CN113888353A - 分布式光伏发电设备的能效诊断方法、***及介质 - Google Patents
分布式光伏发电设备的能效诊断方法、***及介质 Download PDFInfo
- Publication number
- CN113888353A CN113888353A CN202111153747.7A CN202111153747A CN113888353A CN 113888353 A CN113888353 A CN 113888353A CN 202111153747 A CN202111153747 A CN 202111153747A CN 113888353 A CN113888353 A CN 113888353A
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- fault
- data
- energy efficiency
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 148
- 238000003745 diagnosis Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012423 maintenance Methods 0.000 claims abstract description 94
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 208000024891 symptom Diseases 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims 3
- 238000011058 failure modes and effects analysis Methods 0.000 claims 2
- 230000036541 health Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000007774 longterm Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000007787 long-term memory Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 206010010947 Coordination abnormal Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本申请提出了一种分布式光伏发电设备的能效诊断方法、***及介质,该方法包括:获取分布式光伏发电设备的能效故障知识,生成本体能效诊断知识库;获取每个设备的历史运行数据,确定每个设备在不同工况下的检测数据的基准区间;采集每个设备的实时数据,基于对应的基准区间对实时数据进行异常检测;若检测出异常数据,则确定异常数据的征兆,通过本体能效诊断知识库中预设的征兆与故障模式的对应概率关系进行推理诊断,确定分布式光伏发电设备的异常模式和故障;将诊断结果和维护策略发送至运维人员的客户端。该方法可快速定位发生故障的分布式光伏发电设备和具体的故障,并提供相应的维护策略,降低运维成本,提高运维效率。
Description
技术领域
本申请涉及光伏发电技术领域,尤其涉及一种分布式光伏发电设备的能效诊断方法、***及介质。
背景技术
目前,通过分布式光伏发电技术在光照资源丰富的地区进行发电已经较为普遍,通过分布式光伏发电并网或者自用。这一类的分布式光伏电站通常是划分一块区域来统一管理,因此区别于集中式光伏发电站。集中式光伏电站各个发电组建集中布置在一块平面区域内,且一般都是无遮挡的开放空间,所以区域内各个发电装置所处环境条件相似,而分布式光伏电站区域内各个发电装置所处环境条件差异巨大,比如西南山区的区域光伏电站内山顶发电设备和山脚发电设备环境条件完全不同。因此,针对此类分布式光伏电站运维工作的复杂程度较高,然而分布式光伏电站通常需要控制人力成本,开发智能运维***减轻运维费用。
相关技术中,集中式光伏电站异常状态监测与诊断方法主要包括如下3种:第1种方法是利用传感器检测光伏组串电流、电压或者是阵列的电气特性,以及红外等特性来检测故障。第2种方法侧重于分析电站的功率损失,例如,基于功率损耗分析提出了一种监督和故障检测方法,通过分析***中存在的损耗,比较直流电流和电压的误差偏差量来实现故障的识别。第3种方法通过比较实时运行数据,与通过历史数据建模获得的模型输出来判定故障。
然而,申请人发现,由于分布式光伏电站发电设备分散,且建设成本相对较小,将集中式光伏电站异常状态监测与诊断方法应用于分布式光伏电站发电设备时,上述前两种方法缺少合适的监测仪器,无法应用于环境条件差别巨大的分布式光伏发电的故障检测方法的技术要求,而第三种智能方法也缺少训练样本,因此,目前相关技术中的光伏电站异常状态监测与诊断方法,比如,运用最广泛的通过检测汇流箱组串离散率异常、逆变器效率异常等一系列各设备间横向对比的预警方法,在分布式光伏电站运维中都不适用。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种分布式光伏发电设备的能效诊断方法,该方法可以快速定位发生故障的发电机组信息以及对应的具体故障,并提供相应的健康维护策略,并支持运维人员通过移动端工具定位异常光伏发电装置,查询机组故障模式以及维护措施,掌握分布式电站区域内所有发电机组的运行情况,节省人力,降低运维所需的设备和数据成本,提高运维效率。
本申请的第二个目的在于提出一种分布式光伏发电设备的能效诊断***;
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请的第一方面实施例在于提出一种分布式光伏发电设备的能效诊断方法,该方法包括以下步骤:
通过失效模式与影响分析FMEA和故障树分析FTA对待诊断的分布式光伏发电设备进行分析,获取所述分布式光伏发电设备的能效故障知识,并生成所述分布式光伏发电设备的本体能效诊断知识库;
获取每个所述光伏发电设备的历史运行数据,根据所述历史运行数据确定每个所述光伏发电设备在不同工况下的检测数据的基准区间;
采集每个所述光伏发电设备的实时运行数据,基于对应的所述基准区间对所述实时运行数据进行异常检测;
若任一光伏发电设备的实时运行数据为异常数据,则确定所述异常数据的征兆,并通过所述本体能效诊断知识库中预设的征兆与故障模式的对应概率关系对所述任一分布式光伏发电设备进行推理诊断,确定所述任一分布式光伏发电设备的异常模式和故障模式;
将诊断结果和所述本体能效诊断知识库中存储的与所述诊断结果对应的维护策略发送至运维人员的移动客户端。
可选地,在本申请的一个实施例中,生成所述分布式光伏发电设备的本体能效诊断知识库,包括:将所述能效故障知识转化为计算机可识别的结构化语言;基于所述结构化语言,通过预设的开源工具进行建模,以生成基于本体的所述分布式光伏发电机组的能效诊断知识库;获取每个所述分布式光伏发电设备的历史故障数据,并基于贝叶斯定理对不同征兆对应的故障模式进行先验概率赋值,以生成所述预设的征兆与故障模式的对应概率关系。
可选地,在本申请的一个实施例中,根据所述历史运行数据确定每个所述光伏发电设备在不同工况下的检测数据的基准区间,包括:对所述历史运行数据进行稳态筛选,筛除所述历史运行数据中的非稳态数据;以辐照度和温度作为边界条件,通过K-均值聚类算法划分每个所述光伏发电设备的工况;通过多元高斯混合模型剔除每个工况下的故障数据,生成正常数据训练样本;通过所述正常数据训练样本训练长短期记忆人工神经网络LSTM,并根据所述长短期记忆人工神经网络LSTM输出的预测值,确定出每个所述光伏发电设备在每个工况下的边界条件所对应的基准区间。
可选地,在本申请的一个实施例中,根据所述长短期记忆人工神经网络LSTM输出的参数预测值,确定出每个所述光伏发电设备在每个工况下的边界条件所对应的基准区间,包括:针对每个参数,获取所述长短期记忆人工神经网络LSTM输出的多个参数预测值,以及对应的实际值;计算每个所述参数预测值与所述实际值的差值,以与所述实际值的差值最大的参数预测值为目标参数预测值;以所述目标参数预测值为中心,以所述目标参数预测值与所述实际值的差值的两倍为区间长度构造所述基准区间。
可选地,在本申请的一个实施例中,将诊断结果和所述本体能效诊断知识库中存储的与所述诊断结果对应的维护策略发送至运维人员的移动客户端之后,还包括:根据发生的故障模式在所述运维人员的移动客户端上添加故障记录;根据获取的所述故障记录更新所述预设的征兆与故障模式的对应概率关系的后验概率。
可选地,在本申请的一个实施例中,在所述运维人员的移动客户端上添加故障记录,包括:接收所述移动客户端发送的所述发生的故障模式、故障发生的原因、故障征兆和相应的维护措施;所述根据获取的所述故障记录更新所述预设的征兆与故障模式的对应概率关系的后验概率,包括:判断所述发生的故障模式是否存在,如果所述发生的故障模式存在,则更新后验概率;如果所述发生的故障模式不存在,则将所述发生的故障模式添加至所述本体能效诊断知识库。
为达上述目的,本申请的第二方面实施例还提出了一种分布式光伏发电设备的能效诊断***,包括以下模块:
生成模块,用于通过失效模式与影响分析FMEA和故障树分析FTA对待诊断的分布式光伏发电设备进行分析,获取所述分布式光伏发电设备的能效故障知识,并生成所述分布式光伏发电设备的本体能效诊断知识库;
确定模块,用于获取每个所述光伏发电设备的历史运行数据,根据所述历史运行数据确定每个所述光伏发电设备在不同工况下的检测数据的基准区间;
异常检测模块,用于采集每个所述光伏发电设备的实时运行数据,基于对应的所述基准区间对所述实时运行数据进行异常检测;
推理诊断模块,用于若任一光伏发电设备的实时运行数据为异常数据,则确定所述异常数据的征兆,并通过所述本体能效诊断知识库中预设的征兆与故障模式的对应概率关系对所述任一分布式光伏发电设备进行推理诊断,确定所述任一分布式光伏发电设备的异常模式和故障模式;
发送模块,用于将诊断结果和所述本体能效诊断知识库中存储的与所述诊断结果对应的维护策略发送至运维人员的移动客户端。
可选地,在本申请的一个实施例中,生成模块,具体用于:将所述能效故障知识转化为计算机可识别的结构化语言;基于所述结构化语言,通过预设的开源工具进行建模,以生成基于本体的所述分布式光伏发电机组的能效诊断知识库;获取每个所述分布式光伏发电设备的历史故障数据,并基于贝叶斯定理对不同征兆对应的故障模式进行先验概率赋值,以生成所述预设的征兆与故障模式的对应概率关系。
可选地,在本申请的一个实施例中,确定模块,具体用于:对所述历史运行数据进行稳态筛选,筛除所述历史运行数据中的非稳态数据;以辐照度和温度作为边界条件,通过K-均值聚类算法划分每个所述光伏发电设备的工况;通过多元高斯混合模型剔除每个工况下的故障数据,生成正常数据训练样本;通过所述正常数据训练样本训练长短期记忆人工神经网络LSTM,并根据所述长短期记忆人工神经网络LSTM输出的预测值,确定出每个所述光伏发电设备在每个工况下的边界条件所对应的基准区间。
本申请的实施例提供的技术方案至少带来以下有益效果:本申请通过FMEA和FTA分析方法,形成光伏发电机组能效水平异常的故障知识,再基于本体概念,将非结构化的光伏发电机组相关故障知识通过计算机可识别的结构化语言表达出来,形成开放的本体知识库,对实时数据进行能效诊断时,通过“异常检测-确定征兆-诊断推理-定位故障-健康维护决策-移动端用户读取”的分布式光伏发电机组能效诊断与健康维护流程,根据每台设备自身的环境特点确定的基准区间进行异常检测,再将异常信息对应征兆输入能效诊断知识库,开展基于贝叶斯模型的推理诊断工作,从而能快速定位发生故障的发电机组信息以及对应的具体故障,并提供相应的健康维护策略。并且,还通过移动客户端界面,使运维人员可以通过移动端设备根据发电机组编号访问相关机组信息,查询机组故障模式以及维护措施,掌握分布式电站区域内所有发电机组的运行情况,提前做好维修维护计划,降低运维成本,提高运行维护效率。
为了实现上述实施例,本申请第三方面实施例还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中的分布式光伏发电设备的能效诊断方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提出的一种分布式光伏发电设备的能效诊断方法的流程图;
图2为本申请实施例提出的一种确定基准区间的方法的流程图;
图3为本申请实施例提出的一种具体的分布式光伏发电设备的能效诊断方法的流程示意图;
图4为本申请实施例提出的一种分布式光伏发电设备的能效诊断***的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
需要说明的是,在分布式光伏后期的运维工作中,相关技术中的智能运维***仅仅止步于定位到某个或者多个参数的异常而做出预警,提醒运维人员进行维修。这种智能运维***无法满足分布式光伏运行维护的实际需求,为此,本申请提出一种智能的定位到具体的故障模式,为运维人员提供相对应的维修策略的能效诊断方法。
其中,考虑到分布式光伏电站各个发电设备之间差异太大,后期运维成本也有限,区域电站内不同发电机组之间发电功率、电压、电流等数据存在着一定差异,无法集中比较。本申请根据分布式光伏电站区域内各个发电机组的差异性,确定各自的运行参数基准区间,建立各自的能效诊断知识库。此外,目前的新能源智能运维***止步于状态监测与故障预警,而本申请还提出进行故障诊断以及健康维护的方法。传统的故障诊断方法通常分为基于数据、知识、信号、模型等几类,本申请针对分布式光伏发电机组的特殊性,将数据与知识相结合,完成分布式光伏发电机组“异常检测-确定征兆-诊断推理-定位故障-健康维护决策”的实时诊断流程。
下面参考附图描述本发明实施例所提出的一种分布式光伏发电设备的能效诊断方法、***。
图1为本申请实施例提出的一种分布式光伏发电设备的能效诊断方法的流程图,如图1所示,该方法包括以下步骤:
步骤101,通过失效模式与影响分析FMEA和故障树分析FTA对待诊断的分布式光伏发电设备进行分析,获取分布式光伏发电设备的能效故障知识,并生成分布式光伏发电设备的本体能效诊断知识库。
其中,待诊断的分布式光伏发电设备可以是分布式光伏电站中的各个发电机组,也可以是机组中各个装置,具体可根据运行维护的需要进行设置。失效模式与影响分析(Failure Mode and Effects Analysis,简称FMEA)和故障树分析(Fault Tree Analysis,简称FTA)是两种对复杂***进行分析找出潜在失效的方法。
在本申请实施例中,通过FMEA和FTA分析方法,对分布式光伏发电机组进行机理分析和设备分析,梳理出常见的引起光伏发电设备能效水平异常的相关故障知识,上述相关故障知识即分布式光伏发电设备的能效故障知识。由于FMEA和FTA分析方法在分析方式上互补,因此通过这两种方法可以更加充分和全面的的分析出分布式光伏发电设备的能效故障知识。
进一步的,由于通过分析方法得出的发电机组的能效故障知识是非结构化的,为便于后续诊断,在本申请实施例中,基于本体的概念,根据获得的能效故障知识生成分布式光伏发电设备的本体能效诊断知识库。
其中,分布式光伏发电设备的能效诊断知识本体,是对分布式光伏发电设备的故障演变因果链的知识进行语义性表示的术语集,分布式光伏发电设备的本体能效诊断知识库包含各种能效故障知识,比如,可以包括故障模式、故障征兆、故障原因、故障影响和维护措施等各类知识。
具体实施时,作为一种可能的实现方式,可以先将能效故障知识转化为计算机可识别的结构化语言,再基于结构化语言,通过预设的开源工具进行建模,以生成基于本体的分布式光伏发电机组的能效诊断知识库,同时,还可以获取每个分布式光伏发电设备的历史故障数据,并基于贝叶斯定理对不同征兆对应的故障模式进行先验概率赋值,生成征兆与故障模式的对应概率关系。
具体而言,预设的开源工具可以是“protégé”,也可以根据需要选择其他工具。在本实施例中,将非结构化的光伏发电机组相关故障知识通过计算机可识别的结构化语言表达出来,利用开源工具protégé建模,形成基于本体的分布式光伏发电机组能效诊断知识库。在利用开源工具protégé进行本体建模时,还可以根据分布式光伏发电设备的历史故障发生案例,结合贝叶斯原理,利用数据属性完成“征兆-故障模式”的先验概率赋值工作。
步骤102,获取每个光伏发电设备的历史运行数据,根据历史运行数据确定每个光伏发电设备在不同工况下的检测数据的基准区间。
其中,历史运行数据可以是各个光伏发电设备在预设时间内,比如,过去一年,运行状态下的历史运行数据。在本申请实施例中,可根据历史运行数据中正常运行状态下的数据训练出基准模型,即各设备在不同工况中在不同辐照和不同温度情况下,监测运行参数运行基准区间。便于后续根据基准区间对实时数据进行异常检测。
在本申请一个实施例中,为了更加清楚地说明确定基础区间的方式,本申请还提出了一种具体的确定基准区间的方法,图2为本申请实施例提出的一种确定基准区间的方法的流程图,如图2所示,该方法包括:
步骤201,对历史运行数据进行稳态筛选,筛除历史运行数据中的非稳态数据。
其中,非稳态数据是由于遮挡或覆盖等突发情况导致的非正常运行状态下光伏发电设备产生的数据。在本申请实施例中,对过去一年分布式光伏发电机组运行数据进行稳态筛选,剔除由于遮挡、覆盖等突发情况导致的非稳态数据。
需要说明的是,由于分布式光伏电站内各分布式光伏设备之间存在较大的差异性,比如所处环境不同等,针对各设备的差异性,在本申请一个实施例中还可以建立了各个分布式光伏设备各自的能效故障诊断知识库,通过对分布式光伏设备历史运行数据的知识挖掘,便于后续更加准确地确定出针对于当前分布式光伏设备本身的基准区间,提高诊断的精确性。
步骤202,以辐照度和温度作为边界条件,通过K-均值聚类算法划分每个光伏发电设备的工况。
具体的,以辐照度和温度作为边界条件,基于K-均值聚类算法进行工况划分,确定光伏发电设备运行的不同工况,作为一种示例,可以通过silhouette准则确定最佳聚类数K。其中,对工况进行划分是因为,可以收集对各个工况下历史数据,便于针对不同工况生成基准区间,并且,还可以并在后续结合工况进行故障诊断,提高诊断的准确性。
步骤203,通过多元高斯混合模型剔除每个工况下的故障数据,生成正常数据训练样本。
其中,多元高斯混合模型结合了参数估计法和非参数估计法,是一种基于半参数的概率密度估计方法。当子模型的数量足够多时,多元高斯混合模型就能以更高的精度接近任意连续分布,保留概率分布中处于目标中间位置的正常数据,剔除异常数据。
其中,剔除的故障数据可以是光伏发电设备在故障期间的运行数据等各种非正常运行状态下的数据。
步骤204,通过正常数据训练样本训练长短期记忆人工神经网络LSTM,并根据长短期记忆人工神经网络LSTM输出的预测值,确定出每个光伏发电设备在每个工况下的边界条件所对应的基准区间。
具体的,先通过上述步骤中获取的正常运行状态下的数据作为训练数据,训练长短期记忆人工神经网络LSTM。由于训练数据中的参数类型与实际运行数据中的参数类型是对应的,在训练完成长短期记忆人工神经网络LSTM后,可针对每个需要检测的参数获取长短期记忆人工神经网络LSTM输出的多个预测值,并获取实际检测到的实际值,根据预测值和实际值确定出每个光伏发电设备在每个工况下的边界条件所对应的基准区间。
作为一种示例,针对每个参数,先获取长短期记忆人工神经网络LSTM输出的多个参数预测值,以及对应的实际值,再计算每个参数预测值与实际值的差值,并比较各个差值,根据差值大小进行排序,以与实际值的差值最大的参数预测值为目标参数预测值,并以目标参数预测值为中心,以目标参数预测值与实际值的差值的两倍为区间长度构造基准区间,即基准区间是(目标参数预测值-最大差值,目标参数预测值+最大差值)。
由此,确定出各个工况下全边界条件所对应的基准区间。
步骤103,采集每个光伏发电设备的实时运行数据,基于对应的基准区间对实时运行数据进行异常检测。
具体的,将采集的每个光伏发电设备的实时运行数据与对应的基准区间进行比较,实时检测运行数据是否超过基准区间,若实时运行数据不在基准区间内,则可以判定该数据为异常数据。
步骤104,若任一光伏发电设备的实时运行数据为异常数据,则确定异常数据的征兆,并通过本体能效诊断知识库中预设的征兆与故障模式的对应概率关系对任一分布式光伏发电设备进行推理诊断,确定任一分布式光伏发电设备的异常模式和故障模式。
其中,异常数据的征兆是识别故障模式与原因发生的证据,比如,征兆可以是“发电机组输出电压下降”和“发电机组输出电压波动较大”等等。
在本申请实施例中,将异常数据的征兆输入分布式光伏发电设备的本体能效诊断知识库,通过上述步骤中在本体能效诊断知识库中预设的,征兆与故障模式的对应概率关系对产生了该异常数据的分布式光伏发电设备进行推理诊断。即通过赋值后的“征兆-故障模式”的先验概率,根据输入的征兆确定与该征兆对应的故障模式,以实现通过贝叶斯模型进行推理诊断工作,作为一种示例,根据赋值后的“征兆-故障模式”的先验概率,确定当前征兆对应的概率最大的故障模式为诊断出得结论故障模式。
需要说明的是,在本申请实施例中,从能效的角度出发,还可以分析引起发电装置能效异常的相关运行异常模式以及上述故障模式,其中,异常模式是光伏发电设备处于异常,但未产生明显故障的模式,比如,光伏发电设备输出的电压未达到设定电压等,本申请实施例对光伏发电设备的异常模式进行检测,可以提前对光伏发电设备进行维护,保证设备的正常运行。作为其中一种可能的实现方式,可以根据预先赋值的“征兆-异常模式”的先验概率,确定当前征兆对应的概率最大的异常模式为诊断出得结论异常模式。具体实现方式此处不做限制。
还需说明的是,实际应用中,不同的故障可能具有一个相同的征兆,即同一征兆可能对应不同的故障模式,为了进一步提高能效诊断的准确性,在本申请一个实施例中,还可以把工况作为补充信息辅助进行推理诊断,即根据上述步骤确定的工况排除该工况下故障发生概率较低的故障,得到更加准确的诊断结果。
步骤105,将诊断结果和本体能效诊断知识库中存储的与诊断结果对应的维护策略发送至运维人员的移动客户端。
具体的,本申请实施例的本体知识库以及采集所得的数据存储在服务器上,另外还可以开发移动客户端界面,使运维人员可以通过移动端设备根据光伏发电设备的编号访问相关设备的信息,查询机组故障模式以及维护措施,掌握分布式电站区域内所有光伏发电设备的运行情况。并且,还可以将本体知识库中存储的与当前故障模式对应的健康维护策略将传输到移动客户端上,便于运维人员查阅维护策略进行维护。
在本申请一个实施例中,还可以根据当前确定发生故障模式,在运维人员的移动端上添加故障记录,根据目前发生的该故障更新本体知识库中存储的征兆与故障模式的对应概率关系的后验概率,以便根据历史发生故障情况更新知识库中相关知识,在后续的诊断过程中进一步提高诊断的准确率。
作为其中一种可能的实现方式,首先根据发生的故障模式在运维人员的移动客户端上添加故障记录,其中,添加的故障记录包括但不限于发生的故障模式、故障发生的原因、故障征兆和相应的维护措施等。具体实施时,可以使运维人员通过移动端根据指示,以勾选或者填写等方式输入上述故障记录信息,还可以通过安装在移动端上的应用自动分析和整理出故障记录,并发送给分布式光伏发电设备的能效诊断***的后台服务器
然后,根据获取的故障记录更新预设的征兆与故障模式的对应概率关系的后验概率。具体实施时,能效诊断***的后台算法根据目前发生的该故障更新后验概率,在本申请一个实施例中,先判断发生的故障模式是否存在,如果发生的故障模式存在,则更新后验概率,如果发生的故障模式不存在,则将发生的故障模式添加至本体能效诊断知识库。
由此,将最终的诊断结果以及本体知识库中相应的健康维护策略将传输到移动客户端上,运维人员可以直接查看指定机组的运行状态,做出相关的维修维护计划,并且,根据发生故障记录不断更新知识库,可以根据目前发生的该故障更新后验概率,提高诊断的准确性。
综上所述,本申请实施例的分布式光伏发电设备的能效诊断方法,通过FMEA和FTA分析方法,形成光伏发电机组能效水平异常的故障知识,再基于本体概念,将非结构化的光伏发电机组相关故障知识通过计算机可识别的结构化语言表达出来,形成开放的本体知识库,对实时数据进行能效诊断时,通过“异常检测-确定征兆-诊断推理-定位故障-健康维护决策-移动端用户读取”的分布式光伏发电机组能效诊断与健康维护流程,根据每台设备自身的环境特点确定的基准区间进行异常检测,再将异常信息对应征兆输入能效诊断知识库,开展基于贝叶斯模型的推理诊断工作,从而能快速定位发生故障的发电机组信息以及对应的具体故障,并提供相应的健康维护策略。并且,还通过移动客户端界面,使运维人员可以通过移动端设备根据发电机组编号访问相关机组信息,查询机组故障模式以及维护措施,掌握分布式电站区域内所有发电机组的运行情况,提前做好维修维护计划,降低运维成本,提高运行维护效率。
为了更加清楚地说明本申请实施例的分布式光伏发电设备的能效诊断方法,下面以一个具体的分布式光伏发电设备的能效诊断的实施例进行详细说明。图3为本申请实施例提出的一种具体的分布式光伏发电设备的能效诊断方法的流程示意图。
如图3所示,通过该方法进行能效诊断时,首先,对于分布式光伏发电站内通过现场通讯获取的各发电设备的实时运行数据,借助FMEA和FTA分析方法,对分布式光伏发电设备进行机理分析,设备分析,梳理出常见的引起光伏发电机组能效水平异常的相关故障知识。借助本体概念,将非结构化的光伏发电机组相关故障知识通过计算机可识别的结构化语言表达出来,利用开源工具protégé建模,形成基于本体的分布式光伏发电机组能效诊断知识库,利用开源工具protégé进行本体建模时,根据历史故障发生案例,结合贝叶斯原理,利用数据属性完成“征兆-故障模式”的先验概率赋值工作。而运维工作人员根可以据后续发生故障模式,在移动端上添加故障记录,后台算法根据目前发生的该故障更新后验概率。
然后,针对各个发电机组,根据其过去一年正常运行状态下的历史运行数据,训练基准模型,以辐照度作为确定不同辐照不同温度情况下的各监测运行参数运行基准区间,并用故障数据进行检验,确保基准区间的准确性。对过去一年分布式光伏发电机组运行数据进行稳态筛选,剔除由于遮挡、覆盖等突发情况导致的非稳态数据。然后剔除掉故障期间运行数据形成正常数据训练样本,具体实施时,以辐照度、温度作为边界条件的基于K-均值聚类算法的工况划分,通过silhouette准则确定最佳聚类数K,对各个工况下历史数据采用局部最优算法多元高斯混合模型剔除异常数据。
其中需要说明的是,多元高斯混合模型结合了参数估计法和非参数估计法,是一种基于半参数的概率密度估计方法。当子模型的数量足够多时,多元高斯混合模型就能以更高的精度接近任意连续分布,其概率分布如以下公式所示:
其中,X为L维参数数据列向量,X=[x1x2,...,xL]T;k为多元高斯混合模型中子模型数量;ωk为第k个子模型的权重系数,且φ(X|θk)表示的是第k个子模型的高斯概率密度函数,其具体计算公式如下所示:
多元高斯混合模型采用最大期望值算法(Expectation Maximization,EM)来进行参数估计,EM算法是一种适用于含有隐含变量概率模型的参数估计的迭代算法。其中,Σk和μk为协方差矩阵以及均值,通过EM算法估计取值。EM算法的目标函数为:
EM算法迭代过程为:选取μ和∑初始值,然后由公式(4)计算对应的第k个模型的后验概率,最终根据公式(5)(6)(7)迭代计算模型中的μ和∑,当邻近两次迭代目标函数之差小于10-5时,停止迭代。
进一步的,根据样本数据训练LSTM长短期记忆人工神经网络,将各参数预测xp与实际值xt差值最大值sigma的两倍作为基准区间的长度。确定出各个工况下全边界条件所对应的基准区间(xp-sigma,xp+sigma),实时检测运行数据是否超过基准区间,完成异常检测工作。
其中,还需说明的是,LSTM源于循环神经网络(RNN),是反馈神经网络的一种,并针对RNN中对长时间记忆中出现的梯度问题进行改进。在继承RNN的标准循环层外,引入记忆门和遗忘门等门限机制,通过权重矩阵控制信息的记忆和遗忘,在对长时序的历史数据进行处理时,能够确保历史数据中的有用信息可以被记忆。其基本原理是,原始的RNN隐含层只有一个状态h,对于短期状态比较敏感,在此基础上,LSTM网络加入一个长期状态量c来保存长期状态,与h一同进行状态传递。其中LSTM网络标准模块包含三部分状态输出:长期状态ct、短期状态ht以及当前状态输出yt,这三部分中包含有对长短期内历史信息的记忆和遗忘信息,与当前状态输出一起传入LSTM网络的下一个神经元中,保证时序信息的记忆与传播。其信息调节的具体方法是在状态传播路径中添加输入门、遗忘门和输出门三个控制门,对应LSTM网络内部的三个阶段。
(1)长期状态的忘记阶段:通过计算得到忘记门控zf对上一个时序状态的输出ct-1进行处理,控制时序状态中长期状态中哪些信息需要忘记,这些被记忆的长期信息与当前时刻产生的记忆信息组成新的单元状态ct传入下时刻的LSTM网络单元
(2)输入的选择记忆阶段:通过对当前时刻输入的xt,与上一时刻传入的ht-1得到当前输入信息矩阵z,通过门控信号zi进行选择性记忆,与经历选择性忘记后的长期状态ct -1共同作用进行长期记忆信息的更新形成ct;
(3)输出阶段:输出阶段包括yt、ht和ct,其中ht和ct作为短期和长期记忆状态传入下一个时间状态中,yt根据当前短时状态ht进行变化得到,作为当前状态的输出。
更进一步的,将故障模式所对应征兆输入能效诊断知识库,开展后续基于贝叶斯模型的推理诊断工作。其中,可以通过SPARQL语言实现本体查询和基于本体的数据访问的功能需求,利用SPARQL语言定义信息的关联模式,可以在本体中检索出符合用户的目标信息。SPARQL的典型查询语句如下所示:
SELECT?x WHERE{?x rdfs:subClassOf:F01.}
该式的含义是查询故障F01的全部子类。SPARQL同样支持多重匹配与字面量匹配。在组图模式查询中,每个三元组模式都必须要匹配成功。相较于数据库SQL语言,SPARQL不需要掌握复杂的查询逻辑,直面查询问题涉及的知识本身,适合非计算机专业的用户设计查询机制,提高本申请方法的适用性。
最后,将最终的诊断结果以及本体知识库中相应的健康维护策略将传输到移动客户端上,运维人员可以直接查看指定机组的运行状态,做出相关的维修维护计划。此外,运维人员通过移动端根据指示勾选或者填写故障模式、故障发生的原因、故障征兆以及相关的维护措施,如果该故障模式已经存在,勾选后将调整贝叶斯模型中相关推理关系中先验概率值,如果该故障模式首次发生,运维人员需要填写相关信息,***将其自动录入本体知识库。
为了实现上述实施例,本申请还提出了一种分布式光伏发电设备的能效诊断***,图4为本申请实施例提出的一种分布式光伏发电设备的能效诊断***的结构示意图,如图4所示,该诊断***包括生成模块100,确定模块200,异常检测模块300、推理诊断模块400和发送模块500。
其中,第一获取模块100,用于通过失效模式与影响分析FMEA和故障树分析FTA对待诊断的分布式光伏发电设备进行分析,获取分布式光伏发电设备的能效故障知识,并生成分布式光伏发电设备的本体能效诊断知识库。
确定模块200,用于获取每个光伏发电设备的历史运行数据,根据历史运行数据确定每个光伏发电设备在不同工况下的检测数据的基准区间。
异常检测模块300,用于采集每个所述光伏发电设备的实时运行数据,基于对应的所述基准区间对所述实时运行数据进行异常检测。
推理诊断模块400,用于若任一光伏发电设备的实时运行数据为异常数据,则确定所述异常数据的征兆,并通过所述本体能效诊断知识库中预设的征兆与故障模式的对应概率关系对所述任一分布式光伏发电设备进行推理诊断,确定所述任一分布式光伏发电设备的异常模式和故障模式。
发送模块500,用于将诊断结果和所述本体能效诊断知识库中存储的与所述诊断结果对应的维护策略发送至运维人员的移动客户端。
可选地,在本申请的一个实施例中,生成模块100具体用于:将能效故障知识转化为计算机可识别的结构化语言;基于结构化语言,通过预设的开源工具进行建模,以生成基于本体的分布式光伏发电机组的能效诊断知识库;获取每个分布式光伏发电设备的历史故障数据,并基于贝叶斯定理对不同征兆对应的故障模式进行先验概率赋值,以生成预设的征兆与故障模式的对应概率关系。
可选地,在本申请的一个实施例中,确定模块200具体用于:对历史运行数据进行稳态筛选,筛除历史运行数据中的非稳态数据;以辐照度和温度作为边界条件,通过K-均值聚类算法划分每个光伏发电设备的工况;通过多元高斯混合模型剔除每个工况下的异常数据,生成正常数据训练样本;通过正常数据训练样本训练长短期记忆人工神经网络LSTM,并根据长短期记忆人工神经网络LSTM输出的预测值,确定出每个光伏发电设备在每个工况下的边界条件所对应的基准区间。
可选地,在本申请的一个实施例中,确定模块200还用于:针对每个参数,获取长短期记忆人工神经网络LSTM输出的多个参数预测值,以及对应的实际值;计算每个参数预测值与实际值的差值,以与实际值的差值最大的参数预测值为目标参数预测值;以目标参数预测值为中心,以目标参数预测值与实际值的差值的两倍为区间长度构造基准区间。
可选地,在本申请的一个实施例中,发送模块500还用于根据发生的故障模式在运维人员的移动客户端上添加故障记录;根据获取的故障记录更新预设的征兆与故障模式的对应概率关系的后验概率。
可选地,在本申请的一个实施例中,发送模块500还用于接收移动客户端发送的发生的故障模式、故障发生的原因、故障征兆和相应的维护措施;判断发生的故障模式是否存在,如果发生的故障模式存在,则更新后验概率;如果发生的故障模式不存在,则将发生的故障模式添加至本体能效诊断知识库。
需要说明的是,前述对分布式光伏发电设备的能效诊断方法的实施例的解释说明也适用于该实施例的***,此处不再赘述
综上所述,本申请实施例的分布式光伏发电设备的能效诊断***,能快速定位发生故障的发电机组信息以及对应的具体故障,并提供相应的健康维护策略。并且,还通过移动客户端界面,使运维人员可以通过移动端设备根据发电机组编号访问相关机组信息,查询机组故障模式以及维护措施,掌握分布式电站区域内所有发电机组的运行情况,提前做好维修维护计划,降低运维成本,提高运行维护效率。
为了实现上述实施例,本申请还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述实施例中任一所述的分布式光伏发电设备的能效诊断方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种分布式光伏发电设备的能效诊断方法,其特征在于,包括以下步骤:
通过失效模式与影响分析FMEA和故障树分析FTA对待诊断的分布式光伏发电设备进行分析,获取所述分布式光伏发电设备的能效故障知识,并生成所述分布式光伏发电设备的本体能效诊断知识库;
获取每个所述光伏发电设备的历史运行数据,根据所述历史运行数据确定每个所述光伏发电设备在不同工况下的检测数据的基准区间;
采集每个所述光伏发电设备的实时运行数据,基于对应的所述基准区间对所述实时运行数据进行异常检测;
若任一光伏发电设备的实时运行数据为异常数据,则确定所述异常数据的征兆,并通过所述本体能效诊断知识库中预设的征兆与故障模式的对应概率关系对所述任一分布式光伏发电设备进行推理诊断,确定所述任一分布式光伏发电设备的异常模式和故障模式;
将诊断结果和所述本体能效诊断知识库中存储的与所述诊断结果对应的维护策略发送至运维人员的移动客户端。
2.根据权利要求1所述的诊断方法,其特征在于,所述生成所述分布式光伏发电设备的本体能效诊断知识库,包括:
将所述能效故障知识转化为计算机可识别的结构化语言;
基于所述结构化语言,通过预设的开源工具进行建模,以生成基于本体的所述分布式光伏发电机组的能效诊断知识库;
获取每个所述分布式光伏发电设备的历史故障数据,并基于贝叶斯定理对不同征兆对应的故障模式进行先验概率赋值,以生成所述预设的征兆与故障模式的对应概率关系。
3.根据权利要求1或2所述的诊断方法,其特征在于,所述根据所述历史运行数据确定每个所述光伏发电设备在不同工况下的检测数据的基准区间,包括:
对所述历史运行数据进行稳态筛选,筛除所述历史运行数据中的非稳态数据;
以辐照度和温度作为边界条件,通过K-均值聚类算法划分每个所述光伏发电设备的工况;
通过多元高斯混合模型剔除每个工况下的故障数据,生成正常数据训练样本;
通过所述正常数据训练样本训练长短期记忆人工神经网络LSTM,并根据所述长短期记忆人工神经网络LSTM输出的预测值,确定出每个所述光伏发电设备在每个工况下的边界条件所对应的基准区间。
4.根据权利要求3所述的诊断方法,其特征在于,所述根据所述长短期记忆人工神经网络LSTM输出的参数预测值,确定出每个所述光伏发电设备在每个工况下的边界条件所对应的基准区间,包括:
针对每个参数,获取所述长短期记忆人工神经网络LSTM输出的多个参数预测值,以及对应的实际值;
计算每个所述参数预测值与所述实际值的差值,以与所述实际值的差值最大的参数预测值为目标参数预测值;
以所述目标参数预测值为中心,以所述目标参数预测值与所述实际值的差值的两倍为区间长度构造所述基准区间。
5.根据权利要求1所述的诊断方法,所述将诊断结果和所述本体能效诊断知识库中存储的与所述诊断结果对应的维护策略发送至运维人员的移动客户端之后,还包括:
根据发生的故障模式在所述运维人员的移动客户端上添加故障记录;
根据获取的所述故障记录更新所述预设的征兆与故障模式的对应概率关系的后验概率。
6.根据权利要5所述的诊断方法,其特征在于,所述在所述运维人员的移动客户端上添加故障记录,包括:
接收所述移动客户端发送的所述发生的故障模式、故障发生的原因、故障征兆和相应的维护措施;
所述根据获取的所述故障记录更新所述预设的征兆与故障模式的对应概率关系的后验概率,包括:
判断所述发生的故障模式是否存在,如果所述发生的故障模式存在,则更新后验概率;
如果所述发生的故障模式不存在,则将所述发生的故障模式添加至所述本体能效诊断知识库。
7.一种分布式光伏发电设备的能效诊断***,其特征在于,包括:
生成模块,用于通过失效模式与影响分析FMEA和故障树分析FTA对待诊断的分布式光伏发电设备进行分析,获取所述分布式光伏发电设备的能效故障知识,并生成所述分布式光伏发电设备的本体能效诊断知识库;
确定模块,用于获取每个所述光伏发电设备的历史运行数据,根据所述历史运行数据确定每个所述光伏发电设备在不同工况下的检测数据的基准区间;
异常检测模块,用于采集每个所述光伏发电设备的实时运行数据,基于对应的所述基准区间对所述实时运行数据进行异常检测;
推理诊断模块,用于若任一光伏发电设备的实时运行数据为异常数据,则确定所述异常数据的征兆,并通过所述本体能效诊断知识库中预设的征兆与故障模式的对应概率关系对所述任一分布式光伏发电设备进行推理诊断,确定所述任一分布式光伏发电设备的异常模式和故障模式;
发送模块,用于将诊断结果和所述本体能效诊断知识库中存储的与所述诊断结果对应的维护策略发送至运维人员的移动客户端。
8.根据权利要求7所述的诊断***,其特征在于,所述生成模块,具体用于:
将所述能效故障知识转化为计算机可识别的结构化语言;
基于所述结构化语言,通过预设的开源工具进行建模,以生成基于本体的所述分布式光伏发电机组的能效诊断知识库;
获取每个所述分布式光伏发电设备的历史故障数据,并基于贝叶斯定理对不同征兆对应的故障模式进行先验概率赋值,以生成所述预设的征兆与故障模式的对应概率关系。
9.根据权利要求7和8所述的诊断***,其特征在于,所述确定模块,具体用于:
对所述历史运行数据进行稳态筛选,筛除所述历史运行数据中的非稳态数据;
以辐照度和温度作为边界条件,通过K-均值聚类算法划分每个所述光伏发电设备的工况;
通过多元高斯混合模型剔除每个工况下的故障数据,生成正常数据训练样本;
通过所述正常数据训练样本训练长短期记忆人工神经网络LSTM,并根据所述长短期记忆人工神经网络LSTM输出的预测值,确定出每个所述光伏发电设备在每个工况下的边界条件所对应的基准区间。
10.一种非临时性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如权利要求1-6中任一所述的分布式光伏发电设备的能效诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111153747.7A CN113888353A (zh) | 2021-09-29 | 2021-09-29 | 分布式光伏发电设备的能效诊断方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111153747.7A CN113888353A (zh) | 2021-09-29 | 2021-09-29 | 分布式光伏发电设备的能效诊断方法、***及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888353A true CN113888353A (zh) | 2022-01-04 |
Family
ID=79008362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111153747.7A Pending CN113888353A (zh) | 2021-09-29 | 2021-09-29 | 分布式光伏发电设备的能效诊断方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888353A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115695150A (zh) * | 2022-11-01 | 2023-02-03 | 广州城轨科技有限公司 | 一种基于分布式异构融合组网设备检测方法及装置 |
CN115691026A (zh) * | 2022-12-29 | 2023-02-03 | 湖北省林业科学研究院 | 一种森林防火的智能预警监控管理方法 |
CN116628608A (zh) * | 2023-04-23 | 2023-08-22 | 华能国际电力江苏能源开发有限公司 | 一种光伏发电故障诊断方法及*** |
CN117670300A (zh) * | 2023-12-08 | 2024-03-08 | 西安中创新能网络科技有限责任公司 | 一种分布式光伏设备检测运维***及方法 |
CN117951633A (zh) * | 2024-03-27 | 2024-04-30 | 中节能甘肃武威太阳能发电有限公司 | 一种光伏发电设备故障诊断方法及*** |
-
2021
- 2021-09-29 CN CN202111153747.7A patent/CN113888353A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115695150A (zh) * | 2022-11-01 | 2023-02-03 | 广州城轨科技有限公司 | 一种基于分布式异构融合组网设备检测方法及装置 |
CN115695150B (zh) * | 2022-11-01 | 2023-08-08 | 广州城轨科技有限公司 | 一种基于分布式异构融合组网设备检测方法及装置 |
CN115691026A (zh) * | 2022-12-29 | 2023-02-03 | 湖北省林业科学研究院 | 一种森林防火的智能预警监控管理方法 |
CN115691026B (zh) * | 2022-12-29 | 2023-05-05 | 湖北省林业科学研究院 | 一种森林防火的智能预警监控管理方法 |
CN116628608A (zh) * | 2023-04-23 | 2023-08-22 | 华能国际电力江苏能源开发有限公司 | 一种光伏发电故障诊断方法及*** |
CN117670300A (zh) * | 2023-12-08 | 2024-03-08 | 西安中创新能网络科技有限责任公司 | 一种分布式光伏设备检测运维***及方法 |
CN117951633A (zh) * | 2024-03-27 | 2024-04-30 | 中节能甘肃武威太阳能发电有限公司 | 一种光伏发电设备故障诊断方法及*** |
CN117951633B (zh) * | 2024-03-27 | 2024-06-11 | 中节能甘肃武威太阳能发电有限公司 | 一种光伏发电设备故障诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113888353A (zh) | 分布式光伏发电设备的能效诊断方法、***及介质 | |
KR102354112B1 (ko) | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 | |
Wang et al. | Remaining useful life estimation using functional data analysis | |
JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
JP2023042527A (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
CN109255440B (zh) | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 | |
CN114021932A (zh) | 风电机组的能效评价与诊断方法、***及介质 | |
CN115822887A (zh) | 风电机组的性能评估与能效诊断方法及*** | |
Chen et al. | A health index construction framework for prognostics based on feature fusion and constrained optimization | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
Abdelli et al. | Machine learning based data driven diagnostic and prognostic approach for laser reliability enhancement | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
RU2699685C1 (ru) | Способ анализа и контроля состояния технической установки, содержащей множество динамических систем | |
CN114548701A (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及*** | |
Esteves et al. | Prognostics health management: perspectives in engineering systems reliability prognostics | |
KR102667861B1 (ko) | 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及*** | |
RU2818858C1 (ru) | Способ диагностирования комплекса бортового оборудования воздушных судов на основе машинного обучения без учителя с автоматическим определением параметров обучения моделей | |
Schreiberhuber et al. | Causality Prediction with Neural-Symbolic Systems: A Case Study in Smart Grids. | |
Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm | |
CN113627621B (zh) | 一种面向光网络传输质量回归估计的主动学习方法 |
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 |