CN117728587B - 一种新能源发电设备运行数据的实时监控系统及方法 - Google Patents

Abstract

本发明公开了一种新能源发电设备运行数据的实时监控系统及方法，涉及发电设备数据监控技术领域，包括采集处理模块，用于收集和预处理各类新能源发电设备的运行数据；增强训练模块，通过ARIMA模型生成合成数据进行数据集扩充，并选择并训练最优的时间敏感型模型；联邦学习模块，用于整合各类新能源发电设备的最优时间敏感型模型，构建联邦检测模型，并在联邦学习框架下协作；压缩部署模块，用于对联邦检测模型进行压缩并部署至边缘计算设备；监控优化模块，用于执行实时监控，及时反馈设备故障，并利用迁移学习技术持续优化模型。本发明利用联邦学习和ARIMA模型，大幅提升新能源设备监控的准确性和实时性，同时通过迁移学习降低维护成本，增强适应性。

Description

一种新能源发电设备运行数据的实时监控系统及方法

技术领域

本发明涉及发电设备数据监测技术领域，特别是一种新能源发电设备运行数据的实时监控系统及方法。

背景技术

新能源发电技术的快速发展，特别是在风能、太阳能及其他可再生能源领域，已成为当今能源结构转型的重要推动力。近年来，伴随着物联网（IoT）和大数据技术的进步，实时监控新能源发电设备的运行状态已变得尤为重要。实时监控系统不仅能实时跟踪设备性能，还能预测和识别潜在故障，从而提高发电效率和设备寿命。

现有的新能源发电设备监控技术主要依赖于传统的数据处理方法和单一的机器学习模型。这些方法在处理大规模、异构且动态变化的数据集时面临着显著挑战。例如，传统的监控系统往往难以应对数据量大、更新快的情况，而且在不同类型的新能源设备之间缺乏有效的数据共享和模型迁移能力。此外，由于新能源发电的波动性和不确定性，现有系统在预测和诊断方面的准确性和稳定性有待提高。这些局限性导致了监控效率的降低和维护成本的增加，从而制约了新能源发电技术的进一步发展和应用。

发明内容

鉴于现有的新能源发电设备运行数据的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提高新能源发电设备运行数据的实时监控效率和准确性，同时确保数据处理的灵活性和模型的泛化能力，以应对大规模、异构且动态变化的数据集，同时降低监控系统的维护成本和提高故障预测的准确度。

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新能源发电设备运行数据的实时监控系统，其包括采集处理模块，用于收集和预处理各类新能源发电设备的运行数据，保障数据输入的质量和一致性；增强训练模块，用于接收经过所述采集处理模块预处理的所述运行数据，通过ARIMA模型生成合成数据进行数据集扩充，选择并训练最优的时间敏感型模型；联邦学习模块，用于整合各类新能源发电设备的最优时间敏感型模型，构建联邦检测模型，同时在联邦学习框架下协作，以提高模型的泛化能力和监控效率；压缩部署模块，用于对所述联邦检测模型进行压缩并部署至边缘计算设备，实现所述联邦检测模型的轻量化和高效监控；监控优化模块，用于执行实时监控，及时反馈设备故障，并利用迁移学习技术持续优化所述联邦检测模型，适应不同设备间的数据变化。

作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：所述新能源发电设备包括光伏发电设备、风能发电设备和水能发电设备；所述运行数据包括光伏发电设备的电流、电压、温度、太阳辐照度，风能发电设备的收集风速、风向、叶片转速、风能发电量，以及水能发电的水流量、水头、发电机转速、水能发电量；所述预处理主要是针对各类新能源发电设备的运行数据时间序列的处理，具体包括增强时间序列特征的数据清洗，进行时间敏感的数据滤波和去噪，维护时间信息的数据标准化，进行时序特征提取，基于时间窗口选择进行数据整合。

作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：所述通过ARIMA模型生成合成数据进行数据集扩充包括如下步骤：对于每类新能源发电设备的运行数据，分别选择适当的ARIMA模型参数；对收集到的原始运行数据执行时间序列分析，使用ARIMA模型来识别数据中的趋势和季节性模式；利用ARIMA模型预测预设时间内的数据点，生成额外的合成数据；对生成的合成数据进行验证，确保其与实际收集的数据在统计特性上保持一致；将验证后的合成数据与原始数据集合并，从而扩大数据集的规模和多样性；对扩充后的数据集进行预处理；其中，所述ARIMA模型通过如下公式表示：

；

式中，是自回归AR部分的系数，每个/>对应于i个时间单位之前的数据点对当前预测值的影响；L是滞后算子，用于表达时间序列中的滞后效应；L ⁱ 表示滞后算子L的i次幂；p是自回归AR的阶数，指定了在预测当前值时要考虑多少个先前时间点的值；d是差分的次数，这是为了使非平稳时间序列变得平稳所需的差分次数，（1-L） ^d 表示应用d次差分；X _t 是时间序列在时间点t的观测值；θ _i 是移动平均MA部分的系数，每个θ _i 对应于i个时间单位之前的预测误差对当前值的影响；q是移动平均MA的阶数，指定了在构建预测时要考虑的先前预测误差的数量；ε _t 是在时间点t的误差项。

作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：增强训练模块选择并训练最优的时间敏感型模型，所述最优的时间敏感型模型的评估公式如下：

。

式中，M _s 是模型选择的评分；Z是数据点的总数；u _k 是第k个数据点的特征值；和τ分别是数据集的平均值和标准差；/>是一个积分变量；β _m 是第m个特征的权重；Q是考虑的特征总数；/>是信息过滤函数，用于评估第k个数据点在第m个特征上的性能。

当M _s 在(0.8，1]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为高。当M _s 在(0.5，0.8]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为中。当M _s 在[0，0.5]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为低。

所述联邦学习框架构建过程包括如下步骤：针对新能源发电设备类型，分别设置专门的联邦学习节点，并建立一个安全的通信协议来保护数据传输；在每个节点上对其对应的新能源发电设的运行数据执行清洗、标准化和特征提取，确保所有节点处理的数据具有一致的格式和标准；根据每种新能源发电设备的数据特性选择适宜的机器学习模型，并制定相应的训练策略；在各个新能源发电设备类型对应的节点上独立训练模型，然后将训练得到的模型参数定期汇总更新；使用不同节点的数据来跨设备验证模型的泛化能力，并根据验证结果对模型进行优化和调整；实施模型的连续学习机制，根据新收集的新能源设备运行数据进行实时更新和优化；在数据的传输和处理过程中应用加密技术，以及实行严格的访问控制，保障各类新能源发电设备数据的安全和隐私。

作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：所述联邦检测模型通过如下公式表达：

；

式中，是联邦检测模型输出，代表整个联邦学习框架下对新能源发电设备运行数据的综合评估结果；/>是评估公式；γ是敏感性调节参数，用于控制模型输出对输入变化的响应程度；H（u _k ,θ _k ）是第k个节点的模型函数，用于处理输入数据u _k 和模型参数θ _k ；/>是高等积分函数。

作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：所述对所述联邦检测模型进行压缩并部署至边缘计算设备包括如下步骤：运用自动化工具对联邦检测模型的每层和每个参数进行评估，识别出对联邦检测模型性能贡献最小的部分；基于评估结果，选择参数剪枝作为压缩技术，通过去除权重小或对输出影响小的神经网络连接来减少模型大小；对联邦检测模型应用参数剪枝，去除冗余和不重要的参数；对剪枝后的联邦检测模型进行微调；评估压缩后的联邦检测模型的性能；将压缩并微调后的联邦检测模型部署到新能源电厂的边缘计算设备上，用于实时监控和数据分析。

针对联邦检测模型的压缩前后的性能变化，通过如下公式进行评估：

；

式中，T是评估时间周期；λ是衰减系数，用于调节时间对性能的影响；P(t)是一个时间依赖的函数，代表模型在时间t的性能；N是评估的特征数量；α _i 是第i个特征的重要性权重；D _i 是第i个特征在压缩前后的变化度量。

当压缩效果评分在81%~100%之间时，表示联邦检测模型在压缩后仍保持高性能，性能损失低。当压缩效果评分在61%~80%之间时，表示联邦检测模型在压缩后性能下降为中。当压缩效果评分在0%~60%之间时，表示联邦检测模型在压缩后性能下降为低。

作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：所述监控优化模块包括利用联邦检测模型实时监控新能源发电设备的运行数据，一旦检测到异常或故障迹象，立即生成报警信号并通知维护团队；在检测到故障后，自动收集与故障相关的数据，并由专业团队进行标注，确定故障的具体类型和原因；整理和预处理收集到的故障数据，以便用于迁移学习过程中的模型训练；选择适合于迁移学习的模型；使用收集到的故障数据对选定的模型进行训练；对更新后的模型进行测试和验证；将优化后的模型重新部署到新能源发电设备的监控系统中。

第二方面，本发明实施例提供了一种新能源发电设备运行数据的实时监控方法，其包括：采集处理模块收集各类新能源发电设备的运行数据，并进行预处理；增强训练模块基于ARIMA模型生成额外合成数据，扩充各类新能源发电设备数据集；将每类新能源发电设备的运行数据划分为支持集和查询集，并构建包含多类新能源发电设备的联邦学习框架；其中，所述支持集用于模型的训练，所述查询集用于模型的测试和验证；选择各类新能源发电设备的最优时间敏感型模型并进行训练，在所述联邦学习框架下整合这些最优时间敏感型模型，构成联邦检测模型；压缩部署模块压缩所述联邦检测模型，并部署到新能源电厂的边缘计算设备，以对各类新能源发电设备的运行数据进行实时监控；当检测到故障时立即反馈，并通过迁移学习持续优化所述联邦检测模型，实现不同新能源电厂和发电设备之间的运行数据的实时监控。

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新能源发电设备运行数据的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新能源发电设备运行数据的实时监控方法的任一步骤。

本发明有益效果为：首先，通过引入联邦学习框架，实现了跨设备和跨平台的数据及模型整合，显著提升了监控系统的泛化能力和适应性。这种方法能够在保护数据隐私的同时，有效地处理来自不同新能源发电设备的大规模数据。其次，ARIMA模型的应用增强了对时间序列数据的处理能力，提高了故障预测和性能分析的准确性。此外，将联邦检测模型部署至边缘计算设备，有效降低了数据传输延迟和成本，同时实现了监控的实时性。最后，通过迁移学习技术的应用，本发明能够快速适应不同类型设备的特点和变化，进一步提升了监控系统的灵活性和精准度。这些创新使得本发明在新能源发电设备实时监控方面相较于现有技术具有显著的优势，有效提升了监控效率和准确性，降低了运维成本。

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为新能源发电设备运行数据的实时监控系统的整体结构图。

图2为新能源发电设备运行数据的实时监控系统的整体流程图。

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，为本发明第一个实施例，该实施例提供了一种新能源发电设备运行数据的实时监控系统，该系统由采集处理模块、增强训练模块、联邦学习模块、压缩部署模块，以及监控优化模块构成。

具体的，采集处理模块用于收集和预处理各类新能源发电设备的运行数据，保障数据输入的质量和一致性。增强训练模块用于接收经过采集处理模块预处理的运行数据，通过ARIMA模型生成合成数据进行数据集扩充，为后续的模型训练提供更丰富、更具代表性的数据，此外，增强训练模块选择并训练最优的时间敏感型模型。

联邦学习模块用于整合各类新能源发电设备的最优时间敏感型模型，构建联邦检测模型，同时在联邦学习框架下协作，以提高模型的泛化能力和监控效率。而压缩部署模块用于对所述联邦检测模型进行压缩并部署至边缘计算设备，实现所述联邦检测模型的轻量化和高效监控。需要说明的是，增强训练模块通过合成数据扩充后，数据集将被划分为支持集和查询集，并输入到联邦学习模块中，联邦学习模块利用这些数据训练和优化跨设备的共享模型，实现多个数据源的模型协同训练。联邦学习模块训练并优化得到的联邦检测模型需要被压缩和优化，以适应边缘计算设备的资源限制。压缩部署模块接手这个任务，确保模型在边缘计算设备上的高效运行。

监控优化模块用于执行实时监控，及时反馈设备故障，并利用迁移学习技术持续优化所述联邦检测模型，适应不同设备间的数据变化。具体的，压缩部署模块将优化后的模型部署到边缘设备上后，监控优化模块开始发挥作用，负责实时监控设备运行状态，并在检测到问题时提供即时反馈。此外，监控优化模块还负责根据运行数据和环境变化通过迁移学习不断优化模型，确保监控系统的准确性和适应性。

需要说明的是，在本实施例中，新能源发电设备主要用于光伏发电设备、风能发电设备和水能发电设备。当然本发明也适用于其他新能源发电设备，例如地热发电设备、氢能发电设备等。其中，光伏发电设备包括光伏发电系统（利用太阳能电池板直接转换太阳能为电能）和太阳能热发电系统（利用太阳能产生热能，再通过热能发电）；风能发电设备是指风力发电机，通过风力驱动叶片旋转产生电能，这些设备可以是陆地风电或海上风电。水能发电设备包括传统的水力发电站和潮汐发电设备。水力发电利用水流动的动能，潮汐发电则是利用潮汐的涨落来发电。地热发电设备利用地热能进行发电，通常涉及使用地下热水或蒸汽来驱动涡轮机发电。氢能发电设备通过氢燃料电池将氢气的化学能转化为电能。此外，光伏发电设备的采集是识别并接入用于测量电流、电压、温度、太阳辐照度的传感器。风能发电设备运行数据的采集是接入测量风速、风向、叶片转速及发电量的传感器。水能发电设备的采集是安装用于测量水流量、水头、发电机转速及发电量的传感器。

进一步的，采集处理模块对各类新能源发电设备的运行数据进行预处理包括如下步骤：1.增强时间序列特征的数据清洗：识别并排除异常数据，同时使用时间序列预测或插值方法处理缺失数据，以保持数据的时间连续性和完整性。2.时间敏感的数据滤波和去噪：应用适合时间序列数据的滑动窗口平均或指数平滑滤波器，以去除噪声的同时保留数据的时间依赖性。3.维护时间信息的数据标准化：转换所有传感器数据为统一的度量单位和格式，并确保时间戳的准确性和一致性，以支持时间敏感型模型的需求。4.时序特征提取：提取反映时间变化和趋势的特征，如计算滚动统计量（例如滚动平均、滚动标准差）和时间差分特征，以捕捉时间序列的动态特性。5.时间窗口选择的数据整合：在整合数据到中央数据库时，选择合适的时间窗口大小，以确保时间序列数据能有效反映出周期性和趋势性特征，为后续的时间敏感型模型训练提供支持。

在本实施例中，预处理内容带来的好处为：1.通过识别并排除异常数据，并使用时间序列预测或插值方法处理缺失数据，此步骤保持了数据的时间连续性和完整性。这样的处理不仅提高了数据质量，也为时间敏感型模型提供了更准确的基础数据，从而提升了模型的预测和分析能力。2.应用适合时间序列数据的滑动窗口平均或指数平滑滤波器旨在去除噪声的同时保留数据的时间依赖性。这一步骤有效地提高了数据的信噪比，使得模型更能准确捕捉到时间序列的关键变化趋势，对于预测新能源发电设备的性能和故障具有重要意义。3.通过将所有传感器数据转换为统一的度量单位和格式，并确保时间戳的准确性和一致性，这个步骤为时间敏感型模型提供了标准化和一致的数据输入。标准化的数据有助于提高模型训练的效率和预测结果的准确性，特别是在处理来自不同源和类型的新能源设备数据时。4.提取反映时间变化和趋势的特征如滚动统计量和时间差分特征，能够更加深入地挖掘时间序列数据的内在模式和规律。这些特征对于构建高效的时间敏感型模型至关重要，使模型能够更准确地预测新能源发电设备的运行状态和潜在风险。5.在整合数据到中央数据库时选择合适的时间窗口，确保时间序列数据能有效反映出周期性和趋势性特征。这一步骤不仅增强了数据集的代表性和丰富性，而且为构建更加精确和适应性强的时间敏感型模型奠定了基础，从而为新能源发电设备的实时监控和故障预测提供了强大支持。

进一步的，增强训练模块中，通过ARIMA模型生成合成数据进行数据集扩充，包括如下内容：1.对于每类新能源发电设备的运行数据，分别选择适当的ARIMA模型参数。这包括确定自回归项（AR）、差分项（I）和移动平均项（MA）的阶数，以适应不同数据的时间序列特性。2.对收集到的原始运行数据执行时间序列分析，使用ARIMA模型来识别数据中的趋势和季节性模式。3.利用ARIMA模型预测预设时间内（如1小时、2小时等）的数据点，生成额外的合成数据。这些数据将模拟可能出现的运行状态，包括正常运行和潜在故障情况。4.对生成的合成数据进行验证，确保其与实际收集的数据在统计特性上保持一致，例如在均值、方差和周期性等方面的相似性。5.将验证后的合成数据与原始数据集合并，从而扩大数据集的规模和多样性。这一步骤旨在增强后续模型训练的泛化能力和鲁棒性。6.对扩充后的数据集进行必要的预处理，如清洗、标准化和特征提取，以确保数据质量，并为接下来的模型训练做准备。ARIMA模型的表达式如下：

；

式中，是自回归AR部分的系数，每个/>对应于i个时间单位之前的数据点对当前预测值的影响；在新能源发电中，这可以帮助分析历史数据对当前发电性能的影响，如过去几小时的风速对当前风力发电量的影响。L是滞后算子，用于表达时间序列中的滞后效应；在新能源发电设备监控中，滞后算子有助于识别设备性能变化的时间延迟特征。L ⁱ 表示滞后算子L的i次幂；p是自回归AR的阶数，指定了在预测当前值时要考虑多少个先前时间点的值；d是差分的次数，这是为了使非平稳时间序列变得平稳所需的差分次数，（1-L） ^d 表示应用d次差分；例如，在分析光伏电池的电压输出时，差分可以帮助消除由于日照变化引起的趋势。X _t 是时间序列在时间点t的观测值；对于新能源设备，可以是在特定时刻（例如每小时的光伏板电流或电压读数、每日的总发电量或每15分钟的太阳辐照度）的发电量或设备运行参数。θ _i 是移动平均MA部分的系数，每个θ _i 对应于i个时间单位之前的预测误差对当前值的影响；可以用于平滑短期波动，如由于云层遮挡引起的太阳辐照度短期变化。q是移动平均MA的阶数，指定了在构建预测时要考虑的先前预测误差的数量；ε _t 是在时间点t的误差项，通常假设为白噪声，这表示它是一个平均值为零且具有恒定标准差的随机变量。它的随机性表明了新能源发电中无法预测的因素，如突发天气变化。

需要注意的是，i是一个索引变量，用于表示不同的时序滞后。当提到，这里的i表示自回归部分（AR部分）中的滞后阶数。它从1迭代到p，其中p是自回归项的最大阶数。对于每个i，/>是自回归项的系数，而L ⁱ 是对应的滞后算子。同理，在/>中，i用于表示移动平均部分（MA部分）中的滞后阶数。它从1迭代到q，其中q是移动平均项的最大阶数。对于每个i，θ _i 是移动平均项的系数，而L ⁱ 同样表示对应的滞后算子。简单来说，i在公式中的作用是帮助遍历和应用ARIMA模型中自回归和移动平均部分的所有相关项。通过这种方式，模型能够综合考虑过去多个时期的数据对当前值的影响。

通过综合考虑历史数据的自相关性和当前数据的变化趋势，ARIMA模型能够准确预测新能源发电的未来趋势，如风力和太阳能发电量的预测。ARIMA模型的差分处理使其能够有效识别和消除季节性和周期性变化，这对于理解和预测受季节变化或日夜循环影响的新能源产量至关重要。通过对历史数据的深入分析，ARIMA模型可以帮助识别新能源设备运行中的异常模式，从而实现早期故障预警。ARIMA模型的预测能力使其能够有效填补新能源数据集中的缺失值，提高数据完整性和可靠性。也即，ARIMA模型在新能源发电设备运行数据的实时监控和预测分析中发挥着至关重要的作用。通过对时间序列数据的深入分析，该模型不仅提高了预测的准确性，还增强了对设备运行状态的理解，从而为新能源发电的优化管理提供了有力的数据支持。

进一步的，增强训练模块选择并训练最优的时间敏感型模型的具体步骤为：1.根据新能源发电设备运行数据的特性，制定包括预测准确性、计算效率、对非线性数据的处理能力等在内的评估准则。2.确定候选模型：挑选适用于时间序列数据的模型，如循环神经网络（RNN）、长短期记忆网络（LSTM）或门控循环单元（GRU），并考虑数据增强技术以提高模型的泛化能力。3.使用部分预处理数据对候选模型进行初步训练，并通过预测误差、响应时间等指标评估其性能。4.基于评估结果选择表现最佳的模型，如LSTM在处理复杂季节性和趋势性数据时的表现。5.对选定的最优模型进行深入调优，包括网络层次结构、神经元数量、学习率和损失函数的调整，同时考虑使用自动化工具进行超参数优化。最优的时间敏感型模型的评估公式如下：

；

式中，式中，M _s 是模型选择的评分；Z是数据点的总数；u _k 是第k个数据点的特征值；和τ分别是数据集的平均值和标准差；/>是一个积分变量；β _m 是第m个特征的权重；Q是考虑的特征总数；/>是一个复杂的信息过滤函数，用于评估第k个数据点在第m个特征上的性能。

当M _s 在(0.8，1]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为高，此时为最优的时间敏感型模型。时间敏感型模型非常精确地预测和分析新能源发电设备运行数据，理解运行数据的关键特性和动态变化。在光伏发电设备中，这样的时间敏感型模型能准确预测由日照和温度变化引起的电力输出波动，非常适合用于优化电力生产和分配。

当M _s 在(0.5，0.8]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为中，仍有改进空间，时间敏感型模型在大多数情况下表现良好，但在特定条件下（极端气候条件：如非常高或低的温度、极端天气事件如暴风雨、暴雨等，这些条件可能对新能源发电设备的性能产生显著影响，使得模型难以准确预测。不规则的运行模式：例如，风力发电设备在不规则或多变的风速下运行，或者太阳能板由于阴影遮挡而产生的间歇性输出。数据质量问题：如传感器故障、数据丢失或噪声过多，这些问题可能导致模型无法准确解读数据。非典型操作情况：如设备维护、升级或其他非常规操作，这些情况可能导致数据偏离平常的模式。季节性和周期性变化：对于某些模型来说，处理季节性或周期性变化，如一天中的温度变化或一年中的季节变化，可能是一个挑战。）有无法达到最佳效果的风险。对于风能发电设备，时间敏感型模型能够在大部分情况下准确预测风速和风向对发电量的影响，但在极端气候条件下可能表现不够准确。

当M _s 在[0，0.5]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为低，且时间敏感型模型无法有效理解数据的关键特性，预测和分析效果不理想。在水能发电场景中，若时间敏感型模型无法正确处理水流量和水头变化的关系，则在预测发电量方面可能表现不佳，需要考虑其他模型或对当前模型进行重大调整。

因此，该评估公式通过结合高等积分函数、指数函数和复杂信息过滤函数，提供了一个综合评估模型适应性的方法，可以确定哪个模型最适合用于给定的新能源发电设备数据集。通过这种方法，本发明可以确保选择的模型不仅具有高预测准确性，而且能够有效处理复杂的时间序列数据，为新能源发电设备的实时监控和故障预测提供了强大的技术支持。

进一步的，联邦学习框架的构建过程包括1.针对新能源发电设备类型，分别设置专门的联邦学习节点，并建立一个安全的通信协议来保护数据传输；2.在每个节点上对其对应的新能源发电设备的运行数据执行清洗、标准化和特征提取，确保所有节点处理的数据具有一致的格式和标准；3.根据每种新能源发电设备的数据特性选择适宜的机器学习模型，并制定相应的训练策略；4.在各个新能源发电设备类型对应的节点上独立训练模型，然后将训练得到的模型参数定期汇总更新；5.使用不同节点的数据来跨设备验证模型的泛化能力，并根据验证结果对模型进行优化和调整；6.实施模型的连续学习机制，根据新收集的新能源设备运行数据进行实时更新和优化；7.在数据的传输和处理过程中应用加密技术，以及实行严格的访问控制，保障各类新能源发电设备数据的安全和隐私。

该联邦学习框架通过综合考虑新能源发电设备的多样性和数据的分布式特性，实现了对新能源发电设备运行数据的高效处理和分析。首先，通过为每种设备类型设定专门的学习节点并建立安全的通信协议，框架确保了数据在不同设备间的安全传输和有效共享，提高了协作效率同时保护了数据隐私。其次，通过统一的数据预处理和同步，确保了数据的一致性和准确性，为后续模型训练提供了高质量的数据基础。接着，采用针对每类设备数据特性定制的模型训练策略，使模型更加精确地反映每种设备的运行特点，提高了预测和分析的准确性。此外，联邦学习的执行方式使得模型在不同设备间共享和优化，而无需集中式数据共享，从而在提高训练效率的同时保障了数据隐私。模型验证和调优步骤确保了模型在各类设备上的泛化能力，增强了模型对不同运行状态的适应性。通过连续学习和实时模型更新机制，框架能够快速响应环境变化，保持系统的高效性能。最后，加强的数据安全和隐私保护措施大幅降低了数据泄露和未授权访问的风险。整体来看，这个联邦学习框架不仅优化了新能源电站的运行和维护，也为新能源发电领域的数据驱动决策提供了强有力的技术支持，显著提高了预测准确性和系统的整体运行效率。

更进一步的，联邦学习模块构建的联邦检测模型的表达式为：

；

式中，是联邦检测模型输出，代表整个联邦学习框架下对新能源发电设备运行数据的综合评估结果；/>是评估公式；γ是敏感性调节参数，用于控制模型输出对输入变化的响应程度；H（u _k ,θ _k ）是第k个节点的模型函数，用于处理输入数据u _k 和模型参数θ _k ；/>是高等积分函数。

在联邦学习模块构建完联邦检测模型后，通过压缩部署模块对联邦检测模型进行压缩，具体过程如下：运用自动化工具（包括但不限于模型压缩和优化库：如TensorFlowModel Optimization Toolkit、PyTorch Pruning Library；模型分析和可视化工具：如TensorBoard、Netron；自动化模型优化框架：如NeuralNetwork Intelligence(NNI)，提供自动化的模型剪枝和超参数调优。）对联邦检测模型的每层和每个参数进行评估，识别出对联邦检测模型性能贡献最小的部分；基于评估结果，选择参数剪枝作为压缩技术，通过去除权重小或对输出影响小的神经网络连接来减少模型大小；对联邦检测模型应用参数剪枝，去除冗余和不重要的参数，从而降低模型的复杂性和大小；对剪枝后的模型进行微调，以恢复或提高其在新能源发电设备数据上的准确性和效率；评估压缩后模型的性能，确保其在减小体积的同时保持了良好的准确性和效率；将压缩并微调后的模型部署到新能源电厂的边缘计算设备上，用于实时监控和数据分析。

针对联邦检测模型的压缩前后的性能变化，通过如下公式进行评估：

；

式中，T是评估时间周期；λ是衰减系数，用于调节时间对性能的影响；P(t)是一个时间依赖的函数，代表模型在时间t的性能；N是评估的特征数量；α _i 是第i个特征的重要性权重；D _i 是第i个特征在压缩前后的变化度量。

当压缩效果评分在81%~100%之间时，表示联邦检测模型在压缩后仍保持高性能，性能损失低；此时在多种运行环境下进行广泛测试，确保其稳定性和可靠性，随后部署至目标平台，并持续监控其性能，以便及时进行必要的微调或优化；

当压缩效果评分在61%~80%之间时，表示联邦检测模型在压缩后性能下降为中，但仍在可接受范围内，此时应深入分析性能下降的具体原因，针对性地进行优化和调整，如重新调整压缩比率或修改模型结构，然后再次进行评估，以确保达到更高的效果标准；

当压缩效果评分在0%~60%之间时，表示联邦检测模型在压缩后性能下降为低，需要重点关注，此时，需要重新审视压缩策略，诊断性能下降的原因，必要时重新设计压缩流程或选择更合适的压缩技术，之后再进行全面的效果评估，以确保模型在压缩后仍旧满足性能和准确性的要求。

需要说明的是，用于评估联邦检测模型的压缩前后的性能变化的压缩效果评分公式具有多方面的有益效果。首先，它提供了一个全面且定量的方法来评估模型压缩的综合效果，包括模型大小减少和性能变化两个关键方面。其次，它能够帮助研究人员和工程师在压缩模型时做出更加明智的决策，平衡模型大小和性能之间的关系。最后，该公式在学术研究和实际应用中均具有重要意义，它可以被用于指导高效的模型设计和优化，特别是在资源受限的环境下，如边缘计算场景。

具体可表现为以下几个方面：1.时间衰减影响分析：部分考虑了模型性能随时间的衰减。通过积分计算，可以得到在整个评估周期T内，考虑时间衰减后模型性能的综合表现。这一步骤有助于评估模型在实际部署中随时间可能出现的性能下降，为模型的长期稳定性和可靠性提供了评估依据。2.参数变化影响评估：/>部分评估了参数变化对模型性能的影响。这个求和函数反映了所有重要参数的综合变化对模型性能的影响。通过这一步骤，能够量化模型压缩对各个关键参数所带来的影响，进而评估这些变化对整体模型性能的影响。3.综合效果评分：压缩效果评分公式将时间衰减和参数变化的影响综合考虑。这一设计不仅考虑了模型大小的减少，还综合考虑了性能的变化，确保了对模型压缩效果的全面评估。

监控优化模块包括利用联邦检测模型实时监控新能源发电设备的运行数据，一旦检测到异常或故障迹象，立即生成报警信号并通知维护团队；在检测到故障后，自动收集与故障相关的数据，并由专业团队进行标注，确定故障的具体类型和原因；整理和预处理收集到的故障数据，以便用于迁移学习过程中的模型训练；选择适合于迁移学习的模型，如微调已有的联邦检测模型或采用新的适应故障数据的模型；使用收集到的故障数据对选定的模型进行训练，以提高其对类似故障的识别能力；对更新后的模型进行严格的测试和验证，确保其在识别新类型的故障方面的准确性和可靠性；将优化后的模型重新部署到新能源发电设备的监控系统中，以增强其故障检测和预防能力。

综上，本发明通过引入联邦学习框架，能够有效整合不同新能源发电设备的数据和模型，提高监控系统的泛化能力和准确性。联邦学习作为一种分布式的机器学习方法，可以在保护数据隐私的同时，实现跨设备和跨平台的模型训练和优化。这种方法特别适用于新能源发电设备的监控，因为它可以整合来自不同地理位置和不同类型设备的数据，从而提高模型的预测和诊断效率。此外，我方发明中的ARIMA模型能够有效处理时间序列数据，生成额外的合成数据，这不仅有助于扩充数据集，还能提高模型训练的准确性和稳定性。同时，通过将联邦检测模型部署到边缘计算设备，可以实现更快的数据处理和响应，减少数据传输延迟和成本。而迁移学习的应用则进一步提升了模型的适应性和灵活性，使其能够更好地应对不同新能源发电设备和场景的变化。因此，我方发明在实现新能源发电设备运行数据的高效实时监控方面，相较于现有技术，展现出显著的优势和创新性。

实施例2

参照图2，在第一个实施例的基础之上，本实施例还进一步提供一种新能源发电设备运行数据的实时监控方法，包括如下步骤：S1：收集各类新能源发电设备的运行数据，并进行预处理。S2：基于ARIMA模型生成额外合成数据，扩充各类新能源发电设备数据集。S3：将每类新能源发电设备的运行数据划分为支持集和查询集（支持集用于模型的训练，所述查询集用于模型的测试和验证，在本实施例中支持集与查询集的比例为7：3），并构建包含多类新能源发电设备的联邦学习框架。S4：选择各类新能源发电设备的最优时间敏感型模型并进行训练，在联邦学习框架下整合这些最优时间敏感型模型，构成联邦检测模型。S5：压缩联邦检测模型，并部署到新能源电厂的边缘计算设备，以对各类新能源发电设备的运行数据进行实时监控。S6：当检测到故障时立即反馈，并通过迁移学习持续优化联邦检测模型，实现不同新能源电厂和发电设备之间的运行数据的实时监控。

本实施例还提供一种计算机设备，适用于新能源发电设备运行数据的实时监控系统的情况，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新能源发电设备运行数据的实时监控方法。

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新能源发电设备运行数据的实时监控方法。

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新能源发电设备运行数据的实时监控系统及方法，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。

首先，搭建了包含光伏发电、风能发电和水能发电设备的模拟环境。每种设备装配了用于收集运行数据的传感器，如电流、电压、温度传感器等。

采集处理模块首先对收集到的数据进行预处理，包括数据清洗、标准化和特征提取。接着，增强训练模块通过ARIMA模型生成合成数据以扩充数据集。联邦学习模块在不同类型的新能源设备上独立训练了多个时间敏感型模型，并将这些模型整合构成联邦检测模型。

为了实现轻量化和高效监控，联邦检测模型经过压缩部署模块处理后部署到边缘计算设备。在运行过程中，监控优化模块实时监控设备状态，并在检测到故障时进行迅速反馈。同时，通过迁移学习技术对联邦检测模型进行持续优化。

表1 与现有技术对比表

设备类型	参数	正常运行时数据范围	故障时数据范围	现有技术数据范围	本发明数据范围
						光伏发电	电流	5-10A	0-4A	0-5A	0-3A
光伏发电	电压	220-240V	200-219V	190-219V	180-199V
						风能发电	风速	5-15m/s	0-4m/s	0-5m/s	0-3m/s
水能发电	水流量	100-200L/s	50-99L/s	40-99L/s	30-49L/s

如表1所示，本发明在故障检测时的数据范围比现有技术更为精准。例如，在光伏发电设备故障时，本发明能够检测到电流降至0-3A的范围，而现有技术只能检测到0-5A。这表明本发明在故障检测的敏感性和准确性上具有显著优势。

通过联邦学习模块的应用，本发明能够在多类型新能源发电设备间实现数据共享和模型优化，而不泄露原始数据，保证了数据安全和隐私。这是现有技术难以实现的，因为它们通常在单一设备类型上运行，缺乏跨设备的协同和优化。压缩部署模块使得本发明在边缘计算设备上的部署更加高效和轻量化。相比于现有技术，本发明实现了更快的响应时间和更低的运行成本。此外，本发明在检测到故障时能立即反馈，并通过迁移学习不断优化模型，这样可以快速适应各种新的故障模式，提高了系统的适应性和可靠性。

总的来说，该实施例中的本发明在故障检测精度、数据安全、模型优化、系统轻量化和适应性方面表现出显著的创新性和优势，相比现有技术，提供了更高效、准确和安全的解决方案。

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 (6)

1.一种新能源发电设备运行数据的实时监控系统，其特征在于：包括，

采集处理模块，用于收集和预处理各类新能源发电设备的运行数据，保障数据输入的质量和一致性；

增强训练模块，用于接收经过所述采集处理模块预处理的所述运行数据，通过ARIMA模型生成合成数据进行数据集扩充，选择并训练最优的时间敏感型模型；

联邦学习模块，用于整合各类新能源发电设备的最优时间敏感型模型，构建联邦检测模型，同时在联邦学习框架下协作，以提高模型的泛化能力和监控效率；

压缩部署模块，用于对所述联邦检测模型进行压缩并部署至边缘计算设备，实现所述联邦检测模型的轻量化和高效监控；

监控优化模块，用于执行实时监控，及时反馈设备故障，并利用迁移学习技术持续优化所述联邦检测模型，适应不同设备间的数据变化；

所述通过ARIMA模型生成合成数据进行数据集扩充包括如下步骤，

对于每类新能源发电设备的运行数据，分别选择适当的ARIMA模型参数；

对收集到的原始运行数据执行时间序列分析，使用ARIMA模型来识别数据中的趋势和季节性模式；

利用ARIMA模型预测预设时间内的数据点，生成额外的合成数据；

对生成的合成数据进行验证，确保其与实际收集的数据在统计特性上保持一致；

将验证后的合成数据与原始数据集合并，从而扩大数据集的规模和多样性；

对扩充后的数据集进行预处理；

其中，所述ARIMA模型通过如下公式表示：

；

式中，是自回归AR部分的系数，每个/>对应于i个时间单位之前的数据点对当前预测值的影响；L是滞后算子，用于表达时间序列中的滞后效应；L ⁱ 表示滞后算子L的i次幂；p是自回归AR的阶数，指定了在预测当前值时要考虑多少个先前时间点的值；d是差分的次数，（1-L） ^d 表示应用d次差分；X _t 是时间序列在时间点t的观测值；θ _i 是移动平均MA部分的系数，每个θ _i 对应于i个时间单位之前的预测误差对当前值的影响；q是移动平均MA的阶数，指定了在构建预测时要考虑的先前预测误差的数量；ε _t 是在时间点t的误差项；

增强训练模块选择并训练最优的时间敏感型模型，所述最优的时间敏感型模型的评估公式如下：

；

式中，M _s 是模型选择的评分；Z是数据点的总数；u _k 是第k个数据点的特征值；和τ分别是数据集的平均值和标准差；/>是一个积分变量；β _m 是第m个特征的权重；Q是考虑的特征总数；/>是信息过滤函数，用于评估第k个数据点在第m个特征上的性能；

当M _s 在(0.8，1]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为高；

当M _s 在(0.5，0.8]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为中；

当M _s 在[0，0.5]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为低；

所述联邦学习框架构建过程包括如下步骤：

针对新能源发电设备类型，分别设置专门的联邦学习节点，并建立一个安全的通信协议来保护数据传输；

在每个节点上对其对应的新能源发电设的运行数据执行清洗、标准化和特征提取；

根据每种新能源发电设备的数据特性选择适宜的机器学习模型，并制定训练策略；

在各个新能源发电设备类型对应的节点上独立训练模型，然后将训练得到的模型参数定期汇总更新；

使用不同节点的数据来跨设备验证模型的泛化能力，并根据验证结果对模型进行优化和调整；

实施模型的连续学习机制，根据新收集的新能源设备运行数据进行实时更新和优化；

在数据的传输和处理过程中应用加密技术，以及实行访问控制；

所述联邦检测模型通过如下公式表达：

；

式中，是联邦检测模型输出，代表整个联邦学习框架下对新能源发电设备运行数据的综合评估结果；/>是评估公式；γ是敏感性调节参数，用于控制模型输出对输入变化的响应程度；H（u _k ,θ _k ）是第k个节点的模型函数，用于处理输入数据u _k 和模型参数θ _k ；/>是高等积分函数；

所述对所述联邦检测模型进行压缩并部署至边缘计算设备包括如下步骤，

运用自动化工具对联邦检测模型的每层和每个参数进行评估，识别出对联邦检测模型性能贡献最小的部分；

基于评估结果，选择参数剪枝作为压缩技术，通过去除权重小或对输出影响小的神经网络连接来减少模型大小；

对联邦检测模型应用参数剪枝，去除冗余参数；

对剪枝后的联邦检测模型进行微调；

评估压缩后的联邦检测模型的性能；

将压缩并微调后的联邦检测模型部署到新能源电厂的边缘计算设备上，用于实时监控和数据分析；

针对联邦检测模型的压缩前后的性能变化，通过如下公式进行评估：

；

式中，T是评估时间周期；λ是衰减系数，用于调节时间对性能的影响；P(t)是一个时间依赖的函数，代表模型在时间t的性能；N是评估的特征数量；α _i 是第i个特征的重要性权重；D _i 是第i个特征在压缩前后的变化度量；

当压缩效果评分在81%~100%之间时，表示联邦检测模型在压缩后仍保持高性能，性能损失低；

当压缩效果评分在61%~80%之间时，表示联邦检测模型在压缩后性能下降为中；

当压缩效果评分在0%~60%之间时，表示联邦检测模型压缩后性能下降为低。

2.如权利要求1所述的新能源发电设备运行数据的实时监控系统，其特征在于：所述新能源发电设备包括光伏发电设备、风能发电设备和水能发电设备；所述运行数据包括光伏发电设备的电流、电压、温度、太阳辐照度，风能发电设备的收集风速、风向、叶片转速、风能发电量，以及水能发电的水流量、水头、发电机转速、水能发电量；

所述预处理是针对各类新能源发电设备的运行数据时间序列的处理，具体包括增强时间序列特征的数据清洗，进行时间敏感的数据滤波和去噪，维护时间信息的数据标准化，进行时序特征提取，基于时间窗口选择进行数据整合。

3.如权利要求2所述的新能源发电设备运行数据的实时监控系统，其特征在于：所述监控优化模块包括，

利用联邦检测模型实时监控新能源发电设备的运行数据，一旦检测到异常或故障迹象，立即生成报警信号并通知维护团队；

在检测到故障后，自动收集与故障相关的数据，并由专业团队进行标注，确定故障的具体类型和原因；

整理和预处理收集到的故障数据，以便用于迁移学习过程中的模型训练；

选择适合于迁移学习的模型；

使用收集到的故障数据对选定的模型进行训练；

对更新后的模型进行测试和验证；

将优化后的模型重新部署到新能源发电设备的监控系统中。

4.一种新能源发电设备运行数据的实时监控方法，基于权利要求1~3任一所述的新能源发电设备运行数据的实时监控系统，其特征在于：包括，

采集处理模块收集各类新能源发电设备的运行数据，并进行预处理；

增强训练模块基于ARIMA模型生成额外合成数据，扩充各类新能源发电设备数据集；

将每类新能源发电设备的运行数据划分为支持集和查询集，并构建包含多类新能源发电设备的联邦学习框架；其中，所述支持集用于模型的训练，所述查询集用于模型的测试和验证；

选择各类新能源发电设备的最优时间敏感型模型并进行训练，在所述联邦学习框架下整合这些最优时间敏感型模型，构成联邦检测模型；

压缩部署模块压缩所述联邦检测模型，并部署到新能源电厂的边缘计算设备，以对各类新能源发电设备的运行数据进行实时监控；

当检测到故障时立即反馈，并通过迁移学习持续优化所述联邦检测模型，实现不同新能源电厂和发电设备之间的运行数据的实时监控。

5.一种计算机设备，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4所述的新能源发电设备运行数据的实时监控方法的步骤。

6.一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4所述的新能源发电设备运行数据的实时监控方法的步骤。