一种基于物联网的光伏电站远程监控与故障诊断系统的制作方法

本发明涉及光伏监控，具体为一种基于物联网的光伏电站远程监控与故障诊断系统。

背景技术：

1、光伏发电作为可再生能源的主力军之一，其装机容量持续快速增长，电站分布日益广泛且趋于分散化、规模化。随着物联网、大数据、人工智能等新一代信息技术的成熟与普及，智慧能源管理成为行业发展的必然趋势。在此环境下，如何实现对海量光伏资产的实时状态感知、评估与快速故障定位，成为提升电站全生命周期经济效益与保障电网稳定运行的关键课题。

2、现有光伏电站监控系统多侧重于对发电量、电压、电流等电气参数的远程采集与简单越限报警，缺乏对发电性能波动的深度根因分析能力；当发电数据出现异常时，运维人员难以快速区分是由于气象环境变化、设备自然老化，还是由于光伏板表面积尘、积雪、遮挡等可处理的软性故障所致，往往需要派遣人员赴现场进行目视检查，响应滞后且成本高昂；传统的故障诊断方法无法量化评估不同覆盖物，如灰尘、鸟粪、阴影在不同光伏板属性及微环境下的差异化影响，导致诊断精度低、误报率高，无法为精准运维提供有效决策支持。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术所存在的上述缺点，本发明提供了一种基于物联网的光伏电站远程监控与故障诊断系统，能够有效地解决现有技术的问题。

3、（二）技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、本发明公开了一种基于物联网的光伏电站远程监控与故障诊断系统，包括：

6、发电初判模块，用于采集目标电站所在区域的气象数据、所述目标电站的实时发电数据，并调用历史发电数据，通过比对实时数据与历史数据的波动趋势，初步判断当前发电状态是否存在异常；

7、图像分析模块，用于当发电初判模块判定存在异常时，启动预设图像采集设备，获取所述目标电站光伏板阵列的监控图像，并对图像中的每一组光伏板进行视觉分析，提取其表面的覆盖物状态特征；

8、数据采集模块，用于同步采集所述光伏板的属性数据；

9、覆盖分析模块，通过基于深度学习算法构建覆盖影响模型，模型以覆盖物状态特征和光伏板属性数据作为联合输入，通过分析覆盖物在特定属性条件下的光学遮挡与热效应，输出当前覆盖物状态对光伏板发电效率的影响系数；

10、故障匹配模块，用于接收初步判断的异常波动趋势特征和影响系数，预存故障知识库，所述故障知识库包含多种典型故障模式，每种故障模式关联特定的波动趋势特征范围和影响系数阈值，将当前异常波动趋势特征与影响系数相结合，与故障知识库中的模式进行匹配，诊断故障事项；

11、告警触发模块，用于根据故障匹配模块匹配到的故障事项，触发对应级别的告警行为。

12、更进一步地，所述发电初判模块中发电状态的判断过程为：

13、对采集的实时发电功率序列进行滤波处理以消除瞬时噪声，并对历史发电功率数据按相同气象条件类型进行归类，所述气象条件类型至少包括晴天、多云、阴雨、雪天；

14、根据当前实时气象数据，确定所属气象条件类型，并从对应类别的历史数据中，提取相同季节、相同时刻段的发电功率数据，通过统计分析方法生成该条件下的发电功率基准曲线及其置信区间；

15、将经过预处理的实时发电功率序列与所述基准曲线进行同步比对，计算实时序列相对于基准曲线的偏离度；当所述偏离度连续超过预设的置信区间上限或下限，且持续时间达到预设的时间窗口阈值时，判定当前发电状态存在异常波动趋势；

16、在判定存在异常后，获取偏离度的空间分布特征，若异常仅出现在电站的局部汇流箱或组串回路，则初步定位为局部故障；若异常在全站范围内普遍存在，则结合当前气象数据，初步判断是否为全局性气象因素或电站级设备故障。

17、更进一步地，所述图像分析模块中的覆盖物状态特征包括覆盖物类型、分布密度及覆盖面积比例，其提取过程为：

18、对获取的光伏板监控图像进行预处理，所述预处理包括图像去噪、几何校正与光照均衡化；

19、利用预训练的卷积神经网络模型对预处理后的图像进行语义分割，将图像像素点分类为背景、光伏板清洁表面及不同类型的覆盖物，所述覆盖物类型至少包括灰尘、积雪、鸟粪和植物阴影；

20、基于语义分割的结果，针对每一组光伏板，获取其有效受光区域内各类覆盖物的投影面积占比，作为覆盖密度特征；

21、提取覆盖物在光伏板表面的分布均匀性特征，以及当存在多种覆盖物时，其混合分布的空间特征；

22、将所述覆盖物类型、覆盖密度特征、分布均匀性特征及混合分布空间特征进行融合与向量化，形成表征当前光伏板表面覆盖物状态的综合特征向量。

23、更进一步地，所述数据采集模块中的属性数据包括光伏板型号、安装倾角、方位角、当前理论峰值功率以及所处区域环境数据，所述区域环境数据通过部署在光伏板背板或支架上的微型传感器获取，包括板面温度、背板辐照度及局部风速。

24、更进一步地，所述覆盖分析模块中的覆盖影响模型的构建过程为：

25、收集历史及实时获取的、标注有实际发电效率损失率的光伏板监控图像及其对应的光伏板属性数据，构成训练样本集；所述发电效率损失率通过同期无覆盖物同型号光伏板的发电数据与实际发电数据对比计算得出；

26、构建深度神经网络模型，该模型包括一个用于处理监控图像的多层卷积特征提取子网络、一个用于处理光伏板属性数据的全连接编码子网络和一个特征融合与回归输出层；所述特征融合层将两个子网络提取的高维特征进行拼接或注意力机制加权融合；

27、使用训练样本集对所述深度神经网络模型进行有监督训练，以前向传播计算预测的影响系数，以反向传播和优化算法最小化预测影响系数与标注的发电效率损失率之间的损失函数，直至模型收敛；

28、使用独立的验证数据集评估训练后模型的预测精度与泛化能力，满足预设性能指标后，将模型参数固化并部署至覆盖分析模块中。

29、更进一步地，所述故障匹配模块中的故障知识库基于历史故障案例的统计分析进行模式验证与修正，收集并标注历史运维记录中的实际故障事件、对应的发电数据波动曲线、现场图像及最终处理措施，通过提取统计规律，对仿真生成的基础故障模式进行校准，补充实际运维中出现的复合故障及边缘案例。

30、更进一步地，所述告警触发模块在运行阶段，分级别的告警行为根据故障事项对发电效率的影响系数大小、故障扩散风险以及预计修复时长进行划分，不同级别对应不同的通知渠道、响应时限和上报流程；所述告警行为包括在监控界面生成告警信息、发送短信或邮件通知运维人员，以及生成包含故障定位与初步诊断报告的工单。

31、更进一步地，所述告警触发模块通过无线网络交互连接有数据交互模块，所述数据交互模块用于存储系统运行所需的全部历史数据、实时数据、模型参数及故障记录，并提供数据接口，并通过标准化的api接口与外部系统进行数据同步和指令接收。

32、更进一步地，所述覆盖分析模块和故障匹配模块通过无线网络交互连接有模型优化模块，所述模型优化模块用于收集历史诊断案例、实际处理结果及后续的发电数据恢复情况，作为覆盖影响模型和故障知识库进行迭代更新的数据参照。

33、更进一步地，所述发电初判模块与图像分析模块和数据采集模块通过无线网络交互连接，所述覆盖分析模块与图像分析模块、数据采集模块和故障匹配模块通过无线网络交互连接，所述故障匹配模块与告警触发模块通过无线网络交互连接。

34、（三）有益效果

35、采用本发明提供的技术方案，与已知的现有技术相比，具有如下有益效果：

36、1、 通过融合气象数据、实时发电数据、图像与设备属性等多源信息，并引入基于深度学习的覆盖影响模型，系统能够将发电数据的异常波动与特定类型与特定面积的覆盖物的遮挡进行精确关联，并量化其影响程度，提升了诊断的准确性和可操作性，为后续的精准维护提供了直接依据。

37、2、 通过自动化的数据采集、分析、匹配与告警触发，将运维人员从繁琐的数据监控和初步判断中解放出来，对于由覆盖物引起的潜在发电损失，系统能早期识别并精准定位，指导运维团队进行有针对性的清洗或处理，避免了盲目巡检或过度清洗带来的人力与资源浪费，从而有效提升电站整体可用性和发电收益，降低全生命周期运维成本。