一种基于深度学习的超高海拔光储电站智能状态监测方法技术

本发明专利技术公开了一种基于深度学习的超高海拔光储电站智能状态监测方法，通过采集不同类型的光储电站多源异构运行数据，并进行数据预处理，然后将处理好的数据输入至搭建好的基于深度学习的状态监测子模型中，并对该模型进行训练与参数更新，从而得到快速、准确地检测出光储电站运行状态的状态监测子模型，进而用于光储电站光伏组件故障识别、角度监测、人员行为与动物检测等，不仅可以实现对光储电站的故障预警，防止因故障造成光储电站发生严重事故，还可以降低光储电站的维护费用，克服了高海拔、低气温等恶劣环境因素，极大地降低了传统光伏电厂巡检巨大的人力物力开支，满足了光伏电厂实际应用中的非现场监管的需求。伏电厂实际应用中的非现场监管的需求。

【技术实现步骤摘要】
一种基于深度学习的超高海拔光储电站智能状态监测方法


[0001]本专利技术属于超高海拔光储电站运行状态智能监测
，更为具体地讲，涉及一种基于深度学习的超高海拔光储电站智能状态监测方法。

技术介绍

[0002]近年来随着经济的快速发展，我国开始实施“双碳”政策，逐步减少对传统化石能源的依赖，加快新能源发展。太阳能作为新能源之一，以其清洁、可再生等优势得到了快速的开发与利用。随着光伏发电技术的快速提升与光伏电池板成本的逐渐降低，光储电站建设规模显著扩大。由于光储电站通常建立在比较偏远恶劣的环境中，光储电站的绝大多数工作部件如电池板、逆变器等工作在室外环境中，需要承受着雨雪和低温等恶劣环境的侵蚀，会导致光储电站工作特性恶化，甚至导致光储电站故障频发，影响光伏发电的经济效益。
[0003]为了保证光储电站设备的正常运行，光储电站需要安排人员定期对电站设备进行巡检，对于某些重点设备甚至要进行一天多次巡检。随着光储电站规模不断增大，光储电站的运维成本显著增加，传统定期的人工维护已经不能满足快速发展的光储电站。
[0004]随着深度学习的发展迅速，在许多领域都取得了出色的成果，目标检测作为深度学习一项关键的任务，已经在巡检、安防、医学、交通等众多领域取得了不错的进展。为了降低运维成本，提高故障识别率，将深度学习目标检测算法应用到光储电站设备智能巡检、环境、人员智能监测方面，建立满足光储电站智能巡检需求场景的多目标检测模型，不仅可以实现对光储电站的故障预警，防止因故障造成光储电站发生严重事故，还可以降低光储电站的维护费用。此外，先进目标检测算法的应用，对光储电站智能化发展以及安全性、经济性的提升都具有重要意义，不仅能够提高光储电站运维智能化水平，同时也能进一步加快新能源发展的脚步。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种基于深度学习的超高海拔光储电站智能状态监测方法，通过建立满足光储电站智能巡检需求场景的多目标检测模型，以先进的人工智能算法完成光伏组件故障识别以及人员行为异常、动物检测，以判断其是否正常，不仅可以实现对光储电站的故障预警，防止因故障造成光储电站发生严重事故，还可以降低光储电站的维护费用，克服了高海拔、低气温等恶劣环境因素，极大地降低了传统光伏电厂巡检巨大的人力物力开支，满足了光伏实际应用中的非现场监管的需求。
[0006]为实现上述专利技术目的，本专利技术基于深度学习的超高海拔光储电站智能状态监测方法，其特征在于，包括以下步骤：
[0007](1)、多源异构数据的采集
[0008]通过传感器实时采集光储电站电压、电流数据，采集光伏板安装倾斜角度数据，采集光储电站室内温度、湿度数据，通过无人机拍摄、高清摄像头、红外摄像头实时采集光储
电站图像数据以及视频信号，采集到的多源异构数据用于光储电站智能状态监测模型的训练；
[0009](2)、多源异构数据的预处理
[0010](2.1)、将不同状态下的光储电站运行数据加上对应的标签：对于电压电流数据正常标记为0，异常状态标记为1，倾斜角度数据正常标记为0，异常标记为1，温度、湿度数据正常标记为0，异常状态标记为1，光储电站图像正常标记为0，异常状态标记为1，光储电站视频信号正常为1，异常状态标记为1，光储电站图像异常为光伏组件故障，光储电站视频信号异常为人员行为异常或检测到动物；
[0011](2.2)、将添加标签后的传感器数据随机划分成N个等长度的子序列数据集，将子序列数据集按比例划分为训练集和测试集，用于对应的状态监测子模型的训练和测试，将添加标签后的图像数据集以及视频信号数据集同样按比例划分为训练集和测试集，用于对应的状态监测子模型的训练和测试；
[0012](3)、按需求搭建电压电流状态监测子模型、倾斜角度状态监测子模型、温度、湿度数据状态监测子模型、光储电站图像状态监测子模型以及光储电站视频信号状态监测子模型，每个状态监测子模型均为卷积神经网络，对于每个状态监测子模型用对应的进行训练集进行训练：
[0013](3.1)、设置卷积神经网络的学习率α，设置总的迭代次数T；
[0014](3.2)、训练集中随机选取一批数据，输入到状态监测子模型中进行训练，状态监测子模型利用一个三层卷积神经网络(CNN)提取数据的隐藏特征，提取公式为：
[0015]X
i+1
＝ReLU(W
i
X
i
+b
i
)
[0016]其中，X
i+1
是数据经过第i层CNN处理以后的输出，X1为输入数据，ReLU()表示激活函数，W
i
表示第i层CNN的权重矩阵，b
i
为第i层CNN的偏置向量；
[0017](3.3)、将CNN提取的隐藏特征输入至全连接层进行数据降维处理，便于监测模型最后的分类，其公式为：
[0018]f
dense
＝ReLU(dense(X
i+1
))
[0019]其中，dense()是基于tensorflow的tf.layers.dense()函数；
[0020](3.4)、CNN提取的数据特征通过全连接层的降维处理以后，根据全连接层的输出f
dense
计算优化状态监测子模型的交叉熵损失函数：
[0021]f(y,p)＝
‑
(ylog(p)+(1
‑
y)log(1
‑
p))
[0022]其中，p表示当前属于所对应的标签是y的概率；
[0023](3.5)、当前回合的损失函数值f(y,p)与前一回合的损失函数值进行比较，如果当前回合的损失函数值小于前一回合，则利用梯度下降法直接优化CNN的权重及偏置：
[0024][0025][0026]其中E表示误差，若当前回合的损失函数值大于前一回合，则利用AdamOptimizer优化器优化CNN的权重及偏置，AdamOptimizer优化器优化的具体公式为：
[0027][0028][0029][0030]其中，为损失函数的梯度，m
t
为指数移动均值，h
t
为平方梯度，β1、β2为常数，β1、β2∈[0,1]；ε为常数，默认为1e
‑
8，θ
t
表示更新后的模型参数，包括CNN更新后的权重及偏置；
[0031](3.6)、判断当前训练迭代回合次数是否达到最大迭代次数T，如果满足，则迭代停止，将本次更新后的权重及偏置作为CNN的参数，然后进入步骤(4)；否则，将当前迭代次数自加1，再返回步骤(3.2)，继续在训练集选取下一批数据进行训练；
[0032](4)、使用对应的测试集的数据对步骤(3)训练完成的各个状态监测子模型进行评估，如果达到设定的准确度，则进入步骤(5)，否则，返回步骤(3.2)继续进行训练；
[0033](5)、实时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的超高海拔光储电站智能状态监测方法，其特征在于，包括以下步骤：(1)、多源异构数据的采集通过传感器实时采集光储电站电压、电流数据，采集光伏板安装倾斜角度数据，采集光储电站室内温度、湿度数据，通过无人机拍摄、高清摄像头、红外摄像头实时采集光储电站图像数据以及视频信号，采集到的多源异构数据用于光储电站智能状态监测模型的训练；(2)、多源异构数据的预处理(2.1)、将不同状态下的光储电站运行数据加上对应的标签：对于电压电流数据正常标记为0，异常状态标记为1，倾斜角度数据正常标记为0，异常标记为1，温度、湿度数据正常标记为0，异常状态标记为1，光储电站图像正常标记为0，异常状态标记为1，光储电站视频信号正常为1，异常状态标记为1，光储电站图像异常为光伏组件故障，光储电站视频信号异常为人员行为异常或检测到动物；(2.2)、将添加标签后的传感器数据随机划分成N个等长度的子序列数据集，将子序列数据集按比例划分为训练集和测试集，用于对应的状态监测子模型的训练和测试，将添加标签后的图像数据集以及视频信号数据集同样按比例划分为训练集和测试集，用于对应的状态监测子模型的训练和测试；(3)、按需求搭建电压电流状态监测子模型、倾斜角度状态监测子模型、温度、湿度数据状态监测子模型、光储电站图像状态监测子模型以及光储电站视频信号状态监测子模型，每个状态监测子模型均为卷积神经网络，对于每个状态监测子模型用对应的进行训练集进行训练：(3.1)、设置卷积神经网络的学习率α，设置总的迭代次数T；(3.2)、训练集中随机选取一批数据，输入到状态监测子模型中进行训练，状态监测子模型利用一个三层卷积神经网络(CNN)提取数据的隐藏特征，提取公式为：X
i+1
＝ReLU(W
i
X
i
+b
i
)其中，X
i+1
是数据经过第i层CNN处理以后的输出，X1为输入数据，ReLU( )表示激活函数，W
i
表示第i层CNN的权重矩阵，b
i
为第i层CNN的偏置向量；(3.3)、将CNN提取的隐藏特征输入至全连接层进行数据降维处理，便于监测模型最后的分类，其公式为：f
dense
＝ReLU(dense(X
i+1
))其中，dense()是基于tensorflow的tf.laye...

【专利技术属性】
技术研发人员：胡维昊，元一平，陈健军，罗仕华，周庆葭，唐明，赵雪锋，熊昌全，吴穹，魏震波，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：