CN117172620B - 一种基于参数化分析的建筑光伏潜力评估方法及系统 - Google Patents
一种基于参数化分析的建筑光伏潜力评估方法及系统 Download PDFInfo
- Publication number
- CN117172620B CN117172620B CN202311445831.5A CN202311445831A CN117172620B CN 117172620 B CN117172620 B CN 117172620B CN 202311445831 A CN202311445831 A CN 202311445831A CN 117172620 B CN117172620 B CN 117172620B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- running state
- building photovoltaic
- building
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 238000010248 power generation Methods 0.000 claims abstract description 87
- 238000006243 chemical reaction Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims description 45
- 230000002159 abnormal effect Effects 0.000 claims description 40
- 238000009825 accumulation Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 15
- 230000000737 periodic effect Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 11
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 238000012300 Sequence Analysis Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000005304 joining Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000003912 environmental pollution Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于参数化分析的建筑光伏潜力评估方法及系统，涉及光伏潜力评估技术领域，该评估方法包括以下步骤：通过传感器网络实时监测建筑光伏设备的运行状态，获取运行状态数据及参数数据，对获取的运行状态数据及参数数据进行预处理，并对预处理结果进行特征提取，将提取的特征数据上传至云平台进行存储。本发明通过光电转换模型对发电效率进行实时评估，从而能够了解建筑光伏设备的发电状况，并且通过收集和分析气象数据和建筑光伏设备的运行状态数据，可以更准确地预测和评估建筑光伏设备的发电性能和发电量，进而提高了基于参数化分析的建筑光伏潜力评估的准确性。
Description
技术领域
本发明涉及光伏潜力评估技术领域，具体来说，涉及一种基于参数化分析的建筑光伏潜力评估方法及系统。
背景技术
近些年，能源危机和环境污染问题困扰着现代人的生活，为了满足人们对能源与日俱增的需求，可再生能源成为人们研究的热点，最被看好的一种是光伏能源，这是一种真正简洁的、直接取自太阳光的能源。据估算，地球每小时接收的太阳能相当于人类一年消耗的能源总和。如今，世界人口的50%以上居住在城市，城市消耗着全球大部分的能源和资源。光伏与建筑一体化设计必将成为城市中发展太阳能的最重要的趋势，也是解决能源危机的重要战略。
建筑领域降低碳排放的工作迫在眉睫，建筑的能耗在逐年增长，在建筑上安装光伏系统可以加速向可再生能源和能源可持续发展的转变。定量评价建筑光伏资源潜力是制定应用策略的基础，能够为开发者和利用者提供基础数据和工程建设指导。从国内外现状来看，目前国内已有的光伏潜力分析在尺度上形成两种趋势，一种为城市、地区甚至国家范围的大尺度光伏潜力评估；另一种主要为致力于安装光伏系统的业主提供量化可参考的光伏利用潜力依据，集中于单体建筑。
然而现有技术中，对建筑光伏潜力的评估更多地关注数据收集和实时监测，而较少进行数据分析和预测，由于建筑光伏的发电量受到天气条件的影响，如阳光强度、云量、气温、环境污染等，因此预测建筑光伏的发电量存在一定的难度，从而不能全面的对建筑光伏潜力进行综合评估。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足，本发明提出一种基于参数化分析的建筑光伏潜力评估方法及系统，解决了上述背景技术中提出现有的对建筑光伏潜力的评估更多地关注数据收集和实时监测，而较少进行数据分析和预测，由于建筑光伏的发电量受到天气条件的影响，如阳光强度、云量、气温、环境污染等，因此预测建筑光伏的发电量存在一定的难度，从而不能全面的对建筑光伏潜力进行综合评估，天气具有不确定性，预测准确的天气数据也是具有挑战性的问题。
为实现以上目的，本发明通过以下技术方案予以实现：
根据本发明的一个方面，提供了一种基于参数化分析的建筑光伏潜力评估方法，该评估方法包括以下步骤：
S1、通过传感器网络实时监测建筑光伏设备的运行状态，获取运行状态数据及参数数据，对获取的运行状态数据及参数数据进行预处理，并对预处理结果进行特征提取，将提取的特征数据上传至云平台进行存储，所述参数数据至少包括地理信息数据、气候数据、建筑数据；
S2、利用参数化分析技术建立光电转换模型，并利用光电转换模型实时评估建筑光伏设备的发电性能；
S3、基于建筑光伏设备的发电性能的评估结果，通过分析建筑光伏设备的功率输出下降趋势来判别建筑光伏设备表面的遮挡物积累程度，并根据判别结果，制定建筑光伏设备的最佳清理周期，利用自动清理设备对建筑光伏设备表面进行清理；
S4、建立建筑光伏设备运行故障异常数据库，利用局部离群因子算法对云平台中存储的特征数据进行异常检测，识别出潜在故障数据，并将故障数据输入至故障异常数据库中进行故障判别；
S5、利用信息增益计算运行状态数据及参数数据的权重值，基于运行状态数据及参数数据；
S6、基于云平台中存储的特征数据，利用波束形成法和时间序列分析法在云平台中构建故障预测模型，并利用故障预测模型对下一时刻的故障发生进行预测；
S7、建立气象数据和运行状态数据相结合的发电量预测模型，基于建筑光伏设备的预测发电量制定电网调度策略并进行评估。
进一步的，所述通过传感器网络实时监测建筑光伏设备的运行状态，获取运行状态数据及参数数据，对获取的运行状态数据及参数数据进行预处理，并对预处理结果进行特征提取，将提取的特征数据上传至云平台进行存储，所述参数数据至少包括地理信息数据、气候数据、建筑数据包括以下步骤：
S11、收集传感器获取的运行状态数据及参数数据的重复数据、缺失值和异常值，并对重复数据、缺失值和异常值进行去噪、滤波及平滑处理；
S12、将传感器收集的运行状态数据及参数数据中未处理的数据行进行联结，生成新的数据表，通过外部键值将不同的数据表进行关联，生成完整的数据表，并得到准确数据集；
S13、确定不同数据集之间的外键关系，根据需要将不同数据表中的数据行相互联结，创建新的数据表，并通过指定的外部键值进行关联；
S14、通过SQL语句中的JOIN操作符，将需要联结的数据表连接在一起，在进行联结时，确保数据的完整性约束得到满足；
S15、完成联结后，插入测试数据检查联结结果是否正确，确保能够正确地被识别和关联，得到传感器所获取的运行状态数据及参数数据的准确数据；
S16、利用主成分分析法将传感器所获取的运行状态数据及参数数据的准确数据融合到同一个数据集中；
S17、从融合后的数据集中提取相关的特征，得到运行状态数据及参数数据的特征数据，所述特征至少包括时间特征、性能参数、光照条件、温度参数、环境特征及发电量特征；
S18、将得到的运行状态数据及参数数据的特征数据上传至云平台进行存储。
进一步的，所述利用参数化分析技术建立光电转换模型，并利用光电转换模型实时评估建筑光伏设备的发电性能包括以下步骤：
S21、利参数化分析技术分析建筑光伏设备的运行状态数据，并提取与光伏组件相关的特征；
S22、将提取相关的特征转换成光伏组件特性及光电转换原理，并构建光电转换模型；
S23、通过将实际测量得到的发电功率和辐照度数据与构建的光电转换模型进行拟合，估计光电转换模型中的参数值；
S24、利用建立的光电转换模型计算光伏组件的实际发电效率，并基于发电效率评估光伏设备的发电性能。
进一步的，所述基于建筑光伏设备的发电性能的评估结果，通过分析建筑光伏设备的功率输出下降趋势来判别建筑光伏设备表面的遮挡物积累程度，并根据判别结果，制定建筑光伏设备的最佳清理周期，利用自动清理设备对建筑光伏设备表面进行清理包括以下步骤：
S31、将光伏组件的实际发电效率与预设阈值进行对比；
S32、若实际发电效率高于预设阈值，则表明光伏设备的发电性能良好，并表明光伏设备表面的遮挡物积累较少，无需对光伏设备进行清洗；
S33、若实际发电效率低于预设阈值，则表明光伏设备表面存在遮挡物积累，需要对光伏设备进行清洗；
S34、统计不同时间段的实际发电效率下降程度，判断污秽积累的规律，确定光伏设备的最佳清洗周期；
S35、在确定的最佳清理周期内，利用自动清理设备定期对建筑光伏设备表面进行清理。
进一步的，所述建立建筑光伏设备运行故障异常数据库，利用局部离群因子算法对云平台中存储的特征数据进行异常检测，识别出潜在故障数据，并将故障数据输入至故障异常数据库中进行故障判别包括以下步骤：
S41、将运行状态特征数据划分成若干份子数据，并获取子数据的数据点；
S42、计算子数据的数据点的K近邻距离和局部可达密度，通过比较子数据的数据点的局部可达密度与其K近邻的局部可达密度，计算局部离群因子值；
S43、设定局部离群因子值的阈值，若某份子数据的数据点的局部离群因子值大于设定的阈值，将其视为异常值，得到潜在的故障数据。
进一步的，所述局部离群因子算法的计算公式为：
其中，表示子数据的数据点的局部离群因子；
K表示邻域的大小；
表示子数据的数据点；
表示子数据的数据点的一个K近邻；
表示子数据的数据点的一个K近邻的局部可达密度；
表示子数据的数据点的局部可达密度；
a表示一个索引。
进一步的，所述利用信息增益计算运行状态数据及参数数据的权重值包括以下步骤：
S51、收集运行状态数据及参数数据的样本数据集；
S52、根据样本数据集中的目标变量计算其信息熵，衡量目标变量的不确定性；
S53、对于样本数据集中的特征，分别计算其与目标变量之间的信息增益；
S54、将信息增益值作为特征的权重值，并对权重值进行归一化处理；
S55、分析归一化后的权重值，了解运行状态数据及参数数据的重要程度。
进一步的，所述基于云平台中存储的特征数据，利用波束形成法和时间序列分析法在云平台中构建故障预测模型，并利用故障预测模型对下一时刻的故障发生进行预测包括以下步骤：
S61、采用多项式回归模型分析运行状态数据及参数数据中是否存在较长周期的趋势项；
S62、若存在，则去除较长周期的趋势项；
S63、若不存在，继续分析运行状态数据及参数数据中的周期变化；
S64、根据分析的结果，对去除趋势项后的运行状态数据及参数数据执行波束形成法，得到各频率分量的振幅和相位；
其中，振幅表示某一频率下运行状态数据及参数数据的变化量，相位表示运行状态数据及参数数据的变化的时滞特性；
S65、使用显著性检验判断各个频率分量是否显著，提取显著的周期项，以构建周期项模型；
S66、消除趋势项和周期项后的残差视为随机变化，并构建残差预测模型；
S67、将多项式回归模型、周期项模型和残差预测模型进行叠加，得到故障预测模型；
S68、通过故障预测模型预测下一时刻运行状态数据及参数数据；
S69、将预测的运行状态数据及参数数据与所述权重值进行相应的加权处理，得到故障发生的综合预测输出。
进一步的，所述建立气象数据和运行状态数据相结合的发电量预测模型，基于建筑光伏设备的预测发电量制定电网调度策略并进行评估包括以下步骤：
S71、收集气象数据，并获取下一时刻内建筑光伏设备的运行状态数据；
S72、分别对气象数据及运行状态数据进行特征提取与转换，并将数据划分为训练集和测试集；
S73、构建多层感知器模型，将气象特征和对应的运行状态特征输入到多层感知器模型中，得到对应的建筑光伏设备的发电量预测值；
S74、基于发电量预测值和电网需求情况，制定电网调度策略；
S75、根据制定的电网调度策略，进行能量的分配和调整，控制建筑光伏设备的输出功率，调节光伏设备储能系统的充放电状态，并通过电网调度策略对建筑光伏设备的发电量进行评估。
根据本发明的另一个方面，还提供了一种基于参数化分析的建筑光伏潜力评估系统，该系统包括：
数据采集与数据预处理模块，用于通过传感器网络实时监测建筑光伏设备的运行状态，获取运行状态数据及参数数据，对获取的运行状态数据及参数数据进行预处理，并对预处理结果进行特征提取，将提取的特征数据上传至云平台进行存储，所述参数数据至少包括地理信息数据、气候数据、建筑数据；
性能评估模块，用于利用参数化分析技术建立光电转换模型，并利用光电转换模型实时评估建筑光伏设备的发电性能；
设备运行维护管理模块，用于基于建筑光伏设备的发电性能的评估结果，通过分析建筑光伏设备的功率输出下降趋势来判别建筑光伏设备表面的遮挡物积累程度，并根据判别结果，制定建筑光伏设备的最佳清理周期，利用自动清理设备对建筑光伏设备表面进行清理；
建立故障异常数据库与故障判别模块，用于建立建筑光伏设备运行故障异常数据库，利用数据挖掘技术对云平台中存储的特征数据进行异常检测，识别出潜在故障数据，并将故障数据输入至故障异常数据库中进行故障判别；
权重计算模块，用于利用信息增益计算运行状态数据及参数数据的权重值，基于运行状态数据及参数数据；
故障预测模型构建模块，用于基于云平台中存储的特征数据，利用波束形成法和时间序列分析法在云平台中构建故障预测模型，并利用故障预测模型对下一时刻的故障发生进行预测；
发电量预测评估模块，建立气象数据和运行状态数据相结合的发电量预测模型，基于建筑光伏设备的预测发电量制定电网调度策略并进行评估；
其中，数据采集与数据预处理模块通过性能评估模块和设备运行维护管理模块连接，设备运行维护管理模块通过建立故障异常数据库与故障判别模块和权重计算模块连接，权重计算模块通过故障预测模型构建模块和发电量预测评估模块连接。
本发明的有益效果为：
1、本发明通过光电转换模型对发电效率进行实时评估，从而使得运维人员能够了解建筑光伏设备的发电状况，并且通过收集和分析气象数据和建筑光伏设备的运行状态数据，可以更准确地预测和评估建筑光伏设备的发电性能和发电量，从而提高基于参数化分析的建筑光伏潜力评估的准确性的同时，还通过定期清洗去除表面积累的遮挡物，使得可以恢复或提高设备的发电效率。
2、本发明通过使用局部离群因子算法进行异常值检测时，可以避免将正常的数据点错误地标记为异常值，从而可以提高故障数据的发现和识别能力，减少误报率，并帮助进行精细化的故障分析和处理，进而可以更全面、更准确地评估建筑光伏设备的运行状态和发电潜力。
3、本发明通过故障预测模型，使得能够在故障发生前提前预测出可能的问题，为维护人员提供时间去采取预防措施或进行相应的准备，从而减小故障对设备运行的影响，并且通过预测并及时处理潜在故障，能够有效避免设备性能的严重下降，从而提高设备的使用寿命和运行效率，进而提高了对建筑光伏潜力的评估效率。
附图说明
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于参数化分析的建筑光伏潜力评估方法的流程图；
图2是根据本发明实施例的一种基于参数化分析的建筑光伏潜力评估系统的原理框图。
图中：
1、数据采集与数据预处理模块；2、性能评估模块；3、设备运行维护管理模块；4、建立故障异常数据库与故障判别模块；5、权重计算模块；6、故障预测模型构建模块；7、发电量预测评估模块。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
根据本发明的实施例，提供了一种基于参数化分析的建筑光伏潜力评估方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于参数化分析的建筑光伏潜力评估方法，该评估方法包括以下步骤：
S1、通过传感器网络实时监测建筑光伏设备的运行状态，获取运行状态数据及参数数据，对获取的运行状态数据及参数数据进行预处理，并对预处理结果进行特征提取，将提取的特征数据上传至云平台进行存储，所述参数数据至少包括地理信息数据、气候数据、建筑数据；
具体的，运行状态数据包括电流和电压、发电功率、温度、风速和风向、环境辐射及健康状态指标等，在实际中可能还会根据具体需求采集其他相关参数，数据通过传感器和监测设备收集。
S2、利用参数化分析技术建立光电转换模型，并利用光电转换模型实时评估建筑光伏设备的发电性能；
S3、基于建筑光伏设备的发电性能的评估结果，通过分析建筑光伏设备的功率输出下降趋势来判别建筑光伏设备表面的遮挡物积累程度，并根据判别结果，制定建筑光伏设备的最佳清理周期，利用自动清理设备对建筑光伏设备表面进行清理；
具体的，遮挡物包括雾气、雨、雪、灰尘、鸟粪、落叶等。
S4、建立建筑光伏设备运行故障异常数据库，利用局部离群因子算法对云平台中存储的特征数据进行异常检测，识别出潜在故障数据，并将故障数据输入至故障异常数据库中进行故障判别；
S5、利用信息增益计算运行状态数据及参数数据的权重值，基于运行状态数据及参数数据；
S6、基于云平台中存储的特征数据，利用波束形成法和时间序列分析法在云平台中构建故障预测模型，并利用故障预测模型对下一时刻的故障发生进行预测；
S7、建立气象数据和运行状态数据相结合的发电量预测模型，基于建筑光伏设备的预测发电量制定电网调度策略并进行评估。
在一个实施例中，所述通过传感器网络实时监测建筑光伏设备的运行状态，获取运行状态数据及参数数据，对获取的运行状态数据及参数数据进行预处理，并对预处理结果进行特征提取，将提取的特征数据上传至云平台进行存储，所述参数数据至少包括地理信息数据、气候数据、建筑数据包括以下步骤：
S11、收集传感器获取的运行状态数据及参数数据的重复数据、缺失值和异常值，并对重复数据、缺失值和异常值进行去噪、滤波及平滑处理；
S12、将传感器收集的运行状态数据及参数数据中未处理的数据行进行联结，生成新的数据表，通过外部键值将不同的数据表进行关联，生成完整的数据表，并得到准确数据集；
S13、确定不同数据集之间的外键关系，根据需要将不同数据表中的数据行相互联结，创建新的数据表，并通过指定的外部键值进行关联；
S14、通过SQL语句中的JOIN操作符，将需要联结的数据表连接在一起，在进行联结时，确保数据的完整性约束得到满足；
S15、完成联结后，插入测试数据检查联结结果是否正确，确保能够正确地被识别和关联，得到传感器所获取的运行状态数据及参数数据的准确数据；
S16、利用主成分分析法将传感器所获取的运行状态数据及参数数据的准确数据融合到同一个数据集中；
S17、从融合后的数据集中提取相关的特征，得到运行状态数据及参数数据的特征数据，所述特征至少包括时间特征、性能参数、光照条件、温度参数、环境特征及发电量特征；
S18、将得到的运行状态数据及参数数据的特征数据上传至云平台进行存储。
在一个实施例中，所述利用参数化分析技术建立光电转换模型，并利用光电转换模型实时评估建筑光伏设备的发电性能包括以下步骤：
S21、利参数化分析技术分析建筑光伏设备的运行状态数据，并提取与光伏组件相关的特征；
S22、将提取相关的特征转换成光伏组件特性及光电转换原理，并构建光电转换模型；
S23、通过将实际测量得到的发电功率和辐照度数据与构建的光电转换模型进行拟合，估计光电转换模型中的参数值；
S24、利用建立的光电转换模型计算光伏组件的实际发电效率，并基于发电效率评估光伏设备的发电性能。
具体的，光电转换模型是一种利用光能转换为电能的器件，其工作原理基于光生电压效应和光生电流效应。光电转换模型包括单二极管模型（Single Diode Model），也称为等效电路模型，光电转换模型基于电路理论和半导体物理原理，将光伏电池抽象为电流源、电压源和两个二极管等效电路的组合。
在一个实施例中，所述基于建筑光伏设备的发电性能的评估结果，通过分析建筑光伏设备的功率输出下降趋势来判别建筑光伏设备表面的遮挡物积累程度，并根据判别结果，制定建筑光伏设备的最佳清理周期，利用自动清理设备对建筑光伏设备表面进行清理包括以下步骤：
S31、将光伏组件的实际发电效率与预设阈值进行对比；
具体的，预设阈值的具体数值是根据实际情况和需求来确定的，预设阈值通常表示为一个百分比值，用于指示光伏组件的发电效率下降到何种程度需要进行清理。例如，预设阈值设定为10%，这表示当光伏组件的实际发电效率下降到原始值的90%以下时，即低于预设阈值，则表明建筑光伏设备表面存在较多的遮挡物积累，需要进行清理。
S32、若实际发电效率高于预设阈值，则表明光伏设备的发电性能良好，并表明光伏设备表面的遮挡物积累较少，无需对光伏设备进行清洗；
S33、若实际发电效率低于预设阈值，则表明光伏设备表面存在遮挡物积累，需要对光伏设备进行清洗；
S34、统计不同时间段的实际发电效率下降程度，判断污秽积累的规律，确定光伏设备的最佳清洗周期；
S35、在确定的最佳清理周期内，利用自动清理设备定期对建筑光伏设备表面进行清理。
在一个实施例中，所述建立建筑光伏设备运行故障异常数据库，利用局部离群因子算法对云平台中存储的特征数据进行异常检测，识别出潜在故障数据，并将故障数据输入至故障异常数据库中进行故障判别包括以下步骤：
S41、将运行状态特征数据划分成若干份子数据，并获取子数据的数据点；
S42、计算子数据的数据点的K近邻距离和局部可达密度，通过比较子数据的数据点的局部可达密度与其K近邻的局部可达密度，计算局部离群因子值；
具体的，计算子数据的数据点的K近邻距离和局部可达密度，通过比较子数据的数据点的局部可达密度与其K近邻的局部可达密度，计算局部离群因子值包括：
通过提取子数据的特征，并构建特征矩阵；
使用欧氏距离计算子数据的数据点之间的距离，以量化子数据的数据点之间的相似性；
选择最优的K值，对于子数据的数据点，找到数据点的前K个邻居，并记录K个邻居在特征矩阵的位置；
对于子数据的数据点和它的某个K近邻，分别计算可达距离、局部可达密度及局部离群因子值；
具体的，对于子数据的数据点和它的某个K近邻，分别计算可达距离、局部可达密度及局部离群因子值包括：
对于子数据的数据点和子数据的数据点一个K近邻，计算子数据的数据点与子数据的数据点一个K近邻之间的实际距离和子数据的数据点一个K近邻与其所有K近邻之间的最大距离之间的较大值，得出可达距离；
利用K值除以子数据的数据点，得到其K近邻的可达距离之和，得出局部可达密度；
为子数据的数据点的K近邻的局部可达密度之和除以子数据的数据点自身的局部可达密度再除以K值，得出局部离群因子值。
根据可达距离、局部可达密度及局部离群因子值得出子数据的数据点周围邻居的密集程度，评估子数据的数据点的异常程度，并按照局部离群因子值对子数据的数据点进行排序。
S43、设定局部离群因子值的阈值，若某份子数据的数据点的局部离群因子值大于设定的阈值，将其视为异常值，得到潜在的故障数据。
具体的，局部离群因子算法（Local Outlier Factor，LOF算法）是一种基于密度的异常检测算法，其主要思想是通过比较数据点周围邻居的密集程度，来评估该数据点是否为异常值。
在一个实施例中，所述局部离群因子算法的计算公式为：
其中，表示子数据的数据点的局部离群因子；
K表示邻域的大小；
表示子数据的数据点；
表示子数据的数据点的一个K近邻；
表示子数据的数据点的一个K近邻的局部可达密度；
表示子数据的数据点的局部可达密度；
a表示一个索引。
在一个实施例中，所述利用信息增益计算运行状态数据及参数数据的权重值包括以下步骤：
S51、收集运行状态数据及参数数据的样本数据集；
S52、根据样本数据集中的目标变量计算其信息熵，衡量目标变量的不确定性；
具体的，目标变量指的是用于判断建筑光伏设备是否故障的变量。
S53、对于样本数据集中的特征，分别计算其与目标变量之间的信息增益；
具体的，样本数据集中的特征是指建筑光伏设备运行状态和参数的各种变量。特征包括设备参数、环境参数时间参数、设备状态指标等。
S54、将信息增益值作为特征的权重值，并对权重值进行归一化处理；
具体的，归一化处理（Normalization）：归一化处理是将数据的量纲统一，使不同数据之间具有可比性，对预测结果进行归一化处理，有助于消除数据量纲的影响，便于后续的加权处理和求和计算。
S55、分析归一化后的权重值，了解运行状态数据及参数数据的重要程度。
在一个实施例中，所述基于云平台中存储的特征数据，利用波束形成法和时间序列分析法在云平台中构建故障预测模型，并利用故障预测模型对下一时刻的故障发生进行预测包括以下步骤：
S61、采用多项式回归模型分析运行状态数据及参数数据中是否存在较长周期的趋势项；
S62、若存在，则去除较长周期的趋势项；
S63、若不存在，继续分析运行状态数据及参数数据中的周期变化；
S64、根据分析的结果，对去除趋势项后的运行状态数据及参数数据执行波束形成法，得到各频率分量的振幅和相位；
其中，振幅表示某一频率下运行状态数据及参数数据的变化量，相位表示运行状态数据及参数数据的变化的时滞特性；
S65、使用显著性检验判断各个频率分量是否显著，提取显著的周期项，以构建周期项模型；
S66、消除趋势项和周期项后的残差视为随机变化，并构建残差预测模型；
S67、将多项式回归模型、周期项模型和残差预测模型进行叠加，得到故障预测模型；
具体的，显著性检验：显著性检验是一种统计学方法，用于检验观察到的数据与某一假设之间是否存在显著差异。在时间序列分析中，显著性检验常用于判断数据中的周期性成分是否具有统计意义。显著性检验的结果通常用p值表示，p值越小，表明观察到的数据与假设之间的差异越显著。
具体的，周期项模型：周期项模型主要用于描述时间序列数据中的周期性成分。在用电信息采集系统故障预测中，周期项模型可以帮助捕捉故障发生在一天内、一周内等不同时间尺度上的周期性变化。构建周期项模型的方法包括傅里叶分析、周期回归等。
具体的，消除趋势项和周期项：在时间序列分析中，数据通常可以分解为趋势项、周期项和随机变化（残差）。通过消除趋势项和周期项，可以将数据中的规律性成分剔除，从而更好地关注随机变化。消除趋势项和周期项的方法包括差分、滤波等。
具体的，残差预测模型：残差预测模型用于描述时间序列数据中的随机变化（残差）。在消除趋势项和周期项后，残差被视为随机变化，可以通过构建残差预测模型来估计其下一时刻的波动。常用的残差预测模型包括自回归移动平均模型（ARIMA）、指数平滑模型（ETS）等。
S68、通过故障预测模型预测下一时刻运行状态数据及参数数据；
S69、将预测的运行状态数据及参数数据与所述权重值进行相应的加权处理，得到故障发生的综合预测输出。
在一个实施例中，所述建立气象数据和运行状态数据相结合的发电量预测模型，基于建筑光伏设备的预测发电量制定电网调度策略并进行评估包括以下步骤：
S71、收集气象数据，并获取下一时刻内建筑光伏设备的运行状态数据；
S72、分别对气象数据及运行状态数据进行特征提取与转换，并将数据划分为训练集和测试集；
S73、构建多层感知器模型，将气象特征和对应的运行状态特征输入到多层感知器模型中，得到对应的建筑光伏设备的发电量预测值；
具体的，多层感知器（Multilayer Perceptron，简称MLP）是一种人工神经网络模型，它由多个神经元层组成，每个神经元层都与前一层和后一层完全连接。在MLP中，输入层接收输入数据，每个输入节点代表数据的一个特征，输入数据通过隐藏层传递，隐藏层由多个神经元组成，每个神经元接收来自上一层的输入，并应用激活函数对输入进行非线性转换，最后，输出层接收隐藏层的输出，并产生最终的预测结果。
S74、基于发电量预测值和电网需求情况，制定电网调度策略；
S75、根据制定的电网调度策略，进行能量的分配和调整，控制建筑光伏设备的输出功率，调节光伏设备储能系统的充放电状态，并通过电网调度策略对建筑光伏设备的发电量进行评估。
根据本发明的另一个实施例，如图2所示，还提供了一种基于参数化分析的建筑光伏潜力评估系统，该系统包括：
数据采集与数据预处理模块1，用于通过传感器网络实时监测建筑光伏设备的运行状态，获取运行状态数据及参数数据，对获取的运行状态数据及参数数据进行预处理，并对预处理结果进行特征提取，将提取的特征数据上传至云平台进行存储，所述参数数据至少包括地理信息数据、气候数据、建筑数据；
性能评估模块2，用于利用参数化分析技术建立光电转换模型，并利用光电转换模型实时评估建筑光伏设备的发电性能；
设备运行维护管理模块3，用于基于建筑光伏设备的发电性能的评估结果，通过分析建筑光伏设备的功率输出下降趋势来判别建筑光伏设备表面的遮挡物积累程度，并根据判别结果，制定建筑光伏设备的最佳清理周期，利用自动清理设备对建筑光伏设备表面进行清理；
建立故障异常数据库与故障判别模块4，用于建立建筑光伏设备运行故障异常数据库，利用数据挖掘技术对云平台中存储的特征数据进行异常检测，识别出潜在故障数据，并将故障数据输入至故障异常数据库中进行故障判别；
权重计算模块5，用于利用信息增益计算运行状态数据及参数数据的权重值，基于运行状态数据及参数数据；
故障预测模型构建模块6，用于基于云平台中存储的特征数据，利用波束形成法和时间序列分析法在云平台中构建故障预测模型，并利用故障预测模型对下一时刻的故障发生进行预测；
发电量预测评估模块7，建立气象数据和运行状态数据相结合的发电量预测模型，基于建筑光伏设备的预测发电量制定电网调度策略并进行评估；
其中，数据采集与数据预处理模块1通过性能评估模块2和设备运行维护管理模块3连接，设备运行维护管理模块3通过建立故障异常数据库与故障判别模块4和权重计算模块5连接，权重计算模块5通过故障预测模型构建模块6和发电量预测评估模块7连接。
综上所述，借助于本发明的上述技术方案，本发明通过使用局部离群因子算法进行异常值检测时，可以避免将正常的数据点错误地标记为异常值，从而可以提高故障数据的发现和识别能力，减少误报率，并帮助进行精细化的故障分析和处理，进而可以更全面、更准确地评估建筑光伏设备的运行状态和发电潜力。本发明通过故障预测模型，使得能够在故障发生前提前预测出可能的问题，为维护人员提供时间去采取预防措施或进行相应的准备，从而减小故障对设备运行的影响，并且通过预测并及时处理潜在故障，能够有效避免设备性能的严重下降，从而提高设备的使用寿命和运行效率，进而提高了对建筑光伏潜力的评估效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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)
1.一种基于参数化分析的建筑光伏潜力评估方法，其特征在于，该基于参数化分析的建筑光伏潜力评估方法包括以下步骤：
S1、通过传感器网络实时监测建筑光伏设备的运行状态，获取运行状态数据及参数数据，对获取的运行状态数据及参数数据进行预处理，并对预处理结果进行特征提取，将提取的特征数据上传至云平台进行存储，所述参数数据至少包括地理信息数据、气候数据、建筑数据；
S2、利用参数化分析技术建立光电转换模型，并利用光电转换模型实时评估建筑光伏设备的发电性能；
S3、基于建筑光伏设备的发电性能的评估结果，通过分析建筑光伏设备的功率输出下降趋势来判别建筑光伏设备表面的遮挡物积累程度，并根据判别结果，制定建筑光伏设备的最佳清理周期，利用自动清理设备对建筑光伏设备表面进行清理；
S4、建立建筑光伏设备运行故障异常数据库，利用局部离群因子算法对云平台中存储的特征数据进行异常检测，识别出潜在故障数据，并将故障数据输入至故障异常数据库中进行故障判别；
S5、利用信息增益计算运行状态数据及参数数据的权重值，基于运行状态数据及参数数据；
S6、基于云平台中存储的特征数据，利用波束形成法和时间序列分析法在云平台中构建故障预测模型，并利用故障预测模型对下一时刻的故障发生进行预测；
S7、建立气象数据和运行状态数据相结合的发电量预测模型，基于建筑光伏设备的预测发电量制定电网调度策略并进行评估。
2.根据权利要求1所述的一种基于参数化分析的建筑光伏潜力评估方法，其特征在于，所述通过传感器网络实时监测建筑光伏设备的运行状态，获取运行状态数据及参数数据，对获取的运行状态数据及参数数据进行预处理，并对预处理结果进行特征提取，将提取的特征数据上传至云平台进行存储，所述参数数据至少包括地理信息数据、气候数据、建筑数据包括以下步骤：
S11、收集传感器获取的运行状态数据及参数数据的重复数据、缺失值和异常值，并对重复数据、缺失值和异常值进行去噪、滤波及平滑处理；
S12、将传感器收集的运行状态数据及参数数据中未处理的数据行进行联结，生成新的数据表，通过外部键值将不同的数据表进行关联，生成完整的数据表，并得到准确数据集；
S13、确定不同数据集之间的外键关系，根据需要将不同数据表中的数据行相互联结，创建新的数据表，并通过指定的外部键值进行关联；
S14、通过SQL语句中的JOIN操作符，将需要联结的数据表连接在一起，在进行联结时，确保数据的完整性约束得到满足；
S15、完成联结后，插入测试数据检查联结结果是否正确，确保能够正确地被识别和关联，得到传感器所获取的运行状态数据及参数数据的准确数据；
S16、利用主成分分析法将传感器所获取的运行状态数据及参数数据的准确数据融合到同一个数据集中；
S17、从融合后的数据集中提取相关的特征，得到运行状态数据及参数数据的特征数据，所述特征至少包括时间特征、性能参数、光照条件、温度参数、环境特征及发电量特征；
S18、将得到的运行状态数据及参数数据的特征数据上传至云平台进行存储。
3.根据权利要求1所述的一种基于参数化分析的建筑光伏潜力评估方法，其特征在于，所述利用参数化分析技术建立光电转换模型，并利用光电转换模型实时评估建筑光伏设备的发电性能包括以下步骤：
S21、利参数化分析技术分析建筑光伏设备的运行状态数据，并提取与光伏组件相关的特征；
S22、将提取相关的特征转换成光伏组件特性及光电转换原理，并构建光电转换模型；
S23、通过将实际测量得到的发电功率和辐照度数据与构建的光电转换模型进行拟合，估计光电转换模型中的参数值；
S24、利用建立的光电转换模型计算光伏组件的实际发电效率，并基于发电效率评估光伏设备的发电性能。
4.根据权利要求1所述的一种基于参数化分析的建筑光伏潜力评估方法，其特征在于，所述基于建筑光伏设备的发电性能的评估结果，通过分析建筑光伏设备的功率输出下降趋势来判别建筑光伏设备表面的遮挡物积累程度，并根据判别结果，制定建筑光伏设备的最佳清理周期，利用自动清理设备对建筑光伏设备表面进行清理包括以下步骤：
S31、将光伏组件的实际发电效率与预设阈值进行对比；
S32、若实际发电效率高于预设阈值，则表明光伏设备的发电性能良好，并表明光伏设备表面的遮挡物积累较少，无需对光伏设备进行清洗；
S33、若实际发电效率低于预设阈值，则表明光伏设备表面存在遮挡物积累，需要对光伏设备进行清洗；
S34、统计不同时间段的实际发电效率下降程度，判断污秽积累的规律，确定光伏设备的最佳清洗周期；
S35、在确定的最佳清理周期内，利用自动清理设备定期对建筑光伏设备表面进行清理。
5.根据权利要求2所述的一种基于参数化分析的建筑光伏潜力评估方法，其特征在于，所述建立建筑光伏设备运行故障异常数据库，利用局部离群因子算法对云平台中存储的特征数据进行异常检测，识别出潜在故障数据，并将故障数据输入至故障异常数据库中进行故障判别包括以下步骤：
S41、将运行状态特征数据划分成若干份子数据，并获取子数据的数据点；
S42、计算子数据的数据点的K近邻距离和局部可达密度，通过比较子数据的数据点的局部可达密度与其K近邻的局部可达密度，计算局部离群因子值；
S43、设定局部离群因子值的阈值，若某份子数据的数据点的局部离群因子值大于设定的阈值，将其视为异常值，得到潜在的故障数据。
6.根据权利要求5所述的一种基于参数化分析的建筑光伏潜力评估方法，其特征在于，所述局部离群因子算法的计算公式为：
其中，表示子数据的数据点的局部离群因子；
K表示邻域的大小；
表示子数据的数据点；
表示子数据的数据点的一个K近邻；
表示子数据的数据点的一个K近邻的局部可达密度；
表示子数据的数据点的局部可达密度；
a表示一个索引。
7.根据权利要求1所述的一种基于参数化分析的建筑光伏潜力评估方法，其特征在于，所述利用信息增益计算运行状态数据及参数数据的权重值包括以下步骤：
S51、收集运行状态数据及参数数据的样本数据集；
S52、根据样本数据集中的目标变量计算其信息熵，衡量目标变量的不确定性；
S53、对于样本数据集中的特征，分别计算其与目标变量之间的信息增益；
S54、将信息增益值作为特征的权重值，并对权重值进行归一化处理；
S55、分析归一化后的权重值，了解运行状态数据及参数数据的重要程度。
8.根据权利要求1所述的一种基于参数化分析的建筑光伏潜力评估方法，其特征在于，所述基于云平台中存储的特征数据，利用波束形成法和时间序列分析法在云平台中构建故障预测模型，并利用故障预测模型对下一时刻的故障发生进行预测包括以下步骤：
S61、采用多项式回归模型分析运行状态数据及参数数据中是否存在较长周期的趋势项；
S62、若存在，则去除较长周期的趋势项；
S63、若不存在，继续分析运行状态数据及参数数据中的周期变化；
S64、根据分析的结果，对去除趋势项后的运行状态数据及参数数据执行波束形成法，得到各频率分量的振幅和相位；
其中，振幅表示某一频率下运行状态数据及参数数据的变化量，相位表示运行状态数据及参数数据的变化的时滞特性；
S65、使用显著性检验判断各个频率分量是否显著，提取显著的周期项，以构建周期项模型；
S66、消除趋势项和周期项后的残差视为随机变化，并构建残差预测模型；
S67、将多项式回归模型、周期项模型和残差预测模型进行叠加，得到故障预测模型；
S68、通过故障预测模型预测下一时刻运行状态数据及参数数据；
S69、将预测的运行状态数据及参数数据与所述权重值进行相应的加权处理，得到故障发生的综合预测输出。
9.根据权利要求1所述的一种基于参数化分析的建筑光伏潜力评估方法，其特征在于，所述建立气象数据和运行状态数据相结合的发电量预测模型，基于建筑光伏设备的预测发电量制定电网调度策略并进行评估包括以下步骤：
S71、收集气象数据，并获取下一时刻内建筑光伏设备的运行状态数据；
S72、分别对气象数据及运行状态数据进行特征提取与转换，并将数据划分为训练集和测试集；
S73、构建多层感知器模型，将气象特征和对应的运行状态特征输入到多层感知器模型中，得到对应的建筑光伏设备的发电量预测值；
S74、基于发电量预测值和电网需求情况，制定电网调度策略；
S75、根据制定的电网调度策略，进行能量的分配和调整，控制建筑光伏设备的输出功率，调节光伏设备储能系统的充放电状态，并通过电网调度策略对建筑光伏设备的发电量进行评估。
10.一种基于参数化分析的建筑光伏潜力评估系统，用于实现权利要求1-9中任一项所述的基于参数化分析的建筑光伏潜力评估方法，其特征在于，该基于参数化分析的建筑光伏潜力评估系统包括：
数据采集与数据预处理模块，用于通过传感器网络实时监测建筑光伏设备的运行状态，获取运行状态数据及参数数据，对获取的运行状态数据及参数数据进行预处理，并对预处理结果进行特征提取，将提取的特征数据上传至云平台进行存储，所述参数数据至少包括地理信息数据、气候数据、建筑数据；
性能评估模块，用于利用参数化分析技术建立光电转换模型，并利用光电转换模型实时评估建筑光伏设备的发电性能；
设备运行维护管理模块，用于基于建筑光伏设备的发电性能的评估结果，通过分析建筑光伏设备的功率输出下降趋势来判别建筑光伏设备表面的遮挡物积累程度，并根据判别结果，制定建筑光伏设备的最佳清理周期，利用自动清理设备对建筑光伏设备表面进行清理；
建立故障异常数据库与故障判别模块，用于建立建筑光伏设备运行故障异常数据库，利用数据挖掘技术对云平台中存储的特征数据进行异常检测，识别出潜在故障数据，并将故障数据输入至故障异常数据库中进行故障判别；
权重计算模块，用于利用信息增益计算运行状态数据及参数数据的权重值，基于运行状态数据及参数数据；
故障预测模型构建模块，用于基于云平台中存储的特征数据，利用波束形成法和时间序列分析法在云平台中构建故障预测模型，并利用故障预测模型对下一时刻的故障发生进行预测；
发电量预测评估模块，建立气象数据和运行状态数据相结合的发电量预测模型，基于建筑光伏设备的预测发电量制定电网调度策略并进行评估；
其中，数据采集与数据预处理模块通过性能评估模块和设备运行维护管理模块连接，设备运行维护管理模块通过建立故障异常数据库与故障判别模块和权重计算模块连接，权重计算模块通过故障预测模型构建模块和发电量预测评估模块连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311445831.5A CN117172620B (zh) | 2023-11-02 | 2023-11-02 | 一种基于参数化分析的建筑光伏潜力评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311445831.5A CN117172620B (zh) | 2023-11-02 | 2023-11-02 | 一种基于参数化分析的建筑光伏潜力评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172620A CN117172620A (zh) | 2023-12-05 |
| CN117172620B true CN117172620B (zh) | 2023-12-26 |
Family
ID=88939804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311445831.5A Active CN117172620B (zh) | 2023-11-02 | 2023-11-02 | 一种基于参数化分析的建筑光伏潜力评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172620B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118101495B (zh) * | 2024-02-28 | 2024-09-20 | 深圳华电智能股份有限公司 | 一种基于网关数据的用能状态预测方法及系统 |
| CN117909703B (zh) * | 2024-03-18 | 2024-05-31 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 基于告警阈值触发的数据质量评估方法及系统 |
| CN117932520B (zh) * | 2024-03-20 | 2024-06-07 | 史瑞美(厦门)科技有限公司 | 基于数据识别的固体生物废物处理设备监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107134851A (zh) * | 2017-05-03 | 2017-09-05 | 成都富驰达科技有限公司 | 一种基于建筑信息模型的光伏电站智能运维方法和系统 |
| KR101838554B1 (ko) * | 2017-03-24 | 2018-04-26 | (주)성안 | 태양광 발전을 이용한 스마트 빌딩 도로 결빙 및 에너지 실시간 관리 시스템 |
| CN115249094A (zh) * | 2022-09-26 | 2022-10-28 | 烟台东方智能技术有限公司 | 一种基于大数据的建筑能效管理和优化方法 |
| CN115965132A (zh) * | 2022-12-15 | 2023-04-14 | 国网重庆市电力公司丰都供电分公司 | 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法 |
| CN116933197A (zh) * | 2023-09-19 | 2023-10-24 | 安徽融兆智能有限公司 | 一种基于大数据的用电信息采集系统故障判别方法及系统 |
-
2023
- 2023-11-02 CN CN202311445831.5A patent/CN117172620B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101838554B1 (ko) * | 2017-03-24 | 2018-04-26 | (주)성안 | 태양광 발전을 이용한 스마트 빌딩 도로 결빙 및 에너지 실시간 관리 시스템 |
| CN107134851A (zh) * | 2017-05-03 | 2017-09-05 | 成都富驰达科技有限公司 | 一种基于建筑信息模型的光伏电站智能运维方法和系统 |
| CN115249094A (zh) * | 2022-09-26 | 2022-10-28 | 烟台东方智能技术有限公司 | 一种基于大数据的建筑能效管理和优化方法 |
| CN115965132A (zh) * | 2022-12-15 | 2023-04-14 | 国网重庆市电力公司丰都供电分公司 | 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法 |
| CN116933197A (zh) * | 2023-09-19 | 2023-10-24 | 安徽融兆智能有限公司 | 一种基于大数据的用电信息采集系统故障判别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172620A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| De Benedetti et al. | Anomaly detection and predictive maintenance for photovoltaic systems | |
| 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 | |
| CN116933197B (zh) | 一种基于大数据的用电信息采集系统故障判别方法及系统 | |
| CN116307641B (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
| CN117540859B (zh) | 一种基于神经网络的光伏电站发电量的预估方法及系统 | |
| CN117669960A (zh) | 一种基于多变量气象因子的新能源功率预测方法 | |
| CN118013450B (zh) | 一种基于太阳总辐射计算的光伏优化系统 | |
| CN118213970A (zh) | 分布式光伏发电量预测方法及系统 | |
| CN117175695B (zh) | 一种基于柴油发电机组的光伏微网发电方法及系统 | |
| Huang et al. | Wind turbine health assessment framework based on power analysis using machine learning method | |
| CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
| Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
| Pahmi et al. | Artificial neural network based forecasting of power under real time monitoring environment | |
| Mathew et al. | Performance modelling of renewable energy systems using kNN algorithm for smart grid applications | |
| CN116232222B (zh) | 一种分布式光伏系统云边协同积灰程度监测方法及系统 | |
| CN118246695B (zh) | 一种光伏新能源运维调度系统 | |
| KR102553193B1 (ko) | 태양광 발전량 예측 시스템 및 방법 | |
| Laayouj et al. | New prognostic framework for degradation assessment and remaining useful life estimation of photovoltaic module | |
| CN116823215B (zh) | 一种用于电站的智慧运维管控方法及系统 | |
| Laayouj et al. | Photovoltaic module health monitoring and degradation assessment | |
| WO2024171209A1 (en) | A digital twin system for solar power plants and method thereof | |
| Yi et al. | Anomaly detection of photovoltaic power generation based on quantile regression recurrent neural network | |
| Baptista et al. | Energy production forecasting for a wind farm composed of turbines with different features | |
| CN118362865A (zh) | 施工现场用电数据异常诊断方法、系统、介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |