CN117407829B - 基于深度学习的光伏组件健康度评估方法、系统和设备 - Google Patents
基于深度学习的光伏组件健康度评估方法、系统和设备 Download PDFInfo
- Publication number
- CN117407829B CN117407829B CN202311337981.4A CN202311337981A CN117407829B CN 117407829 B CN117407829 B CN 117407829B CN 202311337981 A CN202311337981 A CN 202311337981A CN 117407829 B CN117407829 B CN 117407829B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- communication bus
- data transmission
- sensor group
- 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
- 230000036541 health Effects 0.000 title claims abstract description 126
- 238000013135 deep learning Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000005540 biological transmission Effects 0.000 claims abstract description 150
- 238000012544 monitoring process Methods 0.000 claims abstract description 86
- 238000013136 deep learning model Methods 0.000 claims abstract description 41
- 238000004891 communication Methods 0.000 claims description 106
- 238000011156 evaluation Methods 0.000 claims description 80
- 238000007781 pre-processing Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 9
- 229920006395 saturated elastomer Polymers 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 description 34
- 238000010248 power generation Methods 0.000 description 15
- 238000011161 development Methods 0.000 description 12
- 230000018109 developmental process Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 6
- 239000000306 component Substances 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Photovoltaic Devices (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明提出了基于深度学习的光伏组件健康度评估方法、系统和设备。利用监测控制平台实时监测光伏组件,获取所述光伏组件的关键参数数据;其中,所述关键参数数据包括温度、电压和电流;利用所述传感器组与所述监测控制平台之间的数据传输时间确定所述传感器组的每个传感器的数据传输时间间隔;将所述关键参数数据输入至监测控制平台中内嵌的深度学习模型进行健康评估,获得健康评估结果。所述系统包括与所述方法步骤对应的模块。
Description
技术领域
本发明提出了基于深度学习的光伏组件健康度评估方法、系统和设备,属于光伏组件健康评估技术领域。
背景技术
在当今全球范围内,清洁能源的重要性日益凸显,光伏电站作为可再生能源的代表之一,正逐渐成为能源领域的重要组成部分。然而,随着光伏电站的规模不断扩大,光伏组件的长期稳定运行面临着一系列的挑战。一方面,光伏组件在长时间运行中会受到气候、温度、辐射、污染等因素的影响,导致光伏组件表面的灰尘、脏污以及老化问题,进而影响组件的发电效率和寿命。传统的人工巡检和维护方式不仅效率低下,而且可能导致资源浪费和能源损失。另一方面,随着光伏电站规模的扩大,大规模光伏组件的监测和管理变得更加复杂。传统的方法难以满足实时、准确评估光伏组件健康状况的需求,需要一种更智能、高效的评估手段来指导维护和管理。
在光伏组件健康度评估领域,目前已存在一些相关的技术。这些现有技术虽然在一定程度上可以对光伏组件的健康状态进行评估,但仍存在一些不足之处,具体缺点如下:
1、精确性不足:传统的基于物理模型的方法可能无法准确地考虑复杂的非线性关系和多变的环境因素,从而导致评估结果的精确性不高。
2、局部性:一些基于传感器的方法可能只能监测光伏组件的部分参数,而无法全面考虑组件的整体健康状况,从而可能忽略了潜在的问题。
3、数据处理复杂:采用统计分析方法时,需要处理大量的历史数据,并且需要进行复杂的计算和分析,可能导致数据处理过程复杂耗时。
4、实时性差:一些现有技术可能在实时性方面存在问题,无法及时地对光伏组件的健康状况进行监测和预测。
5、适应性差:部分方法可能无法适应不同类型、规模和环境的光伏电站,缺乏灵活性和通用性。
6、维护成本高:传统的人工巡检和维护方式可能需要大量的人力和资源,成本较高且效率低下。
7、无法准确预测未来状态:现有技术可能无法准确地预测光伏组件未来的健康状态和发展趋势,从而无法提前采取措施。
8、不利于可持续发展:部分方法在能源资源的合理利用和环保方面可能存在不足,无法充分支持清洁能源的可持续发展。
发明内容
本发明提供了基于深度学习的光伏组件健康度评估方法、系统和设备,用以解决上述现有技术中存在的问题,所采取的技术方案如下:
基于深度学习的光伏组件健康度评估方法,所述光伏组件健康度评估方法包括:
利用监测控制平台实时监测光伏组件,获取所述光伏组件的关键参数数据;其中,所述关键参数数据包括温度、电压和电流;
利用所述传感器组与所述监测控制平台之间的数据传输时间确定所述传感器组的每个传感器的数据传输时间间隔;
将所述关键参数数据输入至监测控制平台中内嵌的深度学习模型进行健康评估,获得健康评估结果。
进一步地,实时监测光伏组件,获取所述光伏组件的关键参数数据,包括:
对监测光伏组件的传感器组进行扫描,判断所述传感器组中所包含的传感器是否正常运行;其中,所述传感器组包括温度传感器、电压传感器和电流传感器;
按照所述传感器组的每个传感器的数据传输时间间隔控制所述传感器组所包含的传感器将采集到的关键参数数据发送至监测控制平台。
进一步地,利用所述传感器组与所述监测控制平台之间的数据传输时间确定所述传感器组的每个传感器的数据传输时间间隔,包括:
获取所述传感器组与所述监测控制平台之间的数据传输时间;
通过所述数据传输时间判定所述传感器组与监测控制平台之间的通信总线的运行质量参数;
根据所述通信总线的运行质量参数确定所述传感器组的每个传感器的数据传输时间间隔。
进一步地,将所述关键参数数据输入至监测控制平台中内嵌的深度学习模型进行健康评估,获得健康评估结果,包括:
对所述关键参数数据进行预处理,获得预处理后的关键参数数据;其中,所述预处理包括去除噪声处理、填充缺失数据处理和归一化数据处理;
采用预训练ResNet模型作为模型结构的起点获得用于捕捉光伏组件的特征参数的深度学习模型;
将所述光伏组件的关键参数数据输入至深度学习模型进行健康评估,获得所述光伏组件的健康评估结果。
基于深度学习的光伏组件健康度评估系统,所述光伏组件健康度评估系统包括:
数据采集模块,用于利用监测控制平台实时监测光伏组件,获取所述光伏组件的关键参数数据;其中,所述关键参数数据包括温度、电压和电流;
传输参数设置模块,用于利用所述传感器组与所述监测控制平台之间的数据传输时间确定所述传感器组的每个传感器的数据传输时间间隔;
健康评估模块,用于将所述关键参数数据输入至监测控制平台中内嵌的深度学习模型进行健康评估,获得健康评估结果。
进一步地,所述数据采集模块,包括:
扫描模块,用于对监测光伏组件的传感器组进行扫描,判断所述传感器组中所包含的传感器是否正常运行;其中,所述传感器组包括温度传感器、电压传感器和电流传感器;
数据传输模块,用于按照所述传感器组的每个传感器的数据传输时间间隔控制所述传感器组所包含的传感器将采集到的关键参数数据发送至监测控制平台。
进一步地,所述传输参数设置模块,包括:
传输时间获取模块,用于获取所述传感器组与所述监测控制平台之间的数据传输时间;
运行参数获取模块,用于通过所述数据传输时间判定所述传感器组与监测控制平台之间的通信总线的运行质量参数;
时间间隔设置模块,用于根据所述通信总线的运行质量参数确定所述传感器组的每个传感器的数据传输时间间隔。
进一步地,所述健康评估结果,包括:
数据预处理模块,用于对所述关键参数数据进行预处理,获得预处理后的关键参数数据;其中,所述预处理包括去除噪声处理、填充缺失数据处理和归一化数据处理;
深度学习模块获取模块,用于采用预训练ResNet模型作为模型结构的起点获得用于捕捉光伏组件的特征参数的深度学习模型;
评估执行模块,用于将所述光伏组件的关键参数数据输入至深度学习模型进行健康评估,获得所述光伏组件的健康评估结果。
基于深度学习的光伏组件健康度评估设备,所述光伏组件健康度评估设备包括传感器组和监测控制平台;所述传感器组与所述监测控制平台之间通过总线进行数据通信连接,并且,所述监测控制平台用于执行如上述任一一项光伏组件健康度评估方法的步骤。
进一步地,所述监测控制平台包括数据采集器、数据预处理设备、深度学习处理器、结果展示终端和报警装置;所述数据采集器与所述数据预处理设备进行数据连接;所述数据预处理设备与所述深度学习处理器进行数据连接;所述深度学习处理器与所述结果展示终端和报警装置进行数据连接。
本发明有益效果:
本发明提供的基于深度学习的光伏组件健康度评估方法、系统和设备,通过充分利用大量的数据和深度学习算法,能够更准确地预测光伏组件的健康状态,解决了现有技术的局限性。通过深度学习模型的训练和优化,可以更好地捕捉光伏组件的复杂特征和非线性关系,实现对光伏组件健康状况的实时、准确评估。这不仅有助于提高发电效率和降低维护成本,还能够推动光伏电站的可持续发展。本发明的创新点在于引入了深度学习技术,从而实现了更高水平的精确度和实时性,为光伏组件健康度评估领域带来了新的突破。同时,还具备一下技术特点:
1、深度学习应用:本发明将深度学习技术应用于光伏组件健康度评估领域,利用深度神经网络等模型,能够从大量的数据中学习光伏组件的复杂特征和非线性关系,提高评估的精确性和准确性。
2、全面评估:与传感器监测方法不同,本发明能够全面考虑光伏组件的各种参数和特性,实现对组件整体健康状况的评估,避免局部性问题,更准确地预测潜在问题。
3、实时性与高效性:基于深度学习的评估系统具有较高的实时性和效率,能够实时监测光伏组件的状态,及时发现异常情况并采取措施,从而提高维护的效率和响应速度。
4、通用性与适应性:本发明的方法可以适应不同类型、规模和环境的光伏电站,具有较强的通用性和适应性,能够为不同光伏电站提供定制化的健康度评估方案。
5、未来预测能力:基于深度学习的评估系统能够准确地预测光伏组件的未来健康状态和发展趋势,帮助电站管理人员提前采取维护措施,延长组件的寿命。
6、可持续发展:本发明提供了一种智能、高效、精确的光伏组件健康度评估方法,有助于优化发电效率、降低维护成本,进而推动清洁能源的可持续发展。
附图说明
图1为本发明所述方法的流程图;
图2为本发明所述系统的系统框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提出了基于深度学习的光伏组件健康度评估方法,如图1所示,所述光伏组件健康度评估方法包括:
S1、利用监测控制平台实时监测光伏组件,获取所述光伏组件的关键参数数据;其中,所述关键参数数据包括温度、电压和电流;
S2、利用所述传感器组与所述监测控制平台之间的数据传输时间确定所述传感器组的每个传感器的数据传输时间间隔;
S3、将所述关键参数数据输入至监测控制平台中内嵌的深度学习模型进行健康评估,获得健康评估结果。
其中,实时监测光伏组件,获取所述光伏组件的关键参数数据,包括:
S101、对监测光伏组件的传感器组进行扫描,判断所述传感器组中所包含的传感器是否正常运行;其中,所述传感器组包括温度传感器、电压传感器和电流传感器;
S102、按照所述传感器组的每个传感器的数据传输时间间隔控制所述传感器组所包含的传感器将采集到的关键参数数据发送至监测控制平台。
其中,利用所述传感器组与所述监测控制平台之间的数据传输时间确定所述传感器组的每个传感器的数据传输时间间隔,包括:
S201、获取所述传感器组与所述监测控制平台之间的数据传输时间;
S202、通过所述数据传输时间判定所述传感器组与监测控制平台之间的通信总线的运行质量参数;
S203、根据所述通信总线的运行质量参数确定所述传感器组的每个传感器的数据传输时间间隔。
其中,所述运行质量参数通过如下公式获取:
其中,S表示通信总线的运行质量参数;x表示运行质量因子;e表示常数;n表示传感器组所包含的传感器的个数;Tsi表示传感器组中的第i个传感器的单位数据量对应的实际平均传输时长,并且,所述单位数据量的取值范围为1MB-10MB;Ti表示传感器组中的第i个传感器的单位数据量对应的理论传输时长;ΔTi表示传感器组中的第i个传感器的理论传输延时时长;ΔTp表示传感器组中的第n个传感器的理论传输延时平均时长;S0表示预设的参数基准值;
其中,根据所述通信总线的运行质量参数确定所述传感器组的每个传感器的数据传输时间间隔,包括:
将所述通信总线的运行质量参数与第一运行参数阈值和第二运行参数阈值进行比较,获得比较结果;
当所述比较结果表明所述通信总线的运行质量参数低于所述第一运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T01表示当所述比较结果表明所述通信总线的运行质量参数低于所述第一运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S01表示第一运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量;
当所述比较结果表明所述通信总线的运行质量参数不低于所述第一运行参数阈值,但,低于所述第二运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T02表示当所述比较结果表明所述通信总线的运行质量参数不低于所述第一运行参数阈值,但,低于所述第二运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S01表示第一运行参数阈值;S02表示第二运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量;λ2表示第二调整系数,并且,当S-S01≤S02-S时,λ2取值为0.83;当S-S01>S02-S时,λ2取值为λ2=-λ1;
当所述比较结果表明所述通信总线的运行质量参数不低于所述第二运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T03表示当所述比较结果表明所述通信总线的运行质量参数不低于所述第二运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S02表示第二运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量。
通过上述对传感器组的数据传输时间间隔设置的能够有效提高数据传输的协同性和协调性,防止数据传输不协调和协同性较差导致数据传输抵触和相互干扰,进而降低数据传输质量和增加数据传输负荷。同时,通过通信总线的运行质量参数进行传感器的数据传输质量设置能够有效提高数据传输时间间隔随着通信总线的运行质量参数变化而自动调整的自适应性,进而有效提高数据传输时间间隔与通信总线的运行质量参数之间的匹配性,进一步降低因数据传输时间间隔与通信总线的运行质量参数不匹配导致数据传输负荷大于总线运力而出现数据传输饱和的问题发生,以及,防止数据传输负荷小于总线运力导致剩余运力较大,造成资源闲置浪费的问题发生。
其中,将所述关键参数数据输入至监测控制平台中内嵌的深度学习模型进行健康评估,获得健康评估结果,包括:
S301、对所述关键参数数据进行预处理,获得预处理后的关键参数数据;其中,所述预处理包括去除噪声处理、填充缺失数据处理和归一化数据处理;
S302、采用预训练ResNet模型作为模型结构的起点获得用于捕捉光伏组件的特征参数的深度学习模型;
S303、将所述光伏组件的关键参数数据输入至深度学习模型进行健康评估,获得所述光伏组件的健康评估结果。
上述技术方案的工作原理为:数据采集:
从光伏组件中获取温度、电流、电压等关键参数的数据。通过安装传感器在光伏组件上进行实时监测来实现。传感器将定期采集数据,并将数据传送到数据处理系统。
数据预处理:
对采集到的数据进行预处理,包括去噪和归一化等步骤,以准备用于深度学习模型的训练。去噪可以通过滤波技术或异常值检测来实现,以消除数据中的干扰。归一化将数据映射到特定的范围,以便更好地适应模型训练过程。
深度学习模型构建:
设计和构建深度神经网络模型,以捕捉光伏组件的复杂特征。采用预训练ResNet模型作为模型结构的起点,进行反向微调,对模型结构进行优化和调整,激活函数采用ReLU(RectifiedLinearActivation),损失函数采用交叉熵损失(Cross-EntropyLoss)。
模型训练与优化:
使用预处理后的数据对深度学习模型进行训练和优化。将数据分成训练集和验证集,通过反向传播算法更新模型的权重和偏差。同时,调整学习率、批次大小等超参数,以提高模型的性能和收敛速度。
健康度评估:
利用训练好的深度学习模型,将光伏组件的温度、电流、电压等参数输入模型,进行健康度评估。模型将预测光伏组件的健康状态,并划分为5个等级,通过设置阈值来判断。
优秀(Excellent):
组件表现出较好的外观、性能和功能。没有明显的损伤、污染或磨损。发电效率高,能够按预期产生电能。无需维修或维护。
良好(Good):
组件的外观和性能良好,可能有一些轻微的污染或磨损,但不影响正常发电。发电效率良好,正常工作。可能需要定期的维护和清洁,但没有严重的问题。
一般(Fair):
组件可能有一些明显的污染、损伤或磨损。发电效率略有下降,但仍能工作。可能需要更频繁的维护和清洁,以确保发电效果。
不良(Poor):
组件可能存在较严重的损伤、污染或老化,影响了发电效率和功能。可能需要紧急维修或更换以恢复正常工作。
严重损坏(Severely Damaged):
组件存在严重的物理损害、腐蚀、漏电等问题,无法正常工作。需要立即维修或更换。
实时监测:
定期或连续地对光伏组件进行实时监测,不断更新评估结果。根据实际情况,设置监测频率(如1分钟1个点,5分钟1个点,以现场实际情况为准),以确保及时发现健康状态变化。
结果展示与报警:
将健康度评估结果以可视化的方式展示给操作人员,如通过图表、数据报告等。同时,在发现光伏组件健康状态异常时,触发报警机制,通过声音、光线等方式发出警报,以促使操作人员采取相应措施。
上述技术方案的效果为:本实施例提供的基于深度学习的光伏组件健康度评估方法,通过充分利用大量的数据和深度学习算法,能够更准确地预测光伏组件的健康状态,解决了现有技术的局限性。通过深度学习模型的训练和优化,可以更好地捕捉光伏组件的复杂特征和非线性关系,实现对光伏组件健康状况的实时、准确评估。这不仅有助于提高发电效率和降低维护成本,还能够推动光伏电站的可持续发展。本发明的创新点在于引入了深度学习技术,从而实现了更高水平的精确度和实时性,为光伏组件健康度评估领域带来了新的突破。
同时,还具备一下技术特点:
1、2、实时性增强:传感器监测方法可能存在延迟和响应不及时的问题,难以实现对光伏组件健康状态的实时监测。本发明旨在利用深度学习算法,实现对光伏组件的快速、准确实时评估,及时发现问题。
3、适应性改善:现有技术可能无法适应不同类型、规模和环境的光伏电站,缺乏通用性。本发明旨在提供一种通用性好的评估方法,能够适用于多种不同条件下的光伏电站。
4、维护成本降低:传统的人工巡检和维护方式成本较高且效率低下,可能导致资源浪费。本发明旨在通过智能化的评估系统,减少不必要的人力和物力投入,降低维护成本。
5、未来状态预测:现有技术难以准确预测光伏组件的未来健康状态和发展趋势,限制了维护计划的制定。本发明旨在通过深度学习建模,能够预测光伏组件的未来状态,为维护决策提供更准确的依据。
综上所述,本发明旨在解决现有技术中精确性、实时性、适应性等方面的缺点,为光伏组件健康度评估领域提供一种更先进、更精确、更高效的解决方案。
本发明实施例提出了一种基于深度学习的光伏组件健康度评估系统,如图2所示,所述光伏组件健康度评估系统包括:
数据采集模块,用于利用监测控制平台实时监测光伏组件,获取所述光伏组件的关键参数数据;其中,所述关键参数数据包括温度、电压和电流;
传输参数设置模块,用于利用所述传感器组与所述监测控制平台之间的数据传输时间确定所述传感器组的每个传感器的数据传输时间间隔;
健康评估模块,用于将所述关键参数数据输入至监测控制平台中内嵌的深度学习模型进行健康评估,获得健康评估结果。
所述数据采集模块,包括:
扫描模块,用于对监测光伏组件的传感器组进行扫描,判断所述传感器组中所包含的传感器是否正常运行;其中,所述传感器组包括温度传感器、电压传感器和电流传感器;
数据传输模块,用于按照所述传感器组的每个传感器的数据传输时间间隔控制所述传感器组所包含的传感器将采集到的关键参数数据发送至监测控制平台。
所述传输参数设置模块,包括:
传输时间获取模块,用于获取所述传感器组与所述监测控制平台之间的数据传输时间;
运行参数获取模块,用于通过所述数据传输时间判定所述传感器组与监测控制平台之间的通信总线的运行质量参数;
时间间隔设置模块,用于根据所述通信总线的运行质量参数确定所述传感器组的每个传感器的数据传输时间间隔。
其中,所述运行质量参数通过如下公式获取:
其中,S表示通信总线的运行质量参数;x表示运行质量因子;e表示常数;n表示传感器组所包含的传感器的个数;Tsi表示传感器组中的第i个传感器的单位数据量对应的实际平均传输时长,并且,所述单位数据量的取值范围为1MB-10MB;Ti表示传感器组中的第i个传感器的单位数据量对应的理论传输时长;ΔTi表示传感器组中的第i个传感器的理论传输延时时长;ΔTp表示传感器组中的第n个传感器的理论传输延时平均时长;S0表示预设的参数基准值;
其中,所述时间间隔设置模块,包括:
参数比较模块,用于将所述通信总线的运行质量参数与第一运行参数阈值和第二运行参数阈值进行比较,获得比较结果;
第一时间间隔设置模块,用于当所述比较结果表明所述通信总线的运行质量参数低于所述第一运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T01表示当所述比较结果表明所述通信总线的运行质量参数低于所述第一运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S01表示第一运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量;
第二时间间隔设置模块,用于当所述比较结果表明所述通信总线的运行质量参数不低于所述第一运行参数阈值,但,低于所述第二运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T02表示当所述比较结果表明所述通信总线的运行质量参数不低于所述第一运行参数阈值,但,低于所述第二运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S01表示第一运行参数阈值;S02表示第二运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量;λ2表示第二调整系数,并且,当S-S01≤S02-S时,λ2取值为0.83;当S-S01>S02-S时,λ2取值为λ2=-λ1;
第三时间间隔设置模块,用于当所述比较结果表明所述通信总线的运行质量参数不低于所述第二运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T03表示当所述比较结果表明所述通信总线的运行质量参数不低于所述第二运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S02表示第二运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量。
通过上述对传感器组的数据传输时间间隔设置的能够有效提高数据传输的协同性和协调性,防止数据传输不协调和协同性较差导致数据传输抵触和相互干扰,进而降低数据传输质量和增加数据传输负荷。同时,通过通信总线的运行质量参数进行传感器的数据传输质量设置能够有效提高数据传输时间间隔随着通信总线的运行质量参数变化而自动调整的自适应性,进而有效提高数据传输时间间隔与通信总线的运行质量参数之间的匹配性,进一步降低因数据传输时间间隔与通信总线的运行质量参数不匹配导致数据传输负荷大于总线运力而出现数据传输饱和的问题发生,以及,防止数据传输负荷小于总线运力导致剩余运力较大,造成资源闲置浪费的问题发生。
所述健康评估结果,包括:
数据预处理模块,用于对所述关键参数数据进行预处理,获得预处理后的关键参数数据;其中,所述预处理包括去除噪声处理、填充缺失数据处理和归一化数据处理;
深度学习模块获取模块,用于采用预训练ResNet模型作为模型结构的起点获得用于捕捉光伏组件的特征参数的深度学习模型;
评估执行模块,用于将所述光伏组件的关键参数数据输入至深度学习模型进行健康评估,获得所述光伏组件的健康评估结果。
上述技术方案的工作原理为:本发明的光伏组件健康度评估系统采用基于深度学习的方法,旨在实现对光伏组件健康状态的准确评估和实时监测。系统整体架构包括以下主要组成部分:
第一、数据采集模块:
数据采集模块负责从光伏组件中获取关键参数的数据,包括温度、电流、电压等。这些数据将用作深度学习模型的输入。数据采集模块可以包括传感器阵列,每个传感器测量一个特定参数。传感器将定期或连续地收集数据,并将其传送到系统的数据处理模块。
第二、数据预处理模块:
数据预处理模块负责对采集到的数据进行预处理,以提高深度学习模型的训练效果。预处理步骤包括去除噪声、填充缺失数据、归一化数据等。这些步骤有助于确保输入数据的一致性和准确性。
第三、深度学习模块获取模块,并且,所述深度学习模块获取模块具体包括:
深度学习模型构建模块:
深度学习模型构建模块涉及设计和构建深度神经网络模型,以捕捉光伏组件的复杂特征。
采用预训练ResNet模型作为模型结构的起点,进行反向微调,对模型结构进行优化和调整,激活函数采用ReLU(RectifiedLinearActivation),损失函数采用交叉熵损失(Cross-EntropyLoss)。
模型训练与优化模块:
在模型训练与优化模块中,经过预处理的数据将被用于训练深度学习模型。将数据分成训练集和验证集,使用Adam的优化方法对模型结构和模型超参数进行更新,以提高模型性能。
第四、评估执行模块,并且,所述评估执行模块鸡腿包括:
健康度评估与监测模块:
健康度评估与监测模块基于训练好的深度学习模型,实时评估光伏组件的健康度。输入当前光伏组件的参数数据,模型将预测组件的健康状态,从而实现实时监测。在发现异常情况时,模块还可以触发警报以通知操作人员。
结果展示与报警模块:
结果展示与报警模块负责将评估结果以可视化的方式呈现给操作人员。这可以包括图表、数据报告等形式,使操作人员能够直观地了解光伏组件的健康状况。同时,模块还负责在检测到异常情况时发出警报,以促使及时的维护和处理。
上述技术方案的效果为:本实施例提供的基于深度学习的光伏组件健康度评估系统,通过充分利用大量的数据和深度学习算法,能够更准确地预测光伏组件的健康状态,解决了现有技术的局限性。通过深度学习模型的训练和优化,可以更好地捕捉光伏组件的复杂特征和非线性关系,实现对光伏组件健康状况的实时、准确评估。这不仅有助于提高发电效率和降低维护成本,还能够推动光伏电站的可持续发展。本发明的创新点在于引入了深度学习技术,从而实现了更高水平的精确度和实时性,为光伏组件健康度评估领域带来了新的突破。
同时,还具备一下技术特点:
1、精确性提升:传统的基于物理模型的方法可能无法准确捕捉光伏组件的复杂非线性关系,导致评估结果不够精确。本发明旨在通过深度学习技术,充分挖掘数据中的特征,实现更高水平的评估精确性。
2、实时性增强:传感器监测方法可能存在延迟和响应不及时的问题,难以实现对光伏组件健康状态的实时监测。本发明旨在利用深度学习算法,实现对光伏组件的快速、准确实时评估,及时发现问题。
3、适应性改善:现有技术可能无法适应不同类型、规模和环境的光伏电站,缺乏通用性。本发明旨在提供一种通用性好的评估方法,能够适用于多种不同条件下的光伏电站。
4、维护成本降低:传统的人工巡检和维护方式成本较高且效率低下,可能导致资源浪费。本发明旨在通过智能化的评估系统,减少不必要的人力和物力投入,降低维护成本。
5、未来状态预测:现有技术难以准确预测光伏组件的未来健康状态和发展趋势,限制了维护计划的制定。本发明旨在通过深度学习建模,能够预测光伏组件的未来状态,为维护决策提供更准确的依据。
综上所述,本发明旨在解决现有技术中精确性、实时性、适应性等方面的缺点,为光伏组件健康度评估领域提供一种更先进、更精确、更高效的解决方案。
本发明实施例提出了一种基于深度学习的光伏组件健康度评估设备,所述光伏组件健康度评估设备包括传感器组和监测控制平台;所述传感器组与所述监测控制平台之间通过总线进行数据通信连接,并且,所述监测控制平台用于执行如上述任一一项光伏组件健康度评估方法的步骤。
其中,所述监测控制平台包括数据采集器、数据预处理设备、深度学习处理器、结果展示终端和报警装置;所述数据采集器与所述数据预处理设备进行数据连接;所述数据预处理设备与所述深度学习处理器进行数据连接;所述深度学习处理器与所述结果展示终端和报警装置进行数据连接。
上述技术方案的工作原理为:该硬件装置安装在光伏电站的箱变处,采集光伏场站的运行数据,并在边缘侧进行数据预处理,建模以及计算,结果可以在装置上直接进行查看,也可以通过数据传输的到需要的地方进行查看。
1、数据采集器:
数据采集器,采集温度、电压、电流和功率等参数。并将实时地采集数据并将其传送到数据预处理设备。
2、数据预处理设备:
数据预处理设备由处理器、存储器等组成,用于对从传感器采集到的原始数据进行处理。这包括去噪、归一化等预处理步骤,以准备数据用于深度学习模型的训练。数据预处理设备还可以将处理后的数据传送到深度学习处理器。
3、深度学习处理器:
深度学习处理器是执行深度学习模型的核心组件。它负责加载训练好的模型,输入预处理后的数据,并进行健康度评估。深度学习处理器包括专用的硬件加速器,以加快模型的计算速度和效率。
4、结果展示终端:
结果展示终端是用于将健康度评估结果以可视化形式展示给操作人员的设备。它包括一个显示屏、计算机界面和移动应用程序。通过图表、图形、数据报告等方式,结果展示终端使操作人员能够直观地了解光伏组件的健康状态。
5、报警装置:
在发现异常情况时,报警装置负责发出警报,以促使操作人员采取适当措施。报警装置可以通过声音、光线等方式发出警报信号,以便及时处理可能的问题。
硬件连接关系:
数据采集传感器通过专用接口(如Modbus、CAN总线等)将数据传输给数据预处理设备。
数据预处理设备将经过清洗和转换的数据通过高速数据总线(如以太网、USB等)传送给深度学习处理器。
深度学习处理器接收数据,执行深度学习模型,并将评估结果通过网络连接传递给结果展示终端。
结果展示终端通过网络连接接收健康度评估结果和预测,将其可视化并提供给运维人员查看。
报警装置与深度学习处理器相连,监测健康度评估结果,并在发现异常时通过警报信号通知运维人员。
上述技术方案的效果为:本实施例提供的基于深度学习的光伏组件健康度评估设备,通过充分利用大量的数据和深度学习算法,能够更准确地预测光伏组件的健康状态,解决了现有技术的局限性。通过深度学习模型的训练和优化,可以更好地捕捉光伏组件的复杂特征和非线性关系,实现对光伏组件健康状况的实时、准确评估。这不仅有助于提高发电效率和降低维护成本,还能够推动光伏电站的可持续发展。本发明的创新点在于引入了深度学习技术,从而实现了更高水平的精确度和实时性,为光伏组件健康度评估领域带来了新的突破。
同时,还具备一下技术特点:
1.提高光伏组件健康度评估准确性:通过采用基于深度学习的方法,本发明能够更准确地评估光伏组件的健康度。深度学习模型能够捕捉光伏组件复杂特征,从而提高了健康度评估的精度,减少误判率。
2.实时监测和预警功能:本发明允许对光伏组件进行实时监测,及时检测异常情况,例如温度过高、电流异常等。一旦异常被检测到,系统会立即触发报警装置,帮助操作人员采取紧急措施,减少可能的损失。
3.自动化和智能化:本发明采用无人机进行数据采集和清洗,以及深度学习模型进行健康度评估,实现了光伏电站清洗和健康度评估的自动化和智能化。这降低了人工干预成本,提高了操作效率。
4.提高维护效率:借助本发明,光伏电站的维护人员可以根据健康度评估结果,有针对性地进行维护和修复,避免不必要的维护工作,从而提高了维护效率和资源利用率。
5.减少能源损失:通过准确评估光伏组件的健康度,本发明有助于减少因组件损坏或异常而导致的能源损失。及时修复和维护异常组件可以保障光伏电站的正常发电,提高能源产出。
6.环保和可持续性:本发明的自动化清洗和健康度评估系统减少了人工清洗的频率,降低了水资源和清洗液的使用量,促进了光伏电站的环保和可持续运营。
7.提升光伏电站管理水平:本发明的智能监测和评估功能有助于光伏电站管理者及时了解电站状态,做出合理决策,优化运营管理,提升电站整体管理水平。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.基于深度学习的光伏组件健康度评估方法,其特征在于,所述光伏组件健康度评估方法包括:
利用监测控制平台实时监测光伏组件,获取所述光伏组件的关键参数数据;其中,所述关键参数数据包括温度、电压和电流;
利用传感器组与所述监测控制平台之间的数据传输时间确定所述传感器组的每个传感器的数据传输时间间隔;
将所述关键参数数据输入至监测控制平台中内嵌的深度学习模型进行健康评估,获得健康评估结果;
其中,所述利用传感器组与所述监测控制平台之间的数据传输时间确定所述传感器组的每个传感器的数据传输时间间隔,包括:
获取所述传感器组与所述监测控制平台之间的数据传输时间;
通过所述数据传输时间判定所述传感器组与监测控制平台之间的通信总线的运行质量参数;
根据所述通信总线的运行质量参数确定所述传感器组的每个传感器的数据传输时间间隔;
其中,所述运行质量参数通过如下公式获取:
其中,S表示通信总线的运行质量参数;x表示运行质量因子;e表示常数;n表示传感器组所包含的传感器的个数;Tsi表示传感器组中的第i个传感器的单位数据量对应的实际平均传输时长,并且,所述单位数据量的取值范围为1MB-10MB;Ti表示传感器组中的第i个传感器的单位数据量对应的理论传输时长;ΔTi表示传感器组中的第i个传感器的理论传输延时时长;ΔTp表示传感器组中的第n个传感器的理论传输延时平均时长;S0表示预设的参数基准值;
其中,根据所述通信总线的运行质量参数确定所述传感器组的每个传感器的数据传输时间间隔,包括:
将所述通信总线的运行质量参数与第一运行参数阈值和第二运行参数阈值进行比较,获得比较结果;
当所述比较结果表明所述通信总线的运行质量参数低于所述第一运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T01表示当所述比较结果表明所述通信总线的运行质量参数低于所述第一运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S01表示第一运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量;
当所述比较结果表明所述通信总线的运行质量参数不低于所述第一运行参数阈值,但低于所述第二运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T02表示当所述比较结果表明所述通信总线的运行质量参数不低于所述第一运行参数阈值,但,低于所述第二运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S01表示第一运行参数阈值;S02表示第二运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量;λ2表示第二调整系数,并且,当S-S01≤S02-S时,λ2取值为0.83;当S-S01>S02-S时,λ2取值为λ2=-λ1;
当所述比较结果表明所述通信总线的运行质量参数不低于所述第二运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T03表示当所述比较结果表明所述通信总线的运行质量参数不低于所述第二运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S02表示第二运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量。
2.根据权利要求1所述光伏组件健康度评估方法,其特征在于,实时监测光伏组件,获取所述光伏组件的关键参数数据,包括:
对监测光伏组件的传感器组进行扫描,判断所述传感器组中所包含的传感器是否正常运行;其中,所述传感器组包括温度传感器、电压传感器和电流传感器;
按照所述传感器组的每个传感器的数据传输时间间隔控制所述传感器组所包含的传感器将采集到的关键参数数据发送至监测控制平台。
3.根据权利要求1所述光伏组件健康度评估方法,其特征在于,将所述关键参数数据输入至监测控制平台中内嵌的深度学习模型进行健康评估,获得健康评估结果,包括:
对所述关键参数数据进行预处理,获得预处理后的关键参数数据;其中,所述预处理包括去除噪声处理、填充缺失数据处理和归一化数据处理;
采用预训练ResNet模型作为模型结构的起点获得用于捕捉光伏组件的特征参数的深度学习模型;
将所述光伏组件的关键参数数据输入至深度学习模型进行健康评估,获得所述光伏组件的健康评估结果。
4.基于深度学习的光伏组件健康度评估系统,其特征在于,所述光伏组件健康度评估系统包括:
数据采集模块,用于利用监测控制平台实时监测光伏组件,获取所述光伏组件的关键参数数据;其中,所述关键参数数据包括温度、电压和电流;
传输参数设置模块,用于利用传感器组与所述监测控制平台之间的数据传输时间确定所述传感器组的每个传感器的数据传输时间间隔;
健康评估模块,用于将所述关键参数数据输入至监测控制平台中内嵌的深度学习模型进行健康评估,获得健康评估结果;
其中,所述传输参数设置模块,包括:
传输时间获取模块,用于获取所述传感器组与所述监测控制平台之间的数据传输时间;
运行参数获取模块,用于通过所述数据传输时间判定所述传感器组与监测控制平台之间的通信总线的运行质量参数;
时间间隔设置模块,用于根据所述通信总线的运行质量参数确定所述传感器组的每个传感器的数据传输时间间隔;
其中,所述运行质量参数通过如下公式获取:
其中,S表示通信总线的运行质量参数;x表示运行质量因子;e表示常数;n表示传感器组所包含的传感器的个数;Tsi表示传感器组中的第i个传感器的单位数据量对应的实际平均传输时长,并且,所述单位数据量的取值范围为1MB-10MB;Ti表示传感器组中的第i个传感器的单位数据量对应的理论传输时长;ΔTi表示传感器组中的第i个传感器的理论传输延时时长;ΔTp表示传感器组中的第n个传感器的理论传输延时平均时长;S0表示预设的参数基准值;
其中,根据所述通信总线的运行质量参数确定所述传感器组的每个传感器的数据传输时间间隔,包括:
将所述通信总线的运行质量参数与第一运行参数阈值和第二运行参数阈值进行比较,获得比较结果;
当所述比较结果表明所述通信总线的运行质量参数低于所述第一运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T01表示当所述比较结果表明所述通信总线的运行质量参数低于所述第一运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S01表示第一运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量;
当所述比较结果表明所述通信总线的运行质量参数不低于所述第一运行参数阈值,但低于所述第二运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T02表示当所述比较结果表明所述通信总线的运行质量参数不低于所述第一运行参数阈值,但,低于所述第二运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S01表示第一运行参数阈值;S02表示第二运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量;λ2表示第二调整系数,并且,当S-S01≤S02-S时,λ2取值为0.83;当S-S01>S02-S时,λ2取值为λ2=-λ1;
当所述比较结果表明所述通信总线的运行质量参数不低于所述第二运行参数阈值时,则所述传感器组中所包含的每个传感器的数据传输时间间隔通过如下公式获取:
其中,T03表示当所述比较结果表明所述通信总线的运行质量参数不低于所述第二运行参数阈值时每个传感器对应的数据传输时间间隔;Tg表示每个传感器对应的初始的数据传输时间间隔;λ1表示第一调整系数,取值范围为1.14-1.18;S02表示第二运行参数阈值;y表示时间间隔调整因子;Be表示通信总线的单位时间的额定数据吞吐量,单位时间的取值范围为0.5s-1.2s;m表示当前通信总线已经历的单位时间的个数;Bi表示第i个单位时间对应的通信总线的实际数据吞吐量;B表示通信总线的数据传输达到饱和状态对应的单位时间的数据吞吐量。
5.根据权利要求4所述光伏组件健康度评估系统,其特征在于,所述数据采集模块,包括:
扫描模块,用于对监测光伏组件的传感器组进行扫描,判断所述传感器组中所包含的传感器是否正常运行;其中,所述传感器组包括温度传感器、电压传感器和电流传感器;
数据传输模块,用于按照所述传感器组的每个传感器的数据传输时间间隔控制所述传感器组所包含的传感器将采集到的关键参数数据发送至监测控制平台。
6.根据权利要求4所述光伏组件健康度评估系统,其特征在于,所述健康评估结果,包括:
数据预处理模块,用于对所述关键参数数据进行预处理,获得预处理后的关键参数数据;其中,所述预处理包括去除噪声处理、填充缺失数据处理和归一化数据处理;
深度学习模块获取模块,用于采用预训练ResNet模型作为模型结构的起点获得用于捕捉光伏组件的特征参数的深度学习模型;
评估执行模块,用于将所述光伏组件的关键参数数据输入至深度学习模型进行健康评估,获得所述光伏组件的健康评估结果。
7.基于深度学习的光伏组件健康度评估设备,其特征在于,所述光伏组件健康度评估设备包括传感器组和监测控制平台;所述传感器组与所述监测控制平台之间通过总线进行数据通信连接,并且,所述监测控制平台用于执行如权利要求1至4任一一项光伏组件健康度评估方法的步骤。
8.根据权利要求7所述光伏组件健康度评估设备,其特征在于,所述监测控制平台包括数据采集器、数据预处理设备、深度学习处理器、结果展示终端和报警装置;所述数据采集器与所述数据预处理设备进行数据连接;所述数据预处理设备与所述深度学习处理器进行数据连接;所述深度学习处理器与所述结果展示终端和报警装置进行数据连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337981.4A CN117407829B (zh) | 2023-10-16 | 2023-10-16 | 基于深度学习的光伏组件健康度评估方法、系统和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337981.4A CN117407829B (zh) | 2023-10-16 | 2023-10-16 | 基于深度学习的光伏组件健康度评估方法、系统和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117407829A CN117407829A (zh) | 2024-01-16 |
CN117407829B true CN117407829B (zh) | 2024-04-19 |
Family
ID=89497306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311337981.4A Active CN117407829B (zh) | 2023-10-16 | 2023-10-16 | 基于深度学习的光伏组件健康度评估方法、系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117407829B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101557606A (zh) * | 2009-05-15 | 2009-10-14 | 东南大学 | 用于无线传感器网络的媒体访问控制方法 |
CN110162836A (zh) * | 2019-04-22 | 2019-08-23 | 创维互联(北京)新能源科技有限公司 | 基于光伏板发电能力的积灰评价方法、积灰清洗控制方法及积灰评价系统和可读存储介质 |
CN110322108A (zh) * | 2019-05-08 | 2019-10-11 | 上海道口材料科技有限公司 | 面向绿色资产评估的光伏系统实时健康度评价方法和系统 |
CN110999129A (zh) * | 2017-06-14 | 2020-04-10 | 穿梭科技私人投资有限公司 | 用于高速通信的系统和方法 |
CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及系统 |
CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息系统健康度评估方法及其评估系统 |
CN115544748A (zh) * | 2022-09-24 | 2022-12-30 | 重庆中电自能科技有限公司 | 一种光伏组串健康状态监测、评价方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3525374B1 (en) * | 2018-02-07 | 2021-10-06 | Volkswagen Aktiengesellschaft | Method for data communication between at least two participants of a wireless communication system, corresponding control unit and vehicle equipped with a control unit as well as computer program |
US11899442B2 (en) * | 2019-03-16 | 2024-02-13 | Livehooah Technologies Private Limited | System and method for structural health monitoring using internet of things and machine learning |
US11509136B2 (en) * | 2019-12-30 | 2022-11-22 | Utopus Insights, Inc. | Scalable systems and methods for assessing healthy condition scores in renewable asset management |
EP3997611A4 (en) * | 2020-07-29 | 2022-09-07 | Fingerprint Cards Anacatum IP AB | ADAPTIVE READOUT FROM A GLOBAL APERTURE BIOMETRIC SENSOR |
-
2023
- 2023-10-16 CN CN202311337981.4A patent/CN117407829B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101557606A (zh) * | 2009-05-15 | 2009-10-14 | 东南大学 | 用于无线传感器网络的媒体访问控制方法 |
CN110999129A (zh) * | 2017-06-14 | 2020-04-10 | 穿梭科技私人投资有限公司 | 用于高速通信的系统和方法 |
CN110162836A (zh) * | 2019-04-22 | 2019-08-23 | 创维互联(北京)新能源科技有限公司 | 基于光伏板发电能力的积灰评价方法、积灰清洗控制方法及积灰评价系统和可读存储介质 |
CN110322108A (zh) * | 2019-05-08 | 2019-10-11 | 上海道口材料科技有限公司 | 面向绿色资产评估的光伏系统实时健康度评价方法和系统 |
CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及系统 |
CN112365186A (zh) * | 2020-11-27 | 2021-02-12 | 中国电建集团海外投资有限公司 | 一种电力信息系统健康度评估方法及其评估系统 |
CN115544748A (zh) * | 2022-09-24 | 2022-12-30 | 重庆中电自能科技有限公司 | 一种光伏组串健康状态监测、评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117407829A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320892B (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN102721924B (zh) | 风力发电机组的故障预警方法 | |
CN109102189B (zh) | 一种电气设备健康管理系统和方法 | |
CN104992270B (zh) | 输变电设备状态检修辅助决策系统及方法 | |
AU2015283585B2 (en) | Predictive maintenance and inferring patterns of solar panel cleaning systems | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN111524032B (zh) | 一种基于企业用电数据的环保响应量化方法及装置 | |
Laayati et al. | Smart energy management: Energy consumption metering, monitoring and prediction for mining industry | |
CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
CN115640909A (zh) | 一种为实现碳达峰碳中和的智慧能效管理方法及系统 | |
CN116781008A (zh) | 一种光伏电站的异常状态检测方法及系统 | |
CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
CN117407829B (zh) | 基于深度学习的光伏组件健康度评估方法、系统和设备 | |
CN110765633A (zh) | 一种动力装置的智能管理方法和装置 | |
CN116596517A (zh) | 一种基于神经网络模型的光伏组件清洗决策方法及系统 | |
KR102411915B1 (ko) | 시설 및 장비 실시간 모니터링 및 이상 징후 ai 진단 서비스 제공 시스템 및 방법 | |
CN111931969A (zh) | 一种基于时序分析的合并单元设备状态预测方法 | |
CN116187980A (zh) | 一种基于数据传输的环保设备用可视化智能管理系统 | |
CN117171590B (zh) | 一种电机智能驱动优化方法及系统 | |
CN117634836A (zh) | 一种基于矩阵分析的光伏电站清洗过程评估方法及系统 | |
CN116542510B (zh) | 船舶电气调试流程的优化配置方法 | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 | |
CN117152355B (zh) | 一种基于工厂数据的可视化监管系统 | |
CN117128162A (zh) | 智慧能源空压站节能控制系统及控制方法 | |
CN117408632A (zh) | 一种基于数字化的远程管理系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |