原始名称记载: 北京华能新锐控制技术有限公司

本发明提供了一种风机叶片巡检机器人的多传感器避障控制方法及系统，其通过利用RGB相机进行初步目标检测，快速获取候选障碍物的视觉信息；随后利用激光雷达的精确点云数据，对这些视觉候选目标进行运动畸变校正、坐标系变换，并进行跨模态关联与威胁验证，以有效融合视觉的语义信息与激光雷达的几何精度，确保威胁对象的准确识别与三维空间状态获取；进而，对已验证的威胁对象进行状态估计与轨迹预测，以应对动态障碍物运动模式的不确定性；最终，基于预测轨迹与自身计划轨迹精确评估碰撞风险，并快速生成包含最佳方向和速度向量的规避决策，通过向无人机电机发出最终转速指令实现物理规避。这样，显著提升了系统对潜在碰撞风险的预判能力。

本发明提供一种风电机组运行曲线计算方法及装置，包括：根据系统参数配置和数据时间跨度，从智慧运维平台数据中心节点中读取指定风电机组的时序数据，形成原始数据表；对原始数据表进行预处理和基于时间尺度聚合，得到中间数据表；对中间数据表进行数据筛选，并执行功率区间划分，计算各功率区间的桨角特征参数和风速统计量，形成特征数据表；对特征数据表执行数据质量过滤、特征值动态选择、关键参数识别、有效性验证以及曲线平滑处理，得到目标特征数据表；根据目标特征数据表中的功率bin区间和实际识别桨角值，绘制功率‑桨角曲线。通过绘制曲线直观展示风电机组预收桨策略当前应用状态以及为预收桨策略参数辨识与事件预警提供数据基础。

本发明实施例涉及无人场站设备故障诊断技术领域，提供了一种基于声纹识别的无人场站设备故障预诊断方法及系统。本发明实施例通过将原始音频流与遥测流做精确时间对齐，采用并行网络提取声学与工况特征，并通过以工况为条件的Transformer式融合编码器实现工况—声学特征的深度交互与时间维度聚合，最终由分类头输出故障概率，实现对声纹在动态工况下的自适应表征与判别。通过这样的方式，能够显著降低因正常工况变化造成的误报，提高对早期微小故障声学征兆的识别率与诊断精度，同时兼顾实时性与鲁棒性。

本发明公开了大规模光伏电站组串故障定位及处理的系统与方法，涉及光伏电站运维技术领域，包括：获取光伏电站布局规划图，建立三维实景模型，赋予每一组件三维坐标，建立组件坐标数据库；根据无人机搭载可见光与热成像相机巡检，识别故障组串，配对组件三维坐标，生成故障组串热力图；基于故障组串热力图与三维实景模型，规划故障组串最优抵达路径，实时下发导航信息至终端系统；基于实时下发导航信息至终端系统，维修人员佩戴终端设备接收三维实景导航，实现穿透式可视化引导，完成维修后通过终端回传维修结果，系统自动更新光伏电站组件实时状态，实现运维闭环管理。本发明的有益效果在于：适配大规模电站，不受规模扩大影响定位效率。

本申请公开了一种基于无人机集群协同的光伏场站巡检方法及系统，当第一无人机通过机载A I模型初步识别到潜在故障时，直接向集群内其他无人机广播复检任务请求，其他无人机在接收请求后，会根据自身当前状态、能力，以及执行复检任务的综合成本来计算投标成本并主动提交投标；第一无人机对这些投标进行智能评标，确定最优中标者，并直接授权其挂起当前任务并执行复检任务。通过这种分布式决策模式，显著缩短了从问题发现到复检响应的时间窗口；此外，各无人机能够自主评估其执行任务的优劣和成本，实现了对最佳复检无人机的多维度智能选择，最大程度地平衡了响应速度与系统总运行成本，使得整个巡检流程更为高效、精准。

本发明实施例提供了一种基于风光功率预测的新能源场站动态资源调度方法及系统，其首先通过基于未来24小时的风光功率预测和市场电价曲线，生成指导性SoC轨迹和偏离代价曲线，为全天候运行设定经济最优的战略基线和偏离惩罚机制。其次，利用实时数值型天气预报数据和SCADA数据进行日内高频滚动预测，提升短时功率预测的准确性，弥补日前预测的固有误差，解决预测不准导致调度困难的问题。最后，引入基于模型预测控制的日内修正与决策机制，通过滚动优化求解，在最大化收益的同时，严格控制对电网调度指令的偏差，并智能权衡对日前SoC轨迹的偏离程度。

本发明涉及智能监测技术领域，提供了一种新能源场站机电设备运行状态自动监测方法及系统，其通过构建一个动态基线模型，以预测设备在特定环境和工况下的理论正常运行指标；随后，通过计算该预测值与实际值之间的残差，将多变量影响下的复杂监测问题转化为对单一残差流的分析。本发明不再孤立地判断单个残差值的大小，而是进一步对残差流的时序模式进行深度分析，从而将监测维度从离散的数据点提升至连续的行为模式层面。通过这样的方式，能够有效剥离环境等动态因素的干扰，精准捕捉到那些数值上虽未超限、但行为模式已然异常的早期故障征兆，最终实现对新能源场站机电设备的高灵敏度、高准确性状态监测与事前预警。

本发明实施例涉及智能巡检技术领域，提供了一种新能源无人值守场站自动巡检方法及系统，方法包括：获取由无人机采集的实时巡检图像帧；基于无人机的边缘计算单元对所述实时巡检图像帧进行实时图像质量评估以得到问题类型和图像质量分；基于问题类型和图像质量分，对实时巡检图像帧进行分级干预与图像优化以得到优化巡检图像帧；对所述优化巡检图像帧进行缺陷检测以得到缺陷记录。通过这样的方式，提升了缺陷记录的准确性和可靠性，为实现新能源无人值守场站高效、精准的自动化运维提供高质量的数据基础和可靠的技术支撑。

本发明实施例提供了一种新能源场站网络安全威胁主动防御方法及系统，其首先基于实时环境数据和设备物理模型，在数字孪生体中计算出设备在当前工况下的理论最优运行状态，即期望状态。同时，将从网络中截获的控制指令输入孪生体进行在线仿真，得到指令执行后的仿真状态。通过持续度量仿真状态与期望状态的偏差，即可精准识别出任何会导致物理行为异常的恶意指令。为提升检测的精准性，还对偏差时序特征进行降噪和模式识别，有效过滤了正常工况波动带来的干扰，从而实现了对微小、隐蔽攻击的精准、主动防御。

本发明实施例提供了一种基于边缘计算的分布式新能源设备异常检测方法及系统，其通过异常得分与不确定性得分的双重评估机制，精准识别出模型认知边界外的疑似漂移高价值样本，并基于主动学习策略仅将这些样本上传，从而摒弃了全量数据上传的低效方式，极大降低了云边通信的带宽开销。在云端，主模型利用这些高价值样本完成增量训练后，采用模型增量更新技术，仅计算并下发新旧模型间的参数差值而非完整的模型文件。这种更新方式，有效克服了边缘设备在带宽、存储和计算资源上的限制，实现了对边缘模型的低成本、自动化和精准自适应，确保了检测系统在动态环境下的长期有效性与可靠性。