CN116633026A - 清洁能源感知监控方法、装置、计算机设备及存储介质 - Google Patents
清洁能源感知监控方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116633026A CN116633026A CN202310912598.0A CN202310912598A CN116633026A CN 116633026 A CN116633026 A CN 116633026A CN 202310912598 A CN202310912598 A CN 202310912598A CN 116633026 A CN116633026 A CN 116633026A
- Authority
- CN
- China
- Prior art keywords
- clean energy
- data
- abnormal
- state
- obtaining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 230000008447 perception Effects 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 109
- 238000010248 power generation Methods 0.000 claims abstract description 69
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种清洁能源感知监控方法、装置、计算机设备及存储介质，涉及能源监测技术领域，包括：采集天气数据、清洁能源的实际发电量和系统数据；将所述天气数据输入清洁能源电力预测模型，得到预测发电量；通过所述预测发电量和所述实际发电量计算差值得到发电量差值数据；对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据；根据所述清洁能源异常数据得到清洁能源状态，其中，所述清洁能源状态包括清洁能源异常状态和清洁能源正常状态。本发明实现了在减少人工的情况下准确监控清洁能源状态。
Description
技术领域
本发明涉及能源监测技术领域，具体而言，涉及一种清洁能源感知监控方法、装置、计算机设备及存储介质。
背景技术
清洁能源是人类可持续发展的关键之一，包括太阳能、风能、水能等。对于发电厂、风电场、太阳能电池板等清洁能源设施的监控，可以帮助我们实时了解其性能表现和运行状态，包括能源产量、设备状况、故障警报等等，有助于提高能源生产效率、降低维修成本、提高能源利用率。目前清洁能源监控方法主要依赖人工巡检和手动操作，在清洁能源设备的关键位置上设置固定检测点，运维人员利用移动设备，如手机、平板电脑等，对清洁能源运行状态进行监控，从而对故障和报警信息进行处理。但是，传统监控方法采用人工监控存在误判的情况并且数据精度较低，无法准确对清洁能源状态做出判断。
发明内容
本发明解决的问题是如何在减少人工的情况下准确监控清洁能源状态。
为解决上述问题，本发明提供一种清洁能源感知监控方法，包括：
采集天气数据、清洁能源的实际发电量和系统数据；
将所述天气数据输入清洁能源电力预测模型，得到预测发电量；
通过所述预测发电量和所述实际发电量计算差值得到发电量差值数据；
对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据；
根据所述清洁能源异常数据得到清洁能源状态，其中，所述清洁能源状态包括清洁能源异常状态和清洁能源正常状态。
可选地，所述清洁能源异常数据包括电力异常数据和设备异常数据，所述对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据，包括：
当所述发电量差值数据大于预设阈值时，将所述发电量差值数据作为所述电力异常数据；
根据所述系统数据得到系统运行状态，其中，所述系统运行状态包括系统正常状态和系统异常状态；
当所述系统运行状态为所述系统异常状态时，将所述系统数据作为所述设备异常数据。
可选地，所述系统数据包括多个设备的子数据，所述当根据所述系统数据得到系统运行状态，包括：
分别根据每个所述设备的子数据判断对应所述设备的故障情况；
通过所述故障情况和对应的预设设备分级系数得到设备故障值；
根据所有所述设备故障值得到所述系统运行状态。
可选地，所述根据所有所述设备故障值得到所述系统运行状态，包括：
当所有所述设备故障值之和大于预设设备故障值时，得到所述系统异常状态；
当所有所述设备故障值之和小于或等于所述预设设备故障值时，得到所述系统正常状态。
可选地，所述根据所述清洁能源异常数据得到清洁能源状态，包括：
根据所述清洁能源异常数据得到清洁能源异常评估值；
当所述清洁能源异常评估值大于预设评估值，则得到所述清洁能源异常状态；
当所述清洁能源异常评估值小于或等于预设评估值，则得到所述清洁能源正常状态。
可选地，所述根据所述清洁能源异常数据得到清洁能源异常评估值，包括：
根据预设权重、所述电力异常数据和所述设备异常数据得到所述清洁能源异常评估值；
其中，所述清洁能源异常评估值为：
F=aK+bD,
其中，F为所述清洁能源异常评估值，K为所述电力异常数据，D为所述设备异常数据，a和b均为预设权重。
可选地，所述清洁能源电力预测模型的构建过程包括：
采集历史天气数据和对应的历史发电量；
根据所述历史天气数据和所述历史发电量训练神经网络模型，得到所述清洁能源电力预测模型。
本发明所述的清洁能源感知监控方法通过采集天气数据和系统数据，对当天的天气进行初步确认，利用清洁能源电力预测模型，根据天气数据对于当天的发电量进行预测，然后和实际生产出的发电量进行计算得到发电量差值数据。对所述发电量偏差和所述系统数据进行筛选得到清洁能源异常数据，通过对清洁能源异常数据进行分析得到清洁能源状态，实现对清洁能源状态进行有效识别，对异常状态进行监督，为清洁能源调节提供信息支持，保证整个电网的良好运行。
本发明还提供一种清洁能源感知监控装置，包括：
采集单元，所述采集单元用于采集天气数据、清洁能源的实际发电量和系统数据；
预测发电量单元，所述预测发电量单元用于将所述天气数据输入清洁能源电力预测模型，得到预测发电量；
发电量差值数据单元，所述发电量差值数据单元用于根据所述预测发电量和所述实际发电量的差值得到发电量差值数据；
清洁能源异常数据单元，所述清洁能源异常数据单元用于对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据；
清洁能源状态单元，所述清洁能源状态单元用于根据所述清洁能源异常数据得到清洁能源状态，其中，所述清洁能源状态包括清洁能源异常状态和清洁能源正常状态。
本发明所述清洁能源感知监控装置与所述清洁能源感知监控方法相对于现有技术的优势相同，在此不再赘述。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可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所述清洁能源感知监控方法的步骤。
本发明所述的计算机设备与所述清洁能源感知监控方法相对于现有技术的优势相同，在此不再赘述。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现所述清洁能源感知监控方法的步骤。
本发明所述的计算机可读存储介质与所述清洁能源感知监控方法相对于现有技术的优势相同，在此不再赘述。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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的介绍，显而易见地，对于本领域普通技术人员而言，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所示为本发明实施例中清洁能源感知监控方法的应用环境图；
图2所示为本发明实施例中清洁能源感知监控方法的流程示意图；
图3所示为本发明实施例中清洁能源感知监控装置的示意图；
图4所示为本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。
图1为本发明实施例中清洁能源感知监控方法的应用环境图。参照图1，该清洁能源感知监控方法应用于清洁能源感知监控系统。该清洁能源感知监控系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
结合图2所示，本实施例提供一种清洁能源感知监控方法，包括：
步骤210，采集天气数据、清洁能源的实际发电量和系统数据；
具体地，所述天气数据通过网络获取当天的天气预测情况，并将其数据存储下来，其中，所述天气数据包括气温、湿度、风速、降水量等多个因素。天气状态对清洁能源生产有较大影响，所以需要获取当天的天气数据。同时所述系统数据通过安装在各个设备的传感器或其他监控设备采集各个设备的故障报警以及设备开关状态等。所述实际发电量用于实时监测清洁能源的发电量，包括风电场、太阳能电池板、水电站、生物质发电厂等的发电情况。
步骤220，将所述天气数据输入清洁能源电力预测模型，得到预测发电量；
具体地，根据所述历史天气数据和所述历史发电量训练神经网络模型得到所述清洁能源电力预测模型，当天的天气数据输入在之前所述清洁能源电力预测模型，从而得到所述预测发电量。
步骤230，通过所述预测发电量和所述实际发电量计算差值得到发电量差值数据；
具体地，计算所述预测发电量与所述实际发电量的差值，将所述差值的绝对值作为所述发电量差值数据。
步骤240，对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据；
具体地，所述清洁能源异常数据包括电力异常数据和设备异常数据，通过将所述发电量差值数据与预设阈值进行比较，筛选得到电力异常数据，并根据所述系统数据得到设备异常数据，从而得到所述清洁能源异常数据。
步骤250，根据所述清洁能源异常数据得到清洁能源状态，其中，所述清洁能源状态包括清洁能源异常状态和清洁能源正常状态。
具体地，根据不同来源的所述清洁能源异常数据预设权重系数，根据权重系数和所述清洁能源异常数据对清洁能源进行评估，从而判断清洁能源状态。
本发明所述的清洁能源感知监控方法通过采集天气数据和系统数据，对当天的天气进行初步确认，利用清洁能源电力预测模型，根据天气数据对于当天的发电量进行预测，然后和实际生产出的发电量进行计算得到发电量差值数据。对所述发电量偏差和所述系统数据进行筛选得到清洁能源异常数据，通过对清洁能源异常数据进行分析得到清洁能源状态，实现对清洁能源状态进行有效识别，对异常状态进行监督，为清洁能源调节提供信息支持，保证整个电网的良好运行。
可选地，所述清洁能源异常数据包括电力异常数据和设备异常数据，所述对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据，包括：
当所述发电量差值数据大于预设阈值时，将所述发电量差值数据作为所述电力异常数据；
根据所述系统数据得到系统运行状态，其中，所述系统运行状态包括系统正常状态和系统异常状态；
当所述系统运行状态为所述系统异常状态时，将所述系统数据作为所述设备异常数据。
具体地，当监测到清洁能源预测发电量与实际发电量的差值变化差超过预设的阈值时，则会对所述发电量差值数据进行分析，判断存在的电力异常情况从而得到所述电力异常数据，并对所述电力异常数据进行记录。同时，系统会对清洁能源发电系统数据进行检测，并根据所述系统数据得到系统运行状态，当发现所述系统运行状态处于异常状态时，系统会将设备的运行数据记录下来，通过所述系统数据提取所述设备异常数据。
本实施例的清洁能源感知监控方法通过所述发电量差值数据和所述系统数据分别得到所述电力异常数据和所述设备异常数据，从两个方面对清洁能源进行监测，更加准确监控清洁能源状态。
可选地，所述系统数据包括多个设备的子数据，所述当根据所述系统数据得到系统运行状态，包括：
分别根据每个所述设备的子数据判断对应所述设备的故障情况；
通过所述故障情况和对应的预设设备分级系数得到设备故障值；
根据所有所述设备故障值得到所述系统运行状态。
具体地，所述系统数据中包括多个设备的子数据，根据设备的重要情况将设备分为三个等级，一级设备、二级设备和三级设备中一级设备为最重要的设备。根据设备的等级设置设备分级系数，通过设备种类可以得到预设设备分级系数，从而表示设备的重要程度。分别通过每个设备的所述子数据判断设备的故障情况，并将此设备的故障情况转换为数据信号来进行表示。当所述设备显示为故障时，将此设备的数据信号设置为1，当此设备处于正常运行状态时，将此设备的数据信号设置为0。将所述设备的数据信号0或1的值乘以所述预设设备分级系数，从而得到各个设备的设备故障值，通过所有设备的设备故障值从而得到系统运行状态。
本实施例的清洁能源感知监控方法通过判断每个设备的故障情况，首先得到每个设备的故障情况，再根据所述预设设备分级系数得到设备故障值，综合设备故障情况以及设备的分级情况得到设备故障值。再通过所有的设备故障值得到所述系统运行状态，准确地衡量了系统运行状态，更加贴合实际故障情况。
可选地，所述根据所有所述设备故障值得到所述系统运行状态，包括：
当所有所述设备故障值之和大于预设设备故障值时，得到所述系统异常状态；
当所有所述设备故障值之和小于或等于所述预设设备故障值时，得到所述系统正常状态。
具体地，在监测清洁能源发电设备时，系统会统计所有设备故障值的累加总和，并将其与预设设备故障值进行比较。如果所有设备的故障值之和大于等于预设的设备故障值，系统就会判断设备处于异常状态，并立即将相关信息记录下来，以通知运维人员对设备进行维修和保养。此时，系统会根据所记录的异常信息协助维修人员或保养人员快速准确地判断设备故障的原因，并进行有效的修复。当所有设备故障值之和小于预设设备故障值时，系统将判断设备处于正常状态，并自动进行记录。这时，系统将继续监测系统数据，以确保设备处于正常的运行状态。
本实施例的清洁能源感知监控方法通过实时跟踪设备运行数据和检测其故障值，系统可以快速发现任何异常情况，保证清洁能源发电设备的正常运行，进一步提高清洁能源发电设备的效率和可靠性。
可选地，所述根据所述清洁能源异常数据得到清洁能源状态，包括：
根据所述清洁能源异常数据得到清洁能源异常评估值；
当所述清洁能源异常评估值大于预设评估值，则得到所述清洁能源异常状态；
当所述清洁能源异常评估值小于或等于预设评估值，则得到所述清洁能源正常状态。
具体地，根据已经收集到的清洁能源异常数据，系统可以进一步进行数据分析和处理，以获得清洁能源异常评估值。当清洁能源异常评估值超过预设的评估值时，系统会判断当前清洁能源处于异常状态，并立即通知相关人员处理。当清洁能源异常评估值小于或等于预设评估值时，系统会判断清洁能源处于正常状态，并自动进行记录。
本实施例的清洁能源感知监控方法通过所述清洁能源异常数据得到所述清洁能源异常评估值，通过对所述清洁能源异常数据进行评估从而对清洁能源的状态进行判断，使对清洁能源状态的判断更加可靠。
可选地，所述根据所述清洁能源异常数据得到清洁能源异常评估值，包括：
根据预设权重、所述电力异常数据和所述设备异常数据得到所述清洁能源异常评估值；
其中，所述清洁能源异常评估值为：
F=aK+bD,
其中，F为所述清洁能源异常评估值，K为所述电力异常数据，D为所述设备异常数据，a和b均为预设权重。
可选地，所述清洁能源电力预测模型的构建过程包括：
采集历史天气数据和对应的历史发电量；
根据所述历史天气数据和所述历史发电量训练神经网络模型，得到所述清洁能源电力预测模型。
具体地，为了能够更加准确地预测清洁能源的发电量，系统需要采集历史天气数据和对应的历史发电量，并通过对这些数据进行训练，得到清洁能源电力预测模型。首先，系统需要采集历史天气数据，包括气温、湿度、风速、降水量等多个因素，并将其数据存储下来。与此同时，系统还需要记录与历史天气相关联的清洁能源发电量数据，例如太阳能池电量、风力涡轮机的输出电量等。接着，系统使用这些历史数据，训练一种神经网络模型，通过学习清洁能源发电量和天气数据之间的关系，以得到清洁能源电力预测模型。这个模型可以根据天气信息准确预测清洁能源发电量。
本实施例的清洁能源感知监控方法通过这种方式，利用历史数据训练清洁能源电力预测模型，系统可以为未来的清洁能源发电计划提供准确的预测发电量数据，以减少清洁能源发电的波动性，从发电量的角度更好地监控清洁能源。
本发明所述的清洁能源感知监控方法通过采集天气数据和系统数据，对当天的天气进行初步确认，利用清洁能源电力预测模型，根据天气数据对于当天的发电量进行预测，然后和实际生产出的发电量进行计算得到发电量差值数据。对所述发电量偏差和所述系统数据进行筛选得到清洁能源异常数据，通过对清洁能源异常数据进行分析得到清洁能源状态，实现对清洁能源状态进行有效识别，对异常状态进行监督，为清洁能源调节提供信息支持，保证整个电网的良好运行。
和上述清洁能源感知监控方法相对应，本发明实施例还提供了一种清洁能源感知监控装置。图3所示为本发明实施例的清洁能源感知监控装置的示意图，如图3所示，清洁能源感知监控装置包括：
采集单元10，所述采集单元用于采集天气数据、清洁能源的实际发电量和系统数据；
预测发电量单元20，所述预测发电量单元用于将所述天气数据输入清洁能源电力预测模型，得到预测发电量；
发电量差值数据单元30，所述发电量差值数据单元用于根据所述预测发电量和所述实际发电量的差值得到发电量差值数据；
清洁能源异常数据单元40，所述清洁能源异常数据单元用于对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据；
清洁能源状态单元50，所述清洁能源状态单元用于根据所述清洁能源异常数据得到清洁能源状态，其中，所述清洁能源状态包括清洁能源异常状态和清洁能源正常状态。
本发明实施例中，所述清洁能源异常数据单元40还包括
当所述发电量差值数据大于预设阈值时，将所述发电量差值数据作为所述电力异常数据；
根据所述系统数据得到系统运行状态，其中，所述系统运行状态包括系统正常状态和系统异常状态；
当所述系统运行状态为所述系统异常状态时，将所述系统数据作为所述设备异常数据。
所述清洁能源异常数据单元40还包括分别根据每个所述设备的子数据判断对应所述设备的故障情况；
通过所述故障情况和对应的预设设备分级系数得到设备故障值；
根据所有所述设备故障值得到所述系统运行状态。
所述清洁能源异常数据单元40还包括当所有所述设备故障值之和大于预设设备故障值时，得到所述系统异常状态；
当所有所述设备故障值之和小于或等于所述预设设备故障值时，得到所述系统正常状态。
所述清洁能源状态单元50还包括根据所述清洁能源异常数据得到清洁能源异常评估值；
当所述清洁能源异常评估值大于预设评估值，则得到所述清洁能源异常状态；
当所述清洁能源异常评估值小于或等于预设评估值，则得到所述清洁能源正常状态。
所述清洁能源状态单元50还包括根据预设权重、所述电力异常数据和所述设备异常数据得到所述清洁能源异常评估值；
其中，所述清洁能源异常评估值为：
F=aK+bD,
其中，F为所述清洁能源异常评估值，K为所述电力异常数据，D为所述设备异常数据，a和b均为预设权重。
所述预测发电量单元20还包括采集历史天气数据和对应的历史发电量；
根据所述历史天气数据和所述历史发电量训练神经网络模型，得到所述清洁能源电力预测模型。
本发明所述清洁能源感知监控装置与所述清洁能源感知监控方法相对于现有技术的优势相同，在此不再赘述。
图4示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110（或服务器120）。如图4所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现清洁能源感知监控方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行清洁能源感知监控方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明另一实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：采集天气数据、清洁能源的实际发电量和系统数据；
将所述天气数据输入清洁能源电力预测模型，得到预测发电量；
通过所述预测发电量和所述实际发电量计算差值得到发电量差值数据；
对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据；
根据所述清洁能源异常数据得到清洁能源状态，其中，所述清洁能源状态包括清洁能源异常状态和清洁能源正常状态。
本发明所述的计算机设备与所述清洁能源感知监控方法相对于现有技术的优势相同，在此不再赘述。
本发明另一实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时实现以下步骤：采集天气数据、清洁能源的实际发电量和系统数据；
将所述天气数据输入清洁能源电力预测模型，得到预测发电量；
通过所述预测发电量和所述实际发电量计算差值得到发电量差值数据；
对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据；
根据所述清洁能源异常数据得到清洁能源状态，其中，所述清洁能源状态包括清洁能源异常状态和清洁能源正常状态。
本发明所述的计算机可读存储介质与所述清洁能源感知监控方法相对于现有技术的优势相同，在此不再赘述。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种清洁能源感知监控方法，其特征在于，包括：
采集天气数据、清洁能源的实际发电量和系统数据；
将所述天气数据输入清洁能源电力预测模型，得到预测发电量；
通过所述预测发电量和所述实际发电量计算差值得到发电量差值数据；
对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据；
根据所述清洁能源异常数据得到清洁能源状态，其中，所述清洁能源状态包括清洁能源异常状态和清洁能源正常状态。
2.根据权利要求1所述的清洁能源感知监控方法，其特征在于，所述清洁能源异常数据包括电力异常数据和设备异常数据，所述对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据，包括：
当所述发电量差值数据大于预设阈值时，将所述发电量差值数据作为所述电力异常数据；
根据所述系统数据得到系统运行状态，其中，所述系统运行状态包括系统正常状态和系统异常状态；
当所述系统运行状态为所述系统异常状态时，将所述系统数据作为所述设备异常数据。
3.根据权利要求2所述的清洁能源感知监控方法，其特征在于，所述系统数据包括多个设备的子数据，所述根据所述系统数据得到系统运行状态，包括：
分别根据每个所述设备的子数据判断对应所述设备的故障情况；
通过所述故障情况和对应的预设设备分级系数得到设备故障值；
根据所有所述设备故障值得到所述系统运行状态。
4.根据权利要求3所述的清洁能源感知监控方法，其特征在于，所述根据所有所述设备故障值得到所述系统运行状态，包括：
当所有所述设备故障值之和大于预设设备故障值时，得到所述系统异常状态；
当所有所述设备故障值之和小于或等于所述预设设备故障值时，得到所述系统正常状态。
5.根据权利要求4所述的清洁能源感知监控方法，其特征在于，所述根据所述清洁能源异常数据得到清洁能源状态，包括：
根据所述清洁能源异常数据得到清洁能源异常评估值；
当所述清洁能源异常评估值大于预设评估值，则得到所述清洁能源异常状态；
当所述清洁能源异常评估值小于或等于预设评估值，则得到所述清洁能源正常状态。
6.根据权利要求5所述的清洁能源感知监控方法，其特征在于，所述根据所述清洁能源异常数据得到清洁能源异常评估值，包括：
根据预设权重、所述电力异常数据和所述设备异常数据得到所述清洁能源异常评估值；
其中，所述清洁能源异常评估值为：
F=aK+bD,
其中，F为所述清洁能源异常评估值，K为所述电力异常数据，D为所述设备异常数据，a和b均为预设权重。
7.根据权利要求1所述的清洁能源感知监控方法，其特征在于，所述清洁能源电力预测模型的构建过程包括：
采集历史天气数据和对应的历史发电量；
根据所述历史天气数据和所述历史发电量训练神经网络模型，得到所述清洁能源电力预测模型。
8.一种清洁能源感知监控装置，其特征在于，包括：
采集单元，所述采集单元用于采集天气数据、清洁能源的实际发电量和系统数据；
预测发电量单元，所述预测发电量单元用于将所述天气数据输入清洁能源电力预测模型，得到预测发电量；
发电量差值数据单元，所述发电量差值数据单元用于根据所述预测发电量和所述实际发电量的差值得到发电量差值数据；
清洁能源异常数据单元，所述清洁能源异常数据单元用于对所述发电量差值数据和所述系统数据进行筛选得到清洁能源异常数据；
清洁能源状态单元，所述清洁能源状态单元用于根据所述清洁能源异常数据得到清洁能源状态，其中，所述清洁能源状态包括清洁能源异常状态和清洁能源正常状态。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7中任一项所述的清洁能源感知监控方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1-7任一项所述的清洁能源感知监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310912598.0A CN116633026B (zh) | 2023-07-25 | 2023-07-25 | 清洁能源感知监控方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310912598.0A CN116633026B (zh) | 2023-07-25 | 2023-07-25 | 清洁能源感知监控方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116633026A true CN116633026A (zh) | 2023-08-22 |
| CN116633026B CN116633026B (zh) | 2023-11-07 |
Family
ID=87603097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310912598.0A Active CN116633026B (zh) | 2023-07-25 | 2023-07-25 | 清洁能源感知监控方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116633026B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6555440B1 (ja) * | 2018-03-20 | 2019-08-07 | 株式会社Ｇｓユアサ | 異常要因判定装置、劣化判定装置、コンピュータプログラム、劣化判定方法及び異常要因判定方法 |
| CN113011477A (zh) * | 2021-03-05 | 2021-06-22 | 优得新能源科技（宁波）有限公司 | 一种太阳辐照数据的清洗和补全系统及方法 |
| CN114021822A (zh) * | 2021-11-09 | 2022-02-08 | 莫毓昌 | 一种清洁能源发电功率预测方法和系统 |
| CN115173550A (zh) * | 2022-06-07 | 2022-10-11 | 华能南京金陵发电有限公司 | 一种分布式光伏发电实时监控方法和系统 |
| KR20220150682A (ko) * | 2021-05-04 | 2022-11-11 | 한국남동발전 주식회사 | 신재생에너지 발전소의 실적 기반 자산가치평가 시스템 |
| CN115622054A (zh) * | 2022-12-19 | 2023-01-17 | 睿至科技集团有限公司 | 一种能源系统的运行监控方法及系统 |
| CN115912640A (zh) * | 2022-11-18 | 2023-04-04 | 华能湖北新能源有限责任公司 | 一种风力发电设备状态监控方法及系统 |
| KR102545156B1 (ko) * | 2022-12-20 | 2023-06-20 | 엔라이튼 주식회사 | 태양광 발전 이상 탐지 방법 및 장치 |
-
2023
- 2023-07-25 CN CN202310912598.0A patent/CN116633026B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6555440B1 (ja) * | 2018-03-20 | 2019-08-07 | 株式会社Ｇｓユアサ | 異常要因判定装置、劣化判定装置、コンピュータプログラム、劣化判定方法及び異常要因判定方法 |
| CN113011477A (zh) * | 2021-03-05 | 2021-06-22 | 优得新能源科技（宁波）有限公司 | 一种太阳辐照数据的清洗和补全系统及方法 |
| KR20220150682A (ko) * | 2021-05-04 | 2022-11-11 | 한국남동발전 주식회사 | 신재생에너지 발전소의 실적 기반 자산가치평가 시스템 |
| CN114021822A (zh) * | 2021-11-09 | 2022-02-08 | 莫毓昌 | 一种清洁能源发电功率预测方法和系统 |
| CN115173550A (zh) * | 2022-06-07 | 2022-10-11 | 华能南京金陵发电有限公司 | 一种分布式光伏发电实时监控方法和系统 |
| CN115912640A (zh) * | 2022-11-18 | 2023-04-04 | 华能湖北新能源有限责任公司 | 一种风力发电设备状态监控方法及系统 |
| CN115622054A (zh) * | 2022-12-19 | 2023-01-17 | 睿至科技集团有限公司 | 一种能源系统的运行监控方法及系统 |
| KR102545156B1 (ko) * | 2022-12-20 | 2023-06-20 | 엔라이튼 주식회사 | 태양광 발전 이상 탐지 방법 및 장치 |
Non-Patent Citations (2)
| Title |
|---|
| Y.M. SAINT-DRENAN: "A probabilistic approach to the estimation of regional photovoltaic power production", 《SOLAR ENERGY》, pages 257 - 276 * |
| 张璐骅: "电网负荷异常数据处理的分析", 《电子技术》, pages 254 - 255 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116633026B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220245297A1 (en) | Scalable system and method for forecasting wind turbine failure using scada alarm and event logs | |
| EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
| US11734474B2 (en) | System and method for evaluating models for predictive failure of renewable energy assets | |
| US11977375B2 (en) | Scalable systems and methods for assessing healthy condition scores in renewable asset management | |
| US20200210824A1 (en) | Scalable system and method for forecasting wind turbine failure with varying lead time windows | |
| Catterson et al. | Online conditional anomaly detection in multivariate data for transformer monitoring | |
| US20140365271A1 (en) | Industrial asset health model update | |
| Ghasemi et al. | Equipment failure rate in electric power distribution networks: An overview of concepts, estimation, and modeling methods | |
| CN116633026B (zh) | 清洁能源感知监控方法、装置、计算机设备及存储介质 | |
| Abaas et al. | Long short-term memory customer-centric power outage prediction models for weather-related power outages | |
| Zhang et al. | Data-driven feature description of heat wave effect on distribution system | |
| Shen | Classification of Wind Turbine Blade Performance State Through Statistical Methods | |
| CN117514649B (zh) | 一种风电机组健康状态监测方法及装置 | |
| CN117664217A (zh) | 输变电多源立体协同动态监测的设备受损评估方法及系统 | |
| Li et al. | An Operational Situations Characterization Methodology for Wind Speed Sensors of Wind Farms Against Natural Weather Events | |
| Kurén et al. | Fault Detection AI For Solar Panels | |
| CN117613880A (zh) | 一种光伏新能源监管平台的告警方法及系统 | |
| CN118247902A (zh) | 一种基于大数据的大坝消防预警方法及消防系统 | |
| None | Bayesian Support Vector Machine (BSVM) |
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 |