energy Technology Co ltd filed Critical State Power Investment Group Integrated Smart Energy Technology Co ltd
Priority to CN202310728980.6A priority Critical patent/CN116579500B/zh
Publication of CN116579500A publication Critical patent/CN116579500A/zh
Application granted granted Critical
Publication of CN116579500B publication Critical patent/CN116579500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种光伏电站健康度预测方法、系统和存储介质。分别对光伏电站的每项指标进行分析，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，得到相应指标的评分；根据光伏电站的每项指标评分，预测光伏电站健康度。能够全面而有区别地评估各项数据特征在对应指标中的影响，得到的指标数据更加客观、准确，在此基础上预测的光伏电站健康度将更加精准，并且处理光伏电站大数据的算法复杂度较低，减少了对算力资源的依赖，具有较好的通用性，便于在复杂工况下较快得出光伏电站健康度。

Description

一种光伏电站健康度预测方法、系统和存储介质
技术领域
本发明涉及光伏电站管理监测技术领域，特别涉及一种光伏电站健康度预测方法、系统和存储介质。
背景技术
随着分布式光伏电站的容量不断增大，其性能指标会逐渐下降，在光伏电站的运维管理中，需要经常对光伏电站健康度进行预测，以便及时掌握光伏电站性能状况。常规电站运维重点主要是针对设备的损坏程度，虽然在线状态监测系统已经保存了大量的运行数据，但并没有充分结合大数据算法支撑。目前，光伏电站健康度评价较为广泛应用的健康状态评估方法是基于原始监测数据，在领域专家或经验知识指导下，经过简单统计分析或者特征提取，直接构造出健康值。由于人工参与，造成了建模方法难以具备通用性，且如果发电设备在复杂工况下运行时，建模难度会倍增，并进而导致评估不精准、不及时。
发明内容
为了解决上述问题，发明人做出本发明，通过具体实施方式，提供一种光伏电站健康度预测方法、系统和存储介质。
第一方面，本发明实施例提供一种光伏电站健康度预测方法，包括以下步骤：
分别对光伏电站的每项指标进行分析，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，得到相应指标的评分；
根据光伏电站的每项指标评分，预测光伏电站健康度。
可选的，所述每项指标包括：光伏电站系统能效PR、故障率、故障恢复时长和可用系数，可用系数用于表示光伏电站发电设备可靠性。
可选的，光伏电站系统能效PR按照下式确定：
，
式中，表示/>天光伏发电站输出的总发电量，/>表示标准条件下光伏发电站安装容量，/>表示/>天光伏方阵倾斜面单位面积总辐照量，/>表示标准条件下的辐照度。
可选的，可用系数按照下式确定：
，
式中，表示光伏电站可用系数，n表示光伏电站中光伏发电单元总数，i表示光伏电站中光伏发电单元序数，/>表示第i光伏发电单元可用小时数，/>表示第i光伏发电单元光伏组件安装容量，/>表示统计期间小时数，/>表示标准条件下光伏发电站安装容量，其中/>应按照下式计算：
，
式中，表示对应光伏发电单元运行小时数，/>表示对应光伏发电单元调度停运备用小时数，/>表示对应光伏发电单元因站外原因受累停运备用小时数。
可选的，分别对光伏电站的每项指标进行分析，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，得到相应指标的评分，包括以下步骤：
基于光伏电站历史运行数据，分别确定光伏电站每项指标的最大值、最小值和均值离散度；
分别确定光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重；
基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，建立相应指标评分模型；
根据指标评分模型，分别确定每项指标的评分。
可选的，分别确定光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重，包括以下步骤：
基于光伏电站历史运行数据，训练AI模型，预测得到光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重。
可选的，基于光伏电站历史运行数据，训练AI模型，预测得到光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重，包括以下步骤：
根据光伏电站历史运行数据，生成多个样本，将生成的样本输入SVR模型进行训练，基于样本点和SVR回归超平面的距离设置间隔带，落入间隔带内的样本点不计入损失，间隔带外的样本点计入损失，以总损失最小化且间隔带宽度最大化为目标设置目标函数，根据样本特征选择核函数和正则化参数，当满足预设的训练终止条件时，根据落在SVR回归超平面上的样本点，预测输出光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重。
可选的，根据样本特征选择核函数和正则化参数，包括以下步骤：
从样本中抽取测试集，以测试集中的样本为输入，选择不同的核函数和正则化参数分别进行SVR模型训练，每种SVR模型分别输出光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重，按照预设的评分标准，分别对每种SVR模型输出权重进行评分，选择评分最高的SVR模型对应的核函数和正则化参数。
可选的，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，建立相应指标评分模型，包括以下步骤：
基于光伏电站系统能效PR的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站系统能效PR中的权重，建立光伏电站系统能效PR评分模型如下：
式中，表示光伏电站系统能效PR评分，/>表示统计期内光伏电站系统能效PR的最大值在光伏电站系统能效PR中的权重，/>表示统计期内光伏电站系统能效PR的最大值，/>表示统计期内光伏电站系统能效PR的最小值在光伏电站系统能效PR中的权重，表示统计期内光伏电站系统能效PR的最小值，/>表示统计期内光伏电站系统能效PR的均值离散度在光伏电站系统能效PR中的权重,/>表示统计期内光伏电站系统能效PR的均值离散度；
基于光伏电站故障率的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站故障率中的权重，建立光伏电站故障率评分模型如下：
式中，表示光伏电站故障率评分，/>表示统计期内光伏电站故障率的最大值在光伏电站故障率中的权重，/>表示统计期内光伏电站故障率的最大值，/>表示统计期内光伏电站故障率的最小值在光伏电站故障率中的权重，/>表示统计期内光伏电站故障率的最小值，/>表示统计期内光伏电站故障率的均值离散度在光伏电站故障率中的权重,表示统计期内光伏电站故障率的均值离散度；
基于光伏电站故障恢复时长的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站故障恢复时长中的权重，建立光伏电站故障恢复时长评分模型如下：
式中，表示光伏电站故障恢复时长评分，/>表示统计期内光伏电站故障恢复时长的最大值在光伏电站故障恢复时长中的权重，/>表示统计期内光伏电站故障恢复时长的最大值，/>表示统计期内光伏电站故障恢复时长的最小值在光伏电站故障恢复时长中的权重，/>表示统计期内光伏电站故障恢复时长的最小值，/>表示统计期内光伏电站故障恢复时长的均值离散度在光伏电站故障恢复时长中的权重,/>表示统计期内光伏电站故障恢复时长的均值离散度,/>为统计期间天数；
基于光伏电站可用系数的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站可用系数中的权重，建立光伏电站可用系数评分模型如下：
式中，表示光伏电站可用系数评分，/>表示统计期内光伏电站可用系数的最大值在光伏电站可用系数中的权重，/>表示统计期内光伏电站可用系数的最大值，/>表示统计期内光伏电站可用系数的最小值在光伏电站可用系数中的权重，/>表示统计期内光伏电站可用系数的最小值，/>表示统计期内光伏电站可用系数的均值离散度在光伏电站可用系数中的权重,/>表示统计期内光伏电站可用系数的均值离散度。
可选的，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，建立相应指标评分模型，还包括以下步骤：
对每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重进行数据修正，消除异常数据。
可选的，对每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重进行数据修正，消除异常数据，包括以下步骤：
当超过0.9时，将/>记为0.9，当/>低于0时，将/>记为0，/>表示统计期内光伏电站系统能效PR的最大值；
当超过0.7时，将/>记为0.7，当/>低于0时，将/>记为0，/>表示统计期内光伏电站系统能效PR的最小值；
当超过0.2时，将/>记为0.2，当/>低于0时，将/>记为0.2，/>表示统计期内光伏电站系统能效PR的均值离散度；
当超过0.2时，将/>记为0.2，/>表示统计期内光伏电站故障率的最大值；
当超过0.2时，将/>记为0.2，/>表示统计期内光伏电站故障率的最小值；
当超过0.1时，将/>记为0.1，/>表示统计期内光伏电站故障率的均值离散度；
当超过/>时，将/>记为/>，/>表示统计期内光伏电站故障恢复时长的最大值，/>为统计期间天数；
当超过/>时，将/>记为/>，/>表示统计期内光伏电站故障恢复时长的最小值；
当超过0.2时，将/>记为0.2，当/>低于0时，将/>记为0.2，/>表示统计期内光伏电站故障恢复时长的均值离散度；
当超过0.9时，将/>记为0.9，当/>低于0时，将/>记为0，/>表示统计期内光伏电站可用系数的最大值；
当超过0.6时，将/>记为0.6，当/>低于0时，将/>记为0，/>表示统计期内光伏电站可用系数的最小值；
当超过0.2时，将/>记为0.2，当/>低于0时，将/>记为0.2，/>表示统计期内光伏电站可用系数的均值离散度。
可选的，根据光伏电站的每项指标评分，预测光伏电站健康度，包括以下步骤：
根据光伏电站历史运行数据，分别确定光伏电站系统能效PR、故障率、故障恢复时长和可用系数的最大似然估计值，分别将光伏电站系统能效PR、故障率、故障恢复时长和可用系数的最大似然估计值记为对应指标在光伏电站健康度预测中的权重，通过下式预测光伏电站健康度：
表示光伏电站健康度，/>表示光伏电站系统能效PR评分，/>表示光伏电站故障率评分，/>表示光伏电站故障恢复时长评分，/>表示光伏电站可用系数评分，/>表示光伏电站系统能效PR的最大似然估计值，/>表示光伏电站故障率的最大似然估计值，/>表示光伏电站故障恢复时长的最大似然估计值，/>表示光伏电站可用系数的最大似然估计值。
可选的，所述光伏电站健康度预测方法，还包括以下步骤：
当光伏电站健康度低于报警阈值时，进行光伏电站健康状态报警。
第二方面，本发明实施例提供一种光伏电站健康度预测系统，包括：
指标评分模块，用于分别对光伏电站的每项指标进行分析，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，得到相应指标的评分；
健康度预测模块，用于根据光伏电站的每项指标评分，预测光伏电站健康度。
基于同一发明构思，本发明实施例还提供一种电子设备，包括：存储器、处理器及存储于存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的光伏电站健康度预测方法。
基于同一发明构思，本发明实施例还提供一种存储介质，所述存储介质中存储有计算机执行指令，所述计算机执行指令执行时实现前述的光伏电站健康度预测方法。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明基于光伏电站的大量历史运行数据的特征进行建模，能够全面而有区别地评估各项数据特征在对应指标中的影响，得到的指标数据更加客观、准确，在此基础上预测的光伏电站健康度将更加精准，并且处理光伏电站大数据的算法复杂度较低，减少了对算力资源的依赖，具有较好的通用性，便于在复杂工况下较快得出光伏电站健康度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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为本发明实施例中一种光伏电站健康度预测方法流程图；
图2为本发明实施例中SVR回归超平面示意图；
图3为本发明实施例中一种光伏电站健康度预测系统框图；
图4为本发明实施例中一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题，本发明实施例提供一种光伏电站健康度预测方法、系统和存储介质。
本发明实施例提供一种光伏电站健康度预测方法，其流程如图1所示，包括如下步骤：
步骤S1：分别对光伏电站的每项指标进行分析，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，得到相应指标的评分。
对光伏电站的每项指标进行分析之前，还包括进行数据采集。采集的数据包括光伏电站的静态属性，光伏电站的静态属性包括：光伏电站安装容量、逆变器数量、光伏组件数量。采集数据还包括获取能源设备历史运行数据，主要包括：发电量、倾斜面单位面积总辐照量、故障设备数、故障恢复时间统计、可用小时、统计期理论小时数，其中统计或计算可分别按日、按周、或按月为一个统计或计算周期，各项数据的统计时期相对应。
在一些具体的实施例中，所述每项指标包括：光伏电站系统能效PR（PerformanceRatio）、故障率、故障恢复时长和可用系数，可用系数用于表示光伏电站发电设备可靠性。
在一些具体的实施例中，光伏电站系统能效PR按照下式确定：
，
式中，表示/>天光伏发电站输出的总发电量，/>表示标准条件下光伏发电站安装容量，/>表示/>天光伏方阵倾斜面单位面积总辐照量，/>表示标准条件下的辐照度。
在一些具体的实施例中，可用系数按照下式确定：
，
式中，表示光伏电站可用系数，n表示光伏电站中光伏发电单元总数，i表示光伏电站中光伏发电单元序数，/>表示第i光伏发电单元可用小时数，/>表示第i光伏发电单元光伏组件安装容量，/>表示统计期间小时数，/>表示标准条件下光伏发电站安装容量，其中/>应按照下式计算：
，
式中，表示对应光伏发电单元运行小时数，/>表示对应光伏发电单元调度停运备用小时数，/>表示对应光伏发电单元因站外原因受累停运备用小时数。
在一些具体的实施例中，分别对光伏电站的每项指标进行分析，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，得到相应指标的评分，包括以下步骤：基于光伏电站历史运行数据，分别确定光伏电站每项指标的最大值、最小值和均值离散度；分别确定光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重；基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，建立相应指标评分模型；根据指标评分模型，分别确定每项指标的评分。
在一些具体的实施例中，分别确定光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重，包括以下步骤：基于光伏电站历史运行数据，训练AI模型，预测得到光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重。目前发电设备健康度评估，考虑因素单一，未结合大数据的智能算法应用，评估准确性不高，且缺乏必要综合多因素的健康度评估指标，不能进行健康度的有效量化评估。本实施例中，结合AI模型，考虑了光伏电站的多种指标，评估准确，为后续的健康度量化提供了数据基础。
在一些具体的实施例中，基于光伏电站历史运行数据，训练AI模型，预测得到光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重，包括以下步骤：根据光伏电站历史运行数据，生成多个样本，将生成的样本输入SVR模型进行训练，基于样本点和SVR回归超平面的距离设置间隔带，落入间隔带内的样本点不计入损失，间隔带外的样本点计入损失，以总损失最小化且间隔带宽度最大化为目标设置目标函数，根据样本特征选择核函数和正则化参数，当满足预设的训练终止条件时，如图2所示，根据落在SVR回归超平面上的样本点，预测输出光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重。训练中，基于平台大量真实电站的历史运行数据，通过支持向量机回归SVR（SupportVector Regession）模型在线性函数两侧制造了一个“间隔带”，间隔带如图2中间隔上边界和下边界之间所示的部分，间距为(容忍偏差)，对所有落入到间隔带内的样本不计算损失，对于在间隔带之外的采用目标函数进行损失计算，为最小化目标函数，根据约束条件，构建拉格朗日函数。最后通过最小化总损失和最大化间隔来得出优化后的模型，即找到如图2中回归超平面所示的最佳拟合线，以求得各权重值的输出值。在实际应用中，需要根据具体问题选择合适的核函数和正则化参数，以获得最佳的预测效果。SVR模型，用于使到超平面最远的样本点的“距离”最小，既可分类，也能回归，相比传统的回归方法，当且仅当回归f(x)完全等于y时才认为是预测正确，需计算其损失，而支持向量回归(SVR)则认为只要是f(x)与y偏离程度不超过间距/>，既可认为预测正确，不计算在损失之内。
在一些具体的实施例中，根据样本特征选择核函数和正则化参数，包括以下步骤：从样本中抽取测试集，以测试集中的样本为输入，选择不同的核函数和正则化参数分别进行SVR模型训练，每种SVR模型分别输出光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重，按照预设的评分标准，分别对每种SVR模型输出权重进行评分，选择评分最高的SVR模型对应的核函数和正则化参数。支持向量回归模型（SVR）是使用SVM（support vector machines）来拟合曲线，做回归分析。在用SVM处理问题时，如果样本数据线性不可分，希望通过将输入空间内线性不可分的数据映射到一个高维的特征空间内，使样本数据在特征空间内是线性可分的，之后优化问题中就会有内积，这个内积的计算维度非常大，因此引入了核函数，避免在高维空间中进行计算。核函数是为了解决维度转换过程中带来的过拟合问题，可以使原来的线性算法非线性化，有效控制过拟合。
在一些具体的实施例中，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，建立相应指标评分模型，包括以下步骤：
基于光伏电站系统能效PR的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站系统能效PR中的权重，建立光伏电站系统能效PR评分模型如下：
式中，表示光伏电站系统能效PR评分，/>表示统计期内光伏电站系统能效PR的最大值在光伏电站系统能效PR中的权重，/>表示统计期内光伏电站系统能效PR的最大值，/>表示统计期内光伏电站系统能效PR的最小值在光伏电站系统能效PR中的权重，表示统计期内光伏电站系统能效PR的最小值，/>表示统计期内光伏电站系统能效PR的均值离散度在光伏电站系统能效PR中的权重,/>表示统计期内光伏电站系统能效PR的均值离散度；/>、/>、/>合计100。
基于光伏电站故障率的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站故障率中的权重，建立光伏电站故障率评分模型如下：
式中，表示光伏电站故障率评分，/>表示统计期内光伏电站故障率的最大值在光伏电站故障率中的权重，/>表示统计期内光伏电站故障率的最大值，/>表示统计期内光伏电站故障率的最小值在光伏电站故障率中的权重，/>表示统计期内光伏电站故障率的最小值，/>表示统计期内光伏电站故障率的均值离散度在光伏电站故障率中的权重,表示统计期内光伏电站故障率的均值离散度；/>、/>、/>合计100。
基于光伏电站故障恢复时长的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站故障恢复时长中的权重，建立光伏电站故障恢复时长评分模型如下：
式中，表示光伏电站故障恢复时长评分，/>表示统计期内光伏电站故障恢复时长的最大值在光伏电站故障恢复时长中的权重，/>表示统计期内光伏电站故障恢复时长的最大值，/>表示统计期内光伏电站故障恢复时长的最小值在光伏电站故障恢复时长中的权重，/>表示统计期内光伏电站故障恢复时长的最小值，/>表示统计期内光伏电站故障恢复时长的均值离散度在光伏电站故障恢复时长中的权重,/>表示统计期内光伏电站故障恢复时长的均值离散度,/>为统计期间天数；/>、/>、/>合计100。
基于光伏电站可用系数的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站可用系数中的权重，建立光伏电站可用系数评分模型如下：
式中，表示光伏电站可用系数评分，/>表示统计期内光伏电站可用系数的最大值在光伏电站可用系数中的权重，/>表示统计期内光伏电站可用系数的最大值，/>表示统计期内光伏电站可用系数的最小值在光伏电站可用系数中的权重，/>表示统计期内光伏电站可用系数的最小值，/>表示统计期内光伏电站可用系数的均值离散度在光伏电站可用系数中的权重,/>表示统计期内光伏电站可用系数的均值离散度。/>、/>、/>合计100。
在一些具体的实施例中，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，建立相应指标评分模型，还包括以下步骤：对每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重进行数据修正，消除异常数据。通过消除异常数据，提高数据质量，保证各项指标特征数据的准确性。
在一些具体的实施例中，对每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重进行数据修正，消除异常数据，包括以下步骤：
当超过0.9时，将/>记为0.9，当/>低于0时，将/>记为0，/>表示统计期内光伏电站系统能效PR的最大值；
当超过0.7时，将/>记为0.7，当/>低于0时，将/>记为0，/>表示统计期内光伏电站系统能效PR的最小值；
当超过0.2时，将/>记为0.2，当/>低于0时，将/>记为0.2，/>表示统计期内光伏电站系统能效PR的均值离散度；
当超过0.2时，将/>记为0.2，/>表示统计期内光伏电站故障率的最大值；
当超过0.2时，将/>记为0.2，/>表示统计期内光伏电站故障率的最小值；
当超过0.1时，将/>记为0.1，/>表示统计期内光伏电站故障率的均值离散度；
当超过/>时，将/>记为/>，/>表示统计期内光伏电站故障恢复时长的最大值，/>为统计期间天数；
当超过/>时，将/>记为/>，/>表示统计期内光伏电站故障恢复时长的最小值；
当超过0.2时，将/>记为0.2，当/>低于0时，将/>记为0.2，/>表示统计期内光伏电站故障恢复时长的均值离散度；
当超过0.9时，将/>记为0.9，当/>低于0时，将/>记为0，/>表示统计期内光伏电站可用系数的最大值；
当超过0.6时，将/>记为0.6，当/>低于0时，将/>记为0，/>表示统计期内光伏电站可用系数的最小值；
当超过0.2时，将/>记为0.2，当/>低于0时，将/>记为0.2，/>表示统计期内光伏电站可用系数的均值离散度。
步骤S2：根据光伏电站的每项指标评分，预测光伏电站健康度。
在一些具体的实施例中，根据光伏电站的每项指标评分，预测光伏电站健康度，包括以下步骤：
根据光伏电站历史运行数据，分别确定光伏电站系统能效PR、故障率、故障恢复时长和可用系数的最大似然估计值，分别将光伏电站系统能效PR、故障率、故障恢复时长和可用系数的最大似然估计值记为对应指标在光伏电站健康度预测中的权重，通过下式预测光伏电站健康度：
表示光伏电站健康度，/>表示光伏电站系统能效PR评分，/>表示光伏电站故障率评分，/>表示光伏电站故障恢复时长评分，/>表示光伏电站可用系数评分，/>表示光伏电站系统能效PR的最大似然估计值，/>表示光伏电站故障率的最大似然估计值，/>表示光伏电站故障恢复时长的最大似然估计值，/>表示光伏电站可用系数的最大似然估计值。、/>、/>、/>合计100。
在一些具体的实施例中，所述光伏电站健康度预测方法，还包括以下步骤：当光伏电站健康度低于报警阈值时，进行光伏电站健康状态报警。
本实施例的上述方法中，本发明基于光伏电站的大量历史运行数据的特征进行建模，能够全面而有区别地评估各项数据特征在对应指标中的影响，得到的指标数据更加客观、准确，在此基础上预测的光伏电站健康度将更加精准，并且处理光伏电站大数据的算法复杂度较低，减少了对算力资源的依赖，具有较好的通用性，便于在复杂工况下较快得出光伏电站健康度。
本领域技术人员能够对上述顺序进行变换而并不离开本公开的保护范围。
本发明另一实施例提供一种光伏电站健康度预测系统，其结构如图3所示，包括：
指标评分模块，用于分别对光伏电站的每项指标进行分析，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，得到相应指标的评分；
健康度预测模块，用于根据光伏电站的每项指标评分，预测光伏电站健康度。
关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本实施例中，本发明基于光伏电站的大量历史运行数据的特征进行建模，能够全面而有区别地评估各项数据特征在对应指标中的影响，得到的指标数据更加客观、准确，在此基础上预测的光伏电站健康度将更加精准，并且处理光伏电站大数据的算法复杂度较低，减少了对算力资源的依赖，具有较好的通用性，便于在复杂工况下较快得出光伏电站健康度。
基于同一发明构思，本发明实施例还提供一种电子设备，其结构如图4所示，包括：存储器、处理器及存储于存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的光伏电站健康度预测方法。
基于同一发明构思，本发明实施例还提供一种存储介质，所述存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时实现前述的光伏电站健康度预测方法。
凡在本发明的原则范围内做的任何修改、补充和等同替换等，均应仍归属于本发明的专利涵盖范围内。

Claims (7)

1.一种光伏电站健康度预测方法，其特征在于，包括以下步骤：
基于光伏电站历史运行数据，分别确定光伏电站每项指标的最大值、最小值和均值离散度；
根据光伏电站历史运行数据，生成多个样本，将生成的样本输入SVR模型进行训练，基于样本点和SVR回归超平面的距离设置间隔带，落入间隔带内的样本点不计入损失，间隔带外的样本点计入损失，以总损失最小化且间隔带宽度最大化为目标设置目标函数，根据样本特征选择核函数和正则化参数，当满足预设的训练终止条件时，根据落在SVR回归超平面上的样本点，预测输出光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重；
基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，建立相应指标评分模型；
根据指标评分模型，分别确定每项指标的评分；
根据光伏电站的每项指标评分，预测光伏电站健康度；
所述每项指标包括：光伏电站系统能效PR、故障率、故障恢复时长和可用系数，可用系数用于表示光伏电站发电设备可靠性；
光伏电站系统能效PR按照下式确定：
，
式中，表示/>天光伏发电站输出的总发电量，/>表示标准条件下光伏发电站安装容量，/>表示/>天光伏方阵倾斜面单位面积总辐照量，/>表示标准条件下的辐照度；
可用系数按照下式确定：
，
式中，表示光伏电站可用系数，n表示光伏电站中光伏发电单元总数，i表示光伏电站中光伏发电单元序数，/>表示第i光伏发电单元可用小时数，/>表示第i光伏发电单元光伏组件安装容量，/>表示统计期间小时数，/>表示标准条件下光伏发电站安装容量，其中/>应按照下式计算：
，
式中，表示对应光伏发电单元运行小时数，/>表示对应光伏发电单元调度停运备用小时数，/>表示对应光伏发电单元因站外原因受累停运备用小时数。
2.如权利要求1所述的方法，其特征在于，根据样本特征选择核函数和正则化参数，包括以下步骤：
从样本中抽取测试集，以测试集中的样本为输入，选择不同的核函数和正则化参数分别进行SVR模型训练，每种SVR模型分别输出光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重，按照预设的评分标准，分别对每种SVR模型输出权重进行评分，选择评分最高的SVR模型对应的核函数和正则化参数。
3.如权利要求1所述的方法，其特征在于，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，建立相应指标评分模型，包括以下步骤：
基于光伏电站系统能效PR的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站系统能效PR中的权重，建立光伏电站系统能效PR评分模型如下：
式中，表示光伏电站系统能效PR评分，/>表示统计期内光伏电站系统能效PR的最大值在光伏电站系统能效PR中的权重，/>表示统计期内光伏电站系统能效PR的最大值，表示统计期内光伏电站系统能效PR的最小值在光伏电站系统能效PR中的权重，/>表示统计期内光伏电站系统能效PR的最小值，/>表示统计期内光伏电站系统能效PR的均值离散度在光伏电站系统能效PR中的权重,/>表示统计期内光伏电站系统能效PR的均值离散度；
基于光伏电站故障率的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站故障率中的权重，建立光伏电站故障率评分模型如下：
式中，表示光伏电站故障率评分，/>表示统计期内光伏电站故障率的最大值在光伏电站故障率中的权重，/>表示统计期内光伏电站故障率的最大值，/>表示统计期内光伏电站故障率的最小值在光伏电站故障率中的权重，/>表示统计期内光伏电站故障率的最小值，/>表示统计期内光伏电站故障率的均值离散度在光伏电站故障率中的权重,/>表示统计期内光伏电站故障率的均值离散度；
基于光伏电站故障恢复时长的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站故障恢复时长中的权重，建立光伏电站故障恢复时长评分模型如下：
式中，表示光伏电站故障恢复时长评分，/>表示统计期内光伏电站故障恢复时长的最大值在光伏电站故障恢复时长中的权重，/>表示统计期内光伏电站故障恢复时长的最大值，/>表示统计期内光伏电站故障恢复时长的最小值在光伏电站故障恢复时长中的权重，/>表示统计期内光伏电站故障恢复时长的最小值，/>表示统计期内光伏电站故障恢复时长的均值离散度在光伏电站故障恢复时长中的权重,/>表示统计期内光伏电站故障恢复时长的均值离散度,/>为统计期间天数；
基于光伏电站可用系数的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在光伏电站可用系数中的权重，建立光伏电站可用系数评分模型如下：
式中，表示光伏电站可用系数评分，/>表示统计期内光伏电站可用系数的最大值在光伏电站可用系数中的权重，/>表示统计期内光伏电站可用系数的最大值，/>表示统计期内光伏电站可用系数的最小值在光伏电站可用系数中的权重，/>表示统计期内光伏电站可用系数的最小值，/>表示统计期内光伏电站可用系数的均值离散度在光伏电站可用系数中的权重,/>表示统计期内光伏电站可用系数的均值离散度。
4.如权利要求1所述的方法，其特征在于，基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，建立相应指标评分模型，还包括以下步骤：
对每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重进行数据修正，消除异常数据，具体包括：
当超过0.9时，将/>记为0.9，当/>低于0时，将/>记为0，/>表示统计期内光伏电站系统能效PR的最大值；
当超过0.7时，将/>记为0.7，当/>低于0时，将/>记为0，/>表示统计期内光伏电站系统能效PR的最小值；
当超过0.2时，将/>记为0.2，当/>低于0时，将/>记为0.2，/>表示统计期内光伏电站系统能效PR的均值离散度；
当超过0.2时，将/>记为0.2，/>表示统计期内光伏电站故障率的最大值；
当超过0.2时，将/>记为0.2，/>表示统计期内光伏电站故障率的最小值；
当超过0.1时，将/>记为0.1，/>表示统计期内光伏电站故障率的均值离散度；
当超过/>时，将/>记为/>，/>表示统计期内光伏电站故障恢复时长的最大值，/>为统计期间天数；
当超过/>时，将/>记为/>，/>表示统计期内光伏电站故障恢复时长的最小值；
当超过0.2时，将/>记为0.2，当/>低于0时，将/>记为0.2，/>表示统计期内光伏电站故障恢复时长的均值离散度；
当超过0.9时，将/>记为0.9，当/>低于0时，将/>记为0，/>表示统计期内光伏电站可用系数的最大值；
当超过0.6时，将/>记为0.6，当/>低于0时，将/>记为0，/>表示统计期内光伏电站可用系数的最小值；
当超过0.2时，将/>记为0.2，当/>低于0时，将/>记为0.2，/>表示统计期内光伏电站可用系数的均值离散度。
5.如权利要求1所述的方法，其特征在于，根据光伏电站的每项指标评分，预测光伏电站健康度，包括以下步骤：
根据光伏电站历史运行数据，分别确定光伏电站系统能效PR、故障率、故障恢复时长和可用系数的最大似然估计值，分别将光伏电站系统能效PR、故障率、故障恢复时长和可用系数的最大似然估计值记为对应指标在光伏电站健康度预测中的权重，通过下式预测光伏电站健康度：
表示光伏电站健康度，/>表示光伏电站系统能效PR评分，/>表示光伏电站故障率评分，/>表示光伏电站故障恢复时长评分，/>表示光伏电站可用系数评分，/>表示光伏电站系统能效PR的最大似然估计值，/>表示光伏电站故障率的最大似然估计值，/>表示光伏电站故障恢复时长的最大似然估计值，/>表示光伏电站可用系数的最大似然估计值。
6.一种光伏电站健康度预测系统，其特征在于，包括：
指标评分模块，用于基于光伏电站历史运行数据，分别确定光伏电站每项指标的最大值、最小值和均值离散度；根据光伏电站历史运行数据，生成多个样本，将生成的样本输入SVR模型进行训练，基于样本点和SVR回归超平面的距离设置间隔带，落入间隔带内的样本点不计入损失，间隔带外的样本点计入损失，以总损失最小化且间隔带宽度最大化为目标设置目标函数，根据样本特征选择核函数和正则化参数，当满足预设的训练终止条件时，根据落在SVR回归超平面上的样本点，预测输出光伏电站每项指标的最大值、最小值和均值离散度在相应指标中的权重；基于每项指标的最大值、最小值和均值离散度及所述最大值、最小值和均值离散度在相应指标中的权重，建立相应指标评分模型；根据指标评分模型，分别确定每项指标的评分；所述每项指标包括：光伏电站系统能效PR、故障率、故障恢复时长和可用系数，可用系数用于表示光伏电站发电设备可靠性；
光伏电站系统能效PR按照下式确定：
，
式中，表示/>天光伏发电站输出的总发电量，/>表示标准条件下光伏发电站安装容量，/>表示/>天光伏方阵倾斜面单位面积总辐照量，/>表示标准条件下的辐照度；
可用系数按照下式确定：
，
式中，表示光伏电站可用系数，n表示光伏电站中光伏发电单元总数，i表示光伏电站中光伏发电单元序数，/>表示第i光伏发电单元可用小时数，/>表示第i光伏发电单元光伏组件安装容量，/>表示统计期间小时数，/>表示标准条件下光伏发电站安装容量，其中/>应按照下式计算：
，
式中，表示对应光伏发电单元运行小时数，/>表示对应光伏发电单元调度停运备用小时数，/>表示对应光伏发电单元因站外原因受累停运备用小时数；
健康度预测模块，用于根据光伏电站的每项指标评分，预测光伏电站健康度。
7.一种存储介质，其特征在于，所述存储介质中存储有计算机执行指令，所述计算机执行指令执行时实现权利要求1至5任一所述的光伏电站健康度预测方法。
CN202310728980.6A 2023-06-20 2023-06-20 一种光伏电站健康度预测方法、系统和存储介质 Active CN116579500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310728980.6A CN116579500B (zh) 2023-06-20 2023-06-20 一种光伏电站健康度预测方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310728980.6A CN116579500B (zh) 2023-06-20 2023-06-20 一种光伏电站健康度预测方法、系统和存储介质

Publications (2)

Publication Number Publication Date
CN116579500A CN116579500A (zh) 2023-08-11
CN116579500B true CN116579500B (zh) 2023-10-13

Family

ID=87541546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310728980.6A Active CN116579500B (zh) 2023-06-20 2023-06-20 一种光伏电站健康度预测方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN116579500B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210048844A (ko) * 2019-10-24 2021-05-04 한국전력공사 설비자산의 건전도 지수 기반의 정비계획 수립 장치 및 그 방법
CN113869721A (zh) * 2021-09-27 2021-12-31 广东电网有限责任公司 一种变电设备健康状态分类方法及装置
CN114707841A (zh) * 2022-03-30 2022-07-05 华能大理风力发电有限公司洱源分公司 一种基于集中监控的光伏健康度评估系统及方法
CN114742363A (zh) * 2022-03-16 2022-07-12 华能大理风力发电有限公司洱源分公司 风电机组的能效状态评价方法、系统及介质
CN115392735A (zh) * 2022-08-30 2022-11-25 浙江正泰智维能源服务有限公司 光伏电站工作性能监测方法、系统、设备及介质
CN115438309A (zh) * 2022-09-06 2022-12-06 中国计量大学 基于lstm-svr的无人机发动机健康评估方法
CN115639840A (zh) * 2022-11-09 2023-01-24 海南斯兰低碳研究中心有限公司 一种基于光伏电站运维分析的无人机巡检方法
CN116151638A (zh) * 2021-11-18 2023-05-23 中国电力科学研究院有限公司 一种分布式光伏运维效果评价方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210048844A (ko) * 2019-10-24 2021-05-04 한국전력공사 설비자산의 건전도 지수 기반의 정비계획 수립 장치 및 그 방법
CN113869721A (zh) * 2021-09-27 2021-12-31 广东电网有限责任公司 一种变电设备健康状态分类方法及装置
CN116151638A (zh) * 2021-11-18 2023-05-23 中国电力科学研究院有限公司 一种分布式光伏运维效果评价方法和系统
CN114742363A (zh) * 2022-03-16 2022-07-12 华能大理风力发电有限公司洱源分公司 风电机组的能效状态评价方法、系统及介质
CN114707841A (zh) * 2022-03-30 2022-07-05 华能大理风力发电有限公司洱源分公司 一种基于集中监控的光伏健康度评估系统及方法
CN115392735A (zh) * 2022-08-30 2022-11-25 浙江正泰智维能源服务有限公司 光伏电站工作性能监测方法、系统、设备及介质
CN115438309A (zh) * 2022-09-06 2022-12-06 中国计量大学 基于lstm-svr的无人机发动机健康评估方法
CN115639840A (zh) * 2022-11-09 2023-01-24 海南斯兰低碳研究中心有限公司 一种基于光伏电站运维分析的无人机巡检方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于VMD-SE和优化支持向量机的光伏预测方法;武小梅;张琦;田明正;;电力科学与工程(09);全文 *
基于随机矩阵理论的大型光伏电站设备状态评估研究;阿地利・巴拉提;秦艳辉;张磊;;电器与能效管理技术(09);全文 *
并网光伏系统性能精细化评估方法研究;李芬;陈正洪;蔡涛;马金玉;徐静;;太阳能学报(06);全文 *

Also Published As

Publication number Publication date
CN116579500A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN111584952B (zh) 用于储能电站电化学电池在线评估的方法和系统
CN108446864B (zh) 基于大数据分析的轨道交通设备的故障预警系统及方法
WO2022183817A1 (zh) 温度一致性预测方法、装置、预测设备及存储介质
CN106384186A (zh) 一种分布式新能源并网电能质量监控方法及系统
CN110503153B (zh) 基于差分进化算法和支持向量机的光伏系统故障诊断方法
CN107807860B (zh) 一种基于矩阵分解的电力故障分析方法及系统
Yang et al. Multi-dimensional scenario forecast for generation of multiple wind farms
CN109409444B (zh) 一种基于先验概率的多元电网故障类型的判别方法
CN116128167B (zh) 一种基于云计算实时监测的分布式光伏发电分析方法
CN113065715A (zh) 一种综合能源系统多元负荷超短期预测方法
CN116579500B (zh) 一种光伏电站健康度预测方法、系统和存储介质
CN117057486A (zh) 电力系统的运维成本预测方法、装置、设备及存储介质
CN116701846A (zh) 一种基于无监督学习的水电站调度运行数据清洗方法
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN111080089A (zh) 一种基于随机矩阵理论的线损率关键因子确定方法和装置
CN111126645A (zh) 一种基于数据挖掘技术和改进支持向量机的风电预测算法
CN115528684A (zh) 一种超短期负荷预测方法、装置及电子设备
CN112711913B (zh) 基于粒度支持向量机的冷热电短期负荷预测系统及方法
CN114139803A (zh) 一种风电场站短期功率的预测方法、系统、设备和介质
CN114154567A (zh) 一种基于机器学习的风电场站运行数据异常识别方法
Zhang et al. Load prediction based on depthwise separable convolution model
CN113761025B (zh) 储能电站电池数据异常的检测方法、系统、设备及介质
CN116150666B (zh) 储能系统故障检测方法、装置及智能终端
CN117494910B (zh) 一种基于碳减排的多能源协调优化控制系统及方法
CN117410961A (zh) 风功率预测方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant