基于大数据的光伏设备运行监测方法与流程

本技术涉及光伏发电，具体而言，涉及一种基于大数据的光伏设备运行监测方法。

背景技术：

1、光伏能源是指利用光电效应将太阳能转换为电能的技术。相比传统的化石能源，光伏能源具有诸多优势。首先，光伏能源的利用过程中不会产生温室气体和其他污染物，对环境友好，有助于减缓全球气候变化。其次，光伏能源的资源广泛分布，几乎遍布全球各地，具有分散性和可再生性，能够有效缓解能源紧缺问题。此外，随着技术的不断进步和成本的逐渐降低，光伏能源的竞争力不断增强，已经成为可持续发展的重要组成部分。然而，光伏能源的有效利用并非易事，其中一个重要挑战是光伏设备的运行监测与维护。

2、但光伏设备长期暴露在室外恶劣环境中，容易受到天气、温度、灰尘等因素的影响，进而影响其性能和运行效率。为了确保光伏系统的安全稳定运行，监测光伏设备的运行状态显得尤为重要。

3、随着信息技术的迅速发展，大数据和云计算技术已经成为解决复杂问题和处理海量数据的重要工具。大数据技术能够从庞大的数据集中提取有价值的信息，并通过分析和挖掘实现数据驱动的决策和预测。而云计算技术则提供了高效的计算和存储资源，能够实现数据的高速处理和实时监测。在光伏设备的监测与维护中，大数据和云平台技术可以发挥重要作用。通过采集光伏设备的运行数据，如发电量、温度、光照强度等，利用大数据技术进行分析，可以实现对光伏设备运行状态的实时监测。

4、有鉴于此，本发明提出一种基于大数据的光伏设备运行监测方法，以便实现对光伏设备运行状态的精准监测，提高光伏设备的运行效率和可靠性。

技术实现思路

1、本技术实施例的目的在于提供一种基于大数据的光伏设备运行监测方法，以便实现对光伏设备运行状态的精准监测，提高光伏设备的运行效率和可靠性。

2、为了实现上述目的，本技术的实施例通过如下方式实现：

3、第一方面，本技术实施例提供一种基于大数据的光伏设备运行监测方法，包括：获取当前时段下光伏设备的实时运行状态数据，其中，实时运行状态数据包含种参数，种参数至少含有电池板发电功率、电池板输出电压、电池板输出电流、电池板温度、电池板状态、电池板阴影占比、逆变器输入功率、逆变器输出功率、逆变器输入电压、逆变器输入电流、逆变器输出电压、逆变器输出电流、逆变器状态、电网连接状态、电能产量、电网电压、电网频率、环境温度、环境湿度、日照强度、电池板倾斜角度、电池板方位角度；对实时运行状态数据中的每种参数进行预处理，得到相应的种参数序列；基于种参数序列，确定出将每种参数序列映射到多层次自组织神经网络中相应层次时所对应的映射序列，并基于每种参数对应的映射序列，形成当前时段下光伏设备对应的输入序列；将输入序列输入至光伏设备运行监测模型，得到光伏设备运行监测模型输出的光伏设备运行监测结果。

4、结合第一方面，在第一方面的第一种可能的实现方式中，当前时段下光伏设备对应的参数序列组包含个参数序列，参数序列组，多层次自组织神经网络包括组som层，基于种参数序列，确定出将每种参数序列映射到多层次自组织神经网络中相应层次时所对应的映射序列，包括：针对每种参数序列：将第种参数的参数序列输入多层次自组织神经网络中的第组som层，通过第组som层计算参数序列与第组som层中每个神经元的近似指数，其中，参数序列为非负行向量；基于参数序列与第组som层中每个神经元的近似指数，确定出参数序列对应的映射序列。

5、结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，第组som层包含个神经元，每个神经元对应一个权重向量，每个权重向量的维度与参数序列的维度相同，通过第组som层计算参数序列与第组som层中每个神经元的近似指数，包括：针对第组som层中的第个神经元，采用以下公式计算参数序列与第个神经元的近似指数：

6、，

7、其中，表示参数序列与第组som层中第个神经元的近似指数，为实时运行状态数据中第种参数的参数序列，为第组som层中第个神经元对应的权重向量，是一个非负行向量。

8、结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，基于参数序列与第组som层中每个神经元的近似指数，确定出参数序列对应的映射序列，包括：针对参数序列与第组som层中第个神经元的近似指数，采用以下公式计算参数序列对第组som层中第个神经元的映射指数：

9、，

10、其中，表示参数序列对第组som层中第个神经元的映射指数，为参数序列与第组som层中神经元的近似指数最大值，为参数序列与第组som层中神经元的近似指数最小值；将映射指数按照神经元的序号排列，形成参数序列对应的映射序列，。

11、结合第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，对于训练样本对应的参数序列组，有，在多层次自组织神经网络中每一组som层的无监督训练过程中，第组som层中神经元对应的权重向量的更新方式为：针对参数序列组中的第个参数序列，计算参数序列与第组som层中每个神经元的近似指数，并确定出最大近似指数对应的最佳匹配神经元，其中，参数序列为非负行向量；基于最佳匹配神经元，确定出邻近神经元；基于参数序列和每个邻近神经元与最佳匹配神经元之间的距离，对每个邻近神经元对应的权重向量进行更新。

12、结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，计算参数序列与第组som层中每个神经元的近似指数，并确定出最大近似指数对应的最佳匹配神经元，包括：针对第组som层中的第个神经元，采用以下公式计算参数序列与第个神经元的近似指数：

13、，

14、其中，表示参数序列与第组som层中第个神经元的近似指数，为训练样本中第种参数的参数序列，为第组som层中第个神经元对应的权重向量，是一个非负行向量；确定出第组som层中与参数序列的近似指数最大的神经元，作为最佳匹配神经元。

15、结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，基于最佳匹配神经元，确定出邻近神经元，包括：采用以下公式计算第组som层中第个神经元与最佳匹配神经元的距离：

16、，

17、其中，为最佳匹配神经元与第个神经元的距离，为参数序列对应的第组som层中最佳匹配神经元的位置坐标的第项数值，为第组som层中第个神经元的位置坐标的第项数值，为第组som层中每个神经元的位置坐标的维度数量，为第组som层中第个神经元的位置坐标，为参数序列对应的第组som层中最佳匹配神经元的位置坐标；基于第组som层中每个神经元与最佳匹配神经元的距离，确定出本次更新的邻域半径；以最佳匹配神经元为中心，基于邻域半径确定出邻近神经元。

18、结合第一方面的第六种可能的实现方式，在第一方面的第七种可能的实现方式中，基于第组som层中每个神经元与最佳匹配神经元的距离，确定出本次更新的邻域半径，包括：采用以下公式计算本次更新的邻域半径：

19、，

20、其中，为本次更新的邻域半径，为第组som层中神经元与最佳匹配神经元之间的最大距离，为第组som层中除最佳匹配神经元之外的神经元与最佳匹配神经元之间的最小距离，为训练样本当前的迭代次数。

21、结合第一方面的第七种可能的实现方式，在第一方面的第八种可能的实现方式中，基于参数序列和每个邻近神经元与最佳匹配神经元之间的距离，对每个邻近神经元对应的权重向量进行更新，包括：针对每个邻近神经元，设第组som层中第个神经元属于邻近神经元，采用以下公式更新邻近神经元对应的权重向量：

22、，

23、，

24、其中，为第组som层中第个神经元本次更新后的权重向量，为第组som层中第个神经元本次更新前的权重向量，为差异向量，为参数序列与第组som层中第个神经元的近似指数，为参数序列与第组som层中神经元的近似指数最大值，为第组som层中除最佳匹配神经元之外的神经元与最佳匹配神经元之间的最小距离，为最佳匹配神经元与第个神经元的距离，为训练样本当前的迭代次数，为训练样本对应的参数序列组中的第个参数序列。

25、结合第一方面的第三种可能的实现方式，在第一方面的第九种可能的实现方式中，基于每种参数对应的映射序列，形成当前时段下光伏设备对应的输入序列，包括：将参数序列组中每个参数序列对应的映射序列，按照序列编号进行拼接融合，得到当前时段下光伏设备对应的输入序列：

26、。

27、有益效果：

28、1.本方案设计多层次自组织神经网络，对实时运行状态数据中各种参数对应的参数序列进行映射，利用映射序列构建输入序列，利用光伏设备运行监测模型进行监测。这样的方式可以利用光伏设备的实时运行状态数据的特性，巧妙地进行特征处理，利用多层次自组织神经网络对每种参数序列进行映射，实现聚类效果，从而将潜在的特征提取出来并规范化，有利于光伏设备运行监测模型对光伏设备的实时监测，提高光伏设备运行过程的可靠性和稳定性。并且，这样的监测结果和数据分析方式，还有利于发现光伏设备的改进空间，进而优化设备的运行策略和参数配置，提高光伏系统的发电效率和能量利用率。

29、2.将第种参数的参数序列输入多层次自组织神经网络中的第组som层，通过第组som层计算参数序列与第组som层中每个神经元的近似指数（利用参数序列与神经元的权重向量计算点积，作为近似指数），利用近似指数计算映射指数，进一步形成映射序列（固定维度，维度数即som层中的神经元数量）。通过映射指数的计算，综合考虑了单个神经元对应的近似指数和全局神经元对应的近似指数，使得据此构建的映射序列可以更精确地表征光伏设备的运行状态，从而提高监测的准确性和效率。

30、3.在训练阶段，创造性地设计了多层次自组织神经网络中各组som层中神经元的权重向量的更新方式，使得多层次自组织神经网络在无监督的训练过程中，能够充分学习参数序列的结构和特征，最终输出映射序列。在训练过程中，各组som层会逐渐调整本组som层中神经元之间的权重，并且在权重向量的更新过程中，能够考虑到参数序列的分布与神经元的位置，同时能够考虑到训练过程中的衰减情况，使得训练过程能够更有效率（衰减函数随迭代次数逐渐减小，逐渐降低调整幅度，有利于更快完成训练），使得调整后的权重向量能够更好地进行分类，从而最终的映射序列能够更好地反映数据的特征。

31、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。