基于大数据的光伏组件钢制边框寿命预测方法与流程

本技术涉及钢制品寿命预测，具体涉及基于大数据的光伏组件钢制边框寿命预测方法。

背景技术：

1、近年来，随着光伏组件应用场景越来越广，组件需面临的极端环境越来越多，对组件边框技术和材料的优化和变革也势在必行。光伏组件钢制边框因其高强度、耐腐蚀、抗撕裂等特点，目前在光伏组件中应用最为普遍。由于光伏发电系统的装机环境复杂，对光伏组件钢制边框进行寿命预测可以事前进行维修，以保证设备系统安全可靠运行。基于安全性和经济性的考虑，准确预测光伏组件钢制边框的寿命一直是行业中备受关注的焦点。

2、目前行业中普遍采用分析钢制边框的应力数据来推算其剩余使用寿命的方法。由于发生细小应力缺陷时，光伏组件钢制边框的应力数据变化很微小，传统的检测方法对微小的应力数据变化不够灵敏，而且采用孤立森林算法时对所有孤立树的选取是随机的，缺少对异常数据筛选的针对性，导致对光伏组件钢制边框的寿命预测不够准确。

技术实现思路

1、为了解决上述技术问题，本技术提供基于大数据的光伏组件钢制边框寿命预测方法，以解决现有的问题。

2、本技术的基于大数据的光伏组件钢制边框寿命预测方法采用如下技术方案：

3、本技术一个实施例提供了基于大数据的光伏组件钢制边框寿命预测方法，该方法包括以下步骤：

4、采集各测量点的应力数据；

5、基于光伏组件钢制边框各边上各测量点在各采样时刻的测量区间内的应力数据之间的差异情况，结合测量区间内应力数据的极差，获取光伏组件钢制边框各边上各测量点在各采样时刻的测量区间内的光伏边框应力变化系数；

6、基于光伏边框应力变化系数获取各采样时刻的测量区间内的光伏边框应力差异值；根据各测量点的应力数据获取光伏组件钢制边框的各边上各测量点的光伏边框应力序列；基于光伏边框应力差异值和光伏边框应力序列获取光伏组件钢制边框在各采样时刻的测量区间内的光伏边框对称缺陷指数；

7、根据光伏边框对称缺陷指数构建孤立森林，获取孤立森林中各孤立树的信息熵；根据各孤立树的信息熵和光伏边框对称缺陷指数获取光伏组件钢制边框在各采样时刻的测量区间内的光伏边框缺陷孤立树权重；

8、根据光伏边框缺陷孤立树权重获取各光伏边框异常分数；基于光伏边框异常分数获取钢制边框剩余使用寿命。

9、进一步，所述测量区间为各采样时刻向前预设个数的采样时刻组成的区间。

10、进一步，所述获取光伏组件钢制边框各边上各测量点在各采样时刻的测量区间内的光伏边框应力变化系数，包括：

11、对于光伏组件钢制边框，计算各边上各测量点在各采样时刻的测量区间内各应力数据，与各边上各测量点在各采样时刻的测量区间内所有应力数据的均值之间的差值绝对值，作为第一差值绝对值，计算以自然常数为底、以所述第一差值绝对值为指数的指数函数的计算结果，计算光伏组件钢制边框各边上各测量点所有所述计算结果的平方值的均值作为第一平方均值；

12、计算光伏组件钢制边框各边上各测量点在各采样时刻的测量区间内应力数据的最大值和最小值之间的比值，将所述比值与所述第一平方均值的乘积的归一化值作为光伏组件钢制边框各边上各测量点在各采样时刻的测量区间内的光伏边框应力变化系数。

13、进一步，所述基于光伏边框应力变化系数获取各采样时刻的测量区间内的光伏边框应力差异值，包括：

14、对于各采样时刻的测量区间，计算光伏组件钢制边框上边的光伏边框应力变化系数与光伏组件钢制边框下边的光伏边框应力变化系数之间的差值的平方作为第一差值平方，计算光伏组件钢制边框左边的光伏边框应力变化系数与光伏组件钢制边框右边的光伏边框应力变化系数之间的差值的平方作为第二差值平方，所述第一差值平方和所述第二差值平方与光伏边框应力差异值为正相关关系。

15、进一步，所述光伏边框应力序列，包括：将各边上各测量点在各采样时刻的测量区间内所有应力数据组成光伏组件钢制边框的各边上各测量点的光伏边框应力序列。

16、进一步，所述获取光伏组件钢制边框在各采样时刻的测量区间内的光伏边框对称缺陷指数，包括：

17、计算光伏组件钢制边框上边的各测量点的光伏边框应力序列与光伏组件钢制边框下边的各测量点的光伏边框应力序列之间的距离作为第一距离，计算光伏组件钢制边框左边的各测量点的光伏边框应力序列与光伏组件钢制边框右边的各测量点的光伏边框应力序列之间的距离作为第二距离；

18、所述光伏边框对称缺陷指数与光伏组件钢制边框上所有所述第一距离的均值成正相关，与光伏组件钢制边框上所有所述第二距离的均值成正相关，与光伏边框应力差异值成正相关。

19、进一步，所述根据光伏边框对称缺陷指数构建孤立森林，获取孤立森林中各孤立树的信息熵，包括：

20、选取预设个数的采样时刻的测量区间的光伏边框对称缺陷指数作为总样本数，选取预设个数的子样本构建孤立森林；

21、通过孤立森林对所述总样本进行分类，获取孤立森林中各孤立树中的所有光伏边框对称缺陷指数的信息熵。

22、进一步，所述获取光伏组件钢制边框在各采样时刻的测量区间内的光伏边框缺陷孤立树权重，包括：

23、计算各采样时刻的测量区间的光伏边框对称缺陷指数与其所在的孤立树中的其他各光伏边框对称缺陷指数之间的差值的平方作为缺陷指数差值平方值，计算缺陷指数差值平方值与各采样时刻的测量区间的光伏边框对称缺陷指数所在孤立树中所有光伏边框对称缺陷指数的均值的乘积作为孤立树缺陷指数乘积，计算各采样时刻的测量区间的光伏边框对称缺陷指数所在孤立树中所有孤立树缺陷指数乘积的均值作为孤立树缺陷指数均值；

24、所述光伏边框缺陷孤立树权重与孤立树缺陷指数均值成正相关关系，与各采样时刻的测量区间内的光伏边框对称缺陷指数成正相关关系，与所有孤立树的信息熵的和值成负相关关系。

25、进一步，所述根据光伏边框缺陷孤立树权重获取各光伏边框异常分数，包括：

26、将各光伏边框对称缺陷指数与其所在孤立树的光伏边框缺陷孤立树权重乘积作为各更新孤立数据，根据更新孤立树数据构建新的孤立森林，获取各更新孤立数据的异常分作为各光伏边框异常分数。

27、进一步，所述基于光伏边框异常分数获取钢制边框剩余使用寿命，包括：

28、获取预设个数的质量合格的光伏组件钢制边框的正常使用寿命，计算所有质量合格的光伏组件钢制边框的正常使用寿命的均值记为光伏边框饱和使用寿命；

29、所述钢制边框剩余使用寿命与所有光伏边框异常分数的和值成负相关关系，与光伏边框饱和使用寿命成正相关关系。

30、本技术至少具有如下有益效果：

31、根据光伏组件钢制边框上每个测量点应力数据随时间的变化，计算每个测量点的光伏边框应力变化系数，对应力数据的变化进行放大，增强异常数据与正常数据间的区别。利用光伏组件钢制边框结构的对称性，通过比较对称位置光伏边框应力变化序列的相似程度，计算得到每个测量区间内的光伏边框对称缺陷指数，对不同对称位置处的应力变化进行放大，增强对异常数据的识别能力。通过改进后的孤立森立算法，对各个不同孤立树内的光伏边框对称缺陷指数赋予不同权重，提高异常数据在孤立树中的影响，计算各个光伏边框对称缺陷指数的光伏边框异常分数。根据获得的光伏边框异常分数计算光伏组件钢制边框的剩余使用寿命，提高检测的灵敏度，提高了对光伏组件钢制边框寿命预测的准确性。