本發(fā)明涉及智能監(jiān)測，具體而言，涉及一種光伏電站智能監(jiān)測與數(shù)據(jù)分析系統(tǒng)及系統(tǒng)。

背景技術(shù)：

1、隨著全球能源結(jié)構(gòu)向清潔化和低碳化轉(zhuǎn)型，光伏發(fā)電作為可再生能源的重要形式，裝機容量快速增長；然而，光伏電站普遍存在設(shè)備分布廣、運行環(huán)境復(fù)雜、發(fā)電效率受光照強度、溫度和灰塵遮擋等多因素影響的特點，傳統(tǒng)監(jiān)測系統(tǒng)或方法多采用人工巡檢與基礎(chǔ)數(shù)據(jù)采集結(jié)合的方式，存在監(jiān)測實時性不足、故障響應(yīng)滯后和數(shù)據(jù)價值挖掘不充分等問題；現(xiàn)有技術(shù)中，多數(shù)監(jiān)測方案依賴單一傳感器網(wǎng)絡(luò)或簡單閾值報警機制，難以實現(xiàn)組件級精細(xì)化監(jiān)測，且缺乏對海量運行數(shù)據(jù)的深度關(guān)聯(lián)分析能力，導(dǎo)致潛在故障無法提前預(yù)警、系統(tǒng)能效優(yōu)化缺乏數(shù)據(jù)支撐；同時，分散式光伏電站的遠(yuǎn)程集中管理需求日益迫切，而傳統(tǒng)系統(tǒng)在異構(gòu)設(shè)備兼容性、數(shù)據(jù)傳輸穩(wěn)定性和云端協(xié)同分析等方面存在技術(shù)瓶頸，限制了運維效率提升與發(fā)電收益最大化；此外，隨著人工智能與物聯(lián)網(wǎng)技術(shù)的發(fā)展，如何將機器學(xué)習(xí)算法與光伏系統(tǒng)特性深度融合，構(gòu)建動態(tài)預(yù)測模型及智能決策體系，成為行業(yè)亟待突破的技術(shù)難點；本發(fā)明的提出旨在解決上述技術(shù)缺陷，為光伏電站的高效運維與智能化管理提供創(chuàng)新性解決方案。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的以上問題，以及在原有技術(shù)基礎(chǔ)上大大提高其技術(shù)效果；本發(fā)明提供了一種光伏電站智能監(jiān)測與數(shù)據(jù)分析系統(tǒng)，該系統(tǒng)包括：

2、傳感器網(wǎng)絡(luò)模塊；光伏電站數(shù)據(jù)分析模塊；電網(wǎng)需求預(yù)測模塊；供電調(diào)整模塊。

3、其中，所述傳感器網(wǎng)絡(luò)模塊部署在各光伏陣列、逆變器、氣象監(jiān)測設(shè)備和電網(wǎng)中；將電流電壓傳感器、交流電壓傳感器和紅外熱成像傳感器部署在光伏陣列各光伏組件的適當(dāng)位置，通過電流電壓傳感器實時采集光伏組件的輸出電流、電壓和功率數(shù)據(jù)；通過交流電壓傳感器實時檢測逆變器自身產(chǎn)生的交流電壓幅值與波形，確保逆變器的功率器件工作在安全范圍內(nèi)，防止過壓被擊穿；通過紅外熱成像傳感器周期性掃描光伏組件表面溫度分布并生成熱斑塊圖譜；將灰塵積累檢測傳感器部署在光伏太陽能電池板邊緣適當(dāng)位置，基于光衰減原理量化太陽能電池板灰塵覆蓋率；將氣象傳感器部署在光伏陣列附近，同步采集光照強度、環(huán)境溫濕度、風(fēng)速和降雨量數(shù)據(jù)；所述光伏陣列包括：是由光伏組件按照一定的順序排列而成，并通過光伏組件將太陽能轉(zhuǎn)化為直流電，隨后通過逆變器將直流電轉(zhuǎn)化為交流電，將一部分交流電傳遞給電網(wǎng)，由電網(wǎng)分配給用戶使用；一部分交流電存儲在光伏陣列的儲能系統(tǒng)中。

4、其中，所述光伏電站數(shù)據(jù)分析模塊用于對傳感器模塊采集的數(shù)據(jù)進(jìn)行處理；光伏電站數(shù)據(jù)分析模塊包括：數(shù)據(jù)預(yù)處理單元、數(shù)字孿生建模單元、多模態(tài)數(shù)據(jù)融合單元、自適應(yīng)故障診斷單元和發(fā)電量預(yù)測單元；所述數(shù)據(jù)預(yù)處理單元指對各種傳感器采集的數(shù)據(jù)進(jìn)行預(yù)處理，處理包括：去噪、時間戳對齊和異常值剔除；所述數(shù)值孿生建模單元指通過采集的數(shù)據(jù)構(gòu)建電站三維虛擬模型，動態(tài)映射物理電站的運行狀態(tài)；所述多模態(tài)數(shù)據(jù)融合單元指將采集到的多種數(shù)據(jù)進(jìn)行時空關(guān)聯(lián)，并生成多維特征向量；所述自適應(yīng)故障診斷單元指基于多維特征向量識別包括組件老化、接線故障和逆變器效率下降的典型故障，并輸出置信度評分；所述發(fā)電量預(yù)測單元指結(jié)合天氣狀況和設(shè)備健康狀態(tài)，采用人工智能算法生成未來48小時發(fā)電量概率分布曲線。

5、進(jìn)一步地，所述數(shù)據(jù)預(yù)處理單元包括：采用時間序列數(shù)據(jù)清洗技術(shù)對采集到的光伏電站數(shù)據(jù)進(jìn)行去噪、時間戳對齊和異常值剔除的預(yù)處理；所述數(shù)字孿生建模單元包括：采用數(shù)字孿生建模技術(shù)通過采集的數(shù)據(jù)和光伏電站的實際情況，建立光伏電站的三維虛擬模型；根據(jù)建立的三維虛擬模型，并基于物理的退化模型模擬不同灰塵覆蓋率對組件輸出特性的影響，判斷灰塵覆蓋率和發(fā)點效率的關(guān)系；所述多模態(tài)數(shù)據(jù)融合單元包括：采用時空圖神經(jīng)網(wǎng)絡(luò)對采集到的多種數(shù)據(jù)進(jìn)行時空關(guān)聯(lián)，并生成多維特征向量；所述自適應(yīng)故障診斷單元包括：獲取公開的光伏故障數(shù)據(jù)和運維人員實時反饋的誤報信息，通過遷移學(xué)習(xí)策略利用公開的光伏故障數(shù)據(jù)集進(jìn)行訓(xùn)練得到基礎(chǔ)模型，隨后通過在線主動學(xué)習(xí)機制根據(jù)運維人員反饋的誤報信息動態(tài)調(diào)整基礎(chǔ)模型，基礎(chǔ)模型通過多維特征向量識別包括組件老化、接線故障和逆變器效率下降的典型故障，并輸出置信度評分；發(fā)電量預(yù)測單元包括：分別采用卷積神經(jīng)網(wǎng)絡(luò)提取氣象數(shù)據(jù)中的空間關(guān)聯(lián)特征，采用時間注意力機制捕捉設(shè)備性能衰減的長期趨勢，采用貝葉斯神經(jīng)網(wǎng)絡(luò)量化預(yù)測結(jié)果的不確定性區(qū)間；因此，分別通過卷積神經(jīng)網(wǎng)絡(luò)、時間注意力機制和貝葉斯神經(jīng)網(wǎng)絡(luò)的人工智能算法將天氣狀況和設(shè)備健康狀態(tài)結(jié)合起來，生成未來48小時發(fā)電量概率分布曲線。

6、其中，電網(wǎng)需求預(yù)測模塊用于對連接光伏電站的電網(wǎng)用電需求量進(jìn)行預(yù)測，分別采用電網(wǎng)用電歷史數(shù)據(jù)求得擬合函數(shù)和訓(xùn)練神經(jīng)網(wǎng)絡(luò)算法，并結(jié)合擬合函數(shù)的預(yù)測結(jié)果和神經(jīng)網(wǎng)絡(luò)算法的預(yù)測結(jié)果判定電網(wǎng)用電需求量；所述分別采用電網(wǎng)用電歷史數(shù)據(jù)求得擬合函數(shù)和訓(xùn)練神經(jīng)網(wǎng)絡(luò)算法包括：首先，根據(jù)歷史數(shù)據(jù)，采用最小二乘法求得電網(wǎng)用電功率和時間的擬合函數(shù)；采用lstm算法對電網(wǎng)用電歷史數(shù)據(jù)進(jìn)行訓(xùn)練，得到訓(xùn)練好的lstm算法模型；所述采用lstm算法對電網(wǎng)用電歷史數(shù)據(jù)進(jìn)行訓(xùn)練包括：首先，提取電網(wǎng)用電歷史數(shù)據(jù)的日期信息、周信息和時間信息組成數(shù)據(jù)集x＝{(gi，hi，ti)}，其中，gi為第i個數(shù)據(jù)對應(yīng)的日期信息，hi為第i個數(shù)據(jù)的周信息，hi∈[1,7]，hi為整數(shù)，ti對應(yīng)每一天的時間信息，ti的時間間隔為10分鐘；另外取ti－1到ti時間內(nèi)的平均功率pi組成數(shù)據(jù)集y＝{pi}；將數(shù)據(jù)集x作為輸入，將數(shù)據(jù)集y作為輸出對lstm算法進(jìn)行訓(xùn)練，得到訓(xùn)練后的lstm算法模型。

7、進(jìn)一步地，所述并結(jié)合擬合函數(shù)的預(yù)測結(jié)果和神經(jīng)網(wǎng)絡(luò)算法的預(yù)測結(jié)果判定電網(wǎng)用電需求量包括：首先，通過訓(xùn)練后的lstm算法模型預(yù)測相鄰的未來10分鐘內(nèi)電網(wǎng)用電的平均功率pl；其次，將訓(xùn)練后的lstm算法模型預(yù)測的時間段映射到擬合函數(shù)的時間信息中，得到對應(yīng)的擬合函數(shù)時間段信息，提取對應(yīng)擬合函數(shù)時間段信息對應(yīng)的功率曲線信息，通過功率曲線信息求取對應(yīng)擬合函數(shù)時間段信息內(nèi)的平均功率信息pn；最后，若pl≤pn，則接下來的10分鐘按照對應(yīng)的擬合函數(shù)時間段信息對應(yīng)的功率曲線對電網(wǎng)供電；若pl＞pn，則接下來的10分鐘按照對應(yīng)的擬合函數(shù)時間段信息對應(yīng)的功率曲線每個點的功率值乘得到新的功率曲線，通過新的功率曲線對對應(yīng)時間段的電網(wǎng)供電。

8、其中，所述供電調(diào)整模塊用于將多個光伏電站的電量分配到電網(wǎng)上，使得電網(wǎng)有充足的電量提供給用戶；根據(jù)判定的對應(yīng)時間段對電網(wǎng)供電的功率曲線，調(diào)控多個光伏電站實時給電網(wǎng)分配充足的電量；使得該時間段內(nèi)對應(yīng)時間多個光伏電站提供的功率總和等于功率曲線對應(yīng)點的功率；并提取擬合函數(shù)未來48小時的功率曲線，獲得未來48小時的總用電量，將總用電量代入未來48小時發(fā)電量概率分布曲線，判定所述總發(fā)電量在未來48小時發(fā)電量概率分布曲線中的概率，判斷概率是否小于概率閾值，概率閾值設(shè)定為80％；若小于80％則在未來48小時的供電過程中需隨時準(zhǔn)備好調(diào)用光伏電站儲能設(shè)備的存儲的電量。

9、另外，本發(fā)明還提供了一種光伏電站智能監(jiān)測與數(shù)據(jù)分析方法，該方法是基于一種光伏電站智能監(jiān)測與數(shù)據(jù)分析系統(tǒng)實現(xiàn)的，該方法包括：首先，在各光伏陣列、逆變器、氣象監(jiān)測設(shè)備和電網(wǎng)中部署各種傳感器；其中，將電流電壓傳感器、交流電壓傳感器和紅外熱成像傳感器部署在光伏陣列各光伏組件的適當(dāng)位置，通過電流電壓傳感器實時采集光伏組件的輸出電流、電壓和功率數(shù)據(jù)；通過交流電壓傳感器實時檢測逆變器自身產(chǎn)生的交流電壓幅值與波形，確保逆變器的功率器件工作在安全范圍內(nèi)，防止過壓被擊穿；通過紅外熱成像傳感器周期性掃描光伏組件表面溫度分布并生成熱斑塊圖譜；將灰塵積累檢測傳感器部署在光伏太陽能電池板邊緣適當(dāng)位置，基于光衰減原理量化太陽能電池板灰塵覆蓋率；將氣象傳感器部署在光伏陣列附近，同步采集光照強度、環(huán)境溫濕度、風(fēng)速和降雨量數(shù)據(jù)；對各種傳感器采集的數(shù)據(jù)進(jìn)行處理；首先，采用時間序列數(shù)據(jù)清洗技術(shù)對采集到的光伏電站數(shù)據(jù)進(jìn)行去噪、時間戳對齊和異常值剔除的預(yù)處理；隨后，采用數(shù)字孿生建模技術(shù)通過采集的光伏數(shù)據(jù)和光伏電站的實際情況，建立光伏電站的三維虛擬模型；根據(jù)建立的三維虛擬模型，并基于物理的退化模型模擬不同灰塵覆蓋率對組件輸出特性的影響，判斷灰塵覆蓋率和發(fā)點效率的關(guān)系；采用時空圖神經(jīng)網(wǎng)絡(luò)對采集到的多種數(shù)據(jù)進(jìn)行時空關(guān)聯(lián)，并生成多維特征向量；所述多種數(shù)據(jù)包括：光伏數(shù)據(jù)和氣象數(shù)據(jù)；獲取公開的光伏故障數(shù)據(jù)和運維人員實時反饋的誤報信息，通過遷移學(xué)習(xí)策略利用公開的光伏故障數(shù)據(jù)集進(jìn)行訓(xùn)練得到基礎(chǔ)模型，隨后通過在線主動學(xué)習(xí)機制根據(jù)運維人員反饋的誤報信息動態(tài)調(diào)整基礎(chǔ)模型，基礎(chǔ)模型通過多維特征向量識別包括組件老化、接線故障和逆變器效率下降的典型故障，并輸出置信度評分；最后，采用卷積神經(jīng)網(wǎng)絡(luò)提取氣象數(shù)據(jù)中的空間關(guān)聯(lián)特征，采用時間注意力機制捕捉設(shè)備性能衰減的長期趨勢，采用貝葉斯神經(jīng)網(wǎng)絡(luò)量化預(yù)測結(jié)果的不確定性區(qū)間；分別通過卷積神經(jīng)網(wǎng)絡(luò)、時間注意力機制和貝葉斯神經(jīng)網(wǎng)絡(luò)的人工智能算法將天氣狀況和設(shè)備健康狀態(tài)結(jié)合起來，生成未來48小時發(fā)電量概率分布曲線；分別采用電網(wǎng)用電歷史數(shù)據(jù)求得擬合函數(shù)和訓(xùn)練神經(jīng)網(wǎng)絡(luò)算法，并結(jié)合擬合函數(shù)的預(yù)測結(jié)果和神經(jīng)網(wǎng)絡(luò)算法的預(yù)測結(jié)果判定電網(wǎng)用電需求量；根據(jù)電網(wǎng)用電需求量將多個光伏電站的電量分配到電網(wǎng)上，使得電網(wǎng)有充足的電量提供給用戶。

10、進(jìn)一步地，采用電網(wǎng)用電歷史數(shù)據(jù)求得擬合函數(shù)和訓(xùn)練神經(jīng)網(wǎng)絡(luò)算法的方法：首先，根據(jù)歷史數(shù)據(jù)，采用最小二乘法求得電網(wǎng)用電功率和時間的擬合函數(shù)；采用lstm算法對電網(wǎng)用電歷史數(shù)據(jù)進(jìn)行訓(xùn)練，得到訓(xùn)練好的lstm算法模型；所述采用lstm算法對電網(wǎng)用電歷史數(shù)據(jù)進(jìn)行訓(xùn)練包括：首先，提取電網(wǎng)用電歷史數(shù)據(jù)的日期信息、周信息和時間信息組成數(shù)據(jù)集x＝{(gi，hi，ti)}，其中，gi為第i個數(shù)據(jù)對應(yīng)的日期信息，hi為第i個數(shù)據(jù)的周信息，hi∈[1,7]，hi為整數(shù)，ti對應(yīng)每一天的時間信息，ti的時間間隔為10分鐘；另外取ti－1到ti時間內(nèi)的平均功率pi組成數(shù)據(jù)集y＝{pi}；將數(shù)據(jù)集x作為輸入，將數(shù)據(jù)集y作為輸出對lstm算法進(jìn)行訓(xùn)練，得到訓(xùn)練后的lstm算法模型；所述并結(jié)合擬合函數(shù)的預(yù)測結(jié)果和神經(jīng)網(wǎng)絡(luò)算法的預(yù)測結(jié)果判定電網(wǎng)用電需求量的方法：首先，通過訓(xùn)練后的lstm算法模型預(yù)測相鄰的未來10分鐘內(nèi)電網(wǎng)用電的平均功率pl；其次，將訓(xùn)練后的lstm算法模型預(yù)測的時間段映射到擬合函數(shù)的時間信息中，得到對應(yīng)的擬合函數(shù)時間段信息，提取對應(yīng)擬合函數(shù)時間段信息對應(yīng)的功率曲線信息，通過功率曲線信息求取對應(yīng)擬合函數(shù)時間段信息內(nèi)的平均功率信息pn；最后，若pl≤pn，則接下來的10分鐘按照對應(yīng)的擬合函數(shù)時間段信息對應(yīng)的功率曲線對電網(wǎng)供電；若pl＞pn，則接下來的10分鐘按照對應(yīng)的擬合函數(shù)時間段信息對應(yīng)的功率曲線每個點的功率值乘得到新的功率曲線，通過新的功率曲線對對應(yīng)時間段的電網(wǎng)供電。

11、進(jìn)一步地，根據(jù)電網(wǎng)用電需求量將多個光伏電站的電量分配到電網(wǎng)上包括：根據(jù)判定的對應(yīng)時間段對電網(wǎng)供電的功率曲線，調(diào)控多個光伏電站實時給電網(wǎng)分配充足的電量；使得該時間段內(nèi)對應(yīng)時間多個光伏電站提供的功率總和等于功率曲線對應(yīng)點的功率；同時，并提取擬合函數(shù)未來48小時的功率曲線，獲得未來48小時的總用電量，將總用電量代入未來48小時發(fā)電量概率分布曲線，判定所述總發(fā)電量在未來48小時發(fā)電量概率分布曲線中的概率，判斷概率是否小于概率閾值，概率閾值設(shè)定為80％；若小于80％，則在未來48小時的供電過程中需隨時準(zhǔn)備好調(diào)用光伏電站儲能設(shè)備的存儲的電量。

12、本發(fā)明的有益效果是：

13、本發(fā)明給出了一種光伏電站智能監(jiān)測與數(shù)據(jù)分析系統(tǒng)及方法；本發(fā)明具有以下優(yōu)勢：

14、1，通過數(shù)據(jù)預(yù)處理單元、數(shù)字孿生建模單元、多模態(tài)數(shù)據(jù)融合單元、自適應(yīng)故障診斷單元和發(fā)電量預(yù)測單元將光伏電站的自身數(shù)據(jù)和環(huán)境數(shù)據(jù)結(jié)合起來進(jìn)行分析，能夠準(zhǔn)確獲得光伏電站的功率信息、效率信息和設(shè)備狀態(tài)信息。

15、2，給出了一種結(jié)合擬合函數(shù)的預(yù)測結(jié)果和神經(jīng)網(wǎng)絡(luò)算法的預(yù)測結(jié)果判定電網(wǎng)用電需求量的方法，使得預(yù)測的電網(wǎng)需求量更加準(zhǔn)確和可靠，通過擬合函數(shù)的曲線對應(yīng)的每個點的功率為電網(wǎng)進(jìn)行供電，使得為電網(wǎng)供電更加實時、準(zhǔn)確和可靠。