基于多源数据融合的新能源场站运维系统及方法与流程

本发明涉及新能源发电，具体为基于多源数据融合的新能源场站运维系统及方法。

背景技术：

1、新能源场站包括风电场、光伏电站及其互补电站，通常部署在偏远地区，设备数量庞大且运行环境复杂，为保障场站安全高效运行，现有运维系统通常会部署多种数据采集装置，包括scada系统采集设备运行参数、cms系统采集振动状态、气象站采集环境数据、视频监控及无人机巡检采集图像信息等。多源数据融合技术通过整合上述异构数据，能够更全面地评估设备健康状态，逐步成为新能源场站智能化运维的重要手段。

2、然而，现有基于多源数据融合的新能源场站运维方案中，各数据源的融合权重多采用固定值或仅基于初始先验知识设定，缺乏根据实际运行环境和设备状态变化动态调整的能力，导致在环境波动或传感器异常时融合特征失真，引发故障诊断误报或漏报，影响运维决策的准确性。

技术实现思路

1、针对现有技术的不足，本发明提供了基于多源数据融合的新能源场站运维系统及方法，解决了因新能源场站环境时变导致融合权重失配、故障诊断误报率与漏报率偏高的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：基于多源数据融合的新能源场站运维系统，包括多源数据采集模块、边缘数据预处理模块、特征提取模块、数据融合引擎、状态评估模块、运维决策优化模块、数字孪生可视化模块以及闭环反馈模块；

3、所述边缘数据预处理模块与多源数据采集模块通信连接，所述特征提取模块的输入端连接至边缘数据预处理模块的输出端，所述数据融合引擎的输入端分别连接至特征提取模块的输出端及一个预训练的初始融合权重分配子模块，所述状态评估模块与数据融合引擎的输出端连接，所述运维决策优化模块的第一输入端连接至状态评估模块的输出端，第二输入端连接至一个运维规则库，所述数字孪生可视化模块分别与多源数据采集模块、状态评估模块和运维决策优化模块通信连接，所述闭环反馈模块连接在运维决策优化模块的输出端与数据融合引擎的参数调整端之间。

4、通过采用上述技术方案，由于采用多源数据采集模块采集七类异构数据，利用边缘预处理模块实现清洗、标准化与时空对齐，特征提取模块生成初步故障特征，数据融合引擎结合注意力机制与闭环反馈动态调整融合权重，状态评估模块同时输出健康等级与剩余寿命预测，运维决策优化模块生成多目标调度方案，数字孪生可视化模块实现三维实时交互，闭环反馈模块将运维执行结果反向修正融合参数，因此，获得了一个全链路闭环自优化的新能源场站运维系统，解决了数据孤岛问题，提高了故障诊断准确性和运维调度效率，并实现系统随运行经验持续进化。

5、优选的，所述多源数据采集模块包括：设备状态采集单元、气象站采集单元、视频监控单元、无人机巡检单元、电网通信接口及工单管理接口，用于分别采集设备的振动、温度、电压、电流数据，环境的风速、风向、辐照度数据，场站的热成像及可见光视频数据，设备外观缺陷图像数据，并网点功率调度指令数据以及历史运维工单数据。

6、通过采用上述技术方案，由于采用设备状态采集单元、气象站采集单元、视频监控单元、无人机巡检单元、电网通信接口及工单管理接口，分别采集振动、温度、电压、电流、风速、风向、辐照度、热成像视频、可见光视频、设备外观缺陷图像、并网点功率调度指令以及历史运维工单数据，因此，获得了覆盖设备内部状态、外部环境、视觉外观、电网指令及历史经验的全维度数据源，为后续多模态融合提供了完整的信息基础。

7、优选的，所述数据融合引擎内部包含一个基于注意力机制的动态置信度分配单元，该单元用于计算各模态特征的自注意力权重和互注意力权重，并基于从所述闭环反馈模块接收的运维有效性指标，实时调整各数据源在特征融合时的权重系数；所述动态置信度分配单元的初始权重由所述预训练的初始融合权重分配子模块提供。

8、通过采用上述技术方案，由于数据融合引擎内部包含基于注意力机制的动态置信度分配单元，该单元计算各模态特征的自注意力权重和互注意力权重，并基于闭环反馈模块接收的运维有效性指标实时调整各数据源在特征融合时的权重系数，且初始权重由预训练的初始融合权重分配子模块提供，因此，获得了既能利用历史先验知识又能根据实际运维结果在线优化的自适应融合能力，使融合权重动态匹配场站的时变特性。

9、优选的，所述状态评估模块采用深度残差网络与时序卷积网络的混合模型，其输入为所述数据融合引擎输出的融合特征张量，输出包括两部分：

10、第一部分为包含正常、注意、异常、严重四个等级的设备健康状态标签及其对应的概率向量；

11、第二部分为设备剩余使用寿命预测值及置信区间。

12、通过采用上述技术方案，由于状态评估模块采用深度残差网络与时序卷积网络的混合模型，其输入为融合特征张量，输出第一部分为包含正常、注意、异常、严重四个等级的设备健康状态标签及其概率向量，第二部分为设备剩余使用寿命预测值及置信区间，因此，获得了同时输出当前健康分级与未来寿命预测的双重评估结果，为运维决策提供了从即时状态到长期趋势的完整信息，且置信区间量化了预测不确定性。

13、优选的，所述运维决策优化模块以运维成本最低和故障处理时间最短为目标函数，采用遗传算法优化运维人员、车辆和备件的调度方案，生成的运维指令包括：待维护设备id、故障类型、故障严重程度、建议的维修窗口期、所需的备件列表、标准作业程序链接以及最优运维人员指派信息。

14、通过采用上述技术方案，由于运维决策优化模块以运维成本最低和故障处理时间最短为目标函数，采用遗传算法优化运维人员、车辆和备件的调度方案，生成的运维指令包括待维护设备id、故障类型、故障严重程度、建议的维修窗口期、所需的备件列表、标准作业程序链接以及最优运维人员指派信息，因此，获得了兼顾经济性与时效性的最优调度方案，实现了资源约束下的智能运维工单自动生成。

15、基于多源数据融合的新能源场站运维方法，包括以下步骤：

16、s1，通过多源数据采集模块采集新能源场站的多源原始数据；

17、s2，在边缘端对s1采集的数据进行实时清洗、标准化处理与时空对齐；

18、s3，从s2对齐后的数据中提取各数据源对应的初步故障特征；

19、s4，基于s3提取的特征，构建基于注意力机制的动态置信度融合模型，初始化各数据源的融合权重；

20、s5，根据s4计算的动态权重，执行加权特征融合，生成融合特征张量；

21、s6，将s5生成的融合特征张量输入至状态评估模块，同时输出设备健康状态等级和剩余使用寿命预测值及置信区间；

22、s7，根据s6的评估结果，结合场站运维资源配置情况，生成多目标优化的运维调度方案并执行；

23、s8，通过闭环反馈模块采集运维执行结果，反向修正s4中的动态置信度融合模型参数。

24、通过采用上述技术方案，由于方法包括步骤s1至s8：采集多源原始数据、边缘端清洗对齐、提取初步故障特征、构建动态置信度融合模型、加权融合生成融合特征张量、状态评估输出健康等级与剩余寿命、生成并执行多目标优化调度方案、闭环反馈修正融合模型参数，因此，获得了一个从数据采集到执行反馈的完整闭环方法流程，各步骤之间通过数据流和参数更新形成强依赖关系，确保了系统的自适应性和长期稳定性。

25、优选的，所述步骤s2中，时空对齐包括：以gps时间戳为基准，采用三次样条插值法将采样频率为1hz的设备状态数据、10hz的气象数据、25fps的视频数据和0.1hz的无人机巡检数据统一重采样至10hz的同步数据序列，并基于设备唯一标识建立数据与数字孪生体的空间映射关系。

26、通过采用上述技术方案，由于步骤s2中以gps时间戳为基准，采用三次样条插值法将采样频率为1hz的设备状态数据、10hz的气象数据、25fps的视频数据和0.1hz的无人机巡检数据统一重采样至10hz的同步数据序列，并基于设备唯一标识建立数据与数字孪生体的空间映射关系，因此，获得了多源数据在时间与空间上的严格对齐，为后续跨模态特征融合提供了同步、可比的基础数据集。

27、优选的，所述步骤s4中，构建基于注意力机制的动态置信度融合模型的方法包括：先计算各模态特征的自注意力权重和互注意力权重，得到初步的注意力分布；再为每个数据源分配一个由预训练模型提供的初始置信度，并根据步骤s8反馈的实际健康状态改善量，采用在线更新规则对每个数据源的融合权重进行动态调整，其中权重的更新量正相关于运维执行后的健康状态改善量以及该数据源当前的测量不确定度；最终的融合权重由注意力权重与动态置信度联合确定。

28、通过采用上述技术方案，由于步骤s4中先计算各模态特征的自注意力权重和互注意力权重得到初步注意力分布，再为每个数据源分配预训练模型提供的初始置信度，并根据步骤s8反馈的实际健康状态改善量采用在线更新规则动态调整融合权重，其中权重的更新量正相关于运维执行后的健康状态改善量以及该数据源当前的测量不确定度，最终的融合权重由注意力权重与动态置信度联合确定，因此，获得了融合注意力机制与强化学习反馈的双驱动权重调整能力，既关注模态间的瞬时相关性，又积累长期运维经验，且引入测量不确定度实现了抗噪声干扰。

29、优选的，所述步骤s5中，加权特征融合采用自适应加权求和与非线性激活相结合包括：首先将步骤s4给出的动态权重与各数据源的初步故障特征向量进行加权求和，再将求和结果通过一个非线性激活函数进行映射，生成融合特征张量。

30、通过采用上述技术方案，由于步骤s5中先将动态权重与各数据源的初步故障特征向量进行加权求和，再将求和结果通过非线性激活函数进行映射生成融合特征张量，因此，获得了既保留加权线性组合的可解释性，又通过非线性激活增强特征表达能力的融合表示，为后续状态评估模块提供了区分度更高的输入。

31、优选的，所述步骤s8中，利用执行结果反向修正包括：当运维工单执行后的预设时间窗口内，监测到步骤s6输出的健康状态等级提升一级或剩余使用寿命下降超过预设阈值时，计算健康状态改善量作为正奖励信号，增加本次融合中高贡献度数据源的置信度；反之，若无改善或状态恶化，则生成负奖励信号，降低相应数据源的置信度，并触发基于注意力机制的特征提取模型的重新校准流程。

32、通过采用上述技术方案，由于步骤s8中当运维工单执行后的预设时间窗口内监测到健康状态等级提升一级或剩余使用寿命下降超过预设阈值时，计算健康状态改善量作为正奖励信号，增加本次融合中高贡献度数据源的置信度；若无改善或状态恶化，则生成负奖励信号降低相应数据源的置信度，并触发基于注意力机制的特征提取模型的重新校准流程，因此，获得了不仅调整融合权重还能主动重训练特征提取模型的深度闭环优化能力，有效避免了长期运行中的性能退化。

33、本发明提供了基于多源数据融合的新能源场站运维系统及方法。具备以下有益效果：

34、1、本发明采用边缘端多源异构数据实时清洗、时空对齐与云端注意力机制动态置信度融合相结合的技术方案，实现了多模态数据在时间和空间上的精准同步及权重可实时调整的自适应融合，达到了融合特征张量能够准确反映设备真实健康状态、克服传感器噪声与数据缺失干扰的技术效果，相较于现有技术中采用固定融合权重或仅依赖单一数据源的故障诊断方案，解决了因新能源场站环境时变导致融合权重失配、故障诊断误报率与漏报率偏高的问题。

35、2、本发明采用状态评估模块同时输出设备健康状态等级及其概率向量、剩余使用寿命预测值及其置信区间的双分支输出技术方案，实现了对设备当前故障严重程度与未来退化趋势的联合评估，达到了为运维决策提供完整不确定性量化信息的技术效果，相较于现有技术中仅输出单一健康指标或点估计寿命值的方案，解决了运维人员无法预判设备剩余寿命与预测风险、难以制定预防性维护计划的问题。

36、3、本发明采用闭环反馈模块将运维执行结果反向修正数据融合引擎的置信度参数，并在反馈无改善时触发特征提取模型的重新校准的技术方案，实现了融合权重与特征提取模型的双重自优化闭环，达到了系统随实际运维经验持续进化、长期运行保持高准确性的技术效果，相较于现有技术中融合与诊断模型固定不变的开环架构，解决了缺乏自学习能力、无法利用运维历史优化自身性能以及长期运行后模型性能退化的问题。