一种新能源分布式发电运维监测方法、装置及介质与流程
本发明公开了一种新能源分布式发电运维监测方法、装置及介质,属于新能源分布式发电运维监测。
背景技术:
1、目前,新能源分布式发电运维监测主要依赖对各场站独立采集的时序数据进行单点分析,通过设定固定阈值或利用长短期记忆网络、门控循环单元等时序神经网络对单个场站的功率、温度等参数进行趋势预测与异常判别。然而,此类传统方法仅聚焦于单一场站的时序演变规律,完全忽略了分布式发电集群中各场站之间因电网拓扑连接而形成的功率互馈、工况联动及故障传导等空间耦合关系。在分布式光伏、分散式风电等多场站集群化发展的背景下,单一设备的输出功率异常可能是由相邻场站的电压波动或线路扰动所引发,局部设备的温度攀升也可能是集群整体功率调配失衡所导致。现有方法因缺乏对场站间空间关联特征的建模能力,无法有效区分单场站独立异常与多场站联动异常,导致集群层面的系统性故障无法提前预判,异常识别严重滞后,误报率和漏报率居高不下,难以满足规模化分布式发电集群对智能运维的精准性与实时性要求。
2、针对上述的问题,目前尚未提出有效的解决方案。
技术实现思路
1、本发明实施例提供了一种新能源分布式发电运维监测方法、装置及介质,以至少解决现有新能源分布式发电运维监测方法仅聚焦单站点时序分析、忽略场站间电网拓扑空间耦合关系、无法区分单场站独立异常与多场站联动异常、导致集群异常识别滞后且故障定位精度低的技术问题。
2、根据本发明实施例的一个方面,为了实现上述目的,提供了一种新能源分布式发电运维监测方法,包括:
3、采集分布式发电系统中多个分布式发电场站的运行监测数据,基于各分布式发电场站之间的电网拓扑连接关系构建场站拓扑图结构,对运行监测数据进行预处理后得到输入特征矩阵;
4、基于场站拓扑图结构和输入特征矩阵,通过图卷积神经网络对多场站之间的空间耦合关系进行特征提取,得到空间关联特征,通过双向门控循环单元对空间关联特征进行前向时序与后向时序的双向特征挖掘,得到双向时序特征,将空间关联特征与双向时序特征进行加权融合,得到时空融合特征;
5、基于时空融合特征通过全连接层进行特征映射,得到各分布式发电场站的发电状态预测值及设备健康度评分,根据发电状态预测值与实时采集的实际运行数据之间的残差,结合预设的残差阈值判别机制判定各场站的运行异常状态,输出运维监测结果。
6、进一步地,运行监测数据包括各场站的有功功率、无功功率、输出电压、输出电流、设备温度、并网频率、光照辐照强度、环境温湿度及风速数据中的至少一种;
7、对运行监测数据进行预处理后得到输入特征矩阵,包括:
8、对运行监测数据中出现的缺失值进行插值填充处理;
9、基于3σ准则对运行监测数据进行异常噪声剔除;
10、采用min-max归一化算法对剔除异常噪声后的运行监测数据进行无量纲化处理,统一各数据维度的量纲与精度,得到输入特征矩阵。
11、进一步地,通过图卷积神经网络对多场站之间的空间耦合关系进行特征提取,得到空间关联特征,包括:
12、基于场站拓扑图结构确定邻接矩阵,邻接矩阵用于量化各分布式发电场站之间的空间关联强度;
13、将输入特征矩阵与邻接矩阵输入图卷积神经网络,通过图卷积运算聚合每个场站及其相邻关联场站的运行特征,完成空间维度的特征迭代更新,得到各场站的局部空间关联特征;
14、通过多层图卷积堆叠,提取非相邻场站之间的间接耦合关系特征,将局部空间关联特征与间接耦合关系特征融合为空间关联特征。
15、进一步地,通过双向门控循环单元对空间关联特征进行前向时序与后向时序的双向特征挖掘,得到双向时序特征,包括:
16、将空间关联特征按时间序列输入双向门控循环单元的前向门控循环单元层,从历史时序维度正向学习各场站及集群的工况演变规律,捕捉发电功率渐变和设备状态缓慢劣化的长期时序特征;
17、将空间关联特征按时间序列反向输入双向门控循环单元的后向门控循环单元层,从当前时刻反向回溯历史工况,修正瞬时波动和环境扰动带来的特征偏差,捕捉短时突变和突发故障的短期异常特征;
18、将长期时序特征与短期异常特征拼接,得到双向时序特征。
19、进一步地,将空间关联特征与双向时序特征进行加权融合,得到时空融合特征,包括:
20、通过自适应权重分配机制确定空间关联特征对应的空间维度权重系数和双向时序特征对应的时序维度权重系数;
21、基于空间维度权重系数和时序维度权重系数,对空间关联特征和双向时序特征进行动态加权融合,得到时空融合特征。
22、进一步地,根据发电状态预测值与实时采集的实际运行数据之间的残差,结合预设的残差阈值判别机制判定各场站的运行异常状态,包括:
23、计算各分布式发电场站的发电状态预测值与实际运行数据之间的残差;
24、当残差小于或等于预设的残差阈值时,判定对应场站的运行状态为正常状态;
25、当残差大于残差阈值时,判定对应场站的运行状态为异常状态,并根据残差的偏离程度划分异常等级,异常等级至少包括轻度异常、中度异常和重度异常;
26、当判定为异常状态时,基于时空融合特征和残差的分布定位异常来源,异常来源包括单场站独立异常和多场站联动异常。
27、进一步地,当判定为异常状态并划分异常等级之后,还包括:
28、根据异常等级和异常来源,生成对应的智能运维策略,智能运维策略包括:
29、当异常等级为轻度异常时,生成预防性巡检建议;
30、当异常等级为中度异常时,生成设备检修计划调整建议;
31、当异常等级为重度异常时,生成紧急停机保护建议及并网解列操作建议;
32、将智能运维策略与运维监测结果一并推送至前端运维平台。
33、进一步地,还包括:
34、将每次运维监测过程中判定为异常状态的运行监测数据、对应的异常等级、异常来源及运维反馈结果存入异常知识库;
35、基于异常知识库中的累积数据,定期对图卷积神经网络和双向门控循环单元的模型参数进行增量训练或迁移学习优化,更新预设的残差阈值;
36、通过优化后的图卷积神经网络和双向门控循环单元对后续采集的运行监测数据进行运维监测。
37、根据本发明其中一实施例,还提供了一种新能源分布式发电运维监测装置,包括:
38、采集模块,用于采集分布式发电系统中多个分布式发电场站的运行监测数据,基于各分布式发电场站之间的电网拓扑连接关系构建场站拓扑图结构,对运行监测数据进行预处理后得到输入特征矩阵;
39、融合模块,用于基于场站拓扑图结构和输入特征矩阵,通过图卷积神经网络对多场站之间的空间耦合关系进行特征提取,得到空间关联特征,通过双向门控循环单元对空间关联特征进行前向时序与后向时序的双向特征挖掘,得到双向时序特征,将空间关联特征与双向时序特征进行加权融合,得到时空融合特征;
40、输出模块,用于基于时空融合特征通过全连接层进行特征映射,得到各分布式发电场站的发电状态预测值及设备健康度评分,根据发电状态预测值与实时采集的实际运行数据之间的残差,结合预设的残差阈值判别机制判定各场站的运行异常状态,输出运维监测结果。
41、根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现本发明各个实施例的新能源分布式发电运维监测方法。
42、在本发明实施例中,通过图卷积神经网络对场站拓扑图结构进行空间特征提取,聚合相邻及非相邻场站的间接耦合关系,实现了集群整体空间工况分布特征与功率联动特征的精准刻画;通过双向门控循环单元的前向时序推演与后向时序回溯,同时捕捉发电功率渐变劣化等长期趋势和瞬时突变等短期异常特征,有效解决了新能源发电强波动性工况下的特征偏差问题;进一步通过自适应加权融合实现空间与时序特征的深度耦合,结合残差阈值判别机制,能够精准区分单场站独立异常与多场站联动异常,并实现异常等级的量化分级;在实际应用中,相较于传统单一时序深度学习方法,大幅降低故障误报率和漏报率,能够精准识别隐性设备劣化、瞬时并网波动、集群工况失衡等各类运维问题。
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