一种基于光伏箱变监控系统的异常监测学习方法与流程

本发明涉及光伏箱变控制，具体涉及光伏箱变异常监测，特别是涉及一种基于光伏箱变监控系统的异常监测学习方法。

背景技术：

1、光伏并网发电开始于上个世纪80年代初，所谓的光伏发电就是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术，再配合控制器及电器设备等就形成了光伏发电装置。光伏箱变就是一种交流电能的变换装置，首先通过逆变器将直流电变为交流电，然后能将某一数值的交流电压、电流转变为同频率的另一数值交流电压、电流，使电能传输、分配和使用，做到安全经济。而自动化监控系统在光伏电站中起着重要的作用，它通过数据采集监测光伏电站的工作状态，实现发电设备的运行控制，从而实现光伏发电设备的远程管理和自动化监控，以达到“无人值班，少人值守”的运行管理方式。现有的光伏电站用的监控系统中，数据统一发送至远端的控制中心进行处理然后再由控制中心进行精确的分析处理，从而实现自动控制。但是目前的监控系统实现的仍是问题的后发现，也就是说缺乏预警机制，无法在前期状态出现时给出预警，比如短路或者短路出现时，部分电气组件的温度急剧升高，或者接线出现脱落等状态，此类状态是能够被工业相机采集的，但是目前却缺乏针对此状态进行监测进行预警的机制。

技术实现思路

1、本发明的目的是要提供一种基于光伏箱变监控系统的异常监测学习方法，其基于光伏箱变监控系统的监测数据，进而结合图像采集关联工作状态或者故障状态实现自我学习，达到异常监测预警的目的，提高光伏箱变异常监测的可靠性、稳定性以及时效性。

2、为达到上述目的，本发明采用的技术方案是：

3、本发明提供了一种基于光伏箱变监控系统的异常监测学习方法，光伏箱变包括低压室、高压室、位于所述低压室和高压室之间的变压室，在光伏箱变的低压室、高压室以及变压室中分别设置有图像摄录装置，所述图像摄录装置对低压室、高压室以及变压室中的电气组件进行拍照，本方法包括以下工作流程：

4、步骤1：数据采集

5、通过图像摄录装置对在不同工作状态下的光伏箱变监控系统的内部进行拍照并对应构建出若干个子数据集；

6、步骤2：数据预处理

7、通过边缘模糊算法对各个子数据集中的图像进行特征提取，用于对图像数据进行压缩；

8、步骤3：数据划分

9、对步骤2预处理后的子数据集按照比例进行划分，分为用于模型训练的训练集和用于模型测试的测试集；

10、步骤4：构建监测模型

11、通过训练集对深度卷积神经网络进行训练，进而得到训练后的卷积神经网络模型，然后通过测试集对训练后的卷积神经网络模型进行测试评估，评估对比合格即将训练后的卷积神经网络模型作为监测模型；

12、步骤5：异常实时检测

13、通过图像摄录装置定时采集光伏箱变监控系统的低压室、高压室以及变压室中的电气组件的图像数据，并在经边缘模糊算法的预处理后送入所述监测模型，进行光伏箱变的工作状态预测。

14、在一具体的实施方式下，间隔定长时间第n次执行所述步骤5并记录第n次的工作状态预测结果，当第n+1次执行步骤5时比对验证第n次的工作状态预测结果与实际工作状态，如比对验证得出第n次的工作状态预测结果为准确预测则将所记录的第n次异常实时检测时的图像数据及预测结果作为新增数据集，通过所述新增数据集对所述监测模型进行迭代训练。

15、在一具体的实施方式下，设定新增数据集的阈值数k，当累计新增数据集的数量m达到k时将k各新增数据集一起作为迭代训练集对所述监测模型进行迭代训练，并将m的值归零。

16、在一具体的实施方式下，所述带注意力机制的一维卷积神经网络包括两个一维卷积层、两个一维池化层、一个注意力机制模块和三个全连接层，经卷积神经网络模型训练的图像数据，图像数据在一个一维卷积层进行卷积处理后经过relu函数激活后输入到一个一维池化层进行池化处理后再送入另一个一维卷积层进行处理，处理后的图像数据经过relu函数激活后输入到另一池化层，再次池化处理后的图像数据经所述注意力机制模块进行加强处理后得到加强特征图像数据，最后输入到三个全连接层中得到最终的输出图像数据。

17、在一具体的实施方式下，注意力机制模块接收一维卷积神经网络的另一个一维卷积层输出的特征图像数据，首先对特征图像数据进行自适应最大池化，得到一个对应的特征向量，将特征向量输入到两层的全连接网络，从而得到一个权重向量，将特征图像数据和权重向量相乘后得到新的特征图像数据再送往一维卷积神经网络的全连接层进行处理。

18、在一具体的实施方式下，步骤1中所述的不同工作状态指的光伏箱变的正常工作状态以及异常故障状态。

19、在一具体的实施方式下，所述异常故障状态包括低压绕组接地故障、低压侧短路故障、高压侧断线故障、高压侧短路故障、变压测压力故障。

20、在一具体的实施方式下，所述图像摄录装置采用的是带红外热成像功能的相机。

21、特别地，本发明还提供了一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的方法。

22、本发明还提供了一种计算机可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如上所述的方法。所述计算机可读存储介质优选为非易失性可读存储介质。

23、与现有技术相比较，本发明专利申请的优点在于：

24、本申请的基于光伏箱变监控系统的异常监测学习方法，其根据现有的监控系统对于光伏箱变的工作状态监测结果，对应各个状态下所摄录的图像数据构成数据集，分出部分作为训练集对卷积神经网络模型进行训练，在通过测试集对训练出的模型进行测试验证，评估合格后即可作为监测模型用以后期的监测预警，后续只需要将采集到的图像尤其是热成像的图像数据送入到监测模型中即可得到可能产生的异常问题，也就是实现了异常预警，如此实现对于现有光伏箱变监控系统的预警补充，提高光伏箱变工作状态的稳定性与可靠性。

技术特征：

1.一种基于光伏箱变监控系统的异常监测学习方法，其特征在于，光伏箱变包括低压室、高压室、位于所述低压室和高压室之间的变压室，在光伏箱变的低压室、高压室以及变压室中分别设置有图像摄录装置，所述图像摄录装置对低压室、高压室以及变压室中的电气组件进行拍照，本方法包括以下工作流程：

2.根据权利要求1所述的基于光伏箱变监控系统的异常监测学习方法，其特征在于，间隔定长时间第n次执行所述步骤5并记录第n次的工作状态预测结果，当第n+1次执行步骤5时比对验证第n次的工作状态预测结果与实际工作状态，如比对验证得出第n次的工作状态预测结果为准确预测则将所记录的第n次异常实时检测时的图像数据及预测结果作为新增数据集，通过所述新增数据集对所述监测模型进行迭代训练。

3.根据权利要求2所述的基于光伏箱变监控系统的异常监测学习方法，其特征在于，设定新增数据集的阈值数k，当累计新增数据集的数量m达到k时将k各新增数据集一起作为迭代训练集对所述监测模型进行迭代训练，并将m的值归零。

4.根据权利要求1所述的基于光伏箱变监控系统的异常监测学习方法，其特征在于，步骤1中所述的不同工作状态指的光伏箱变的正常工作状态以及异常故障状态。

5.根据权利要求4所述的基于光伏箱变监控系统的异常监测学习方法，其特征在于，所述带注意力机制的一维卷积神经网络包括两个一维卷积层、两个一维池化层、一个注意力机制模块和三个全连接层，经卷积神经网络模型训练的图像数据，图像数据在一个一维卷积层进行卷积处理后经过relu函数激活后输入到一个一维池化层进行池化处理后再送入另一个一维卷积层进行处理，处理后的图像数据经过relu函数激活后输入到另一池化层，再次池化处理后的图像数据经所述注意力机制模块进行加强处理后得到加强特征图像数据，最后输入到三个全连接层中得到最终的输出图像数据。

6.根据权利要求5所述的基于光伏箱变监控系统的异常监测学习方法，其特征在于，注意力机制模块接收一维卷积神经网络的另一个一维卷积层输出的特征图像数据，首先对特征图像数据进行自适应最大池化，得到一个对应的特征向量，将特征向量输入到两层的全连接网络，从而得到一个权重向量，将特征图像数据和权重向量相乘后得到新的特征图像数据再送往一维卷积神经网络的全连接层进行处理。

7.一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。

8.一种计算机可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如权利要求1至6中任一项所述的方法。

技术总结
本发明涉及一种基于光伏箱变监控系统的异常监测学习方法，其通过图像摄录装置对光伏箱变中的电气组件进行拍照，先进行数据采集及预处理，对预处理后的子数据集按照比例划分为用于模型训练的训练集和用于模型测试的测试集，通过训练集对深度卷积神经网络进行训练，深度卷积神经网络采用的是带注意力机制模块的一维卷积神经网络，得到训练后的卷积神经网络模型，通过图像摄录装置定时采集光伏箱变监控系统的低压室、高压室以及变压室中的电气组件的图像数据，并在经边缘模糊算法的预处理后送入监测模型，进行光伏箱变的工作状态预测。本申请能够达到异常监测预警的目的，提高光伏箱变异常监测的可靠性、稳定性以及时效性。

技术研发人员：高巍,李国霞,魏龙飞
受保护的技术使用者：常州思瑞电力科技有限公司
技术研发日：
技术公布日：2024/1/15