【技術實現步驟摘要】
本專利技術涉及光伏系統，具體為一種ai驅動的大數據智能光伏發電監測方法及系統。
技術介紹
1、隨著全球對清潔能源需求的不斷增加，光伏發電作為一種環保、高效和可持續的能源轉換方式，近年來得到了廣泛關注和快速發展。光伏發電利用光伏效應將太陽能轉化為電能，具有低碳、零排放的環保優勢，對于緩解能源壓力、減少環境污染和實現可持續發展具有重要意義。
2、然而，光伏發電系統在實際運行中面臨著多種挑戰。首先，光伏發電的輸出功率受到天氣條件的顯著影響，如光照強度、溫度、云層遮擋等，這使得光伏發電具有波動性和不確定性，給電網的穩定運行帶來了挑戰。其次，光伏電站通常分布廣泛且數量眾多，晶板、儲能組件等設備的監控和維護難度較大。此外，光伏電站的系統架構龐大，數據復雜，對數據采集的實時性、數據處理效率和分析能力提出了極高要求。
3、為了解決上述問題，提高光伏發電系統的性能和穩定性，人工智能技術被引入到光伏發電監測中。通過智能算法和數據分析，可以實現對光伏發電系統的實時監測和精準控制，從而提高能源產出、降低維護成本和提升系統整體效率。
4、例如，現有的公開號為cn115225032a的中國專利申請公開了一種分布式光伏運維系統及運維方法，該方法通過采集光伏板上的當前圖像，并比對當前圖像與預設圖像以確定污濁點區域，進一步的獲取光伏板的當前光功率數據，若全部光伏板的當前光功率數據之和與預設光功率數據的比值高于臨界光功率比值，則控制局部清洗裝置對污濁點區域進行清潔；若全部光伏板的當前光功率數據之和與預設光功率數據的比值低于或等于
5、但上述設計的光功率數據可能受到多種因素的影響而產生波動，如天氣變化、設備老化等；因此，僅僅依靠光功率數據來判斷是否需要清潔可能不夠準確；此外，臨界光功率比值的設定也可能需要根據實際情況進行調整，這增加了運維的復雜性。
6、而在授權公告號為cn109802634b的中國專利中公開了一種基于大數據的光伏電站的智能運維方法及運維系統，包括以下步驟：s1：獲取預設范圍內的所有光伏電站各個維度的數據；s2：將s1中各個維度的數據進行分割重組，使數據粒度變小，對數據進行升維操作；s3：對升維后的數據遍歷做關聯分析，計算相關性；s4：提取s3中相關性系數不小于0.6的數據集；s5：構建人工神經網絡模型；s6：以s4的數據集為基礎，采用s5中的人工神經網絡模型對預設范圍內的光伏電站在未來時間段內的運維狀態做出預測；s7：根據s6的預測結果和預設范圍內的光伏電站的運行狀態，生成運維建議。一定程度上彌補了不足。
7、然而，該方法根據預測結果生成運維建議的有效性可能受到多種因素的影響，如運維人員的執行力、設備的可用性等。如果運維建議不能得到有效執行或設備存在故障，那么運維效果可能會受到影響。為此，本專利技術提供一種ai驅動的大數據智能光伏發電監測方法及系統。
技術實現思路
1、本專利技術的目的在于提供一種ai驅動的大數據智能光伏發電監測方法及系統，以解決上述
技術介紹
中提出的現有的問題。
2、為實現上述目的，本專利技術提供如下技術方案：一種ai驅動的大數據智能光伏發電監測，包括以下步驟：
3、s1、通過測量裝置采集光伏發電系統歷史審核輪轉期中各個節點處的歷史發電數據、電網負荷數據和環境威脅數據；
4、s2、創建發電系統安全監測策略，計算每個歷史審核輪轉期內的發電威脅值；
5、s3、建立發電威脅預測模型，將所述歷史發電數據、電網負荷數據和環境威脅數據作為輸入數據，得到當前審核輪轉期的發電威脅值；
6、s4、將步驟s3和步驟s2中得到的數據進行故障分析，輸出光伏發電設備故障監測結果；
7、s5、設置任務調度算法，根據當前審核輪轉期的發電威脅值輸出生成運維任務單，包括設備維護、清洗、更換任務，并跟蹤任務執行情況。
8、本專利技術進一步改進在于，所述發電數據包括光伏發電設備電流數據和電壓數據；所述電網負荷數據包括發電峰值負荷、平均負荷、運行效率和設備溫度；所述環境威脅數據包括光照強度、環境溫度、環境濕度和風速。
9、本專利技術進一步改進在于，所述發電威脅預測模型的創建過程包括：基于u-net神經網絡模型，將歷史審核輪轉期數n、歷史發電數據、電網負荷數據和環境威脅數據組合為特征向量的形式，將所有特征向量的集合作為發電威脅預測模型的輸入，發電威脅預測模型以每組特征向量預測的發電威脅值作為輸出，以每組特征向量對應的實際的發電威脅值作為預測目標，以最小化所有預測的發電威脅值預測準確度之和作為訓練目標，直至預測準確度之和達到收斂時停止訓練，所述預測準確度通過所述發電威脅預測模型的預測值與實際值的差值的平方得到。
10、本專利技術進一步改進在于，所述發電威脅預測模型還包括將光伏發電系統歷史審核輪轉期內發電威脅值的均值記為威脅閾值，將所述威脅閾值與當前審核輪轉期內的發電威脅值進行比較；當當前審核輪轉期發電威脅值小于威脅閾值時，發出安全信號；當當前審核輪轉期發電威脅值大于或等于威脅閾值時，計算當前審核輪轉期恢復期望值，所述恢復期望值通過計算光伏發電系統歷史審核輪轉期中，發電威脅值大于或等于威脅閾值的次數在歷史審核輪轉期內計算發電威脅值的總次數中的占比得到。
11、本專利技術進一步改進在于，所述發電威脅預測模型還包括：將當前審核輪轉期的發電威脅值和歷史審核輪轉期光伏發電系統發電威脅值序列hpgei，分別作為競拍者和商品，利用任務競價拍賣算法求解得到光伏發電系統故障分析結果；首先將hpgei作為拍賣序列，任務從首輪逐一參與競拍；在每一輪競拍中，當前審核輪轉期發電威脅值對歷史審核輪轉期發電威脅值進行報價，報價結果表現為當前審核輪轉期發電威脅值滿足歷史審核輪轉期發電威脅值的收益與當前審核輪轉期發電威脅值已中標的報價之和的差值；提取當前審核輪轉期發電威脅值中報價結果最高的一項獲得所述hpgei中參與競拍的一項的執行權；當仍存在當前審核輪轉期發電威脅值沒有中標時，按照拍賣順序開始下一輪競拍，直至所有任務均中標時拍賣結束，輸出當前審核輪轉期發電威脅值。
12、本專利技術進一步改進在于，所述發電系統安全監測策略通過將歷史審核輪轉期中各個節點處的歷史發電數據、電網負荷數據和環境威脅數據標準化后加權求和得到發電威脅值。
13、本專利技術進一步改進在于，所述任務調度算法具體步驟包括：
14、s51、將所有發電設備按照當前審核輪轉期發電威脅值從高到低進行排序；設置第一風險閾值和第二風險閾值，將發電威脅值大于第二風險閾值的發電設備列為高風險設備，將大于或等于第一風險閾值且小于或等于第二風險閾值的發電設備列為中風險設備，將發電威脅值小于第一風險閾值的發電設備列為低風險設備；
15、s52、為不同風險等級創建不同的任務類型列表；
16、s53、設置初始退火參數，包括初始溫度、溫度下降率和終止溫度；
17、s54、隨機本文檔來自技高網...
【技術保護點】
1.一種AI驅動的大數據智能光伏發電監測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種AI驅動的大數據智能光伏發電監測方法，其特征在于：所述發電數據包括光伏發電設備電流數據和電壓數據；所述電網負荷數據包括發電峰值負荷、平均負荷、運行效率和設備溫度；所述環境威脅數據包括光照強度、環境溫度、環境濕度和風速。
3.根據權利要求2所述的一種AI驅動的大數據智能光伏發電監測方法，其特征在于：所述發電威脅預測模型的創建過程包括：基于U-NET神經網絡模型，將歷史審核輪轉期數n、歷史發電數據、電網負荷數據和環境威脅數據組合為特征向量的形式，將所有特征向量的集合作為發電威脅預測模型的輸入，發電威脅預測模型以每組特征向量預測的發電威脅值作為輸出，以每組特征向量對應的實際的發電威脅值作為預測目標，以最小化所有預測的發電威脅值預測準確度之和作為訓練目標，直至預測準確度之和達到收斂時停止訓練，所述預測準確度通過所述發電威脅預測模型的預測值與實際值的差值的平方得到。
4.根據權利要求3所述的一種AI驅動的大數據智能光伏發電監測方法，其特征在于：所述發電威
5.根據權利要求4所述的一種AI驅動的大數據智能光伏發電監測方法，其特征在于：所述發電威脅預測模型還包括：將當前審核輪轉期的發電威脅值和歷史審核輪轉期光伏發電系統發電威脅值序列Hpgei，分別作為競拍者和商品，利用任務競價拍賣算法求解得到光伏發電系統故障分析結果；首先將Hpgei作為拍賣序列，任務從首輪逐一參與競拍；在每一輪競拍中，當前審核輪轉期發電威脅值對歷史審核輪轉期發電威脅值進行報價，報價結果表現為當前審核輪轉期發電威脅值滿足歷史審核輪轉期發電威脅值的收益與當前審核輪轉期發電威脅值已中標的報價之和的差值；提取當前審核輪轉期發電威脅值中報價結果最高的一項獲得所述Hpgei中參與競拍的一項的執行權；當仍存在當前審核輪轉期發電威脅值沒有中標時，按照拍賣順序開始下一輪競拍，直至所有任務均中標時拍賣結束，輸出當前審核輪轉期發電威脅值。
6.根據權利要求5所述的一種AI驅動的大數據智能光伏發電監測方法，其特征在于：所述發電系統安全監測策略通過將歷史審核輪轉期中各個節點處的歷史發電數據、電網負荷數據和環境威脅數據標準化后加權求和得到發電威脅值。
7.根據權利要求6所述的一種AI驅動的大數據智能光伏發電監測方法，其特征在于：所述任務調度算法具體步驟包括：
8.一種AI驅動的大數據智能光伏發電監測系統，用于執行如權利要求1-7任意一項所述的一種AI驅動的大數據智能光伏發電監測方法，其特征在于：包括：
9.根據權利要求8所述的一種AI驅動的大數據智能光伏發電監測系統，其特征在于：所述發電安全威脅計算模塊包括恢復期望計算單元和發電威脅輸出單元，所述恢復期望計算單元用于計算當前審核輪轉期恢復期望值；所述發電威脅輸出單元用于利用任務競價拍賣算法求解得到光伏發電系統故障分析結果，輸出當前審核輪轉期發電威脅值。
...【技術特征摘要】
1.一種ai驅動的大數據智能光伏發電監測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種ai驅動的大數據智能光伏發電監測方法，其特征在于：所述發電數據包括光伏發電設備電流數據和電壓數據；所述電網負荷數據包括發電峰值負荷、平均負荷、運行效率和設備溫度；所述環境威脅數據包括光照強度、環境溫度、環境濕度和風速。
3.根據權利要求2所述的一種ai驅動的大數據智能光伏發電監測方法，其特征在于：所述發電威脅預測模型的創建過程包括：基于u-net神經網絡模型，將歷史審核輪轉期數n、歷史發電數據、電網負荷數據和環境威脅數據組合為特征向量的形式，將所有特征向量的集合作為發電威脅預測模型的輸入，發電威脅預測模型以每組特征向量預測的發電威脅值作為輸出，以每組特征向量對應的實際的發電威脅值作為預測目標，以最小化所有預測的發電威脅值預測準確度之和作為訓練目標，直至預測準確度之和達到收斂時停止訓練，所述預測準確度通過所述發電威脅預測模型的預測值與實際值的差值的平方得到。
4.根據權利要求3所述的一種ai驅動的大數據智能光伏發電監測方法，其特征在于：所述發電威脅預測模型還包括將光伏發電系統歷史審核輪轉期內發電威脅值的均值記為威脅閾值，將所述威脅閾值與當前審核輪轉期內的發電威脅值進行比較；當當前審核輪轉期發電威脅值小于威脅閾值時，發出安全信號；當當前審核輪轉期發電威脅值大于或等于威脅閾值時，計算當前審核輪轉期恢復期望值，所述恢復期望值通過計算光伏發電系統歷史審核輪轉期中，發電威脅值大于或等于威脅閾值的次數在歷史審核輪轉期內計算發電威脅值的總次數中的占比得到。
5.根據權利要求4所述的一種ai驅動的大數據智能光伏發電監測方法，其特征在...
【專利技術屬性】
技術研發人員：黃出為，劉庭波，
申請(專利權)人：貴州迦太利華信息科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。