CN117613880A - 一种光伏新能源监管平台的告警方法及系统 - Google Patents
一种光伏新能源监管平台的告警方法及系统 Download PDFInfo
- Publication number
- CN117613880A CN117613880A CN202311584059.5A CN202311584059A CN117613880A CN 117613880 A CN117613880 A CN 117613880A CN 202311584059 A CN202311584059 A CN 202311584059A CN 117613880 A CN117613880 A CN 117613880A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- fault
- model
- new energy
- supervision platform
- 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 52
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 238000012423 maintenance Methods 0.000 claims abstract description 23
- 238000013523 data management Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000007689 inspection Methods 0.000 abstract description 8
- 238000004140 cleaning Methods 0.000 abstract description 7
- 238000007726 management method Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000010248 power generation Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/092—Reinforcement learning
-
- 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
- G06N3/096—Transfer learning
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏新能源监管平台的告警方法及系统，涉及新能源设备检测技术领域，包括搭建基于图像识别的光伏板故障检测系统；构建基于区块链的光伏运维数据管理系统，同时利用智能合同实现自动化的异常警报；根据实际光伏电站的详细参数和数据建立其数字孪生系统，实现对电站运行状态和故障风险的模拟预测。本发明通过图像识别、区块链数据管理和数字孪生技术，实现了对电站运行状态和故障风险的实时监测和预测预警，保障系统的安全高效运行，自动化的监管系统减少了大量劳动力的巡检工作量。同时优化清洗、组态和更换决策，降低采购和维修成本，通过数字孪生仿真找出最优设计方案。并为后续的运维管理提供可靠的数字化辅助。
Description
技术领域
本发明涉及新能源设备检测技术领域，特别是一种光伏新能源监管平台的告警方法及系统。
背景技术
目前，光伏发电系统运维主要还是依赖于传统的人工巡检，巡检效率较低。现有的部分监测系统虽可实时监测发电数据，但针对光伏板故障的检测能力较弱。常见的摄像头巡检技术，主要还停留在简单的异常温度识别，对于裂纹、脏污等复杂故障的识别准确率不高。现有算法一般采用简单的特征提取和分类方法，没有充分利用深度学习技术的优势，一些关注机制和图像增强技术还有很大改进空间，特别是长远裂纹的检测还存在明显困难。此外，现有系统大多只输出简单的故障检测结果，没有深入分析故障的位置、类型和严重程度，也没有与后续处理和决策实施有效地连接起来。
现有的光伏运维数据管理系统，普遍采用中心化结构，数据容易发生篡改，且系统并不直接为自动分析和决策提供支持。一些监测设备的接入还比较闭塞，数据共享和融合比较困难。当前还缺乏利用区块链技术有效保障数据可信度和复用性的成功案例。智能合约的使用也较少，没有实现将复杂规则直接写入代码，边缘节点触发智能合约自动调用的去中心化架构。这些问题都制约了自动化决策。数字孪生技术在光伏系统的应用也相对较少，主要集中在生产环节的仿真辅助，还没有应用到实际的电站监管中。这是由于数字孪生系统模型建立的复杂性，以及运行数据的获取分析难题所致。但数字孪生的应用前景十分广阔，能够充分利用各类先进的人工智能技术，进行高保真的系统状态预测和风险评估。总体上，数字孪生技术在光伏系统故障预测中的研究与应用还很不够。
发明内容
鉴于现有的新能源发电系统运维中存在的问题，提出了本发明。
因此，本发明所要解决的问题在于光伏发电系统运维主要还是依赖于传统的人工巡检，巡检效率较低，没有办法进行预测以及实时检测。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种光伏新能源监管平台的告警方法，其包括，搭建基于图像识别的光伏板故障检测系统；
构建基于区块链的光伏运维数据管理系统，同时利用智能合同实现自动化的异常警报；
根据实际光伏电站的详细参数和数据建立其数字孪生系统，实现对电站运行状态和故障风险的模拟预测。
作为本发明所述光伏新能源监管平台的告警方法的一种优选方案，其中：搭建所述光伏板故障检测系统包括以下步骤：
基于树形图模型构建光伏板故障检测模型；
使用递归神经网络进行特征提取；
通过多任务学习进一步优化模型；
根据优化后的模型进行故障类型的判别；
所述光伏板故障检测模型如下式所示：
aij＝σ(∑p∈P(i,j)ωphp)
式中，P(i,j)表示从位置i,j向外扩散的树形路径集，ωp是路径权重参数，hp是路径上特征响应；
所述光伏板故障检测模型还包括关联光伏板与其他部件的异常检测，如下式所示：
aij＝σ(Interact(xi,xj)+Rel(xi,xj))
式中，Interact()和Rel()分别为聚焦互作关系和语义关系。
作为本发明所述光伏新能源监管平台的告警方法的一种优选方案，其中：所述递归神经网络的激活状态的动力学方程演化如下式所示：
ht+1＝f(Wxhxt+Whhht+bh)
其中，h是递归隐状态，a是激活输出，σ是Sigmoid函数。
作为本发明所述光伏新能源监管平台的告警方法的一种优选方案，其中：所述优化模型的目标函数如下式所示：
其中，R表示GCN关系函数，V表示图中的所有节点，E表示图中的所有边，yi为节点i的真实标签，Aij是节点i和j之间的边的邻接矩阵。
作为本发明所述光伏新能源监管平台的告警方法的一种优选方案，其中：所述故障类型的判别包括，
若模型注意力模块输出的注意力热力图中存在连通区域，则表明图像中存在裂纹长条状故障，分类为裂纹故障，输出定位框标注故障位置；
若GCN关系图的某目标区域节点特征与相邻区域差异性明显，则表明此区域存在局部故障，分类为点状故障如脏污或热斑，输出定位框标注故障位置；
若图像中目标区域之间的空间关系约束损失较大，则表明这些区域存在关联性强的故障，判断为复杂故障，输出联合定位框标注整体故障区域范围；
若策略梯度控制的注意力模块多次扫描聚焦在同一位置，则表明该位置存在系统无法确定的复杂故障，输出该区域的定位框，反馈给人工分析；
若多尺度注意力网络中较大尺度层级注意力聚焦而细节层级没有聚焦，则推断为图像中存在细小裂纹小尺度故障，输出整体定位框。
作为本发明所述光伏新能源监管平台的告警方法的一种优选方案，其中：所述智能合约采用enum枚举类型，enum枚举值为SERIOUS，表示一级致命错误；enum枚举值为WARNING，表示二级中等故障；enum枚举值为MINOR，表示三级轻微故障；enum枚举值为UNKNOWN，表示无法判断的新类型故障；
且UNKNOWN＝SERIOUS>WARNING>MINOR。
作为本发明所述光伏新能源监管平台的告警方法的一种优选方案，其中：所述数字孪生系统包括机械模型、电气模型和光伏转换模型；
所述机械模型具体如下式所示：
式中，m为阵列质量，c为阻尼系数，k为刚度系数，F(t)为外界风荷载或地震载荷；
所述电气模型具体如下式所示：
式中，Ns为串联数，n为二极管并联数，Vt为热电压，I01和I02为两二极管的反向饱和电流。V是电压，IL为光照引起的光生电流；
所述光伏转换模型为：
式中，Jsc为短路电流，J0为饱和电流，Voc为开路电压，q为电子电荷，k为波尔兹曼常数，T为温度。
第二方面，本发明实施例提供了一种光伏新能源监管平台的告警系统，其包括：图像识别故障检测模块，用于对光伏板进行图像捕捉，并使用深度学习算法识别光伏板上的各类故障；
区块链数据管理模块，用于将图像数据和识别结果存储到区块链中，保证数据安全和可追溯，并通过智能合约实现自动化规则引擎；
数字孪生建模模块，用于根据光伏系统的设计参数、运行数据、状态数据建立一个高保真的数字孪生仿真系统；
多场景联合仿真模块，用于组合不同的环境条件、随机事件，进行多次数字孪生仿真，获取运行参数；
状态评估与风险预测模块，用于分析参数动态变化，评估运行状态，并预测光伏系统的故障模式与可能后果。
第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的光伏新能源监管平台的告警方法的任一步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的光伏新能源监管平台的告警方法的任一步骤。
本发明有益效果为通过图像识别、区块链数据管理和数字孪生技术，实现了对电站运行状态和故障风险的实时监测和预测预警，保障系统的安全高效运行，自动化的监管系统减少了大量劳动力的巡检工作量。同时优化清洗、组态和更换决策，降低采购和维修成本，通过数字孪生仿真找出最优设计方案。并为后续的运维管理提供可靠的数字化辅助。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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它的附图。其中：
图1为光伏新能源监管平台的告警方法的流程图。
图2为光伏新能源监管平台的告警方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1和图2，为本发明第一个实施例，该实施例提供了一种光伏新能源监管平台的告警方法，包括：
S1：搭建基于图像识别的光伏板故障检测系统。
使用无人机或高位摄像头定期对光伏电站的光伏板进行图像采集，获取包含正常板片和故障板片(裂纹、脏污、发热等)的图片数据集，进行数据增强和人工标注，构建起用于模型训练和测试的数据集。
使用基于树形图模型的稀疏注意力结构，高效捕捉图像中的长程依赖，适合检测光伏板上的裂纹等故障：
aij＝σ(∑p∈P(i,j)ωphp)
式中，P(i,j)表示从位置i,j向外扩散的树形路径集，ωp是路径权重参数，hp是路径上特征响应。
基于关系抽取理论，识别出图像主体之间的联系，相互作用的主体会更引起注意。用于关联光伏板与其他部件的异常：
aij＝σ(Interact(xi,xj)+Rel(xi,xj))
式中，Interact()和Rel()分别为聚焦互作关系和语义关系。
注意力权重的学习可以形式化为马尔可夫决策过程，采用强化学习的策略梯度方法进行优化，使注意力的定位更加动态和主动。进一步的，通过迁移学习的方法，使用图像分类和目标检测的预训练模型，在自己的数据集上进行进一步训练，优化模型识别光伏板故障的性能。
进一步的，从收集的图像数据中划分出20％～30％作为独立的测试集。确保测试集包含不同类型、不同取景的光伏板故障图片。
设置精确率、召回率、F1 Score作为评价指标，同时分析不同故障类型和不同板片位置的检测效果。
其中精确率计算方式为其中，TP代表真正例(TruePositives)，即模型正确地将正类别样本判定为正类别的数量。FP代表假正例(FalsePositives)，即模型错误地将负类别样本判定为正类别的数量。
召回率(Recall)是真正例中被模型检测到的比例。反映模型漏检的比例，计算方式为其中，TP代表真正例(True Positives)，即模型正确地将正类别样本判定为正类别的数量，FN代表假负例(False Negatives)，即模型错误地将正类别样本判定为负类别的数量。
F1 Score为精确率和召回率的调和平均数。总体检测性能的综合指标，计算方式为
分故障类型指标按照裂纹、热斑、污渍等不同故障类型分别计算上述评价指标，分析不同故障的检测效果。分区域指标，按照电池板的不同位置(边角、中间等)，分区域计算评价指标，分析对不同位置故障的检测能力。
保存和提取出当前模型测试过程中判断错误的案例，按类别统计，找到最主要的错误模式。针对主要的漏检类别，采用旋转、裁剪、变亮、加入噪声等图像增强方法，增广这类数据样本，增强模型判断能力。当出现过拟合或者特征提取不充分的情况时，改变卷积层的核大小、数量、步长等参数，或采用可分离卷积、扩张卷积以提取更丰富特征，当出现过拟合或者特征提取不充分的情况时，改变卷积层的核大小、数量、步长等参数，或采用可分离卷积、扩张卷积以提取更丰富特征。
在网络的激活函数之前，增加一个侧输出的树形拓扑的自动编码器结构。自动编码器的编码输出作为激活函数的输入，形成自适应的激活映射过程：
a＝f(z)
z＝g(Wx+b)
式中，z是自编码器的编码输出，g()是编码器映射函数，f()是激活函数。这样可以学习输入信号的高度抽象特征表达。
进一步的，将激活函数构建为一个门控的递归神经网络，其激活状态按以下动力学方程演化：
ht+1＝f(Wxhxt+Whhht+bh)
其中，h是递归隐状态，a是激活输出，σ是Sigmoid函数，实现自适应门控控制。融合了自动编码器和RNN模型，实现更加动态和自适应的激活映射机制。
进一步的，根据任务特点和错误分析，设计注意力约束、关系约束等辅助损失函数。通过多任务学习进一步优化模型。设置光伏板图像中对象位置的图结构表征，基于GCN学习对象间的依赖关系，描述故障关联模式。目标函数为：
其中，R表示GCN关系函数，V表示图中的所有节点，E表示图中的所有边，yi为节点i的真实标签，Aij是节点i和j之间的边的邻接矩阵，使故障判断与空间关联建模联合优化。
将注意力模块的生成形式化为马尔可夫决策过程，设置奖励函数奖励聚焦在故障相关区域。利用策略梯度方法训练控制注意力扫描轨迹的模型，解决注意力定位的最优控制问题，加入辨别器判断注意力图像的真伪，作为生成器的对抗损失。而生成器最小化重构图像与原图像差距的自编码损失，以正则注意力模块的生成，增强真实感。
进一步的，根据优化后的模型进行故障类型的判别
若模型注意力模块输出的注意力热力图中存在连通区域，则表明图像中可能存在裂纹等长条状故障，分类为裂纹故障，输出定位框标注故障位置。
若GCN关系图的某目标区域节点特征与相邻区域差异性明显，则表明该区域可能存在局部故障，分类为点状故障如脏污或热斑，输出定位框标注故障位置。
若图像中目标区域之间的空间关系约束损失较大，则表明这些区域可能存在关联性较强的故障，判断为复杂故障，输出联合定位框标注整体故障区域范围。
若策略梯度控制的注意力模块多次扫描聚焦在同一位置，则表明该位置存在系统无法确定的复杂故障，输出该区域的定位框，反馈给人工分析。
若多尺度注意力网络中较大尺度层级注意力聚焦而细节层级没有聚焦，则推断为图像中存在细小裂纹等小尺度故障，输出整体定位框。
S2：构建基于区块链的光伏运维数据管理系统，同时利用智能合同实现自动化的异常警报。
收集的光伏板片图像数据进行哈希摘要处理，摘要以交易形式记录在区块链账本中。将光伏板片故障检测模型对图像的分析结果，包括故障类型、位置坐标等统一格式化并记录至区块链。构建提取模块，从区块链中提取图像数据和对应模型分析结果，进行多源异构数据的自动化关联分析。
进一步的，利用区块链客户端SDK，实现读取区块链上存储的图像哈希值、模型分析结果等的读取接口，从原始交易中解析并提取图像哈希码和模型结果json，封装为对象，存储在关系数据库中。
提取模块将图像哈希码和模型结果ID作为参数，查询数据库进行Join操作，确定两数据集之间的关联关系，将每条记录中的模型分析结果和对应的图像及其特征数据串联组合，得到相关联的异构数据集成表示。在组合数据集上，调用规则引擎，匹配已定义的业务规则，确定数据是否存在异常。提取模块会将检测到的异常情况，通过调用预定义的接口主动上报给后台管理系统。
若提取模块在指定的时间间隔内，没有检测到新的图像哈希上链，则推断为图像采集设备故障，上报“图像采集异常”故障信息。
若提取到的图像哈希没有对应的模型分析结果，出现匹配失败情况，则上报“模型结果缺失”异常信息。
若发现存储在区块链上的模型结果存在明显的重复或副本情况，则上报“重复结果异常”信息。
若根据业务规则，检测到模型的图像识别结果与预设的业务知识存在偏差，则上报“图像识别偏差异常”。
若提取模块内部的图像数据和模型结果之间出现无法关联的情况，则上报“关联规则异常”信息。
根据图像识别模型的输出，定义故障的类型，如裂纹、脏污、电池发热等不同类型。根据业务场景，给不同故障类型定义严重程度的级别，例如一级致命故障，二级较大故障，三级轻微故障。利用决策表、业务规则树等模型确定不同类型和不同级别故障所对应的规则。
进一步的，使用Solidity语言将规则引擎转化为区块链智能合约代码，实现对输入检测结果的规则匹配执行逻辑。定义故障检测结果数据结构，包含故障类型、故障坐标、置信度等属性。利用映射(mapping)的数据结构，存储定义的不同故障类型与级别规则，映射键为故障类型，值为规则详情。定义合约的输入参数，需要输入故障类别、坐标、模型置信度等检测结果信息。设计一个规则匹配函数matchRules，输入参数为上述的检测结果，在映射中查找对应规则，返回规则匹配情况。定义一个严重ness级别的enum枚举类型，根据匹配结果，返回对应的故障严重程度级别。根据严重级别enum值，进行不同的事件触发，进行下游处理，实现最终的异常预警效果。
若严重级别枚举值为SERIOUS，表示一级致命错误，则触发服务停机、Now报警电话、紧急维修人员调配等严重级响应。
若严重级别值为WARNING，表示二级中等故障，则触发现场报警音响、故障记录登记、相关设备隔离等警告级响应。
若严重级别值为MINOR，表示三级轻微故障，则触发日志记录、维保计划更新、非紧急工单指派等一般响应。
若严重级别值为UNKNOWN，表示无法判断的新类型故障，则触发现场采集更多证据、紧急修复或更换备用设备以待进一步判定。
S3：根据实际光伏电站的详细参数和数据建立其数字孪生系统，实现对电站运行状态和故障风险的模拟预测。
在光伏电站中安装物联网传感器，采集电压、电流、温度、辐射度、环境参数等实时运行数据。收集电站的设计图纸、设备参数等静态信息，建立确定的元数据模型。通过手动巡检、状态监测、故障报告等方式采集电站的状态标签。
根据光伏系统的物理结构与原理，建立机械模型、电气模型和光伏转换模型。
考虑到光伏支架的结构机械特性，建立细胞阵列的振动方程：
式中，m为阵列质量，c为阻尼系数，k为刚度系数，F(t)为外界风荷载或地震载荷。
使用双二极管等价电路模型，建立电气模型，建立光伏阵列的输出电压方程：
式中，Ns为串联数，n为二极管并联数，Vt为热电压，I01和I02为两二极管的反向饱和电流。V是电压，IL为光照引起的光生电流，该式考虑了串联和并联电阻效应。
光伏转换模型为：
式中，Jsc为短路电流，J0为饱和电流，Voc为开路电压，q为电子电荷，k为波尔兹曼常数，T为温度。新增的导线电阻Rs和漏电阻Rsh增加了模型的非线性因素。机械-电气-光伏多物理场模型，能更加准确地描述光伏系统的动力学行为和发电特性。
进一步的，机械模型采用三维CAD模型；电气模型使用电路理论来描述；光伏转换模型使用半导体物理学。将各个子模型拼装成整体系统模型，描述其内在物理行为、定量关系。
进一步的，导入实际光伏电站的三维设计模型，设置光伏模块的材料特性参数，如硅材料的能带结构、吸收系数等，设置光伏支架、接线盒等机械部件的几何尺寸、材料属性，在数字孪生的虚拟空间中，重建光伏系统的物理特性、运行参数、环境模型。进行多种情况下的数字孪生仿真，通过改变模型输入推演输出结果。
定义关键输入变量，环境条件：日射量、环境温度、风速风向等，运维操作：组件清洗、逆变器组态、支架调整等，偶发事件：线路故障、逆变器爆炸、电弧火灾等。设计多组输入变量组合，日射量：晴天、多云、重阴等辐照条件组合，温度：四季热动力环境profiles，运维操作：不同频次的清洗保养，偶发事件：设置不同概率的发生。
进一步的，循环遍历输入变量组合，启动多次独立仿真，记录各输入条件下的输出电压、电流、功率等，分析各输出参数的动态波动范围与稳定性，对比不同输入条件的仿真结果，找出决定性影响因素。
若日射量条件变化大而输出功率变化小，则表明有部分光伏板被遮挡，需要检查是否存在局部阴影问题。
若夏天高温下的输出电压明显低于冬天，则表明温度补偿算法可能存在问题，需要重新设定电压温度系数参数。
若清洗频次更高的仿真场景输出功率升幅小，则说明光伏板污垢积累问题不严重，可以适当减少清洗次数节省成本。
若模拟无沙尘天气的输出电流明显高于有沙尘的情况，则风带来的表面污垢是重要影响因素，必须加装防沙装置。
若模拟光伏支架调整前后输出变化不大，则表明当前支架角度就是最优配置，不需要频繁修改调整角度。
若模拟逆变器不同供货商产品时效率和功率差异很大，则供货商和型号选择会对发电量产生重要影响。
对比多次仿真结果差异，分析各决定性影响因素，评估不同影响因素对系统发电量的贡献度，指认次要因素，标记重要的主导因素。根据分析结果，细调数字孪生中的环境模型和部件模型，举例如下：
若仿真结果发现夏季中午光伏发电量远低于预期，则需要检查数字孪生中太阳轨迹模型的参数是否准确，可能需要调整时角计算的精度。
若发现阴雨天的发电量衰减比例明显高于实际光伏阵列的测量结果，则可能是材料表面的光滑程度设置过高，需降低数字孪生中光伏组件的漫反射比例参数。
若通过比较发现二极管的温度补偿模块的输出电压值与实际运行数据有明显偏差，则需要重新设定二极管的带隙温度系数，使其电压温度补偿模型更加准确。
若对比结果显示数字孪生中的逆变器转换效率与其产品数据表明显不符，则需要核对其中的逆变器电力电子电路模型，调整开关和电感电容参数以匹配实际效率曲线。
若仿真获得的年发电量与实际光伏电站的收益差异较大，则需要重新评估整个系统的损耗分配，调整线材、逆变器、environ温度带来的全部损耗参数。
若月辐照分布预测合理但是日内分布失真较大，需要改进数字孪生中的天气随机过程生成算法，使其日内辐照分布更加拟合实测历史数据。
进一步的，提高主导因素相关子模型的精度，降低次要模型的复杂度，再次仿真验证，逐步优化整体数字孪生系统，根据主导因素，重新设计后续仿真的场景方案，聚焦并扩大变量空间中的主导区域，降低次要参数样本，再平衡仿真效率和结果准确性。
定期重复上述过程，不断使用新数据优化数字孪生，随着模型和真实系统的变化持续调整仿真方案，使数字孪生能动态适应外部和内部条件变化，通过动态调整，保证数字孪生在后续运行中既高效又准确，真实反映光伏系统的运行状态、输出特性以及故障风险，为运维决策提供有效支持。
进一步的，本实施例还提供一种基于光伏新能源监管平台的告警系统，包括：
图像识别故障检测模块，用于对光伏板进行图像捕捉，并使用深度学习算法识别光伏板上的各类故障；
区块链数据管理模块，用于将图像数据和识别结果存储到区块链中，保证数据安全和可追溯，并通过智能合约实现自动化规则引擎；
数字孪生建模模块，用于根据光伏系统的设计参数、运行数据、状态数据建立一个高保真的数字孪生仿真系统；
多场景联合仿真模块，用于组合不同的环境条件、随机事件，进行多次数字孪生仿真，获取运行参数；
状态评估与风险预测模块，用于分析参数动态变化，评估运行状态，并预测光伏系统的故障模式与可能后果。
本实施例还提供一种计算机设备，适用于光伏新能源监管平台的告警方法的情况，包括存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的光伏新能源监管平台的告警方法。
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现光伏新能源监管平台的告警方法。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例2
参照图1，为本发明第二个实施例，该实施例提供了一种光伏新能源监管平台的告警方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
在宁夏某大型光伏发电站进行该自动化监管平台的部署实施。该电站装机容量为100兆瓦，采用单晶硅组件，组件划分为20个区块，每个区块有独立的逆变器。现需解决电站发电效率较低、运维成本高的问题。
实施步骤：
1)在该电站关键设备及光伏板区域安装高清工业相机，连接图像识别服务器。
2)搭建区块链网络，部署智能合约，将设备数据和监测结果写入区块链。
3)收集电站的设计数据和历史运行数据，在GPU服务器上搭建光伏系统的数字孪生。
4)对不同的环境输入和故障情况，进行多次数字孪生仿真。
5)平台后台集成图像识别、区块链和数字孪生模块，实现综合预测和决策。
经实施后，不同模块在系统运维及效率提升方面发挥了重要作用：
表1模块作用表
| 模块 | 主要作用 | 效果 |
| 图像识别 | 识别关键设备故障 | 故障预警提前率达到90％ |
| 区块链 | 数据管理、自动化决策 | 决策执行效率提高65％ |
| 数字孪生 | 多情况联合仿真 | 分析清洗策略，年发电量提高8％ |
根据与现有技术对比进一步展现本方案的有益效果，如表2所示
表2与现有技术对比表
可以看出，本技术方案在光伏系统的故障检测、运维决策、状态评估等多个方面，都相比现有技术取得了很大的改进与突破，特别是在提高系统发电效率、降低运维成本方面优势明显。总体而言，本方案更加智能化和精细化，能够大幅推进光伏系统的管理与运维水平。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种光伏新能源监管平台的告警方法，其特征在于：包括，
搭建基于图像识别的光伏板故障检测系统；
构建基于区块链的光伏运维数据管理系统，同时利用智能合同实现自动化的异常警报；
根据实际光伏电站的详细参数和数据建立其数字孪生系统，实现对电站运行状态和故障风险的模拟预测。
2.如权利要求1所述的光伏新能源监管平台的告警方法，其特征在于：搭建所述光伏板故障检测系统包括以下步骤：
基于树形图模型构建光伏板故障检测模型；
使用递归神经网络进行特征提取；
通过多任务学习进一步优化模型；
根据优化后的模型进行故障类型的判别；
所述光伏板故障检测模型如下式所示：
aij＝σ(∑p∈P(i,j)ωphp)
式中，P(i,j)表示从位置i,j向外扩散的树形路径集，ωp是路径权重参数，hp是路径上特征响应；
所述光伏板故障检测模型还包括关联光伏板与其他部件的异常检测，如下式所示：
aij＝σ(Interact(xi,xj)+Rel(xi,xj))
式中，Interact()和Rel()分别为聚焦互作关系和语义关系。
3.如权利要求2所述的光伏新能源监管平台的告警方法，其特征在于：所述递归神经网络的激活状态的动力学方程演化如下式所示：
ht+1＝f(Wxhxt+Whhht+bh)
其中，h是递归隐状态，a是激活输出，σ是Sigmoid函数。
4.如权利要求3所述的光伏新能源监管平台的告警方法，其特征在于：所述优化模型的目标函数如下式所示：
其中，R表示GCN关系函数，V表示图中的所有节点，E表示图中的所有边，yi为节点i的真实标签，Aij是节点i和j之间的边的邻接矩阵。
5.如权利要求4所述的光伏新能源监管平台的告警方法，其特征在于：所述故障类型的判别包括，
若模型注意力模块输出的注意力热力图中存在连通区域，则表明图像中存在裂纹长条状故障，分类为裂纹故障，输出定位框标注故障位置；
若GCN关系图的某目标区域节点特征与相邻区域差异性明显，则表明该区域存在局部故障，分类为点状故障如脏污或热斑，输出定位框标注故障位置；
若图像中目标区域之间的空间关系约束损失较大，则表明这些区域存在关联性强的故障，判断为复杂故障，输出联合定位框标注整体故障区域范围；
若策略梯度控制的注意力模块多次扫描聚焦在同一位置，则表明该位置存在系统无法确定的复杂故障，输出该区域的定位框，反馈给人工分析；
若多尺度注意力网络中较大尺度层级注意力聚焦而细节层级没有聚焦，则推断为图像中存在细小裂纹小尺度故障，输出整体定位框。
6.如权利要求5所述的光伏新能源监管平台的告警方法，其特征在于：所述智能合约采用enum枚举类型，enum枚举值为SERIOUS，表示一级致命错误；enum枚举值为WARNING，表示二级中等故障；enum枚举值为MINOR，表示三级轻微故障；enum枚举值为UNKNOWN，表示无法判断的新类型故障；
且UNKNOWN＝SERIOUS>WARNING>MINOR。
7.如权利要求6所述的光伏新能源监管平台的告警方法，其特征在于：所述数字孪生系统包括机械模型、电气模型和光伏转换模型；
所述机械模型具体如下式所示：
式中，m为阵列质量，c为阻尼系数，k为刚度系数，F(t)为外界风荷载或地震载荷；
所述电气模型具体如下式所示：
式中，Ns为串联数，n为二极管并联数，Vt为热电压，I01和I02为两二极管的反向饱和电流，V是电压，IL为光照引起的光生电流；
所述光伏转换模型为：
式中，Jsc为短路电流，J0为饱和电流，Voc为开路电压，q为电子电荷，k为波尔兹曼常数，T为温度。
8.一种基于光伏新能源监管平台的告警系统，基于权利要求1～7任一所述的光伏新能源监管平台的告警方法，其特征在于：包括，
图像识别故障检测模块，用于对光伏板进行图像捕捉，并使用深度学习算法识别光伏板上的各类故障；
区块链数据管理模块，用于将图像数据和识别结果存储到区块链中，保证数据安全和可追溯，并通过智能合约实现自动化规则引擎；
数字孪生建模模块，用于根据光伏系统的设计参数、运行数据、状态数据建立一个高保真的数字孪生仿真系统；
多场景联合仿真模块，用于组合不同的环境条件、随机事件，进行多次数字孪生仿真，获取运行参数；
状态评估与风险预测模块，用于分析参数动态变化，评估运行状态，并预测光伏系统的故障模式与可能后果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的光伏新能源监管平台的告警方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的光伏新能源监管平台的告警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311584059.5A CN117613880A (zh) | 2023-11-24 | 2023-11-24 | 一种光伏新能源监管平台的告警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311584059.5A CN117613880A (zh) | 2023-11-24 | 2023-11-24 | 一种光伏新能源监管平台的告警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117613880A true CN117613880A (zh) | 2024-02-27 |
Family
ID=89959194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311584059.5A Pending CN117613880A (zh) | 2023-11-24 | 2023-11-24 | 一种光伏新能源监管平台的告警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117613880A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118378826A (zh) * | 2024-04-22 | 2024-07-23 | 临沂大旗信息技术有限公司 | 一种应用于工商业光伏储冲电网管理运维方法及系统 |
| CN118504433A (zh) * | 2024-07-18 | 2024-08-16 | 嘉兴市超联新能源技术有限公司 | 一种基于光伏柔性支架建立数据孪生体的方法及系统 |
-
2023
- 2023-11-24 CN CN202311584059.5A patent/CN117613880A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118378826A (zh) * | 2024-04-22 | 2024-07-23 | 临沂大旗信息技术有限公司 | 一种应用于工商业光伏储冲电网管理运维方法及系统 |
| CN118504433A (zh) * | 2024-07-18 | 2024-08-16 | 嘉兴市超联新能源技术有限公司 | 一种基于光伏柔性支架建立数据孪生体的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
| CN108647716B (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
| CN117613880A (zh) | 一种光伏新能源监管平台的告警方法及系统 | |
| Zhao et al. | Hierarchical anomaly detection and multimodal classification in large-scale photovoltaic systems | |
| CN110458230A (zh) | 一种基于多判据融合的配变用采数据异常甄别方法 | |
| CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
| CN115036922B (zh) | 一种分布式光伏发电电量预测方法及系统 | |
| CN115712873A (zh) | 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法 | |
| Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
| Atrigna et al. | A machine learning approach to fault prediction of power distribution grids under heatwaves | |
| Ying et al. | Research on state evaluation and risk assessment for relay protection system based on machine learning algorithm | |
| CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
| CN118504433B (zh) | 一种基于光伏柔性支架建立数据孪生体的方法及系统 | |
| Firos et al. | Fault detection in power transmission lines using AI model | |
| Ramírez et al. | IoT platform combined with machine learning techniques for fault detection and diagnosis of large photovoltaic plants | |
| CN117764547A (zh) | 一种光伏组串故障诊断方法及系统 | |
| Kabour et al. | Fault classification and detection for photovoltaic plants using machine learning algorithms | |
| CN116340534A (zh) | 一种识别新能源异常数据的知识图谱构建方法和系统 | |
| Aragon et al. | Decision Support System for Photovoltaic Fault Detection Avoiding Meteorological Conditions | |
| CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
| Chang et al. | Prognostics and health management of photovoltaic systems based on deep learning: A state-of-the-art review and future perspectives | |
| Chang et al. | PV O&M Optimization by AI practice | |
| CN116633026B (zh) | 清洁能源感知监控方法、装置、计算机设备及存储介质 | |
| Eldeghady et al. | Comparative analysis of the performance of supervised learning algorithms for photovoltaic system fault diagnosis | |
| CN118410445B (zh) | 分布式光伏异常数据检测方法、系统、电子设备及存储介质 |
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 |