CN117251788A - 状态评估方法、装置、终端设备及存储介质 - Google Patents
状态评估方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN117251788A CN117251788A CN202311215965.8A CN202311215965A CN117251788A CN 117251788 A CN117251788 A CN 117251788A CN 202311215965 A CN202311215965 A CN 202311215965A CN 117251788 A CN117251788 A CN 117251788A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic inverter
- state evaluation
- parameter
- qualitative
- quantitative
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 152
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012706 support-vector machine Methods 0.000 claims abstract description 94
- 238000013210 evaluation model Methods 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 90
- 239000011159 matrix material Substances 0.000 claims description 67
- 230000015556 catabolic process Effects 0.000 claims description 41
- 238000006731 degradation reaction Methods 0.000 claims description 41
- 238000012216 screening Methods 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 34
- 230000035945 sensitivity Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 23
- 241000282461 Canis lupus Species 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000002790 cross-validation Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000007547 defect Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 100
- 238000012423 maintenance Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 17
- 238000005457 optimization Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000007689 inspection Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 230000003313 weakening effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Photovoltaic Devices (AREA)
- Inverter Devices (AREA)
Abstract
本申请公开了一种状态评估方法、装置、终端设备及存储介质，其状态评估方法包括：获取光伏逆变器的目标数据；将目标数据输入至训练好的状态评估模型，得到光伏逆变器的状态评估信息，其中，训练好的状态评估模型基于光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，样本数据基于光伏逆变器的指标体系获取得到，指标体系基于光伏逆变器的定量参量和定性参量构建得到。基于本申请方案，结合定量参量和定性参量构建指标体系可以充分挖掘和利用相关数据，弥补单一数据类型的不足，使训练好的状态评估模型具备更加全面的状态评估能力，提高光伏逆变器状态评估的准确性和可靠性。
Description
技术领域
本申请涉及光伏发电技术领域，尤其涉及一种状态评估方法、装置、终端设备及存储介质。
背景技术
光伏逆变器作为太阳能发电系统的关键设备，其运行的健康状态直接影响发电系统的安全与稳定，因此开始出现了对光伏逆变器数据进行状态评估的需求。
与光伏逆变器的状态评估相关的数据呈现大规模、多源、多维等大数据特征，但是目前对光伏逆变器的状态评估方法中，通常只是简单地对光伏逆变器的输入和输出进行测量，进而评估光伏逆变器的状态。这种状态评估方法并没有充分地挖掘利用相关数据，导致光伏逆变器的状态结果不够准确可靠。
发明内容
本申请的主要目的在于提供一种状态评估方法、装置、终端设备及存储介质，旨在解决光伏逆变器的状态结果不够准确可靠的问题。
为实现上述目的，本申请提供一种状态评估方法，所述状态评估方法包括：
获取光伏逆变器的目标数据；
将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。
可选地，所述获取光伏逆变器的目标数据的步骤之前，还包括：
获取所述光伏逆变器的至少一项定量参量和至少一项定性参量；
基于所述光伏逆变器的至少一项定量参量和至少一项定性参量，构建得到所述光伏逆变器的基础指标体系；
基于所述光伏逆变器的基础指标体系，构建得到所述光伏逆变器的关键指标体系；
根据所述光伏逆变器的关键指标体系获取所述样本数据；
基于所述样本数据与所述预设的寻优参数对所述初始的支持向量机模型进行训练，得到所述训练好的状态评估模型。
可选地，所述获取光伏逆变器的目标数据的步骤包括：
获取光伏逆变器的原始数据；
根据所述光伏逆变器的关键参量体系对所述原始数据进行筛选，得到筛选后的原始数据；
对所述筛选后的原始数据进行预处理，得到所述目标数据。
可选地，所述基于所述光伏逆变器的至少一项定量参量和至少一项定性参量，构建得到所述光伏逆变器的基础指标体系的步骤包括：
基于预设的第一分析规则对所述光伏逆变器的至少一项定量参量进行分析，得到所述至少一项定量参量各自对应的敏感因子；
基于预设的第二分析规则对所述光伏逆变器的至少一项定性参量进行分析，得到所述至少一项定性参量各自对应的劣化因子；
基于所述至少一项定量参量、所述至少一项定量参量各自对应的敏感因子、所述至少一项定性参量、所述至少一项定性参量各自对应的劣化因子，构建得到所述光伏逆变器的基础指标体系。
可选地，所述至少一项定量参量归属于各自对应的特征类型，所述特征类型的数量为至少一个，所述至少一项定量参量各自包括至少一个定量参量样本，所述基于预设的第一分析规则对所述光伏逆变器的至少一项定量参量进行分析，得到所述至少一项定量参量各自对应的敏感因子的步骤包括：
根据每一特征类型下的至少一项定量参量各自对应的定量参量样本，计算得到所述每一特征类型下的至少一项定量参量各自对应的平均类内距离以及平均类间距离；
基于所述平均类内距离以及所述平均类间距离，计算得到所述每一特征类型下的至少一项定量参量各自对应的敏感因子。
可选地，所述至少一项定性参量归属于各自对应的特征类型，所述至少一项定性参量各自包括定性参量实际值、定性参量阈值、定性参量出厂值，所述基于预设的第二分析规则对所述光伏逆变器的至少一项定性参量进行分析，得到所述至少一项定性参量各自对应的劣化因子的步骤包括：
根据每一特征类型下的至少一项定性参量各自对应的定性参量实际值、定性参量阈值、定性参量出厂值，并基于预设的偏移计算规则计算得到所述每一特征类型下的至少一项定性参量各自对应的劣化因子。
可选地，所述基于所述光伏逆变器的基础指标体系，构建得到所述光伏逆变器的关键指标体系的步骤包括：
基于所述光伏逆变器的基础指标体系，对所述光伏逆变器的至少一项定量参量和至少一项定性参量进行筛选，得到至少一项初筛定量参量和至少一项初筛定性参量；
基于预设的高斯核函数、所述至少一项初筛定量参量各自对应的定量参量样本、所述至少一项初筛定性参量各自对应的定性参量样本，构建得到归一化核矩阵；
基于所述归一化核矩阵，构建得到对应的特征矩阵和特征向量矩阵；
基于所述归一化核矩阵、所述特征矩阵、所述特征向量矩阵，构建得到目标矩阵；
基于所述目标矩阵，构建得到所述光伏逆变器的关键指标体系。
可选地，所述基于所述样本数据与所述预设的寻优参数对所述初始的支持向量机模型进行训练，得到所述训练好的状态评估模型的步骤包括：
对所述样本数据进行预处理，得到训练样本和测试样本；
基于所述训练样本对所述初始的支持向量机模型进行训练；
判断所述初始的支持向量机模型是否满足预设的交叉验证条件；
若所述初始的支持向量机模型满足所述交叉验证条件，则停止对所述初始的支持向量机模型的训练，得到待测试的状态评估模型；
若所述初始的支持向量机模型未满足所述交叉验证条件，则基于所述训练样本与预设的寻优参数对所述初始的支持向量机模型进行训练，直至所述初始的支持向量机模型满足所述交叉验证条件时，停止对所述初始的支持向量机模型的训练，得到所述待测试的状态评估模型；
基于所述测试样本对所述待测试的状态评估模型进行测试；
若所述待测试的状态评估模型通过测试，则得到所述训练好的状态评估模型。
可选地，所述基于所述训练样本与预设的寻优参数对所述初始的支持向量机模型进行训练，直至所述初始的支持向量机模型满足所述交叉验证条件时，停止对所述初始的支持向量机模型的训练，得到待测试的状态评估模型的步骤之前，还包括：
基于预设的灰狼算法，初始化至少一个寻优参数。
可选地，所述将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息的步骤之后，还包括：
若所述光伏逆变器的状态评估信息符合预设的警报条件，则确定所述光伏逆变器的状态评估信息对应的警报类别；
根据所述警报类别，推送对应的警报信息。
本申请实施例还提出一种状态评估装置，所述状态评估装置包括：
获取模块，用于获取光伏逆变器的目标数据；
评估模块，用于将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。
本申请实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的状态评估程序，所述状态评估程序被所述处理器执行时实现如上所述的状态评估方法的步骤。
本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有状态评估程序，所述状态评估程序被处理器执行时实现如上所述的状态评估方法的步骤。
本申请实施例提出的状态评估方法、装置、终端设备及存储介质，通过获取光伏逆变器的目标数据；将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。基于本申请方案，结合定量参量和定性参量构建指标体系可以充分挖掘和利用相关数据，弥补单一数据类型的不足，使训练好的状态评估模型具备更加全面的状态评估能力，提高光伏逆变器状态评估的准确性和可靠性。
附图说明
图1为本申请状态评估装置所属终端设备的功能模块示意图；
图2为本申请状态评估方法第一示例性实施例流程示意图；
图3为本申请状态评估方法第二示例性实施例流程示意图；
图4为本申请状态评估方法第三示例性实施例流程示意图；
图5为本申请状态评估方法第四示例性实施例流程示意图；
图6为本申请状态评估方法第五示例性实施例流程示意图；
图7为本申请状态评估方法第六示例性实施例流程示意图；
图8为本申请状态评估方法第七示例性实施例流程示意图；
图9为本申请状态评估方法第八示例性实施例流程示意图；
图10为本申请状态评估方法涉及的模型训练示意图；
图11为本申请状态评估方法第九示例性实施例流程示意图；
图12为本申请状态评估方法第十示例性实施例流程示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：获取光伏逆变器的目标数据；将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。基于本申请方案，结合定量参量和定性参量构建指标体系可以充分挖掘和利用相关数据，弥补单一数据类型的不足，使训练好的状态评估模型具备更加全面的状态评估能力，提高光伏逆变器状态评估的准确性和可靠性。
具体地，参照图1，图1为本申请状态评估装置所属终端设备的功能模块示意图。该状态评估装置可以为独立于终端设备的、能够进行状态评估的装置，其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据处理功能的智能移动终端，还可以为具有数据处理功能的固定终端设备或服务器等。
在本实施例中，该状态评估装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
存储器130中存储有操作系统以及状态评估程序，状态评估装置可以将获取的光伏逆变器的目标数据；将目标数据输入至训练好的状态评估模型，得到的光伏逆变器的状态评估信息等信息存储于该存储器130中；输出模块110可为显示屏等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等，通过通信模块140与外部设备或服务器进行通信。
其中，存储器130中的状态评估程序被处理器执行时实现以下步骤：
获取光伏逆变器的目标数据；
将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。
进一步地，存储器130中的状态评估程序被处理器执行时还实现以下步骤：
获取所述光伏逆变器的至少一项定量参量和至少一项定性参量；
基于所述光伏逆变器的至少一项定量参量和至少一项定性参量，构建得到所述光伏逆变器的基础指标体系；
基于所述光伏逆变器的基础指标体系，构建得到所述光伏逆变器的关键指标体系；
根据所述光伏逆变器的关键指标体系获取所述样本数据；
基于所述样本数据与所述预设的寻优参数对所述初始的支持向量机模型进行训练，得到所述训练好的状态评估模型。
进一步地，存储器130中的状态评估程序被处理器执行时还实现以下步骤：
获取光伏逆变器的原始数据；
根据所述光伏逆变器的关键参量体系对所述原始数据进行筛选，得到筛选后的原始数据；
对所述筛选后的原始数据进行预处理，得到所述目标数据。
进一步地，存储器130中的状态评估程序被处理器执行时还实现以下步骤：
基于预设的第一分析规则对所述光伏逆变器的至少一项定量参量进行分析，得到所述至少一项定量参量各自对应的敏感因子；
基于预设的第二分析规则对所述光伏逆变器的至少一项定性参量进行分析，得到所述至少一项定性参量各自对应的劣化因子；
基于所述至少一项定量参量、所述至少一项定量参量各自对应的敏感因子、所述至少一项定性参量、所述至少一项定性参量各自对应的劣化因子，构建得到所述光伏逆变器的基础指标体系。
进一步地，存储器130中的状态评估程序被处理器执行时还实现以下步骤：
根据每一特征类型下的至少一项定量参量各自对应的定量参量样本，计算得到所述每一特征类型下的至少一项定量参量各自对应的平均类内距离以及平均类间距离；
基于所述平均类内距离以及所述平均类间距离，计算得到所述每一特征类型下的至少一项定量参量各自对应的敏感因子。
进一步地，存储器130中的状态评估程序被处理器执行时还实现以下步骤：
根据每一特征类型下的至少一项定性参量各自对应的定性参量实际值、定性参量阈值、定性参量出厂值，并基于预设的偏移计算规则计算得到所述每一特征类型下的至少一项定性参量各自对应的劣化因子。
进一步地，存储器130中的状态评估程序被处理器执行时还实现以下步骤：
基于所述光伏逆变器的基础指标体系，对所述光伏逆变器的至少一项定量参量和至少一项定性参量进行筛选，得到至少一项初筛定量参量和至少一项初筛定性参量；
基于预设的高斯核函数、所述至少一项初筛定量参量各自对应的定量参量样本、所述至少一项初筛定性参量各自对应的定性参量样本，构建得到归一化核矩阵；
基于所述归一化核矩阵，构建得到对应的特征矩阵和特征向量矩阵；
基于所述归一化核矩阵、所述特征矩阵、所述特征向量矩阵，构建得到目标矩阵；
基于所述目标矩阵，构建得到所述光伏逆变器的关键指标体系。
进一步地，存储器130中的状态评估程序被处理器执行时还实现以下步骤：
对所述样本数据进行预处理，得到训练样本和测试样本；
基于所述训练样本对所述初始的支持向量机模型进行训练；
判断所述初始的支持向量机模型是否满足预设的交叉验证条件；
若所述初始的支持向量机模型满足所述交叉验证条件，则停止对所述初始的支持向量机模型的训练，得到待测试的状态评估模型；
若所述初始的支持向量机模型未满足所述交叉验证条件，则基于所述训练样本与预设的寻优参数对所述初始的支持向量机模型进行训练，直至所述初始的支持向量机模型满足所述交叉验证条件时，停止对所述初始的支持向量机模型的训练，得到所述待测试的状态评估模型；
基于所述测试样本对所述待测试的状态评估模型进行测试；
若所述待测试的状态评估模型通过测试，则得到所述训练好的状态评估模型。
进一步地，存储器130中的状态评估程序被处理器执行时还实现以下步骤：
基于预设的灰狼算法，初始化至少一个寻优参数。
进一步地，存储器130中的状态评估程序被处理器执行时还实现以下步骤：
若所述光伏逆变器的状态评估信息符合预设的警报条件，则确定所述光伏逆变器的状态评估信息对应的警报类别；
根据所述警报类别，推送对应的警报信息。
本实施例通过上述方案，具体通过获取光伏逆变器的目标数据；将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。本实施例中，结合定量参量和定性参量构建指标体系可以充分挖掘和利用相关数据，弥补单一数据类型的不足，使训练好的状态评估模型具备更加全面的状态评估能力，提高光伏逆变器状态评估的准确性和可靠性。
参照图2，本申请状态评估方法第一实施例提供一种流程示意图，所述状态评估方法包括：
步骤S10，获取光伏逆变器的目标数据。
具体地，光伏逆变器作为太阳能发电系统的关键设备，其运行的健康状态直接影响发电系统的安全与稳定，因此开始出现了对光伏逆变器数据进行状态评估的需求。在光伏逆变器长期运行过程中，常常会出现运行状态异常等问题，传统的检修方法主要包括定期人工巡检和事后排查检修。然而，这些方法不仅检修成本高昂，还会浪费检修资源，并影响整个发电系统的稳定性。
随着物联网和大数据技术的不断发展，新型检测设备和传感器得到广泛应用，导致光伏逆变器数据呈现出大规模、多源多维等大数据特征。尽管行业内已开始对光伏逆变器数据进行简单状态监测与评估，但由于数据规模庞大，采集与挖掘变得困难。这造成了设备数据特征挖掘的不准确性，状态评估的粗糙性，以及故障诊断有效性实时性的不足等问题。这些缺陷妨碍了光伏逆变器状态检修工作的高效开展，也限制了制定合理的维修策略。目前对光伏逆变器的状态评估方法中，通过对光伏逆变器系统的输入和输出进行测量可以获得外部特性的数据，但要了解光伏逆变器的动态规律，需要用内部状态变量来描述，而这些状态通常无法直接测量。
为此，本实施例针对光伏逆变器提出了一种新的状态评估方法。首先，需要获取状态评估所需的目标数据，目标数据可以包括定量参量的数据和定性参量的数据。
其中，光伏逆变器的定量参量通常是指能够用具体数值来表示的参数，如电压、电流、功率等，用于描述逆变器的运行性能和状态。目标数据包括的定量参量的数据可以是以下一项或者多项：①输入直流电压和电流：逆变器输入的光伏电池组串的直流电压和电流。②输出交流电压和电流：逆变器输出的交流电压和电流。③最大功率点(MPP)电压和电流：逆变器工作的最佳点，对应着最大输出功率。④效率：逆变器的能量转换效率，表示从直流到交流的转换效率。⑤温度：逆变器内部的温度，包括散热器、电子元件等温度。⑥频率：逆变器输出的交流电频率。⑦运行时间：逆变器工作的时间长度。
另外，光伏逆变器的定性参量则是一些描述性的参数，无法直接用数值表示，通常是用文字或类别来表达的，如故障类型、工作状态等。目标数据包括的定性参量的数据可以是以下一项或者多项：①故障类型：指示逆变器可能出现的故障，如过压、过流、短路等。②运行状态：逆变器当前是否处于正常工作、待机、故障等状态。③停机记录：记录逆变器的停机时间、原因等信息。④预警信息：逆变器可能出现故障的预警信息。⑤运行环境：逆变器所处的环境条件，如天气、温度、湿度等。⑥维护记录：逆变器的维护历史，包括维修、保养等记录。⑦指导手册：指导手册可能会描述逆变器的各种运行模式、接线方式、按钮和显示屏的功能说明、报警代码的含义等。定量参量和定性参量的综合分析可以更全面地了解逆变器的状态和性能，帮助评估逆变器的健康状况和运行情况。
值得注意的是，目标数据应及时获取，以确保最终得到的状态评估信息与实际光伏逆变器运行状态的尽可能同步。另外，目标数据符合状态评估模型的输入规范。
步骤S20，将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。
将需要进行状态评估的目标数据输入到训练好的状态评估模型中。在这个过程中，训练好的状态评估模型会根据其之前的训练经验和学习到的规律，对输入的目标数据进行分析和处理，从而生成关于光伏逆变器状态的状态评估信息。
其中，定量参量直接反映了光伏逆变器的性能和运行情况，定性参量描述了光伏逆变器的各项属性，结合定量参量和定性参量构建适合光伏逆变器的指标体系，利用指标体系可以获取到与光伏逆变器状态评估关系密切的样本数据；另外，通过选择适当的寻优参数，可以确保模型更好地拟合数据，并具有更高的预测能力；此外，考虑到支持向量机模型具有高度鲁棒性、适用于非线性数据、对异常值不敏感、泛化性能强、可解释性好等优点，可以选择初始的支持向量机模型作为训练对象。如此，在指标体系、样本数据、寻优参数、支持向量机模型等方面的优势加持下，训练好的状态评估模型能够更全面地了解光伏逆变器的状态，给出高质量的状态评估信息。
可以理解的是，状态评估信息反映了光伏逆变器的内部状态与外部状态，为针对光伏逆变器的运维决策提供了更加全面的参考。
本实施例通过上述方案，具体通过获取光伏逆变器的目标数据；将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。本实施例中，结合定量参量和定性参量构建指标体系可以充分挖掘和利用相关数据，弥补单一数据类型的不足，使训练好的状态评估模型具备更加全面的状态评估能力，提高光伏逆变器状态评估的准确性和可靠性。
进一步地，参照图3，本申请状态评估方法第二实施例提供一种流程示意图，基于上述图2所示的实施例，步骤S10，获取光伏逆变器的目标数据之前，还包括：
步骤S01，获取所述光伏逆变器的至少一项定量参量和至少一项定性参量。
具体地，为了使训练好的状态评估模型具备更加全面的状态评估能力，需要预先获取光伏逆变器的至少一项定量参量和至少一项定性参量。可以理解的是，对于光伏逆变器的不同特征或指标来说，其相关的定量参量或定性参量也是不同的，因此在获取的光伏逆变器的至少一项定量参量和至少一项定性参量之中，未必用到全部的定量参量或定性参量进行模型训练。
步骤S02，基于所述光伏逆变器的至少一项定量参量和至少一项定性参量，构建得到所述光伏逆变器的基础指标体系。
具体地，基于获取到的光伏逆变器的至少一项定量参量和至少一项定性参量，构建光伏逆变器的基础指标体系。基础指标体系一方面包括至少一项定量参量以及各自对应的敏感因子，另一方面包括至少一项定性参量以及各自对应的劣化因子。其中，敏感因子用于强化关键的定量参量，弱化非关键的定量参量；劣化因子用于强化关键的定性参量，弱化非关键的定性参量。
可以理解的是，在基础指标体系下，定量参量和定性参量对状态评估的影响作用都得到了量化，可以为光伏逆变器的状态评估和监测提供依据，帮助实现更精准和有效的运行分析和维护决策。
步骤S03，基于所述光伏逆变器的基础指标体系，构建得到所述光伏逆变器的关键指标体系。
具体地，由于光伏逆变器的基础指标体系对各个定量参量以及各个定性参量对状态评估的影响作用进行了量化，在基础指标体系的基础上，可以选取部分关键的定量参量和关键的定性参量，构建得到光伏逆变器的关键指标体系。
更为具体地，选取部分关键的定量参量和关键的定性参量的过程可以参考敏感因子和劣化因子。其中，敏感因子的数值大小与定量参量的敏感度呈正相关，敏感因子的数值越大，定量参量的敏感度越大；敏感因子的数值越小，定量参量的敏感度越小。劣化因子的数值大小与定性参量的劣化程度呈正相关，与光伏逆变器的运行状态呈负相关，劣化因子的数值越小，定性参量的劣化程度越低，光伏逆变器的运行状态越好；劣化因子的数值越大，定性参量的劣化程度越高，光伏逆变器的运行状态越差。
步骤S04，根据所述光伏逆变器的关键指标体系获取所述样本数据。
具体地，经过前述步骤的选取过程，关键指标体系包括至少一个关键的定量参量以及至少一个关键的定性参量，至少一个关键的定量参量与至少一个关键的定性参量对于光伏逆变器的状态评估至关重要。
在获取到光伏逆变器的多项内外部运行数据的基础上，根据关键指标体系对多项内外部运行数据进行筛选，得到与至少一个关键的定量参量相关的样本数据，以及与至少一个关键的定性参量相关的样本数据。
步骤S05，基于所述样本数据与所述预设的寻优参数对所述初始的支持向量机模型进行训练，得到所述训练好的状态评估模型。
具体地，在获取与至少一个关键的定量参量相关的样本数据以及与至少一个关键的定性参量相关的样本数据的基础上，基于至少一个关键的定量参量相关的样本数据以及与至少一个关键的定性参量相关的样本数据对初始的支持向量机模型进行持续训练，直至训练结束，便可以得到训练好的状态评估模型。
其中，初始的支持向量机模型基于预设的支持向量机算法构建得到，支持向量机(SVM)是一种机器学习算法，用于分类和回归任务。在构建初始的支持向量机模型时，选择支持向量机算法，并根据样本数据的特征和问题需求进行参数的设定，然后通过样本数据来调整模型的参数，以便使初始的支持向量机模型能够更好地对样本数据进行分类或回归预测。经过训练之后可以得到训练好的状态评估模型，可以理解的是，训练好的状态评估模型是一种改进的SVM模型。
本实施例通过上述方案，具体通过获取所述光伏逆变器的至少一项定量参量和至少一项定性参量；基于所述光伏逆变器的至少一项定量参量和至少一项定性参量，构建得到所述光伏逆变器的基础指标体系；基于所述光伏逆变器的基础指标体系，构建得到所述光伏逆变器的关键指标体系；根据所述光伏逆变器的关键指标体系获取所述样本数据；基于所述样本数据与所述预设的寻优参数对所述初始的支持向量机模型进行训练，得到所述训练好的状态评估模型。本实施例中，通过获取光伏逆变器的定量和定性参量，构建基础指标体系，进而形成关键指标体系。通过关键指标体系获得样本数据，并基于样本数据和寻优参数对初始的支持向量机模型进行训练，最终得到训练好的状态评估模型。如此，可以基于上述步骤提高训练好的状态评估模型的泛化能力，使其具备更加全面的状态评估能力，实现对光伏逆变器的准确状态评估。
进一步地，参照图4，本申请状态评估方法第三实施例提供一种流程示意图，基于上述图3所示的实施例，步骤S10，获取光伏逆变器的目标数据进一步细化，包括：
步骤S101，获取光伏逆变器的原始数据。
具体地，在对光伏逆变器进行状态评估之前，需要获取光伏逆变器的原始数据，原始数据可以是光伏逆变器的多项内外部运行数据。通常原始数据的规模是相对较大的，部分原始数据并不会实际参与到光伏逆变器的状态评估过程中。
例如，原始数据可以包括：1.电流和电压数据：包括直流(DC)输入电流和电压以及交流(AC)输出电流和电压，这些数据反映了电能的转换和输出情况。2.功率数据：包括直流输入功率和交流输出功率，用于评估光伏逆变器的电能转换效率。3.温度数据：光伏逆变器内部和外部的温度数据，用于监测设备的热管理和可能的过热情况。4.频率数据：交流输出频率数据，用于确保光伏逆变器输出的电能符合标准频率。5.工作状态数据：包括光伏逆变器的开关状态、工作模式、故障状态等，用于评估设备的工作状态和性能。6.直流输入和交流输出波形数据：电流和电压波形数据，用于分析电能质量和检测可能的波形失真。7.通信数据：与其他设备或监控系统的通信数据，用于远程监控和控制光伏逆变器。8.事件日志：记录设备的事件和故障信息，以便进行故障诊断和维护。9.环境条件数据：包括光照、温度、湿度等环境条件数据，这些数据可以影响光伏逆变器的性能。10.时间戳数据：记录数据采集的时间戳，以便进行时间序列分析和数据对齐。11.工作模式：描述光伏逆变器当前所处的工作模式，如正常运行、故障状态、停机等。12.故障代码：如果光伏逆变器处于故障状态，包括相应的故障代码和描述，用于诊断问题。13.维修/巡检记录：记录维修、巡检或维护活动的日期和时间；描述维护活动的类型，如定期巡检、故障维修、预防性维护等；详细记录进行的维护或巡检内容，包括检查的项目、发现的问题、曾经采取的措施等；描述维护活动的结果，包括问题是否解决、性能是否改善等；如果光伏逆变器曾经发生过故障，记录相关的故障代码、维修措施和维修日期。
上述原始数据的举例仅为方便理解原始数据的内容，并非对原始数据作出限定。原始数据既可以包括上述举例数据中的一项或多项，也可以包括上述举例数据之外的数据。可以理解的是，原始数据可以包括定量数据和定性数据。
步骤S102，根据所述光伏逆变器的关键参量体系对所述原始数据进行筛选，得到筛选后的原始数据。
具体地，关键指标体系包括至少一个关键的定量参量以及至少一个关键的定性参量，至少一个关键的定量参量与至少一个关键的定性参量对于光伏逆变器的状态评估至关重要。
在获取到光伏逆变器的原始数据的基础上，根据关键指标体系对原始数据进行筛选，得到筛选后的原始数据。其中，筛选后的原始数据包括与至少一个关键的定量参量相关的数据，以及与至少一个关键的定性参量相关的数据。
步骤S103，对所述筛选后的原始数据进行预处理，得到所述目标数据。
具体地，为了使筛选后的原始数据满足训练好的状态评估模型的输入规范，需要对筛选后的原始数据进行预处理。
预处理可以包括以下一个或者多个步骤：①数据清洗：检查数据中是否存在缺失值、异常值等不完整或错误的数据，然后根据情况进行修复、删除或填补。②数据转换：对数据进行转换，以满足模型的要求。例如，对连续数据进行标准化(使其均值为0，标准差为1)或归一化(将数据缩放到特定范围)。③特征选择：根据问题的需要，选择合适的特征或属性，可以根据特征的重要性、相关性等进行选择，以减少不必要的维度。④特征提取：从原始数据中提取更有意义的特征。例如，从时间序列数据中提取统计特征，从图像中提取纹理特征等。⑤数据平衡：在处理分类问题时，可能需要处理类别不平衡的情况，例如通过欠采样或过采样来平衡不同类别的样本数量。⑥数据编码：将分类数据转换为数字表示，以便模型可以处理。例如，将类别标签进行独热编码。⑦数据降维：通过降低数据维度，以减少计算复杂性和模型过拟合的风险。常用方法包括主成分分析(PCA)等。
对筛选后的原始数据进行预处理之后，可以得到目标数据。可以理解的是，预处理的目标是清洗、转换和规范化数据，预处理的过程可以帮助使提高模型的性能和稳定性，使得模型能够更好地适应真实数据并进行准确的状态评估。
本实施例通过上述方案，具体通过获取光伏逆变器的原始数据；根据所述光伏逆变器的关键参量体系对所述原始数据进行筛选，得到筛选后的原始数据；对所述筛选后的原始数据进行预处理，得到所述目标数据。本实施例中，基于关键参量体系对原始数据进行筛选并进行预处理，可以得到符合训练好的状态评估模型输入规范的目标数据，从而基于目标数据获得更可靠的状态评估结果。
进一步地，参照图5，本申请状态评估方法第四实施例提供一种流程示意图，基于上述图3所示的实施例，步骤S02，基于所述光伏逆变器的至少一项定量参量和至少一项定性参量，构建得到所述光伏逆变器的基础指标体系进一步细化，包括：
步骤S021，基于预设的第一分析规则对所述光伏逆变器的至少一项定量参量进行分析，得到所述至少一项定量参量各自对应的敏感因子。
具体地，为了揭示某一定量参量对于光伏逆变器的状态评估的重要性，可以采用计算敏感因子的方式，基于预设的第一分析规则对光伏逆变器的至少一项定量参量进行分析，得到至少一项定量参量各自对应的敏感因子。其中，敏感因子以数值的形式表示。
步骤S022，基于预设的第二分析规则对所述光伏逆变器的至少一项定性参量进行分析，得到所述至少一项定性参量各自对应的劣化因子。
具体地，为了揭示某一定性参量对于光伏逆变器的状态评估的重要性，可以采用计算劣化因子的方式，基于预设的第二分析规则对光伏逆变器的至少一项定性参量进行分析，得到至少一项定性参量各自对应的劣化因子。其中，劣化因子以数值的形式表示。
步骤S023，基于所述至少一项定量参量、所述至少一项定量参量各自对应的敏感因子、所述至少一项定性参量、所述至少一项定性参量各自对应的劣化因子，构建得到所述光伏逆变器的基础指标体系。
具体地，基于至少一项定量参量、至少一项定量参量各自对应的敏感因子、至少一项定性参量、至少一项定性参量各自对应的劣化因子，可以构建得到光伏逆变器的基础指标体系。其中，敏感因子的数值大小与定量参量的敏感度呈正相关，用于强化关键的定量参量，弱化非关键的定量参量；劣化因子的数值大小与定性参量的劣化程度呈正相关，用于强化关键的定性参量，弱化非关键的定性参量。
本实施例通过上述方案，具体通过基于预设的第一分析规则对所述光伏逆变器的至少一项定量参量进行分析，得到所述至少一项定量参量各自对应的敏感因子；基于预设的第二分析规则对所述光伏逆变器的至少一项定性参量进行分析，得到所述至少一项定性参量各自对应的劣化因子；基于所述至少一项定量参量、所述至少一项定量参量各自对应的敏感因子、所述至少一项定性参量、所述至少一项定性参量各自对应的劣化因子，构建得到所述光伏逆变器的基础指标体系。本实施例中，引入了敏感因子和劣化因子构建光伏逆变器的基础指标体系，在基础指标体系下，定量参量和定性参量对状态评估的影响作用都得到了量化，可以为光伏逆变器的状态评估和监测提供依据，帮助实现更精准和有效的运行分析和维护决策。
进一步地，参照图6，本申请状态评估方法第五实施例提供一种流程示意图，基于上述图5所示的实施例，所述至少一项定量参量归属于各自对应的特征类型，所述特征类型的数量为至少一个，所述至少一项定量参量各自包括至少一个定量参量样本，步骤S021，基于预设的第一分析规则对所述光伏逆变器的至少一项定量参量进行分析，得到所述至少一项定量参量各自对应的敏感因子进一步细化，包括：
步骤S0211，根据每一特征类型下的至少一项定量参量各自对应的定量参量样本，计算得到所述每一特征类型下的至少一项定量参量各自对应的平均类内距离以及平均类间距离。
具体地，特征类型是指不同类型或分类的特征或属性，这些特征类型可以根据具体情况进行选择和定义，以更好地描述光伏逆变器的状态特征。每个特征类型都可能对光伏逆变器状态产生影响，因此在状态评估需要分析其对应的定量参量。
针对光伏逆变器的第i个特征类型的第j个定量参量的类内距离以及第j个定量参量的平均类内距离
其中，Dij为第i个特征类型的第j个定量参量的类内距离；Ni为某故障中第i个特征类型的定量参量的样本数量；fij(m)、fij(n)分别为第i个特征类型的第j个定量参量中的第m个样本和第n个样本；d2为fij(m)和fij(n)之间的距离d的平方；N为特征类型的个数；
计算逆变器第i个特征类型的第j个定量参量的平均类间距离Dj：
其中，分别为第i个特征类型的第j个定量参量中的第m个样本平均值和第n个样本平均值。
步骤S0212，基于所述平均类内距离以及所述平均类间距离，计算得到所述每一特征类型下的至少一项定量参量各自对应的敏感因子。
具体地，在计算得到上述平均类内距离以及平均类间距离Dj之后，可以进一步计算第j个定量参量的敏感度因子αj：
其中，αj越大，表示第j个定量参量越敏感，选取第j个定量参量用于光伏逆变器状态评估的合理性越强。
本实施例通过上述方案，具体通过根据每一特征类型下的至少一项定量参量各自对应的定量参量样本，计算得到所述每一特征类型下的至少一项定量参量各自对应的平均类内距离以及平均类间距离；基于所述平均类内距离以及所述平均类间距离，计算得到所述每一特征类型下的至少一项定量参量各自对应的敏感因子。本实施例中，基于平均类内距离和平均类间距离计算定量参量对应的敏感因子，敏感因子用于强化关键的定量参量，弱化非关键的定量参量，帮助实现更精准和有效的运行分析和维护决策。
进一步地，参照图7，本申请状态评估方法第六实施例提供一种流程示意图，基于上述图6所示的实施例，所述至少一项定性参量归属于各自对应的特征类型，所述至少一项定性参量各自包括定性参量实际值、定性参量阈值、定性参量出厂值，步骤S022，基于预设的第二分析规则对所述光伏逆变器的至少一项定性参量进行分析，得到所述至少一项定性参量各自对应的劣化因子进一步细化，包括：
步骤S0221，根据每一特征类型下的至少一项定性参量各自对应的定性参量实际值、定性参量阈值、定性参量出厂值，并基于预设的偏移计算规则计算得到所述每一特征类型下的至少一项定性参量各自对应的劣化因子。
具体地，特征类型是指不同类型或分类的特征或属性，这些特征类型可以根据具体情况进行选择和定义，以更好地描述光伏逆变器的状态特征。每个特征类型都可能对光伏逆变器状态产生影响，因此在状态评估需要分析其对应的定性参量。
针对光伏逆变器的某一定性参量，在预设的偏移计算规则下采用劣化因子β的计算公式为：
其中，xi是定性参量实际值，xk是定性参量阈值，xb是定性参量出厂值。xi-xk为定性参量实际值相对于定性参量阈值的第一类偏移，xb-xk为定性参量出厂值相对于定性参量阈值的第二类偏移，因此，用第一类偏移除以第二类偏移得到的劣化因子β表征了该定性参量相关的实际状态与出厂状态之间的相对劣化程度，定性参量的劣化因子β越小，光伏逆变器的设备状态越好。
本实施例通过上述方案，具体通过根据每一特征类型下的至少一项定性参量各自对应的定性参量实际值、定性参量阈值、定性参量出厂值，并基于预设的偏移计算规则计算得到所述每一特征类型下的至少一项定性参量各自对应的劣化因子。本实施例中，本实施例中，基于定性参量实际值、定性参量阈值、定性参量出厂值计算定性参量对应的劣化因子，劣化因子用于强化关键的定性参量，弱化非关键的定性参量，帮助实现更精准和有效的运行分析和维护决策。
进一步地，参照图8，本申请状态评估方法第七实施例提供一种流程示意图，基于上述图3所示的实施例，步骤S03，基于所述光伏逆变器的基础指标体系，构建得到所述光伏逆变器的关键指标体系进一步细化，包括：
步骤S031，基于所述光伏逆变器的基础指标体系，对所述光伏逆变器的至少一项定量参量和至少一项定性参量进行筛选，得到至少一项初筛定量参量和至少一项初筛定性参量。
具体地，在光伏逆变器的基础指标体系下，定量参量和定性参量对状态评估的影响作用都得到了量化。因此，可以基于敏感因子和劣化因子作为参考，选取部分定量参量和定性参量作为初筛定量参量和初筛定性参量。其中，初筛定量参量和初筛定性参量的数量均为至少一项。
步骤S032，基于预设的高斯核函数、所述至少一项初筛定量参量各自对应的定量参量样本、所述至少一项初筛定性参量各自对应的定性参量样本，构建得到归一化核矩阵。
具体地，基于至少一项初筛定量参量各自对应的定量参量样本，以及至少一项初筛定性参量各自对应的定性参量样本，采用预设的高斯核函数构建得到原始的核矩阵K。
然后，对原始的核矩阵K进行归一化，可以得到归一化核矩阵K'。
步骤S033，基于所述归一化核矩阵，构建得到对应的特征矩阵和特征向量矩阵。
具体地，基于归一化核矩阵K'进行计算，可以构建得到对角阵形式的特征矩阵K1以及特征向量矩阵K2。
步骤S034，基于所述归一化核矩阵、所述特征矩阵、所述特征向量矩阵，构建得到目标矩阵。
具体地，基于特征矩阵K1计算对应的若干个特征值，以及每一个特征值对应的贡献率，其中，贡献率为某一特征值除以所有特征值的总和。
然后，按照特征值贡献率从大到小的顺序对特征值进行排序，选择排在前面的特征值，可以根据预设的阈值或者累积贡献率来确定保留的特征数量。根据所选的特征值，构建一个新的矩阵K11。
然后，根据矩阵K11的特征值顺序对特征向量矩阵K2的特征向量进行排序得到矩阵K21。将矩阵K21每行除以对应的矩阵K11的特征值，可以得到新的矩阵K3。
最后，根据归一化核矩阵K'和矩阵K3可以得到目标矩阵KK：
KK＝K3*K'
步骤S035，基于所述目标矩阵，构建得到所述光伏逆变器的关键指标体系。
具体地，在得到目标矩阵KK之后，可以对目标矩阵KK的每列(也可以理解为每个维度)进行排序。进一步地，可以依据排序后的目标矩阵KK之中的若干列选取关键指标。例如，目标矩阵KK之中的第一列和第二列将会分别对应关键的第一指标和第二指标。
可以在实际工况的应用场景中，结合目标矩阵KK选取关键指标，这些关键指标将有助于更准确地评估光伏逆变器的状态，并在实际应用中发挥重要作用。
可以理解的是，关键指标体系是基于关键指标构建的，而关键指标有对应的定量参量和定性参量，也即关键指标体系包括关键的定量参量和关键的定性参量。
本实施例通过上述方案，具体通过基于所述光伏逆变器的基础指标体系，对所述光伏逆变器的至少一项定量参量和至少一项定性参量进行筛选，得到至少一项初筛定量参量和至少一项初筛定性参量；基于预设的高斯核函数、所述至少一项初筛定量参量各自对应的定量参量样本、所述至少一项初筛定性参量各自对应的定性参量样本，构建得到归一化核矩阵；基于所述归一化核矩阵，构建得到对应的特征矩阵和特征向量矩阵；基于所述归一化核矩阵、所述特征矩阵、所述特征向量矩阵，构建得到目标矩阵；基于所述目标矩阵，构建得到所述光伏逆变器的关键指标体系。本实施例中，通过以上改进核非线性映射降维的方式，从基础指标体系之中选取关键指标，进一步构建关键指标体系，可以为准确评估光伏逆变器的状态提供有效参考。
进一步地，参照图9，本申请状态评估方法第八实施例提供一种流程示意图，基于上述图3所示的实施例，步骤S05，基于所述样本数据与所述预设的寻优参数对所述初始的支持向量机模型进行训练，得到所述训练好的状态评估模型进一步细化，包括：
步骤S051，对所述样本数据进行预处理，得到训练样本和测试样本。
具体地，结合图10，图10为本申请状态评估方法涉及的模型训练示意图。在获取到样本数据之后，可以对样本数据进行预处理，预处理的过程与本申请状态评估方法第三实施例的步骤S103类似。不同于步骤S103的是，本实施例的预处理过程增加了数据分割步骤，数据风格步骤是指将样本数据分成训练样本和测试样本，以便在训练和测试模型时使用独立的数据。
进一步地，可以对训练样本和测试样本进行归一化处理，以使训练样本和测试样本在模型训练中消除特征尺度差异，加速收敛，提高稳定性和性能，以及保持数据一致性。
步骤S052，基于所述训练样本对所述初始的支持向量机模型进行训练。
具体地，利用训练样本作为初始的支持向量机模型的输入，对初始的支持向量机模型进行调整和训练，使其能够更好地适应实际数据，从而提高模型的预测准确性和性能。
步骤S053，判断所述初始的支持向量机模型是否满足预设的交叉验证条件。
具体地，在上述训练步骤结束之后，可以判断初始的支持向量机模型是否满足预设的交叉验证条件，判断的过程涉及交叉验证。
其中，交叉验证是一种评估机器学习模型性能的方法，通过将已有的数据集分成多个子集，然后多次使用其中的一部分作为验证集，其余部分作为训练集，轮流交替，以评估模型在不同数据子集上的表现。这有助于检验模型在不同数据情况下的泛化能力，避免过拟合或欠拟合的问题。最常见的交叉验证方法是k折交叉验证，将数据集分成k个子集，每次选其中一个子集作为验证集，其余k-1个子集作为训练集，多次重复这个过程并计算平均性能指标，以得出对模型性能的更准确评估。
可以理解的是，若初始的支持向量机模型通过交叉验证，则满足交叉验证条件；若初始的支持向量机模型未通过交叉验证，则不满足交叉验证条件。
步骤S054，若所述初始的支持向量机模型未满足所述交叉验证条件，则基于所述训练样本与预设的寻优参数对所述初始的支持向量机模型进行训练，直至所述初始的支持向量机模型满足所述交叉验证条件时，停止对所述初始的支持向量机模型的训练，得到所述待测试的状态评估模型。
具体地，如果初始的支持向量机模型不满足交叉验证条件，则继续对初始的支持向量机模型的训练。在此后的训练中，可以在训练样本的基础上增加寻优参数作为初始的支持向量机模型的输入。其中，寻优参数可以提供更多的调节选项，影响初始的支持向量机模型的学习过程和结果，使初始的支持向量机模型更好地适应训练样本，提高初始的支持向量机模型的泛化能力、准确性、稳定性和可靠性。
如此，经过重复训练直至初始的支持向量机模型满足交叉验证条件，可以停止对初始的支持向量机模型的训练，得到待测试的状态评估模型。
在一些情况下，在步骤S053之后，如果初始的支持向量机模型满足交叉验证条件，则停止对初始的支持向量机模型的训练，得到待测试的状态评估模型。此时，待测试的状态评估模型已经具备了较好的泛化性能，但仍需进一步执行测试。
步骤S055，基于所述测试样本对所述待测试的状态评估模型进行测试。
具体地，利用测试样本作为待测试的状态评估模型的输入，对待测试的状态评估模型进行测试。相应地，待测试的状态评估模型会根据其学习到的关系和规律，输出测试样本的状态评估信息。
测试样本的作用是验证待测试的状态评估模型的性能和泛化能力。通过在测试样本上的表现，可以评估待测试的状态评估模型在未见过的数据上的预测能力，判断模型是否具备较好的推广能力，从而判断待测试的状态评估模型在实际应用中的准确性和可信度。
步骤S056，若所述待测试的状态评估模型通过测试，则得到所述训练好的状态评估模型。
具体地，如果待测试的状态评估模型输出的测试样本的状态评估信息符合预设要求，能够准确模拟评估光伏逆变器的状态，那么可以确定待测试的状态评估模型通过测试，进一步将通过测试待测试的状态评估模型作为训练好的状态评估模型。可以理解的是，训练好的状态评估模型是一种改进的SVM模型，其最优参数组可以表示为(C,σ2)。其中，C是训练好的状态评估模型中的正则化参数，通常称为软间隔参数，用于控制模型的复杂性和容忍度。较小的C值会导致更宽松的间隔，容忍一些训练数据的分类错误，使模型更具泛化能力。较大的C值会导致更严格的间隔，强制模型更好地拟合训练数据，但可能导致过拟合。σ2是核函数的带宽参数，通常与径向基函数(Radial Basis Function，RBF)核一起使用。带宽参数决定了核函数的形状，影响了数据在高维空间中的映射。较小的σ2值会导致核函数更陡峭，数据点在高维空间中的映射更集中，可能导致模型对噪声敏感。较大的σ2值会导致核函数更平滑，数据点在高维空间中的映射更分散，可能提高模型的泛化能力。
如果待测试的状态评估模型输出的测试样本的状态评估信息不符合预设要求，那么可能需要继续对待测试的状态评估模型进行训练，或者采用其他措施更改训练的步骤以使其收敛。
本实施例通过上述方案，具体通过对所述样本数据进行预处理，得到训练样本和测试样本；基于所述训练样本对所述初始的支持向量机模型进行训练；判断所述初始的支持向量机模型是否满足预设的交叉验证条件；若所述初始的支持向量机模型满足所述交叉验证条件，则停止对所述初始的支持向量机模型的训练，得到待测试的状态评估模型；若所述初始的支持向量机模型未满足所述交叉验证条件，则基于所述训练样本与预设的寻优参数对所述初始的支持向量机模型进行训练，直至所述初始的支持向量机模型满足所述交叉验证条件时，停止对所述初始的支持向量机模型的训练，得到所述待测试的状态评估模型；基于所述测试样本对所述待测试的状态评估模型进行测试；若所述待测试的状态评估模型通过测试，则得到所述训练好的状态评估模型。本实施例中，通过预处理数据、模型训练、交叉验证、参数优化、模型测试等步骤，确保训练好的状态评估模型具备较强的泛化能力，提高预测结果准确性、可靠性，为光伏逆变器的状态评估提供可信的工具。
进一步地，参照图11，本申请状态评估方法第九实施例提供一种流程示意图，基于上述图9所示的实施例，步骤S054，基于所述训练样本与预设的寻优参数对所述初始的支持向量机模型进行训练，直至所述初始的支持向量机模型满足所述交叉验证条件时，停止对所述初始的支持向量机模型的训练，得到待测试的状态评估模型之前，还包括：
步骤S057，基于预设的灰狼算法，初始化至少一个寻优参数。
具体地，寻优参数在模型训练中起着调整和优化模型性能的作用，可以提高模型在新数据上的泛化能力，提高模型的鲁棒性和可靠性。
为此，灰狼算法是一种优化算法，可以基于预设的灰狼算法，初始化至少一个寻优参数。寻优参数可以包括参数优化中的规模、缩放因子、交叉概率、迭代次数等一种或多种参数。
初始化寻优参数的过程可以是：①初始化参数空间：定义每个参数的取值范围，这些参数会影响模型的性能。②初始化狼群：设定初始的一组灰狼个体，每个个体代表一组参数值。③计算适应度：使用目标函数来计算每个灰狼个体的适应度，该函数表示模型在训练数据上的性能。④更新灰狼位置：根据适应度值和灰狼个体之间的关系，使用算法规则更新灰狼的位置，以更好地探索参数空间。⑤寻找最优个体：根据适应度值确定狼群中的最优个体，即具有最佳性能的参数组合。⑥更新参数：使用当前最优个体的参数作为新的参数值，继续优化模型。⑦迭代优化：重复步骤3到步骤6，直到达到预设的迭代次数或收敛条件。⑧获取最优的寻优参数：在迭代结束后，得到最优的寻优参数的组合，用于训练模型。
可以理解的是，除了灰狼算法，还可以使用网格搜索、随机搜索、贝叶斯优化、遗传算法、粒子群优化、模拟退火、局部优化等算法设置初始的支持向量机模型对应的寻优参数。
相比其他初始化寻优参数的算法，灰狼算法具有以下优点：①相对于一些其他复杂的算法，灰狼算法的参数数量较少，通常只需要设置种群大小和迭代次数等几个参数，这使得调整寻优参数更加容易。②灰狼算法通过模拟灰狼群体的协作行为来实现对参数空间的全局搜索，在发现全局最优解时具有一定的优势，尤其在高维参数空间中表现良好。③灰狼算法具有自适应性，可以根据问题的性质自动调整搜索策略，适用于多种不同类型的问题，包括连续参数优化和离散参数优化。④灰狼算法的并行性较好，可以轻松在多核处理器或分布式计算环境中运行，加速搜索过程。⑤灰狼算法通常对初始解的选择不太敏感，因此在一定程度上具有鲁棒性，可以处理不同问题领域的多样性。
本实施例通过上述方案，具体通过基于预设的灰狼算法，初始化至少一个寻优参数。本实施例中，采用灰狼算法能自动搜索参数空间，优化模型表现，提高模型准确度并加速收敛，能够有效避免手动调整参数的繁琐和不确定性。
进一步地，参照图12，本申请状态评估方法第十实施例提供一种流程示意图，基于上述图2所示的实施例，步骤S20，将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息之后，还包括：
步骤S30，若所述光伏逆变器的状态评估信息符合预设的警报条件，则确定所述光伏逆变器的状态评估信息对应的警报类别。
具体地，为了及时识别光伏逆变器的故障并采取措施来防止可能的故障扩大和损害，可以在光伏逆变器的状态评估信息符合预设的警报条件时发出警报。
具体地，本实施例采用的是多类别的警报模式，首先需要确定光伏逆变器的状态评估信息对应的警报类别。
例如，状态评估信息对应的警报类别分为Z1、Z2、Z3、Z4四种。其中Z1代表光伏逆变器的正常运行状态，Z1对应的光伏逆变器运行指标正常；Z2代表光伏逆变器的一般运行状态，Z2对应的光伏逆变器运行指标数据存在波动，运维人员需持续关注各项指标数据的波动情况；Z3代表光伏逆变器的不稳定运行状态，Z3对应的光伏逆变器部分运行指标数据偏离正常值，运维人员需针对异常数据进行分析并制定相应检修计划预防故障发生；Z4代表光伏逆变器的异常运行状态，Z4对应的光伏逆变器运行指标关键数据异常，需立即对相应指标分析并及时消缺。
步骤S40，根据所述警报类别，推送对应的警报信息。
具体地，针对不同的警报类别，可以推送相对应的警报信息。
例如，针对上述Z1、Z2、Z3、Z4四种警报类别，当光伏逆变器当前的状态评估信息对应的警报类别为Z1时，可以在后台显示对应的警报标识；当光伏逆变器当前的状态评估信息对应的警报类别为Z2时，可以在后台显示对应的警报标识并发出警报声音；当光伏逆变器当前的状态评估信息对应的警报类别为Z3时，可以在后台显示对应的警报标识，发出警报声音以及向管理人员推送警报信息；当光伏逆变器当前的状态评估信息对应的警报类别为Z4时，可以在后台显示对应的警报标识，发出警报声音，向管理人员以及异常的光伏逆变器附近的运维人员推送警报信息，警报信息可以包括异常的光伏逆变器的位置信息，以便管理人员或运维人员及时前往现场处理异常。
上述举例仅为说明警报信息是根据警报类别进行推送的，其核心在于警报信息的内容与警报类别相关联，不同的警报类别对应不同的警报信息。
本实施例通过上述方案，具体通过若所述光伏逆变器的状态评估信息符合预设的警报条件，则确定所述光伏逆变器的状态评估信息对应的警报类别；根据所述警报类别，推送对应的警报信息。本实施例中，在确定警报类别的基础上针对性地推送对应的警报信息，可以精准指示光伏逆变器的问题所在，加速运维响应与修复，有效降低光伏逆变器的故障损失。
此外，本申请实施例还提出一种状态评估装置，所述状态评估装置包括：
获取模块，用于获取光伏逆变器的目标数据；
评估模块，用于将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。
本实施例实现状态评估的原理及实施过程，请参照上述各实施例，在此不再赘述。
此外，本申请实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的状态评估程序，所述状态评估程序被所述处理器执行时实现如上所述的状态评估方法的步骤。
由于本状态评估程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有状态评估程序，所述状态评估程序被处理器执行时实现如上所述的状态评估方法的步骤。
由于本状态评估程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
相比现有技术，本申请实施例提出的状态评估方法、装置、终端设备及存储介质，通过获取光伏逆变器的目标数据；将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。基于本申请方案，结合定量参量和定性参量构建指标体系可以充分挖掘和利用相关数据，弥补单一数据类型的不足，使训练好的状态评估模型具备更加全面的状态评估能力，提高光伏逆变器状态评估的准确性和可靠性。
需要说明的是，在本文中，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术作出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本申请每个实施例的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种状态评估方法，其特征在于，所述状态评估方法包括：
获取光伏逆变器的目标数据；
将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。
2.如权利要求1所述的状态评估方法，其特征在于，所述获取光伏逆变器的目标数据的步骤之前，还包括：
获取所述光伏逆变器的至少一项定量参量和至少一项定性参量；
基于所述光伏逆变器的至少一项定量参量和至少一项定性参量，构建得到所述光伏逆变器的基础指标体系；
基于所述光伏逆变器的基础指标体系，构建得到所述光伏逆变器的关键指标体系；
根据所述光伏逆变器的关键指标体系获取所述样本数据；
基于所述样本数据与所述预设的寻优参数对所述初始的支持向量机模型进行训练，得到所述训练好的状态评估模型。
3.如权利要求2所述的状态评估方法，其特征在于，所述获取光伏逆变器的目标数据的步骤包括：
获取光伏逆变器的原始数据；
根据所述光伏逆变器的关键参量体系对所述原始数据进行筛选，得到筛选后的原始数据；
对所述筛选后的原始数据进行预处理，得到所述目标数据。
4.如权利要求2所述的状态评估方法，其特征在于，所述基于所述光伏逆变器的至少一项定量参量和至少一项定性参量，构建得到所述光伏逆变器的基础指标体系的步骤包括：
基于预设的第一分析规则对所述光伏逆变器的至少一项定量参量进行分析，得到所述至少一项定量参量各自对应的敏感因子；
基于预设的第二分析规则对所述光伏逆变器的至少一项定性参量进行分析，得到所述至少一项定性参量各自对应的劣化因子；
基于所述至少一项定量参量、所述至少一项定量参量各自对应的敏感因子、所述至少一项定性参量、所述至少一项定性参量各自对应的劣化因子，构建得到所述光伏逆变器的基础指标体系。
5.如权利要求4所述的状态评估方法，其特征在于，所述至少一项定量参量归属于各自对应的特征类型，所述特征类型的数量为至少一个，所述至少一项定量参量各自包括至少一个定量参量样本，所述基于预设的第一分析规则对所述光伏逆变器的至少一项定量参量进行分析，得到所述至少一项定量参量各自对应的敏感因子的步骤包括：
根据每一特征类型下的至少一项定量参量各自对应的定量参量样本，计算得到所述每一特征类型下的至少一项定量参量各自对应的平均类内距离以及平均类间距离；
基于所述平均类内距离以及所述平均类间距离，计算得到所述每一特征类型下的至少一项定量参量各自对应的敏感因子。
6.如权利要求5所述的状态评估方法，其特征在于，所述至少一项定性参量归属于各自对应的特征类型，所述至少一项定性参量各自包括定性参量实际值、定性参量阈值、定性参量出厂值，所述基于预设的第二分析规则对所述光伏逆变器的至少一项定性参量进行分析，得到所述至少一项定性参量各自对应的劣化因子的步骤包括：
根据每一特征类型下的至少一项定性参量各自对应的定性参量实际值、定性参量阈值、定性参量出厂值，并基于预设的偏移计算规则计算得到所述每一特征类型下的至少一项定性参量各自对应的劣化因子。
7.如权利要求2所述的状态评估方法，其特征在于，所述基于所述光伏逆变器的基础指标体系，构建得到所述光伏逆变器的关键指标体系的步骤包括：
基于所述光伏逆变器的基础指标体系，对所述光伏逆变器的至少一项定量参量和至少一项定性参量进行筛选，得到至少一项初筛定量参量和至少一项初筛定性参量；
基于预设的高斯核函数、所述至少一项初筛定量参量各自对应的定量参量样本、所述至少一项初筛定性参量各自对应的定性参量样本，构建得到归一化核矩阵；
基于所述归一化核矩阵，构建得到对应的特征矩阵和特征向量矩阵；
基于所述归一化核矩阵、所述特征矩阵、所述特征向量矩阵，构建得到目标矩阵；
基于所述目标矩阵，构建得到所述光伏逆变器的关键指标体系。
8.如权利要求2所述的状态评估方法，其特征在于，所述基于所述样本数据与所述预设的寻优参数对所述初始的支持向量机模型进行训练，得到所述训练好的状态评估模型的步骤包括：
对所述样本数据进行预处理，得到训练样本和测试样本；
基于所述训练样本对所述初始的支持向量机模型进行训练；
判断所述初始的支持向量机模型是否满足预设的交叉验证条件；
若所述初始的支持向量机模型未满足所述交叉验证条件，则基于所述训练样本与预设的寻优参数对所述初始的支持向量机模型进行训练，直至所述初始的支持向量机模型满足所述交叉验证条件时，停止对所述初始的支持向量机模型的训练，得到待测试的状态评估模型；
基于所述测试样本对所述待测试的状态评估模型进行测试；
若所述待测试的状态评估模型通过测试，则得到所述训练好的状态评估模型。
9.如权利要求8所述的状态评估方法，其特征在于，所述基于所述训练样本与预设的寻优参数对所述初始的支持向量机模型进行训练，直至所述初始的支持向量机模型满足所述交叉验证条件时，停止对所述初始的支持向量机模型的训练，得到待测试的状态评估模型的步骤之前，还包括：
基于预设的灰狼算法，初始化至少一个寻优参数。
10.如权利要求1所述的状态评估方法，其特征在于，所述将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息的步骤之后，还包括：
若所述光伏逆变器的状态评估信息符合预设的警报条件，则确定所述光伏逆变器的状态评估信息对应的警报类别；
根据所述警报类别，推送对应的警报信息。
11.一种状态评估装置，其特征在于，所述状态评估装置包括：
获取模块，用于获取光伏逆变器的目标数据；
评估模块，用于将所述目标数据输入至训练好的状态评估模型，得到所述光伏逆变器的状态评估信息，其中，所述训练好的状态评估模型基于所述光伏逆变器的样本数据和预设的寻优参数对初始的支持向量机模型进行训练得到，所述样本数据基于所述光伏逆变器的指标体系获取得到，所述指标体系基于所述光伏逆变器的定量参量和定性参量构建得到。
12.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的状态评估程序，所述状态评估程序被所述处理器执行时实现如权利要求1-10中任一项所述的状态评估方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有状态评估程序，所述状态评估程序被处理器执行时实现如权利要求1-10中任一项所述的状态评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311215965.8A CN117251788A (zh) | 2023-09-19 | 2023-09-19 | 状态评估方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311215965.8A CN117251788A (zh) | 2023-09-19 | 2023-09-19 | 状态评估方法、装置、终端设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117251788A true CN117251788A (zh) | 2023-12-19 |
Family
ID=89130729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311215965.8A Pending CN117251788A (zh) | 2023-09-19 | 2023-09-19 | 状态评估方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117251788A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118114134A (zh) * | 2024-03-19 | 2024-05-31 | 创维互联（北京）新能源科技有限公司 | 一种缺失遥信和辐照数据的逆变器停机归因分析方法 |
-
2023
- 2023-09-19 CN CN202311215965.8A patent/CN117251788A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118114134A (zh) * | 2024-03-19 | 2024-05-31 | 创维互联（北京）新能源科技有限公司 | 一种缺失遥信和辐照数据的逆变器停机归因分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111222290B (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| CN115526241B (zh) | 一种航空液压泵站实时异常检测方法、装置、设备及介质 | |
| CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 | |
| CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
| CN117410961A (zh) | 风功率预测方法、装置、设备及存储介质 | |
| CN118035814A (zh) | 基于数字孪生场域数据分析设备状态故障预警方法及系统 | |
| CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 | |
| CN113343581A (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
| CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
| CN115684835B (zh) | 配电网故障诊断方法、装置、设备及存储介质 | |
| CN118152355A (zh) | 一种日志采集管理方法及系统 | |
| CN117977536A (zh) | 一种智能电网负荷辨识方法 | |
| CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
| CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
| CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
| CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| CN115545339A (zh) | 变电站安全作业态势评估方法及装置 | |
| CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
| CN117972646B (zh) | 输电线路避雷器、杆塔和接地系统运行状态评估方法 | |
| Ren et al. | Application of Intelligent Algorithm Prediction Model Based on Particle Swarm Optimization on Power Load Forecast |
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 |