一种光伏区通讯数据采集控制的方法及装置与流程
本发明涉及光伏数据传输,特别是一种光伏区通讯数据采集控制的方法及装置。
背景技术:
1、当前光伏发电系统已成为电网脱碳的核心支柱,光伏区规模不断扩大,设备数量激增,对通讯数据采集的精准性、实时性和稳定性提出了更高要求。现有光伏区通讯数据采集控制方法存在明显缺陷:多数采集方式仅针对单一类型数据,未能整合设备运行、环境监测与通讯状态多模态数据,导致数据维度不全面;数据预处理方式简单,难以有效消除噪声和量纲差异,影响后续分析精度。同时,传统控制方式采用固定参数,无法动态适配光伏区光照、温度等环境波动及设备运行状态变化,存在采集频率不合理、通讯链路切换滞后、关键数据传输优先级不明确等问题。现有模型难以精准提取多模态时序数据的深层特征,控制决策缺乏智能化支撑,导致通讯能耗偏高、数据丢失率较高。
技术实现思路
1、本发明的目的是为了解决上述问题,设计了一种光伏区通讯数据采集控制的方法及装置。
2、实现上述目的本发明的技术方案为,进一步,在上述一种光伏区通讯数据采集控制的方法中,该光伏区通讯数据采集控制的方法包括以下步骤:
3、采集光伏区的设备运行数据、环境监测数据和通讯状态数据,得到多模态通讯数据,对所述多模态通讯数据进行预处理,得到初始多模态通讯数据;
4、构建cnn-lstm-attention混合深度学习模型,利用混合深度学习模型对所述初始多模态通讯数据进行特征提取,得到特征通讯数据;
5、以光伏区设备运行状态、环境状态和通讯状态作为状态空间,将采集频率、传输优先级和通讯链路切换作为动作空间,构建drl深度强化学习控制模型;
6、将特征通讯数据输入drl深度强化学习控制模型中,输出适配当前光伏区状态的动态控制指令;
7、将动态控制指令下发至各采集节点和汇聚节点,所述汇聚节点用于汇总各采集节点上传的多模态通讯数据并向各采集节点转发控制指令;各采集节点和汇聚节点执行采集频率调整、通讯链路切换和数据传输优先级的控制操作,完成通讯数据的采集与传输。
8、进一步,在上述一种光伏区通讯数据采集控制的方法中,所述采集光伏区的设备运行数据、环境监测数据和通讯状态数据,得到多模态通讯数据,对所述多模态通讯数据进行预处理,得到初始多模态通讯数据,包括:
9、采集光伏区的设备运行数据、环境监测数据和通讯状态数据,设备运行数据至少包括光伏组件的输出电压、输出电流、功率因数,逆变器的转换效率、工作温度、故障代码,汇流箱的支路电流、绝缘电阻,变压器的绕组温度和负载率;
10、环境监测数据至少包括环境温度、光照强度、风速、湿度、降水量和大气压强,通讯状态数据至少包括链路传输速率、数据包丢失率、延迟时间、信号强度和链路占用率;
11、采用3σ原则剔除多模态通讯数据中超出合理范围的数据,对缺失数据采用线性插值法进行补充,得到清洗多模态数据;
12、采用min-max归一化算法将清洗多模态数据中不同量纲的数据归一化至[0,1]区间,得到标准多模态数据;
13、以时间戳为基准,将标准多模态数据中的设备运行数据、环境监测数据、通讯状态数据进行时序对齐,得到初始多模态通讯数据。
14、进一步,在上述一种光伏区通讯数据采集控制的方法中,所述构建cnn-lstm-attention混合深度学习模型,利用混合深度学习模型对所述初始多模态通讯数据进行特征提取,得到特征通讯数据,包括:
15、构建cnn-lstm-attention混合深度学习模型,cnn模块采用2层卷积层+1层池化层,卷积核大小设为3×3,卷积步长为1,填充方式为same;第一层卷积层输出通道数为32,第二层为64;池化层采用最大池化,池化核大小为2×2,步长为2;
16、lstm模块采用2层双向lstm,隐藏层单元数为128,dropout系数设为0.2,输入为cnn模块输出的空间特征,输出为时序特征序列;
17、attention模块采用multiplicative注意力机制,将lstm输出的时序特征与查询向量进行矩阵乘法运算,通过softmax函数得到注意力权重,对时序特征进行加权求和,得到特征通讯数据。
18、进一步,在上述一种光伏区通讯数据采集控制的方法中,所述以光伏区设备运行状态、环境状态和通讯状态作为状态空间,将采集频率、传输优先级和通讯链路切换作为动作空间,构建drl深度强化学习控制模型,包括:
19、设备运行状态变量包括光伏组件功率输出稳定性、逆变器工作状态、汇流箱支路导通状态和变压器负载率;环境状态变量包括光照强度、环境温度和风速;通讯状态变量包括通讯链路传输速率、数据包丢失率、通讯延迟和信号强度;
20、数据传输优先级控制动作设置3个优先级档位,分别为高优先级、中优先级和低优先级。
21、进一步,在上述一种光伏区通讯数据采集控制的方法中,所述以光伏区设备运行状态、环境状态和通讯状态作为状态空间,将采集频率、传输优先级和通讯链路切换作为动作空间,构建drl深度强化学习控制模型,包括:
22、采用dqn深度q网络作为drl模型核心架构,由cnn卷积神经网络和全连接层组成,输入为状态空间向量,输出为每个动作的q值,通过选择q值最大的动作作为最优控制动作;
23、设计多目标奖励函数,包括数据采集精度、通讯稳定性和能耗控制三个维度。
24、进一步,在上述一种光伏区通讯数据采集控制的方法中,所述将特征通讯数据输入drl深度强化学习控制模型中,输出适配当前光伏区状态的动态控制指令,包括:
25、将特征通讯数据按照定义的状态空间格式进行转换,补充状态变量的缺失值,得到预处理特征通讯数据;
26、将预处理特征通讯数据输入drl深度强化学习控制模型中,模型通过计算各动作的q值,选择q值最大的动作组合,生成初始控制指令。
27、进一步,在上述一种光伏区通讯数据采集控制的方法中,所述将动态控制指令下发至各采集节点和汇聚节点,所述汇聚节点用于汇总各采集节点上传的多模态通讯数据并向各采集节点转发控制指令;各采集节点和汇聚节点执行采集频率调整、通讯链路切换和数据传输优先级的控制操作,完成通讯数据的采集与传输,包括:
28、根据动态控制指令调整采集频率,按新频率采集设备运行、环境监测和通讯状态数据;
29、根据传输优先级对采集的数据进行分类打包,高优先级数据优先上传,低优先级数据延迟上传;
30、若指令要求切换通讯链路,立即断开当前链路,连接指定备用链路,完成链路切换后,反馈切换状态至汇聚节点。
31、进一步,在一种光伏区通讯数据采集控制的装置,所述光伏区通讯数据采集控制的装置包括以下模块:
32、通讯数据采集模块,用于采集光伏区的设备运行数据、环境监测数据和通讯状态数据,得到多模态通讯数据,对所述多模态通讯数据进行预处理,得到初始多模态通讯数据;所述通讯数据采集模块包含多个采集节点和至少一个汇聚节点,所述采集节点用于采集设备运行数据、环境监测数据和通讯状态数据,所述汇聚节点用于汇总各采集节点上传的数据;
33、数据特征提取模块,用于构建cnn-lstm-attention混合深度学习模型,利用混合深度学习模型对所述初始多模态通讯数据进行特征提取,得到特征通讯数据;
34、控制模型建立模块,用于以光伏区设备运行状态、环境状态和通讯状态作为状态空间,将采集频率、传输优先级和通讯链路切换作为动作空间,构建drl深度强化学习控制模型;
35、控制指令生成模块,用于将特征通讯数据输入drl深度强化学习控制模型中,输出适配当前光伏区状态的动态控制指令;
36、数据采集控制模块,用于将动态控制指令下发至各采集节点和汇聚节点,执行采集频率调整、通讯链路切换和数据传输优先级的控制操作,完成通讯数据的采集与传输。
37、进一步,在一种光伏区通讯数据采集控制的装置中,所述控制指令生成模块包括以下子模块:
38、转换子模块,用于将特征通讯数据按照定义的状态空间格式进行转换,补充状态变量的缺失值,得到预处理特征通讯数据;
39、生成子模块,用于将预处理特征通讯数据输入drl深度强化学习控制模型中,模型通过计算各动作的q值,选择q值最大的动作组合,生成初始控制指令。
40、进一步,在一种光伏区通讯数据采集控制的装置中,所述数据采集控制模块包括以下子模块:
41、调整子模块,用于根据动态控制指令调整采集频率,按新频率采集设备运行、环境监测和通讯状态数据;
42、上传子模块,用于根据传输优先级对采集的数据进行分类打包,高优先级数据优先上传,低优先级数据延迟上传;
43、切换子模块,用于若指令要求切换通讯链路,立即断开当前链路,连接指定备用链路,完成链路切换后,反馈切换状态至汇聚节点。
44、其有益效果在于,通过整合设备运行、环境监测和通讯状态三类数据,结合3σ原则清洗、min-max归一化等操作,有效提升数据完整性和规范性,为后续特征提取和控制决策提供高质量数据支撑。采用cnn-lstm-attention混合模型,精准捕捉多模态数据的空间关联与时序变化特征,通过注意力机制聚焦关键信息,特征提取准确率不低于95%,解决了传统模型特征提取不精准的问题。基于drl深度强化学习构建控制模型,动态调整采集频率、传输优先级和通讯链路,实现数据采集精度、通讯稳定性与能耗的平衡,避免固定控制参数的局限性。构建闭环控制体系,通过指令执行反馈持续优化控制策略,大幅降低数据丢失率和通讯延迟,提升光伏区通讯采集控制的智能化水平,减少运维成本,确保光伏区设备稳定运行。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com