【技術實現(xiàn)步驟摘要】
本專利技術涉及光伏場站運維，尤其涉及一種基于數(shù)字孿生的光伏場站智能運維仿真方法及系統(tǒng)。
技術介紹
1、光伏發(fā)電作為清潔能源的重要組成部分，其安全穩(wěn)定運行對電力系統(tǒng)具有重要意義。隨著光伏場站規(guī)模不斷擴大，設備數(shù)量急劇增加，傳統(tǒng)的人工巡檢和經(jīng)驗維護方式已難以滿足運維需求。數(shù)字孿生技術通過構建物理實體的數(shù)字映射，為光伏場站的智能化運維提供了新的思路，但整體運維效率和智能化水平仍有待提高。
2、現(xiàn)有的光伏場站運維方法主要存在一些問題，數(shù)據(jù)格式和采樣頻率不一致，缺乏有效的多源異構數(shù)據(jù)融合方法；基于單一特征或簡單規(guī)則的故障診斷方法，難以刻畫設備故障的漸變過程和多模式特性；依賴人工經(jīng)驗的維護決策，未能充分考慮維護資源約束和設備間檢修順序約束，導致維護效率低下、成本居高不下；缺乏對維護策略的持續(xù)優(yōu)化機制，難以適應設備狀態(tài)和運行環(huán)境的動態(tài)變化。
3、綜上所述，亟需一種基于數(shù)字孿生的光伏場站智能運維仿真方法，通過構建數(shù)字孿生分層結構實現(xiàn)多源數(shù)據(jù)的深度融合，采用動態(tài)神經(jīng)元網(wǎng)絡和馬爾可夫模型準確描述設備故障演化規(guī)律，基于多智能體強化學習和遺傳算法優(yōu)化維護決策和資源調配，最終形成閉環(huán)優(yōu)化的智能運維體系；不僅提高故障診斷的準確性和及時性，而且能夠自適應地生成最優(yōu)維護方案，顯著提升運維效率，降低維護成本。本專利技術能夠解決現(xiàn)有技術中的問題。
技術實現(xiàn)思路
1、本專利技術實施例提供一種基于數(shù)字孿生的光伏場站智能運維仿真方法及系統(tǒng)，能夠解決現(xiàn)有技術中的問題。
2、本專利技術實施例
3、提供一種基于數(shù)字孿生的光伏場站智能運維仿真方法，包括：
4、通過光伏組件狀態(tài)采集裝置獲取多模態(tài)檢測信號，基于所述多模態(tài)檢測信號，通過離散小波包變換構建信號分解樹，從高頻子帶和低頻子帶提取特征向量，建立多維特征空間，對所述多維特征空間執(zhí)行張量分解運算進行多模態(tài)時空對齊，生成特征融合矩陣，將所述特征融合矩陣輸入圖神經(jīng)網(wǎng)絡模型，構建包含物理數(shù)據(jù)層、特征關聯(lián)層和狀態(tài)表征層的數(shù)字孿生分層結構；
5、基于數(shù)字孿生分層結構，確定結構化數(shù)據(jù)；構建動態(tài)神經(jīng)元網(wǎng)絡，提取結構化數(shù)據(jù)的故障特征，計算所述故障特征與歷史故障的相似度得分，根據(jù)連續(xù)時間窗口內的相似度得分序列建立馬爾可夫故障演化模型，預測故障發(fā)生概率；將所述故障發(fā)生概率與預設閾值比對，觸發(fā)維護預警信號；
6、將所述維護預警信號輸入基于多智能體強化學習網(wǎng)絡構建的維護策略模型，生成候選維護時間窗口集合，調用檢修調度模塊對所述候選維護時間窗口集合進行優(yōu)化排序，得到最優(yōu)時間窗口序列，將所述最優(yōu)時間窗口序列輸入資源配置模塊，采用遺傳算法生成人員物料調配方案；計算所述人員物料調配方案的維護成本，基于所述維護成本對所述維護策略模型的策略參數(shù)進行迭代優(yōu)化，輸出最終的運維實施方案。
7、在一種可選的實施例中，
8、基于所述多模態(tài)檢測信號，通過離散小波包變換構建信號分解樹，從高頻子帶和低頻子帶提取特征向量，建立多維特征空間包括：
9、對所述多模態(tài)檢測信號進行信噪比評估，得到信噪比評估結果，根據(jù)所述信噪比評估結果自適應選擇最優(yōu)小波基函數(shù)；
10、通過所述最優(yōu)小波基函數(shù)對所述多模態(tài)檢測信號進行第一層遞歸分解，通過正交鏡像濾波器組的低通濾波器系數(shù)和高通濾波器系數(shù)，分別進行低頻分解和高頻分解，得到第一層低頻分量和第一層高頻分量，將所述第一層低頻分量和所述第一層高頻分量分別作為第二層遞歸分解的輸入信號，采用相同的低頻分解和相同的高頻分解，得到第二層低頻分量和第二層高頻分量；重復迭代，直至完成n層遞歸分解，將遞歸分解得到的所有分量按照層次關系連接，構成多尺度信號分解樹，其中最后一層的2的n次方個分量作為所述多尺度信號分解樹的葉節(jié)點信號；
11、計算所述多尺度信號分解樹各葉節(jié)點信號的信息增益，基于所述信息增益設定自適應閾值，根據(jù)所述自適應閾值從所述葉節(jié)點信號中自動選擇最優(yōu)低頻子帶信號和最優(yōu)高頻子帶信號；
12、對所述最優(yōu)高頻子帶信號執(zhí)行平方累加運算，得到高頻能量特征，對所述最優(yōu)低頻子帶信號執(zhí)行平方累加運算，得到低頻能量特征；
13、計算所述最優(yōu)高頻子帶信號的能量分布，并通過自適應權重歸一化處理得到高頻歸一化分布，計算所述最優(yōu)低頻子帶信號的能量分布，并通過所述自適應權重歸一化處理得到低頻歸一化分布；基于所述高頻歸一化分布，計算得到高頻熵值特征，基于所述低頻歸一化分布，計算得到低頻熵值特征；
14、計算所述最優(yōu)高頻子帶信號的離散程度得到高頻標準差特征，計算所述最優(yōu)低頻子帶信號的離散程度得到低頻標準差特征；
15、基于所述信息增益，對所述高頻能量特征、所述低頻能量特征、所述高頻熵值特征、所述低頻熵值特征、所述高頻標準差特征和所述低頻標準差特征進行特征重要度加權，組成六維特征向量；
16、通過計算所述六維特征向量的向量均值和向量標準差，將所述六維特征向量減去所述向量均值后除以所述向量標準差，得到歸一化特征向量，以所述歸一化特征向量作為一個特征點，建立多維特征空間。
17、在一種可選的實施例中，
18、對所述多維特征空間執(zhí)行張量分解運算進行多模態(tài)時空對齊，生成特征融合矩陣包括：
19、對多維特征空間中的特征向量執(zhí)行時序劃分，基于滑動時間窗口將所述特征向量按照特征數(shù)量、時間窗口數(shù)量和模態(tài)數(shù)量的維度重組成三階張量，對所述三階張量中的特征數(shù)據(jù)、時間數(shù)據(jù)和模態(tài)數(shù)據(jù)執(zhí)行歸一化處理，得到歸一化后的三階張量；
20、對所述歸一化后的三階張量執(zhí)行tucker分解運算，分別在特征維度、時間維度和模態(tài)維度上投影，生成核心張量、特征模式矩陣、時間模式矩陣和模態(tài)模式矩陣；
21、基于所述核心張量、所述特征模式矩陣、所述時間模式矩陣和所述模態(tài)模式矩陣重構所述歸一化后的三階張量，計算重構誤差值，根據(jù)所述重構誤差值調整所述核心張量的目標維數(shù)，重復執(zhí)行所述tucker分解運算，直至所述重構誤差值小于預設的誤差閾值，得到最優(yōu)核心張量；
22、利用所述特征模式矩陣將所述特征向量映射到統(tǒng)一特征空間，利用所述時間模式矩陣將所述特征向量對齊到統(tǒng)一時間基準，利用所述模態(tài)模式矩陣將所述特征向量映射到統(tǒng)一表征空間，得到對齊后的特征數(shù)據(jù)、時間數(shù)據(jù)和模態(tài)數(shù)據(jù)；
23、對所述時間模式矩陣和所述模態(tài)模式矩陣執(zhí)行克羅內克積運算，得到組合模式矩陣，將所述組合模式矩陣進行轉置運算，得到轉置模式矩陣；
24、將所述特征模式矩陣與所述最優(yōu)核心張量相乘得到特征張量，將所述特征張量與所述轉置模式矩陣相乘，生成包含多模態(tài)時空對齊信息的特征融合矩陣。
25、在一種可選的實施例中，
26、將所述特征融合矩陣輸入圖神經(jīng)網(wǎng)絡模型，構建包含物理數(shù)據(jù)層、特征關聯(lián)層和狀態(tài)表征層的數(shù)字孿生分層結構包括：
27、將各光伏組件映射為圖網(wǎng)絡節(jié)點，基于各光伏組件之間的物理連接關系構建圖網(wǎng)絡邊，確定圖神經(jīng)網(wǎng)絡模型的拓撲結構；將所述特征融合矩本文檔來自技高網(wǎng)...
【技術保護點】
1.基于數(shù)字孿生的光伏場站智能運維仿真方法，其特征在于，包括：
2.根據(jù)權利要求1所述的方法，其特征在于，基于所述多模態(tài)檢測信號，通過離散小波包變換構建信號分解樹，從高頻子帶和低頻子帶提取特征向量，建立多維特征空間包括：
3.根據(jù)權利要求2所述的方法，其特征在于，對所述多維特征空間執(zhí)行張量分解運算進行多模態(tài)時空對齊，生成特征融合矩陣包括：
4.根據(jù)權利要求3所述的方法，其特征在于，將所述特征融合矩陣輸入圖神經(jīng)網(wǎng)絡模型，構建包含物理數(shù)據(jù)層、特征關聯(lián)層和狀態(tài)表征層的數(shù)字孿生分層結構包括：
5.根據(jù)權利要求1所述的方法，其特征在于，基于數(shù)字孿生分層結構，確定結構化數(shù)據(jù)；構建動態(tài)神經(jīng)元網(wǎng)絡，提取結構化數(shù)據(jù)的故障特征，計算所述故障特征與歷史故障的相似度得分，根據(jù)連續(xù)時間窗口內的相似度得分序列建立馬爾可夫故障演化模型，預測故障發(fā)生概率；將所述故障發(fā)生概率與預設閾值比對，觸發(fā)維護預警信號包括：
6.根據(jù)權利要求1所述的方法，其特征在于，將所述維護預警信號輸入基于多智能體強化學習網(wǎng)絡構建的維護策略模型，生成候選維護時間窗口集合，調用檢修
7.根據(jù)權利要求1所述的方法，其特征在于，將所述最優(yōu)時間窗口序列輸入資源配置模塊，采用遺傳算法生成人員物料調配方案包括：
8.基于數(shù)字孿生的光伏場站智能運維仿真系統(tǒng)，用于實現(xiàn)前述權利要求1-7中任一項所述的方法，其特征在于，包括：
9.一種電子設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其上存儲有計算機程序指令，其特征在于，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)權利要求1至7中任意一項所述的方法。
...【技術特征摘要】
1.基于數(shù)字孿生的光伏場站智能運維仿真方法，其特征在于，包括：
2.根據(jù)權利要求1所述的方法，其特征在于，基于所述多模態(tài)檢測信號，通過離散小波包變換構建信號分解樹，從高頻子帶和低頻子帶提取特征向量，建立多維特征空間包括：
3.根據(jù)權利要求2所述的方法，其特征在于，對所述多維特征空間執(zhí)行張量分解運算進行多模態(tài)時空對齊，生成特征融合矩陣包括：
4.根據(jù)權利要求3所述的方法，其特征在于，將所述特征融合矩陣輸入圖神經(jīng)網(wǎng)絡模型，構建包含物理數(shù)據(jù)層、特征關聯(lián)層和狀態(tài)表征層的數(shù)字孿生分層結構包括：
5.根據(jù)權利要求1所述的方法，其特征在于，基于數(shù)字孿生分層結構，確定結構化數(shù)據(jù)；構建動態(tài)神經(jīng)元網(wǎng)絡，提取結構化數(shù)據(jù)的故障特征，計算所述故障特征與歷史故障的相似度得分，根據(jù)連續(xù)時間窗口內的相似度得分序列建立馬爾可夫故障演化模型，...
【專利技術屬性】
技術研發(fā)人員：龐恒茂，張喜平，袁琳，蔣云鵬，范明晨，
申請(專利權)人：國家電投集團數(shù)字科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。