数据预测模型训练、光伏发电系统的异常预警方法及装置

技术领域

本发明涉及光伏发电技术领域，特别是涉及一种数据预测模型训练、光伏发电系统的异常预警方法及装置。

背景技术

太阳能光伏发电由于具有清洁、环保、可持续的特点，越来越受到重视。随着光伏发电厂越来越多，有效地对光伏发电的设备进行异常预警显得非常关键，光伏发电系统中每个环节均必不可少，设备的健康状态影响着系统整体的安全与稳定，及时且有效地对光伏发电系统的设备的异常进行预警，提前建立应对方案，可以有效确保电网安全稳定地运行。

目前，大多的光伏发电系统的异常预警方法都是基于实时监控的状态量进行数据预测，利用预测数据进行异常预警，但是现有的用于光伏发电系统的数据预测模型的训练方法都较为简单，导致了模型的泛化能力较差，很难进行自适应调整权重，进而导致预测数据不够准确，使得光伏发电系统的异常预警也不准确。

发明内容

本发明的目的是：提供一种数据预测模型训练、光伏发电系统的异常预警方法、装置、计算机设备及存储介质，可以有效地提高模型的泛化能力，且模型训练时能进行自适应调整权重，进而能够有效地提高预测数据的准确率，使得光伏发电系统的异常预警更为准确。

为了实现上述目的，第一方面，本发明提供了一种数据预测模型训练方法，包括：

获取光伏逆变器的目标历史使用状态量；

利用所述目标历史使用状态量对预设的数据预测模型进行训练，得到所述数据预测模型的初始权值；

获取所述光伏逆变器的目标实时使用状态量；

利用所述目标实时使用状态量及所述数据预测模型，预测得到下一使用状态量；

根据所述下一使用状态量及所述目标实时使用状态量，对所述数据预测模型的初始权值进行更新。

在本发明较佳的实施方式中，所述获取光伏逆变器的目标历史使用状态量，包括：

获取光伏逆变器的初始历史使用状态量；

利用预设的数据更新算法对所述初始历史使用状态量中的非标量进行数据更新；

利用预设的数据转化算法将更新后的初始历史使用状态量转化为目标历史使用状态量，所述目标历史使用状态量为有监督数据。

在本发明较佳的实施方式中，所述获取所述光伏逆变器的目标实时使用状态量，包括：

获取所述光伏逆变器的初始实时使用状态量；

在检测到所述初始实时使用状态量为标准量时，利用预设的数据转化算法将所述初始实时使用状态量转化为目标实时使用状态量，所述目标实时使用状态量为有监督数据。

在本发明较佳的实施方式中，所述获取所述光伏逆变器的目标实时使用状态量，还包括：

在检测到所述初始实时使用状态量为非标量时，利用所述数据预测模型，预测得到与所述初始实时使用状态量时间对应的预测使用状态量；

获取所述初始实时使用状态量的上一使用状态量，并根据所述上一使用状态量及所述预测使用状态量，得到更新后的初始实时使用状态量；

利用预设的数据转化算法将所述更新后的初始实时使用状态量转化为目标实时使用状态量，所述目标实时使用状态量为有监督数据。

在本发明较佳的实施方式中，所述数据预测模型的误差函数如下：

其中，

第二方面，本发明提供了一种光伏发电系统的异常预警方法，包括：

获取光伏逆变器的目标实时使用状态量；

利用所述目标实时使用状态量及上述的数据预测模型，预测得到下一使用状态量；

在所述下一使用状态量大于预设异常预警阈值时，发出异常预警提示。

第三方面，本发明提供了一种数据预测模型训练装置，包括：

第一获取模块，用于获取光伏逆变器的目标历史使用状态量；

训练模块，用于利用所述目标历史使用状态量对预设的数据预测模型进行训练，得到所述数据预测模型的初始权值；

第二获取模块，用于获取所述光伏逆变器的目标实时使用状态量；

数据预测模块，用于利用所述目标实时使用状态量及所述数据预测模型，预测得到下一使用状态量；

在线更新模块，用于根据所述下一使用状态量及所述目标实时使用状态量，对所述数据预测模型的初始权值进行更新。

第四方面，本发明提供了一种光伏发电系统的异常预警装置，包括：

获取模块，用于获取光伏逆变器的目标实时使用状态量；

数据预测模块，用于利用所述目标实时使用状态量及上述的数据预测模型，预测得到下一使用状态量；

异常预警模块，用于在所述下一使用状态量大于预设异常预警阈值时，发出异常预警提示。

第五方面，本发明提供了一种计算机设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行上述的数据预测模型训练方法，或上述的光伏发电系统的异常预警方法。

第六方面，本发明提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的数据预测模型训练方法，或上述的光伏发电系统的异常预警方法。

本发明实施例一种数据预测模型训练、光伏发电系统的异常预警方法、装置、计算机设备及存储介质，与现有技术相比，其有益效果在于：

本发明先通过获取的光伏逆变器的目标历史使用状态量，对预设的数据预测模型进行初步训练，得到数据预测模型的初始权值；再通过后续每次获取的光伏逆变器的目标实时使用状态量及数据预测模型，预测得到下一使用状态量，并根据下一使用状态量及目标实时使用状态量，对数据预测模型的初始权值不断进行在线更新，进而可以有效地提高模型的泛化能力，且模型训练时能进行自适应调整权重，从而能够有效地提高预测数据的准确率，使得光伏发电系统的异常预警更为准确。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例一提供的数据预测模型训练方法的流程示意图；

图2是本发明实施例二提供的数据预测模型训练装置的结构框图；

图3是本发明实施例三提供的光伏发电系统的异常预警方法的流程示意图；

图4是本发明实施例四提供的光伏发电系统的异常预警装置的结构框图；

图5是本发明实施例五提供的计算机设备的内部结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

目前，大多的光伏发电系统的异常预警方法都是基于实时监控的状态量进行数据预测，利用预测数据进行异常预警，但是现有的用于光伏发电系统的数据预测模型的训练方法都较为简单，导致了模型的泛化能力较差，很难进行自适应调整权重，进而导致预测数据不够准确，使得光伏发电系统的异常预警也不准确。

针对上述现有技术中的问题，本发明实施例提供了一种数据预测模型训练、光伏发电系统的异常预警方法、装置、计算机设备及存储介质，可以有效地提高模型的泛化能力，且模型训练时能进行自适应调整权重，进而能够有效地提高预测数据的准确率，使得光伏发电系统的异常预警更为准确。

实施例一

参见图1，图1是本发明实施例提供的数据预测模型训练方法的流程示意图。

本发明实施例中下述的数据预测模型训练方法可应用于服务器等计算机设备。

在一个实施例中，本发明提供一种数据预测模型训练方法，包括如下步骤：

步骤S110，获取光伏逆变器的目标历史使用状态量。

在一个实施例中，本发明的数据预测模型训练方法训练的数据预测模型用于光伏发电系统的数据预测，光伏发电系统包括有光伏逆变器。

在一个实施例中，计算机设备获取光伏逆变器的目标历史使用状态量时，可：

获取光伏逆变器的初始历史使用状态量；

利用预设的数据更新算法对初始历史使用状态量中的非标量进行数据更新；

利用预设的数据转化算法将更新后的初始历史使用状态量转化为目标历史使用状态量，目标历史使用状态量为有监督数据。

在本实施例中，光伏逆变器的初始历史使用状态量可包括某一历史时刻光伏逆变器的相电压、相电流、线电压、线电流和每一相IGBT(Insulated Gate BipolarTransistor，绝缘栅双极型晶体管)温度的数据；本实施例中，光伏逆变器的初始历史使用状态量包括多个历史时刻光伏逆变器的相电压、相电流、线电压、线电流和每一相IGBT(Insulated Gate Bipolar Transistor，绝缘栅双极型晶体管)温度的数据；本实施例中，计算机设备可通过传感器采集的历史数据获取得到光伏逆变器的多条初始历史使用状态量。

在本实施例中，可以理解地，非标量即非标准量，初始历史使用状态量中的非标量包括初始历史使用状态量中存在错误数据和/或缺失值的历史使用状态量；计算机设备利用预设的数据更新算法对初始历史使用状态量中的非标量进行数据更新时，可采用k近邻算法对初始历史使用状态量中的非标量进行数据更新。

在本实施例中，计算机设备利用预设的数据转化算法将更新后的初始历史使用状态量转化为目标历史使用状态量时，可采用滑动窗口的方法将更新后的初始历史使用状态量转化为目标历史使用状态量。

在一个实施例中，通过上述的方式将获取的光伏逆变器的初始历史使用状态量，转换为目标历史使用状态量，可以充分地利用每条历史使用状态量，可以使得对预设的数据预测模型的训练效果更佳，更好地得到数据预测模型的初始权值。

步骤S120，利用目标历史使用状态量对预设的数据预测模型进行训练，得到数据预测模型的初始权值。

在一个实施例中，预设的数据预测模型采用PSO－BP神经网络模型，PSO－BP神经网络模型是采用粒子群算法(PSO)优化的BP神经网络模型。

步骤S130，获取光伏逆变器的目标实时使用状态量。

在一个实施例中，计算机设备获取光伏逆变器的目标实时使用状态量时，可：

获取光伏逆变器的初始实时使用状态量；

在检测到初始实时使用状态量为标准量时，利用预设的数据转化算法将初始实时使用状态量转化为目标实时使用状态量，目标实时使用状态量为有监督数据。

在本实施例中，光伏逆变器的初始实时使用状态量可包括当前某一时刻光伏逆变器的相电压、相电流、线电压、线电流和每一相IGBT(Insulated Gate BipolarTransistor，绝缘栅双极型晶体管)温度的数据；本实施例中，光伏逆变器的初始实时使用状态量通常为一条光伏逆变器的初始实时使用状态量；本实施例中，计算机设备可通过传感器实时采集的实时数据获取得到光伏逆变器的初始实时使用状态量。

在本实施例中，可以理解地，标准量即符合数值标准的量；计算机设备在检测到初始实时使用状态量为标准量时，可采用滑动窗口的方法将初始实时使用状态量转化为目标实时使用状态量；本实施例中，计算机设备在检测到初始实时使用状态量为非标量时，可选择放弃使用非标量的初始实时使用状态量。

在一个实施例中，通过上述的方式在检测到初始实时使用状态量为标准量时，将获取的光伏逆变器的初始实时使用状态量，转换为目标实时使用状态量，可以提高预测的下一使用状态量的准确率，进而可以使得对预设的数据预测模型的在线训练效果更佳，更好地对数据预测模型的初始权值进行更新。

在本实施例中，计算机设备获取光伏逆变器的目标实时使用状态量时，还可：

在检测到初始实时使用状态量为非标量时，利用数据预测模型，预测得到与初始实时使用状态量时间对应的预测使用状态量；

获取初始实时使用状态量的上一使用状态量，并根据上一使用状态量及预测使用状态量，得到更新后的初始实时使用状态量；

利用预设的数据转化算法将更新后的初始实时使用状态量转化为目标实时使用状态量，目标实时使用状态量为有监督数据。

在本实施例中，计算机设备在利用数据预测模型，预测得到与初始实时使用状态量时间对应的预测使用状态量时，可利用初始实时使用状态量前一时刻的实时使用状态量(也即上一使用状态量)及数据预测模型，预测得到与初始实时使用状态量时间对应的预测使用状态量；本实施例中，计算机设备根据上一使用状态量及预测使用状态量，得到更新后的初始实时使用状态量时，通过上一使用状态量及预测使用状态量的加权平均，得到更新后的初始实时使用状态量。

在本实施例中，计算机设备可采用滑动窗口的方法将更新后的初始实时使用状态量转化为目标实时使用状态量。

在本实施例中，通过上述的方式可以充分地利用每条实时使用状态量，可以使得对预设的数据预测模型的训练效果更佳，更好地对数据预测模型的初始权值进行更新。

步骤S140，利用目标实时使用状态量及数据预测模型，预测得到下一使用状态量。

在一个实施例中，下一使用状态量可包括下一时刻光伏逆变器的相电压、相电流、线电压、线电流和每一相IGBT(Insulated GateBipolar Transistor，绝缘栅双极型晶体管)温度的数据。

步骤S150，根据下一使用状态量及目标实时使用状态量，对数据预测模型的初始权值进行更新。

在一个实施例中，计算机设备在利用目标实时使用状态量及数据预测模型，预测得到下一使用状态量时，还根据下一使用状态量及目标实时使用状态量，对数据预测模型的初始权值进行在线更新。

在一个实施例中，根据一阶马尔可夫定律，t时刻的数据与t－1时刻的数据相关性较强，因此为了提高模型预测的精度，数据预测模型采用的误差函数如下：

其中，

在本实施例中，在根据下一使用状态量及目标实时使用状态量，对数据预测模型的初始权值进行在线更新时，可设每次更新的epoch(表示所有的数据送入网络中，完成了一次前向计算和反向传播的过程)为100，在t时刻，设置在线更新权值时的epoch为100次，设置自适应学习率为∈＝0.1、衰减率ρ＝0.09、常数δ为10

在第i个epoch内，可：

首先，计算每一层输入与输出的梯度矩阵，

为了防止二阶动量变化较大，引入了动量裁剪部分：

权重更新

为了防止过拟合，进一步引入了L1正则化约束权重矩阵，超参数λ，公式如下：

重复循环上述过程直至epoch为100，最终更新的权值W(t)为T(i＝100)。

上述数据预测模型训练方法，先通过获取的光伏逆变器的目标历史使用状态量，对预设的数据预测模型进行初步训练，得到数据预测模型的初始权值；再通过后续每次获取的光伏逆变器的目标实时使用状态量及数据预测模型，预测得到下一使用状态量，并根据下一使用状态量及目标实时使用状态量，对数据预测模型的初始权值不断进行在线更新，进而可以有效地提高模型的泛化能力，且模型训练时能进行自适应调整权重，从而能够有效地提高预测数据的准确率，使得光伏发电系统的异常预警更为准确。

实施例二

为了执行上述实施例对应的方法，以实现相应的功能和技术效果，下面提供一种数据预测模型训练装置。

参见图2，图2是本发明实施例提供的数据预测模型训练装置的结构框图。

在一个实施例中，本发明的数据预测模型训练装置，包括：

第一获取模块210，用于获取光伏逆变器的目标历史使用状态量；

训练模块220，用于利用目标历史使用状态量对预设的数据预测模型进行训练，得到数据预测模型的初始权值；

第二获取模块230，用于获取光伏逆变器的目标实时使用状态量；

数据预测模块240，用于利用目标实时使用状态量及数据预测模型，预测得到下一使用状态量；

在线更新模块250，用于根据下一使用状态量及目标实时使用状态量，对数据预测模型的初始权值进行更新。

上述数据预测模型训练装置，先通过获取的光伏逆变器的目标历史使用状态量，对预设的数据预测模型进行初步训练，得到数据预测模型的初始权值；再通过后续每次获取的光伏逆变器的目标实时使用状态量及数据预测模型，预测得到下一使用状态量，并根据下一使用状态量及目标实时使用状态量，对数据预测模型的初始权值不断进行在线更新，进而可以有效地提高模型的泛化能力，且模型训练时能进行自适应调整权重，从而能够有效地提高预测数据的准确率，使得光伏发电系统的异常预警更为准确。

在一个实施例中，第一获取模块210，可具体用于：

获取光伏逆变器的初始历史使用状态量；

利用预设的数据更新算法对初始历史使用状态量中的非标量进行数据更新；

利用预设的数据转化算法将更新后的初始历史使用状态量转化为目标历史使用状态量，目标历史使用状态量为有监督数据。

在一个实施例中，第二获取模块230，可具体用于：

获取光伏逆变器的初始实时使用状态量；

在检测到初始实时使用状态量为标准量时，利用预设的数据转化算法将初始实时使用状态量转化为目标实时使用状态量，目标实时使用状态量为有监督数据。

在本实施例中，第二获取模块230，还可具体用于：

在检测到初始实时使用状态量为非标量时，利用数据预测模型，预测得到与初始实时使用状态量时间对应的预测使用状态量；

获取初始实时使用状态量的上一使用状态量，并根据上一使用状态量及预测使用状态量，得到更新后的初始实时使用状态量；

利用预设的数据转化算法将更新后的初始实时使用状态量转化为目标实时使用状态量，目标实时使用状态量为有监督数据。

上述的数据预测模型训练装置可实施上文中的数据预测模型训练方法。上述的数据预测模型训练装置实施例的具体限定及其余内容可参见上文中数据预测模型训练方法的内容，实施例中不再进行赘述。

实施例三

参见图3，图3是本发明实施例提供的光伏发电系统的异常预警方法的流程示意图。

本发明实施例中下述的光伏发电系统的异常预警方法可应用于服务器等计算机设备。

在一个实施例中，本发明提供一种光伏发电系统的异常预警方法，包括如下步骤：

步骤S310，获取光伏逆变器的目标实时使用状态量。

在一个实施例中，计算机设备获取光伏逆变器的目标实时使用状态量时，可：

获取光伏逆变器的初始实时使用状态量；

在检测到初始实时使用状态量为标准量时，利用预设的数据转化算法将初始实时使用状态量转化为目标实时使用状态量，目标实时使用状态量为有监督数据。

在本实施例中，光伏逆变器的初始实时使用状态量可包括当前某一时刻光伏逆变器的相电压、相电流、线电压、线电流和每一相IGBT(Insulated Gate BipolarTransistor，绝缘栅双极型晶体管)温度的数据；本实施例中，光伏逆变器的初始实时使用状态量通常为一条光伏逆变器的初始实时使用状态量；本实施例中，计算机设备可通过传感器实时采集的实时数据获取得到光伏逆变器的初始实时使用状态量。

对于步骤S310的其他内容，可参见上述实施例一中的内容，实施例中不再进行赘述。

步骤S320，利用目标实时使用状态量及数据预测模型，预测得到下一使用状态量。

可以理解地，数据预测模型即为上述实施例一中通过训练得到的数据预测模型。

在一个实施例中，下一使用状态量可包括下一时刻光伏逆变器的相电压、相电流、线电压、线电流和每一相IGBT(Insulated Gate Bipolar Transistor，绝缘栅双极型晶体管)温度的数据。

对于数据预测模型，可参见上述实施例一中的内容，实施例中不再进行赘述。

步骤S330，在下一使用状态量大于预设异常预警阈值时，发出异常预警提示。

在一个实施例中，计算机设备通过光伏逆变器的下一使用状态量进行光伏发电系统的异常预警，在光伏逆变器的下一使用状态量大于预设异常预警阈值时，发出异常预警提示。

上述光伏发电系统的异常预警方法，利用获取的目标实时使用状态量及上述实施例一的具有更高预测数据的准确率的数据预测模型，可以更为准确地预测得到下一使用状态量，进而可以使得光伏发电系统的异常预警更为准确。

实施例四

为了执行上述实施例对应的方法，以实现相应的功能和技术效果，下面提供一种光伏发电系统的异常预警装置。

参见图4，图4是本发明实施例提供的光伏发电系统的异常预警装置的结构框图。

在一个实施例中，本发明的光伏发电系统的异常预警装置，包括：

获取模块410，用于获取光伏逆变器的目标实时使用状态量；

数据预测模块420，用于利用目标实时使用状态量及上述的数据预测模型，预测得到下一使用状态量；

异常预警模块430，用于在下一使用状态量大于预设异常预警阈值时，发出异常预警提示。

上述光伏发电系统的异常预警装置，利用获取的目标实时使用状态量及上述实施例一的具有更高预测数据的准确率的数据预测模型，可以更为准确地预测得到下一使用状态量，进而可以使得光伏发电系统的异常预警更为准确。

上述的光伏发电系统的异常预警装置可实施上文中的光伏发电系统的异常预警方法。上述的光伏发电系统的异常预警装置实施例的具体限定及其余内容可参见上文中光伏发电系统的异常预警方法的内容，实施例中不再进行赘述。

实施例五

在一个实施例中，本发明提供一种计算机设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行上述的数据预测模型训练方法，或上述的光伏发电系统的异常预警方法。

可选地，上述计算机设备可以是服务器。

在一个实施例中，本发明的计算机设备的内部结构可以如图5所示。

在一个实施例中，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的数据预测模型训练方法，或上述的光伏发电系统的异常预警方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的实施例而已，并不用于限制本发明的保护范围，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。