CN117648554B - 一种用于光伏多功能断路器的智能数据采集方法 - Google Patents
一种用于光伏多功能断路器的智能数据采集方法 Download PDFInfo
- Publication number
- CN117648554B CN117648554B CN202410114972.7A CN202410114972A CN117648554B CN 117648554 B CN117648554 B CN 117648554B CN 202410114972 A CN202410114972 A CN 202410114972A CN 117648554 B CN117648554 B CN 117648554B
- Authority
- CN
- China
- Prior art keywords
- current
- data
- value
- moment
- current moment
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 33
- 238000007499 fusion processing Methods 0.000 claims abstract description 13
- 238000000556 factor analysis Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 15
- 230000007787 long-term memory Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 6
- 230000010485 coping Effects 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 11
- 238000010248 power generation Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0007—Details of emergency protective circuit arrangements concerning the detecting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H3/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection
- H02H3/08—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection responsive to excess current
- H02H3/087—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection responsive to excess current for dc applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域，尤其涉及一种用于光伏多功能断路器的智能数据采集方法，该方法获取历史电流时序数据和电流预测时序数据组成电流时序序列；获取当前时刻的数据局部距离选择因子，根据数据局部距离选择因子获取对当前时刻的电流预测值进行COF离群因子分析时的K距离邻域；根据当前时刻的K距离邻域内的电流数据，获取当前时刻的电流预测值的权重因子，根据权重因子，对当前时刻的电流采样值和电流预测值进行融合处理，得到当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值，提高了光伏多功能断路器应对瞬时峰值电流的能力。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种用于光伏多功能断路器的智能数据采集方法。
背景技术
在光伏发电中直流发电端的电流波动会对电网供电质量造成直接影响，当发生引起电流过高、漏电、断路、电网停电等一类的事件时，断路器需要及时做出动作切断供电以保护整个供电模块以及操作人员安全。不同场景下有多种不同的断路器可供选择，在现有的光伏发电中应用一种光伏多功能断路器可以依靠实际工作负载的理论最大值设定触发断路器的动作阈值，并且可以利用模块化技术，根据实际所需场景添加断路器功能，光伏多功能断路器改变了传统断路器使用单一数据进行动作阈值判断不够灵活的问题，光伏多功能断路器可以同时对包括电流、电压、综合负载在内的故障做出动作以保护设备安全。
在实际应用中，影响光伏发电的直流端的因素有很多，光伏发电的光伏板工作效率受光照强度、温度、阴影遮挡等影响。在光伏并网发电中不可避免的直流发电端会产生诸如温度骤降引起的光伏板工作电压升高、突然增强的光照强度引起的电流激增、设备短路造成的电流过高以及大片细碎云层飘过引起的电流不稳定等问题，光伏多功能断路器特有的敏感性可以很好的触发动作断开电路以保护设备，但由于一些偶然的瞬时波动也会触发光伏多功能断路器工作，给设备的稳定运行和维护造成困难，例如：在包括但不限于细碎云层的遮挡、电流噪声等情况下产生的电流突然升高到阈值以上后又回落的现象，这种现象下也会触发光伏多功能断路器工作。
因此，如何提高光伏多功能断路器对瞬时峰值电流的判断能力，以减少光伏多功能断路器的误判成为亟需解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种用于光伏多功能断路器的智能数据采集方法，以解决如何提高光伏多功能断路器对瞬时峰值电流的判断能力，以减少光伏多功能断路器的误判的问题。
本发明实施例中提供了一种用于光伏多功能断路器的智能数据采集方法，该智能数据采集方法包括以下步骤：
获取光伏板直流输出端在当前时刻之前的历史电流时序数据以及包括所述当前时刻的预设未来时段内的电流预测时序数据，将所述历史电流时序数据和所述电流预测时序数据组成电流时序序列；
根据所述电流时序序列中所述当前时刻对应的电流预测值两侧的电流数据差异，获取所述当前时刻的数据局部距离选择因子，根据所述数据局部距离选择因子获取对所述当前时刻的电流预测值进行COF离群因子分析时的K距离邻域；
根据所述当前时刻的K距离邻域内的电流数据，获取所述当前时刻的电流预测值的权重因子，获取所述当前时刻的电流采样值，根据所述权重因子，对所述当前时刻的电流采样值和电流预测值进行融合处理，得到所述当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值。
进一步的，所述根据所述电流时序序列中所述当前时刻对应的电流预测值两侧的电流数据差异，获取所述当前时刻的数据局部距离选择因子，包括：
以所述电流时序序列中所述当前时刻对应的电流预测值为目标数据，在所述电流时序序列中，将所述目标数据之前的第一预设数量个历史电流值组成所述目标数据的局部数据集合；
根据所述目标数据的局部数据集合中的每个历史电流值两侧的电流数据差异以及与所述目标数据之间的距离，获取所述当前时刻的数据局部距离选择因子。
进一步的，所述根据所述目标数据的局部数据集合中的每个历史电流值两侧的电流数据差异以及与所述目标数据之间的距离，获取所述当前时刻的数据局部距离选择因子，包括：
针对所述局部数据集合中的任一历史电流值，在所述电流时序序列中以所述历史电流值为中心，在所述历史电流值的左侧选取第二预设数量个电流数据组成第一子序列，在所述历史电流值的右侧选取所述第二预设数量个电流数据组成第二子序列，获取所述第一子序列和所述第二子序列之间的相似程度；
在所述电流时序序列中获取所述历史电流值的初始K距离邻域内的所有邻域电流数据，分别计算每个所述邻域电流数据的电流采样值和电流预测值之间的差值绝对值，得到差值绝对值之和，获取所述差值绝对值之和与所述相似程度之间的乘积，对所述乘积进行归一化处理，得到对应的归一化值，获取所述历史电流值与所述目标数据之间的距离，根据所述距离和所述归一化值获取所述历史电流值的差异特征值；
将所述目标数据的局部集合数据中的所有历史电流值的差异特征值之间的乘积作为所述当前时刻的数据局部距离选择因子。
进一步的，所述根据所述数据局部距离选择因子获取对所述当前时刻的电流预测值进行COF离群因子分析时的K距离邻域，包括：
获取所述初始K距离邻域与所述数据局部距离选择因子之间的乘积作为对所述当前时刻的电流预测值进行COF离群因子分析时的K距离邻域。
进一步的，所述根据所述当前时刻的K距离邻域内的电流数据，获取所述当前时刻的电流预测值的权重因子，包括：
根据所述当前时刻的K距离邻域内的电流数据，获取所述当前时刻的电流预测值的COF值，获取所述COF值与常数1之间的差值绝对值并进行归一化处理，对应得到的归一化值作为所述当前时刻的电流预测值的权重因子。
进一步的，所述根据所述权重因子，对所述当前时刻的电流采样值和电流预测值进行融合处理，得到所述当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值，包括：
根据所述权重因子分别获取所述当前时刻的电流采样值和电流预测值的权重系数，根据所述权重系数对所述当前时刻的电流采样值和电流预测值进行加权求和，得到的加权求和结果作为所述当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值。
进一步的，所述包括所述当前时刻的预设未来时段内的电流预测时序数据的获取方法，包括：
获取训练好的LSTM长短期记忆网络模型，利用所述训练好的LSTM长短期记忆网络模型分别获取包括所述当前时刻以及所述当前时刻之后的每个时刻的电流预测值，得到预设未来时段内的电流预测时序数据。
本发明实施例与现有技术相比存在的有益效果是：
本发明获取光伏板直流输出端在当前时刻之前的历史电流时序数据以及包括所述当前时刻的预设未来时段内的电流预测时序数据，将所述历史电流时序数据和所述电流预测时序数据组成电流时序序列；根据所述电流时序序列中所述当前时刻对应的电流预测值两侧的电流数据差异，获取所述当前时刻的数据局部距离选择因子，根据所述数据局部距离选择因子获取对所述当前时刻的电流预测值进行COF离群因子分析时的K距离邻域；根据所述当前时刻的K距离邻域内的电流数据，获取所述当前时刻的电流预测值的权重因子，获取所述当前时刻的电流采样值，根据所述权重因子，对所述当前时刻的电流采样值和电流预测值进行融合处理，得到所述当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值。其中，通过采集当前时刻的历史电流时序数据和电流预测时序数据，对当前时刻的电流采样值和电流预测值进行融合处理，得到当前时刻下符合实际情况的电流值，也即是用于评判光伏多功能断路器是否需要做出切断供电动作的判断依据，提高了光伏多功能断路器应对瞬时峰值电流的能力，减少了光伏多功能断路器的误动作发生，在维持原有工作性能的同时增加了抗干扰能力，提高了整体系统稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种用于光伏多功能断路器的智能数据采集方法的方法流程图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
需要说明的是，本公开的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如本公开的一些方面相一致的装置和方法的例子。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
本发明所针对的具体场景：在使用光伏多功能断路器参与工作的并网式光伏发电中，需要在光伏板直流输出端添加光伏多功能断路器以保证设备安全，其中，光伏多功能断路器采用过阈值触发方式在实际应用中满足了其稳定高效的工作需求。但是由于光伏板运行中电流输出受外界环境影响较大，光伏板的工作特性导致其电流时常有波动且可能超过光伏板的理论最大值，光伏多功能断路器通常把光伏板的理论最大值作为其阈值，当光伏板因为环境波动导致输出的电流超过阈值时，光伏多功能断路器触发断开电路动作，因此，本发明是针对环境影响产生的电流波动，会导致有一瞬间的电流超过光伏多功能断路器设定的阈值，从而导致光伏多功能断路器的误操作断开电路的问题。
参见图1，是本发明实施例一提供的一种用于光伏多功能断路器的智能数据采集方法的方法流程图，如图1所示，该智能数据采集方法可以包括：
步骤S101，获取光伏板直流输出端在当前时刻之前的历史电流时序数据以及包括当前时刻的预设未来时段内的电流预测时序数据，将历史电流时序数据和电流预测时序数据组成电流时序序列。
对于光伏板的直流发电过程中，可以通过光伏多功能断路器的数据采集模块对光伏板直流输出端的电流数据进行实时采集。其中，电流数据的采样频率不做限制，实施者可根据实时场景设置，优选的，本发明实施例中的采样频率为1秒。
基于上述采样方式，能够获取光伏板直流输出端在当前时刻t之前的历史时段内采集的历史电流时序数据，从而通过时序数据预测模型获取包括当前时刻在内的预设未来时段内的电流预测时序数据，优选的，本发明实施例中，电流预测时序数据的长度为50。其中，包括当前时刻在内的预设未来时段内的电流预测时序数据的获取方法，包括：获取训练好的LSTM长短期记忆网络模型，利用所述训练好的LSTM长短期记忆网络模型分别获取包括所述当前时刻以及所述当前时刻之后的每个时刻的电流预测值，得到预设未来时段内的电流预测时序数据。
需要说明的是，根据历史电流时序数据对LSTM长短期记忆网络模型的训练属于公知技术，此处不再赘述。
进一步的，将历史电流时序数据和电流预测时序数据组成一个电流时序序列，其中，在电流时序序列中，当前时刻之前的电流数据属于历史电流值，当前时刻之后的且包括当前时刻的电流数据属于电流预测值，且将电流时序序列中当前时刻t所对应的电流预测值记为。
步骤S102，根据电流时序序列中当前时刻对应的电流预测值两侧的电流数据差异，获取当前时刻的数据局部距离选择因子，根据数据局部距离选择因子获取对当前时刻的电流预测值进行COF离群因子分析时的K距离邻域。
在数据采集的过程中会存在着因为环境导致的电流波动情况，且不同的波动情况下无法准确地对环境状态进行适应，因此，为更好地避免光伏多功能断路器地误判情况，需要对当前时刻所对应的电流预测值和电流采样值/>进行数值融合处理，以作为光伏多功能断路器在当前时刻的判断依据。
因此，在获取到当前时刻t所对应的电流预测值之后，针对于当前时刻t所对应的电流预测值/>，当电流预测值/>在电流时序序列中呈现出稳定的电流数值变化时，则更倾向于更高程度的参考预测电流数值，当电流时序序列中的电流预测值/>所在的局部邻域呈现为不稳定的电流数值变化时，则倾向于更低程度的参考预测电流数值，所以在对当前时刻所对应的电流预测值/>和电流采样值/>进行数值融合过程中，需要对电流预测值/>呈现的局部稳定程度进行衡量，并以此进行融合权重的获取。
本发明实施例中，通过获取电流预测值的COF离群因子，来对电流预测值呈现的局部稳定程度进行衡量，在获取电流预测值/>的COF离群因子的过程中，由于COF离群因子是通过固定的K距离邻域的选取而获取的（K距离邻域为在电流时序序列中选取与电流预测值最近的K个电流数据），因此，在电流时序序列中，对当前时刻的电流预测值/>进行COF离群因子的获取时，电流预测值/>需要在其左侧的历史电流值和右侧的电流预测值中进行K距离邻域的选取。而当左侧的历史电流值和右侧的电流预测值都处于相似的波动状态时，则可以通过更小的K距离邻域的选取来提高电流预测值/>的局部差异性，反之，当左侧的历史电流值和右侧的电流预测值处于较大的波动差异时，则可以通过更大的K距离邻域的选取来保证在获取COF离群因子时可以更多的涵盖波动性较高的电流数据，以此来提高获取电流预测值/>的COF离群因子的准确性。故，首先根据电流时序序列中当前时刻对应的电流预测值两侧的电流数据差异，获取当前时刻的数据局部距离选择因子，然后，根据数据局部距离选择因子获取对当前时刻的电流预测值进行COF离群因子分析时的K距离邻域。
优选的，根据所述电流时序序列中所述当前时刻对应的电流预测值两侧的电流数据差异，获取所述当前时刻的数据局部距离选择因子，包括：
（1）以所述电流时序序列中所述当前时刻对应的电流预测值为目标数据，在所述电流时序序列中，将所述目标数据之前的第一预设数量个历史电流值组成所述目标数据的局部数据集合。
具体的，首先设置获取COF离群因子时的初始K距离邻域为20，然后，将电流时序序列中的第20个历史电流值之后的历史电流值组成当前时刻对应的电流预测值的局部数据集合。值得说明的是，本发明对初始K距离邻域不做限制，实施者可根据实施场景设置。
（2）根据所述目标数据的局部数据集合中的每个历史电流值两侧的电流数据差异以及与所述目标数据之间的距离，获取所述当前时刻的数据局部距离选择因子。
具体的，针对所述局部数据集合中的任一历史电流值，在所述电流时序序列中以所述历史电流值为中心，在所述历史电流值的左侧选取第二预设数量个电流数据组成第一子序列，在所述历史电流值的右侧选取所述第二预设数量个电流数据组成第二子序列，获取所述第一子序列和所述第二子序列之间的相似程度；
在所述电流时序序列中获取所述历史电流值的初始K距离邻域内的所有邻域电流数据，分别计算每个所述邻域电流数据的电流采样值和电流预测值之间的差值绝对值，得到差值绝对值之和，获取所述差值绝对值之和与所述相似程度之间的乘积，对所述乘积进行归一化处理，得到对应的归一化值，获取所述历史电流值与所述目标数据之间的距离，根据所述距离和所述归一化值获取所述历史电流值的差异特征值；
将所述目标数据的局部集合数据中的所有历史电流值的差异特征值之间的乘积作为所述当前时刻的数据局部距离选择因子。
在一实施方式中，设置第二预设数量为，K是指初始K距离邻域，则当前时刻t的数据局部距离选择因子的计算表达式为：
其中，表示当前时刻t的数据局部距离选择因子，M表示当前时刻t对应的电流预测值的局部数据集合中的数据数量，/>表示局部数据集合中的第x个历史电流值与当前时刻t对应的电流预测值之间的距离，/>表示归一化处理，/>表示局部数据集合中的第x个历史电流值的初始K距离邻域，/>表示第x个历史电流值的初始K距离邻域内的第q个邻域电流数据的电流预测值，/>表示第x个历史电流值的初始K距离邻域内的第q个邻域电流数据的电流采样值，| |表示绝对值符号，/>表示动态时间规整算法，/>表示局部数据集合中的第x个历史电流值的左侧的/>个电流数据组成第一子序列，/>表示局部数据集合中的第x个历史电流值的右侧的/>个电流数据组成第二子序列。
需要说明的是，在天气出现变化时，电流的波动情况存在着连续的波动变大或者变小的情况，也就是电流从稳定到波动的情况以及波动到稳定的情况，所以在对当前时刻t的数据局部距离选择因子的评估过程中，需要通过初始K距离邻域评估的连续变化进行评估，因此，上述公式中通过连乘的方式进行数据局部距离选择因子的获取；在获取到训练好的LSTM长短期记忆网络模型之后，通过当前时刻t对应的电流预测值的局部数据集合中的每一个历史电流值的初始K距离邻域内的电流预测值与电流采样值的差异进行局部范围的预测可信度的评估，预测与实际差异越大，则说明在当前时刻t对应的电流预测值的数据局部距离选择因子的评估过程中，预测信息的可信度越低，那么再通过当前时刻t的左右两个长度为的子序列（第一子序列和第二子序列）的/>动态弯曲距离计算得出的真实数据和预测数据的相似程度进行距离优化，从而保证在预测可信度低时，增大两个子序列之间的评估差异，从而对后续的K距离邻域的选取进行准确优化。
其中，第一子序列和第二子序列之间的动态弯曲距离说明了两个子序列的波动情况如何在波动平稳的电流数据中需要减小在后续平均连接距离的计算中数据点的量，使得平稳波动的曲线中也可以突出其特征。
优选的，根据所述数据局部距离选择因子获取对所述当前时刻的电流预测值进行COF离群因子分析时的K距离邻域，包括：
获取所述初始K距离邻域与所述数据局部距离选择因子之间的乘积作为对所述当前时刻的电流预测值进行COF离群因子分析时的K距离邻域。
在一实施方式中，在得到当前时刻t的数据局部距离选择因子之后，通过计算表达式/>，获取到对当前时刻t的电流预测值进行COF离群因子分析时的K距离邻域/>。
至此，根据电流时序序列中的电流数据差异，获取到了对当前时刻t的电流预测值进行COF离群因子分析时的K距离邻域。
步骤S103，根据当前时刻的K距离邻域内的电流数据，获取当前时刻的电流预测值的权重因子，获取当前时刻的电流采样值，根据权重因子，对当前时刻的电流采样值和电流预测值进行融合处理，得到当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值。
在得到对当前时刻t的电流预测值进行COF离群因子分析时的K距离邻域之后，即可根据当前时刻的K距离邻域内的电流数据，获取当前时刻的电流预测值的权重因子，则权重因子的获取方法，包括：根据所述当前时刻的K距离邻域内的电流数据，获取所述当前时刻的电流预测值的COF值，获取所述COF值与常数1之间的差值绝对值并进行归一化处理，对应得到的归一化值作为所述当前时刻的电流预测值的权重因子。
在一实施方式中，当前时刻t的电流预测值的权重因子的计算表达式为：
其中，表示当前时刻t的电流预测值的权重因子，/>表示归一化函数，表示当前时刻t的电流预测值/>的COF值，1表示常数，| |表示绝对值符号。
需要说明的是，由于本发明实施例要解决的问题是光伏板工作中出现的瞬时异常电流输出引起光伏多功能断路器做出断电动作，因此，当相似程度较高时，根据数据局部距离选择因子减小/>值，通过平均连接距离的计算得到了保留细节特征的权重因子，若在当前时刻t出现了瞬时电流峰值，则权重因子会偏向于预测值，在真实采样值存在波动或预测值与真实值偏移较大时，导致相似程度较低，则根据数据局部距离选择因子增大/>值，在这种情况下会更偏向于真实值，从而电流在平稳输出时更相信预测值，在波动时更相信真实值，在规避电路产生瞬时波动电流影响的同时也没有削弱对持续过阈值电流的应对。
进一步的，本发明实施例想在权重因子的作用下可以在面对平稳状态下的光伏板输出电流出现瞬时尖峰时偏向于预测值以消除尖峰的影响，在光伏板输出电流出现真实频繁波动时偏向于真实值，使光伏多功能断路器能够应对可能出现的过流现象，例如在电流较为平稳时突然出现了设备短路现象，由于短路电流相较于噪声或者光照影响产生的电流峰值要高的多，则光伏多功能断路器依旧可以准确的触发动作，因此，根据权重因子，对当前时刻的电流采样值和电流预测值进行融合处理，得到当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值。
优选的，根据所述权重因子，对所述当前时刻的电流采样值和电流预测值进行融合处理，得到所述当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值，包括：
根据所述权重因子分别获取所述当前时刻的电流采样值和电流预测值的权重系数，根据所述权重系数对所述当前时刻的电流采样值和电流预测值进行加权求和，得到的加权求和结果作为所述当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值。
在一实施方式中，首先采集当前时刻t的电流采样值，也即是光伏板直流输出端的电流值，当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值的计算表达式为：
其中，表示当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值，/>表示当前时刻t的权重因子，/>表示当前时刻的电流采样值（也即是实际采集的电流数据），/>表示当前时刻t的电流预测值。
需要说明的是，在获取到当前时刻t的权重因子，通过该权重因子进行电流采样值和电流预测值的加权融合，从而获取到用于光伏多功能断路器进行阈值判断的目标电流值。
在获取到当前时刻t的目标电流值之后，即可作为光伏多功能断路器在此时刻的判断依据，若判断目标电流值高于阈值，则触发断开电路的动作，在不影响光伏多功能断路器基本工作需求的同时增强了光伏多功能断路器面对由光照环境变化产生的异常信号而触发的抵抗力。当光伏多功能断路器由于电流超过阈值而触发断开电路的动作时，光伏多功能断路器可以给维修人员提供包括电流数据波动情况、触发光伏多功能断路器动作时的电流数据离群信息，用以判断是因为设备或环境不稳定造成的频繁电流波动，还是因为设备短路造成的过电流问题，以方便维护人员及时调整设备及参数。
综上所述，本发明实施例获取光伏板直流输出端在当前时刻之前的历史电流时序数据以及包括当前时刻的预设未来时段内的电流预测时序数据，将历史电流时序数据和电流预测时序数据组成电流时序序列；根据电流时序序列中当前时刻对应的电流预测值两侧的电流数据差异，获取当前时刻的数据局部距离选择因子，根据数据局部距离选择因子获取对当前时刻的电流预测值进行COF离群因子分析时的K距离邻域；根据当前时刻的K距离邻域内的电流数据，获取当前时刻的电流预测值的权重因子，获取当前时刻的电流采样值，根据权重因子，对当前时刻的电流采样值和电流预测值进行融合处理，得到当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值。其中，通过采集当前时刻的历史电流时序数据和电流预测时序数据，对当前时刻的电流采样值和电流预测值进行融合处理，得到当前时刻下符合实际情况的电流值，也即是用于评判光伏多功能断路器是否需要做出切断供电动作的判断依据，提高了光伏多功能断路器应对瞬时峰值电流的能力，减少了光伏多功能断路器的误动作发生，在维持原有工作性能的同时增加了抗干扰能力，提高了整体系统稳定性。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (3)
1.一种用于光伏多功能断路器的智能数据采集方法，其特征在于，所述一种用于光伏多功能断路器的智能数据采集包括：
获取光伏板直流输出端在当前时刻之前的历史电流时序数据以及包括所述当前时刻的预设未来时段内的电流预测时序数据，将所述历史电流时序数据和所述电流预测时序数据组成电流时序序列；
根据所述电流时序序列中所述当前时刻对应的电流预测值两侧的电流数据差异，获取所述当前时刻的数据局部距离选择因子，根据所述数据局部距离选择因子获取对所述当前时刻的电流预测值进行COF离群因子分析时的K距离邻域；
根据所述当前时刻的K距离邻域内的电流数据，获取所述当前时刻的电流预测值的权重因子，获取所述当前时刻的电流采样值，根据所述权重因子，对所述当前时刻的电流采样值和电流预测值进行融合处理，得到所述当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值；
所述根据所述电流时序序列中所述当前时刻对应的电流预测值两侧的电流数据差异，获取所述当前时刻的数据局部距离选择因子，包括：
以所述电流时序序列中所述当前时刻对应的电流预测值为目标数据，在所述电流时序序列中，将所述目标数据之前的第一预设数量个历史电流值组成所述目标数据的局部数据集合；
根据所述目标数据的局部数据集合中的每个历史电流值两侧的电流数据差异以及与所述目标数据之间的距离，获取所述当前时刻的数据局部距离选择因子；
所述根据所述目标数据的局部数据集合中的每个历史电流值两侧的电流数据差异以及与所述目标数据之间的距离，获取所述当前时刻的数据局部距离选择因子，包括：
针对所述局部数据集合中的任一历史电流值，在所述电流时序序列中以所述历史电流值为中心，在所述历史电流值的左侧选取第二预设数量个电流数据组成第一子序列，在所述历史电流值的右侧选取所述第二预设数量个电流数据组成第二子序列，获取所述第一子序列和所述第二子序列之间的相似程度；
在所述电流时序序列中获取所述历史电流值的初始K距离邻域内的所有邻域电流数据，分别计算每个所述邻域电流数据的电流采样值和电流预测值之间的差值绝对值，得到差值绝对值之和，获取所述差值绝对值之和与所述相似程度之间的乘积，对所述乘积进行归一化处理，得到对应的归一化值，获取所述历史电流值与所述目标数据之间的距离，根据所述距离和所述归一化值获取所述历史电流值的差异特征值；
将所述目标数据的局部集合数据中的所有历史电流值的差异特征值之间的乘积作为所述当前时刻的数据局部距离选择因子；
所述根据所述数据局部距离选择因子获取对所述当前时刻的电流预测值进行COF离群因子分析时的K距离邻域，包括：
获取所述初始K距离邻域与所述数据局部距离选择因子之间的乘积作为对所述当前时刻的电流预测值进行COF离群因子分析时的K距离邻域；
所述根据所述权重因子，对所述当前时刻的电流采样值和电流预测值进行融合处理，得到所述当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值，包括：
根据所述权重因子分别获取所述当前时刻的电流采样值和电流预测值的权重系数，根据所述权重系数对所述当前时刻的电流采样值和电流预测值进行加权求和，得到的加权求和结果作为所述当前时刻的用于光伏多功能断路器进行阈值判断的目标电流值。
2.根据权利要求1所述的一种用于光伏多功能断路器的智能数据采集方法，其特征在于，所述根据所述当前时刻的K距离邻域内的电流数据，获取所述当前时刻的电流预测值的权重因子，包括：
根据所述当前时刻的K距离邻域内的电流数据，获取所述当前时刻的电流预测值的COF值，获取所述COF值与常数1之间的差值绝对值并进行归一化处理，对应得到的归一化值作为所述当前时刻的电流预测值的权重因子。
3.根据权利要求1所述的一种用于光伏多功能断路器的智能数据采集方法，其特征在于，所述包括所述当前时刻的预设未来时段内的电流预测时序数据的获取方法，包括：
获取训练好的LSTM长短期记忆网络模型，利用所述训练好的LSTM长短期记忆网络模型分别获取包括所述当前时刻以及所述当前时刻之后的每个时刻的电流预测值，得到预设未来时段内的电流预测时序数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410114972.7A CN117648554B (zh) | 2024-01-29 | 2024-01-29 | 一种用于光伏多功能断路器的智能数据采集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410114972.7A CN117648554B (zh) | 2024-01-29 | 2024-01-29 | 一种用于光伏多功能断路器的智能数据采集方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117648554A CN117648554A (zh) | 2024-03-05 |
| CN117648554B true CN117648554B (zh) | 2024-04-26 |
Family
ID=90049849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410114972.7A Active CN117648554B (zh) | 2024-01-29 | 2024-01-29 | 一种用于光伏多功能断路器的智能数据采集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117648554B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970182A (zh) * | 2024-03-28 | 2024-05-03 | 国网山东省电力公司曲阜市供电公司 | 一种基于dtw算法的漏电预警方法及系统 |
| CN118245957B (zh) * | 2024-05-28 | 2024-07-26 | 山东德源电力科技股份有限公司 | 一种基于云边协同的电能表系统 |
| CN118539378B (zh) * | 2024-07-26 | 2024-10-08 | 浙江亿腾电气科技有限公司 | 一种用于太阳能光伏电站的智能断路器、方法及控制设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799616A (zh) * | 2012-06-14 | 2012-11-28 | 北京大学 | 大规模社会网络中的离群点检测方法 |
| CN115933787A (zh) * | 2023-03-14 | 2023-04-07 | 西安英图克环境科技有限公司 | 基于室内环境监测的室内多末端智能控制系统 |
| CN116013087A (zh) * | 2023-03-27 | 2023-04-25 | 东莞市城建规划设计院 | 一种基于城市运动车辆检测的车流量统计方法 |
| CN116609651A (zh) * | 2023-07-20 | 2023-08-18 | 山东德源电力科技股份有限公司 | 一种光伏用多功能断路器的检测方法 |
| CN116794385A (zh) * | 2023-08-21 | 2023-09-22 | 山东德源电力科技股份有限公司 | 基于多维数据分析的高压电流监测方法 |
| CN116845878A (zh) * | 2023-07-10 | 2023-10-03 | 杭州齐智能源科技股份有限公司 | 一种用于微电网用电负荷预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12132706B2 (en) * | 2019-08-30 | 2024-10-29 | Ahp-Tech Inc. | Data collection system for effectively processing big data |
-
2024
- 2024-01-29 CN CN202410114972.7A patent/CN117648554B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799616A (zh) * | 2012-06-14 | 2012-11-28 | 北京大学 | 大规模社会网络中的离群点检测方法 |
| CN115933787A (zh) * | 2023-03-14 | 2023-04-07 | 西安英图克环境科技有限公司 | 基于室内环境监测的室内多末端智能控制系统 |
| CN116013087A (zh) * | 2023-03-27 | 2023-04-25 | 东莞市城建规划设计院 | 一种基于城市运动车辆检测的车流量统计方法 |
| CN116845878A (zh) * | 2023-07-10 | 2023-10-03 | 杭州齐智能源科技股份有限公司 | 一种用于微电网用电负荷预测方法 |
| CN116609651A (zh) * | 2023-07-20 | 2023-08-18 | 山东德源电力科技股份有限公司 | 一种光伏用多功能断路器的检测方法 |
| CN116794385A (zh) * | 2023-08-21 | 2023-09-22 | 山东德源电力科技股份有限公司 | 基于多维数据分析的高压电流监测方法 |
Non-Patent Citations (8)
| Title |
|---|
| Outlier detection algorithm based on k-nearest neighbors-local outlier factor;He Xu et al.;《Journal of Algorithms & Computational Technology》;20220315;第16卷;第1-12页 * |
| Outlier Detection for Multidimensional Time Series Using Deep Neural Networks;Tung Kieu et al.;《2018 19th IEEE International Conference on Mobile Data Management (MDM)》;20180716;第125-134页 * |
| 基于LSTM神经网络的光伏系统功率预测;朱润泽等;《电力科技与环保》;20230615;第39卷(第03期);第201-206页 * |
| 基于SVR-UKF的光伏电站功率预测;俞娜燕等;《自动化与仪器仪表》;20200425(第04期);第73-77页 * |
| 基于改进VMD-XGBoost-BILSTM组合模型的光伏发电异常检测方法;赵博超等;《计算机工程》;20230626;第1-13页 * |
| 智能物联断路器在智慧台区建设中的应用;梁波等;《大众用电》;20201105;第35卷(第11期);第23-26页 * |
| 离群点检测算法综述;孔翎超等;《计算机科学》;20240109;第1-17页 * |
| 融合孤立森林和局部离群因子的离群点检测方法;凌莉等;《计算机应用与软件》;20221231;第第39卷卷(第第12期期);第278-283页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117648554A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117648554B (zh) | 一种用于光伏多功能断路器的智能数据采集方法 | |
| Larsson | Flicker emission of wind turbines during continuous operation | |
| JP7289995B2 (ja) | 太陽光発電ストリングの動作状態を認識する方法および装置ならびに記憶媒体 | |
| CN112653393B (zh) | 一种光伏系统iv诊断的控制方法及装置 | |
| CN117332215B (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
| CN117056813B (zh) | 一种用于智能断路器数据采集的检测方法 | |
| CN118432000B (zh) | 一种高压隔离保护方法及系统 | |
| Iqbal et al. | Real-time event detection based on Weibull distribution using synchrophasor measurements for enhanced situational awareness | |
| CN111894814A (zh) | 一种用于发电系统的故障处理系统及方法 | |
| CN111864709A (zh) | 过载保护方法、控制方法、装置和风电变流器 | |
| KR20190037657A (ko) | 태양전지모듈 열화특성 측정장치 및 이를 이용한 열화특성 측정방법 | |
| CN115144745B (zh) | 一种柱上开关生产用检测系统 | |
| CN116048182A (zh) | 光伏组件柔性功率点跟踪方法、装置、设备、介质及系统 | |
| CN117498262A (zh) | 一种高压直流电子负载开关保护电路 | |
| CN117117780A (zh) | 基于变电站一二次信息融合的断路器防拒动方法及系统 | |
| CN114285091A (zh) | 一种包含多个光伏发电的区域电网数据采集异常检测方法 | |
| CN118759302B (zh) | 一种基于多源数据的叶片防雷导通测试系统及方法 | |
| CN108227818B (zh) | 基于电导增量的自适应步长光伏最大功率跟踪方法及系统 | |
| CN118157332B (zh) | 一种基于无线通信技术的供电设备运行数据采集分析方法 | |
| CN117833824B (zh) | 一种光伏逆变器的性能分析方法、装置、设备和存储介质 | |
| CN114707102B (zh) | 一种具备反时限特性继电保护装置的试验方法及系统 | |
| CN118539378B (zh) | 一种用于太阳能光伏电站的智能断路器、方法及控制设备 | |
| CN115825664A (zh) | 一种基于卷积模型的线性负荷电气异常检测方法 | |
| Catelani et al. | Photovoltaic Power Optimizers: a comparison in reliability evaluations | |
| CN118971385A (zh) | 一种配电柜运行监控方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |