CN117040438A - 柔性光伏支架的状态监控方法、装置及计算机设备 - Google Patents
柔性光伏支架的状态监控方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN117040438A CN117040438A CN202311040240.XA CN202311040240A CN117040438A CN 117040438 A CN117040438 A CN 117040438A CN 202311040240 A CN202311040240 A CN 202311040240A CN 117040438 A CN117040438 A CN 117040438A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- flexible photovoltaic
- feature
- monitoring data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000003066 decision tree Methods 0.000 claims abstract description 50
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 238000004140 cleaning Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000012806 monitoring device Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 39
- 238000005452 bending Methods 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 2
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000010248 power generation Methods 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S20/00—Supporting structures for PV modules
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种柔性光伏支架的状态监控方法、装置及计算机设备,方法包括采用预设的lora无线通信技术获取柔性光伏支架的第一监控数据;通过云端计算算法对所述第一监控数据进行异常数据检测、数据清洗和归一化处理,生成第二监控数据;将所述第二监控数据输入至预设的决策树模型,以通过所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果,通过在柔性光伏支架上安装无线传感器,然后进行数据传输及云存储、在AI技术的分析与诊断下发出监测报告,可以实现实时、准确、低成本和可拓展的柔性光伏支架状态监控,有助于提高光伏发电设备的运行稳定性与发电效率,降低维护成本。
Description
技术领域
本发明涉及云数据监控的技术领域,特别涉及一种柔性光伏支架的状态监控方法、装置及计算机设备。
背景技术
光伏发电在全球范围内日益受到关注,因其具有清洁、可再生和可持续的特点,成为主要的新能源之一。随着技术的发展,光伏发电设备需要更高的效率、稳定性和可靠性,以提高发电量同时降低维护成本。其中,柔性光伏支架在如屋顶、曲面等各种形状的装置上安装光伏板具有广泛的应用前景。支架的状态对设备的运行稳定性及发电效率影响巨大,故需要一种有效的柔性光伏支架状态监控方法。
技术背景中,目前市场上存在的柔性光伏支架状态监控方法多基于传感器与数据采集设备进行监控。在这一领域,最接近的技术有以下几种:
传感器监测法:通过在柔性光伏支架上安装加速度传感器、应变传感器等传感器设备,实时监测支架的弯曲变形、重量、角度等参数,计算得到支架状态数据。但这类技术在安装过程中存在损耗高、维护困难和对数据处理能力要求较高的问题。
图像处理法:采用摄像头对光伏支架进行定期拍摄,通过图像处理技术识别支架的变形和损坏。尽管此类监测方法具有较低的安装成本和对于不易触及区域的检查优势,然而,在实际应用中图像处理耗时较长,计算量大,并受环境的影响较大,诸如光线、湿度等都会影响到监测结果的准确性。
发明内容
本发明的主要目的为提供一种柔性光伏支架的状态监控方法、装置及计算机设备,通过在柔性光伏支架上安装无线传感器,然后进行数据传输及云存储、在AI技术的分析与诊断下发出监测报告,可以实现实时、准确、低成本和可拓展的柔性光伏支架状态监控,有助于提高光伏发电设备的运行稳定性与发电效率,降低维护成本。
为实现上述目的,本发明提供了一种柔性光伏支架的状态监控方法,包括以下步骤:
采用预设的lora无线通信技术获取柔性光伏支架的第一监控数据,所述第一监控数据为柔性光伏支架的弯曲角度以及电源供应的数据参数;
通过云端计算算法对所述第一监控数据进行异常数据检测、数据清洗和归一化处理,生成第二监控数据;
将所述第二监控数据输入至预设的决策树模型,以通过所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果。
进一步地,所述采用预设的lora无线通信技术获取柔性光伏支架的第一监控数据的步骤中,包括:
通过lora芯片与柔性光伏支架上待监控部位位置上的物联网模组进行连接,获取所述物联网模组传感识别到的第一监控数据,其中,所述物联网模组传感采集柔性光伏支架的数据方法为,
通过所述物联网模组中各个传感单元构建空间矩阵,并确定所述空间矩阵中各个传感单元的点位信息,再将各个所述点位信息与预设的点位进行匹配,以获取弯曲角度数据;
获取当前时间戳及对应的天气数据,根据所述弯曲角度数据结合当前时间戳和天气数据确定出柔性光伏支架的受光面积和受光转化率,生成受光数据;
将所述受光数据与预设的光电转化率做算法处理,生成电源供应数据;
收集所述弯曲角度数据、受光数据和电源供应数据由lora芯片进行lora无线通信输出。
进一步地,所述通过云端计算算法对所述第一监控数据进行异常数据检测、数据清洗和归一化处理,生成第二监控数据的步骤,包括:
采用Z-score数据异常检测算法识别所述第一监控数据中的异常点并进行标记;
对标记后的所述异常点进行数据清洗过程,以删除所述异常点包括的无效数据及数据缺失内容;
对所述数据清洗的第一监控数据中进行最小值归一化的处理,生成第二监控数据。
进一步地,所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果的步骤,包括:
根据历史数据训练的指标阈值区间对应的监控所述第二监控数据中的各个受监控指标,判断各个所述受监控指标是否位于指标阈值区间中,所述受监控指标包括但不限于是弯曲角度、受光程度和电源供应程度;
确定出位于指标阈值区间之外的一项或多项受监控指标并进行价值特征提取,生成价值化特征信息;
将各个所述价值化特征信息通过SVM进行向量化,生成具有量值的特征向量;
将各个所述特征向量输入至预训练的决策树模型中的softmax层中进行递归决策处理,一一对应的输出与各个所述特征向量对应的当前异常报告和潜在异常报告;
通过文本处理将所述当前异常报告和潜在异常报告进行整合,生成监控报告并输出。
进一步地,确定出位于指标阈值区间之外的一项或多项受监控指标并进行价值特征提取,生成价值化特征信息的步骤,包括:
识别出位于指标阈值区间之外的一项或多项受监控指标;
通过预设的因子信号,在位于指标阈值区间之外的受监控指标中确定出风控因子;
通过所述第二监控数据的实时内容对风控因子进行量度标注,得到价值化特征信息;
进一步地,将各个所述特征向量输入至预训练的决策树模型中的softmax层中进行递归决策处理,一一对应的输出与各个所述特征向量对应的当前异常报告和潜在异常报告的步骤,包括:
通过决策树模型自顶向下进行分类处理,从根节点开始,基于特征向量中的参数对数据进行分裂,所述决策树模型将递归地在对各个所述特征向量的内部节点进行划分,直至达到终止条件,形成与各个所述特征向量匹配的第一决策树;
在所述第一决策树的末端引入softmax层,将各个所述特征向量对应的决策结果转换为概率分布;
根据获得的概率分布,识别各个所述特征向量的异常类型,再从概率最高的异常类别中选择一个或多个异常类别作为当前异常报告的内容;对于概率较高但未超过指标阈值区间的异常类别,将其识别为潜在异常,以生成所述当前异常报告和潜在异常报告。
进一步地,将所述第二监控数据输入至预设的决策树模型,以通过所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果的步骤之后,包括:
将生成所述当前异常报告和潜在异常报告作为监控报告通过lora无线通信技术输出。
本发明还提出一种柔性光伏支架的状态监控装置,包括:
获取单元,用于采用预设的lora无线通信技术获取柔性光伏支架的第一监控数据,所述第一监控数据为柔性光伏支架的弯曲角度以及电源供应的数据参数;
计算单元,用于通过云端计算算法对所述第一监控数据进行异常数据检测、数据清洗和归一化处理,生成第二监控数据;
监控单元,用于将所述第二监控数据输入至预设的决策树模型,以通过所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果。
本发明还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述柔性光伏支架的状态监控方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的柔性光伏支架的状态监控方法的步骤。
本发明提供的柔性光伏支架的状态监控方法、装置及计算机设备具有以下有益效果:
(1)实时监控:通过lora无线通信技术与物联网模组实时获取光伏支架的监控数据,提高监控效率并降低数据延迟。
(2)异常检测和处理:通过云端计算算法对原始监控数据进行异常检测、数据清洗和归一化处理,提高数据准确性和可靠性。
(3)动态数据分析:通过决策树模型根据实时监控数据对光伏支架的状态进行分析和计算,实现异常定位与预测功能。
(4)自动异常报告:根据概率分布生成当前异常报告和潜在异常报告,提高故障排查效率。
(5)预防性维护:通过潜在异常报告,提前发现可能发生故障的情况,便于实施预防性维护,降低故障风险。
(6)提高能源利用效率:通过实时监控光伏支架的弯曲角度、受光程度和电源供应程度,有助于寻找最佳受光位置和运行状态,从而提高光电转化率和整体能源利用率。
(7)降低运维成本:实时监控和远程报警功能减少了人工巡检的需求,降低了维护成本。
附图说明
图1是本发明一实施例中柔性光伏支架的状态监控方法步骤示意图;
图2是本发明一实施例中柔性光伏支架的状态监控装置结构框图;
图3是本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1为本发明提出的柔性光伏支架的状态监控方法的流程示意图,包括以下步骤:
S1,采用预设的lora无线通信技术获取柔性光伏支架的第一监控数据,所述第一监控数据为柔性光伏支架的弯曲角度以及电源供应的数据参数;
S2,通过云端计算算法对所述第一监控数据进行异常数据检测、数据清洗和归一化处理,生成第二监控数据;
S3,将所述第二监控数据输入至预设的决策树模型,以通过所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果。
具体的,采用预设的LoRa无线通信技术从柔性光伏支架上获取第一监控数据。这些数据包括弯曲角度和电源供应的数据参数,用以了解光伏支架的实时状态以及光伏板的性能。第二步将通过云端计算对第一监控数据进行三个方面的处理:异常数据检测、数据清洗和归一化。这些处理可以消除数据中的噪音、异常点和无效数据,从而提高分析准确性。处理后生成的第二监控数据为规范化且可靠的数据。将第二监控数据输入预设的决策树模型,经过特征标定、特征提取、特征向量化和异常定位处理,输出监控结果。通过这一步骤,可以识别并定位光伏支架的异常状态,生成当前异常报告或潜在异常报告。这有助于及时发现并排除问题,提高光伏支架的运行效率和能源利用率。
在一个实施例中,所述采用预设的lora无线通信技术获取柔性光伏支架的第一监控数据的步骤中,包括:
通过lora芯片与柔性光伏支架上待监控部位位置上的物联网模组进行连接,获取所述物联网模组传感识别到的第一监控数据,其中,所述物联网模组传感采集柔性光伏支架的数据方法为,
通过所述物联网模组中各个传感单元构建空间矩阵,并确定所述空间矩阵中各个传感单元的点位信息,再将各个所述点位信息与预设的点位进行匹配,以获取弯曲角度数据;
获取当前时间戳及对应的天气数据,根据所述弯曲角度数据结合当前时间戳和天气数据确定出柔性光伏支架的受光面积和受光转化率,生成受光数据;
将所述受光数据与预设的光电转化率做算法处理,生成电源供应数据;
收集所述弯曲角度数据、受光数据和电源供应数据由lora芯片进行lora无线通信输出。
在具体实施时:LoRa芯片与柔性光伏支架上待监控部位的物联网模组进行连接。物联网模组通过各个传感单元采集光伏支架的数据。物联网模组中的各个传感单元构建空间矩阵,并确定各个传感单元的点位信息。然后将这些点位信息与预设的点位进行匹配,以获取弯曲角度数据。根据弯曲角度数据,结合当前时间戳和天气数据,确定柔性光伏支架的受光面积和受光转化率。生成受光数据。将受光数据与预设的光电转化率进行算法处理,生成电源供应数据。收集弯曲角度数据、受光数据和电源供应数据,并通过LoRa芯片进行LoRa无线通信输出。通过物联网模组和 LoRa 芯片获取柔性光伏支架的监控数据。该过程确保了数据的实时性、准确性和可靠性,有助于优化光伏支架的运行状态,提高能源利用效率。
在一个实施例中,所述通过云端计算算法对所述第一监控数据进行异常数据检测、数据清洗和归一化处理,生成第二监控数据的步骤,包括:
采用Z-score数据异常检测算法识别所述第一监控数据中的异常点并进行标记;
对标记后的所述异常点进行数据清洗过程,以删除所述异常点包括的无效数据及数据缺失内容;
对所述数据清洗的第一监控数据中进行最小值归一化的处理,生成第二监控数据。
在具体实施时,异常点检测和标记:采用Z-score数据异常检测算法识别第一监控数据中的异常点。Z-score方法基于数据分布的均值和标准差进行异常检测,它将每个数据点与整体数据集的均值进行比较,确定该数据点是否为异常点,并对异常点进行标记。数据清洗:对标记后的异常点进行数据清洗过程,删除异常点包括的无效数据和数据缺失内容。这一步有助于排除异常情况对后续分析和处理的影响,保证数据的准确性和可用性。归一化处理:对经过数据清洗的第一监控数据进行最小值归一化处理。归一化是将原始数据转换为一个公共的范围或尺度,使得数据在同一规模上进行比较和分析。最小值归一化是一种常用的归一化方法,它将数据集中的每个值减去数据集中的最小值,然后除以数据集中的最大值和最小值之差,得到一个新的在0到1之间的值。经过归一化处理后,生成第二监控数据。从第一监控数据中识别异常点并进行数据清洗和归一化处理,最终生成第二监控数据。这有助于提高数据分析的准确性和可靠性,为光伏支架状态监控奠定坚实基础。
在一个实施例中,所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果的步骤,包括:
根据历史数据训练的指标阈值区间对应的监控所述第二监控数据中的各个受监控指标,判断各个所述受监控指标是否位于指标阈值区间中,所述受监控指标包括但不限于是弯曲角度、受光程度和电源供应程度;
确定出位于指标阈值区间之外的一项或多项受监控指标并进行价值特征提取,生成价值化特征信息;
将各个所述价值化特征信息通过SVM进行向量化,生成具有量值的特征向量;
将各个所述特征向量输入至预训练的决策树模型中的softmax层中进行递归决策处理,一一对应的输出与各个所述特征向量对应的当前异常报告和潜在异常报告;
通过文本处理将所述当前异常报告和潜在异常报告进行整合,生成监控报告并输出。
在具体实施时,判断受监控指标:根据历史数据训练的指标阈值区间对第二监控数据中的受监控指标进行监控。判断各个受监控指标(如弯曲角度、受光程度和电源供应程度)是否位于指标阈值区间中。价值特征提取:确定出位于指标阈值区间之外的一项或多项受监控指标,并进行价值特征提取,生成价值化特征信息。SVM向量化:将各个价值化特征信息通过支持向量机(SVM)进行向量化,生成具有量值的特征向量。决策树处理:将各个特征向量输入至预训练的决策树模型中的softmax层进行递归决策处理。根据输入的特征向量,一一对应的输出与各个特征向量对应的当前异常报告和潜在异常报告。监控报告生成:通过文本处理将当前异常报告和潜在异常报告进行整合,生成监控报告并输出。从第二监控数据中提取有用信息,对异常进行定位与预测,并生成监控报告。这有助于及时发现并解决光伏支架的异常问题,提高运行效率和能源利用率。
在一个实施例中,确定出位于指标阈值区间之外的一项或多项受监控指标并进行价值特征提取,生成价值化特征信息的步骤,包括:
识别出位于指标阈值区间之外的一项或多项受监控指标;
通过预设的因子信号,在位于指标阈值区间之外的受监控指标中确定出风控因子;
通过所述第二监控数据的实时内容对风控因子进行量度标注,得到价值化特征信息。
在一个实施例中,将各个所述特征向量输入至预训练的决策树模型中的softmax层中进行递归决策处理,一一对应的输出与各个所述特征向量对应的当前异常报告和潜在异常报告的步骤,包括:
通过决策树模型自顶向下进行分类处理,从根节点开始,基于特征向量中的参数对数据进行分裂,所述决策树模型将递归地在对各个所述特征向量的内部节点进行划分,直至达到终止条件,形成与各个所述特征向量匹配的第一决策树;
在所述第一决策树的末端引入softmax层,将各个所述特征向量对应的决策结果转换为概率分布;
根据获得的概率分布,识别各个所述特征向量的异常类型,再从概率最高的异常类别中选择一个或多个异常类别作为当前异常报告的内容;对于概率较高但未超过指标阈值区间的异常类别,将其识别为潜在异常,以生成所述当前异常报告和潜在异常报告。
具体的,自顶向下分类处理:决策树模型从根节点开始对特征向量进行分类处理。基于特征向量中的参数,数据在内部节点被递归地分裂和划分,直至满足终止条件,生成与各个特征向量匹配的第一决策树。引入softmax层:在第一决策树的末端引入softmax层,将特征向量对应的决策结果转换为概率分布。softmax层的引入使模型能够输出每个异常类型的概率值。识别异常类型:根据获得的概率分布,对特征向量的异常类型进行识别。针对概率最高的异常类别,选择一个或多个异常类别作为当前异常报告的内容。生成异常报告和潜在异常报告:对于概率较高但未超过指标阈值区间的异常类别,将其识别为潜在异常。根据这些信息,生成当前异常报告和潜在异常报告。实现了对异常和潜在异常的识别与分类。这有助于有效地监控光伏支架的异常状态,提前发现问题,提高其运行效率和能源利用率。
进一步的,将所述第二监控数据输入至预设的决策树模型,以通过所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果的步骤之后,包括:
将生成所述当前异常报告和潜在异常报告作为监控报告通过lora无线通信技术输出。
本发明还提出一种柔性光伏支架的状态监控装置,包括:
获取单元1,用于采用预设的lora无线通信技术获取柔性光伏支架的第一监控数据,所述第一监控数据为柔性光伏支架的弯曲角度以及电源供应的数据参数;
计算单元2,用于通过云端计算算法对所述第一监控数据进行异常数据检测、数据清洗和归一化处理,生成第二监控数据;
监控单元3,用于将所述第二监控数据输入至预设的决策树模型,以通过所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果。
在本实施例中,上述装置实施例中的各个单元的具体实现,请参照上述方法实施例中所述,在此不再进行赘述。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储本实施例中对应的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本领域技术人员可以理解,图3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。
本发明一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
综上所述,采用预设的lora无线通信技术获取柔性光伏支架的第一监控数据,所述第一监控数据为柔性光伏支架的弯曲角度以及电源供应的数据参数;通过云端计算算法对所述第一监控数据进行异常数据检测、数据清洗和归一化处理,生成第二监控数据;将所述第二监控数据输入至预设的决策树模型,以通过所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果,通过在柔性光伏支架上安装无线传感器,然后进行数据传输及云存储、在AI技术的分析与诊断下发出监测报告,可以实现实时、准确、低成本和可拓展的柔性光伏支架状态监控,有助于提高光伏发电设备的运行稳定性与发电效率,降低维护成本。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的和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。非易失性存储器可以包括只读存储器(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通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、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等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种柔性光伏支架的状态监控方法,其特征在于,包括以下步骤:
采用预设的lora无线通信技术获取柔性光伏支架的第一监控数据,所述第一监控数据为柔性光伏支架的弯曲角度以及电源供应的数据参数;
通过云端计算算法对所述第一监控数据进行异常数据检测、数据清洗和归一化处理,生成第二监控数据;
将所述第二监控数据输入至预设的决策树模型,以通过所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果。
2.根据权利要求1所述的柔性光伏支架的状态监控方法,其特征在于,所述采用预设的lora无线通信技术获取柔性光伏支架的第一监控数据的步骤中,包括:
通过lora芯片与柔性光伏支架上待监控部位位置上的物联网模组进行连接,获取所述物联网模组传感识别到的第一监控数据,其中,所述物联网模组传感采集柔性光伏支架的数据方法为,
通过所述物联网模组中各个传感单元构建空间矩阵,并确定所述空间矩阵中各个传感单元的点位信息,再将各个所述点位信息与预设的点位进行匹配,以获取弯曲角度数据;
获取当前时间戳及对应的天气数据,根据所述弯曲角度数据结合当前时间戳和天气数据确定出柔性光伏支架的受光面积和受光转化率,生成受光数据;
将所述受光数据与预设的光电转化率做算法处理,生成电源供应数据;
收集所述弯曲角度数据、受光数据和电源供应数据由lora芯片进行lora无线通信输出。
3.根据权利要求2所述的柔性光伏支架的状态监控方法,其特征在于,所述通过云端计算算法对所述第一监控数据进行异常数据检测、数据清洗和归一化处理,生成第二监控数据的步骤,包括:
采用Z-score数据异常检测算法识别所述第一监控数据中的异常点并进行标记;
对标记后的所述异常点进行数据清洗过程,以删除所述异常点包括的无效数据及数据缺失内容;
对所述数据清洗的第一监控数据中进行最小值归一化的处理,生成第二监控数据。
4.根据权利要求1所述的柔性光伏支架的状态监控方法,其特征在于,所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果的步骤,包括:
根据历史数据训练的指标阈值区间对应的监控所述第二监控数据中的各个受监控指标,判断各个所述受监控指标是否位于指标阈值区间中,所述受监控指标包括但不限于是弯曲角度、受光程度和电源供应程度;
确定出位于指标阈值区间之外的一项或多项受监控指标并进行价值特征提取,生成价值化特征信息;
将各个所述价值化特征信息通过SVM进行向量化,生成具有量值的特征向量;
将各个所述特征向量输入至预训练的决策树模型中的softmax层中进行递归决策处理,一一对应的输出与各个所述特征向量对应的当前异常报告和潜在异常报告;
通过文本处理将所述当前异常报告和潜在异常报告进行整合,生成监控报告并输出。
5.根据权利要求4所述的柔性光伏支架的状态监控方法,其特征在于,确定出位于指标阈值区间之外的一项或多项受监控指标并进行价值特征提取,生成价值化特征信息的步骤,包括:
识别出位于指标阈值区间之外的一项或多项受监控指标;
通过预设的因子信号,在位于指标阈值区间之外的受监控指标中确定出风控因子;
通过所述第二监控数据的实时内容对风控因子进行量度标注,得到价值化特征信息。
6.根据权利要求4所述的柔性光伏支架的状态监控方法,其特征在于,将各个所述特征向量输入至预训练的决策树模型中的softmax层中进行递归决策处理,一一对应的输出与各个所述特征向量对应的当前异常报告和潜在异常报告的步骤,包括:
通过决策树模型自顶向下进行分类处理,从根节点开始,基于特征向量中的参数对数据进行分裂,所述决策树模型将递归地在对各个所述特征向量的内部节点进行划分,直至达到终止条件,形成与各个所述特征向量匹配的第一决策树;
在所述第一决策树的末端引入softmax层,将各个所述特征向量对应的决策结果转换为概率分布;
根据获得的概率分布,识别各个所述特征向量的异常类型,再从概率最高的异常类别中选择一个或多个异常类别作为当前异常报告的内容;对于概率较高但未超过指标阈值区间的异常类别,将其识别为潜在异常,以生成所述当前异常报告和潜在异常报告。
7.根据权利要求6所述的柔性光伏支架的状态监控方法,其特征在于,将所述第二监控数据输入至预设的决策树模型,以通过所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果的步骤之后,包括:
将生成所述当前异常报告和潜在异常报告作为监控报告通过lora无线通信技术输出。
8.一种柔性光伏支架的状态监控装置,其特征在于,包括:
获取单元,用于采用预设的lora无线通信技术获取柔性光伏支架的第一监控数据,所述第一监控数据为柔性光伏支架的弯曲角度以及电源供应的数据参数;
计算单元,用于通过云端计算算法对所述第一监控数据进行异常数据检测、数据清洗和归一化处理,生成第二监控数据;
监控单元,用于将所述第二监控数据输入至预设的决策树模型,以通过所述决策树模型对所述第二监控数据进行特征标定、特征提取、特征向量化和异常定位的处理过程,并输出监控结果。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述柔性光伏支架的状态监控方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的柔性光伏支架的状态监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040240.XA CN117040438A (zh) | 2023-08-18 | 2023-08-18 | 柔性光伏支架的状态监控方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040240.XA CN117040438A (zh) | 2023-08-18 | 2023-08-18 | 柔性光伏支架的状态监控方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117040438A true CN117040438A (zh) | 2023-11-10 |
Family
ID=88635139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311040240.XA Pending CN117040438A (zh) | 2023-08-18 | 2023-08-18 | 柔性光伏支架的状态监控方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117040438A (zh) |
-
2023
- 2023-08-18 CN CN202311040240.XA patent/CN117040438A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539550B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
CN113884961A (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
CN113093985B (zh) | 传感器数据链路异常检测方法、装置和计算机设备 | |
CN117074839B (zh) | 一种电磁阀故障诊断方法及系统 | |
CN116228670A (zh) | 基于Yolov5的光伏缺陷检测方法、装置、计算机设备及介质 | |
CN115908786A (zh) | 一种基于深度学习的电气柜接地线缆异常识别方法及系统 | |
CN117572837B (zh) | 一种智慧电厂ai主动运维方法及系统 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN117391534A (zh) | 施工质量的监测方法、装置、电子设备和存储介质 | |
CN117040438A (zh) | 柔性光伏支架的状态监控方法、装置及计算机设备 | |
CN116756505A (zh) | 一种基于大数据的光伏设备智能管理系统及方法 | |
CN110318953B (zh) | 风电机组电控系统的温度监控方法和设备 | |
CN116089843A (zh) | 一种基于数据聚类的新能源结算数据异常检测与预警方法 | |
CN114442704B (zh) | 一种基于大数据的智能电力生产监控方法及系统 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN114233581A (zh) | 一种风机机舱智能巡视报警系统 | |
CN117113261B (zh) | 一种电力物联网异常检测方法及系统 | |
CN116805435B (zh) | 一种数电机房智能巡检装置 | |
CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及系统 | |
CN115683504B (zh) | 基于多标签分类的桥梁加速度监测数据异常识别方法及系统 | |
CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 | |
CN117636249A (zh) | 少样本学习的虫情监控与识别方法、装置、设备及介质 | |
CN115935166A (zh) | 检测模型训练方法、装置及相关设备 | |
CN117708720A (zh) | 一种基于知识图谱的设备故障诊断系统 |
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 |