一种分布式光伏运维指数表征方法及系统与流程

本发明属于光伏智能运维领域，具体地而言为一种分布式光伏运维指数表征方法及系统。

背景技术：

1、分布式光伏数量庞大、分散接入、输出功率随机波动等特征将对电网的运行、管理带来新的挑战。分布式光伏接入中低压电网，接入点分散、无专用通信网络，全面监控分布式光伏经济性差、信息安全性低，分布式光伏电站的实际运行状态缺乏监测和分析，分布式光伏电站的运维大量缺失，其主要原因是分布式光伏电站单体容量小、广域空间内高度分散分布、运行环境各异、无法匹配专业的运维技术人员等，因而导致分布式电站的效率、效益和安全面临挑战。

2、目前在光伏运维技术领域，有通过机器学习等方法，基于历史数据的挖掘和学习来支撑运维决策、运维管理。其原理是通过统计的方法，在历史数据中寻找规律，例如通过数据分析的方法，发现光伏电站、组件发电能力不足，进一步通过机器学习的方法，寻找光伏发电能力低的规律，从而间接表征光伏电站需要清洁、检修等运维活动。具体到分布式光伏运维技术领域，目前主要靠人工巡视、定期维护和计划检修为主，缺乏智能化运维技术手段，尤其是无法准确判断和识别当前分布式光伏电站的状态，缺少对应的能够表征运维状态的指标和体系，从而无法实现动态运维、预运维等智能化运维，进而影响分布式光伏电站的发电效率和效益，相应的故障停机、备品备件、人工成本等随着电站运行时间越来越长，造成的损失也越来越大。

3、前述的基于机器学习进行运维指数表征的方法，其可靠性低、准确性不好、适用性不强。例如分布式光伏电站容量小，受局部天气影响大，光伏电站上方有云时，整个电站的发电能力就会发生剧烈变化，通过基于数据统计和分析的方法来判断电站是否需要运维，就会产生很大的偏差；再例如组件表面覆盖沙尘等，直接影响组件发电能力，但是仅仅通过数据分析也无法准确判断光伏组件由于表面清洁程度具体导致发电能力损失的程度，等等。总之现有技术手段无法准确表征分布式光伏的运行状态。

技术实现思路

1、本发明所要解决的技术问题在于一方面提供一种分布式光伏运维指数表征方法，另一方面提供一种分布式光伏运维指数表征系统，解决无法准确表征分布式光伏的运行状态的问题。

2、本发明是这样实现的，

3、第一方面，本发明提供一种分布式光伏运维指数表征系统，该系统包括：

4、预处理模块，对分布式光伏场站的历史数据和实时数据进行预处理；

5、特征工程模块，将预处理后的数据进行特征工程处理；

6、融合模块，将特征工程处理后的数据通过融合计算得到运维指数预测结果。

7、进一步地，所述历史数据包括：过去一段时间的气象数据、分布式光伏场站运行数据、分布式光伏场站的故障数据和运维数据；

8、所述实时数据包括：当前分布式光伏场站的实时运行数据、当前的气象数据以及当前的故障数据。

9、进一步地，所述特征工程模块对预处理后的数据进行特征处理和特征提取，所述特征处理去除冗余或不相关的特征，所述特征提取将数据从原始特征空间映射到低纬度空间。

10、进一步地，所述融合模块包括多个指数表征模型分别进行表征以及一个投票模型通过投票选取最终的指数表征结果，指数表征模块包括：

11、故障指数计算模型，为使用基于bp神经网络的同质集成预测模型；

12、检修指数计算模型，为使用基于xgboost的同质集成预测模型；

13、环境指数计算模型，为使用基于lstm的同质集成预测模型。

14、进一步地，故障指数计算模型、检修指数计算模型以及环境指数计算模型均包括两层算法串联，第一层算法使用四个同质强学习器，第二层算法有且只有一个元学习器random forest，且第一层上的四个同质强学习器负责拟合数据与真实标签之间的关系、并输出预测结果后组成新的特征矩阵，然后第二层上的元学习器random forest在新的特征矩阵上学习并预测。

15、第二方面，本发明提供一种分布式光伏运维指数表征方法，该方法包括：

16、对分布式光伏场站的历史数据和实时数据进行预处理；

17、预处理后的数据进行特征工程处理；

18、特征工程处理后的数据通过融合计算得到运维指数预测结果。

19、进一步地，所述历史数据包括：过去一段时间的气象数据、分布式光伏场站运行数据、分布式光伏场站的故障数据和运维数据；

20、所述实时数据包括：当前分布式光伏场站的实时运行数据、当前的气象数据以及当前的故障数据。

21、进一步地，所述特征工程处理包括：特征处理和特征提取，所述特征处理去除冗余或不相关的特征，所述特征提取将数据从原始特征空间映射到低纬度空间。

22、进一步地，所述融合计算包括多个指数表征方法分别进行指数表征，并通过投票选取最终的指数表征结果，多个指数表征方法包括：

23、故障指数计算，使用基于bp神经网络的同质集成预测方法；

24、检修指数计算，使用基于xgboost的同质集成预测方法；

25、环境指数计算，使用基于lstm的同质集成预测方法。

26、进一步地，所述故障指数计算、检修指数计算以及环境指数计算均采用两层算法串联，第一层算法使用四个同质强学习器，第二层算法有且只有一个元学习器randomforest，且第一层上的四个同质强学习器负责拟合数据与真实标签之间的关系、并输出预测结果后组成新的特征矩阵，然后第二层上的元学习器random forest在新的特征矩阵上学习并预测。

27、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一实施例所述的各方法中的步骤。

28、本发明与现有技术相比，有益效果在于：

29、本发明基于发电能力数据、环境数据、气象数据、状态监测数据，能够准确判断分布式光伏场站当前运行状态，进而可以判断分布式光伏场站运维需求，提升分布式光伏运维决策和调度的智能化水平。

技术特征：

1.一种分布式光伏运维指数表征系统，其特征在于，该系统包括：

2.根据权利要求1所述的分布式光伏运维指数表征系统，其特征在于，所述历史数据包括：过去一段时间的气象数据、分布式光伏场站运行数据、分布式光伏场站的故障数据和运维数据；

3.根据权利要求1所述的分布式光伏运维指数表征系统，其特征在于，

4.根据权利要求1所述的分布式光伏运维指数表征系统，其特征在于，所述融合模块包括多个指数表征模型分别进行表征以及一个投票模型通过投票选取最终的指数表征结果，指数表征模块包括：

5.根据权利要求4所述的分布式光伏运维指数表征系统，其特征在于，故障指数计算模型、检修指数计算模型以及环境指数计算模型均包括两层算法串联，第一层算法使用四个同质强学习器，第二层算法有且只有一个元学习器random forest，且第一层上的四个同质强学习器负责拟合数据与真实标签之间的关系、并输出预测结果后组成新的特征矩阵，然后第二层上的元学习器random forest在新的特征矩阵上学习并预测。

6.一种分布式光伏运维指数表征方法，其特征在于，该方法包括：

7.根据权利要求6所述的分布式光伏运维指数表征方法，其特征在于，所述历史数据包括：过去一段时间的气象数据、分布式光伏场站运行数据、分布式光伏场站的故障数据和运维数据；

8.根据权利要求6所述的分布式光伏运维指数表征方法，其特征在于，所述特征工程处理包括：特征处理和特征提取，所述特征处理去除冗余或不相关的特征，所述特征提取将数据从原始特征空间映射到低纬度空间。

9.根据权利要求8所述的分布式光伏运维指数表征方法，其特征在于，所述融合计算包括多个指数表征方法分别进行指数表征，并通过投票选取最终的指数表征结果，多个指数表征方法包括：

10.根据权利要求9所述的分布式光伏运维指数表征方法，其特征在于，所述故障指数计算、检修指数计算以及环境指数计算均采用两层算法串联，第一层算法使用四个同质强学习器，第二层算法有且只有一个元学习器random forest，且第一层上的四个同质强学习器负责拟合数据与真实标签之间的关系、并输出预测结果后组成新的特征矩阵，第二层上的元学习器random forest在新的特征矩阵上学习并预测。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求6-10任一项所述的方法。

技术总结本发明属于光伏智能运维领域，具体地而言为一种分布式光伏运维指数表征方法及系统，系统包括：预处理模块，对分布式光伏场站的历史数据和实时数据进行预处理；特征工程模块，将预处理后的数据进行特征工程处理；融合模块，将特征工程处理后的数据通过融合计算得到运维指数预测结果。本发明基于发电能力数据、环境数据、气象数据、状态监测数据，能够准确判断分布式光伏场站当前运行状态，进而可以判断分布式光伏场站运维需求，提升分布式光伏运维决策和调度的智能化水平。技术研发人员：沈丽,周广凯,刘帅君,丁雷,郭恒,闫顺,何旭,刘宝良,董溪源,胡本派,袁昊,韩旭,白畅,崔硕受保护的技术使用者：国网辽宁省电力有限公司辽阳供电公司技术研发日：技术公布日：2024/7/29