CN117113036B - 基于能源管理系统的光伏设备分析方法及系统 - Google Patents

基于能源管理系统的光伏设备分析方法及系统 Download PDF

Info

Publication number
CN117113036B
CN117113036B CN202311359613.XA CN202311359613A CN117113036B CN 117113036 B CN117113036 B CN 117113036B CN 202311359613 A CN202311359613 A CN 202311359613A CN 117113036 B CN117113036 B CN 117113036B
Authority
CN
China
Prior art keywords
data
photovoltaic
sub
device operation
vector
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
CN202311359613.XA
Other languages
English (en)
Other versions
CN117113036A (zh
Inventor
于东志
韩秀娟
李玖鹏
李悦铭
张焕慈
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.)
China Tower Co ltd Jilin Branch
Original Assignee
China Tower Co ltd Jilin Branch
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 China Tower Co ltd Jilin Branch filed Critical China Tower Co ltd Jilin Branch
Priority to CN202311359613.XA priority Critical patent/CN117113036B/zh
Publication of CN117113036A publication Critical patent/CN117113036A/zh
Application granted granted Critical
Publication of CN117113036B publication Critical patent/CN117113036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提供的基于能源管理系统的光伏设备分析方法及系统，涉及人工智能技术领域。在本发明中，在目标光伏设备运行数据中，确定出第一数量个光伏设备运行子数据；在第二数量个数据模态的设备运行信息中，确定出第一设备运行信息，基于第一数量个光伏设备运行子数据各自对应的第一设备运行信息，确定出光伏电池关系图谱；基于各设备运行信息对应的光伏电池关系图谱，分别挖掘出目标光伏设备中的每一个光伏电池对应的融合设备运行向量；基于目标光伏设备中的每一个光伏电池对应的融合设备运行向量，确定出目标光伏设备的预估状态数据。基于上述内容，可以改善现有技术中存在的光伏设备状态分析的可靠度相对不高的问题。

Description

基于能源管理系统的光伏设备分析方法及系统
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于能源管理系统的光伏设备分析方法及系统。
背景技术
光伏组件（太阳能电池板）：由多个光伏电池组成的板状设备，负责将太阳辐射转化为直流电能。多个光伏电池的状态，表征着光伏组件（光伏设备）的状态，因此，在现有技术中，一般是分别将每一个光伏电池的运行参数（如电流、电压）与预设参数进行对比，如相应的状态数据，如此，就容易出现光伏设备状态分析的可靠度相对不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于能源管理系统的光伏设备分析方法及系统，以改善现有技术中存在的光伏设备状态分析的可靠度相对不高的问题。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于能源管理系统的光伏设备分析方法，包括：
在目标光伏设备运行数据中，确定出第一数量个光伏设备运行子数据，所述第一数量个光伏设备运行子数据包括第一光伏设备运行子数据，所述目标光伏设备运行数据包括第二数量个数据模态的设备运行信息，所述目标光伏设备运行数据通过对目标光伏设备进行监测形成，每一个所述光伏设备运行子数据用于反映所述目标光伏设备中的一个光伏电池的状态，每一个所述数据模态的设备运行信息用于反映在一个监测时间的状态；
在所述第二数量个数据模态的设备运行信息中，确定出第一设备运行信息，以及，基于所述第一数量个光伏设备运行子数据各自对应的第一设备运行信息，确定出所述目标光伏设备运行数据对应的光伏电池关系图谱；
基于各设备运行信息对应的光伏电池关系图谱，分别挖掘出所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量，所述融合设备运行向量属于所述光伏电池的各设备运行信息关联挖掘得到的候选设备运行向量的融合结果，用于反映所述光伏电池在各个监测时间下的状态语义；
基于所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量，确定出所述目标光伏设备的预估状态数据。
在一些优选的实施例中，在上述基于能源管理系统的光伏设备分析方法中，所述目标光伏设备运行数据包括第三数量个待定运行子数据，所述第三数量大于或等于所述第一数量；
所述在目标光伏设备运行数据中，确定出第一数量个光伏设备运行子数据的步骤，包括：
将所述第三数量个待定运行子数据进行预处理，以及，基于预处理后的待定运行子数据构建出原始子数据簇；
依据所述目标光伏设备运行数据对应的第一聚类指标参数，将所述原始子数据簇中的待定运行子数据进行聚类分析，形成对应的第四数量个数据聚类子簇，所述第四数量小于或等于所述第三数量；
在所述第四数量个数据聚类子簇中，确定出候选数据聚类子簇，以及，分析出所述候选数据聚类子簇中的每一个待定运行子数据的数据完整度，以及，在所述候选数据聚类子簇中，确定出具有最大数据完整度的待定运行子数据，并标记为光伏设备运行子数据，直到确定出所述第四数量个数据聚类子簇各自对应的光伏设备运行子数据；
在所述第四数量大于所述第一数量的时候，依据所述第四数量个光伏设备运行子数据中的每一个光伏设备运行子数据的数据完整度，在所述第四数量个光伏设备运行子数据中，确定出第一数量个光伏设备运行子数据。
在一些优选的实施例中，在上述基于能源管理系统的光伏设备分析方法中，所述将所述第三数量个待定运行子数据进行预处理，以及，基于预处理后的待定运行子数据构建出原始子数据簇的步骤，包括：
对于所述第三数量个待定运行子数据中的任意一个待定运行子数据，确定所述任意一个待定运行子数据包括的设备运行信息的数量是否达到所述第二数量；
在所述任意一个待定运行子数据包括的设备运行信息的数量达到所述第二数量的时候，将所述任意一个待定运行子数据，作为预处理后的待定运行子数据；
在所述任意一个待定运行子数据包括的设备运行信息的数量未达到所述第二数量的时候，确定所述任意一个待定运行子数据包括的设备运行信息的数量与所述第二数量之间的数量差值；
在所述数量差值大于或等于预先配置的参考差值的情况下，将所述任意一个待定运行子数据丢弃，不作为预处理后的待定运行子数据；
在所述数量差值小于所述参考差值的情况下，确定出所述任意一个待定运行子数据缺失的设备运行信息，并基于其它待定运行子数据中与所述缺失的设备运行信息具有相同数据模态的设备运行信息，对所述缺失的设备运行信息进行补充处理，形成补充后的设备运行信息，以及，基于所述任意一个待定运行子数据和所述补充后的设备运行信息，得到相应的预处理后的待定运行子数据。
在一些优选的实施例中，在上述基于能源管理系统的光伏设备分析方法中，所述基于各设备运行信息对应的光伏电池关系图谱，分别挖掘出所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量的步骤，包括：
将所述光伏电池关系图谱进行图编码，输出所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量，所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量是利用关系图谱分析网络中的第一编码单元，将所述光伏电池关系图谱进行图编码以形成，所述关系图谱分析网络还包括第二编码单元；
在输出所述第一光伏设备运行子数据在所述第二数量个设备运行信息下各自对应的设备运行向量之后，将第二数量个设备运行向量加载到所述第二编码单元中，所述第二数量个设备运行向量包括第一设备运行信息对应的第一设备运行向量，所述第一设备运行信息属于所述第二数量个设备运行信息中的任意一个设备运行信息；
依据所述第二编码单元中的编码参数和所述第一设备运行向量，分析出所述第一设备运行向量对应的第一融合参数，所述第一融合参数用于反映所述第一设备运行向量在融合的过程中的重要性；
对所述第一设备运行向量和所述第一融合参数进行相乘运算，输出所述第一设备运行信息对应的候选设备运行向量；
在输出第二数量个设备运行信息各自对应的候选设备运行向量之后，将第二数量个候选设备运行向量进行融合处理，输出所述第一光伏设备运行子数据对应的第一融合设备运行向量。
在一些优选的实施例中，在上述基于能源管理系统的光伏设备分析方法中，所述将所述光伏电池关系图谱进行图编码，输出所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量的步骤，包括：
确定出所述光伏电池关系图谱中的每一个图谱成员对应的第一图谱成员向量，所述第一图谱成员向量基于所述图谱成员对应的设备运行信息的嵌入向量确定；
将所述光伏电池关系图谱中所述第一光伏设备运行子数据对应的图谱成员标记为待处理图谱成员，以及，确定出所述待处理图谱成员的关联图谱成员簇，所述关联图谱成员簇包括第五数量个关联图谱成员；
将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，形成所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量。
在一些优选的实施例中，在上述基于能源管理系统的光伏设备分析方法中，所述将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，形成所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量的步骤，包括：
提取到关系图谱分析网络，所述关系图谱分析网络包括所述光伏电池关系图谱对应的第一编码单元，所述第一编码单元包括第六数量个编码子单元，所述第六数量个编码子单元包括目标编码子单元，所述目标编码子单元属于所述第六数量个编码子单元中的任意一个编码子单元；
利用所述目标编码子单元的子单元编码参数，将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，输出所述待处理图谱成员在所述目标编码子单元的局部编码设备运行向量；
在输出第六数量个局部编码设备运行向量之后，将所述第六数量个局部编码设备运行向量进行级联组合，输出所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量。
在一些优选的实施例中，在上述基于能源管理系统的光伏设备分析方法中，所述第五数量个关联图谱成员包括目标关联图谱成员，所述目标关联图谱成员属于所述第五数量个关联图谱成员中的任意一个关联图谱成员；
所述利用所述目标编码子单元的子单元编码参数，将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，输出所述待处理图谱成员在所述目标编码子单元的局部编码设备运行向量的步骤，包括：
依据所述待处理图谱成员的第一图谱成员向量、所述第五数量个关联图谱成员各自的第一图谱成员向量和所述目标编码子单元的子单元编码参数，将所述待处理图谱成员和所述目标关联图谱成员进行关联性挖掘，输出所述目标编码子单元对应的目标关联性参数，所述目标关联性参数用于反映所述目标关联图谱成员与所述待处理图谱成员之间的关联关系；
对所述目标关联性参数、所述目标关联图谱成员的第一图谱成员向量和所述目标编码子单元的子单元编码参数进行相乘运算，输出所述目标关联图谱成员对应的关联图谱成员向量；
在输出第五数量个关联图谱成员各自对应的关联图谱成员向量之后，将第五数量个关联图谱成员向量进行融合，输出所述待处理图谱成员在所述目标编码子单元的局部编码设备运行向量。
在一些优选的实施例中，在上述基于能源管理系统的光伏设备分析方法中，所述依据所述第二编码单元中的编码参数和所述第一设备运行向量，分析出所述第一设备运行向量对应的第一融合参数的步骤，包括：
依据所述第二编码单元中的编码参数包括的线性映射参数，对所述第一设备运行向量进行线性映射，输出对应的第一线性设备运行向量，以及，对所述第一线性设备运行向量进行激活处理，输出第一激活向量；其中，所述第二编码单元中的编码参数在所述第二编码单元的网络训练中形成；
将所述第二编码单元中的编码参数包括的注意力向量进行转置处理，输出对应的转置注意力向量；
对所述转置注意力向量和所述第一激活向量进行相乘运算，并将相乘运算的结果进行归一化处理，得到所述第一设备运行向量对应的第一融合参数。
在一些优选的实施例中，在上述基于能源管理系统的光伏设备分析方法中，所述基于所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量，确定出所述目标光伏设备的预估状态数据的步骤，包括：
在输出每一个光伏设备运行子数据对应的融合设备运行向量之后，将每一个光伏设备运行子数据对应的融合设备运行向量进行融合，输出所述目标光伏设备运行数据对应的目标设备运行向量，以及，基于所述目标设备运行向量，分析出所述目标光伏设备的预估状态数据；或者
分别依据每一个所述光伏设备运行子数据对应的融合设备运行向量，分析出每一个所述光伏设备运行子数据对应的光伏电池的预估状态数据，以及，基于所述目标光伏设备中的每一个光伏电池的预估状态数据，确定出所述目标光伏设备的预估状态数据。
本发明实施例还提供一种光伏设备分析系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于能源管理系统的光伏设备分析方法。
本发明实施例提供的基于能源管理系统的光伏设备分析方法及系统，可以在目标光伏设备运行数据中，确定出第一数量个光伏设备运行子数据；在第二数量个数据模态的设备运行信息中，确定出第一设备运行信息，基于第一数量个光伏设备运行子数据各自对应的第一设备运行信息，确定出光伏电池关系图谱；基于各设备运行信息对应的光伏电池关系图谱，分别挖掘出目标光伏设备中的每一个光伏电池对应的融合设备运行向量；基于目标光伏设备中的每一个光伏电池对应的融合设备运行向量，确定出目标光伏设备的预估状态数据。基于前述的内容，由于会基于设备运行信息确定出光伏电池关系图谱，使得可以基于设备运行信息关联挖掘得到候选设备运行向量，从而可以融合形成反映光伏电池在各个监测时间下的状态语义的融合设备运行向量，因此，可以使得融合设备运行向量的语义表征能力更佳，使得基于融合设备运行向量得到的预估状态数据的可靠度更高，进而改善现有技术中存在的光伏设备状态分析的可靠度相对不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的光伏设备分析系统的结构框图。
图2为本发明实施例提供的基于能源管理系统的光伏设备分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于能源管理系统的光伏设备分析装置包括的各模块的示意图。
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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
如图1所示，本发明实施例提供了一种光伏设备分析系统。其中，所述光伏设备分析系统可以包括存储器和处理器。
举例来说，在一种实施方式中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于能源管理系统的光伏设备分析方法。
举例来说，在一种实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
举例来说，在一种实施方式中，所述光伏设备分析系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种基于能源管理系统的光伏设备分析方法，可应用于上述光伏设备分析系统。其中，所述基于能源管理系统的光伏设备分析方法有关的流程所定义的方法步骤，可以由所述光伏设备分析系统实现。下面将对图2所示的具体流程，进行详细阐述。
步骤S110，在目标光伏设备运行数据中，确定出第一数量个光伏设备运行子数据。
在本发明实施例中，所述光伏设备分析系统可以在目标光伏设备运行数据中，确定出第一数量个光伏设备运行子数据。所述第一数量个光伏设备运行子数据包括第一光伏设备运行子数据，所述目标光伏设备运行数据包括第二数量个数据模态的设备运行信息，所述目标光伏设备运行数据通过对目标光伏设备进行监测形成，每一个所述光伏设备运行子数据用于反映所述目标光伏设备中的一个光伏电池的状态，每一个所述数据模态的设备运行信息用于反映在一个监测时间的状态。示例性地，所述目标光伏设备运行数据可以从相应的能源管理系统后台获取，所述能源管理系统后台可以通信连接有各个光伏电池的监测器件，用于获取监测器件监测得到的数据，从而形成所述目标光伏设备运行数据。举例来说，目标光伏设备可以包括5个光伏电池，如光伏电池1、光伏电池2、光伏电池3、光伏电池4和光伏电池5，相应的，所述目标光伏设备运行数据可以包括5个光伏设备运行子数据，如光伏电池1对应的光伏设备运行子数据1、光伏电池2对应的光伏设备运行子数据2、光伏电池3对应的光伏设备运行子数据3、光伏电池4对应的光伏设备运行子数据4、光伏电池5对应的光伏设备运行子数据5，监测时间具有两个，即具有2个数据模态的设备运行信息，如光伏设备运行子数据1包括监测时间1对应的设备运行信息1、监测时间2对应的设备运行信息2，光伏设备运行子数据2包括监测时间1对应的设备运行信息3、监测时间2对应的设备运行信息4，光伏设备运行子数据3包括监测时间1对应的设备运行信息5、监测时间2对应的设备运行信息6，光伏设备运行子数据4包括监测时间1对应的设备运行信息7、监测时间2对应的设备运行信息8，光伏设备运行子数据5包括监测时间1对应的设备运行信息9、监测时间2对应的设备运行信息10。另外，所述设备运行信息可以为电流、电压、温度、湿度、光照强度、绝缘电阻、光伏电池的倾斜角度和朝向、光伏电池的覆盖物的反射率等。
步骤S120，在所述第二数量个数据模态的设备运行信息中，确定出第一设备运行信息，以及，基于所述第一数量个光伏设备运行子数据各自对应的第一设备运行信息，确定出所述目标光伏设备运行数据对应的光伏电池关系图谱。
在本发明实施例中，所述光伏设备分析系统可以在所述第二数量个数据模态的设备运行信息中，确定出第一设备运行信息，以及，基于所述第一数量个光伏设备运行子数据各自对应的第一设备运行信息，确定出所述目标光伏设备运行数据对应的光伏电池关系图谱。示例性地，可以基于监测时间1对应的设备运行信息1、设备运行信息3、设备运行信息5、设备运行信息7和设备运行信息9，构建出光伏电池关系图谱1，可以基于监测时间2对应的设备运行信息2、设备运行信息4、设备运行信息6、设备运行信息8和设备运行信息10，构建出光伏电池关系图谱2。
步骤S130，基于各设备运行信息对应的光伏电池关系图谱，分别挖掘出所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量。
在本发明实施例中，所述光伏设备分析系统可以基于各设备运行信息对应的光伏电池关系图谱，分别挖掘出所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量。所述融合设备运行向量属于所述光伏电池的各设备运行信息关联挖掘得到的候选设备运行向量的融合结果，用于反映所述光伏电池在各个监测时间下的状态语义。示例性地，可以基于光伏电池关系图谱1关联挖掘出候选设备运行向量1，基于光伏电池关系图谱2关联挖掘出候选设备运行向量2，将候选设备运行向量1和候选设备运行向量2进行融合，得到相应的融合设备运行向量。
步骤S140，基于所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量，确定出所述目标光伏设备的预估状态数据。
在本发明实施例中，所述光伏设备分析系统可以基于所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量，确定出所述目标光伏设备的预估状态数据，所述预估状态数据可以用于反映所述目标光伏设备是否存在异常（具体的异常类型不受限制，或者，也可以对异常类型进行预估，只要在相应的神经网络的训练过程中，标签数据具有相应的异常类型即可，如光伏电池内部损坏、接触问题）。
基于前述的内容，由于会基于设备运行信息确定出光伏电池关系图谱，使得可以基于设备运行信息关联挖掘得到候选设备运行向量，从而可以融合形成反映光伏电池在各个监测时间下的状态语义的融合设备运行向量，因此，可以使得融合设备运行向量的语义表征能力更佳，使得基于融合设备运行向量得到的预估状态数据的可靠度更高，进而改善现有技术中存在的光伏设备状态分析的可靠度相对不高的问题。
举例来说，对于监测时间1：光伏电池1的电流：3.5 A；光伏电池2的电流：4.2 A；光伏电池3的电流：3.8 A；光伏电池4的电流：4.0 A；光伏电池5的电流：3.6 A；光伏电池1的电压：0.55 V；光伏电池2的电压：0.50 V；光伏电池3的电压：0.65 V；光伏电池4的电压：0.70V；光伏电池5的电压：0.55 V；光伏电池1的温度：45°C；光伏电池2的温度：42°C；光伏电池3的温度：48°C；光伏电池4的温度：40°C；光伏电池5的温度：43°C；光伏电池1的湿度：61%；光伏电池2的湿度：62%；光伏电池3的湿度：62%；光伏电池4的湿度：62%；光伏电池5的湿度：60%；光伏电池1的光照强度：800 W/m²；光伏电池2的光照强度：790 W/m²；光伏电池3的光照强度：799 W/m²；光伏电池4的光照强度：798 W/m²；光伏电池5的光照强度：790 W/m²；光伏电池1的绝缘电阻：10 MΩ；光伏电池2的绝缘电阻：12 MΩ；光伏电池3的绝缘电阻：9 MΩ；光伏电池4的绝缘电阻：11 MΩ；光伏电池5的绝缘电阻：10.5 MΩ；光伏电池1的倾斜角度：30°；光伏电池2的倾斜角度：30°；光伏电池3的倾斜角度：31°；光伏电池4的倾斜角度：31°；光伏电池5的倾斜角度：30°；光伏电池1的覆盖物反射率：15%；光伏电池2的覆盖物反射率：15%；光伏电池3的覆盖物反射率：16%；光伏电池4的覆盖物反射率：16%；光伏电池5的覆盖物反射率：16%。
也就是说，光伏电池1的一个数据模态的设备运行信息可以为“电流：3.5 A，电压：0.55 V，温度：45°C，湿度：61%，光照强度：800 W/m²，绝缘电阻：10 MΩ，倾斜角度：30°，覆盖物反射率：15%”。
举例来说，对于监测时间2：光伏电池1的电流：3.6A；光伏电池2的电流：4.2 A；光伏电池3的电流：3.9 A；光伏电池4的电流：4.1 A；光伏电池5的电流：3.6 A；光伏电池1的电压：0.50 V；光伏电池2的电压：0.53 V；光伏电池3的电压：0.62 V；光伏电池4的电压：0.50V；光伏电池5的电压：0.55 V；光伏电池1的温度：42°C；光伏电池2的温度：46°C；光伏电池3的温度：47°C；光伏电池4的温度：41°C；光伏电池5的温度：43°C；光伏电池1的湿度：60%；光伏电池2的湿度：61%；光伏电池3的湿度：61%；光伏电池4的湿度：61%；光伏电池5的湿度：61%；光伏电池1的光照强度：790 W/m²；光伏电池2的光照强度：796 W/m²；光伏电池3的光照强度：789 W/m²；光伏电池4的光照强度：790 W/m²；光伏电池5的光照强度：790 W/m²；光伏电池1的绝缘电阻：10 MΩ；光伏电池2的绝缘电阻：12 MΩ；光伏电池3的绝缘电阻：9 MΩ；光伏电池4的绝缘电阻：11 MΩ；光伏电池5的绝缘电阻：10.5 MΩ；光伏电池1的倾斜角度：30°；光伏电池2的倾斜角度：30°；光伏电池3的倾斜角度：31°；光伏电池4的倾斜角度：31°；光伏电池5的倾斜角度：30°；光伏电池1的覆盖物反射率：16%；光伏电池2的覆盖物反射率：15%；光伏电池3的覆盖物反射率：16%；光伏电池4的覆盖物反射率：16%；光伏电池5的覆盖物反射率：16%。
也就是说，光伏电池1的一个数据模态的设备运行信息可以为“电流：3.6A，电压：0.50 V，的温度：42°C，湿度：60%，光照强度：790 W/m²，绝缘电阻：10 MΩ，倾斜角度：30°，覆盖物反射率：16%”
可以理解的是，以上数据仅是一种示例，在实际应用中，可以包括更多的监测指标和更多的监测时间点。
举例来说，在一种实施方式中，所述目标光伏设备运行数据包括第三数量个待定运行子数据，所述第三数量大于或等于所述第一数量，基于此，上述的步骤S110，可以包括：
将所述第三数量个待定运行子数据进行预处理，以及，基于预处理后的待定运行子数据构建出原始子数据簇，也就是说，所述原始子数据簇包括各预处理后的待定运行子数据；示例性地，可以直接将所述第三数量个待定运行子数据作为预处理后的待定运行子数据，即所述原始子数据簇中包括第三数量个预处理后的待定运行子数据，所述第三数量个预处理后的待定运行子数据可以是指所述目标光伏设备中的每一个光伏电池对应的数据，也可以是指所述目标光伏设备中的各光伏电池对应的数据中的一部分；
依据所述目标光伏设备运行数据对应的第一聚类指标参数，将所述原始子数据簇中的待定运行子数据进行聚类分析，形成对应的第四数量个数据聚类子簇，所述第四数量小于或等于所述第三数量，所述第一聚类指标参数可以等于所述第四数量；
在所述第四数量个数据聚类子簇中，确定出候选数据聚类子簇，以及，分析出所述候选数据聚类子簇中的每一个待定运行子数据的数据完整度，以及，在所述候选数据聚类子簇中，确定出具有最大数据完整度的待定运行子数据，并标记为光伏设备运行子数据，直到确定出所述第四数量个数据聚类子簇各自对应的光伏设备运行子数据（也就是说，可以依次或并行地，将所述第四数量个数据聚类子簇中的每一个数据聚类子簇作为候选数据聚类子簇）；示例性地，所述数据完整度可以是指包括的设备运行信息的完整度，如总共的监测时间有5个，某一个待定运行子数据只有3个监测时间对应的设备运行信息，数据完整度为60%；其中，如果预处理的时候，经过后文所述的补充处理，可以不统计补充后的设备运行信息；
在所述第四数量大于所述第一数量的时候，依据所述第四数量个光伏设备运行子数据中的每一个光伏设备运行子数据的数据完整度，在所述第四数量个光伏设备运行子数据中，确定出第一数量个光伏设备运行子数据；示例性地，可以在所述第四数量个光伏设备运行子数据中，将数据完整度最大的第一数量个光伏设备运行子数据筛选出。
举例来说，所述原始子数据簇中的待定运行子数据可以包括7个待定运行子数据，如光伏电池1对应的待定运行子数据1、光伏电池2对应的待定运行子数据2、光伏电池3对应的待定运行子数据3、光伏电池4对应的待定运行子数据4、光伏电池5对应的光待定运行子数据5、光伏电池6对应的待定运行子数据6、光伏电池7对应的待定运行子数据7。需要聚类形成6个数据聚类子簇，以下是将7个待定运行子数据进行聚类，以形成6个数据聚类子簇的并采用均值聚类算法处理过程：
假设7个待定运行子数据：D1, D2, D3, D4, D5, D6, 和 D7。选择簇数量（K）为6，表示希望形成6个数据聚类子簇。初始化聚类中心：随机选择6个数据点作为初始的聚类中心。假设选择了 D1, D3, D5, D2, D6 和 D7 作为初始聚类中心。分配数据点到最近的聚类中心：计算每个数据点与聚类中心之间的距离（如数据之间的文本相似度或其它相似度），并将其分配给距离最近的聚类中心。根据距离计算，可能的分配结果如下：
簇1: D1, D2；簇2: D3；簇3: D4；簇4: D5；簇5: D6；簇6: D7；
更新聚类中心：对于每个簇，计算该簇内所有数据点的均值（均值可以是参数的均值），得到新的聚类中心。更新后的聚类中心可能是：
簇1: (D1 + D2) / 2；簇2: D3；簇3: D4；簇4: D5；簇5: D6；簇6: D7；
重新分配数据点和更新聚类中心：根据新的聚类中心，重新分配数据点到最近的聚类中心，并更新聚类中心。这是一个迭代过程，直到满足停止条件。假设在迭代过程中，簇分配结果不再改变，得到最终的聚类结果：
簇1: D1, D2；簇2: D3；簇3: D4；簇4: D5；簇5: D6；簇6: D7。
然后，可以在D1, D2中确定出一个数据完整度最大的一个，作为光伏设备运行子数据，如D1。如此，可以得到6个光伏设备运行子数据，即D1, D3, D4, D5, D6和 D7，然后，可以在D1, D3, D4, D5, D6和 D7这6个光伏设备运行子数据中，确定出数据完整度最大的5个光伏设备运行子数据筛选出，如D1, D3, D4, D6和 D7。
举例来说，在一种实施方式中，所述将所述第三数量个待定运行子数据进行预处理，以及，基于预处理后的待定运行子数据构建出原始子数据簇的步骤，可以包括：
对于所述第三数量个待定运行子数据中的任意一个待定运行子数据（每一个待定运行子数据的处理过程相同），确定所述任意一个待定运行子数据包括的设备运行信息的数量是否达到所述第二数量；
在所述任意一个待定运行子数据包括的设备运行信息的数量达到所述第二数量的时候，将所述任意一个待定运行子数据，作为预处理后的待定运行子数据，即具有各个监测时间对应的设备运行信息；
在所述任意一个待定运行子数据包括的设备运行信息的数量未达到所述第二数量的时候，确定所述任意一个待定运行子数据包括的设备运行信息的数量与所述第二数量之间的数量差值；
在所述数量差值大于或等于预先配置的参考差值的情况下，将所述任意一个待定运行子数据丢弃，不作为预处理后的待定运行子数据，所述参考差值的具体数值不受限制，可以根据实际需求进行选择，如2、3等数值；
在所述数量差值小于所述参考差值的情况下，确定出所述任意一个待定运行子数据缺失的设备运行信息，并基于其它待定运行子数据中与所述缺失的设备运行信息具有相同数据模态的设备运行信息，对所述缺失的设备运行信息进行补充处理，形成补充后的设备运行信息（如计算其它待定运行子数据中与所述缺失的设备运行信息具有相同数据模态的设备运行信息的均值，作为补充后的设备运行信息），以及，基于所述任意一个待定运行子数据和所述补充后的设备运行信息，得到相应的预处理后的待定运行子数据，即预处理后的待定运行子数据包括所述任意一个待定运行子数据和所述补充后的设备运行信息。
其中，举例来说，在一种实施方式中，所述将所述第三数量个待定运行子数据进行预处理，以及，基于预处理后的待定运行子数据构建出原始子数据簇的步骤，可以包括：
对于所述第三数量个待定运行子数据中的任意一个待定运行子数据（每一个待定运行子数据的处理过程相同），确定所述任意一个待定运行子数据包括的设备运行信息的数量是否达到所述第二数量；
在所述任意一个待定运行子数据包括的设备运行信息的数量达到所述第二数量的时候，将所述任意一个待定运行子数据，作为预处理后的待定运行子数据，即具有各个监测时间对应的设备运行信息；
在所述任意一个待定运行子数据包括的设备运行信息的数量未达到所述第二数量的时候，确定所述任意一个待定运行子数据包括的设备运行信息的数量与所述第二数量之间的数量差值；
在所述数量差值大于或等于预先配置的参考差值的情况下，将所述任意一个待定运行子数据丢弃，不作为预处理后的待定运行子数据，所述参考差值的具体数值不受限制，可以根据实际需求进行选择，如2、3等数值；
在所述数量差值小于所述参考差值的情况下，将所述任意一个待定运行子数据，作为预处理后的待定运行子数据，即具有各个监测时间对应的设备运行信息；或者，在其它实施方式中，也可以直接将各待定运行子数据作为预处理后的待定运行子数据。
其中，举例来说，在一种实施方式中，上述的步骤S120，可以包括：
在所述第二数量个数据模态的设备运行信息中，确定出任意的一个设备运行信息，作为第一设备运行信息；也就是说，所述第二数量个数据模态的设备运行信息可以依次或并行作为第一设备运行信息；
基于所述第一数量个光伏设备运行子数据各自对应的第一设备运行信息，确定出所述目标光伏设备运行数据对应的原始光伏电池关系图谱，在所述原始光伏电池关系图谱中，各图谱成员的成员属性信息为对应的光伏设备运行子数据各自对应的第一设备运行信息；
确定出在所述目标光伏设备中，各光伏电池之间的分布位置关系，所述分布位置关系，可以用于反映所述光伏电池之间的距离；
距离小于或等于预设距离的每两个光伏电池确定为关联的光伏电池，以及，在所述原始光伏电池关系图谱中，将关联的两个光伏电池对应的光伏设备运行子数据对应的图谱成员进行关联处理，如配置连接线，形成所述目标光伏设备运行数据在所述第一设备运行信息下的光伏电池关系图谱；所述预设距离的具体数值不受限制，如3或5个光伏电池所占的位置。
举例来说，在一种实施方式中，上述的步骤S130，可以包括：
将所述光伏电池关系图谱进行图编码，输出所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量，所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量是利用关系图谱分析网络中的第一编码单元，将所述光伏电池关系图谱进行图编码以形成，所述关系图谱分析网络还包括第二编码单元；示例性地，可以将每一个光伏设备运行子数据都依次或并行作为第一光伏设备运行子数据，以编码形成对应的设备运行向量；
在输出所述第一光伏设备运行子数据在所述第二数量个设备运行信息下各自对应的设备运行向量（如前述的监测时间1对应的设备运行向量和监测时间2对应的设备运行向量）之后，将第二数量个设备运行向量加载到所述第二编码单元中，所述第二数量个设备运行向量包括第一设备运行信息对应的第一设备运行向量，所述第一设备运行信息属于所述第二数量个设备运行信息中的任意一个设备运行信息，即将每一个设备运行信息都依次或并行作为所述第一设备运行信息以进行相应的处理；
依据所述第二编码单元中的编码参数和所述第一设备运行向量，分析出所述第一设备运行向量对应的第一融合参数，所述第一融合参数用于反映所述第一设备运行向量在融合的过程中的重要性，如注意力参数；
对所述第一设备运行向量和所述第一融合参数进行相乘运算，输出所述第一设备运行信息对应的候选设备运行向量；也就是说，基于所述第一融合参数，对所述第一设备运行向量进行加权；
在输出第二数量个设备运行信息各自对应的候选设备运行向量之后，将第二数量个候选设备运行向量进行融合处理，输出所述第一光伏设备运行子数据对应的第一融合设备运行向量；示例性地，可以将第二数量个候选设备运行向量进行叠加，得到所述第一光伏设备运行子数据对应的第一融合设备运行向量，如此，可以得到每一个光伏设备运行子数据（依次或并行作为第一光伏设备运行子数据）对应的融合设备运行向量。
聚类来说，对于光伏电池关系图谱1，可以编码得到光伏设备运行子数据1对应的设备运行向量11、光伏设备运行子数据2对应的设备运行向量12、光伏设备运行子数据3对应的设备运行向量13、光伏设备运行子数据4对应的设备运行向量14、光伏设备运行子数据5对应的设备运行向量15。对于光伏电池关系图谱2，可以编码得到光伏设备运行子数据1对应的设备运行向量21、光伏设备运行子数据2对应的设备运行向量22、光伏设备运行子数据3对应的设备运行向量23、光伏设备运行子数据4对应的设备运行向量24、光伏设备运行子数据5对应的设备运行向量25。然后，分别确定出设备运行向量11、设备运行向量12、设备运行向量13、设备运行向量14、设备运行向量15、设备运行向量21、设备运行向量22、设备运行向量23、设备运行向量24、设备运行向量25具有的融合参数，然后，得到对应的候选设备运行向量，如候选设备运行向量11、候选设备运行向量12、候选设备运行向量13、候选设备运行向量14、候选设备运行向量15、候选设备运行向量21、候选设备运行向量22、候选设备运行向量23、候选设备运行向量24、候选设备运行向量25。然后，可以将光伏设备运行子数据1对应的候选设备运行向量11和候选设备运行向量21叠加，得到对应的融合设备运行向量1，将光伏设备运行子数据2对应的候选设备运行向量12和候选设备运行向量22叠加，得到对应的融合设备运行向量2，将光伏设备运行子数据3对应的候选设备运行向量13和候选设备运行向量23叠加，得到对应的融合设备运行向量3，将光伏设备运行子数据4对应的候选设备运行向量14和候选设备运行向量24叠加，得到对应的融合设备运行向量4，将光伏设备运行子数据5对应的候选设备运行向量15和候选设备运行向量25叠加，得到对应的融合设备运行向量5。
举例来说，在一种实施方式中，所述将所述光伏电池关系图谱进行图编码，输出所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量的步骤，可以包括：
确定出所述光伏电池关系图谱中的每一个图谱成员对应的第一图谱成员向量，所述第一图谱成员向量基于所述图谱成员对应的设备运行信息的嵌入向量确定，示例性地，可以直接将所述设备运行信息的嵌入向量作为所述第一图谱成员向量，也可以将所述设备运行信息的嵌入向量进行卷积运算，如通过卷积网络实现，得到对应的第一图谱成员向量；
将所述光伏电池关系图谱中所述第一光伏设备运行子数据对应的图谱成员标记为待处理图谱成员，以及，确定出所述待处理图谱成员的关联图谱成员簇，所述关联图谱成员簇包括第五数量个关联图谱成员，所述待处理图谱成员的关联图谱成员可以是具有连接线的其它图谱成员；
将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，形成所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量；或者说，可以将所述第五数量个关联图谱成员各自的第一图谱成员向量，传递至所述待处理图谱成员的第一图谱成员向量，形成所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量；如此，使得所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量不仅包括自身的设备运行信息的语义特征，还包括关联的设备运行信息的语义特征，使得该设备运行向量的语义表征能力更强。
举例来说，对于光伏电池1的一个数据模态的设备运行信息“电流：3.5 A，电压：0.55 V，温度：45°C，湿度：61%，光照强度：800 W/m²，绝缘电阻：10 MΩ，倾斜角度：30°，覆盖物反射率：15%”，可以对该设备运行信息先进行分词嵌入处理，得到对应的分词嵌入向量，然后，可以将分词嵌入向量和相应分词的位置嵌入向量进行叠加，最后，将各分词对应的叠加向量进行组合，形成一个叠加向量序列，即得到对应的第一图谱成员向量，其中，对设备运行信息进行分词嵌入处理的过程如下：
“电流”，对应的分词嵌入向量：[0.12, -0.45, 0.78, ...]；
“3.5 A”，对应的分词嵌入向量：[0.1, 0.2, -0.3, ...]；
“电压”，对应的分词嵌入向量：[-0.67, 0.32, -0.11, ...]；
“0.55 V”，对应的分词嵌入向量：[-0.4, 0.5, 0.6, ...]；
“温度”，对应的分词嵌入向量：[0.55, -0.23, 0.91, ...]；
“45°C”，对应的分词嵌入向量：[0.7, -0.8, 0.9, ...]；
“湿度”，对应的分词嵌入向量：[0.89, 0.76, -0.43, ...]；
“61%”，对应的分词嵌入向量：[0.2, -0.3, 0.4, ...]；
“光照强度”，对应的分词嵌入向量：[-0.34, 0.65, 0.21, ...]；
“800 W/m²”，对应的分词嵌入向量：[-0.5, 0.6, 0.7, ...]；
“绝缘电阻”，对应的分词嵌入向量：[0.78, -0.12, 0.45, ...]；
“10 MΩ”，对应的分词嵌入向量：[0.3, -0.4, 0.5, ...]；
“倾斜角度”，对应的分词嵌入向量：[-0.55, 0.91, -0.23, ...]；
“30°”，对应的分词嵌入向量：[-0.6, 0.7, 0.8, ...]；
“覆盖物反射率”，对应的分词嵌入向量：[0.32, -0.11, -0.67, ...]；
“15%”，对应的分词嵌入向量：[0.4, -0.5, 0.6, ...]。
举例来说，在一种实施方式中，所述将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，形成所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量的步骤，可以包括：
提取到关系图谱分析网络，所述关系图谱分析网络包括所述光伏电池关系图谱对应的第一编码单元，所述第一编码单元包括第六数量个编码子单元，所述第六数量个编码子单元包括目标编码子单元，所述目标编码子单元属于所述第六数量个编码子单元中的任意一个编码子单元；也就是说，可以将所述第六数量个编码子单元中的每一个编码子单元都依次或并行作为所述目标编码子单元，所述第六数量个编码子单元之间具有并列关系；
利用所述目标编码子单元的子单元编码参数，将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，输出所述待处理图谱成员在所述目标编码子单元的局部编码设备运行向量，如此，在将每一个编码子单元作为目标编码子单元之后，可以得到第六数量个局部编码设备运行向量，每一个局部编码设备运行向量都携带有自身的语义特征和关联的语义特征，另外，各编码子单元的子单元编码参数可以相同，也可以不同，可以是相应的网络训练中形成；
在输出第六数量个局部编码设备运行向量之后，将所述第六数量个局部编码设备运行向量进行级联组合，输出所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量，如[局部编码设备运行向量1,局部编码设备运行向量2,局部编码设备运行向量3,局部编码设备运行向量4,局部编码设备运行向量5,局部编码设备运行向量6、...]。
举例来说，在一种实施方式中，所述第五数量个关联图谱成员包括目标关联图谱成员，所述目标关联图谱成员属于所述第五数量个关联图谱成员中的任意一个关联图谱成员，每一个关联图谱成员可以依次或并行作为所述目标关联图谱成员，基于此，所述利用所述目标编码子单元的子单元编码参数，将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，输出所述待处理图谱成员在所述目标编码子单元的局部编码设备运行向量的步骤，可以包括：
依据所述待处理图谱成员的第一图谱成员向量、所述第五数量个关联图谱成员各自的第一图谱成员向量和所述目标编码子单元的子单元编码参数，将所述待处理图谱成员和所述目标关联图谱成员进行关联性挖掘，输出所述目标编码子单元对应的目标关联性参数，所述目标关联性参数用于反映所述目标关联图谱成员与所述待处理图谱成员之间的关联关系；
对所述目标关联性参数、所述目标关联图谱成员的第一图谱成员向量和所述目标编码子单元的子单元编码参数进行相乘运算，输出所述目标关联图谱成员对应的关联图谱成员向量，如此，可以实现基于注意力机制的关联挖掘，即基于所述目标关联图谱成员的第一图谱成员向量的关联挖掘；在其它实施方式中，还可以对相乘运算的结果进行激活处理，以得到所述目标关联图谱成员对应的关联图谱成员向量；
在输出第五数量个关联图谱成员各自对应的关联图谱成员向量之后，将第五数量个关联图谱成员向量进行融合，输出所述待处理图谱成员在所述目标编码子单元的局部编码设备运行向量；示例性地，可以将第五数量个关联图谱成员向量叠加，得到对应的局部编码设备运行向量。
其中，举例来说，在一种实施方式中，所述依据所述待处理图谱成员的第一图谱成员向量、所述第五数量个关联图谱成员各自的第一图谱成员向量和所述目标编码子单元的子单元编码参数，将所述待处理图谱成员和所述目标关联图谱成员进行关联性挖掘，输出所述目标编码子单元对应的目标关联性参数的步骤，可以包括：
将所述待处理图谱成员的第一图谱成员向量对应的映射向量分别与所述第五数量个关联图谱成员各自的第一图谱成员向量中的每一个第一图谱成员向量对应的映射向量进行级联组合，即拼接，形成对应的第五数量个级联映射向量，得到映射向量的线性映射参数，可以在网络训练中形成；
分别对所述目标编码子单元的子单元编码参数包括的第一编码矩阵的转置矩阵和各级联映射向量进行相乘运算，以及，对相乘运算的结果依次进行激活处理和指数计算，得到第五数量个中间参数，所述子单元编码参数可以在相应的网络训练中形成，且所述子单元编码参数还可以包括第二编码矩阵，所述第二编码矩阵用于在执行所述对所述目标关联性参数、所述目标关联图谱成员的第一图谱成员向量和所述目标编码子单元的子单元编码参数进行相乘运算，输出所述目标关联图谱成员对应的关联图谱成员向量的步骤中，作为所述目标编码子单元的子单元编码参数进行相乘；
计算所述目标关联图谱成员对应的中间参数与所述第五数量个中间参数的和值，得到所述目标编码子单元对应的目标关联性参数。
举例来说，在一种实施方式中，所述依据所述第二编码单元中的编码参数和所述第一设备运行向量，分析出所述第一设备运行向量对应的第一融合参数的步骤，可以包括：
依据所述第二编码单元中的编码参数包括的线性映射参数，对所述第一设备运行向量进行线性映射，输出对应的第一线性设备运行向量，以及，对所述第一线性设备运行向量进行激活处理，输出第一激活向量；其中，所述第二编码单元中的编码参数在所述第二编码单元的网络训练中形成；示例性地，所述线性映射参数可以包括权重参数和偏置参数，可以将所述权重参数和所述第一设备运行向量进行相乘之后，再与所述偏置参数进行相加，得到所述第一线性设备运行向量；
将所述第二编码单元中的编码参数包括的注意力向量进行转置处理，即向量参数的行列对换，输出对应的转置注意力向量；
对所述转置注意力向量和所述第一激活向量进行相乘运算，并将相乘运算的结果进行归一化处理，得到所述第一设备运行向量对应的第一融合参数，如指数归一化处理。
举例来说，在一种实施方式中，上述的步骤S140，可以包括：
在输出每一个光伏设备运行子数据对应的融合设备运行向量之后，将每一个光伏设备运行子数据对应的融合设备运行向量进行融合，如叠加或级联组合，输出所述目标光伏设备运行数据对应的目标设备运行向量，以及，基于所述目标设备运行向量，分析出所述目标光伏设备的预估状态数据；示例性地，所述关系图谱分析网络还可以包括状态预估单元，所述状态预估单元可以包括全连接子单元和softmax函数，所述全连接子单元用于将所述目标设备运行向量进行处理，得到对应的全连接向量，所述softmax函数用于对所述全连接向量进行处理，得到对应的概率参数分布，所述概率参数分布中的一个概率参数用于表征一种预估状态的概率，如具有异常的概率和不具有异常的概率；然后，可以将概率参数最大的一种预估状态作为所述目标光伏设备的预估状态数据；或者
分别依据每一个所述光伏设备运行子数据对应的融合设备运行向量，分析出每一个所述光伏设备运行子数据对应的光伏电池的预估状态数据，以及，基于所述目标光伏设备中的每一个光伏电池的预估状态数据，确定出所述目标光伏设备的预估状态数据；如前所述，所述关系图谱分析网络还可以包括状态预估单元，所述状态预估单元可以包括全连接子单元和softmax函数，所述全连接子单元用于将所述融合设备运行向量进行处理，得到对应的全连接向量，所述softmax函数用于对所述全连接向量进行处理，得到对应的概率参数分布，所述概率参数分布中的一个概率参数用于表征一种预估状态的概率，如具有异常的概率和不具有异常的概率；然后，可以将概率参数最大的一种预估状态作为所述光伏电池的预估状态数据；然后，可以整合每一个所述光伏电池的预估状态数据，得到所述目标光伏设备的预估状态数据，如只要有一个光伏电池的异常，所述目标光伏设备就属于异常状态，或者，需要指定数量或数量占比以上的光伏电池的异常，所述目标光伏设备才属于异常状态，根据实际需求进行配置即可。
可以理解的是，上述的激活处理使用的激活函数不受限制，可以根据实际需求进行配置，如Sigmoid函数：将输入值映射到0到1之间的连续输出，公式为f(x) = 1 / (1 +exp(-x))；双曲正切（TanH）函数：类似于Sigmoid函数，将输入值映射到-1到1之间的连续输出，公式为f(x) = (exp(x) - exp(-x)) / (exp(x) + exp(-x))；ReLU函数（RectifiedLinear Unit）：当输入大于零时，输出等于输入；当输入小于等于零时，输出为零，公式为f(x) = max(0, x)；Leaky ReLU函数：与ReLU函数类似，但在输入小于零时有一个小的斜率，可以避免“死亡ReLU”问题，公式为f(x) = max(0.1x, x)。
结合图3，本发明实施例还提供一种基于能源管理系统的光伏设备分析装置，可应用于上述光伏设备分析系统。其中，所述基于能源管理系统的光伏设备分析装置可以包括：
设备运行数据确定模块，用于在目标光伏设备运行数据中，确定出第一数量个光伏设备运行子数据，所述第一数量个光伏设备运行子数据包括第一光伏设备运行子数据，所述目标光伏设备运行数据包括第二数量个数据模态的设备运行信息，所述目标光伏设备运行数据通过对目标光伏设备进行监测形成，每一个所述光伏设备运行子数据用于反映所述目标光伏设备中的一个光伏电池的状态，每一个所述数据模态的设备运行信息用于反映在一个监测时间的状态；
关系图谱确定模块，用于在所述第二数量个数据模态的设备运行信息中，确定出第一设备运行信息，以及，基于所述第一数量个光伏设备运行子数据各自对应的第一设备运行信息，确定出所述目标光伏设备运行数据对应的光伏电池关系图谱；
设备运行向量挖掘模块，用于基于各设备运行信息对应的光伏电池关系图谱，分别挖掘出所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量，所述融合设备运行向量属于所述光伏电池的各设备运行信息关联挖掘得到的候选设备运行向量的融合结果，用于反映所述光伏电池在各个监测时间下的状态语义；
状态数据预估模块，用于基于所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量，确定出所述目标光伏设备的预估状态数据。
综上所述，本发明提供的基于能源管理系统的光伏设备分析方法及系统，可以在目标光伏设备运行数据中，确定出第一数量个光伏设备运行子数据；在第二数量个数据模态的设备运行信息中，确定出第一设备运行信息，基于第一数量个光伏设备运行子数据各自对应的第一设备运行信息，确定出光伏电池关系图谱；基于各设备运行信息对应的光伏电池关系图谱，分别挖掘出目标光伏设备中的每一个光伏电池对应的融合设备运行向量；基于目标光伏设备中的每一个光伏电池对应的融合设备运行向量，确定出目标光伏设备的预估状态数据。基于前述的内容，由于会基于设备运行信息确定出光伏电池关系图谱，使得可以基于设备运行信息关联挖掘得到候选设备运行向量，从而可以融合形成反映光伏电池在各个监测时间下的状态语义的融合设备运行向量，可以使得融合设备运行向量的语义表征能力更佳，使得基于融合设备运行向量得到的预估状态数据的可靠度更高，进而改善现有技术中存在的光伏设备状态分析的可靠度相对不高的问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于能源管理系统的光伏设备分析方法，其特征在于，包括：
在目标光伏设备运行数据中，确定出第一数量个光伏设备运行子数据，所述第一数量个光伏设备运行子数据包括第一光伏设备运行子数据，所述目标光伏设备运行数据包括第二数量个数据模态的设备运行信息，所述目标光伏设备运行数据通过对目标光伏设备进行监测形成，每一个所述光伏设备运行子数据用于反映所述目标光伏设备中的一个光伏电池的状态，每一个所述数据模态的设备运行信息用于反映在一个监测时间的状态；
在所述第二数量个数据模态的设备运行信息中，确定出第一设备运行信息，以及，基于所述第一数量个光伏设备运行子数据各自对应的第一设备运行信息，确定出所述目标光伏设备运行数据对应的光伏电池关系图谱；
基于各设备运行信息对应的光伏电池关系图谱，分别挖掘出所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量，所述融合设备运行向量属于所述光伏电池的各设备运行信息关联挖掘得到的候选设备运行向量的融合结果，用于反映所述光伏电池在各个监测时间下的状态语义；
基于所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量，确定出所述目标光伏设备的预估状态数据。
2.如权利要求1所述的基于能源管理系统的光伏设备分析方法，其特征在于，所述目标光伏设备运行数据包括第三数量个待定运行子数据，所述第三数量大于或等于所述第一数量；
所述在目标光伏设备运行数据中，确定出第一数量个光伏设备运行子数据的步骤，包括：
将所述第三数量个待定运行子数据进行预处理，以及，基于预处理后的待定运行子数据构建出原始子数据簇；
依据所述目标光伏设备运行数据对应的第一聚类指标参数，将所述原始子数据簇中的待定运行子数据进行聚类分析，形成对应的第四数量个数据聚类子簇，所述第四数量小于或等于所述第三数量；
在所述第四数量个数据聚类子簇中，确定出候选数据聚类子簇，以及，分析出所述候选数据聚类子簇中的每一个待定运行子数据的数据完整度，以及，在所述候选数据聚类子簇中，确定出具有最大数据完整度的待定运行子数据，并标记为光伏设备运行子数据，直到确定出所述第四数量个数据聚类子簇各自对应的光伏设备运行子数据；
在所述第四数量大于所述第一数量的时候，依据所述第四数量个光伏设备运行子数据中的每一个光伏设备运行子数据的数据完整度，在所述第四数量个光伏设备运行子数据中，确定出第一数量个光伏设备运行子数据。
3.如权利要求2所述的基于能源管理系统的光伏设备分析方法，其特征在于，所述将所述第三数量个待定运行子数据进行预处理，以及，基于预处理后的待定运行子数据构建出原始子数据簇的步骤，包括：
对于所述第三数量个待定运行子数据中的任意一个待定运行子数据，确定所述任意一个待定运行子数据包括的设备运行信息的数量是否达到所述第二数量；
在所述任意一个待定运行子数据包括的设备运行信息的数量达到所述第二数量的时候，将所述任意一个待定运行子数据，作为预处理后的待定运行子数据；
在所述任意一个待定运行子数据包括的设备运行信息的数量未达到所述第二数量的时候，确定所述任意一个待定运行子数据包括的设备运行信息的数量与所述第二数量之间的数量差值；
在所述数量差值大于或等于预先配置的参考差值的情况下，将所述任意一个待定运行子数据丢弃，不作为预处理后的待定运行子数据；
在所述数量差值小于所述参考差值的情况下，确定出所述任意一个待定运行子数据缺失的设备运行信息，并基于其它待定运行子数据中与所述缺失的设备运行信息具有相同数据模态的设备运行信息，对所述缺失的设备运行信息进行补充处理，形成补充后的设备运行信息，以及，基于所述任意一个待定运行子数据和所述补充后的设备运行信息，得到相应的预处理后的待定运行子数据。
4.如权利要求1所述的基于能源管理系统的光伏设备分析方法，其特征在于，所述基于各设备运行信息对应的光伏电池关系图谱，分别挖掘出所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量的步骤，包括：
将所述光伏电池关系图谱进行图编码，输出所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量，所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量是利用关系图谱分析网络中的第一编码单元，将所述光伏电池关系图谱进行图编码以形成，所述关系图谱分析网络还包括第二编码单元；
在输出所述第一光伏设备运行子数据在所述第二数量个设备运行信息下各自对应的设备运行向量之后，将第二数量个设备运行向量加载到所述第二编码单元中，所述第二数量个设备运行向量包括第一设备运行信息对应的第一设备运行向量，所述第一设备运行信息属于所述第二数量个设备运行信息中的任意一个设备运行信息；
依据所述第二编码单元中的编码参数和所述第一设备运行向量，分析出所述第一设备运行向量对应的第一融合参数，所述第一融合参数用于反映所述第一设备运行向量在融合的过程中的重要性；
对所述第一设备运行向量和所述第一融合参数进行相乘运算，输出所述第一设备运行信息对应的候选设备运行向量；
在输出第二数量个设备运行信息各自对应的候选设备运行向量之后，将第二数量个候选设备运行向量进行融合处理，输出所述第一光伏设备运行子数据对应的第一融合设备运行向量。
5.如权利要求4所述的基于能源管理系统的光伏设备分析方法，其特征在于，所述将所述光伏电池关系图谱进行图编码，输出所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量的步骤，包括：
确定出所述光伏电池关系图谱中的每一个图谱成员对应的第一图谱成员向量，所述第一图谱成员向量基于所述图谱成员对应的设备运行信息的嵌入向量确定；
将所述光伏电池关系图谱中所述第一光伏设备运行子数据对应的图谱成员标记为待处理图谱成员，以及，确定出所述待处理图谱成员的关联图谱成员簇，所述关联图谱成员簇包括第五数量个关联图谱成员；
将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，形成所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量。
6.如权利要求5所述的基于能源管理系统的光伏设备分析方法，其特征在于，所述将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，形成所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量的步骤，包括：
提取到关系图谱分析网络，所述关系图谱分析网络包括所述光伏电池关系图谱对应的第一编码单元，所述第一编码单元包括第六数量个编码子单元，所述第六数量个编码子单元包括目标编码子单元，所述目标编码子单元属于所述第六数量个编码子单元中的任意一个编码子单元；
利用所述目标编码子单元的子单元编码参数，将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，输出所述待处理图谱成员在所述目标编码子单元的局部编码设备运行向量；
在输出第六数量个局部编码设备运行向量之后，将所述第六数量个局部编码设备运行向量进行级联组合，输出所述第一光伏设备运行子数据在所述第一设备运行信息下对应的设备运行向量。
7.如权利要求6所述的基于能源管理系统的光伏设备分析方法，其特征在于，所述第五数量个关联图谱成员包括目标关联图谱成员，所述目标关联图谱成员属于所述第五数量个关联图谱成员中的任意一个关联图谱成员；
所述利用所述目标编码子单元的子单元编码参数，将所述待处理图谱成员的第一图谱成员向量和所述第五数量个关联图谱成员各自的第一图谱成员向量进行融合，输出所述待处理图谱成员在所述目标编码子单元的局部编码设备运行向量的步骤，包括：
依据所述待处理图谱成员的第一图谱成员向量、所述第五数量个关联图谱成员各自的第一图谱成员向量和所述目标编码子单元的子单元编码参数，将所述待处理图谱成员和所述目标关联图谱成员进行关联性挖掘，输出所述目标编码子单元对应的目标关联性参数，所述目标关联性参数用于反映所述目标关联图谱成员与所述待处理图谱成员之间的关联关系；
对所述目标关联性参数、所述目标关联图谱成员的第一图谱成员向量和所述目标编码子单元的子单元编码参数进行相乘运算，输出所述目标关联图谱成员对应的关联图谱成员向量；
在输出第五数量个关联图谱成员各自对应的关联图谱成员向量之后，将第五数量个关联图谱成员向量进行融合，输出所述待处理图谱成员在所述目标编码子单元的局部编码设备运行向量。
8.如权利要求4所述的基于能源管理系统的光伏设备分析方法，其特征在于，所述依据所述第二编码单元中的编码参数和所述第一设备运行向量，分析出所述第一设备运行向量对应的第一融合参数的步骤，包括：
依据所述第二编码单元中的编码参数包括的线性映射参数，对所述第一设备运行向量进行线性映射，输出对应的第一线性设备运行向量，以及，对所述第一线性设备运行向量进行激活处理，输出第一激活向量；其中，所述第二编码单元中的编码参数在所述第二编码单元的网络训练中形成；
将所述第二编码单元中的编码参数包括的注意力向量进行转置处理，输出对应的转置注意力向量；
对所述转置注意力向量和所述第一激活向量进行相乘运算，并将相乘运算的结果进行归一化处理，得到所述第一设备运行向量对应的第一融合参数。
9.如权利要求1-8任意一项所述的基于能源管理系统的光伏设备分析方法，其特征在于，所述基于所述目标光伏设备中的每一个光伏电池对应的融合设备运行向量，确定出所述目标光伏设备的预估状态数据的步骤，包括：
在输出每一个光伏设备运行子数据对应的融合设备运行向量之后，将每一个光伏设备运行子数据对应的融合设备运行向量进行融合，输出所述目标光伏设备运行数据对应的目标设备运行向量，以及，基于所述目标设备运行向量，分析出所述目标光伏设备的预估状态数据；或者
分别依据每一个所述光伏设备运行子数据对应的融合设备运行向量，分析出每一个所述光伏设备运行子数据对应的光伏电池的预估状态数据，以及，基于所述目标光伏设备中的每一个光伏电池的预估状态数据，确定出所述目标光伏设备的预估状态数据。
10.一种光伏设备分析系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任意一项所述的基于能源管理系统的光伏设备分析方法。
CN202311359613.XA 2023-10-20 2023-10-20 基于能源管理系统的光伏设备分析方法及系统 Active CN117113036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311359613.XA CN117113036B (zh) 2023-10-20 2023-10-20 基于能源管理系统的光伏设备分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311359613.XA CN117113036B (zh) 2023-10-20 2023-10-20 基于能源管理系统的光伏设备分析方法及系统

Publications (2)

Publication Number Publication Date
CN117113036A CN117113036A (zh) 2023-11-24
CN117113036B true CN117113036B (zh) 2024-01-26

Family

ID=88798676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311359613.XA Active CN117113036B (zh) 2023-10-20 2023-10-20 基于能源管理系统的光伏设备分析方法及系统

Country Status (1)

Country Link
CN (1) CN117113036B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421642B (zh) * 2023-12-18 2024-03-12 电子科技大学 基于深度学习的智能检波器数据存储方法及相关设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109066750A (zh) * 2018-09-11 2018-12-21 重庆大学 基于需求侧响应的光伏-电池微电网混合能量调度管理方法
CN110535435A (zh) * 2019-08-12 2019-12-03 华为技术有限公司 一种光伏电站的电池片检测方法、装置及系统
JP2021145494A (ja) * 2020-03-12 2021-09-24 オムロン株式会社 診断装置、診断方法およびプログラム
CN114899866A (zh) * 2022-04-29 2022-08-12 深圳鹏城新能科技有限公司 光伏储能系统的智能负载管理方法以及相关装置
CN115048528A (zh) * 2022-05-17 2022-09-13 国网冀北电力有限公司电力科学研究院 新能源电场运行数据的知识图谱构建方法及装置
WO2022199585A1 (zh) * 2021-03-25 2022-09-29 华为数字能源技术有限公司 一种光伏发电系统、功率控制装置及储能系统
CN115840928A (zh) * 2022-12-09 2023-03-24 上海次驲新能源有限公司 一种光伏设备运行分析方法
CN116384487A (zh) * 2023-03-22 2023-07-04 上海交通大学 用于储能站锂离子电池故障诊断分析的知识图谱构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200006946A1 (en) * 2018-07-02 2020-01-02 Demand Energy Networks, Inc. Random variable generation for stochastic economic optimization of electrical systems, and related systems, apparatuses, and methods

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109066750A (zh) * 2018-09-11 2018-12-21 重庆大学 基于需求侧响应的光伏-电池微电网混合能量调度管理方法
CN110535435A (zh) * 2019-08-12 2019-12-03 华为技术有限公司 一种光伏电站的电池片检测方法、装置及系统
JP2021145494A (ja) * 2020-03-12 2021-09-24 オムロン株式会社 診断装置、診断方法およびプログラム
WO2022199585A1 (zh) * 2021-03-25 2022-09-29 华为数字能源技术有限公司 一种光伏发电系统、功率控制装置及储能系统
CN114899866A (zh) * 2022-04-29 2022-08-12 深圳鹏城新能科技有限公司 光伏储能系统的智能负载管理方法以及相关装置
CN115048528A (zh) * 2022-05-17 2022-09-13 国网冀北电力有限公司电力科学研究院 新能源电场运行数据的知识图谱构建方法及装置
CN115840928A (zh) * 2022-12-09 2023-03-24 上海次驲新能源有限公司 一种光伏设备运行分析方法
CN116384487A (zh) * 2023-03-22 2023-07-04 上海交通大学 用于储能站锂离子电池故障诊断分析的知识图谱构建方法

Also Published As

Publication number Publication date
CN117113036A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN117113036B (zh) 基于能源管理系统的光伏设备分析方法及系统
CN116126945B (zh) 基于数据分析的传感器运行状态分析方法和系统
CN115718846B (zh) 用于智能化交互网络的大数据挖掘方法及系统
Zahid et al. Machine learning an alternate technique to estimate the state of charge of energy storage devices
CN115905959B (zh) 基于缺陷因子的电力断路器关联性故障分析方法及装置
CN113608140A (zh) 一种电池故障诊断方法及系统
Xing et al. Automatic thresholding using a modified valley emphasis
CN116106773A (zh) 一种基于数据增强的混合模型锂电池健康状态监测方法
CN113343581A (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
Chang et al. Improved VMD‐KFCM algorithm for the fault diagnosis of rolling bearing vibration signals
CN115482122A (zh) 一种应用于智慧园区的综合能耗监测方法及系统
Mei et al. A data‐driven approach to state assessment of the converter valve based on oversampling and Shapley additive explanations
CN116720119A (zh) 应用于多端业务交互的大数据识别方法及系统
CN116526670A (zh) 面向电力大数据可视化的信息融合方法
Liu et al. Automatic clustering method based on evolutionary optimisation
CN114266720A (zh) 基于混合神经网络的电力导线故障检测方法及系统
CN116910729B (zh) 应用于多组织架构的核身处理方法及系统
Wu et al. Application of improved grey model residual modified fusion algorithm in dissolved gas forecasting
CN116662415B (zh) 基于数据挖掘的智能匹配方法及系统
Liu et al. Dynamic identification of key nodes in active distribution network for operation optimisation requirements
Wang et al. Root event‐based dynamic space pruning algorithm for contingency screening of transmission system
CN114978040B (zh) 基于太阳能电池数据的衰减状况分析方法及系统
CN115544276B (zh) 计量装置知识图谱构建方法和计量装置档案核查方法
CN116597971B (zh) 基于数字孪生的医院空间优化模拟方法及系统
Jin et al. State monitoring of switching power supply in power system based on time series voltage waveform and image analysis

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