一种基于大数据的光伏电站的智能运维方法及运维系统

摘要

本发明公开了一种基于大数据的光伏电站的智能运维方法，包括以下步骤：S1：获取预设范围内的所有光伏电站各个维度的数据；S2：将S1中各个维度的数据进行分割重组，使数据粒度变小，对数据进行升维操作；S3：对升维后的数据遍历做关联分析，计算相关性；S4：提取S3中相关性系数不小于0.6的数据集；S5：构建人工神经网络模型；S6：以S4的数据集为基础，采用S5中的人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测；S7：根据S6的预测结果和预设范围内的光伏电站的运行状态，生成运维建议。本发明基于大数据分析，获得光伏电站的运行规律，能够准确预测未来时间段内所有光伏电站的运行状态。

说明书

技术领域

本发明涉及光伏电站运维管理技术领域，更具体的说是涉及一种基于大数据的光伏电站的智能运维方法及运维系统。

背景技术

光伏电站具有占地面广、数据量大和运维复杂的特点，其在日常运行过程中，会产生海量的运行状态数据。如何从海量的数据中发现设备运行规律，并准确对设备发电量进行预测，对可能产生的故障进行预警，对光伏电站的运行有着极其重要的意义。

目前公开的光伏电站的运维仅是将数据进行采集，对光伏电站进行设备监控、视频监控、环境监控、故障预警等，无法对各光伏电站在未来时间段内的运行状态做出预测。

因此，如何提供一种基于大数据的，能够准确预测光伏电站的运行状态，并能提高运维效率和管理水平的光伏电站的智能运维方法及运维系统是本领域技术人员亟需解决的技术问题。

发明内容

有鉴于此，本发明提供了一种基于大数据的光伏电站的智能运维方法及运维系统，其通过采集各光伏电站各维度的相关数据，并对数据进行分析，找到其运行规律，从而准确对光伏电站的运行状态做出预测，并生成运维协议，对光伏电站的运行有着极其重要的指导意义。

为了实现上述目的，本发明采用如下技术方案：

一种基于大数据的光伏电站的智能运维方法，包括以下步骤：

S1：获取预设范围内的所有光伏电站各个维度的数据；

S2：将S1中各个维度的数据进行分割重组，使数据粒度变小，对数据进行升维操作；

S3：对升维后的数据遍历做关联分析，计算相关性；

S4：提取S3中相关性系数不小于0.6的数据集；

S5：构建人工神经网络模型；

S6：以S4的数据集为基础，采用S5中的人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测；

S7：根据S6的预测结果和预设范围内的光伏电站的运行状态，生成运维建议。

经由上述的技术方案可知，与现有技术相比，本发明通过采集预设范围内的所有光伏电站各维度的数据，并对其进行分割重组、计算相关性后再加工处理，深度挖掘光伏大数据与光伏电站运维管理的相关性，从而提高了光伏电站运维平台的智能性，降低了运维成本，提高了运维效率和管理水平，对光伏电站的运维管理具有极佳的指导意义。

优选的，在上述一种基于大数据的光伏电站的智能运维方法中，步骤S1中的预设范围为市级范围、省级范围或全国范围。

优选的，在上述一种基于大数据的光伏电站的智能运维方法中，步骤S1中，所述光伏电站的各个维度至少包括：光伏电站的自身运行状态维度、气象参数维度、辐射数据维度、故障工单信息维度、光伏电站的资产管理数据库中的设备及成本信息维度、维修人员的分布情况维度和用户的购电协议维度。

优选的，在上述一种基于大数据的光伏电站的智能运维方法中，所述光伏电站的自身运行状态维度的数据集至少由光伏电池背板温度、组成的光伏阵列的电压和电流、光伏电站现场温度、转换效率、汇流箱的电压值和电流值、功率值和当前发电量组成；

所述气象参数维度的数据集至少由所述光伏电站所处地域的环境温度、湿度、风向和风速组成；

所述辐射数据维度的数据集至少由太阳能辐照度、地面气压、海拔高度、空气中的PM2.5浓度组成；

所述故障工单信息维度的数据集至少由故障工单的时间、工时数、目的地、路径长度、开始时间、结束时间和用工数量；

所述光伏电站的资产管理数据库中的设备及成本信息维度的数据集至少由设备名称、设备的重量、设备的长宽高、设备的资产原值和设备现净值组成；

所述维修人员的分布情况维度的数据集至少由人员数量、所属地区、人均负荷、开始时间、结束时间、已完成工时数和预计尚需工时数组成；

所述用户的购电协议维度的数据集至少由上网电价、合约电量、已经交易电量、未交易电量、高峰用电时段、低谷用电时段和已发生故障次数组成。

优选的，在上述一种基于大数据的光伏电站的智能运维方法中，将所述光伏电站的各个维度的数据集划分成多个不相交的子集，再进行相互组合，将相互组合后的数据集进行升维，生成多个升维后的数据集。

优选的，在上述一种基于大数据的光伏电站的智能运维方法中，对升维后的数据集做关联分析，并计算其相关性；相关性的计算公式如下所示：

其中，X、Y为任意两个升维后的数据集，ρ_X，Y为X、Y两个数据集的相关性，分别是X、Y在扣除最大值和最小值后的均值。

优选的，在上述一种基于大数据的光伏电站的智能运维方法中，步骤S6中的所述神经网络模型根据不同的运维内容方向做不同的预测，所述不同的运维内容至少包括：光伏电站的运行效率、故障发生时间、人员准备数量、局部发电量预测、整体发电量预测、局部光伏发电消纳、预期收益和电站消耗。

优选的，在上述一种基于大数据的光伏电站的智能运维方法中，步骤S7包括：

S71：构建运维建议知识库；

S72：获取预设范围内的所有光伏电站的当前运行状态；

S73：根据步骤S6的预测结果，并结合S72中预设范围内的所有光伏电站的当前运行状态，从所述运维建议知识库中查找、匹配生成运维建议。

本发明还提供一种基于大数据的光伏电站的智能运维系统，包括：

数据获取单元，所述数据获取单元用于获取预设范围内的所有光伏电站各个维度的数据；

升维单元，所述升维单元用于将预设范围内的所有光伏电站各个维度的数据进行分割重组并进行升维；

相关性计算单元，所述相关性计算单元用于对升维后的数据遍历做关联分析，并进行相关性计算；

提取单元，所述提取单元用于提取相关性系数不小于0.6的数据集；

人工神经网络单元，所述工神经网络单元用于训练并生成人工神经网络模型；

预测单元，所述预测单元用于根据相关性系数不小于0.6的数据集和人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测，并生成预测结果；

结果生成单元，所述结果生成单元用于根据所述预测结果和预设范围内的光伏电站的运行状态，生成运维建议。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的一种基于大数据的光伏电站的智能运维方法的流程图；

图2附图为本发明对光伏电站的各维度数据的处理过程流程图；

图3附图为本发明提供的一种基于大数据的光伏电站的智能运维系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-图2所示，本发明实施例公开了一种基于大数据的光伏电站的智能运维方法，包括以下步骤：

S1：获取预设范围内的所有光伏电站各个维度的数据；

S2：将S1中各个维度的数据进行分割重组，使数据粒度变小，对数据进行升维操作；

S3：对升维后的数据遍历做关联分析，计算相关性；

S4：提取S3中相关性系数不小于0.6的数据集；

S5：构建人工神经网络模型；

S6：以S4的数据集为基础，采用S5中的人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测；

S7：根据S6的预测结果和预设范围内的光伏电站的运行状态，生成运维建议。

具体的，步骤S1中的预设范围为市级范围、省级范围或全国范围。

步骤S1中，光伏电站的各个维度至少包括包括：光伏电站的自身运行状态维度、气象参数维度、辐射数据维度、故障工单信息维度、光伏电站的资产管理数据库中的设备及成本信息维度、维修人员的分布情况维度和用户的购电协议维度。

光伏电站的自身运行状态维度的数据集A₁至少由光伏电池背板温度、组成的光伏阵列的电压和电流、光伏电站现场温度、转换效率、汇流箱的电压值和电流值、功率值和当前发电量组成；

气象参数维度的数据集B₁至少由光伏电站所处地域的环境温度、湿度、风向和风速组成；

辐射数据维度的数据集C₁至少由太阳能辐照度、地面气压、海拔高度、空气中的PM2.5浓度组成；

故障工单信息维度的数据集D₁至少由故障工单的时间、工时数、目的地、路径长度、开始时间、结束时间和用工数量；

光伏电站的资产管理数据库中的设备及成本信息维度的数据集E₁至少由设备名称、设备的重量、设备的长宽高、设备的资产原值和设备现净值组成；

维修人员的分布情况维度的数据集F₁至少由人员数量、所属地区、人均负荷、开始时间、结束时间、已完成工时数和预计尚需工时数组成；

用户的购电协议维度的数据集G₁至少由上网电价、合约电量、已经交易电量、未交易电量、高峰用电时段、低谷用电时段和已发生故障次数组成。

设定数据集A₁包括n_a个子向量，分别表示A₁的子向量。

数据集B₁包括n_b个子向量，分别表示B₁的子向量。

数据集C₁包括n_c个子向量，分别表示C₁的子向量。

数据集D₁包括n_d个子向量，分别表示D₁的子向量。

数据集E₁包括n_e个子向量，分别表示E₁的子向量。

数据集F₁包括n_f个子向量，分别表示F₁的子向量。

数据集G₁包括n_g个子向量，分别表示G₁的子向量。

则以上各维度的数据组成如下：

本实施例中，n_a等于7，a₁表示光伏电池背板温度、a₂表示组成的光伏阵列的电压和电流、a₃表示光伏电站现场温度、a₄表示转换效率、a₅表示汇流箱的电压值和电流值、a₆表示功率值，a₇表示当前发电量。

n_b等于4，b₁表示光伏电站所处地域的环境温度，b₂表示湿度，b₃表示风向，b₄表示风速。

n_c等于4，c₁表示太阳能辐照度、c₂表示地面气压、c₃表示海拔高度、c₄表示空气中的PM2.5浓度。

n_d等于7，d₁表示故障工单的时间、d₂表示工时数、d₃表示目的地、d₄表示路径长度、d₅表示开始时间、d₆表示结束时间、d₇表示用工数量.

n_e等于5，e₁表示设备名称、e₂表示设备的重量、e₃表示设备的长宽高、e₄表示设备的资产原值、e₅表示设备现净值.

n_f等于7，f₁表示人员数量、f₂表示所属地区、f₃表示人均负荷、f₄表示开始时间、f₅表示结束时间、f₆表示已完成工时数、f₇表示预计尚需工时数。

n_g等于7，g₁表示上网电价、g₂表示合约电量、g₃表示已经交易电量、g₄表示未交易电量、g₅表示高峰用电时段、g₆表示低谷用电时段、g₇表示已发生故障次数。

将预设范围内的所有光伏电站的各个维度的数据集进行分割重组，分割重组的规则是：数据内容需要有相关性且数据集不相交。进行数据集的重新划分和组合后，所得的新的数据集的数量可能比之前少，也可能比之前多。新数据集与旧数据集相比，数据集的向量数据具有更多的在不同维度上的关联性。

比如：将A₁和C₁中的数据进行重新组合，得到新的数据集A₂，数据集A₂表示考虑了地面气压、海拔高度、空气质量的PM2.5浓度的光伏电站的自身运行状态维度的数据，即光伏电站的地面气压、海拔高度、空气质量的PM2.5浓度、光伏电池背板温度、组成的光伏阵列的电压和电流、光伏电站现场温度、转换效率、汇流箱电压值和电流值、功率值和当前发电量。

经过重新划分，升维后的数据集如下所示：

......

将升维后的数据集做遍历关联分析，即对升维后的数据集{A₂，B₂......X₂}做关联分析，计算相关性，相关性的计算公式如下所示：

其中，X、Y为数据集{A₂，B₂......X₂}的任意两个子集，ρ_X，Y为X、Y两个子集的相关性，分别是X、Y在扣除最大值和最小值后的均值。

具体的，步骤S6中的神经网络模型根据不同的运维内容方向做不同的预测，不同的运维内容至少包括：光伏电站的运行效率、故障发生时间、人员准备数量、局部发电量预测、整体发电量预测、局部光伏发电消纳、预期收益和电站消耗。

具体的，步骤S7包括：

S71：构建运维建议知识库；

S72：获取预设范围内的所有光伏电站的当前运行状态；

S73：根据步骤S6的预测结果，并结合S72中预设范围内的所有光伏电站的当前运行状态，从运维建议知识库中查找、匹配生成运维建议。

如图3所示，本发明实施例还公开一种基于大数据的光伏电站的智能运维系统，包括：

数据获取单元1，数据获取单元1用于获取预设范围内的所有光伏电站各个维度的数据；

升维单元2，升维单元2用于将预设范围内的所有光伏电站各个维度的数据进行分割重组并进行升维；

相关性计算单元3，相关性计算单元3用于对升维后的数据遍历做关联分析，并进行相关性计算；

提取单元4，提取单元4用于提取相关性系数不小于0.6的数据集；

人工神经网络单元5，工神经网络单元5用于训练并生成人工神经网络模型；

预测单元6，预测单元6用于根据相关性系数不小于0.6的数据集和人工神经网络模型对预设范围内的光伏电站在未来时间段内的运维状态做出预测，并生成预测结果；

结果生成单元7，结果生成单元7用于根据预测结果和预设范围内的光伏电站的运行状态，生成运维建议。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。