System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及光伏发电,具体来说,涉及一种基于统计特征的光伏组件异常识别方法及系统。
技术介绍
1、能源是推动世界经济发展和提升生产技术的核心动力,也是人类生存不可或缺的根本来源。随着全球经济的迅速增长,对能源的需求也不断增加。然而,目前许多国家仍然依赖于传统能源如石油和煤炭等,这种能源消费结构存在诸多问题。传统能源不仅储量有限且日益减少,还伴随着环境污染,导致全球温室效应加剧,破坏生态平衡。因此,人们开始将能源开发的重心逐渐转向新型能源,也被称为可再生能源,如太阳能、风能、生物能和地热能等。在这些可再生能源中,太阳能因其普遍性、清洁性、丰富储备和持续性等优势,受到了广泛关注和利用;目前,光伏发电是主要利用太阳能的方式之一,具备诸多优势,如安全可靠、无噪音、绝对环保以及不受地形限制。
2、在光伏电站的运行过程中,系统必须采集光伏电站各个关键组件的运行参数,以监控并记录电站的运行状态。这一步是确保光伏电站正常运行的不可或缺的环节。保持光伏组件高效稳定地工作是实现光伏电站平稳运行的基础,然而,光伏组件在运行过程中难以避免地会受到外界因素和自身因素的影响,从而可能出现组件故障。在光伏电站的运行中,对光伏组件的异常进行准确识别是确保电站稳定运行的关键之一。
3、目前,在光伏组件的异常识别过程中需要通过监测数据来判断光伏组件是否出现异常状态,但是,当出现人为操作或其他干扰因素可能会导致异常数据的出现,这可能会使得系统在判断光伏组件是否真的发生故障时陷入困境,从而会使得光伏组件异常识别过程中会面临异常数据真假区分的问
4、针对相关技术中的问题,目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题,本专利技术提出一种基于统计特征的光伏组件异常识别方法及系统,以克服现有相关技术所存在的上述技术问题。
2、为此,本专利技术采用的具体技术方案如下:
3、根据本专利技术的一方面,提供了一种基于统计特征的光伏组件异常识别方法,该方法包括以下步骤:
4、s1、收集光伏组件的历史监测序列数据,包括电流、电压、温度及功率;
5、s2、对收集的历史监测序列数据进行预处理,并对预处理后的历史监测序列数据提取统计特征;
6、s3、利用格拉姆角场变换法将得到的统计特征数据转换为三维的图像样本,并构建光伏组件状态图像数据集;
7、s4、基于光伏组件状态图像数据集并利用卷积神经网络构建光伏组件异常识别模型;
8、s5、获取新的光伏组件数据并输入至所述异常值识别模型中,判断是否存在异常;
9、s6、若识别出异常数据,则基于层次聚类算法对识别出的异常数据进行真假区分。
10、作为优选的实施方式,所述对收集的历史监测序列数据进行预处理,并对预处理后的历史监测序列数据提取统计特征包括以下步骤:
11、s21、对收集的历史监测序列数据进行数据清洗、数据去噪及数据平滑处理,得到标准化数据;
12、s22、利用经验小波变换法对得到标准化数据进行分解,得到若干经验小波函数分量;
13、s23、对每个经验小波函数分量,计算其对应的小波系数;
14、s24、对每个小波系数提取统计特征,所述统计特征包括均值、标准差、最大值及最小值。
15、作为优选的实施方式,所述利用格拉姆角场变换法将得到的统计特征数据转换为三维的图像样本,并构建光伏组件状态图像数据集包括以下步骤:
16、s31、利用最大最小归一化方法将提取的统计特征数据归一化处理,得到归一化数据;
17、s32、将得到的归一化数据的值编码为余弦角,并将余弦角转化到极坐标中表示;
18、s33、将极坐标中的数据转换为格拉姆求和角场,并构建格拉姆矩阵;
19、s34、将构建的格拉姆矩阵映射至[0,255]的像素值区间,并复制到rgb三通道,生成三维图像样本;
20、s35、通过数据增强的方法对三维图像样本进行数据扩充,并基于扩充的数据构建光伏组件状态图像数据集。
21、作为优选的实施方式,所述通过数据增强的方法对三维图像样本进行数据扩充,并基于扩充的数据构建光伏组件状态图像数据集包括以下步骤:
22、s351、通过线性变换法对三维图像样本的曝光度进行调整;
23、s352、向调整后的三维图像样本中添加椒盐噪声和高斯噪声;
24、s353、利用高斯模糊方法对添加噪声后的三维图像样本进行图像模糊处理;
25、s354、对模糊处理后的三维图像样本进行随机旋转和缩放以及随机裁剪处理,得到不同部分的图像样本;
26、s356、将得到的不同部分图像样本保存为新的图像数据集并作为光伏组件状态图像数据集。
27、作为优选的实施方式,所述将构建的格拉姆矩阵映射至[0,255]的像素值区间,并复制到rgb三通道,生成三维图像样本的技术公式为:
28、
29、式中,r(m,n),g(m,n),b(m,n)分别表示图像三基色通道在格拉姆矩阵中位于数据点(m,n)处的数值;
30、gasfmax表示格拉姆矩阵中的最大值;
31、gasfmin表示格拉姆矩阵中的最小值;
32、gasf(m,n)表示格拉姆矩阵中位于数据点(m,n)处的值。
33、作为优选的实施方式,所述基于光伏组件状态图像数据集并利用卷积神经网络构建光伏组件异常识别模型包括以下步骤:
34、s41、将得到的光伏组件状态图像数据集划分为训练集和测试集;
35、s42、选用vgg_19卷积神经网络作为基础模型,并将其全连接层替换为ninnet模型的全局平均池化层,得到nin_vgg模型;
36、s43、利用划分后的训练集对nin_vgg模型进行训练;
37、s44、通过结构化剪枝方法对训练后的nin_vgg模型进行结构化剪枝和调整,得到光伏组件异常识别模型;
38、s45、利用划分后的测试集对得到的光伏组件异常识别模型进行测试优化。
39、作为优选的实施方式,所述通过结构化剪枝方法对训练后的nin_vgg模型进行结构化剪枝和调整,得到光伏组件异常识别模型包括以下步骤:
40、s441、根据nin_vgg模型中所有卷积层的权重,并计算每个权值的绝对值;
41、s442、将计算得到的权重绝对值进行排序,并根据预设的剪枝率,选取对应位置的权重作为阈值;
42、s443、根据选取的阈值对训练后的nin_vgg模型进行结构化剪枝和调整处理,并将处理后的模型作为光伏组件异常识别模型。
43、作为优选的实施方式,所述若识别出异常数据,则基于层次聚类算法对识别出的异常数据进行真假区分包括以下步骤:
44、s61、根据所述异常值识别模型识别出的异常数据进行特征本文档来自技高网...
【技术保护点】
1.一种基于统计特征的光伏组件异常识别方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述对收集的历史监测序列数据进行预处理,并对预处理后的历史监测序列数据提取统计特征包括以下步骤:
3.根据权利要求1所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述利用格拉姆角场变换法将得到的统计特征数据转换为三维的图像样本,并构建光伏组件状态图像数据集包括以下步骤:
4.根据权利要求3所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述通过数据增强的方法对三维图像样本进行数据扩充,并基于扩充的数据构建光伏组件状态图像数据集包括以下步骤:
5.根据权利要求3所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述将构建的格拉姆矩阵映射至[0,255]的像素值区间,并复制到RGB三通道,生成三维图像样本的技术公式为:
6.根据权利要求1所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述基于光伏组件状态图像数据集并利用卷积神经网络构
7.根据权利要求6所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述通过结构化剪枝方法对训练后的NiN_VGG模型进行结构化剪枝和调整,得到光伏组件异常识别模型包括以下步骤:
8.根据权利要求1所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述若识别出异常数据,则基于层次聚类算法对识别出的异常数据进行真假区分包括以下步骤:
9.根据权利要求8所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述利用层次聚类算法对构建的距离矩阵进行聚类处理包括以下步骤:
10.一种基于统计特征的光伏组件异常识别系统,用于实现权利要求1-9中任一项所述的基于统计特征的光伏组件异常识别方法,其特征在于,该系统包括:数据收集模块、数据预处理模块、数据转换模块、模型构建模块、异常识别模块及异常数据区分模块,且所述数据收集模块、所述数据预处理模块、所述数据转换模块、所述模型构建模块、所述异常识别模块及所述异常数据区分模块之间依次连接;
...【技术特征摘要】
1.一种基于统计特征的光伏组件异常识别方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述对收集的历史监测序列数据进行预处理,并对预处理后的历史监测序列数据提取统计特征包括以下步骤:
3.根据权利要求1所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述利用格拉姆角场变换法将得到的统计特征数据转换为三维的图像样本,并构建光伏组件状态图像数据集包括以下步骤:
4.根据权利要求3所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述通过数据增强的方法对三维图像样本进行数据扩充,并基于扩充的数据构建光伏组件状态图像数据集包括以下步骤:
5.根据权利要求3所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述将构建的格拉姆矩阵映射至[0,255]的像素值区间,并复制到rgb三通道,生成三维图像样本的技术公式为:
6.根据权利要求1所述的一种基于统计特征的光伏组件异常识别方法,其特征在于,所述基于光伏组件状态图...
【专利技术属性】
技术研发人员:黄鑫鑫,
申请(专利权)人:江苏鑫业智慧技术有限公司,
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。