CN116823215B - 一种用于电站的智慧运维管控方法及系统 - Google Patents
一种用于电站的智慧运维管控方法及系统 Download PDFInfo
- Publication number
- CN116823215B CN116823215B CN202310697541.3A CN202310697541A CN116823215B CN 116823215 B CN116823215 B CN 116823215B CN 202310697541 A CN202310697541 A CN 202310697541A CN 116823215 B CN116823215 B CN 116823215B
- Authority
- CN
- China
- Prior art keywords
- fault
- photovoltaic
- information
- sample
- scale
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 139
- 238000010248 power generation Methods 0.000 claims abstract description 116
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000012163 sequencing technique Methods 0.000 claims abstract description 28
- 238000007726 management method Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001028 reflection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- G06Q10/20—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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种用于电站的智慧运维管控方法及系统,涉及数据处理技术领域,获取多个发电点发生多种规模故障的多个次数,计算多个故障频繁性信息,结合多个光伏规模信息输入运维频率分析模型内获得多个频率信息,检测多个发电点的多种特征信息,输入光伏设备故障检测模型获得多个检测结果,基于优先级排序进行检修管控,解决了现有技术对于电站的智慧运维管控方法灵活度不足,针对检测时间的把控不够精准,导致检测结果受限且对于故障检修管控效果与实际需求贴合度不足的技术问题,通过分析不同规模的故障次数与频繁性,精准把控运维检测时间,针对检测数据进行特征提取与建模分析,针对检修优先级进行适配管理,以最大化保障电站运维能效。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于电站的智慧运维管控方法及系统。
背景技术
随着能源的转型,光伏电站的发展规模日趋庞大,由于光伏发电区域广、分布较为分散且受天气影响较大,伴随着多发性故障因素,以影响光伏电站的正常运行管理。当前的电站运维主要通过人员值守与设备巡检结合进行判定,对于人员的专业能力与巡检设备的作业水平要求较高,针对存在的隐性故障排查困难较大,有待进行技术革新优化。
现有技术中,对于电站的智慧运维管控方法灵活度不足,针对检测时间的把控不够精准,导致检测结果受限、检测效率较低且对于故障检修管控效果与实际需求贴合度不足。
发明内容
本申请提供了一种用于电站的智慧运维管控方法及系统,用于针对解决现有技术中存在的对于电站的智慧运维管控方法灵活度不足,针对检测时间的把控不够精准,导致检测结果受限且对于故障检修管控效果与实际需求贴合度不足的技术问题。
鉴于上述问题,本申请提供了一种用于电站的智慧运维管控方法及系统。
第一方面,本申请提供了一种用于电站的智慧运维管控方法,所述方法包括:
获取所述多个发电点在过去预设历史时间范围内发生多种规模故障的多个次数,获得多个故障次数集合,并计算获得多个故障频繁性信息;
获取所述多个发电点内光伏设备的规模,获得多个光伏规模信息;
将所述多个光伏规模信息和所述多个故障频繁性信息输入运维频率分析模型内,获得对所述多个发电点进行运行维护的多个频率信息;
按照所述多个频率信息,通过预设在所述多个发电点处的检测装置,检测所述多个发电点的多种特征信息,获得当前检测获得的多个特征信息集合,其中,所述检测装置包括红外检测设备和电信号检测设备;
将所述多个特征信息集合输入光伏设备故障检测模型内,获得多个检测结果;
根据所述多个检测结果,在至少一个发电点出现光伏设备故障时,获得至少一个故障发电点的至少一个故障规模信息;
按照所述至少一个故障规模信息和对应的光伏规模信息进行排序计算,获得至少一个排序值,并按照至少一个排序值对至少一个故障发电点进行检修管控。
第二方面,本申请提供了一种用于电站的智慧运维管控系统,所述系统包括:
频繁性计算模块,所述频繁性计算模块用于获取所述多个发电点在过去预设历史时间范围内发生多种规模故障的多个次数,获得多个故障次数集合,并计算获得多个故障频繁性信息;
规模获取模块,规模获取模块用于获取所述多个发电点内光伏设备的规模,获得多个光伏规模信息;
频率分析模块,所述频率分析模块用于将所述多个光伏规模信息和所述多个故障频繁性信息输入运维频率分析模型内,获得对所述多个发电点进行运行维护的多个频率信息;
特征检测模块,所述特征检测模块用于按照所述多个频率信息,通过预设在所述多个发电点处的检测装置,检测所述多个发电点的多种特征信息,获得当前检测获得的多个特征信息集合,其中,所述检测装置包括红外检测设备和电信号检测设备;
故障检测模块,所述故障检测模块用于将所述多个特征信息集合输入光伏设备故障检测模型内,获得多个检测结果;
故障分析模块,所述故障分析模块用于根据所述多个检测结果,在至少一个发电点出现光伏设备故障时,获得至少一个故障发电点的至少一个故障规模信息;
检修管控模块,所述检修管控模块用于按照所述至少一个故障规模信息和对应的光伏规模信息进行排序计算,获得至少一个排序值,并按照至少一个排序值对至少一个故障发电点进行检修管控。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种用于电站的智慧运维管控方法,获取所述多个发电点在过去预设历史时间范围内发生多种规模故障的多个次数,基于多个故障次数集合计算获得多个故障频繁性信息;获取所述多个发电点内光伏设备的多个光伏规模信息,输入运维频率分析模型内获得对所述多个发电点进行运行维护的多个频率信息,通过预设在所述多个发电点处的检测装置,检测所述多个发电点的多种特征信息,获得当前检测获得的多个特征信息集合,输入光伏设备故障检测模型内获得多个检测结果,在至少一个发电点出现光伏设备故障时,获得至少一个故障发电点的至少一个故障规模信息,结合对应的光伏规模信息进行排序计算,获得至少一个排序值对至少一个故障发电点进行检修管控,解决了现有技术中对于电站的智慧运维管控方法灵活度不足,针对检测时间的把控不够精准,导致检测结果受限且对于故障检修管控效果与实际需求贴合度不足的技术问题,通过进行不同规模的故障次数与频繁性分析,精准把控运维检测时间,针对检测数据进行特征提取与建模分析,针对检修优先级进行适配管理,以最大化保障电站运维能效,提升电站运维效率和准确性。
附图说明
图1为本申请提供了一种用于电站的智慧运维管控方法流程示意图;
图2为本申请提供了一种用于电站的智慧运维管控方法中多个故障频繁性信息计算流程示意图;
图3为本申请提供了一种用于电站的智慧运维管控方法中多个特征信息集合获取流程示意图;
图4为本申请提供了一种用于电站的智慧运维管控系统结构示意图。
附图标记说明:频繁性计算模块11,规模获取模块12,频率分析模块13,特征检测模块14,故障检测模块15,故障分析模块16,检修管控模块17。
具体实施方式
本申请通过提供一种用于电站的智慧运维管控方法及系统,获取多个发电点发生多种规模故障的多个次数,计算多个故障频繁性信息,结合多个光伏规模信息输入运维频率分析模型内获得多个频率信息,检测多个发电点的多种特征信息,输入光伏设备故障检测模型获得多个检测结果,基于优先级排序进行检修管控,用于解决现有技术中存在的对于电站的智慧运维管控方法灵活度不足,针对检测时间的把控不够精准,导致检测结果受限且对于故障检修管控效果与实际需求贴合度不足的技术问题。
实施例一
如图1所示,本申请提供了一种用于电站的智慧运维管控方法,所述方法应用于包括多个发电点的分布式光伏发电站,所述方法包括:
步骤S100:获取所述多个发电点在过去预设历史时间范围内发生多种规模故障的多个次数,获得多个故障次数集合,并计算获得多个故障频繁性信息;
具体而言,随着能源的转型,光伏电站的发展规模日趋庞大,由于光伏发电区域广、分布较为分散且受天气影响较大,伴随着多发性故障因素,以影响光伏电站的正常运行管理。本申请提供的一种用于电站的智慧运维管控方法应用于多个发电点的分布式光伏发电站,分析故障频率进行监测判定,通过测温与检测信号反馈进行故障分析检测,针对检测结果进行检修优先性调整与管理。
具体的,所述多个发电点为待进行运维管理的目标发电点,所述预设历史时间范围为数据调用的界定时间区间,例如过去一年,基于所述预设历史时间范围,调用所述多个发电点的运维数据日志,进行数据剖析确定多种规模故障,基于此进行故障统计整合,确定不同规模故障存在的故障次数,对两者进行映射对应,作为所述多个故障次数集合。针对各发电点对应的故障次数集合进行权重配置,针对配置结果进行故障频繁性计算,确定所述多个故障频繁性信息,所述多个故障频繁性信息为进行运维频率分析的依据。
进一步而言,如图2所示,获取所述多个发电点在过去预设历史时间范围内发生多种规模故障的多个次数,获得多个故障次数集合,并计算获得多个故障频繁性信息,本申请步骤S100还包括:
步骤S110:根据所述多个发电点在所述预设历史时间范围内的运维数据,获取所述多个发电点发生多种规模故障的多个次数,并整合获得所述多个故障次数集合;
步骤S120:根据所述多种规模故障的规模大小进行权重分配,获得权重分配结果;
步骤S130:采用所述权重分配结果分别对所述多个故障次数集合内的多个次数进行加权计算,获得所述多个故障频繁性信息。
具体而言,将所述预设历史时间范围作为采集时段,优选的,选择与当前时间节点接壤的满足所述预设历史时间范围的时间区间,以保障数据时效性。针对所述多个发电点进行所述预设历史时间范围的运维数据调用,针对故障波及范围进行划级,确定多种规模故障,对所述运维数据进行故障规模匹配,确定满足各规模故障的故障次数,针对规模故障与故障次数进行对应整合,作为所述多个故障次数集合,所述多个故障次数集合与所述多个发电点一一对应。进一步的,将规模大小作为权重分配依据,随着规模递减,对应的配置权重同步递减,对所述多种规模故障进行权重分配,获取所述权重分配结果,其中,所述权重分配结果之和为1。基于所述权重分配结果,对所述多个故障次数集合进行赋权,针对任一故障次数集合,基于多种规模故障的故障次数与赋权结果进行加权计算,作为该发电点的故障频繁性信息,集成所述多个故障次数集合的加权计算结果,作为所述多个故障频繁性信息,可保障所述多个故障频繁性信息的数据精度,越大规模故障发生次数越多的发电点,故障频繁性信息越大。
步骤S200:获取所述多个发电点内光伏设备的规模,获得多个光伏规模信息;
具体而言,所述多个发电点内的光伏设备、各设备配置量等存在差异性,对应的发电点的单位发电量存在差异。对所述多个发电点的光伏设备进行采集,包括设备类型、规格、数量等基本数据,基于此进行光伏规模判定,例如将理想发电状态下的发电量大小作为光伏规模信息,所述理想发电状态下的发电量大小即光伏规模的表征数据,集成所述多个发电点的理想发电状态下的发电量大小,作为所述多个光伏规模信息,所述多个光伏规模信息为进行运维频率分析的依据,一般而言,光伏规模信息与运维频率成正比。
步骤S300:将所述多个光伏规模信息和所述多个故障频繁性信息输入运维频率分析模型内,获得对所述多个发电点进行运行维护的多个频率信息;
进一步而言,将所述多个光伏规模信息和所述多个故障频繁性信息输入运维频率分析模型内,获得对所述多个发电点进行运行维护的多个频率信息,本申请步骤S300还包括:
步骤S310:根据多个分布式光伏发电站的历史运维数据,获取样本光伏规模性信息集合以及样本故障频繁性信息集合;
步骤S320:根据所述样本光伏规模信息集合以及样本故障频繁性信息集合,计算获得平均光伏规模信息和平均故障频繁性信息;
步骤S330:根据所述样本光伏规模信息集合以及样本故障频繁性信息集合内的每组样本光伏规模信息和样本故障频繁性信息与所述平均光伏规模信息和平均故障频繁性信息的偏差程度,对预设维护频率进行调整,获得样本频率信息集合;
步骤S340:采用所述样本光伏规模信息集合、样本故障频繁性信息集合和样本频率信息集合作为构建数据,基于决策树,构建所述运维频率分析模型;
步骤S350:分别将所述多个光伏规模信息和所述多个故障频繁性信息组合,并输入运维频率分析模型内,获得所述多个频率信息。
进一步而言,采用所述样本光伏规模信息集合、样本故障频繁性信息集合和样本频率信息集合作为构建数据,基于决策树,构建所述运维频率分析模型,本申请步骤S340还包括:
步骤S341:基于光伏规模信息作为第一决策特征,以所述样本光伏规模信息集合作为构建数据,构建获得多层第一决策划分节点,每层第一决策划分节点可对输入的光伏规模信息进行二分类划分决策;
步骤S342:基于故障频繁性信息作为第二决策特征,以所述样本故障频繁性信息集合作为构建数据,构建获得多层第二决策划分节点;
步骤S343:连接所述多层第一决策划分节点内的顶层第一决策划分节点和多层第二决策划分节点内的底层第二决策划分节点,并获得连接后进行多层级划分的多个划分结果;
步骤S344:根据所述样本频率信息集合内的多个样本频率信息作为多个决策结果标记符,对所述多个划分结果进行标记,获得所述运维频率分析模型。
具体而言,调用所述多个分布式光伏电站的历史运维数据,将其作为参考可保障后续训练模型与电站运行的契合度。对所述历史运维数据进行数据识别提取,确定所述样本光伏规模性信息集合与所述样本故障频繁性信息集合,其中,两组数据映射对应。对所述样本光伏规模信息集合进行均值计算,将计算结果作为所述平均光伏规模信息;对所述样本故障频繁性信息集合进行均值计算,确定所述平均故障频繁性信息。进一步的,将符合所述平均光伏规模信息与所述平均故障频繁性信息的维护频率作为所述预设维护频率。基于数据的均值差进行同向频率调整,具体的,提取映射对应的每组样本光伏规模信息与样本故障频繁性信息,分别与所述平均光伏规模信息与所述平均故障频繁性信息进行差值比例计算,确定所述偏差程度,所述偏差程度带有正负号标识,用于表征偏差方向,基于所述偏差程度确定调整尺度,例如,若偏差程度皆为正向偏差,对所述预设维护频率进行上调,差值越高,上调频率越高,集成所述样本光伏规模信息与所述样本故障频繁性信息的频率调整结果,作为所述样本频率信息集合。进一步结合样本数据训练搭建所述运维频率分析模型。
具体的,基于所述样本光伏规模信息集合随机提取一数据,将其作为第一决策层的划分数据进行层级节点填入,可对所述样本光伏规模集合进行二分类,确定两组样本光伏规模信息集合,作为第二决策层,再次基于所述样本光伏规模信息集合随机提取一数据,将其作为第二决策层的划分数据进行层级节点填入,再次对两组样本光伏规模集合进行二分类,逐层进行层级决策划分,直至无法继续进行数据划分,对层级决策划分节点进行顺序衔接关联,作为所述多层第一决策划分节点,所述多层第一决策划分节点用于针对光伏规模进行决策归属。
同理,将所述故障频繁性信息作为第二决策特征,基于所述样本故障频繁性信息集合随机提取一数据,将其作为第一决策层的划分数据进行层级节点填入,执行所述样本故障频繁性信息集合的二分类,确定两组样本故障频繁性信息集合,再次随机基于所述样本故障频繁性信息随机提取一数据,作为第二决策层的决策划分数据,逐层执行决策划分,针对各决策层的决策划分节点进行层级顺序性衔接关联,作为所述多层第二决策划分节点,所述多层第一决策划分节点与所述多层第二决策划分节点的构建方式与执行逻辑相同,具体分析数据不同。
进一步的,将所述多层第一决策划分节点内的顶层第一决策划分节点与所述多层第二决策划分节点的底层第二决策划分节点进行连接,对所述多层第一决策划分节点与所述多层第二决策划分节点进行合并,并获取多层第一决策划分节点和多层第二决策划分节点进行多层决策划分后的光伏规模信息的多个区间和故障频繁性信息的多个区间的组合,作为所述多个划分结果。进一步的,所述样本光伏规模信息集合、所述样本故障频繁性信息集合和所述样本频率信息集合相对应,针对所述多个划分结果进行匹配,基于对应的样本频率信息对所述多个划分结果进行标记,作为构建完成的所述运维频率分析模型。
进一步的,对所述多个光伏规模信息与所述多个故障频繁性信息基于对应关系进行组合,进而输入所述运维频率分析模型中,分别进行层级决策归属,确定决策结果对应的标记样本频率信息并进行集成,作为所述多个频率信息。通过建模进行频率决策分析,以提高分析效率,保障所述多个频率信息的准确度与客观性。
步骤S400:按照所述多个频率信息,通过预设在所述多个发电点处的检测装置,检测所述多个发电点的多种特征信息,获得当前检测获得的多个特征信息集合,其中,所述检测装置包括红外检测设备和电信号检测设备;
进一步而言,如图3所示,按照所述多个频率信息,通过预设在所述多个发电点处的检测装置,检测所述多个发电点的多种特征信息,获得当前检测获得的多个特征信息集合,本申请步骤S400还包括:
步骤S410:按照所述多个频率信息,通过所述红外检测设备,检测所述多个发电点内光伏设备的温度,获得多个第一特征信息;
步骤S420:按照所述多个频率信息,通过所述电信号检测设备,检测所述多个发电点内光伏设备的反射信号,获得多个第二特征信息;
步骤S430:整合所述多个第一特征信息和所述多个第二特征信息,获得所述多个特征信息集合。
具体而言,基于所述多个频率信息确定待进行数据检测的时间节点,其中不同发电点、光伏设备等的检测时间并非一致。控制预设在所述多个发电点处的检测设备进行检测数据采集,基于采集数据进行特征提取集成,确定当前检测获得的多个特征信息集合。
具体的,所述多个频率信息为控制检测装置进行实时数据采集的频率,所述多个发电点处分别预设有检测装置,包括所述红外检测设备与所述电信号检测设备,具体预设位置依据发电点的发电设备布设实况进行确定。本申请实施例中,基于所述红外检测设备,例如红外成像仪,采集光伏设备工作时的红外图像并提取温度数据,将提取的所述多个发电点内光伏设备的温度,作为所述多个第一特征信息,主将检测分析光伏设备正常工作与故障工作时的温差,作为故障判据;基于所述电信号检测设备,所述多个发电点内光伏设备工作过程中,通过所述电信号检测设备向光伏电池组件中注入高频信号,基于时域反射法,针对所述电信号检测设备接收到的反射信号,基于信号的变化状态进行光伏阵列的故障检测与定位,将接收到的反射信号作为所述第二特征信息。所述第一特征信息与所述第二特征信息带有时间节点标识,基于归属光伏设备与同时序性对其进行整合,作为所述多个特征信息集合,所述多个特征信息集合为进行光伏设备故障检测的判定源数据。
步骤S500:将所述多个特征信息集合输入光伏设备故障检测模型内,获得多个检测结果;
进一步而言,所述多个特征信息集合输入光伏设备故障检测模型内,获得多个检测结果,本申请步骤S500还包括:
步骤S510:根据多个分布式光伏发电站的历史运维数据,获取多个样本特征信息集合,以及多个样本检测结果,每个样本检测结果内包括是否发生故障以及若发生故障的故障规模信息;
步骤S520:采用所述多个样本特征信息集合和所述多个样本检测结果作为构建数据,基于BP神经网络,构建并训练获得所述光伏设备故障检测模型;
步骤S530:将所述多个特征信息集合输入所述光伏设备故障检测模型内,获得所述多个检测结果。
具体而言,搭建所述光伏设备故障检测模型,即自检的进行检测信息故障分析的辅助性分析工具,将所述多个特征信息集合输入所述光伏设备故障检测模型中,输出所述多个检测结果。
具体的,将所述第一特征信息与所述第二特征信息对应的特征维度作为识别提取特征,对所述多个分布式光伏电站的历史运维数据进行特征识别,确定所述多个样本特征信息集合,针对各组样本特征信息进行故障判定,包括是否发生故障及若发生故障的故障规模信息,确定所述多个样本检测结果,上述样本数据可直接基于所述历史运维数据进行识别提取。所述多个样本特征信息与所述多个样本检测结果一一对应,将其作为构建数据,即多组映射对应的样本特征信息与样本检测结果,基于BP神经网络进行训练,获取构建完成的所述光伏设备故障检测模型。进一步将所述多个特征信息集合输入所述光伏设备故障检测模型内,将所述多个样本特征信息作为参考进行匹配,基于匹配结果将对应的样本检测结果作为输入数据的检测结果,集成所述多个特征信息的模型输出结果,作为所述多个检测结果。
步骤S600:根据所述多个检测结果,在至少一个发电点出现光伏设备故障时,获得至少一个故障发电点的至少一个故障规模信息;
步骤S700:按照所述至少一个故障规模信息和对应的光伏规模信息进行排序计算,获得至少一个排序值,并按照至少一个排序值对至少一个故障发电点进行检修管控。
进一步而言,按照所述至少一个故障规模信息和对应的光伏规模信息进行排序计算,获得至少一个排序值,并按照至少一个排序值对至少一个故障发电点进行检修管控,本申请步骤S700还包括:
步骤S710:按照所述至少一个故障规模信息的大小,进行权重分配,获得至少一个第一权重值;
步骤S720:按照所述至少一个故障发电点的光伏规模信息的大小,进行权重分配,获得至少一个第二权重值;
步骤S730:根据所述至少一个第一权重值和所述至少一个第二权重值,计算获得所述至少一个排序值。
具体而言,对所述多个检测结果进行识别,提取其中存在光伏设备故障的检测结果并确定对应的发电点,作为故障发电点,并确定所述故障发电点存在的至少一个故障规模信息。基于所述至少一个故障规模信息与对应的光伏规模信息进行综合评定,以进行故障检修优先级的排序,获取至少一个排序值,将所述至少一个排序值作为故障检修标准,进行所述至少一个故障发电点的检修管控。
具体的,确定权重分配标准,即规模大小与分配权重成正比,基于权重分配标准对所述至少一个故障规模信息进行权重分配,获取至少一个第一权重值,所述至少一个第一权重值之和为1;同理,将所述光伏规模大小作为权重分配依据,基于所述权重分配标准对所述至少一个故障发电点的光伏规模信息进行权重分配,获取所述至少一个第二权重值,所述至少一个第二权重值之和为1。所述至少一个第一权重值与所述至少一个第二权重值基于故障发电点相对应,确定同故障发电点对应的第一权重值与所述第二权重值,分别计算权重值乘积,确定多个综合权重值,将各个综合权重值占所述多个综合权重值之和的占比作为排序值,获取至少一个排序值,其中,排序值越高,对应的检修优先级越高,基于所述至少一个排序值对所述至少一个故障发电点进行检修管控,以根据检修需求进行最佳检修管理。
实施例二
基于与前述实施例中一种用于电站的智慧运维管控方法相同的发明构思,如图4所示,本申请提供了一种用于电站的智慧运维管控系统,所述系统包括:
频繁性计算模块11,所述频繁性计算模块11用于获取所述多个发电点在过去预设历史时间范围内发生多种规模故障的多个次数,获得多个故障次数集合,并计算获得多个故障频繁性信息;
规模获取模块12,规模获取模块12用于获取所述多个发电点内光伏设备的规模,获得多个光伏规模信息;
频率分析模块13,所述频率分析模块13用于将所述多个光伏规模信息和所述多个故障频繁性信息输入运维频率分析模型内,获得对所述多个发电点进行运行维护的多个频率信息;
特征检测模块14,所述特征检测模块14用于按照所述多个频率信息,通过预设在所述多个发电点处的检测装置,检测所述多个发电点的多种特征信息,获得当前检测获得的多个特征信息集合,其中,所述检测装置包括红外检测设备和电信号检测设备;
故障检测模块15,所述故障检测模块15用于将所述多个特征信息集合输入光伏设备故障检测模型内,获得多个检测结果;
故障分析模块16,所述故障分析模块16用于根据所述多个检测结果,在至少一个发电点出现光伏设备故障时,获得至少一个故障发电点的至少一个故障规模信息;
检修管控模块17,所述检修管控模块17用于按照所述至少一个故障规模信息和对应的光伏规模信息进行排序计算,获得至少一个排序值,并按照至少一个排序值对至少一个故障发电点进行检修管控。
进一步而言,所述系统还包括:
故障次数获取模块,所述故障次数获取模块用于根据所述多个发电点在所述预设历史时间范围内的运维数据,获取所述多个发电点发生多种规模故障的多个次数,并整合获得所述多个故障次数集合;
权重分配模块,所述权重分配模块用于根据所述多种规模故障的规模大小进行权重分配,获得权重分配结果;
频繁性计算模块,所述频繁性计算模块用于采用所述权重分配结果分别对所述多个故障次数集合内的多个次数进行加权计算,获得所述多个故障频繁性信息。
进一步而言,所述系统还包括:
样本获取模块,所述样本获取模块用于根据多个分布式光伏发电站的历史运维数据,获取样本光伏规模性信息集合以及样本故障频繁性信息集合;
均值计算模块,所述均值计算模块用于根据所述样本光伏规模信息集合以及样本故障频繁性信息集合,计算获得平均光伏规模信息和平均故障频繁性信息;
频率调整模块,所述频率调整模块用于根据所述样本光伏规模信息集合以及样本故障频繁性信息集合内的每组样本光伏规模信息和样本故障频繁性信息与所述平均光伏规模信息和平均故障频繁性信息的偏差程度,对预设维护频率进行调整,获得样本频率信息集合;
模型构建模块,所述模型构建模块用于采用所述样本光伏规模信息集合、样本故障频繁性信息集合和样本频率信息集合作为构建数据,基于决策树,构建所述运维频率分析模型;
模型分析模块,所述模型分析模块用于分别将所述多个光伏规模信息和所述多个故障频繁性信息组合,并输入运维频率分析模型内,获得所述多个频率信息。
进一步而言,所述系统还包括:
第一决策划分节点构建模块,所述第一决策划分节点构建模块用于基于光伏规模信息作为第一决策特征,以所述样本光伏规模信息集合作为构建数据,构建获得多层第一决策划分节点,每层第一决策划分节点可对输入的光伏规模信息进行二分类划分决策;
第二决策划分节点构建模块,所述第二决策划分节点构建模块用于基于故障频繁性信息作为第二决策特征,以所述样本故障频繁性信息集合作为构建数据,构建获得多层第二决策划分节点;
划分结果获取模块,所述划分结果获取模块用于连接所述多层第一决策划分节点内的顶层第一决策划分节点和多层第二决策划分节点内的底层第二决策划分节点,并获得连接后进行多层级划分的多个划分结果;
划分结果标记模块,所述划分结果标记模块用于根据所述样本频率信息集合内的多个样本频率信息作为多个决策结果标记符,对所述多个划分结果进行标记,获得所述运维频率分析模型。
进一步而言,所述系统还包括:
温度检测模块,所述温度检测模块用于按照所述多个频率信息,通过所述红外检测设备,检测所述多个发电点内光伏设备的温度,获得多个第一特征信息;
反射信号检测模块,所述反射信号检测模块用于按照所述多个频率信息,通过所述电信号检测设备,检测所述多个发电点内光伏设备的反射信号,获得多个第二特征信息;
特征整合模块,所述特征整合模块用于整合所述多个第一特征信息和所述多个第二特征信息,获得所述多个特征信息集合。
进一步而言,所述系统还包括:
样本信息获取模块,所述样本信息获取模块用于根据多个分布式光伏发电站的历史运维数据,获取多个样本特征信息集合,以及多个样本检测结果,每个样本检测结果内包括是否发生故障以及若发生故障的故障规模信息;
模型训练模块,所述模型训练模块用于采用所述多个样本特征信息集合和所述多个样本检测结果作为构建数据,基于BP神经网络,构建并训练获得所述光伏设备故障检测模型;
检测结果获取模块,所述检测结果获取模块用于将所述多个特征信息集合输入所述光伏设备故障检测模型内,获得所述多个检测结果。
进一步而言,所述系统还包括:
第一权重值获取模块,所述第一权重值获取模块用于按照所述至少一个故障规模信息的大小,进行权重分配,获得至少一个第一权重值;
第二权重值获取模块,所述第二权重值获取模块用于按照所述至少一个故障发电点的光伏规模信息的大小,进行权重分配,获得至少一个第二权重值;
排序值计算模块,所述排序值计算模块用于根据所述至少一个第一权重值和所述至少一个第二权重值,计算获得所述至少一个排序值。
本说明书通过前述对一种用于电站的智慧运维管控方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种用于电站的智慧运维管控方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种用于电站的智慧运维管控方法,其特征在于,所述方法应用于包括多个发电点的分布式光伏发电站,所述方法包括:
获取所述多个发电点在过去预设历史时间范围内发生多种规模故障的多个次数,获得多个故障次数集合,并计算获得多个故障频繁性信息;
获取所述多个发电点内光伏设备的规模,获得多个光伏规模信息;
将所述多个光伏规模信息和所述多个故障频繁性信息输入运维频率分析模型内,获得对所述多个发电点进行运行维护的多个频率信息;
按照所述多个频率信息,通过预设在所述多个发电点处的检测装置,检测所述多个发电点的多种特征信息,获得当前检测获得的多个特征信息集合,其中,所述检测装置包括红外检测设备和电信号检测设备;
将所述多个特征信息集合输入光伏设备故障检测模型内,获得多个检测结果;
根据所述多个检测结果,在至少一个发电点出现光伏设备故障时,获得至少一个故障发电点的至少一个故障规模信息;
按照所述至少一个故障规模信息和对应的光伏规模信息进行排序计算,获得至少一个排序值,并按照至少一个排序值对至少一个故障发电点进行检修管控;
其中,获取所述多个发电点在过去预设历史时间范围内发生多种规模故障的多个次数,获得多个故障次数集合,并计算获得多个故障频繁性信息,包括:
根据所述多个发电点在所述预设历史时间范围内的运维数据,获取所述多个发电点发生多种规模故障的多个次数,并整合获得所述多个故障次数集合;
根据所述多种规模故障的规模大小进行权重分配,获得权重分配结果;
采用所述权重分配结果分别对所述多个故障次数集合内的多个次数进行加权计算,获得所述多个故障频繁性信息;
其中,将所述多个光伏规模信息和所述多个故障频繁性信息输入运维频率分析模型内,获得对所述多个发电点进行运行维护的多个频率信息,包括:
根据多个分布式光伏发电站的历史运维数据,获取样本光伏规模性信息集合以及样本故障频繁性信息集合;
根据所述样本光伏规模信息集合以及样本故障频繁性信息集合,计算获得平均光伏规模信息和平均故障频繁性信息;
根据所述样本光伏规模信息集合以及样本故障频繁性信息集合内的每组样本光伏规模信息和样本故障频繁性信息与所述平均光伏规模信息和平均故障频繁性信息的偏差程度,对预设维护频率进行调整,获得样本频率信息集合;
采用所述样本光伏规模信息集合、样本故障频繁性信息集合和样本频率信息集合作为构建数据,基于决策树,构建所述运维频率分析模型;
分别将所述多个光伏规模信息和所述多个故障频繁性信息组合,并输入运维频率分析模型内,获得所述多个频率信息。
2.根据权利要求1所述的方法,其特征在于,采用所述样本光伏规模信息集合、样本故障频繁性信息集合和样本频率信息集合作为构建数据,基于决策树,构建所述运维频率分析模型,包括:
基于光伏规模信息作为第一决策特征,以所述样本光伏规模信息集合作为构建数据,构建获得多层第一决策划分节点,每层第一决策划分节点可对输入的光伏规模信息进行二分类划分决策;
基于故障频繁性信息作为第二决策特征,以所述样本故障频繁性信息集合作为构建数据,构建获得多层第二决策划分节点;
连接所述多层第一决策划分节点内的顶层第一决策划分节点和多层第二决策划分节点内的底层第二决策划分节点,并获得连接后进行多层级划分的多个划分结果;
根据所述样本频率信息集合内的多个样本频率信息作为多个决策结果标记符,对所述多个划分结果进行标记,获得所述运维频率分析模型。
3.根据权利要求1所述的方法,其特征在于,按照所述多个频率信息,通过预设在所述多个发电点处的检测装置,检测所述多个发电点的多种特征信息,获得当前检测获得的多个特征信息集合,包括:
按照所述多个频率信息,通过所述红外检测设备,检测所述多个发电点内光伏设备的温度,获得多个第一特征信息;
按照所述多个频率信息,通过所述电信号检测设备,检测所述多个发电点内光伏设备的反射信号,获得多个第二特征信息;
整合所述多个第一特征信息和所述多个第二特征信息,获得所述多个特征信息集合。
4.根据权利要求1所述的方法,其特征在于,所述多个特征信息集合输入光伏设备故障检测模型内,获得多个检测结果,包括:
根据多个分布式光伏发电站的历史运维数据,获取多个样本特征信息集合,以及多个样本检测结果,每个样本检测结果内包括是否发生故障以及若发生故障的故障规模信息;
采用所述多个样本特征信息集合和所述多个样本检测结果作为构建数据,基于BP神经网络,构建并训练获得所述光伏设备故障检测模型;
将所述多个特征信息集合输入所述光伏设备故障检测模型内,获得所述多个检测结果。
5.根据权利要求1所述的方法,其特征在于,按照所述至少一个故障规模信息和对应的光伏规模信息进行排序计算,获得至少一个排序值,并按照至少一个排序值对至少一个故障发电点进行检修管控,包括:
按照所述至少一个故障规模信息的大小,进行权重分配,获得至少一个第一权重值;
按照所述至少一个故障发电点的光伏规模信息的大小,进行权重分配,获得至少一个第二权重值;
根据所述至少一个第一权重值和所述至少一个第二权重值,计算获得所述至少一个排序值。
6.一种用于电站的智慧运维管控系统,其特征在于,所述系统包括:
频繁性计算模块,所述频繁性计算模块用于获取多个发电点在过去预设历史时间范围内发生多种规模故障的多个次数,获得多个故障次数集合,并计算获得多个故障频繁性信息;
规模获取模块,规模获取模块用于获取所述多个发电点内光伏设备的规模,获得多个光伏规模信息;
频率分析模块,所述频率分析模块用于将所述多个光伏规模信息和所述多个故障频繁性信息输入运维频率分析模型内,获得对所述多个发电点进行运行维护的多个频率信息;
特征检测模块,所述特征检测模块用于按照所述多个频率信息,通过预设在所述多个发电点处的检测装置,检测所述多个发电点的多种特征信息,获得当前检测获得的多个特征信息集合,其中,所述检测装置包括红外检测设备和电信号检测设备;
故障检测模块,所述故障检测模块用于将所述多个特征信息集合输入光伏设备故障检测模型内,获得多个检测结果;
故障分析模块,所述故障分析模块用于根据所述多个检测结果,在至少一个发电点出现光伏设备故障时,获得至少一个故障发电点的至少一个故障规模信息;
检修管控模块,所述检修管控模块用于按照所述至少一个故障规模信息和对应的光伏规模信息进行排序计算,获得至少一个排序值,并按照至少一个排序值对至少一个故障发电点进行检修管控;
其中,获取所述多个发电点在过去预设历史时间范围内发生多种规模故障的多个次数,获得多个故障次数集合,并计算获得多个故障频繁性信息,包括:
根据所述多个发电点在所述预设历史时间范围内的运维数据,获取所述多个发电点发生多种规模故障的多个次数,并整合获得所述多个故障次数集合;
根据所述多种规模故障的规模大小进行权重分配,获得权重分配结果;
采用所述权重分配结果分别对所述多个故障次数集合内的多个次数进行加权计算,获得所述多个故障频繁性信息;
其中,将所述多个光伏规模信息和所述多个故障频繁性信息输入运维频率分析模型内,获得对所述多个发电点进行运行维护的多个频率信息,包括:
根据多个分布式光伏发电站的历史运维数据,获取样本光伏规模性信息集合以及样本故障频繁性信息集合;
根据所述样本光伏规模信息集合以及样本故障频繁性信息集合,计算获得平均光伏规模信息和平均故障频繁性信息;
根据所述样本光伏规模信息集合以及样本故障频繁性信息集合内的每组样本光伏规模信息和样本故障频繁性信息与所述平均光伏规模信息和平均故障频繁性信息的偏差程度,对预设维护频率进行调整,获得样本频率信息集合;
采用所述样本光伏规模信息集合、样本故障频繁性信息集合和样本频率信息集合作为构建数据,基于决策树,构建所述运维频率分析模型;
分别将所述多个光伏规模信息和所述多个故障频繁性信息组合,并输入运维频率分析模型内,获得所述多个频率信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310697541.3A CN116823215B (zh) | 2023-06-13 | 2023-06-13 | 一种用于电站的智慧运维管控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310697541.3A CN116823215B (zh) | 2023-06-13 | 2023-06-13 | 一种用于电站的智慧运维管控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823215A CN116823215A (zh) | 2023-09-29 |
CN116823215B true CN116823215B (zh) | 2024-02-13 |
Family
ID=88126776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310697541.3A Active CN116823215B (zh) | 2023-06-13 | 2023-06-13 | 一种用于电站的智慧运维管控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823215B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472851A (zh) * | 2019-08-02 | 2019-11-19 | 国网上海市电力公司 | 一种基于神经网络的配电网风险隐患动态评价模型构建方法 |
CN113110177A (zh) * | 2021-04-15 | 2021-07-13 | 远景智能国际私人投资有限公司 | 光伏电站的监控方法、监控设备及监控系统 |
CN115421950A (zh) * | 2022-08-25 | 2022-12-02 | 广东博成网络科技有限公司 | 一种基于机器学习的自动化系统运维管理方法及系统 |
CN115459709A (zh) * | 2022-09-28 | 2022-12-09 | 江苏宁瑞惠能电气技术有限公司 | 一种光伏电站远程监控系统 |
-
2023
- 2023-06-13 CN CN202310697541.3A patent/CN116823215B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472851A (zh) * | 2019-08-02 | 2019-11-19 | 国网上海市电力公司 | 一种基于神经网络的配电网风险隐患动态评价模型构建方法 |
CN113110177A (zh) * | 2021-04-15 | 2021-07-13 | 远景智能国际私人投资有限公司 | 光伏电站的监控方法、监控设备及监控系统 |
CN115421950A (zh) * | 2022-08-25 | 2022-12-02 | 广东博成网络科技有限公司 | 一种基于机器学习的自动化系统运维管理方法及系统 |
CN115459709A (zh) * | 2022-09-28 | 2022-12-09 | 江苏宁瑞惠能电气技术有限公司 | 一种光伏电站远程监控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116823215A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115833400B (zh) | 一种变电站电力设备的监测预警方法及系统 | |
CN114640173B (zh) | 一种基于多特征量的变压器和发电机的预警模型 | |
CN106777984A (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 | |
CN106055918A (zh) | 一种电力系统负荷数据辨识及修复方法 | |
CN111754020A (zh) | 基于数据分析的智能电厂设备巡检系统及方法 | |
CN109034191A (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN116204842B (zh) | 一种电气设备的异常监测方法及系统 | |
CN115796372A (zh) | 一种基于scor的供应链管理优化方法及系统 | |
CN116224930B (zh) | 一种数控磨床产品的加工控制方法及系统 | |
CN117277958B (zh) | 一种基于大数据的光伏电站的智能运维管理方法及系统 | |
CN110046797A (zh) | 基于critic和理想点法的计量设备运行质量评估方法 | |
CN115329812A (zh) | 一种基于人工智能的道路基础设施异常监测方法 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
Ak et al. | Data analytics and uncertainty quantification for energy prediction in manufacturing | |
CN114089262A (zh) | 一种小电量智能电能表智能误差分析模型构建方法 | |
CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
CN117172620B (zh) | 一种基于参数化分析的建筑光伏潜力评估方法及系统 | |
CN114879619A (zh) | 数字车间能源优化方法及系统 | |
CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
CN116823215B (zh) | 一种用于电站的智慧运维管控方法及系统 | |
CN110766248B (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
CN115983796A (zh) | 一种输电线路施工进度监督预警方法及系统 | |
CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
CN112732773B (zh) | 一种继电保护缺陷数据的唯一性校核方法及系统 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |