CN109977624A - 基于深度神经网络的光伏电站缓变故障监测方法 - Google Patents
基于深度神经网络的光伏电站缓变故障监测方法 Download PDFInfo
- Publication number
- CN109977624A CN109977624A CN201910370080.2A CN201910370080A CN109977624A CN 109977624 A CN109977624 A CN 109977624A CN 201910370080 A CN201910370080 A CN 201910370080A CN 109977624 A CN109977624 A CN 109977624A
- Authority
- CN
- China
- Prior art keywords
- fault
- photovoltaic power
- model
- faults
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
一种基于深度神经网络的光伏电站缓变故障监测方法及系统，通过离线构建故障预测模型，并使用预处理后的历史数据，根据已知故障类型对应的样本数据建模并对模型进行训练和测试，然后通过该故障预测模型实时对整个光伏电站受监控的所有设备进行实时故障监测，提交结果的同时对故障预测模型进行持续线上更新。本发明能够充分利用光伏电站系统中采集的历史数据，解决当前光伏电站系统组件定期维护成本高，故障难预防难排查的问题。
Description
技术领域
本发明涉及的是一种电站控制领域的技术，具体是一种基于深度神经网络的光伏电站缓变故障监测方法。
背景技术
光伏电站作为目前比较热门的新能源解决方案，其运行情况受各种因素影响较大，而故障防护完全依靠运维人员定期全面维护，处理成本非常高昂。目前，对于光伏系统的大数据采集方案较多，而数据应用方案的少，尤其是故障处理这一方面迫切需要专门的软件系统实时提供运维建议、实现有目的性的检修与维护。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于深度神经网络的光伏电站缓变故障监测方法，能够充分利用光伏电站系统中采集的历史数据，解决当前光伏电站系统组件定期维护成本高，故障难预防难排查的问题。
本发明是通过以下技术方案实现的：
本发明涉及一种基于深度神经网络的光伏电站缓变故障监测方法，通过离线构建故障预测模型，并使用预处理后的历史数据，根据已知故障类型对应的样本数据建模并对模型进行训练和测试，然后通过该故障预测模型实时对整个光伏电站受监控的所有设备进行实时故障监测，提交结果的同时对故障预测模型进行持续线上更新。
所述的故障类型包括但不限于逆变器异常、汇流箱异常、组件损坏或遮挡、线路故障等。
所述的离线构建是指：通过训练分离出不同故障类型的早期故障特征量，确定正常运行情况的控制限和异常情况下的统计量，结合主元分析的方法，简化主要的早期特征量集合，并作相应的故障分类，形成不同故障类型的故障演变标尺，进而得到故障预测模型。
所述的早期故障特征量是指：在设备未进入实际故障且运行状况异于健康状态时所呈现的相关特征量，诸如设备的运行发热量、功耗、输出功率等。定义故障早期特征量能帮助在缓变故障的早期发现故障，即可确定早期故障检出点。
所述的主元分析是指：从多个故障可能的相关特征量中提取整合少数几个综合指标，将高维深层特征集成为一维的主要故障特征量，实现数据集的简化。
所述的故障分类是指：通过计算训练样本归属不同类的概率对样本分类，从而判断出其故障类型。
所述的故障演变标尺是指：对定义好的故障类型，建立起该故障下设备剩余寿命与通过主元分析所确定的主要故障特征量之间的指数型的非线性关系，使得通过主要故障特征量即可对应到当前故障所处阶段，即或设备剩余寿命。
所述的故障预测模型具体为含有N个隐层的深度神经网络(DNN)模型，包括由自编码器进行堆叠而成的多个隐层神经网络，该故障预测模型首先进行自下而上的无监督逐层特征提取，然后利用有监督的学习方法对整个网络参数进行微调与修正，从而能够在原始数据中提取到系统与各类故障相关的本质特征属性，并定义出这些特征与各故障缓变过程的非线性拟合关系。
所述的测试是指：通过测试样本对离线模型进行伪实时预测，针对不符合预期的情况进行参数调整与模型优化，最终得到可以上线的初步版本。
所述的伪实时预测是指：通过已知故障的测试数据，对预测模型进行检测，测试是否有误报或者失报的情况。
所述的线上更新是指：对预测结果的准确性，即误报率、失报率进行评估，预测正确则持续运行，误报则调整参数对模型进行更新。
技术效果
与现有技术相比，本发明通过深度神经网络发掘光伏电站历史运行数据，可以准确提取早期故障相关特征量，并依据特征量建立剩余寿命预测模型。通过模型对电站实时的运行数据进行分析，能够预测出近期可能的设备故障，提高了光伏电站维护的效率和故障视情处理的准确性。从而降低停运率，节约维护成本。
附图说明
图1为本发明系统流程示意图；
图2为本发明故障预测算法网络结构图。
具体实施方式
如图1所示，为本实施例涉及的一种基于深度神经网络的光伏电站缓变故障监测系统，包括：建模学习模块、模型验证模块、监控模块和更新模块，其中：建模学习模块通过对所选取的光伏电站历史数据(1至3年的运行参数记录及典型故障数据)进行学习分类，对于所选取几种常见缓变故障进行学习，得到其早期主要故障特征量，并拟合出其与所对应故障设备剩余寿命间非线性关系的模型；模型验证模块通过未用于建模部分输出的模型，对于不满足预期的情况，即模型反映出过高的误报/失报率，可提供参数修改的反馈及参考，对于验证通过符合预期的模型，即可上线到实时部分运行；监控模块根据最新的模型监控电站运行，对出现缓变故障征兆的设备提前提出视情维护的要求，更新模块将出现误报与失报的情况及时反馈给离线系统以定期对模型进行更新。
如图2所示，本发明涉及上述系统的监测方法，具体包括以下步骤：
步骤1)利用基于自编码器的深度学习的强大表征能力，构建含有N个隐层的深度神经网络(DNN)模型，其输入为m个电站运行参数，例如设备温度、输出功率、伏安特性等。定义k个常见缓变故障类型，如逆变器异常、汇流箱异常、组件损坏或遮挡、线路故障等，并依据历史数据存在有部分观测矩阵A∈Am×k，该矩阵反应某参数输入集合是否与某缓变故障相关。根据输入参数的N层自编码将观测输入投影到小于k维度的隐空间，后在输出空间对应不同故障类型来判断输入是否对应某个缓变故障。
形式化地说，对于给定的输入参数xm，即为m个电站运行参数，标签为ρm，ρm＝1，2，…，M，构建网络为[Net，Tr]＝Feedforward(θ；H1，H2，…，HN；xm)，其中θ＝{W，b}，W为权值矩阵，b为偏置向量，H1，H2，…，HN为各隐层神经元的个数。各层的编码器对输入样本特征进行逐层抽取： 并在网络顶层增加一个分类器层，利用BP算法对整个网络参数进行修正，并获得输出对应预测结果，即为故障类型或无故障。
步骤2)通过模型的为实时仿真，计算测试样本归属不同类的概率，利用softmax对样本进行分类 为经过特征提取之后的实际输出；Classification(m)表示第m个测试样本的分类标签，即诊断出的测试样本符合哪种缓变故障类型的早期特征。
通过主元分析的方式将故障特征从多为向量集成为一位特征变量，即将多维向量分析后得到的平方预测误差统计量用来定义故障演变标尺。分析之前DNN模型所抽取的多组数据的第N各隐层特征，分为正常运行特征hNormal和故障运行特征hAbnormal，依据正常特征hNormal建立主元模型，并获取控制限δ，再依据故障特征计算得故障数据平方预测误差统计量的值，并作平滑处理其中t＝1，2，…，M，w为由平滑窗口内所包含样本个数所定义得窗口长度。
将与δ得差值处于tstart和tfailure间的部分构建为缓变故障的演变标尺Rs。tstart是利用深度学习获得的早期故障检出时刻，视为检出点，tfailure则是浅层神经网络所检出的故障发生实际时刻，是为故障点。
将故障时刻的剩余寿命记作0，得到剩余寿命预测的表达为RUL(t)＝tfailure-t,结合演变标尺R的误差修正，得到非线性剩余寿命预测模型为RUL(t)＝f(R(t))+E(R(t))，其中误差修正定义为E(R(t))＝RUL(Rs(t))-f(Rs(t))。
步骤3)在线上模型实时运行中，会先对在线数据做深层特征抽取，得到高维特征hRuntime，再利用主元分析做特征融合，得到主要故障特征量，最后依据带修正的实时剩余寿命预测模型给出当前运行状态下的故障预测。
本发明通过基于自编码器的深度神经网络，对光伏电站的缓变故障的早期特征进行了挖掘，并建立了故障早期特征与设备剩余寿命间的关系模型，从而对缓变故障的进展进行监控和预报。实验结果表明，依据本发明方法所建立的故障预测模型，按设备剩余使用寿命为100小时为预报点，故障预测成功率为94.349％，误报率为3.763％，失报率为1.887％。电站故障停运率降低了9％。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (8)
1.一种基于深度神经网络的光伏电站缓变故障监测方法，其特征在于，通过离线构建故障预测模型，并使用预处理后的历史数据，根据已知故障类型对应的样本数据建模并对模型进行训练和测试，然后通过该故障预测模型实时对整个光伏电站受监控的所有设备进行实时故障监测，提交结果的同时对故障预测模型进行持续线上更新；
所述的离线构建是指：通过训练分离出不同故障类型的早期故障特征量，确定正常运行情况的控制限和异常情况下的统计量，结合主元分析的方法，简化主要的早期特征量集合，并作相应的故障分类，形成不同故障类型的故障演变标尺，进而得到故障预测模型；
所述的早期故障特征量是指：在设备未进入实际故障且运行状况异于健康状态时所呈现的特征量；
所述的故障预测模型具体为含有若干隐层的深度神经网络模型。
2.根据权利要求1所述的光伏电站缓变故障监测方法，其特征是，所述的早期故障特征量包括：运行发热量、功耗、输出功率。
3.根据权利要求1所述的光伏电站缓变故障监测方法，其特征是，所述的主元分析是指：从多个故障可能的特征量中提取整合少数几个综合指标，将高维深层特征集成为一维的主要故障特征量，实现数据集的简化。
4.根据权利要求1所述的光伏电站缓变故障监测方法，其特征是，所述的故障分类是指：通过计算训练样本归属不同类的概率对样本分类，从而判断出其故障类型。
5.根据权利要求1所述的光伏电站缓变故障监测方法，其特征是，所述的故障演变标尺是指：对定义好的故障类型，建立起该故障下设备剩余寿命与通过主元分析所确定的主要故障特征量之间的指数型的非线性关系，使得通过主要故障特征量即可对应到当前故障所处阶段，即或设备剩余寿命。
6.根据权利要求1所述的光伏电站缓变故障监测方法，其特征是，所述的故障预测模型首先进行自下而上的无监督逐层特征提取，然后利用有监督的学习方法对整个网络参数进行微调与修正，从而能够在原始数据中提取到系统与各类故障相关的本质特征属性，并定义出这些特征与各故障缓变过程的非线性拟合关系。
7.根据权利要求1所述的光伏电站缓变故障监测方法，其特征是，所述的测试是指：通过测试样本对离线模型进行伪实时预测，针对不符合预期的情况进行参数调整与模型优化，最终得到可以上线的初步版本；
所述的伪实时预测是指：通过已知故障的测试数据，对预测模型进行检测，测试是否有误报或者失报的情况。
8.根据权利要求1所述的光伏电站缓变故障监测方法，其特征是，所述的线上更新是指：对预测结果的准确性，即误报率、失报率进行评估，预测正确则持续运行，误报则调整参数对模型进行更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910370080.2A CN109977624A (zh) | 2019-05-06 | 2019-05-06 | 基于深度神经网络的光伏电站缓变故障监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910370080.2A CN109977624A (zh) | 2019-05-06 | 2019-05-06 | 基于深度神经网络的光伏电站缓变故障监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109977624A true CN109977624A (zh) | 2019-07-05 |
Family
ID=67072867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910370080.2A Pending CN109977624A (zh) | 2019-05-06 | 2019-05-06 | 基于深度神经网络的光伏电站缓变故障监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109977624A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427712A (zh) * | 2019-08-07 | 2019-11-08 | 广东工业大学 | 一种基于故障影响分析的预防性维修方法及车间制造系统 |
| CN110764474A (zh) * | 2019-10-16 | 2020-02-07 | 上海电气集团股份有限公司 | 监测设备运行状态的方法和系统 |
| CN110779988A (zh) * | 2019-10-30 | 2020-02-11 | 同济大学 | 一种基于深度学习的螺栓寿命预测方法 |
| CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
| CN111487950A (zh) * | 2020-04-24 | 2020-08-04 | 西安交通大学 | 在线预警和离线诊断的“预测-验证-反馈-优化”闭环系统 |
| CN112183877A (zh) * | 2020-10-13 | 2021-01-05 | 上海大学 | 一种基于迁移学习的光伏电站故障智能诊断方法 |
| CN113075512A (zh) * | 2021-04-01 | 2021-07-06 | 陕西省地方电力（集团）有限公司 | 基于声检测的变压器放电故障诊断方法和系统 |
| WO2022134911A1 (zh) * | 2020-12-21 | 2022-06-30 | 中兴通讯股份有限公司 | 诊断方法、装置、终端及存储介质 |
| CN114997745A (zh) * | 2022-07-28 | 2022-09-02 | 华能国际电力江苏能源开发有限公司清洁能源分公司 | 一种基于深度特征提取的光伏故障诊断溯源方法 |
| WO2023015484A1 (en) * | 2021-08-11 | 2023-02-16 | Siemens Aktiengesellschaft | Method and apparatus for training a model |
| CN115830426A (zh) * | 2022-11-30 | 2023-03-21 | 贵州电网有限责任公司 | 一种基于自监督机制的自适应表后光伏监测方法及装置 |
| EP4118592A4 (en) * | 2020-03-13 | 2023-08-23 | Envision Digital International Pte. Ltd. | Method and apparatus for determining operating state of photovoltaic array, device and storage medium |
| CN116707437A (zh) * | 2023-08-04 | 2023-09-05 | 国网山西省电力公司运城供电公司 | 一种基于边缘计算的光伏电站电弧故障监控装置 |
| CN116826979A (zh) * | 2023-08-29 | 2023-09-29 | 国网江苏省电力有限公司镇江供电分公司 | 一种分布式光伏电站的电能质量控制方法及系统 |
| US11899765B2 (en) | 2019-12-23 | 2024-02-13 | Dts Inc. | Dual-factor identification system and method with adaptive enrollment |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214552A (zh) * | 2018-08-09 | 2019-01-15 | 上海安悦节能技术有限公司 | 基于集成学习光伏预测的智能运维方法 |
-
2019
- 2019-05-06 CN CN201910370080.2A patent/CN109977624A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214552A (zh) * | 2018-08-09 | 2019-01-15 | 上海安悦节能技术有限公司 | 基于集成学习光伏预测的智能运维方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHOU FN, PARK JH AND LIU YJ: "Differential feature based hierarchical PCA fault detection method for dynamic fault", 《JOURNAL OF PROCESS CONTROL》 * |
| 周福娜，高育林，王佳瑜等: "基于深度学习的缓变故障早期诊断及寿命预测", 《山东大学学报》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427712A (zh) * | 2019-08-07 | 2019-11-08 | 广东工业大学 | 一种基于故障影响分析的预防性维修方法及车间制造系统 |
| CN110427712B (zh) * | 2019-08-07 | 2020-05-15 | 广东工业大学 | 一种基于故障影响分析的预防性维修方法及车间制造系统 |
| CN110764474A (zh) * | 2019-10-16 | 2020-02-07 | 上海电气集团股份有限公司 | 监测设备运行状态的方法和系统 |
| CN110779988A (zh) * | 2019-10-30 | 2020-02-11 | 同济大学 | 一种基于深度学习的螺栓寿命预测方法 |
| US11899765B2 (en) | 2019-12-23 | 2024-02-13 | Dts Inc. | Dual-factor identification system and method with adaptive enrollment |
| CN111222549B (zh) * | 2019-12-30 | 2023-10-24 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
| CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
| US11829902B2 (en) | 2020-03-13 | 2023-11-28 | Envision Digital International Pte. Ltd. | Method and apparatus for determining operating state of photovoltaic array, device and storage medium |
| EP4118592A4 (en) * | 2020-03-13 | 2023-08-23 | Envision Digital International Pte. Ltd. | Method and apparatus for determining operating state of photovoltaic array, device and storage medium |
| CN111487950A (zh) * | 2020-04-24 | 2020-08-04 | 西安交通大学 | 在线预警和离线诊断的“预测-验证-反馈-优化”闭环系统 |
| CN112183877A (zh) * | 2020-10-13 | 2021-01-05 | 上海大学 | 一种基于迁移学习的光伏电站故障智能诊断方法 |
| WO2022134911A1 (zh) * | 2020-12-21 | 2022-06-30 | 中兴通讯股份有限公司 | 诊断方法、装置、终端及存储介质 |
| CN113075512A (zh) * | 2021-04-01 | 2021-07-06 | 陕西省地方电力（集团）有限公司 | 基于声检测的变压器放电故障诊断方法和系统 |
| WO2023015484A1 (en) * | 2021-08-11 | 2023-02-16 | Siemens Aktiengesellschaft | Method and apparatus for training a model |
| CN114997745B (zh) * | 2022-07-28 | 2022-10-04 | 华能国际电力江苏能源开发有限公司清洁能源分公司 | 一种基于深度特征提取的光伏故障诊断溯源方法 |
| CN114997745A (zh) * | 2022-07-28 | 2022-09-02 | 华能国际电力江苏能源开发有限公司清洁能源分公司 | 一种基于深度特征提取的光伏故障诊断溯源方法 |
| CN115830426A (zh) * | 2022-11-30 | 2023-03-21 | 贵州电网有限责任公司 | 一种基于自监督机制的自适应表后光伏监测方法及装置 |
| CN116707437B (zh) * | 2023-08-04 | 2023-10-13 | 国网山西省电力公司运城供电公司 | 一种基于边缘计算的光伏电站电弧故障监控装置 |
| CN116707437A (zh) * | 2023-08-04 | 2023-09-05 | 国网山西省电力公司运城供电公司 | 一种基于边缘计算的光伏电站电弧故障监控装置 |
| CN116826979A (zh) * | 2023-08-29 | 2023-09-29 | 国网江苏省电力有限公司镇江供电分公司 | 一种分布式光伏电站的电能质量控制方法及系统 |
| CN116826979B (zh) * | 2023-08-29 | 2024-01-12 | 国网江苏省电力有限公司镇江供电分公司 | 一种分布式光伏电站的电能质量控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
| CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
| CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
| CN120163069B (zh) | 一种基于深度学习的机电系统故障诊断系统 | |
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN106598791B (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
| CN119312250A (zh) | 基于多源异构数据融合技术的变电站主设备自检系统 | |
| CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
| CN117667495B (zh) | 一种关联规则与深度学习集成的应用系统故障预测方法 | |
| KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
| CN114420333B (zh) | 一种三代非能动核电厂的事故诊断跟踪及快速预测系统 | |
| CN119741003A (zh) | 一种基于大数据分析的水电站远程故障预警方法及系统 | |
| CN111783856B (zh) | 一种面向制造业的设备故障辅助诊断方法及系统 | |
| CN117972493A (zh) | 换电站设备故障诊断方法、装置、电子设备及存储介质 | |
| CN118013847A (zh) | 一种基于数字孪生技术的仿真模型和预测方法 | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| CN119782390A (zh) | 一种变电站巡视报告生成方法和系统 | |
| CN119511869A (zh) | 一种基于数字孪生技术的智能监测调节方法、系统及设备 | |
| CN119625953A (zh) | 一种用于移动端的电力设备异常预警系统 | |
| CN119599635A (zh) | 电力故障检测方法 | |
| CN118761632A (zh) | 一种基于大数据分析的快速精准预警响应的数字预案生成方法 | |
| CN117150355A (zh) | 一种具有四预功能的机组全生命周期监测系统 | |
| CN118296370A (zh) | 基于神经网络的列车故障预测方法及系统 | |
| CN120256244B (zh) | 基于云平台的分布式能源数据监控方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |