CN117708552B - 一种基于边缘计算的发电站运维数据实时监控方法 - Google Patents

Abstract

本发明公开了一种基于边缘计算的发电站运维数据实时监控方法，涉及运维监控技术领域，包括使用物联网技术收集发电设备的关键运维数据，并通过边缘计算对关键运维数据进行一次处理；将经过一次处理的关键运维数据上传至数据中心并进行二次处理；数据中心采用随机森林算法，并根据经过二次处理的发电设备的关键运维数据建立预测模型；结合实时监控和预测模型的输出，实时监控发电设备的状态，判断是否发生异常，若发生异常，则自动触发预警和响应程序。本发明实时收集关键数据，快速识别和响应潜在故障，减少设备停机时间。通过自动化和智能化处理提高了故障预防能力，优化了维护决策，从而提升整体运营效率并降低运维成本。

Description

一种基于边缘计算的发电站运维数据实时监控方法

技术领域

本发明涉及运维监控技术领域，特别是一种基于边缘计算的发电站运维数据实时监控方法。

背景技术

随着智能电网和物联网技术的迅速发展，发电站运维领域已经逐步实现自动化和智能化。传统的发电站运维依赖于中心化的数据处理和监控系统，这在数据传输和处理上存在延迟，影响了运维的实时性和效率。近年来，边缘计算的兴起提供了一种新的解决方案。边缘计算通过在数据源附近（如发电站内）处理数据，减少了数据传输时间，提高了处理速度和实时性。物联网技术的应用使得发电设备能够实时收集和传输运维数据，为边缘计算提供了丰富的数据源。同时，随着人工智能算法，特别是机器学习技术在数据分析领域的应用成熟，使得对发电设备的状态监控和预测更加准确和高效。

尽管边缘计算和物联网技术在发电站运维中的应用带来了显著进步，但现有技术仍存在一些不足之处。首先，现有的数据处理方法在初步数据过滤和异常检测方面往往不够精确，导致无效或错误的数据被传输和处理，影响了监控的准确性和效率。此外，传统的数据处理方法在处理大量数据时可能面临处理能力不足的问题，无法满足实时监控的需求。

发明内容

鉴于现有的发电站运维数据实时监控中存在的问题，提出了本发明。

因此，本发明所要解决的问题在于如何避免数据传输和处理过程中的无效或者错误，提高监控的准确性和效率，实现精确的发电站运维数据实时监控。

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基于边缘计算的发电站运维数据实时监控方法，其包括使用物联网技术收集发电设备的关键运维数据，并通过边缘计算进行一次处理；所述一次处理包括数据过滤、初步异常检测和联合判断；所述发电设备包括风力发电设备和光伏发电设备；所述关键运维数据包括第一运维数据、第二运维数据和第三运维数据；将经过一次处理的关键运维数据上传至数据中心并进行二次处理；所述数据中心基于深度学习，对经过二次处理后的风力发电设备和光伏发电设备的关键运维数据分别建立预测模型；结合实时监控和预测模型的输出，实时监控风力发电设备和光伏发电设备的状态，判断是否发生异常，若发生异常，则自动触发预警和响应程序。

作为本发明所述基于边缘计算的发电站运维数据实时监控方法的一种优选方案，其中：所述关键运维数据通过设置于发电设备上的传感器实时收集；所述传感器为具有边缘计算能力的多功能智能传感器，且所述传感器包括风力发电监测传感器、光伏发电监测传感器和环境监测传感器；所述传感器的边缘计算是指在每个传感器中集成一个微型边缘计算单元，所述微型边缘计算单元对传感器收集的原始数据进行一次处理；所述第一运维数据为所述风力发电监测传感器采集的风速、风向、涡轮机震动、轮毂温度，以及发电量；所述第二运维数据为所述光伏发电监测传感器采集的光照强度、板温、电流和电压、遮挡或污染情况；所述第三运维数据为所述环境监测传感器采集的大气压力、湿度、温度，以及降雨量。

作为本发明所述基于边缘计算的发电站运维数据实时监控方法的一种优选方案，其中：所述数据过滤包括如下步骤：设定预设阈值，具体为根据第一运维数据设定第一预设阈值，根据第二运维数据设定第二预设阈值，根据第三运维数据设定第三预设阈值；当所述第一运维数据、第二运维数据和第三运维数据进入微型边缘计算单元时，立即与各自相对应的第一预设阈值、第二预设阈值和第三预设阈值进行比较；若在预设阈值范围内，则判定为有效数据，保留以供进一步分析；若超出预设阈值范围，则标记为无效并剔除；此外，需记录被剔除的关键运维数据的详细信息，以供后续分析数据异常的原因；所述详细信息包括时间戳、传感器ID和异常值。

所述初步异常检测包括如下步骤：对每类传感器收集的关键运维数据计算滑动窗口标准差，公式如下：

；

其中，σ是标准差；是单个数据点的值；μ是所有数据点的平均值；N是数据点的数量。

根据标准差公式，判断第一运维数据、第二运维数据和第三运维数据的各个数据点状态，所述数据点状态包括正常、轻微异常、显著异常，以及极端异常。

若所述数据点在一倍标准差范围内，即，则判定为正常。若所述数据点超过一倍但不超过两倍标准差，也即且，则判定为轻微异常；此外，若连续数次落在一倍标准差边界上，即使未超过一倍标准差，则也判定为轻微异常。若所述数据点超过两倍但不超过三倍标准差，即或，则判定为显著异常；此外，若连续向同一方向偏离平均值超过一倍标准差，也即连续数次超过或低于，即使未达到两倍标准差，则也判定为显著异常。若所述数据点超过三倍标准差，即或，则判定为极端异常；此外，当第三运维数据的数据点出现远离长期平均值，特别是超出三倍标准差的范围时、第三运维数据的变化与已知的极端天气事件相一致、参数在预设时间内超出常规季节性变化的范围、与发电设备所在地的历史季节性趋势严重不符，或存在环境污染，即使第三运维数据的数据点仅超过三倍标准差，也需判定为重要且值得关注的极端异常。预设时间在本实施例中为每月、每季度或每半年。

作为本发明所述基于边缘计算的发电站运维数据实时监控方法的一种优选方案，其中：所述联合判断包括若第一运维数据或第二运维数据的数据点在数据过滤中被判定为有效数据，但在初步异常检测中显示为轻微异常、显著异常或极端异常，同时第三运维数据显示出与这些异常相关的环境变化，则重新计算异常数据点与第一预设阈值、第二预设阈值和第三预设阈值的关系；在重新计算中，若异常数据点的值小于相应预设阈值的最小值且与第三运维数据显示的环境变化有直接相关性，则重新判定这些数据点为有效且正常；若数据点的值大于或等于预设阈值或与第三运维数据显示的环境变化无直接相关性，则保持其异常状态。

所述直接相关性的判断包括分析第三运维数据，特别是在异常数据点出现的时间段内的环境参数变化，应用时间序列分析方法来计算环境参数变化与记录的异常数据点之间的相关性；设置相关性评估的阈值，若每个异常数据点与环境变化的相关系数超过相关性评估的阈值，则认定这些数据点与环境变化有直接相关性；若所述相关系数未超过相关性评估的阈值，则认定这些数据点与环境变化无直接相关性。

作为本发明所述基于边缘计算的发电站运维数据实时监控方法的一种优选方案，其中：所述二次处理包括如下步骤：在数据中心中设定数据同步频率，确保在关键数据变化或预定时间间隔后自动触发数据上传；对所有传输的数据应用256位AES加密，进行加密密钥的安全管理和定期更新；进行数据整合，在数据湖中归档和索引收到的数据，实施数据质量检查，确保数据的完整性和准确性；运用机器学习技术自动识别和纠正数据不一致性和错误；实现自动化数据清洗。

作为本发明所述基于边缘计算的发电站运维数据实时监控方法的一种优选方案，其中：所述预测模型的建立包括如下步骤：将设备和运维场景的规则集成到异常检测系统中，定期更新规则以适应新的运维模式和设备变化；使用孤立森林算法提升对细微异常模式的检测能力；通过ARIMA模型分析数据趋势和季节性变化；基于趋势分析结果构建预测模型，预测未来行为和潜在异常；运用MDS和PCA技术分析数据，利用模式识别技术提取数据中的关键模式和洞察；针对随机森林算法进行参数调整，优化模型适应性和准确性；通过分层交叉验证测试模型稳定性，分析性能指标；建立实时反馈机制，根据反馈和性能数据定期调整数据处理策略和模型参数。

作为本发明所述基于边缘计算的发电站运维数据实时监控方法的一种优选方案，其中：所述预警和响应程序包括，若二次处理后判定为异常，预测模型判定为正常，则优先考虑二次处理的结果，触发即时预警，并进行快速现场检查或远程诊断，确认是否为假阳性；若确认为真实异常，执行紧急响应措施；若为假阳性，记录事件以优化后续处理；若二次处理后判定为正常，预测模型判定为异常，则触发预警但优先级低于即时异常，安排定期检查或增加监测频率，以确认预测模型指示的潜在问题；若二次处理和预测模型均判定为异常，则立即触发高优先级预警和紧急响应程序，执行必要的安全措施；所述安全措施包括设备停机、紧急维修或人员撤离，并通知相关人员；若二次处理和预测模型均判定为正常，则继续维持常规监控，无需特别行动；定期检查和更新预警阈值和模型参数，确保准确性；若二次处理结果与预测模型结果不一致，则根据不一致的程度和历史数据的可靠性，决定预警的级别，必要时进行额外的分析或使用第三方数据验证，以确定正确的响应措施。

第二方面，本发明实施例提供了一种基于边缘计算的发电站运维数据实时监控系统，其包括：数据采集模块，用于实时收集风力和光伏发电设备的关键运维数据；边缘计算模块，用于在传感器级别进行一次数据处理；数据处理与分析模块，用于在数据中心对上传的关键运维数据进行二次处理；预测与决策支持模块，用于基于随机森林算法和分析技术构建预测模型；实时监控与响应模块，用于结合实时监控数据和预测模型的输出，对发电设备的状态进行综合判断。

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基于边缘计算的发电站运维数据实时监控方法的任一步骤。

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基于边缘计算的发电站运维数据实时监控方法的任一步骤。

本发明有益效果为本发明通过集成先进的数据采集、边缘计算、数据处理与分析、预测与决策支持，以及实时监控与响应模块，显著提升了对风力和光伏发电设备运维管理的效率和安全性。本发明能够实时收集和分析关键运行数据，利用边缘计算进行初步处理，再通过数据中心的深度分析进行二次处理，有效预测潜在的设备故障。此外，本发明的实时监控和自动响应能力能够快速识别异常情况，及时触发预警和采取适当的响应措施。本发明不仅减少了设备故障率，延长了设备寿命，还显著提高了运维效率和系统的整体可靠性，从而为发电站运营带来显著的经济和安全上的好处。

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。

图1为基于边缘计算的发电站运维数据实时监控方法的整体流程图。

图2为基于边缘计算的发电站运维数据实时监控方法的计算机设备图。

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。

实施例1

参照图1，为本发明第一个实施例，该实施例提供了一种基于边缘计算的发电站运维数据实时监控方法，该方法首先利用物联网技术高效地收集关键运维数据。然后，通过边缘计算对收集到的数据进行一次处理，包括数据过滤、初步异常检测和联合判断。这一过程能有效地识别并剔除无效数据，确保只有有效和关键的数据被上传至数据中心，大大提高了数据处理的精度和效率。接着，在数据中心进一步采用随机森林算法对数据进行二次处理和分析，建立更加精确的预测模型。这种结合边缘计算和高级数据分析的方法不仅提升了数据处理的速度和实时性，还通过精确的异常检测和预测模型，增强了发电站运维的可靠性和安全性。总的来说，本发明在实时数据处理和分析的准确性、效率以及预测模型的建立和应用方面，相比现有技术显示出明显的优势和创新性。

具体的，一种基于边缘计算的发电站运维数据实时监控方法包括如下步骤：

S1：使用物联网技术收集发电设备的关键运维数据，并通过边缘计算对所述关键运维数据进行一次处理。

在S1中，通过使用物联网技术收集发电设备的关键运维数据，并通过边缘计算进行一次处理，实现了数据的即时收集和初步处理。这一步骤有效地提高了数据收集的实时性和精确性，因为边缘计算能够在数据生成的地点即时处理数据，减少了数据传输时间和延迟。此外，这种方法还减轻了中心处理系统的负担，提高了整体系统的效率和响应速度。通过这种方法，可以更快地识别发电设备的运维问题，为及时的维护和优化提供支持，从而提高了发电站的运维效率和设备的使用寿命。

其中，关键运维数据通过设置于发电设备上的传感器实时收集。关键运维数据包括第一运维数据、第二运维数据和第三运维数据；其中，第一运维数据为所述风力发电监测传感器采集的风速、风向、涡轮机震动、轮毂温度，以及发电量；第二运维数据为所述光伏发电监测传感器采集的光照强度、板温、电流和电压、遮挡或污染情况；第三运维数据为所述环境监测传感器采集的大气压力、湿度、温度，以及降雨量。

具体的，传感器为具有边缘计算能力的多功能智能传感器，主要包括风力发电监测传感器、光伏发电监测传感器和环境监测传感器。传感器的边缘计算是指在每个传感器中集成一个微型边缘计算单元，微型边缘计算单元对传感器收集的原始数据进行一次处理。

进一步的，一次处理包括数据过滤、初步异常检测和联合判断。一次处理的大概过程为在数据过滤过程中将关键运维数据与预设阈值进行比较，判断是否为有效数据，若为有效数据，则进行初步异常检测；若为无效数据，则标记为无效并剔除；若所述关键运维数据被判定为有效数据，而在初步异常检测中显示异常，则进行联合判断。

更进一步的，数据过滤包括如下步骤：具体为根据第一运维数据设定第一预设阈值，根据第二运维数据设定第二预设阈值，根据第三运维数据设定第三预设阈值；当第一运维数据、第二运维数据和第三运维数据进入微型边缘计算单元时，立即与各自相对应的第一预设阈值、第二预设阈值和第三预设阈值进行比较；若在预设阈值范围内，则判定为有效数据，保留以供进一步分析；若超出预设阈值范围，则标记为无效数据并剔除；此外，需记录被剔除的关键运维数据的详细信息，以供后续分析数据异常的原因；详细信息包括时间戳、传感器ID和异常值。

经过数据过滤后，进行初步异常检测，包括如下步骤：

对每类传感器收集的关键运维数据计算滑动窗口标准差，可以选择过去一小时的运维数据来计算当前的标准差公式如下：

；

其中，σ是标准差；是单个数据点的值；μ是所有数据点的平均值；N是数据点的数量；

需要说明的是，根据历史数据和涡轮机的操作规范，设定风速和风向的正常运维范围；基于光伏板的技术规格和历史性能数据，设定光照强度、板温、电流和电压的正常运维范围；根据地理位置和历史气候数据，设定大气压力、湿度、温度和降雨量的正常范围。

在数据分析和统计学中，一个“数据点”通常指的是在数据集中单个观测或测量的值。每个数据点代表了对特定变量的单次测量或观察结果。在不同的上下文中，数据点可以代表不同的信息：在环境监测中：比如一个环境监测传感器每隔一定时间记录的温度值，每个温度值就是一个数据点。在风力发电监测中：例如风速传感器每分钟记录的风速读数，每个读数都是一个数据点。在光伏发电监测中：如光伏板电流传感器测量的电流值，每次测量得到的电流值都是一个数据点。

根据标准差公式，判断第一运维数据、第二运维数据和第三运维数据的各个数据点状态，数据点状态包括正常、轻微异常、显著异常，以及极端异常。

第一运维数据的数据点状态包括正常、轻微异常和显著异常；第二运维数据的数据点状态包括正常、显著异常和极端异常；第三运维数据的数据点状态包括正常、轻微异常和极端异常。

若数据点在一倍标准差范围内，即，则判定为正常。

若数据点超过一倍但不超过两倍标准差，也即且，则判定为轻微异常；此外，若连续数次落在一倍标准差边界上，即使未超过一倍标准差，则也判定为轻微异常。

若数据点超过两倍但不超过三倍标准差，即或，则判定为显著异常；此外，若连续向同一方向偏离平均值超过一倍标准差，也即连续数次超过或低于，即使未达到两倍标准差，则也判定为显著异常。

若数据点超过三倍标准差，即或，则判定为极端异常。此外，当第三运维数据的数据点出现远离长期平均值，特别是超出三倍标准差的范围时、第三运维数据的变化与已知的极端天气事件（如飓风、热浪、洪水等）相一致、参数在一定时间内快速变化，如在非常短的时间内气温急剧上升或下降，超出常规季节性变化的范围、与发电设备所在地的历史季节性趋势严重不符，或存在环境污染，即使第三运维数据的数据点仅超过三倍标准差，也需判定为重要且值得关注的极端异常。

联合判断包括：若第一运维数据或第二运维数据的数据点在数据过滤中被判定为有效数据，但在初步异常检测中显示为轻微异常、显著异常或极端异常，同时第三运维数据显示出与这些异常相关的环境变化，则重新计算异常数据点与第一预设阈值、第二预设阈值和第三预设阈值的关系。

在重新计算中，若异常数据点的值小于相应预设阈值的最小值且与第三运维数据显示的环境变化有直接相关性，则重新判定这些数据点为有效且正常；若数据点的值大于或等于预设阈值或与第三运维数据显示的环境变化无直接相关性，则维持异常状态。

直接相关性的判断包括，分析第三运维数据，特别是在异常数据点出现的时间段内的环境参数变化，应用时间序列分析方法来计算环境参数变化与记录的异常数据点之间的相关性。设置相关性评估的阈值，若每个异常数据点与环境变化的相关系数超过相关性评估的阈值，则认定这些数据点与环境变化有直接相关性；若相关系数未超过相关性评估的阈值，则认定这些数据点与环境变化无直接相关性。

S2：将经过一次处理的关键运维数据上传至数据中心并进行二次处理。

本步骤将经过一次处理的关键运维数据上传至数据中心并进行二次处理，实现了对大规模数据的深度分析，确保只有经过初步筛选的有效数据被上传，降低了数据中心处理无关数据的负担，提高了数据处理的效率和准确性。二次处理可以利用更强大的计算资源和复杂的分析算法，如机器学习，对数据进行深入分析，提供更准确的运维决策支持。这种方法增强了发电站运维的智能化和自动化水平，减少了人为错误，提高了运维的可靠性和安全性。

具体的，在数据中心中设定数据同步频率，确保在关键数据变化或预定时间间隔后自动触发数据上传；对所有传输的数据应用256位AES加密，进行加密密钥的安全管理和定期更新；进行数据整合，在数据湖中归档和索引收到的数据，实施数据质量检查，确保数据的完整性和准确性；运用机器学习技术自动识别和纠正数据不一致性和错误；实现自动化数据清洗。

S3：数据中心采用随机森林算法，并根据经过二次处理的发电设备的关键运维数据建立预测模型。

本步骤实现了对发电站运维的高精度预测和分析，通过使用先进的机器学习技术，能够准确预测发电设备的运维状态和潜在问题。随机森林算法的应用增强了模型的泛化能力和准确度，能够处理复杂和非线性的数据关系。通过这种方法，可以提前识别和预防潜在的运维问题，优化维护计划和资源配置，进一步提高发电站的运行效率和可靠性。

具体的，将设备和运维场景的规则集成到异常检测系统中，定期更新规则以适应新的运维模式和设备变化；使用孤立森林算法提升对细微异常模式的检测能力；通过ARIMA模型分析数据趋势和季节性变化；基于趋势分析结果构建预测模型，预测未来行为和潜在异常；运用MDS和PCA技术分析数据，利用模式识别技术提取数据中的关键模式和洞察；针对随机森林算法进行参数调整，优化模型适应性和准确性；通过分层交叉验证测试模型稳定性，分析性能指标；建立实时反馈机制，根据反馈和性能数据定期调整数据处理策略和模型参数。

S4：结合实时监控和预测模型的输出，实时监控发电设备的状态，判断是否发生异常，若发生异常，则自动触发预警和响应程序。

本步骤实现了发电站运维的高效和安全管理。主要通过实时监控和智能预测，能够及时发现并响应任何异常状态，确保发电站的稳定运行。自动触发的预警和响应程序减少了人工干预的需要，提高了响应速度和准确性。通过这种方法，可以有效防止和减轻潜在的运维问题，保障发电站的安全运行，降低了事故风险和维护成本。

更进一步的，若二次处理后判定为异常，预测模型判定为正常，则优先考虑二次处理的结果，触发即时预警，并进行快速现场检查或远程诊断，确认是否为假阳性；若确认为真实异常，执行紧急响应措施；若为假阳性，记录事件以优化后续处理；若二次处理后判定为正常，预测模型判定为异常，则由于预测模型可能指示潜在的未来问题，触发预警但优先级低于即时异常，安排定期检查或增加监测频率，以确认预测模型指示的潜在问题；若二次处理和预测模型均判定为异常，则立即触发高优先级预警和紧急响应程序，执行必要的安全措施；安全措施包括设备停机、紧急维修或人员撤离，并通知相关人员；若二次处理和预测模型均判定为正常，则继续维持常规监控，无需特别行动；定期检查和更新预警阈值和模型参数，确保准确性；若二次处理结果与预测模型结果不一致，则根据不一致的程度和历史数据的可靠性，决定预警的级别，必要时进行额外的分析或使用第三方数据验证，以确定正确的响应措施。

综上，本发明通过集成先进的数据采集、边缘计算、数据处理与分析、预测与决策支持，以及实时监控与响应模块，显著提升了对风力和光伏发电设备运维管理的效率和安全性。这套系统能够实时收集和分析关键运行数据，利用边缘计算进行初步处理，再通过数据中心的深度分析进行二次处理，有效预测潜在的设备故障。它的实时监控和自动响应能力能够快速识别异常情况，及时触发预警和采取适当的响应措施。这不仅减少了设备故障率，延长了设备寿命，还显著提高了运维效率和系统的整体可靠性，从而为发电站运营带来显著的经济和安全上的好处。

实施例2

参考图2，为本发明第二个实施例，在第一个实施例的基础之上，本实施例进一步提供一种基于边缘计算的发电站运维数据实时监控系统，包括：

数据采集模块，用于实时收集风力和光伏发电设备的关键运维数据。这包括从风力发电监测传感器、光伏发电监测传感器和环境监测传感器等获取数据。

边缘计算模块，用于在传感器级别进行一次数据处理。这包括数据过滤、初步异常检测和初步的联合判断，以确保向数据中心发送的信息准确有效。

数据处理与分析模块，用于在数据中心对上传的关键运维数据进行二次处理。包括数据同步、加密、整合、智能预处理、高级异常检测和多维度数据挖掘。

预测与决策支持模块，用于基于随机森林算法和其他先进的分析技术构建预测模型。这个模块负责根据历史和实时数据预测潜在故障，以及提供决策支持。

实时监控与响应模块，用于结合实时监控数据和预测模型的输出，对发电设备的状态进行综合判断。这个模块负责在检测到异常时自动触发预警信号，启动响应程序，并与运维团队进行通信。

本实施例还提供一种计算机设备，适用于基于边缘计算的发电站运维数据实时监控方法的情况，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基于边缘计算的发电站运维数据实时监控方法。

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维提供环境。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基于边缘计算的发电站运维数据实时监控方法。

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3

参照表1，为本发明第三个实施例，在前两个实施例的基础之上，本实施例提供了一种基于边缘计算的发电站运维数据实时监控方法，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。

为了验证基于边缘计算的发电站运维数据实时监控方法的效能，特别是与传统监控系统相比较的创新性和优势，选择一个具备风力和光伏发电功能的现代化发电站作为实验场地。实验分为以下几个步骤：

步骤1：使用物联网技术收集发电设备的关键运维数据，并通过边缘计算对所述关键运维数据进行一次处理。

步骤2：将经过一次处理的关键运维数据上传至数据中心并进行二次处理。

步骤3：数据中心采用随机森林算法，并根据经过二次处理的发电设备的关键运维数据建立预测模型。

步骤4：结合实时监控和预测模型的输出，实时监控发电设备的状态，判断是否发生异常，若发生异常，则自动触发预警和响应程序。

如表1所示，从上述数据表中可以看出，本发明在各项关键运维数据的监控方面明显优于传统监控系统。例如，在风速和光照强度的监测中，本发明显示出更高的灵敏度和准确性。特别是在轮毂温度监测中，本发明的数据更接近阈值设置，表明其能更精确地监测关键参数，有效防止设备过热。

最显著的差异在于异常检测响应速度，本发明仅需30秒即可响应，而传统系统需要120秒。这一显著优势归因于边缘计算技术的应用，它允许数据在源头即时处理，极大减少了数据传输和处理的时间。

异常检测准确性方面，本发明在所有参数的准确性上都有显著提高。这是由于边缘计算单元能够实时处理数据，并且利用先进的数据分析算法（如随机森林算法）进行准确的预测和异常检测。

表1 性能对比表

测试对象	风速(m/s)	发电量(kWh)	光照强度(lux)	轮毂温度(°C)	异常检测响应速度(秒)
						传统监控系统	6.5	1800	550	60	120
我方监控系统	6.8	1850	580	57	30
						阈值设置	≤ 7.0	-	≥ 500	≤ 65	-
异常检测准确性 (%)	85	90	88	92	95

综上所述，本发明在发电站运维数据的实时监控、准确性、响应速度以及异常检测准确性方面，相比传统监控系统展现出显著的创新性和优势。这些改进不仅提高了发电效率和安全性，还为发电站的智能化管理和维护提供了坚实的技术支持。

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 (8)

1.一种基于边缘计算的发电站运维数据实时监控方法，其特征在于：包括，

使用物联网技术收集发电设备的关键运维数据，并通过边缘计算对所述关键运维数据进行一次处理；

所述一次处理包括数据过滤、初步异常检测和联合判断；将所述关键运维数据在所述数据过滤过程中与预设阈值进行比较，判断是否为有效数据，若为有效数据，则进行初步异常检测；若为无效数据，则标记为无效并剔除；若所述关键运维数据被判定为有效数据，而在初步异常检测中显示异常，则进行联合判断；

将经过一次处理的关键运维数据上传至数据中心并进行二次处理；

所述数据中心采用随机森林算法，并根据经过二次处理的发电设备的关键运维数据建立预测模型；

结合实时监控和预测模型的输出，实时监控发电设备的状态，判断是否发生异常，若发生异常，则自动触发预警和响应程序；

所述关键运维数据通过设置于发电设备上的传感器实时收集；所述传感器为具有边缘计算能力的多功能智能传感器，且所述传感器包括风力发电监测传感器、光伏发电监测传感器和环境监测传感器；

所述传感器的边缘计算是指在每个传感器中集成一个微型边缘计算单元，所述微型边缘计算单元对传感器收集的原始数据进行一次处理；

所述关键运维数据包括第一运维数据、第二运维数据和第三运维数据；其中，所述第一运维数据为所述风力发电监测传感器采集的风速、风向、涡轮机震动、轮毂温度，以及发电量；所述第二运维数据为所述光伏发电监测传感器采集的光照强度、板温、电流和电压、遮挡或污染情况；所述第三运维数据为所述环境监测传感器采集的大气压力、湿度、温度，以及降雨量；

所述数据过滤包括如下步骤：

具体为根据第一运维数据设定第一预设阈值，根据第二运维数据设定第二预设阈值，根据第三运维数据设定第三预设阈值；

当所述第一运维数据、第二运维数据和第三运维数据进入微型边缘计算单元时，立即与各自相对应的第一预设阈值、第二预设阈值和第三预设阈值进行比较；若在预设阈值范围内，则判定为有效数据，保留以供进一步分析；若超出预设阈值范围，则标记为无效数据并剔除；此外，需记录被剔除的关键运维数据的详细信息，以供后续分析数据异常的原因；所述详细信息包括时间戳、传感器ID和异常值；

经过所述数据过滤后，进行初步异常检测，具体包括如下步骤：

对每类传感器收集的关键运维数据计算滑动窗口标准差，公式如下：

其中，σ是标准差；x_i是单个数据点的值；μ是所有数据点的平均值；N是数据点的数量；

根据标准差公式，判断第一运维数据、第二运维数据和第三运维数据的各个数据点状态，所述数据点状态包括正常、轻微异常、显著异常，以及极端异常；

若所述数据点在一倍标准差范围内，即μ-σ≤x_i≤μ+σ，则判定为正常；

若所述数据点超过一倍但不超过两倍标准差，也即μ-2σ≤x_i≤μ+2σ且则判定为轻微异常；此外，若连续数次落在一倍标准差边界上，即使未超过一倍标准差，则也判定为轻微异常；

若所述数据点超过两倍但不超过三倍标准差，即x_i＜μ-2σ或x_i＞μ+2σ，则判定为显著异常；此外，若连续向同一方向偏离平均值超过一倍标准差，也即连续数次超过μ+σ或低于μ-σ，即使未达到两倍标准差，则也判定为显著异常；

若所述数据点超过三倍标准差，即x_i＜μ-3σ或x_i＞μ+3σ，则判定为极端异常；此外，当第三运维数据的数据点出现远离长期平均值或超出三倍标准差的范围时、第三运维数据的变化与已知的极端天气事件相一致、参数在预设时间内超出常规季节性变化的范围、与发电设备所在地的历史季节性趋势严重不符，或存在环境污染，即使第三运维数据的数据点仅超过三倍标准差，也需判定为重要且值得关注的极端异常。

2.如权利要求1所述的基于边缘计算的发电站运维数据实时监控方法，其特征在于：所述联合判断包括，

若第一运维数据或第二运维数据的数据点在数据过滤中被判定为有效数据，但在初步异常检测中显示为轻微异常、显著异常或极端异常，同时第三运维数据显示出与这些异常相关的环境变化，则重新计算异常数据点与第一预设阈值、第二预设阈值和第三预设阈值的关系；

在重新计算中，若异常数据点的值小于相应预设阈值的最小值且与第三运维数据显示的环境变化有直接相关性，则重新判定这些数据点为有效且正常；若数据点的值大于或等于预设阈值或与第三运维数据显示的环境变化无直接相关性，则维持异常状态；

所述直接相关性的判断包括，

分析第三运维数据，在异常数据点出现的时间段内的环境参数变化，应用时间序列分析方法来计算环境参数变化与记录的异常数据点之间的相关性；

设置相关性评估的阈值，若每个异常数据点与环境变化的相关系数超过相关性评估的阈值，则认定这些数据点与环境变化有直接相关性；若所述相关系数未超过相关性评估的阈值，则认定这些数据点与环境变化无直接相关性。

3.如权利要求2所述的基于边缘计算的发电站运维数据实时监控方法，其特征在于：所述二次处理包括如下步骤：

在数据中心中设定数据同步频率，确保在关键数据变化或预定时间间隔后自动触发数据上传；

对所有传输的数据应用256位AES加密，进行加密密钥的安全管理和定期更新；

进行数据整合，在数据湖中归档和索引收到的数据，实施数据质量检查，确保数据的完整性和准确性；

运用机器学习技术自动识别和纠正数据不一致性和错误；实现自动化数据清洗。

4.如权利要求3所述的基于边缘计算的发电站运维数据实时监控方法，其特征在于：所述预测模型的建立包括如下步骤：

将设备和运维场景的规则集成到异常检测系统中，定期更新规则以适应新的运维模式和设备变化；使用孤立森林算法提升对细微异常模式的检测能力；

通过ARIMA模型分析数据趋势和季节性变化；基于趋势分析结果构建预测模型，预测未来行为和潜在异常；

运用MDS和PCA技术分析数据，利用模式识别技术提取数据中的关键模式和洞察；

针对随机森林算法进行参数调整，优化模型适应性和准确性；通过分层交叉验证测试模型稳定性，分析性能指标；

建立实时反馈机制，根据反馈和性能数据定期调整数据处理策略和模型参数。

5.如权利要求4所述的基于边缘计算的发电站运维数据实时监控方法，其特征在于：所述预警和响应程序包括，

若二次处理后判定为异常，预测模型判定为正常，则优先考虑二次处理的结果，触发即时预警，并进行快速现场检查或远程诊断，确认是否为假阳性；若确认为真实异常，执行紧急响应措施；若为假阳性，记录事件以优化后续处理；

若二次处理后判定为正常，预测模型判定为异常，则触发预警但优先级低于即时异常，安排定期检查或增加监测频率，以确认预测模型指示的潜在问题；

若二次处理和预测模型均判定为异常，则立即触发高优先级预警和紧急响应程序，执行安全措施；所述安全措施包括设备停机、紧急维修或人员撤离，并通知相关人员；

若二次处理和预测模型均判定为正常，则继续维持常规监控，无需行动；定期检查和更新预警阈值和模型参数，确保准确性；

若二次处理结果与预测模型结果不一致，则根据不一致的程度和历史数据的可靠性，决定预警的级别，进行额外的分析或使用第三方数据验证，以确定正确的响应措施。

6.一种基于边缘计算的发电站运维数据实时监控系统，基于权利要求1～5任一所述的基于边缘计算的发电站运维数据实时监控方法，其特征在于：包括，

数据采集模块，用于实时收集风力和光伏发电设备的关键运维数据；

边缘计算模块，用于在传感器级别进行一次数据处理；

数据处理与分析模块，用于在数据中心对上传的关键运维数据进行二次处理；

预测与决策支持模块，用于基于随机森林算法和分析技术构建预测模型；

实时监控与响应模块，用于结合实时监控数据和预测模型的输出，对发电设备的状态进行综合判断。

7.一种计算机设备，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1～5任一所述的基于边缘计算的发电站运维数据实时监控方法的步骤。

8.一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1～5任一所述的基于边缘计算的发电站运维数据实时监控方法的步骤。