本發(fā)明涉及人工智能領(lǐng)域，特別涉及一種故障預(yù)測模型訓(xùn)練方法和光伏設(shè)備的巡檢方法。

背景技術(shù)：

1、由于分布式光伏場站具有分布廣、巡檢和運維工作量大的特點。傳統(tǒng)的巡檢方式需要大量的人力和時間，并伴隨著極大的重復(fù)勞動并且存在一定的安全風險。

2、因此，如何高效、準確地對分布式光伏場站的光伏設(shè)備進行故障預(yù)測，后續(xù)只需對存在故障風險的光伏設(shè)備進行巡檢，這樣就可以減少一定的人力物力，節(jié)省時間和經(jīng)濟成本，還能夠提高巡檢效率。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種故障預(yù)測模型訓(xùn)練方法和光伏設(shè)備的巡檢方法，解決了現(xiàn)有技術(shù)中故障識別準確性差和巡檢效率低的問題。

2、為解決上述技術(shù)問題，本發(fā)明提供了一種故障預(yù)測模型訓(xùn)練方法，包括：

3、獲取分布式光伏場站中光伏設(shè)備的歷史數(shù)據(jù)和運行狀態(tài)；

4、利用所述歷史數(shù)據(jù)對自組織映射模型進行訓(xùn)練，得到訓(xùn)練好的自組織映射模型和輸出數(shù)據(jù)；所述輸出數(shù)據(jù)為每個所述歷史數(shù)據(jù)對應(yīng)的特征標識向量；

5、利用所述輸出數(shù)據(jù)、所述歷史數(shù)據(jù)和所述運行狀態(tài)對徑向基神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練好的徑向基神經(jīng)網(wǎng)絡(luò)模型；

6、所述訓(xùn)練好的自組織映射模型和所述訓(xùn)練好的徑向基神經(jīng)網(wǎng)絡(luò)模型共同構(gòu)建得到故障預(yù)測模型，所述訓(xùn)練好的自組織映射模型的輸出作為所述訓(xùn)練好的徑向基神經(jīng)網(wǎng)絡(luò)的輸入。

7、可選地，在獲取分布式光伏場站中光伏設(shè)備的歷史數(shù)據(jù)和運行狀態(tài)之后，還包括：

8、根據(jù)所述歷史數(shù)據(jù)和預(yù)設(shè)分析策略對所述各個光伏設(shè)備進行分析決策，確定低效光伏設(shè)備；所述預(yù)設(shè)分析策略為發(fā)電計劃分析策略、等效小時數(shù)分析策略和設(shè)備低效排名策略的任一項；

9、相應(yīng)的，所述歷史數(shù)據(jù)和運行狀態(tài)為所述低效光伏設(shè)備的歷史數(shù)據(jù)和運行狀態(tài)。

10、可選地，利用所述歷史數(shù)據(jù)對自組織映射模型進行訓(xùn)練，得到訓(xùn)練好的自組織映射模型和輸出數(shù)據(jù)，包括：

11、步驟1：為所述自組織映射模型中的每個神經(jīng)元隨機分配一個初始權(quán)重向量，得到每個神經(jīng)元對應(yīng)的神經(jīng)元權(quán)重向量；

12、步驟2：將所述歷史數(shù)據(jù)輸入至所述自組織映射模型中，計算各個所述歷史數(shù)據(jù)與各個所述神經(jīng)元權(quán)重向量的距離，將最小距離對應(yīng)的神經(jīng)元作為目標神經(jīng)元；

13、步驟3：確定所述目標神經(jīng)元的鄰域范圍，根據(jù)鄰域函數(shù)和學(xué)習率更新所述鄰域范圍內(nèi)的神經(jīng)元權(quán)重向量；

14、步驟4：重復(fù)執(zhí)行所述步驟2至步驟3，直至達到預(yù)設(shè)訓(xùn)練次數(shù)或收斂條件，訓(xùn)練結(jié)束，得到所述訓(xùn)練好的自組織映射模型，以及所述各個所述歷史數(shù)據(jù)對應(yīng)的特征標識向量。

15、可選地，利用所述輸出數(shù)據(jù)、所述歷史數(shù)據(jù)和所述運行狀態(tài)對徑向基神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練好的徑向基神經(jīng)網(wǎng)絡(luò)模型，包括：

16、基于所述歷史數(shù)據(jù)和所述運行狀態(tài)對所述徑向基神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到初始徑向基神經(jīng)網(wǎng)絡(luò)模型；

17、基于所述輸出數(shù)據(jù)和所述運行狀態(tài)數(shù)據(jù)對所述初始徑向基神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到所述訓(xùn)練好的徑向基神經(jīng)網(wǎng)絡(luò)模型；

18、所述徑向基神經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)為高斯函數(shù)。

19、可選地，獲取分布式光伏場站中光伏設(shè)備的歷史數(shù)據(jù)，包括：

20、通過邊緣設(shè)備獲取歷史運行數(shù)據(jù)；所述歷史運行數(shù)據(jù)至少包括電壓、電流、發(fā)電量；

21、通過現(xiàn)場傳感器設(shè)備獲取歷史環(huán)境數(shù)據(jù)；所述歷史環(huán)境數(shù)據(jù)至少包括輻照度、溫度、風力、風向；

22、通過視頻監(jiān)控獲取歷史遮擋數(shù)據(jù)；所述歷史遮擋數(shù)據(jù)至少包括陰影遮擋和灰塵遮擋數(shù)據(jù)。

23、本發(fā)明還提供了一種光伏設(shè)備的巡檢方法，包括：

24、獲取分布式光伏場站中光伏設(shè)備的實時數(shù)據(jù)；

25、將所述實時數(shù)據(jù)輸入至故障預(yù)測模型中，得到故障預(yù)測結(jié)果；所述故障預(yù)測模型為利用上述故障預(yù)測模型訓(xùn)練方法訓(xùn)練得到的模型；

26、將故障預(yù)測結(jié)果大于預(yù)設(shè)閾值對應(yīng)的光伏設(shè)備作為巡檢設(shè)備；

27、根據(jù)所述巡檢設(shè)備的位置制定巡檢路徑，根據(jù)所述巡檢路徑依次對各個所述巡檢設(shè)備進行檢查。

28、本發(fā)明還提供了一種故障預(yù)測模型訓(xùn)練裝置，包括：

29、獲取模塊，用于獲取分布式光伏場站中光伏設(shè)備的歷史數(shù)據(jù)和運行狀態(tài)；

30、第一訓(xùn)練模塊，用于利用所述歷史數(shù)據(jù)對自組織映射模型進行訓(xùn)練，得到訓(xùn)練好的自組織映射模型和輸出數(shù)據(jù)；所述輸出數(shù)據(jù)為每個所述歷史數(shù)據(jù)對應(yīng)的特征標識向量；

31、第二訓(xùn)練模塊，用于利用所述輸出數(shù)據(jù)、所述歷史數(shù)據(jù)和所述運行狀態(tài)對徑向基神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練好的徑向基神經(jīng)網(wǎng)絡(luò)模型；

32、模型構(gòu)建模塊，用于所述訓(xùn)練好的自組織映射模型和所述訓(xùn)練好的徑向基神經(jīng)網(wǎng)絡(luò)模型共同構(gòu)建得到故障預(yù)測模型，所述訓(xùn)練好的自組織映射模型的輸出作為所述訓(xùn)練好的徑向基神經(jīng)網(wǎng)絡(luò)的輸入。

33、本發(fā)明還提供了一種光伏設(shè)備的巡檢裝置，包括：

34、實時數(shù)據(jù)獲取模塊，用于獲取分布式光伏場站中光伏設(shè)備的實時數(shù)據(jù)；

35、預(yù)測模塊，用于將所述實時數(shù)據(jù)輸入至故障預(yù)測模型中，得到故障預(yù)測結(jié)果；所述故障預(yù)測模型為根據(jù)上述的故障預(yù)測模型訓(xùn)練方法訓(xùn)練得到的模型；

36、巡檢設(shè)備確定模塊，用于將故障預(yù)測結(jié)果大于預(yù)設(shè)閾值對應(yīng)的光伏設(shè)備作為巡檢設(shè)備；

37、巡檢路徑確定模塊，用于根據(jù)所述巡檢設(shè)備的位置制定巡檢路徑，根據(jù)所述巡檢路徑依次對各個所述巡檢設(shè)備進行檢查。

38、本發(fā)明還提供了一種電子設(shè)備，包括：

39、存儲器，用于存儲計算機程序；

40、處理器，用于執(zhí)行所述計算機程序時實現(xiàn)上述的方法。

41、本發(fā)明還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有計算機可執(zhí)行指令，所述計算機可執(zhí)行指令被處理器加載并執(zhí)行時，實現(xiàn)如上述的方法。

42、可見，本發(fā)明通過獲取分布式光伏場站中光伏設(shè)備的歷史數(shù)據(jù)和運行狀態(tài)；利用所歷史數(shù)據(jù)對自組織映射模型進行訓(xùn)練，得到訓(xùn)練好的自組織映射模型和輸出數(shù)據(jù)；所述輸出數(shù)據(jù)為每個所述歷史數(shù)據(jù)對應(yīng)的特征標識向量；利用所述輸出數(shù)據(jù)、所述歷史數(shù)據(jù)和所述運行狀態(tài)對徑向基神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練好的徑向基神經(jīng)網(wǎng)絡(luò)模型；所述訓(xùn)練好的自組織映射模型和所述訓(xùn)練好的徑向基神經(jīng)網(wǎng)絡(luò)模型共同構(gòu)建得到故障預(yù)測模型，所述訓(xùn)練好的自組織映射模型的輸出作為所述訓(xùn)練好的徑向基神經(jīng)網(wǎng)絡(luò)的輸入。本發(fā)明利用自組織映射模型將高維數(shù)據(jù)映射到低維空間，同時保留數(shù)據(jù)的拓撲結(jié)構(gòu)，可以降低后續(xù)處理的復(fù)雜度和計算量；將自組織映射模型降維后的數(shù)據(jù)作為徑向基神經(jīng)網(wǎng)絡(luò)模型的輸入，由于輸入數(shù)據(jù)的維度降低，徑向基神經(jīng)網(wǎng)絡(luò)模型的隱含層節(jié)點數(shù)也可以相應(yīng)減少，更容易地學(xué)習和識別數(shù)據(jù)的特征，從而簡化網(wǎng)絡(luò)結(jié)構(gòu)并且還提高訓(xùn)練效率。這樣，基于故障預(yù)測模型對分布式光伏場站的光伏設(shè)備進行故障預(yù)測，基于預(yù)測結(jié)果進行巡檢，提高了巡檢效率與準確性、降低了運維成本、增強安全性。

43、此外，本發(fā)明還提供了一種光伏設(shè)備的巡檢方法、故障預(yù)測模型訓(xùn)練裝置、光伏設(shè)備的巡檢裝置、電子設(shè)備和計算機可讀存儲介質(zhì)，同樣具有上述有益效果。