本申请涉及风电电站领域，具体而言，涉及一种风电电站状态诊断方法及装置。
背景技术：
1、随着风电和光伏等多种新能源大量并网运行，储能电站的装机容量也在逐渐上升。锂离子电池的soc(stateofcharge，荷电状态)是储能电站的关键参数，它表示电池的剩余电量，由于电池内部复杂的电池动力学机制以及其内部参数不可直接测量，准确的soc估算是一项具有挑战性的工作，因此从电池的可测量参数如电压、电流、温度等参数出发，实现对电池soc的准确估算，对于储能电站安全稳定运行至关重要。
技术实现思路
1、为了弥补以上不足，本申请提供了一种风电电站状态诊断方法及装置，旨在改善从电池的可测量参数如电压、电流、温度等参数出发，实现对电池soc的准确估算，对于储能电站安全稳定运行至关重要问题。
2、一方面，本申请实施例提供了一种风电电站状态诊断方法，包括以下步骤：
3、s1：建立软件架构图；
4、其中，s1包括以下步骤：
5、s11：先建立应用层；
6、s12：建立计算层；
7、s13：建立数据层；
8、s2:开发架构视图；
9、s3:采集风电站全景数据；
10、s4:建立cnn-lstm模型，基于全景数据对cnn-lstm模型在云端训练得到异常阀值；
11、s5:将状态指标和异常阀值作比较，判断是否异常。
12、在一种具体的实施方案中，在步骤s11中，应用层包括数据管理系统的建立、电站kp i插查询功能的建立、kp i异常查询系统的建立、风电分析功能的建立、光伏分析的建立和报表分析功能的建立。
13、在一种具体的实施方案中，在步骤s12中，计算层包括h i ve分布式数据的建立、hbase分布式数据的建立和spark实时计算的建立。
14、在一种具体的实施方案中，在步骤s13中，数据层包括scada监控系统建立、功率预测系统、生产实时管控系统的建立、辅助系统的建立和其他功能。
15、在一种具体的实施方案中，在步骤s2中，产品收集用户侧需求形成需求池，再将需求池的需求转换为开发需求并同步编写相关需求文档；根据需求确定迭代周期进行迭代开发，代码托管到tfs，通过tfs管理发布来进行c i/cd，发布后由测试来进行系统的相关测试，测试通过则对外发布最新版本，若测试不通过退回版本进行修复再测试。
16、在一种具体的实施方案中，在步骤s4中，将采集的数据输入cnn网络进行特征提取，并通过激活函数进行激活，输出第一特征矩阵；对第一特征矩阵进行降维处理，输出第二特征矩阵；通过dropout函数按预设比例丢弃第二特征矩阵的部分数据，输出第三特征矩阵；将第三特征矩阵输入lstm网络中进行预测，将第三特征矩阵转换成一维数据输出，得到模型的状态输出值；计算状态输出值和状态真实值的均方误差，当均方误差大于预设阈值时，进行反向传播调整模型内部参数并进行迭代；当达到预设训练停止条件时，得到训练好的模型作为状态预测模型；将测试数据集输入所述状态预测模型，得到测试估计值，与测试真实值作比较，评估状态预测模型的性能。
17、在一种具体的实施方案中，预设训练停止条件，包括：当均方误差等于预设阈值或迭代次数达到预设次数。
18、另一方面，本申请实施例另提供一种风电电站状态诊断装置，包括上述的风电电站状态诊断方法及服务器、管理信息大区配置正向隔离装置、网络交换机、入侵检测系统设备、运维审计系统设备、安全监测系统设备和防火墙。
19、在一种具体的实施方案中，服务器内部安装有数据采集单元，用于提取光伏电站监测关键数据，并计算光伏电站运行状态指标的单元；关键数据包括环境气象参数、发电量、直流侧的电压和电流、交流侧三相电压和电流、有功功率、无功功率、功率因数、等效发电时间、直流线损和交流线损；
20、数据处理单元，采用阈值判断法修正异常数据的值，采用均填补法推测缺失数据的值；
21、数据整合单元，将数据进行整合然后进行分析处理。
22、在一种具体的实施方案中，服务器内部还安装有预测模型构建模块，用于将电站状态预测模型部署到边缘端，将储能电站电池的实时运行数据输入状态预测模型进行状态估计，得到电站状态估计值。
23、有益效果：本申请提供了一种风电电站状态诊断方法及装置，数据采集单元系统采集各个发电设备的功率、发电量、各站电度表、机组状态以及测风塔所有数据、环境监测仪所有数据、预测数据以及平均风速、风向等数据，转发存储在运维管理系统中，同时支持历史数据的人工校正、批量导入、导出(一套为转发数据，一套为修正数据)。然后通过对采集数据进行筛选计算处理，统计生成各类指标数据报表供各部门使用，同时进行建模分析机组场站的实际功率曲线与标准功率曲线的拟合度，风速风频对比图、风玫瑰图、辐照度曲线对比图等；最后生成各类kpi排行榜，在线诊断：系统设计数据分析产生的异常结果，包括查看电站pr与等效小时数、落后站点等指标，在线诊断异常指标数据及时提示监控人员。电站状态：各电站运行情况，如发电状态、天气、电站pr、等效利用小时数等。实时异常指标数据提示：支持产生时间筛选，重要等级筛选，类型筛选，支持原因及处理建议的录入、查看及类型数量统计结果导出。所有统计分析结果数据均可通过日月年及任意时段的时间维度以及其它设备条件筛选查询并导出，并可视化展示数据变化趋势(如折线图、柱状图、饼状图、组合图、玫瑰图等形式)；同时按照各部门现阶段所需运行报表数据建立规范的统计报表，达到查询下载即用的效果，同时保留增删改的权限以便后期变动调整。
1.一种风电电站状态诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风电电站状态诊断方法，其特征在于，在步骤s11中，应用层包括数据管理系统的建立、电站kpi插查询功能的建立、kpi异常查询系统的建立、风电分析功能的建立、光伏分析的建立和报表分析功能的建立。
3.根据权利要求1所述的一种风电电站状态诊断方法，其特征在于，在步骤s12中，计算层包括hive分布式数据的建立、hbase分布式数据的建立和spark实时计算的建立。
4.根据权利要求1所述的一种风电电站状态诊断方法，其特征在于，在步骤s13中，数据层包括scada监控系统建立、功率预测系统、生产实时管控系统的建立、辅助系统的建立和其他功能。
5.根据权利要求1所述的一种风电电站状态诊断方法，其特征在于，在步骤s2中，产品收集用户侧需求形成需求池，再将需求池的需求转换为开发需求并同步编写相关需求文档；根据需求确定迭代周期进行迭代开发，代码托管到tfs，通过tfs管理发布来进行ci/cd，发布后由测试来进行系统的相关测试，测试通过则对外发布最新版本，若测试不通过退回版本进行修复再测试。
6.根据权利要求1所述的一种风电电站状态诊断方法，其特征在于，在步骤s4中，将采集的数据输入cnn网络进行特征提取，并通过激活函数进行激活，输出第一特征矩阵；对第一特征矩阵进行降维处理，输出第二特征矩阵；通过dropout函数按预设比例丢弃第二特征矩阵的部分数据，输出第三特征矩阵；将第三特征矩阵输入lstm网络中进行预测，将第三特征矩阵转换成一维数据输出，得到模型的状态输出值；计算状态输出值和状态真实值的均方误差，当均方误差大于预设阈值时，进行反向传播调整模型内部参数并进行迭代；当达到预设训练停止条件时，得到训练好的模型作为状态预测模型；将测试数据集输入所述状态预测模型，得到测试估计值，与测试真实值作比较，评估状态预测模型的性能。
7.根据权利要求6所述的一种风电电站状态诊断方法，其特征在于，预设训练停止条件，包括：当均方误差等于预设阈值或迭代次数达到预设次数。
8.一种风电电站状态诊断装置，其特征在于，包括
9.根据权利要求8所述的一种风电电站状态诊断装置，其特征在于，服务器内部安装有数据采集单元，用于提取光伏电站监测关键数据，并计算光伏电站运行状态指标的单元；关键数据包括环境气象参数、发电量、直流侧的电压和电流、交流侧三相电压和电流、有功功率、无功功率、功率因数、等效发电时间、直流线损和交流线损；
10.根据权利要求8所述的一种风电电站状态诊断装置，其特征在于，服务器内部还安装有预测模型构建模块，用于将电站状态预测模型部署到边缘端，将储能电站电池的实时运行数据输入状态预测模型进行状态估计，得到电站状态估计值。
