CN117272042A - 光伏电站监测方法、装置、电子设备及存储介质 - Google Patents
光伏电站监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117272042A CN117272042A CN202311074097.6A CN202311074097A CN117272042A CN 117272042 A CN117272042 A CN 117272042A CN 202311074097 A CN202311074097 A CN 202311074097A CN 117272042 A CN117272042 A CN 117272042A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power station
- abnormality detection
- model
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 101
- 238000001514 detection method Methods 0.000 claims abstract description 100
- 238000012423 maintenance Methods 0.000 claims abstract description 61
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 description 15
- 238000003745 diagnosis Methods 0.000 description 15
- 238000007726 management method Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Abstract
本申请涉及设备运维技术领域,提供一种光伏电站监测方法、装置、电子设备及存储介质,所述方法包括:获取光伏电站的工作参数与外部环境参数;将所述工作参数与所述外部环境参数输入至特征提取模型,得到所述特征提取模型输出的特征数据;其中,所述特征提取模型是基于光伏电站的样本工作参数、样本外部环境参数及对应的样本特征进行训练得到的;将所述特征数据输入至异常检测模型,得到所述异常检测模型输出的异常检测结果;其中,所述异常检测模型是基于样本特征及其标签信息进行训练得到的。本申请可以快速、准确地对光伏电站潜在的故障风险和设备状态变化进行分析预测,实现及时、准确地完成光伏电站的故障预警,进而提高光伏电站的监测效率。
Description
技术领域
本申请涉及设备运维技术领域,具体涉及一种光伏电站监测方法、装置、电子设备及存储介质。
背景技术
目前,分布式光伏电站主要依靠人工运维、清洗机器人、巡检管理系统和逆变器自带管理系统等实现管理。巡检管理系统通常应用于设备日常运行维护的流程管理,进行巡检派单、接受工单、现场反馈等步骤,形成设备巡检档案。逆变器管理系统通常应用于设备的性能监测、指标监测以及告警监测,实现方面的管理。
当前,光伏电站运营维护团队大多为初入行业的人员,对于设备监测和故障判断往往是缺乏经验的而非科学准确的。并且智能化程度较弱,仅能实现对分布式电站部分基础环节的管控,对于潜在的故障风险和设备状态变化无法精确诊断,因此不能及时、准确地完成光伏电站的故障预警,进而导致光伏电站的监测效率低下。
发明内容
本申请实施例提供一种光伏电站监测方法、装置、电子设备及存储介质,用以解决当前光伏电站的监测效率低下的问题。
第一方面,本申请实施例提供一种光伏电站监测方法,包括:
获取光伏电站的工作参数与外部环境参数;
将所述工作参数与所述外部环境参数输入至特征提取模型,得到所述特征提取模型输出的特征数据;其中,所述特征提取模型是基于光伏电站的样本工作参数、样本外部环境参数及对应的样本特征进行训练得到的;
将所述特征数据输入至异常检测模型,得到所述异常检测模型输出的异常检测结果;其中,所述异常检测模型是基于样本特征及其标签信息进行训练得到的。
在一个实施例中,在将所述特征数据输入至异常检测模型,得到所述异常检测模型输出的异常检测结果之后,还包括:
若所述异常检测结果为存在异常,则根据所述异常检测结果中的异常原因,确定所述光伏电站的维护方案。
在一个实施例中,所述根据所述异常检测结果中的异常原因,确定所述光伏电站的维护方案,包括:
将所述异常检测结果中的异常原因输入至维护方案预测模型中,得到所述维护方案预测模型输出的维护方案;其中,所述维护方案预测模型是基于样本异常原因及其维护方案进行训练得到的。
在一个实施例中,在确定所述光伏电站的维护方案之后,还包括:
将所述异常检测结果与所述维护方案进行可视化输出。
在一个实施例中,在将所述工作参数与所述外部环境参数输入至特征提取模型之前,还包括:
对所述工作参数与所述外部环境参数进行数据预处理;所述预处理包括数据清洗、异常检测与缺失值填补中的至少一项。
在一个实施例中,所述外部环境参数包括气象数据与大气污染程度中的至少一项。
在一个实施例中,所述工作参数包括发电功率、电压、电流、温度与辐照度中的至少一项。
第二方面,本申请实施例提供一种光伏电站监测装置,包括:
获取模块,用于获取光伏电站的工作参数与外部环境参数;
第一输入模块,用于将所述工作参数与所述外部环境参数输入至特征提取模型,得到所述特征提取模型输出的特征数据;其中,所述特征提取模型是基于光伏电站的样本工作参数、样本外部环境参数及对应的样本特征进行训练得到的;
第二输入模块,用于将所述特征数据输入至异常检测模型,得到所述异常检测模型输出的异常检测结果;其中,所述异常检测模型是基于样本特征及其标签信息进行训练得到的。
第三方面,本申请实施例提供一种电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述程序时实现第一方面所述的光伏电站监测方法。
第四方面,本申请实施例提供一种存储介质,所述存储介质为计算机可读存储介质,包括计算机程序,所述计算机程序被处理器执行时实现第一方面所述的光伏电站监测方法。
本申请实施例提供的光伏电站监测方法、装置、电子设备及存储介质,通过特征提取模型快速、准确地根据光伏电站的工作参数提取出相应的特征数据,并通过异常检测模型快速、准确地根据提取的特征数据进行异常检测,得到光伏电站的异常检测结果。由此,可以快速、准确地对光伏电站潜在的故障风险和设备状态变化进行分析预测,实现及时、准确地完成光伏电站的故障预警,进而可以提高光伏电站的监测效率。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请实施例提供的光伏电站监测方法的流程示意图;
图2是实施本申请实施例提供的光伏电站监测方法的分布式光伏智能诊断系统的架构示意图
图3是本申请光伏电站监测装置实施例的功能模块示意图;
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。基于本申请中的实施例,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,都属于本申请保护的范围。
下面结合实施例对本申请提供的光伏电站监测方法、装置、电子设备及存储介质进行详细描述。
图1为本申请实施例提供的光伏电站监测方法的流程示意图。参照图1,本申请实施例提供一种光伏电站监测方法,该方法可以包括:
步骤100,获取光伏电站的工作参数与外部环境参数;
需要说明的是,本申请实施例提供的光伏电站监测方法的执行主体可以是计算机设备,例如手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(Ultra-Mobile Personal Computer,UMPC)、上网本或者个人数字助理(PersonalDigital Assistant,PDA)等。
本申请的计算机设备中可以设置有分布式光伏智能诊断系统,分布式光伏智能诊断系统可以执行本申请的光伏电站监测方法,对分布式的光伏电站进行监测。
图2为可以实施本申请实施例提供的光伏电站监测方法的分布式光伏智能诊断系统的架构示意图。参照图2,本申请中分布式光伏智能诊断系统中可以包括基础数据管理模块、数据预处理模块、特征提取模块、模型构建模块、诊断分析模块、监控中心等。并且,现有技术中,由于分布式电站地理位置分散,容易产生数据分散、系统割裂、缺乏统一标准等现实痛点,无法获取全量实物资源信息,物资实物有效管控难。本申请的分布式光伏智能诊断系统可以采用分布式架构,支持分布式计算和存储,以对多个分布式光伏电站进行监测和诊断。
其中,基础数据管理模块用于对智能诊断所需的光伏电站的监测数据进行采集及管理。并且,基础数据管理模块可以通过现场计量设备或逆变器管理系统实现数据的自动采集。
数据预处理模块用于对采集到的光伏电站的监测数据进行预处理。本申请中预处理的手段可以包括但不限于数据清洗、异常检测与缺失值填补等。
特征提取模块用于基于机器学习算法和信号处理技术,从预处理后的数据中提取出与光伏电站的运行状态和问题相关的特征。
模型构建模块用于基于提取的特征,建立适合光伏电站诊断的数学模型,并在完成训练后得到异常检测模型。
诊断分析模块用于利用上述构建的模型,对光伏电站进行诊断和分析,发现可能存在的故障和问题,给出相应的诊断结果和建议。同时,诊断分析模块也可以跟踪光伏电站的运行状态和性能变化,实现光伏电站的智能化管理和维护。
监控中心可以用于对上述各模块的运行情况进行监控,并在监控到存在模块出现异常时进行预警。
本申请中光伏电站的监测数据可以包括工作参数与外部环境参数。
其中,外部环境参数包括气象数据与大气污染程度中的至少一项。
例如在一个实施例中,外部环境参数可以包括气象数据与大气污染程度。
工作参数可以包括发电功率、电压、电流、温度与辐照度中的至少一项。
其中,发电功率可以为逆变器的输出功率;电压、电流、温度可以为光伏电池片的电压、电流、温度。
例如在一个实施例中,工作参数可以包括发电功率、电压、电流、温度与辐照度等。
需要说明的是,本申请获取的光伏电站的工作参数与外部环境参数为电站在同一时刻或一定时间范围内的工作参数与外部环境参数。
因此,本申请可以通过基础数据管理模块获取指定光伏电站当前的工作参数与外部环境参数。
步骤200,将工作参数与外部环境参数输入至特征提取模型,得到特征提取模型输出的特征数据;
本申请中,可以预先根据监测参数与光伏电站运行状态和问题相关的特征之间的关联关系构建一个模型。
其中,与光伏电站运行状态和问题相关的特征可以为电压波动、电流波动、温度异常、辐照度过高、功率降低、大气污染程度高以及阴雨或雷暴天气等。
进一步地,获取光伏电站的历史工作参数作为样本工作参数,获取光伏电站的历史外部环境参数作为样本外部环境参数,同时获取针对该光伏电站在各样本工作参数与样本外部环境参数下标注的样本特征。
进一步地,根据上述样本工作参数、样本外部环境参数与样本特征,对构建的模型进行训练,在训练完成后得到一个特征提取模型。
因此,在得到光伏电站的工作参数与外部环境参数后,本申请可以将该光伏电站的工作参数与外部环境参数输入至特征提取模块中的特征提取模型,通过特征提取模型根据输入的数据进行预测,并在特征提取模型完成预测后得到特征提取模型输出的特征数据。
步骤300,将特征数据输入至异常检测模型,得到异常检测模型输出的异常检测结果。
本申请可以预先根据与光伏电站的运行状态和问题相关的特征构建一个数学模型。进一步地,通过样本特征及其标签信息对该数学模型进行训练,并在完成训练后得到异常检测模型。
需要说明的是,该数学模型可以通过机器学习算法、神经网络、决策树等技术构建,也可以结合专家经验和知识进行构建。并且,在训练过程中可以对模型进行验证与调优,使得模型的预测结果更准确。
因此,在得到特征数据后,本申请可以将特征数据输入至诊断分析模块中的异常检测模型,由异常检测模型根据输入的数据进行预测,在完成预测后得到异常检测模型输出的异常检测结果。
其中,异常检测结果可以为正常或者存在异常,并且为存在异常时异常检测结果还可以包括具体的异常原因。
本申请实施例提供的光伏电站监测方法,通过特征提取模型快速、准确地根据光伏电站的工作参数提取出相应的特征数据,并通过异常检测模型快速、准确地根据提取的特征数据进行异常检测,得到光伏电站的异常检测结果。由此,可以快速、准确地对光伏电站潜在的故障风险和设备状态变化进行分析预测,实现及时、准确地完成光伏电站的故障预警,进而可以提高光伏电站的监测效率。
本申请通过对分布式光伏电站的基础数据按照“采集管理-数据预处理-特征提取-模型构建”的逻辑进行加工处理,实现分布式光伏电站智能诊断算法的构建,提高光伏电站的智能化程度。
本申请可以提高光伏电站的稳定性:通过对光伏电站的关键设备的性能参数进行实时监测、分析和预测,可以及时发现设备运行状态异常,避免设备故障对光伏电站造成影响导致的发电量损失,从而提高光伏电站的稳定性和可靠性。
本申请还可以提高发电量:通过更精准的数据分析和故障诊断,提供发电数据监控和报警服务,及时发现并解决设备故障、损坏、老化等问题,避免光伏电站因故障停产,影响发电量。
本申请还可以降低运行成本:通过提高光伏电站的运行效率,降低光伏电站的维护成本和运行成本。同时,通过分析光伏电站发电数据,优化发电计划,实现最大化发电收益。
在一个实施例中,在将工作参数与外部环境参数输入至特征提取模型之前,还包括:
步骤A1,对工作参数与外部环境参数进行数据预处理。
为了保证后续的特征提取和诊断分析的准确性和可靠性,本申请在将光伏电站的工作参数与外部环境参数输入至特征提取模型之前,还需要对工作参数与外部环境参数进行预处理。
具体地,本申请可以先对工作参数与外部环境参数进行异常检测,具体可以通过应用异常检测算法,识别和标记数据中的异常值。这些异常值可能是由于设备故障、传感器错误或其他异常情况引起的。例如可以采用基于统计分析的方法实现。
进一步地,可以对完成异常检测后的数据进行数据清洗,得到清洗后的数据。具体地,进行数据清洗时可以去除重复、错误或无效的数据。更具体地,可以使用统计方法、数据可视化、逻辑判断等技术来识别和处理异常数据。
进一步地,对清洗后的数据进行缺失值填补。具体地,若数据中存在缺失值,则需要进行填补处理以保证数据的完整性和可用性。本申请中填补缺失值的方法可以是基于统计分析的方法,如均值、中位数、回归分析等。
本实施例可以对光伏电站的监测数据进行预处理,以保证后续的特征提取和诊断分析的准确性和可靠性。
在一个实施例中,在将特征数据输入至异常检测模型,得到异常检测模型输出的异常检测结果之后,还包括:
步骤400,若异常检测结果为存在异常,则根据异常检测结果中的异常原因,确定光伏电站的维护方案。
在得到异常检测结果之后,若确定异常检测结果为存在异常,则获取异常检测结果中的异常原因。
进一步地,可以通过人工智能或者查表的方式,确定该异常原因对应的维护方案。
在一个实施例中,本申请可以预先根据不同的异常原因分别设置一个维护方案,并建立异常原因与维护方案之间的关联关系。
因此,本申请在得到异常原因后,可以通过上述关联关系,以查表的方式查询与该异常原因关联的维护方案并确定为该光伏电站的维护方案。
进一步地,根据异常检测结果中的异常原因,确定光伏电站的维护方案,包括:
步骤401,将异常检测结果中的异常原因输入至维护方案预测模型中,得到维护方案预测模型输出的维护方案。
在另一个实施例中,本申请可以根据各异常原因构建一个用于预测维护方案的初始模型。
进一步地,获取多个异常原因作为样本异常原因,以及获取针对每一异常原因设置的维护方案。
进一步地,通过样本异常原因及其维护方案,对构建的初始模型进行训练,在完成训练后得到一个维护方案预测模型。
因此,在确定异常检测结果为存在异常后,可以获取异常检测结果中的异常原因,并将其输入至维护方案预测模型中,通过维护方案预测模型进行预测,得到维护方案预测模型输出的维护方案。
本实施例可以在确定异常检测结果为存在异常后,根据异常检测结果中的异常原因快速、准确地确定出光伏电站的维护方案,提高光伏电站的运行效率和安全性,同时降低设备停机时间和电站运维成本。
在一个实施例中,在确定光伏电站的维护方案之后,还包括:
步骤500,将异常检测结果与维护方案进行可视化输出。
本申请在得到异常检测结果以及针对异常检测结果中的异常原因确定的维护方案后,可以将异常检测结果及相应的维护方案通过可视化的形式进行输出,以便于用户进行查看。
在一个实施例中,本申请可以将异常检测结果及相应的维护方案通过语音播报的方式进行输出。
在一个实施例中,本申请可以将异常检测结果及相应的维护方案通过图像显示的方式进行输出。
本实施例可以将异常检测结果以及针对异常检测结果中的异常原因确定的维护方案进行可视化输出,以便于相关人员能及时查看并对异常情况进行排查与处理,确保光伏电站能安全稳定运行,也能提高用电用户的体验感。
进一步地,本申请还提供一种光伏电站监测装置。
参照图3,图3为本申请光伏电站监测装置实施例的功能模块示意图。
所述光伏电站监测装置包括:
获取模块310,用于获取光伏电站的工作参数与外部环境参数;
第一输入模块320,用于将所述工作参数与所述外部环境参数输入至特征提取模型,得到所述特征提取模型输出的特征数据;其中,所述特征提取模型是基于光伏电站的样本工作参数、样本外部环境参数及对应的样本特征进行训练得到的;
第二输入模块330,用于将所述特征数据输入至异常检测模型,得到所述异常检测模型输出的异常检测结果;其中,所述异常检测模型是基于样本特征及其标签信息进行训练得到的。
本申请实施例提供的光伏电站监测装置,通过特征提取模型快速、准确地根据光伏电站的工作参数提取出相应的特征数据,并通过异常检测模型快速、准确地根据提取的特征数据进行异常检测,得到光伏电站的异常检测结果。由此,可以快速、准确地对光伏电站潜在的故障风险和设备状态变化进行分析预测,实现及时、准确地完成光伏电站的故障预警,进而可以提高光伏电站的监测效率。
在一个实施例中,所述第一输入模块320还用于:
对所述工作参数与所述外部环境参数进行数据预处理;所述预处理包括数据清洗、异常检测与缺失值填补中的至少一项。
在一个实施例中,所述第二输入模块330还用于:
若所述异常检测结果为存在异常,则根据所述异常检测结果中的异常原因,确定所述光伏电站的维护方案。
在一个实施例中,所述第二输入模块330还包括确定单元,所述确定单元用于:
将所述异常检测结果中的异常原因输入至维护方案预测模型中,得到所述维护方案预测模型输出的维护方案;其中,所述维护方案预测模型是基于样本异常原因及其维护方案进行训练得到的。
所述第二输入模块330还包括输出单元,所述输出单元用于:
将所述异常检测结果与所述维护方案进行可视化输出。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communication Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的计算机程序,以执行光伏电站监测方法的步骤,例如包括:
获取光伏电站的工作参数与外部环境参数;
将所述工作参数与所述外部环境参数输入至特征提取模型,得到所述特征提取模型输出的特征数据;其中,所述特征提取模型是基于光伏电站的样本工作参数、样本外部环境参数及对应的样本特征进行训练得到的;
将所述特征数据输入至异常检测模型,得到所述异常检测模型输出的异常检测结果;其中,所述异常检测模型是基于样本特征及其标签信息进行训练得到的。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请实施例还提供一种介质,所述介质为计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行上述各实施例提供的方法的步骤,例如包括:
获取光伏电站的工作参数与外部环境参数;
将所述工作参数与所述外部环境参数输入至特征提取模型,得到所述特征提取模型输出的特征数据;其中,所述特征提取模型是基于光伏电站的样本工作参数、样本外部环境参数及对应的样本特征进行训练得到的;
将所述特征数据输入至异常检测模型,得到所述异常检测模型输出的异常检测结果;其中,所述异常检测模型是基于样本特征及其标签信息进行训练得到的。
所述计算机可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种光伏电站监测方法,其特征在于,包括:
获取光伏电站的工作参数与外部环境参数;
将所述工作参数与所述外部环境参数输入至特征提取模型,得到所述特征提取模型输出的特征数据;其中,所述特征提取模型是基于光伏电站的样本工作参数、样本外部环境参数及对应的样本特征进行训练得到的;
将所述特征数据输入至异常检测模型,得到所述异常检测模型输出的异常检测结果;其中,所述异常检测模型是基于样本特征及其标签信息进行训练得到的。
2.根据权利要求1所述的光伏电站监测方法,其特征在于,在将所述特征数据输入至异常检测模型,得到所述异常检测模型输出的异常检测结果之后,还包括:
若所述异常检测结果为存在异常,则根据所述异常检测结果中的异常原因,确定所述光伏电站的维护方案。
3.根据权利要求2所述的光伏电站监测方法,其特征在于,所述根据所述异常检测结果中的异常原因,确定所述光伏电站的维护方案,包括:
将所述异常检测结果中的异常原因输入至维护方案预测模型中,得到所述维护方案预测模型输出的维护方案;其中,所述维护方案预测模型是基于样本异常原因及其维护方案进行训练得到的。
4.根据权利要求2所述的光伏电站监测方法,其特征在于,在确定所述光伏电站的维护方案之后,还包括:
将所述异常检测结果与所述维护方案进行可视化输出。
5.根据权利要求1所述的光伏电站监测方法,其特征在于,在将所述工作参数与所述外部环境参数输入至特征提取模型之前,还包括:
对所述工作参数与所述外部环境参数进行数据预处理;所述预处理包括数据清洗、异常检测与缺失值填补中的至少一项。
6.根据权利要求1所述的光伏电站监测方法,其特征在于,所述外部环境参数包括气象数据与大气污染程度中的至少一项。
7.根据权利要求1所述的光伏电站监测方法,其特征在于,所述工作参数包括发电功率、电压、电流、温度与辐照度中的至少一项。
8.一种光伏电站监测装置,其特征在于,包括:
获取模块,用于获取光伏电站的工作参数与外部环境参数;
第一输入模块,用于将所述工作参数与所述外部环境参数输入至特征提取模型,得到所述特征提取模型输出的特征数据;其中,所述特征提取模型是基于光伏电站的样本工作参数、样本外部环境参数及对应的样本特征进行训练得到的;
第二输入模块,用于将所述特征数据输入至异常检测模型,得到所述异常检测模型输出的异常检测结果;其中,所述异常检测模型是基于样本特征及其标签信息进行训练得到的。
9.一种电子设备,包括处理器和存储有计算机程序的存储器,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任一项所述的光伏电站监测方法。
10.一种存储介质,所述存储介质为计算机可读存储介质,包括计算机程序,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任一项所述的光伏电站监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074097.6A CN117272042A (zh) | 2023-08-24 | 2023-08-24 | 光伏电站监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074097.6A CN117272042A (zh) | 2023-08-24 | 2023-08-24 | 光伏电站监测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117272042A true CN117272042A (zh) | 2023-12-22 |
Family
ID=89214981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311074097.6A Pending CN117272042A (zh) | 2023-08-24 | 2023-08-24 | 光伏电站监测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272042A (zh) |
-
2023
- 2023-08-24 CN CN202311074097.6A patent/CN117272042A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
CN106019195A (zh) | 一种电力计量自动化检定流水线故障诊断系统 | |
CN111817880A (zh) | 一种油气田生产设备健康管理系统以及实现方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN113221435A (zh) | 传感器的筛选方法及装置、传感器数据重构方法及系统 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN109523030B (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
CN106656040A (zh) | 光伏电站中光伏组件的故障诊断方法及装置 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
CN112257224A (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和系统 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
CN117272042A (zh) | 光伏电站监测方法、装置、电子设备及存储介质 | |
KR102411915B1 (ko) | 시설 및 장비 실시간 모니터링 및 이상 징후 ai 진단 서비스 제공 시스템 및 방법 | |
CN114066163A (zh) | 一种基于三层架构模式的电力设备状态分析方法及装置 | |
CN114722705A (zh) | 一种电力电缆线路劣化诊断方法 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN109558258B (zh) | 一种分布式系统根源故障定位的方法及装置 |
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 |