【技术实现步骤摘要】
本专利技术涉及数据分析领域，具体涉及一种光伏发电组件故障自动报警方法及系统。
技术介绍
1、光伏发电技术作为当前可再生能源中的研究重点对象，对于社会的发展进步和大规模节能减排，发挥了其重要价值作用。针对光伏发电系统的数据监测和实时报警领域，现有技术中大多都是通过设定阈值或结合该领域标准来分析光伏发电系统的各类数据，发现问题则进行报警。例如cn116111951a（公开日20230512）中公开了调取单元通过数据检测单元获取光伏发电单元中各部件的运行参数以实时对光伏发电系统进行检测，并及时发现光伏发电系统处于故障状态的原因，第一解析单元根据用电端的电压频率初步判定光伏发电单元的运行状态，第二解析单元根据各光伏板平均温度值、蓄电池电量值以及蓄电池的消耗速率以对光伏发电单元出现故障的原因进行进一步判定，警报单元根据第二解析单元输出的故障原因发出对应的警报信息。但是该类方法中存在一些缺陷，譬如没有充分考虑故障数据之间的相关性、未建立模型算法进行精确分析、未将光伏发电系统中的时空数据纳入故障分析数据等等，这些都会使得针对光伏发电系统的数据故障监测效率相对较低，无法保障数据分析、故障监测的准确度。
技术实现思路
1、针对现有技术中的以上缺陷，本专利技术的目的在于提供一种光伏发电组件故障自动报警方法及系统。该方法充分考虑了数据之间的相关性，通过建立精确分析模型算法，并将光伏发电系统中的时空数据纳入故障分析考虑因素，由此大大提高了故障分析的准确度和效率。
2、为实现上述专利技术目的，本
3、第一方面，本专利技术提供一种光伏发电组件故障自动报警方法，该方法包括：
4、步骤1，采集光伏发电系统中的各类运行样本数据；
5、步骤2，对所采集的运行样本数据进行pca聚类分析，提取出第一主成分特征和第二主成分特征；其中，第一主成分特征和第二主成分特征表示pca聚类分析后两种不同的类型数据；
6、步骤3，基于mapreduce 并行运算模式下，在map阶段提取所述第一主成分特征和所述第二主成分特征中的每个样本特征值，在reduce 阶段统计所述步骤1中所采集运行样本数据的样本总数和该步骤3中提取的样本特征数；
7、步骤4，将所述每个样本特征值、所述样本总数和所述样本特征数进行叠加组合，并将叠加后的数据输入第一故障预测模型，得到第一故障预测结果；所述第一故障预测模型为svm故障分类模型；
8、步骤5，将所述步骤2中的所述第一主成分特征和所述第二主成分特征输入卷积神经网络以提取出空间信息，并将所述空间信息转换成空间特征向量h；将所述第一主成分特征和所述第二主成分特征输入gru网络以提取出时间序列信息，并将所述时间序列信息转换成时间序列向量p；
9、步骤6，计算所述空间特征向量h与向量集seta的相似度l(h,seta)，公式为：
10、
11、其中，向量集seta表示光伏发电系统正常运行情况下的空间特征集合，a为向量集seta中的一个向量；
12、步骤7，计算所述时间序列向量p与向量集setb的相似度l(p,setb)，公式为：
13、
14、其中，向量集setb表示光伏发电系统正常运行情况下的时间特征集合，b为向量集setb中的一个向量；
15、步骤8，计算总相似度sim(h,p)，公式为：
16、
17、其中，、表示权重值；
18、步骤9，将所述总相似度sim(h,p)输入预先建立的知识图谱模型，得到第二故障预测结果；
19、步骤10，综合所述第一故障预测结果和所述第二故障预测结果，进行光伏发电组件的故障分级报警。
20、进一步地，还包括：所述步骤1，采集光伏发电系统中的各类运行样本数据，具体包括：
21、通过监测装置对光伏发电系统的现场信息进行实时采集，其中包括光伏方阵运行时的电压值、电流值、功率、蓄电池的蓄电量、光伏设备的环境温度及表面温度。
22、进一步地，还包括：所述步骤2还包括：
23、对所采集的运行样本数据进行k-means聚类分析，以提取出第一主成分特征和第二主成分特征；k-means聚类分析采用平方误差准则，具体为：
24、，
25、其中，e为数据集中所有样本数据的平方误差，q表示给定的样本，表示聚类di的平均值，k为聚类类别数，i=1,2,...,k。
26、进一步地，还包括：所述pca聚类分析或所述k-means聚类分析在进行信息提取处理时，具体是将光伏发电系统中与温度相关的数据作为提取的第一主成分特征，其余特征作为提取的第二主成分特征。
27、进一步地，还包括：所述步骤3，基于mapreduce 并行运算模式下，在map阶段提取所述第一主成分特征和所述第二主成分特征中的每个样本特征值，在reduce 阶段统计所述步骤1中所采集运行样本数据的样本总数和所述步骤3中提取的样本特征数，具体包括：
28、将mapreduce并行计算模型对数据的处理抽象为map函数和reduce函数；通过map函数读取所述第一主成分特征和所述第二主成分特征的样本特征值，并将读取的数据传输给reduce函数进行整合统计。
29、进一步地，还包括：所述将所述每个样本特征值、所述样本总数和所述样本特征数进行叠加组合，具体是进行数据拼接，包括：
30、将所述每个样本特征值按照顺序进行排列，将所述样本总数插入排列后数据的前面，将所述样本特征数插入排列后数据的后面，以完成数据拼接。
31、进一步地，还包括：构建svm故障分类模型，具体包括：
32、抽取部分叠加组合后的数据作为svm模型的训练数据，
33、设计损失函数计算svm模型的输出值pj与训练集中实际的故障类别数值qj的误差，当误差小于设定阈值时则训练结束，得到故障分类模型svm；
34、其中，损失函数为：
35、
36、其中，j为训练集数目，j=1,2,...,j，wj为可调节参数。
37、进一步地，还包括：
38、将所述总相似度作为知识图谱分析模型的输入，将故障分类标签作为所述知识图谱分析模型的输出，对知识图谱分析模型进行训练得到反映总相似度和故障分类标签映射关系的故障型知识图谱分析模型。
39、进一步地，还包括：所述步骤10，综合所述第一故障预测结果和所述第二故障预测结果，进行光伏发电组件的故障分级报警，具体包括：
40、将所述第一故障预测结果与第一阈值进行比较，将所述第二故障预测结果与第二阈值进行比较；
41、若所述第一故障预测结果大于等于第一阈值，且所述第二故障预测结果大于等于第二阈值，则进行一级报警；
42、若所述第一故障预测结果小于第一阈值，且所述第二故障预测结果小于第二阈值，则无故障，不自动报警本文档来自技高网...
【技术保护点】
1.一种光伏发电组件故障自动报警方法，其特征在于，该方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤1，采集光伏发电系统中的各类运行样本数据，具体包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤2还包括：
4.根据权利要求1或3所述的方法，其特征在于，还包括：所述PCA聚类分析或所述K-means聚类分析在进行信息提取处理时，具体是将光伏发电系统中与温度相关的数据作为提取的第一主成分特征，其余特征作为提取的第二主成分特征。
5. 根据权利要求1所述的方法，其特征在于，还包括：所述步骤3，基于MapReduce 并行运算模式下，在Map阶段提取所述第一主成分特征和所述第二主成分特征中的每个样本特征值，在Reduce 阶段统计所述步骤1中所采集运行样本数据的样本总数和所述步骤3中提取的样本特征数，具体包括：
6.根据权利要求1所述的方法，其特征在于，所述将所述每个样本特征值、所述样本总数和所述样本特征数进行叠加组合，具体是进行数据拼接，包括：
7.根据权利要求6所述的方法，其特征在于，构建
8.根据权利要求1所述的方法，其特征在于，还包括：
9.根据权利要求1所述的方法，其特征在于，所述步骤10，综合所述第一故障预测结果和所述第二故障预测结果，进行光伏发电组件的故障分级报警，具体包括：
10.一种光伏发电组件故障自动报警系统，其特征在于，该系统包括：
...【技术特征摘要】
1.一种光伏发电组件故障自动报警方法，其特征在于，该方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤1，采集光伏发电系统中的各类运行样本数据，具体包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤2还包括：
4.根据权利要求1或3所述的方法，其特征在于，还包括：所述pca聚类分析或所述k-means聚类分析在进行信息提取处理时，具体是将光伏发电系统中与温度相关的数据作为提取的第一主成分特征，其余特征作为提取的第二主成分特征。
5. 根据权利要求1所述的方法，其特征在于，还包括：所述步骤3，基于mapreduce 并行运算模式下，在map阶段提取所述第一主成分特征和所述第二主成分特征中的每...
【专利技术属性】
技术研发人员：吴明，
申请(专利权)人：江苏智谨创新能源科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。