【技术实现步骤摘要】
本专利技术涉及边缘计算，具体地说，涉及基于边缘计算的分布式光伏测控系统。
技术介绍
1、随着全球对清洁能源需求的增长以及智能电网技术的发展，分布式光伏发电系统逐渐成为能源供应的重要组成部分。然而，分布式光伏发电系统的大规模接入给电力系统的运行带来了新的挑战，如电压波动、频率偏移和电能质量问题等，传统的集中式监控与控制系统在处理这些由大量分布式电源引入的复杂性和实时性要求时显得力不从心。为了解决这些问题，并充分利用分布式光伏发电系统的优势，边缘计算作为一种新兴的信息处理范式被引入到分布式光伏发电系统的测控系统中。
2、边缘计算通过在网络边缘侧部署计算资源，能够实现数据的本地化处理，减少数据传输延迟，提高响应速度，同时降低云端服务器的数据负载。对于分布式光伏发电系统而言，这意味着可以更快速地获取并分析发电设备的状态信息，从而实现更加精准的控制和管理。此外，边缘计算还可以增强系统的可靠性和安全性，因为它减少了对外部网络连接的依赖，并且可以在本地执行关键任务，即使在网络故障的情况下也能维持基本功能。
3、但是，随着光伏系统的规模不断扩大和技术要求日益提高，传统的数据处理方式已难以满足即时性和精确性的双重需求，例如传统的补偿方式往往基于预先设定的工作点或模式操作，难以实现在不同工况下的最优补偿效果，这不仅限制了系统的调节范围，也降低了对突发情况的处理能力，如突然增加的负载或者短路故障等，因此，设计基于边缘计算的分布式光伏测控系统。
技术实现思路
1、本专利技术的目的在
2、为实现上述目的，本专利技术目的在于提供了基于边缘计算的分布式光伏测控系统，包括：
3、边缘计算节点单元，所述边缘计算节点单元部署于靠近数据源的位置，用于从多个分布式光伏节点中收集实时数据，并对收集到的实时数据进行处理，并通过智能算法支持本地化的故障诊断；其中，边缘计算节点单元包括数据聚合压缩模块和故障诊断模块；
4、资源优化单元，所述资源优化单元用于边缘计算节点单元处理后的数据，并结合历史数据优化并网点处的电能质量管理和无功补偿措施；其中，资源优化单元包括电能质量管理模块、无功补偿控制模块和储能系统集成模块。
5、作为本技术方案的进一步改进，所述边缘计算节点单元中，收集的实时数据至少包括电压、电流、功率和频率的电气参数，至少包括光照强度、温度、湿度的环境参数，至少包括风速、降水量和云层覆盖率的气象参数，还包括设备的故障代码、运行时间以及健康指标。
6、作为本技术方案的进一步改进，所述边缘计算节点单元中：
7、数据聚合压缩模块用于从多个分布式光伏节点中收集的实时数据进行聚合和压缩，使用降维算法将高维数据映射到较低维度空间，并保留原始数据的信息；使用混合压缩策略的方法将映射到较低维度空间的数据重新组合成一个完整的文件格式，并在使用降维算法将高维数据映射到较低维度空间的过程中引入基于随机投影和在线学习相结合的方法进行优化；
8、故障诊断模块用于持续监控采集的数据，识别出偏离正常操作范围的情况，并预测未来出现的故障点，当发现潜在故障时，重启受影响的组件并发送警告通知给工作人员，对于不确定的故障，将故障信息发送至核心节点进行分析。
9、作为本技术方案的进一步改进，所述数据聚合压缩模块中，用降维算法将高维数据映射到较低维度空间，具体如下：
10、s1、首先对输入的数据矩阵进行中心化处理：
11、；
12、其中，为中心化处理后的矩阵；为输入的数据矩阵；为样本数量；为第个样本；；
13、s2、当接收到第一批数据时，构建初始协方差矩阵：
14、；
15、其中，为第一批数据的协方差矩阵；为第一批数据的样本数；为第一批数据经过中心化处理后的矩阵；为转置操作；
16、每当有新一批数据到来时，利用已有的协方差矩阵和新增加的数据来更新当前的协方差矩阵；
17、；
18、其中，为当前的协方差矩阵；为遗忘因子；为前一时刻的协方差矩阵；为新增加的数据；
19、s3、对于每次更新后的协方差矩阵，使用lanczos迭代法进行特征值分解，获得前个最大特征值；
20、s4、根据个特征向量构成投影矩阵，然后将中心化后的数据投影到由这些特征向量组成的新坐标系中，形成降维后的表示：
21、；
22、其中，为降维数据；为个特征向量构成的投影矩阵。
23、作为本技术方案的进一步改进，所述数据聚合压缩模块中，在使用降维算法将高维数据映射到较低维度空间的过程中引入基于随机投影和在线学习相结合的方法进行优化，优化后具体为：
24、s5、在中心化处理后，构造随机矩阵：
25、；
26、其中，为随机矩阵；是原数据维度，是目标降维后的维度；
27、将中心化后的数据投影到低维空间中：
28、；
29、其中，为低维空间；
30、s6、当接收到第一批数据时，初始协方差矩阵：
31、；
32、其中，为优化后的第一批数据的协方差矩阵；为第一批数据优化后的样本数；为第一批数据优化后的经过中心化处理后的矩阵；
33、每当有新一批数据到来时，利用已有的协方差矩阵和新增加的数据更新当前的协方差矩阵；
34、；
35、其中，为当前的优化后的协方差矩阵；为学习率；为前一时刻的优化后的协方差矩阵；为新加入的数据在低维空间中的表示；
36、s7、对于每次更新后的协方差矩阵，使用随机幂迭代法估算前个最大特征值及其对应的特征向量；
37、据累积方差贡献率，选择合适的主成分数量：
38、；
39、其中，为最优主成分数量；为第大的特征值；为用户定义的阈值；
40、根据个特征向量构成投影矩阵，然后将中心化后的数据投影到由这些特征向量组成的新坐标系中，形成降维后的表示：
41、；
42、其中，为优化后的降维数据；为个特征向量构成的投影矩阵。
43、作为本技术方案的进一步改进，所述数据聚合压缩模块中，使用混合压缩策略的方法将映射到较低维度空间的数据重新组合成一个完整的文件格式，具体如下：
44、s11、将降维后的数据按照其对重建后图像质量的影响程度进行分类，分为关键部分和非关键部分；
45、s12、对标记为关键的部分使用无损压缩算法进行压缩，对标记非关键的部分使用有损压缩技术进行压缩；
46、s13、将上述两个压缩结果合并成单个文件格式，并在文件头中记录有关压缩方式的信息以及各段数据的位置索引；
47、s14、根据实际情况调整压缩参数，以达到最本文档来自技高网...
【技术保护点】
1.基于边缘计算的分布式光伏测控系统，其特征在于，包括：
2.根据权利要求1的基于边缘计算的分布式光伏测控系统，其特征在于，所述边缘计算节点单元（1）中，收集的实时数据至少包括电压、电流、功率和频率的电气参数，至少包括光照强度、温度、湿度的环境参数，至少包括风速、降水量和云层覆盖率的气象参数，还包括设备的故障代码、运行时间以及健康指标。
3.根据权利要求2的基于边缘计算的分布式光伏测控系统，其特征在于，所述边缘计算节点单元（1）中：
4.根据权利要求3的基于边缘计算的分布式光伏测控系统，其特征在于，所述数据聚合压缩模块（11）中，用降维算法将高维数据映射到较低维度空间，具体如下：
5.根据权利要求4的基于边缘计算的分布式光伏测控系统，其特征在于，所述数据聚合压缩模块（11）中，在使用降维算法将高维数据映射到较低维度空间的过程中引入基于随机投影和在线学习相结合的方法进行优化，优化后具体为：
6.根据权利要求5的基于边缘计算的分布式光伏测控系统，其特征在于，所述数据聚合压缩模块（11）中，使用混合压缩策略的方法将映射到较低维
7.根据权利要求6的基于边缘计算的分布式光伏测控系统，其特征在于，所述资源优化单元（2）中：
8.根据权利要求7的基于边缘计算的分布式光伏测控系统，其特征在于：所述电能质量问题包括电压偏差、谐波畸变率、三相不平衡度和瞬态事件。
9.根据权利要求8的基于边缘计算的分布式光伏测控系统，其特征在于，所述无功补偿控制模块（22）具体如下：
10.根据权利要求9的基于边缘计算的分布式光伏测控系统，其特征在于，所述无功补偿控制模块（22）中，在根据实际需求自动调整补偿量的过程中引入电能质量问题作为输入进行优化，优化后具体为：
...【技术特征摘要】
1.基于边缘计算的分布式光伏测控系统，其特征在于，包括：
2.根据权利要求1的基于边缘计算的分布式光伏测控系统，其特征在于，所述边缘计算节点单元（1）中，收集的实时数据至少包括电压、电流、功率和频率的电气参数，至少包括光照强度、温度、湿度的环境参数，至少包括风速、降水量和云层覆盖率的气象参数，还包括设备的故障代码、运行时间以及健康指标。
3.根据权利要求2的基于边缘计算的分布式光伏测控系统，其特征在于，所述边缘计算节点单元（1）中：
4.根据权利要求3的基于边缘计算的分布式光伏测控系统，其特征在于，所述数据聚合压缩模块（11）中，用降维算法将高维数据映射到较低维度空间，具体如下：
5.根据权利要求4的基于边缘计算的分布式光伏测控系统，其特征在于，所述数据聚合压缩模块（11）中，在使用降维算法将高维数据映射到较低维度空间的过程中引入基于随机投影和在线学...
【专利技术属性】
技术研发人员：刘元松，田石刚，向光伟，
申请(专利权)人：国网黑龙江省电力有限公司哈尔滨供电公司，
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。