一种新能源场站监测数据准确度评价方法及系统与流程

本发明涉及监测数据准确度计算，特别是一种新能源场站监测数据准确度评价方法及系统。

背景技术：

1、新能源场站，通常指的是利用可再生能源(如太阳能、风能、水能、生物质能等)进行发电的设施。这些场站在全球范围内的应用越来越广泛，主要是为了减少对化石燃料的依赖，降低温室气体排放，并促进可持续发展。

2、新能源场站监测数据是对太阳能、风能、水能等可再生能源发电场站运行状态、发电量、设备性能和环境影响等进行实时或周期性监测和记录的数据。这些数据在新能源场站的管理和运营中起着至关重要的作用。准确的监测数据有助于优化场站的运营和维护，通过精准的数据，运营者可以进行有效的电力调度，提高发电效率，减少电力浪费，并且通过早期发现设备异常和潜在故障，进行预防性维护，降低停机时间和维修成本。而且，监测数据能够显著提高经济效益；准确的数据能反映设备的真实性能，帮助发现和纠正效率低下的问题，从而提高整体发电效率，并通过精确的数据分析，优化资源配置，减少不必要的开支，降低运营成本。

3、现有的新能源场站监测数据的准确度评价方法主要包括标定实验、误差分析、数据验证和校正、统计分析等。标定实验通过将监测系统与已知高精度设备进行对比测试和重复性测试，评估监测数据的准确度。误差分析通过计算绝对误差、相对误差和均方根误差(rmse)，量化监测数据的偏差。数据验证和校正通过与历史数据对比，检查当前数据的合理性和一致性，并利用数学模型对监测数据进行校正，修正已知系统偏差。统计分析通过分析数据的统计分布和标准差，检查数据的离散程度和稳定性。

4、然而，传统的监测数据准确度评价方法还存在一些不足：首先，传感器质量和可靠性问题，包括精度不高、漂移、老化等，影响数据的长期准确性；其次，环境因素如温度、湿度和电磁干扰等可能影响传感器性能，导致数据误差，而现有的校正模型可能无法完全消除这些影响，难以对场站内大量的监测数据做出适应性动态的调整或优化，导致异常数据辨识不精确，监测数据准确度评估不全面且精度低的问题。

技术实现思路

1、鉴于现有的新能源场站监测数据准确度评价及系统中存在的问题，提出了本发明。

2、因此，本发明所要解决的问题在于：监测数据准确度评估不全面且精度低。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种新能源场站监测数据准确度评价方法，其包括以下步骤，

5、获取实时采集的监测数据；

6、对监测数据依次执行预处理与聚类分析，并定义数据监测标准，初步校验监测数据中的异常数据；

7、提取监测数据中的样本数据，构建异常辨识模型，全面识别监测数据中的异常数据；

8、整合所有异常数据，评估实时采集的监测数据的准确度。

9、作为本发明所述新能源场站监测数据准确度评价方法的一种优选方案，其中：初步校验监测数据中的异常数据方法包括：

10、读取监测数据的监测来源与监测时间，验证数据合法性，并清洗监测数据中的冗余数据，利用插值方式填补缺失值；

11、采用密度聚类算法，将历史监测数据划分为不同簇类，并标记各个簇类的数据标签，再对实时采集的监测数据进行聚类分析；

12、基于簇类对应的数据类型，定义数据监测标准，并结合时序数据趋势性分析，初步校验监测数据中不符合标准与趋势的异常数据；

13、寻找异常数据所在监测节点，并将异常数据合并为异常数据集。

14、作为本发明所述新能源场站监测数据准确度评价方法的一种优选方案，其中：标记各个簇类的数据标签方法包括：

15、定义并计算监测数据中各个数据点之间的可达距离；

16、构建最小生成树，按照数据点之间的可达距离对最小生成树的边缘进行排序并迭代，为每个最小生成树的边缘创建一个合并集群；

17、定义合并集群中最小集群的集群数，并压缩数据集层结构，计算各簇类的稳定系数，从数据集中选择最优稳定系数的集群作为聚类结果；

18、依据历史监测数据的数据类型，为对应的簇类标记数据标签；

19、初步校验监测数据中不符合标准与趋势的异常数据的步骤包括：

20、获取每个簇类内监测数据的最大值与最小值，并将最大值与最小值形成的数值区间，设定为该簇类的数据监测标准；

21、再将历史监测数据定义为时间序列数据，并分析历史监测数据在不同时段的运行趋势；

22、通过实时采集的监测数据的聚类分析结果，匹配相应的数据监测标准，并分析监测数据的趋势分量，将超出数据监测标准且不符合运行趋势的数据点标记为异常数据。

23、作为本发明所述新能源场站监测数据准确度评价方法的一种优选方案，其中：分析历史监测数据在不同时段的运行趋势的步骤包括：

24、获取历史监测数据的时间戳信息，每个数据点存在相应的时间标记，按照时间顺序，将历史监测数据转换为时间序列数据；

25、将时间序列数据分解为不同尺度的时序分量；

26、再通过不同的时序分量，分析历史监测数据不同时段的运行趋势；

27、其中，时序分量包括趋势分量、季节分量与残差分量。

28、作为本发明所述新能源场站监测数据准确度评价方法的一种优选方案，其中：全面识别监测数据中的异常数据方法包括，

29、基于新能源场站的运行工况，定义场站指标，并提取与计算各个簇类内监测数据包含的场站指标，将场站指标作为样本数据；

30、将样本数据转换为满足异常辨识模型需求的输入变量；

31、通过不同指标类型的样本数据的样本权重，构建异常辨识模型，并利用历史监测数据进行模型训练；

32、利用异常辨识模型实时分析监测数据中的异常数据，并在监测数据的数据量达到设定阈值时，利用增量学习技术，动态调整样本数据的样本权重，将异常辨识模型重构更新为增量辨识模型；

33、其中，所述场站指标包括运行参数与典型特征，所述运行参数包括电力参数、环境参数、设备运行状态及电能质量，所述典型特征包括发电量突变特征、发电量变化特征、节点差异特征及特异差异特征；

34、所述典型特征的计算方式包括：

35、

36、再通过对发电量变化特征进行计算，具体计算方式为：

37、

38、再通过对节点差异特征进行计算，具体计算方式为：

39、

40、在通过对特异差异特征进行计算，具体计算方式为：

41、

42、式中，c1、c2、c3和c4分别表示发电量突变特征、发电量变化特征、节点差异特征以及特异差异特征；m、d和h分别表示监测数据的月、日和小时时间段数；m、d、h分别表示监测数据在第m月、第d日和第h个小时时间段数；ri表示与第i个监测节点具备相同类型发电数据的节点集合；rq表示具备周期性发电特征的节点集合；r表示节点集合ri中的第r个监测节点；p表示节点集合rq中的第p个监测节点；ui,h表示第i个监测节点在第h个小时监测的发电数据；ui,dh表示第i个监测节点在第d天内第h个小时监测的发电数据；ui,h-dh表示第i个监测节点在第d日内与h小时时间段同时期的第h个小时监测的历史发电数据；ui,h-h表示第i个监测节点在当前h小时时间段内第h个小时监测的发电数据；ur,h表示节点集合ri中第r个监测节点在第h小时监测的发电数据；gi,h表示第i个监测节点在第h个小时时的特征指标；gp,h表示节点集合rq中第p个监测节点在第h个小时时的特征指标；v表示欧氏距离。

43、作为本发明所述新能源场站监测数据准确度评价方法的一种优选方案，其中：将样本数据转换为满足异常辨识模型需求的输入变量包括以下步骤：

44、将样本数据进行归一化处理，转换为无量纲的纯数值；

45、将样本数据对应的数据标签进行独热编码，与样本数据合并作为异常辨识模型的输入变量；

46、其次，构建异常辨识模型的方法包括：

47、通过不同新能源场站指标的指标类型，赋予样本数据各自的样本权重，并将相同时间段内的样本数据合并形成样本数据集；

48、将样本数据集通过随机权重映射至高维空间，得到映射特征集；

49、对所述映射特征集进行非线性增强，得到增强特征集；

50、将所述映射特征集与所述增强特征集拼接为扩展特征矩阵，作为异常辨识模型输出层的输出变量，得到完整的异常辨识模型；

51、采用历史监测数据对所述异常辨识模型进行训练与验证；

52、其次，将异常辨识模型重构更新为增量辨识模型包括以下步骤：

53、设定异常辨识模型识别样本数据的数量阈值，并实时统计参与异常评估的样本数据的数据量，直至达到数量阈值；

54、将超过数量阈值后的新增加样本数据作为新增数据集，并映射至高维空间，得到新增映射特征集；

55、将新增映射特征集经过非线性增强后得到新增增强特征集；

56、将新增映射特征集与新增增强特征集拼接为新增特征矩阵，并更新模型输出层的输入与输出，动态调整模型输出权重，得到重构优化后的增量辨识模型。

57、作为本发明所述新能源场站监测数据准确度评价方法的一种优选方案，其中：评估实时采集的监测数据的准确度步骤为，

58、整合监测过程中的所有异常数据，存入异常数据库，并记录异常数据的异常信息；

59、获取不同监测节点上异常数据的分布情况，分析异常数据的空间分布，并利用场站布局图进行可视化展示，识别异常数据出现区域；

60、统计不同类型的异常数据，并通过时间序列分析，识别异常数据在不同时间段的分布规律，识别异常数据发生的高频时间段；

61、设定监测数据的评估指标，计算监测数据在多方面的准确度；

62、其中，所述异常信息包括时间戳信息、异常类型、位置信息、异常值，以及上下文信息；

63、计算监测数据在多方面的准确度包括以下步骤：

64、设定评估时间段，计算当前评估时间段内所有监测数据中非异常数据的占比，作为监测数据的整体准确度；

65、计算每个监测节点在当前评估时间段内所有监测数据中非异常数据的占比，作为监测数据的节点准确度；

66、通过时间段正常数据数量处于时间段总数据数量，计算不同时间段的监测数据的时间段准确度。

67、第二方面，本发明实施例提供了一种新能源场站监测数据准确度评价系统，其包括数据处理模块、聚类分析模块、时序数据趋势性分析模块，以及异常数据评估模块；

68、所述数据处理模块用于对采集到的数据进行清洗、去冗余，以及填补缺失值，提高数据质量；

69、所述聚类分析模块使用密度聚类算法对历史监测数据进行分类，并为每个簇类的数据点标记数据标签；

70、所述时序数据趋势性分析模块分析历史监测数据在不同时间段的运行趋势，包括趋势分量、季节分量与残差分量；

71、所述异常数据评估模块对实时采集的监测数据进行准确度评估，包括整合异常数据、分析空间分布、时间规律与计算准确度。

72、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的新能源场站监测数据准确度评价方法的任一步骤。

73、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的新能源场站监测数据准确度评价方法的任一步骤。

74、本发明有益效果为：

75、1、通过监测数据准确度评价体系，可以实现对监测数据的全面清洗与聚类分析，设定精确的数据监测标准，利用构建的异常辨识模型和增量学习技术高效识别异常数据，并通过整合异常数据进行定位和组成分析，最终全面的准确评估各个监测节点及整个场站的监测数据准确度，从而提高数据可信度和场站运行效率，以及新能源场站的运行可靠性和数据质量管理水平。

76、2、通过使用密度聚类算法将历史监测数据划分为不同簇类并标记数据标签，实现对监测数据的全面清洗、聚类和标准化处理，确保数据的合法性和完整性，通过识别和标记不同簇类的数据类型，结合时序数据趋势分析，初步校验并定位异常数据，有效降低参与后续异常数据辨识的数据量，从而提高新能源场站的监测数据质量和管理效率。

77、3、通过定义多项场站指标，构建异常辨识模型，全面识别监测数据中的异常数据，并基于增量学习动态优化模型辨识性能，能够实现对新能源场站监测数据的精准异常检测和及时更新模型，保证模型的持续高效性和准确性，从而提升监测数据的可靠性和场站运行的稳定性。