一种新能源发电设备运行数据的实时监控系统及方法与流程

本发明涉及发电设备数据监测，特别是一种新能源发电设备运行数据的实时监控系统及方法。

背景技术：

1、新能源发电技术的快速发展，特别是在风能、太阳能及其他可再生能源领域，已成为当今能源结构转型的重要推动力。近年来，伴随着物联网（iot）和大数据技术的进步，实时监控新能源发电设备的运行状态已变得尤为重要。实时监控系统不仅能实时跟踪设备性能，还能预测和识别潜在故障，从而提高发电效率和设备寿命。

2、现有的新能源发电设备监控技术主要依赖于传统的数据处理方法和单一的机器学习模型。这些方法在处理大规模、异构且动态变化的数据集时面临着显著挑战。例如，传统的监控系统往往难以应对数据量大、更新快的情况，而且在不同类型的新能源设备之间缺乏有效的数据共享和模型迁移能力。此外，由于新能源发电的波动性和不确定性，现有系统在预测和诊断方面的准确性和稳定性有待提高。这些局限性导致了监控效率的降低和维护成本的增加，从而制约了新能源发电技术的进一步发展和应用。

技术实现思路

1、鉴于现有的新能源发电设备运行数据的实时监控中存在的问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何提高新能源发电设备运行数据的实时监控效率和准确性，同时确保数据处理的灵活性和模型的泛化能力，以应对大规模、异构且动态变化的数据集，同时降低监控系统的维护成本和提高故障预测的准确度。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种新能源发电设备运行数据的实时监控系统，其包括采集处理模块，用于收集和预处理各类新能源发电设备的运行数据，保障数据输入的质量和一致性；增强训练模块，用于接收经过所述采集处理模块预处理的所述运行数据，通过arima模型生成合成数据进行数据集扩充，选择并训练最优的时间敏感型模型；联邦学习模块，用于整合各类新能源发电设备的最优时间敏感型模型，构建联邦检测模型，同时在联邦学习框架下协作，以提高模型的泛化能力和监控效率；压缩部署模块，用于对所述联邦检测模型进行压缩并部署至边缘计算设备，实现所述联邦检测模型的轻量化和高效监控；监控优化模块，用于执行实时监控，及时反馈设备故障，并利用迁移学习技术持续优化所述联邦检测模型，适应不同设备间的数据变化。

5、作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：所述新能源发电设备包括光伏发电设备、风能发电设备和水能发电设备；所述运行数据包括光伏发电设备的电流、电压、温度、太阳辐照度，风能发电设备的收集风速、风向、叶片转速、风能发电量，以及水能发电的水流量、水头、发电机转速、水能发电量；所述预处理主要是针对各类新能源发电设备的运行数据时间序列的处理，具体包括增强时间序列特征的数据清洗，进行时间敏感的数据滤波和去噪，维护时间信息的数据标准化，进行时序特征提取，基于时间窗口选择进行数据整合。

6、作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：所述通过arima模型生成合成数据进行数据集扩充包括如下步骤：对于每类新能源发电设备的运行数据，分别选择适当的arima模型参数；对收集到的原始运行数据执行时间序列分析，使用arima模型来识别数据中的趋势和季节性模式；利用arima模型预测预设时间内的数据点，生成额外的合成数据；对生成的合成数据进行验证，确保其与实际收集的数据在统计特性上保持一致；将验证后的合成数据与原始数据集合并，从而扩大数据集的规模和多样性；对扩充后的数据集进行预处理；其中，所述arima模型通过如下公式表示：

7、；

8、式中，是自回归ar部分的系数，每个对应于 i个时间单位之前的数据点对当前预测值的影响； l是滞后算子，用于表达时间序列中的滞后效应； l i表示滞后算子 l的 i次幂； p是自回归ar的阶数，指定了在预测当前值时要考虑多少个先前时间点的值； d是差分的次数，这是为了使非平稳时间序列变得平稳所需的差分次数，（1- l） d表示应用 d次差分； x t是时间序列在时间点 t的观测值； θ i是移动平均ma部分的系数，每个 θ i对应于 i个时间单位之前的预测误差对当前值的影响； q是移动平均ma的阶数，指定了在构建预测时要考虑的先前预测误差的数量； ε t是在时间点 t的误差项。

9、作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：增强训练模块选择并训练最优的时间敏感型模型，所述最优的时间敏感型模型的评估公式如下：

10、。

11、式中， m s是模型选择的评分； z是数据点的总数； u k是第 k个数据点的特征值；和 τ分别是数据集的平均值和标准差；是一个积分变量； β m是第 m个特征的权重； q是考虑的特征总数；是信息过滤函数，用于评估第 k个数据点在第 m个特征上的性能。

12、当 m s在(0.8，1]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为高。当 m s在(0.5，0.8]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为中。当 m s在[0，0.5]时，表示时间敏感型模型与新能源发电设备运行数据的匹配度为低。

13、所述联邦学习框架构建过程包括如下步骤：针对新能源发电设备类型，分别设置专门的联邦学习节点，并建立一个安全的通信协议来保护数据传输；在每个节点上对其对应的新能源发电设的运行数据执行清洗、标准化和特征提取，确保所有节点处理的数据具有一致的格式和标准；根据每种新能源发电设备的数据特性选择适宜的机器学习模型，并制定相应的训练策略；在各个新能源发电设备类型对应的节点上独立训练模型，然后将训练得到的模型参数定期汇总更新；使用不同节点的数据来跨设备验证模型的泛化能力，并根据验证结果对模型进行优化和调整；实施模型的连续学习机制，根据新收集的新能源设备运行数据进行实时更新和优化；在数据的传输和处理过程中应用加密技术，以及实行严格的访问控制，保障各类新能源发电设备数据的安全和隐私。

14、作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：所述联邦检测模型通过如下公式表达：

15、；

16、式中，是联邦检测模型输出，代表整个联邦学习框架下对新能源发电设备运行数据的综合评估结果；是评估公式； γ是敏感性调节参数，用于控制模型输出对输入变化的响应程度； h（ u k, θ k）是第 k个节点的模型函数，用于处理输入数据 u k和模型参数 θ k；是高等积分函数。

17、作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：所述对所述联邦检测模型进行压缩并部署至边缘计算设备包括如下步骤：运用自动化工具对联邦检测模型的每层和每个参数进行评估，识别出对联邦检测模型性能贡献最小的部分；基于评估结果，选择参数剪枝作为压缩技术，通过去除权重小或对输出影响小的神经网络连接来减少模型大小；对联邦检测模型应用参数剪枝，去除冗余和不重要的参数；对剪枝后的联邦检测模型进行微调；评估压缩后的联邦检测模型的性能；将压缩并微调后的联邦检测模型部署到新能源电厂的边缘计算设备上，用于实时监控和数据分析。

18、针对联邦检测模型的压缩前后的性能变化，通过如下公式进行评估：

19、；

20、式中， t是评估时间周期； λ是衰减系数，用于调节时间对性能的影响； p( t)是一个时间依赖的函数，代表模型在时间 t的性能； n是评估的特征数量；α i是第 i个特征的重要性权重； d i是第 i个特征在压缩前后的变化度量。

21、当压缩效果评分在81%~100%之间时，表示联邦检测模型在压缩后仍保持高性能，性能损失低。当压缩效果评分在61%~80%之间时，表示联邦检测模型在压缩后性能下降为中。当压缩效果评分在0%~60%之间时，表示联邦检测模型在压缩后性能下降为低。

22、作为本发明所述新能源发电设备运行数据的实时监控系统的一种优选方案，其中：所述监控优化模块包括利用联邦检测模型实时监控新能源发电设备的运行数据，一旦检测到异常或故障迹象，立即生成报警信号并通知维护团队；在检测到故障后，自动收集与故障相关的数据，并由专业团队进行标注，确定故障的具体类型和原因；整理和预处理收集到的故障数据，以便用于迁移学习过程中的模型训练；选择适合于迁移学习的模型；使用收集到的故障数据对选定的模型进行训练；对更新后的模型进行测试和验证；将优化后的模型重新部署到新能源发电设备的监控系统中。

23、第二方面，本发明实施例提供了一种新能源发电设备运行数据的实时监控方法，其包括：采集处理模块收集各类新能源发电设备的运行数据，并进行预处理；增强训练模块基于arima模型生成额外合成数据，扩充各类新能源发电设备数据集；将每类新能源发电设备的运行数据划分为支持集和查询集，并构建包含多类新能源发电设备的联邦学习框架；其中，所述支持集用于模型的训练，所述查询集用于模型的测试和验证；选择各类新能源发电设备的最优时间敏感型模型并进行训练，在所述联邦学习框架下整合这些最优时间敏感型模型，构成联邦检测模型；压缩部署模块压缩所述联邦检测模型，并部署到新能源电厂的边缘计算设备，以对各类新能源发电设备的运行数据进行实时监控；当检测到故障时立即反馈，并通过迁移学习持续优化所述联邦检测模型，实现不同新能源电厂和发电设备之间的运行数据的实时监控。

24、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的新能源发电设备运行数据的实时监控方法的任一步骤。

25、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的新能源发电设备运行数据的实时监控方法的任一步骤。

26、本发明有益效果为：首先，通过引入联邦学习框架，实现了跨设备和跨平台的数据及模型整合，显著提升了监控系统的泛化能力和适应性。这种方法能够在保护数据隐私的同时，有效地处理来自不同新能源发电设备的大规模数据。其次，arima模型的应用增强了对时间序列数据的处理能力，提高了故障预测和性能分析的准确性。此外，将联邦检测模型部署至边缘计算设备，有效降低了数据传输延迟和成本，同时实现了监控的实时性。最后，通过迁移学习技术的应用，本发明能够快速适应不同类型设备的特点和变化，进一步提升了监控系统的灵活性和精准度。这些创新使得本发明在新能源发电设备实时监控方面相较于现有技术具有显著的优势，有效提升了监控效率和准确性，降低了运维成本。