利用云端服务器进行监控的太阳能集热系统的制作方法

本发明涉及太阳能领域，具体涉及利用云端服务器进行监控的太阳能集热系统。

背景技术：

相关技术中，太阳能集热系统包括本地服务器。本地服务器接收控制器发送的信息，通过本地服务器内预设控制程序及参数得到运行方案，控制器根据该运行方案控制余热系统运行。然而，系统现场状况复杂多变，当本地服务器得到的运行方案无法满足现场状况的需求时，需要维护人员抵达现场更新本地服务器的控制程序及参数，以便本地服务器得到满足现场状况的运行方案，无法灵活地调整本地服务器内的控制程序及参数。

技术实现要素：

针对上述问题，本发明提供利用云端服务器进行监控的太阳能集热系统。

本发明的目的采用以下技术方案来实现：

利用云端服务器进行监控的太阳能集热系统，包括控制器、云端服务器、和参数调整客户端，所述云端服务器与控制器、参数调整客户端连接，所述参数调整客户端可以供用户输入参数更新指令，参数调整客户端将参数更新指令传送到云端服务器，驱使云端服务器更新云端服务器中的控制程序及参数，云端服务器通过移动网与控制器连接以达到对系统的控制。

本发明的有益效果为：采用云端服务器替代传统的本地服务器，当运行方案不满足现场需求时，可以根据现场需求通过参数调整客户端直接更新云端服务器中的控制程序及参数，而不需要维护人员前往现场更新，灵活性强。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的结构框图；

图2是故障检测子系统的结构框图。

附图标记：

控制器1、云端服务器2、参数调整客户端3、运行信息采集子系统4、故障检测子系统5、特征采集提取单元10、特征信息筛选单元20、故障分析检测单元30。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例提供了利用云端服务器进行监控的太阳能集热系统，包括控制器1、云端服务器2、和参数调整客户端3，所述云端服务器2与控制器1、参数调整客户端3连接，所述参数调整客户端3可以供用户输入参数更新指令，参数调整客户端3将参数更新指令传送到云端服务器2，驱使云端服务器2更新云端服务器2中的控制程序及参数，云端服务器2通过移动网与控制器1连接以达到对系统的控制。

进一步地，所述太阳能集热系统还包括运行信息采集子系统4，该运行信息采集子系统4用于采集太阳能集热系统的运行信息，并将运行信息传送至参数调整客户端3。

本发明上述实施例采用云端服务器2替代传统的本地服务器，当运行方案不满足现场需求时，可以根据现场需求通过参数调整客户端3直接更新云端服务器2中的控制程序及参数，而不需要维护人员前往现场更新，灵活性强。

进一步地，所述太阳能集热系统还包括用于检测控制器1故障的故障检测子系统5，所述故障检测子系统5与参数调整客户端3连接，当控制器发生故障时，故障检测子系统5将故障信息传送至参数调整客户端3。

本优选实施例设置故障检测子系统5，可以及时将控制器1的故障信息传送至参数调整客户端3，供用户查看，从而维保人员可以及时对发生故障的控制器1进行维修，确保太阳能集热系统的正常运行。

优选地，所述故障检测子系统5包括：

(1)特征采集提取单元10，用于采集反映控制器1工作状态的参数信息，对所述参数信息进行滤波处理，消除噪声的干扰，并进行特征提取；

(2)特征信息筛选单元20，用于对提取的特征进行筛选，得出用于进行故障诊断的特征信息；

(3)故障分析检测单元30，用于根据筛选出的特征信息对控制器1进行故障检测。

优选地，所述特征信息筛选单元20按照下述特征筛选规则得出用于进行故障诊断的特征信息：

(1)计算特征信息中的各特征变量的相对重要度，所述相对重要度为特征变量对控制器1的性能影响的重要程度，设定用于进行故障诊断的特征信息中第i个特征变量的相对重要度Γi的计算公式为：

式中，Γ(Aj)为由第j个专家组根据历史经验确定的权重，f为专家组的个数，Γ(B)为采用主成分分析方法得到的客观权重；

另外，v1为第一权重调整因子，v2为第二权重调整因子，v1、v2的值根据实际需要通过多次试验进行调整且v1+v2＝1；

(2)对所有特征变量按照相对重要度从大到小的顺序进行顺序排序，在排序后的特征变量中，筛选出前80％的特征变量，作为用于进行故障诊断的特征变量数据。

本优选实施例节省了故障诊断时对数据处理的时间，提高了故障诊断的速度；按照上述相对重要度计算公式进行特征变量的相对重要度的计算，既能表现专家对各特征变量的重视程度，又考虑了特征变量实际含义的情况，减少加权的主观随意性，且设置权重调整因子，使得特征变量的相对重要度计算更贴近实际情况，保证了特征筛选的准确性，从而有利于保障故障诊断精度，实现对控制器1故障的精确诊断。

所述特征信息筛选单元20在筛选特征后，还进行筛选优化系数的计算，该筛选优化系数η的计算公式为：

式中，f为专家组的个数，∑Γ20为未筛选的剩余20％特征变量对应的相对重要度之和，∑Γ100为用于进行故障诊断的特征信息中所有特征变量的相对重要度之和。

优选地，所述故障分析检测单元30按照下述方式进行故障检测：

(1)计算各特征变量的度量距离，设Ww为特征变量Xw到标准特征变量Yw的度量距离，其中Xw为监测采集的特征变量数据中第w个特征变量，Yw为与Xw相对应的处于健康状态时的标准特征变量，则Ww的计算公式为：

式中，η为特征信息筛选单元20中计算得到的筛选优化系数；

另外，MW(Xw,Yw)为特征变量Xw到标准特征变量Yw的马氏距离，OW(Xw,Yw)为特征变量Xw到标准特征变量Yw的欧氏距离，是标准特征变量Yw的相关系数矩阵；

(2)预先设定不同类型的故障聚类阈值，若Ww处于某种故障聚类阈值之内，则判断为该种故障。

本优选实施例采用了马氏距离和欧氏距离相结合的方式进行度量距离的计算，兼顾了特征变量的相关性和独立性，使计算出的度量距离更贴近实际情况；此外，本优选实施例还利用筛选优化系数对度量距离的计算进行优化，在不增加过多计算量的情况下保证数据取用的完整性，进一步提高了对控制器1进行故障诊断的精度。

优选地，故障聚类阈值的设定方式为：

(1)采集控制器1在第种故障状态下的足够数量的随机样本：

其中，随机样本表示一个特征变量Xδ的度量距离，δ＝1,2,…,λ；

(2)计算该样本集的标准差和期望值设定该控制器1在第种故障状态下的故障聚类阈值为：

其中为期望值的最大似然估计，为标准差的最大似然估计。

本优选实施例在设定不同类型的故障聚类阈值时，依据的数据来源于控制器1在第种故障状态下的足够数量的随机样本，避免了主观因素的影响，使得不同类型的故障聚类阈值的设定更为科学，进一步保证对控制器1进行故障检测的精度。

优选地，该故障分析检测单元30还设有如下的高发深度故障报警机制：

记录计算得到的实际的度量距离Ww与第种故障状态下的期望值的实际差值I′，假设故障种类数量为ξ，如果则累计记录Ww进入该范围的次数N；

当满足下列评判公式时，则判断该种故障为高发深度故障，并向运行人员发出相应报警提示：

其中I′max和I′min分别为该种故障历史记录中的最大实际差值和最小实际差值，该种故障历史记录中的平均实际差值。

本优选实施例设置了高发深度故障报警机制，使得该故障检测子系统5除了能够有效识别故障种类外，还能依据历史数据提示故障的深度和频率，为后续的控制器1的维修提供科学的依据，提高对太阳能集热系统的监控力度。

基于上述实施例，发明人进行了一系列测试，以下是进行测试得到的实验数据：

上述实验数据表明，本发明能够精确、快速地对控制器1进行故障检测，本发明在应用于太阳能集热系统的控制器1的故障检测方面产生了非常显著的有益效果，极大地便利了太阳能集热系统的维保工作。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。