CN106712713A - 一种光伏电站的监测系统以及监测和异常定位方法 - Google Patents
一种光伏电站的监测系统以及监测和异常定位方法 Download PDFInfo
- Publication number
- CN106712713A CN106712713A CN201710146382.2A CN201710146382A CN106712713A CN 106712713 A CN106712713 A CN 106712713A CN 201710146382 A CN201710146382 A CN 201710146382A CN 106712713 A CN106712713 A CN 106712713A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic
- photovoltaic plant
- hidden layer
- node
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007405 data analysis Methods 0.000 claims abstract description 42
- 238000005286 illumination Methods 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000003491 array Methods 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims abstract description 4
- 230000007935 neutral effect Effects 0.000 claims description 26
- 230000004807 localization Effects 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 claims 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 76
- 230000006870 function Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Abstract
本发明为一种光伏电站的监测系统以及监测和异常定位方法，本系统每个光伏电站的信息采集终端现场总线连接其内各光伏阵列的采集状态数据的传感器；各信息采集终端经互联网连接运维平台的采集认证服务器，后者与历史数据存储中心、大数据分析平台经以太网互联。本方法主要步骤为：Ⅰ、数据采集，Ⅱ、多隐层神经网络用历史状态数据训练得到相同光照强度的异常值检测方法，对当前数据进行异常值检测，实现对光伏阵列故障的诊断和精确定位；Ⅲ、监测结果和异常定位信息实时显示，或经互联网发布服务器推送到相关手机或电脑。本发明建立了深度结构模型有效地降低了参考数目；同时监控多个光伏电站，及时发现异常并定位，保证光伏阵列正常运行。
Description
技术领域
本发明涉及光伏发电技术领域，具体涉及一种光伏电站的监测系统以及监测和异常定位方法。
背景技术
近年来，随着石油，煤炭等不可再生能源的日益减少，开发以光伏发电为代表的清洁能源成为了国家政策性扶持的产业方向。
光伏发电属于波动性和间歇性电源，相对于传统发电来说是一个不可控电源，如日趋严重的雾霾天气，不可避免地影响光伏发电的效率。为了减少光伏发电受此类随机性环境变化影响，提高发电效率，就需要加强对光伏阵列运行状态的智能监测，准确掌握电站运行情况。通常一个光伏电站使用了大量的光伏阵列，一个光伏阵列由大量光伏发电板组件构成。目前光伏电站的管理维护主要是依靠人工巡视，当其中一个光伏阵列发生故障，很难及时发现是哪个光伏阵列损坏。无法及时精确定位光伏阵列的故障，就无法及时排除其故障，而单个的光伏阵列的非正常会造成整个光伏发电系统效率的大幅降低。目前光伏阵列故障的处理不及时，是导致光伏电站发电效益无法实现最大化的重要因素之一。因此，光伏阵列的智能监测和异常定位显得非常迫切。
发明内容
本发明的目的是设计一种光伏电站的监测系统，其有一套运维平台和所管理的N个光伏电站上的数据采集设施，运维平台包括采集认证服务器、历史数据存储中心、大数据分析平台和互联网发布服务器。
本发明的另一目的是设计一种光伏电站的监测和异常定位方法，采用上述光伏阵列的监测系统，采集各光伏阵列的状态数据存储于历史数据存储中心，大数据分析平台的多隐层神经网络，输入各光伏阵列的历史状态数据进行神经网络训练，在相同光照强度下检测异常值，及在一个周期内异常值的数量，与阈值比较，确定光伏阵列是否出现故障。本发明无需人工巡视，实时监测多个光伏电站的多个光伏阵列，及时发现异常点并精确定位，以及时处理光伏阵列故障，保证其正常运行。
本发明设计的一种光伏电站的监测系统有一套运维平台和所管理的N个光伏电站上的数据采集设施。N个光伏电站依次为第1～第j号，j＝1,2,3…N。每个光伏电站有nj个光伏阵列，依次为第1号至第ji号，ji＝1,2,3…nj。第j个光伏电站中的某个光伏阵列的标号为ji。每个光伏阵列作为一个物联网节点，在光伏阵列的输出端安装一套采集该光伏阵列状态数据的传感器；所述状态数据为运行数据和气象数据，运行数据包括电流，电压和功率，所述气象数据包括光照强度、温度。
每个光伏电站现场安装一套信息采集终端，各光伏电站的信息采集终端经现场总线连接本光伏电站分布在现场的各个物联网节点，信息采集终端采集本光伏电站各光伏阵列的各个传感器采集的数据并存储于其内的数据库，同时信息采集终端也把状态数据存入其数据库中。所述现场总线为CAN总线。
运维平台包括采集认证服务器、历史数据存储中心和大数据分析平台。
运维平台配置G台采集认证服务器，经互联网连接各光伏电站的信息采集终端，G＜N,每台采集认证服务器负责其连接的一个或多个光伏电站的数据采集和信息认证。
G台采集认证服务器通过以太网进行网络互连，建立采集认证服务器集群,提高系统的稳定性和数据处理能力。
所述运维平台的G台采集认证服务器与历史数据存储中心、大数据分析平台均经以太网互联，采集认证服务器将各光伏电站的当前数据送入历史数据存储中心和大数据分析平台，历史数据存储中心永久存储各光伏电站的过去和现在的运行数据，大数据分析平台根据各光伏电站的历史数据和各光伏电站的当前数据计算得到各光伏电站当前运行状态监测结果和异常定位信息。大数据分析平台连接屏幕和输出设备，可直接观看监测结果。
本运维平台还配有互联网发布服务器与大数据分析平台相连接，互联网发布服务器经互联网与相关的光伏电站管理人员的手机或电脑相联，实时发布大数据分析平台的得到的监测结果。相关管理人员可以通过电脑或手机端，在线查看光伏电站的监控数据。
本发明设计的光伏电站的监测和异常定位方法，是在上述本发明光伏阵列的监测系统上实施，主要步骤为：
Ⅰ、数据采集
N个光伏电站各个现场的多个光伏阵列的各物联网节点上的传感器每隔3～8分钟采集各光伏阵列的运行数据和气象数据。经现场总线送至各光伏电站的信息采集终端，各信息采集终端将当前接收的各光伏阵列的状态数据采用循环存储的方式存入本地数据库中，同时把状态数据经互联网送至运维平台的采集认证服务器。各光伏电站在发生故障时，本地数据库通过历史信息自动或人工补召的方式获取历史数据，保证光伏电站状态数据的完整性。
Ⅱ、数据分析
大数据分析平台采用多隐层神经网络，输入各光伏阵列的历史状态数据进行神经网络训练，得到在相同光照强度下的异常值检测方法，利用训练后的多隐层神经网络对当前运行数据电流、电压和功率值进行异常值检测，实现对光伏阵列故障的诊断和精确定位。
Ⅱ-1、光照强度
本方法根据光照强度的值，将光照强度分为3～5类定义光照强度类别。大数据分析平台在数据训练过程中，每个光照强度类别生成一个E类别的SVM分类器，用以标记所接收各光伏阵列现场状态数据中的光照强度的类别e。使用SVM分类器区分各光伏阵列当前光照强度的类别。
Ⅱ-2、多隐层神经网络
大数据分析平台的多隐层神经网络为一个(3-S1-...-Sn-...-SL-m)层的多隐层神经网络，3代表本方法输入节点的数量，即电流I、电压U和功率P三个输入节点，S1是第1个隐层的节点的数量，Sn是第n个隐层的节点的数量,n为隐层序号，n＝1，2…L，SL是第L个隐层的节点的数量，L代表隐层数量。m代表输入节点电流、电压、功率数据的分类。f(.)被定义为激励函数。通过训练神经网络中的输入X＝[I,U,P]和目标输出Q＝[Q1，Q2，...Qm]，得到输入和隐层的权重W。第一隐层，第a个节点的输出表示为：
其中，fi 1(.)是第一隐层的第a个节点的激励函数。和分别表示第一隐层第a个节点的I、U和P输入的权值，L代表隐层数量。第n隐层的第a个节点的输出表示为：
其中，是第n隐层第a个节点的激励函数。是第n隐层的第a个节点和第n-1隐层的第b个节点的权值。在输出层，神经网络的输出表示为：
其中，Qk表示m种中的第k种数据映射的输出，在相同的光照强度H下，不同型号的光伏阵列采集的电流、电压或功率数据有差异，本方法将光伏阵列分为m种，根据输入节点电流、电压和功率数据分类划分。fk(.)是输出层第k个节点的激励函数。wka是输出层第k个输出节点和最后一隐层，即L层的第a个节点的权值。
将将步骤I采集的各光伏电站的各光伏阵列的电流、电压、功率数据输入上述多隐层神经网络进行训练，得到数据的多种映射关系，调整在输入层、输出层和隐层的权重，深度挖掘得到电流、电压、功率数据的分类结果。
Ⅲ、监测结果和异常定位信息的发布
运维平台的大数据分析平台连接屏幕和输出设备，实时显示当前各光伏电站的各光伏阵列的运行状态。
同时，大数据分析平台还将监测结果发送到互联网发布服务器，将实时信息经互联网推送到相关的光伏电站管理人员的手机或电脑。
与现有技术相比，本发明一种光伏电站的监测系统以及监测和异常定位方法的优点为：1、运维平台大数据分析平台的深度学习多隐层神经网络模型是典型的高复杂度深度结构模型，与浅层结构模型相比，深度结构模型通过分层逐级地表示特征，有效地降低了参考数目；2、历史数据存储中心永久存储历史数据，故为神经网络获得海量的训练数据，解决了模型过拟合、泛化能力差的问题；3、同时管理N个光伏电站，对N个光伏电站中的各光伏阵列进行监控，无需人工巡视，通过对实时接收的电流、电压和功率数据的异常值监测，及时发现异常点并对光伏阵列的故障精确定位，以及时处理光伏阵列中出现的硬件问题，保证每个光伏阵列都能正常运行；4、采集认证服务器经互联网与各光伏电站的数据采集终端连接，接收数据并对信息认证，再将数据传送到大数据分析平台，提高了本系统的稳定性和数据处理能力。
附图说明
图1为本光伏电站的监测系统实施例结构框图；
图2为本光伏电站的监测和异常定位方法实施例中步骤Ⅱ-1的光照强度分类图；
图3为本光伏电站的监测和异常定位方法实施例中步骤Ⅱ-2的多隐层的神经网络示意图；
图4为本光伏电站的监测和异常定位方法实施例中步骤Ⅱ-1的4个光伏电站采集的样本数据图；
图5为本光伏电站的监测和异常定位方法实施例中步骤Ⅱ-1的4个光伏电站的分类结果图。
具体实施方式
光伏电站的监测系统实施例
图1所示为本光伏电站的监测系统实施例的结构示意图，图中虚线连接线表示互联网连接，粗实线连接线表示以太网连接，细实线连接线表示CAN总线连接。一套运维平台和管理4个光伏电站，N为1,2,3,4。光伏电站1由包括21个光伏阵列，编号为1-1～1-21，其中每个光伏阵列由36片光伏模块串并联组成。光伏电站2包括25个光伏阵列，编号为2-1～2-25，其中每光伏阵列由48片光伏模块串并联组成。光伏电站3包括28个光伏阵列组成，编号为3-1～3-28，其中每个光伏阵列由60片光伏模块串并联组成。光伏电站4包括26个光伏阵列，编号为4-1～4-26，其中每个光伏阵列由72片光伏模块串并联组成。
每个光伏阵列作为一个物联网节点，在各光伏阵列的输出端安装一套采集该光伏阵列状态数据的传感器，光伏电站1的21个光伏阵列对应传感器S1-1～S1-21，光伏电站2的25个光伏阵列对应传感器S2-1～S2-25，光伏电站3的28个光伏阵列对应传感器S3-1～S3-28，光伏电站4的26个光伏阵列对应传感器S4-1～S4-26；所述状态数据为运行数据和气象数据，运行数据包括电流，电压和功率，所述气象数据包括光照强度、温度。
每个光伏电站现场安装一套信息采集终端，各光伏电站的信息采集终端经现场总线连接本光伏电站分布在现场的各个物联网节点的传感器，信息采集终端采集本光伏电站各光伏阵列的各个传感器采集的数据并存储于其内的数据库，同时信息采集终端也把状态数据存入其数据库中。本例现场总线为CAN总线。
本例运维平台包括采集认证服务器、历史数据存储中心、大数据分析平台和互联网发布服务器。
本例运维平台配置2台采集认证服务器，采集认证服务器1经互联网连接光伏电站1、2的信息采集终端，采集认证服务器2经互联网连接光伏电站3、4的信息采集终端，
2台采集认证服务器通过以太网进行网络互连，建立采集认证服务器集群,提高系统的稳定性和数据处理能力。
所述运维平台的2台采集认证服务器与历史数据存储中心、大数据分析平台均经以太网互联，采集认证服务器将各光伏电站的当前数据送入历史数据存储中心和大数据分析平台，历史数据存储中心永久存储各光伏电站的过去和现在的运行数据，大数据分析平台根据各光伏电站的历史数据和各光伏电站的当前数据计算得到各光伏电站当前运行状态监测结果和异常定位信息。大数据分析平台连接屏幕和输出设备，可直接观看监测结果。本运维平台还配有互联网发布服务器与大数据分析平台相连接，互联网发布服务器经互联网与相关的光伏电站管理人员的手机或电脑相联，实时发布大数据分析平台的得到的监测结果。
光伏电站的监测和异常定位方法实施例
本光伏电站的监测和异常定位方法实施例，是在上述光伏阵列的监测系统实施例上实施，主要步骤为：
Ⅰ、数据采集
在同一光照强度条件下，4个光伏电站各个现场的多个光伏阵列的各物联网节点上的传感器每隔5分钟分别采集各光伏阵列的运行数据和气象数据。经现场总线送至各光伏电站的信息采集终端，各信息采集终端将当前接收的各光伏阵列的状态数据采用循环存储的方式存入本地数据库中，同时把状态数据经互联网送至运维平台的采集认证服务器。各光伏电站在发生故障时，本地数据库通过历史信息自动或人工补召的方式获取历史数据，保证光伏电站状态数据的完整性。
Ⅱ、数据分析
大数据分析平台采用多隐层神经网络，输入各光伏阵列的历史状态数据进行神经网络训练，得到在相同光照强度下的异常值检测方法，利用训练后的多隐层神经网络对当前运行数据电流、电压和功率值进行异常值检测，实现对光伏阵列故障的诊断和精确定位。
Ⅱ-1、光照强度
如图2所示，本例根据光照强度的值，将光照强度分为4类定义光照强度类别。大数据分析平台在数据训练过程中，每个光照强度类别生成一个E类别的SVM分类器，标记所接收各光伏阵列现场状态数据中的光照强度的类别e。
Ⅱ-2、多隐层神经网络
如图3所示，本例大数据分析平台的多隐层神经网络为一个(3-S1-...-Sn-...-SL-m)层的多隐层神经网络，3代表本方法输入节点的数量，即电流I、电压U和功率P三个输入节点，S1是第1个隐层的节点的数量，Sn是第n个隐层的节点的数量,n为隐层序号，n＝1，2…L，SL是第L个隐层的节点的数量，L代表隐层数量。m代表电流、电压、功率数据的分类。f(.)被定义为激励函数。通过训练神经网络中的输入X＝[I,U,P]和目标输出Q＝[Q1，Q2，...Qm]，得到输入和隐层的权重W。第一隐层，第a个节点的输出表示为：
其中，fi 1(.)是第一隐层的第a个节点的激励函数。和分别表示第一隐层第a个节点的I、U和P输入的权值，L代表隐层数量。第n隐层的第a个节点的输出表示为：
其中，是第n隐层第a个节点的激励函数。是第n隐层的第a个节点和第n-1隐层的第b个节点的权值。在输出层，神经网络的输出表示为：
其中，Qk表示m种数据中的第k种数据映射的输出，在相同的光照强度H下，不同型号的光伏阵列采集的电流、电压或功率数据有差异，本方法将光伏阵列分为m种，根据输入节点电流、电压和功率分类划分；fk(.)是输出层第k个节点的激励函数。wka是输出层第k个输出节点和最后的L隐层的第a个节点的权值。
将步骤I采集的各光伏电站的各光伏阵列的电流、电压、功率数据输入上述多隐层神经网络进行训练，得到数据的多种映射关系，调整在输入层、输出层和隐层的权重，深度挖掘得到电流、电压、功率数据的分类结果。
Ⅲ、监测结果和异常定位信息的发布
运维平台的大数据分析平台连接屏幕和输出设备，实时显示当前各光伏电站的各光伏阵列的运行状态。
同时，大数据分析平台还将监测结果发送到互联网发布服务器，将实时信息经互联网推送到相关的光伏电站管理人员的手机或电脑。
本例经过基于多隐层神经网络的异常值检测计算，即得到异常点。本例4个光伏电站采集的样本数据如图4所示，其中o表示异常数据，可以看出图中有5个异常数据。4个光伏电站的分类结果如图5所示，可以发现其中有5个点为离群值，即清晰地看到5个异常点，判断为发生故障处。由于数据密度比较大，其它点集中成黑色，仍可辨别出分为4个类。
根据图4中5个异常点的光伏阵列标记，得到故障点的位置信息，即为：(“1-21”,异常)，(“2-11”,异常)，(“3-5”,异常)，(“3-17”,异常),(“4-9”,异常)。由此得知哪个电站的哪个光伏阵列出现了故障，实现了精确定位，方便维护人员在第一时间进行抢修，使光伏电站能够安全、稳定的运行。
上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。
Claims (7)
1.一种光伏电站的监测系统，有一套运维平台和所管理的N个光伏电站上的数据采集设施；N个光伏电站依次为第1～第j号，j＝1,2,3…N，每个光伏电站有nj个光伏阵列，依次为第1号至第ji号，ji＝1,2,3…nj，第j个光伏电站中的某个光伏阵列的标号为ji；其特征在于：
每个光伏阵列作为一个物联网节点，在光伏阵列的输出端安装一套采集该光伏阵列状态数据的传感器；所述状态数据为运行数据和气象数据，运行数据包括电流，电压和功率，所述气象数据包括光照强度、温度；
每个光伏电站现场安装一套信息采集终端，各光伏电站的信息采集终端经现场总线连接本光伏电站分布在现场的各个物联网节点，信息采集终端采集本光伏电站各光伏阵列的各个传感器采集的数据并存储于其内的数据库，同时信息采集终端也把状态数据存入其数据库中；
运维平台包括采集认证服务器、历史数据存储中心和大数据分析平台；
运维平台配置G台采集认证服务器，经互联网连接各光伏电站的信息采集终端，G＜N,每台采集认证服务器负责其连接的一个或多个光伏电站的数据采集和信息认证；G台采集认证服务器通过以太网进行网络互连；
所述运维平台的G台采集认证服务器与历史数据存储中心、大数据分析平台均经以太网互联，采集认证服务器将各光伏电站的当前数据送入历史数据存储中心和大数据分析平台，历史数据存储中心永久存储各光伏电站的过去和现在的运行数据，大数据分析平台根据各光伏电站的历史数据和各光伏电站的当前数据计算得到各光伏电站当前运行状态监测结果和异常定位信息。
2.根据权利要求1所述的光伏电站的监测系统，其特征在于：
所述大数据分析平台连接屏幕和输出设备。
3.根据权利要求2所述的光伏电站的监测系统，其特征在于：
本运维平台还配有互联网发布服务器与大数据分析平台相连接，互联网发布服务器经互联网与相关的光伏电站管理人员的手机或电脑相联。
4.根据权利要求1所述的光伏电站的监测系统，其特征在于：
所述各光伏电站的信息采集终端与各光伏阵列连接的现场总线为CAN总线。
5.采用权利要求1至4中任一项所述的光伏电站的监测系统的光伏电站的监测和异常定位方法，其特征在于主要步骤如下：
Ⅰ、数据采集
N个光伏电站各现场的多个光伏阵列的各物联网节点上的传感器每隔3～8分钟采集各光伏阵列的运行数据和气象数据；经现场总线送至各光伏电站的信息采集终端，各信息采集终端将当前接收的各光伏阵列的状态数据采用循环存储的方式存入本地数据库中，同时把状态数据经互联网送至运维平台的采集认证服务器；
Ⅱ、数据分析
大数据分析平台采用多隐层神经网络，输入各光伏阵列的历史状态数据进行神经网络训练，得到在相同光照强度下的异常值检测方法，利用训练后的多隐层神经网络对当前运行数据电流、电压和功率值进行异常值检测，实现对光伏阵列故障的诊断和精确定位；
Ⅱ-1、光照强度
本方法根据光照强度的值，将光照强度分为3～5类定义光照强度类别；大数据分析平台在数据训练过程中，每个光照强度类别生成一个E类别的SVM分类器，用以标记所接收各光伏阵列现场状态数据中的光照强度的类别e，使用SVM分类器区分各光伏阵列当前光照强度的类别；
Ⅱ-2、多隐层神经网络
大数据分析平台的多隐层神经网络为一个(3-S1-...-Sn-...-SL-m)层的多隐层神经网络，3代表本方法输入节点的数量，即电流I、电压U和功率P三个输入节点，S1是第1个隐层的节点的数量，Sn是第n个隐层的节点的数量，n为隐层序号，n＝1，2…L，SL是第L个隐层的节点的数量，L代表隐层数量；m代表电流、电压、功率数据的分类；f(.)被定义为激励函数；通过训练神经网络中的输入X＝[I,U,P]和目标输出Q＝[Q1，Q2，...Qm]，得到输入和隐层的权重W，第一隐层，第a个节点的输出表示为：
其中，fi 1(.)是第一个隐层的第a个节点的激励函数；和分别表示第一个隐层第a个节点的I、U和P输入的权值，L代表隐层数量；第n个隐层的第a个节点的输出表示为：
其中，是第n个隐层第a个节点的激励函数；是第n个隐层的a节点和第n-1个隐层的b节点的权值；在输出层，神经网络的输出表示为：
其中，Qk表示m种数据中第k种数据映射的输出，在相同的光照强度H下，不同型号的光伏电板构成的光伏阵列采集的电流、电压或功率数据有差异，本方法将光伏阵列分为m种，根据输入节点电流、电压和功率分类划分；fk(.)是输出层第k个节点的激励函数，wka是输出层第k个输出节点和最后一个隐层的第a个节点的权值；
将将步骤I采集的各光伏电站的各光伏阵列的电流、电压、功率数据输入上述多隐层神经网络进行训练，得到数据的多种映射关系，调整在输入层、输出层和隐层的权重，深度挖掘得到电流、电压、功率数据的分类结果；
Ⅲ、监测结果和异常定位信息的发布
运维平台的大数据分析平台连接屏幕和输出设备，实时显示当前各光伏电站的各光伏阵列的运行状态。
6.根据权利要求5所述的光伏电站的监测和异常定位方法，其特征在于：
各光伏电站在发生故障时，光伏电站的本地数据库通过历史信息自动或人工补召的方式获取历史数据。
7.根据权利要求5所述的光伏电站的监测和异常定位方法，其特征在于：
所述运维平台还配有互联网发布服务器与大数据分析平台相连接，互联网发布服务器经互联网与相关的光伏电站管理人员的手机或电脑相联；
所述大数据分析平台将监测结果发送到互联网发布服务器，将实时信息经互联网推送到相关的光伏电站管理人员的手机或电脑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710146382.2A CN106712713B (zh) | 2017-03-13 | 2017-03-13 | 一种光伏电站的监测系统以及监测和异常定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710146382.2A CN106712713B (zh) | 2017-03-13 | 2017-03-13 | 一种光伏电站的监测系统以及监测和异常定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106712713A true CN106712713A (zh) | 2017-05-24 |
| CN106712713B CN106712713B (zh) | 2018-01-12 |
Family
ID=58918117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710146382.2A Active CN106712713B (zh) | 2017-03-13 | 2017-03-13 | 一种光伏电站的监测系统以及监测和异常定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106712713B (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107517038A (zh) * | 2017-10-19 | 2017-12-26 | 青海黄河上游水电开发有限责任公司光伏产业技术分公司 | 光伏组件监测系统 |
| CN107643720A (zh) * | 2017-08-26 | 2018-01-30 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的监测方法及控制器 |
| CN108322187A (zh) * | 2018-02-11 | 2018-07-24 | 同济大学 | 光伏电站监测与运维一体化系统 |
| CN108540093A (zh) * | 2018-02-13 | 2018-09-14 | 南京绿新能源研究院有限公司 | 基于波动法大数据采集的分布式光伏电站监测预警系统 |
| CN108879959A (zh) * | 2018-07-25 | 2018-11-23 | 广东石油化工学院 | 一种光伏组件监测方法和系统 |
| CN109151048A (zh) * | 2018-09-10 | 2019-01-04 | 浙江电腾云光伏科技有限公司 | 一种基于物联网的光伏电站智能监控系统 |
| CN109245295A (zh) * | 2018-08-31 | 2019-01-18 | 中国科学院广州能源研究所 | 基于mqtt协议的光伏电站监控系统 |
| CN109521314A (zh) * | 2018-09-26 | 2019-03-26 | 浙江宏阳新能源科技有限公司 | 一种太阳能发电设备远程故障诊断方法 |
| CN110058576A (zh) * | 2018-01-19 | 2019-07-26 | 临沂矿业集团有限责任公司 | 基于大数据的设备故障预测与健康管理方法 |
| WO2019152559A1 (en) | 2018-01-30 | 2019-08-08 | Utopus Insights, Inc. | System and method for predicting failure of components using temporal scoping of sensor data |
| CN110266108A (zh) * | 2019-06-26 | 2019-09-20 | 安徽兴广泰新能源技术有限公司 | 光伏电站大数据模块化处理系统 |
| CN110377465A (zh) * | 2019-06-26 | 2019-10-25 | 江苏大学 | 一种车载can总线的异常检测方法 |
| CN110649889A (zh) * | 2019-10-25 | 2020-01-03 | 苏师大半导体材料与设备研究院(邳州)有限公司 | 一种光伏晶体板在线故障监控方法 |
| CN112785160A (zh) * | 2021-01-25 | 2021-05-11 | 杭州易达光电有限公司 | 一种光伏运维管理信息展示平台 |
| CN113190583A (zh) * | 2021-05-14 | 2021-07-30 | 华北电力大学扬中智能电气研究中心 | 一种数据采集系统、方法、电子设备及存储介质 |
| CN113852349A (zh) * | 2021-09-17 | 2021-12-28 | 中新能(无锡)智慧能源有限公司 | 一种5g光伏电站的远程监控方法及系统 |
| CN114337539A (zh) * | 2021-12-29 | 2022-04-12 | 苏州震旦瑞微电网有限公司 | 一种用于物联网光伏发电设备的故障监测系统 |
| CN114500618A (zh) * | 2022-01-12 | 2022-05-13 | 湖南理工职业技术学院 | 一种基于物联网的光伏电池组件监测系统及采集终端和电源模块 |
| CN114898232A (zh) * | 2022-04-29 | 2022-08-12 | 中科云尚(南京)智能技术有限公司 | 基于光伏组串数据分析的光伏电站无人机巡检方法及系统 |
| CN114899949A (zh) * | 2022-06-01 | 2022-08-12 | 深圳博浩远科技有限公司 | 一种适用于商用型光伏逆变器的数据采集方法及装置 |
| CN116232222A (zh) * | 2023-05-10 | 2023-06-06 | 山东科技大学 | 一种分布式光伏系统云边协同积灰程度监测方法及系统 |
| CN116433226A (zh) * | 2023-06-14 | 2023-07-14 | 浙江亿视电子技术有限公司 | 基于电参数ai分析的交流供电设备管理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090113049A1 (en) * | 2006-04-12 | 2009-04-30 | Edsa Micro Corporation | Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network |
| CN101995862A (zh) * | 2010-09-10 | 2011-03-30 | 江苏大学 | 基于物联网的光伏阵列定位跟踪监测系统及工作方法 |
| CN103633938A (zh) * | 2013-12-10 | 2014-03-12 | 中国矿业大学 | 一种光伏阵列故障定位的方法 |
| CN105656197A (zh) * | 2015-12-31 | 2016-06-08 | 石家庄科林电气股份有限公司 | 一种分布式光伏电站智能运维系统和方法 |
| CN105825302A (zh) * | 2016-03-17 | 2016-08-03 | 中车株洲电力机车研究所有限公司 | 一种基于云平台的光伏电站功率预测系统 |
-
2017
- 2017-03-13 CN CN201710146382.2A patent/CN106712713B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090113049A1 (en) * | 2006-04-12 | 2009-04-30 | Edsa Micro Corporation | Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network |
| CN101995862A (zh) * | 2010-09-10 | 2011-03-30 | 江苏大学 | 基于物联网的光伏阵列定位跟踪监测系统及工作方法 |
| CN103633938A (zh) * | 2013-12-10 | 2014-03-12 | 中国矿业大学 | 一种光伏阵列故障定位的方法 |
| CN105656197A (zh) * | 2015-12-31 | 2016-06-08 | 石家庄科林电气股份有限公司 | 一种分布式光伏电站智能运维系统和方法 |
| CN105825302A (zh) * | 2016-03-17 | 2016-08-03 | 中车株洲电力机车研究所有限公司 | 一种基于云平台的光伏电站功率预测系统 |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107643720A (zh) * | 2017-08-26 | 2018-01-30 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的监测方法及控制器 |
| CN107517038A (zh) * | 2017-10-19 | 2017-12-26 | 青海黄河上游水电开发有限责任公司光伏产业技术分公司 | 光伏组件监测系统 |
| CN110058576A (zh) * | 2018-01-19 | 2019-07-26 | 临沂矿业集团有限责任公司 | 基于大数据的设备故障预测与健康管理方法 |
| WO2019152559A1 (en) | 2018-01-30 | 2019-08-08 | Utopus Insights, Inc. | System and method for predicting failure of components using temporal scoping of sensor data |
| EP3752796A4 (en) * | 2018-01-30 | 2022-03-30 | Utopus Insights, Inc. | SYSTEM AND METHOD FOR COMPONENT FAILURE PREDICTION USING TIME TARGETING OF SENSOR DATA |
| US11663496B2 (en) | 2018-01-30 | 2023-05-30 | Utopus Insights, Inc. | System and method for predicting failure of components using temporal scoping of sensor data |
| CN108322187A (zh) * | 2018-02-11 | 2018-07-24 | 同济大学 | 光伏电站监测与运维一体化系统 |
| CN108540093A (zh) * | 2018-02-13 | 2018-09-14 | 南京绿新能源研究院有限公司 | 基于波动法大数据采集的分布式光伏电站监测预警系统 |
| CN108540093B (zh) * | 2018-02-13 | 2019-08-27 | 南京绿新能源研究院有限公司 | 基于波动法大数据采集的分布式光伏电站监测预警系统 |
| CN108879959A (zh) * | 2018-07-25 | 2018-11-23 | 广东石油化工学院 | 一种光伏组件监测方法和系统 |
| CN109245295A (zh) * | 2018-08-31 | 2019-01-18 | 中国科学院广州能源研究所 | 基于mqtt协议的光伏电站监控系统 |
| CN109151048A (zh) * | 2018-09-10 | 2019-01-04 | 浙江电腾云光伏科技有限公司 | 一种基于物联网的光伏电站智能监控系统 |
| CN109521314A (zh) * | 2018-09-26 | 2019-03-26 | 浙江宏阳新能源科技有限公司 | 一种太阳能发电设备远程故障诊断方法 |
| CN110266108A (zh) * | 2019-06-26 | 2019-09-20 | 安徽兴广泰新能源技术有限公司 | 光伏电站大数据模块化处理系统 |
| CN110377465A (zh) * | 2019-06-26 | 2019-10-25 | 江苏大学 | 一种车载can总线的异常检测方法 |
| CN110649889A (zh) * | 2019-10-25 | 2020-01-03 | 苏师大半导体材料与设备研究院(邳州)有限公司 | 一种光伏晶体板在线故障监控方法 |
| CN112785160A (zh) * | 2021-01-25 | 2021-05-11 | 杭州易达光电有限公司 | 一种光伏运维管理信息展示平台 |
| CN113190583A (zh) * | 2021-05-14 | 2021-07-30 | 华北电力大学扬中智能电气研究中心 | 一种数据采集系统、方法、电子设备及存储介质 |
| CN113190583B (zh) * | 2021-05-14 | 2024-02-20 | 长春理工大学 | 一种数据采集系统、方法、电子设备及存储介质 |
| CN113852349A (zh) * | 2021-09-17 | 2021-12-28 | 中新能(无锡)智慧能源有限公司 | 一种5g光伏电站的远程监控方法及系统 |
| CN113852349B (zh) * | 2021-09-17 | 2023-03-31 | 中新能(无锡)智慧能源有限公司 | 一种5g光伏电站的远程监控方法及系统 |
| CN114337539A (zh) * | 2021-12-29 | 2022-04-12 | 苏州震旦瑞微电网有限公司 | 一种用于物联网光伏发电设备的故障监测系统 |
| CN114337539B (zh) * | 2021-12-29 | 2024-04-09 | 苏州震旦瑞微电网有限公司 | 一种用于物联网光伏发电设备的故障监测系统 |
| CN114500618A (zh) * | 2022-01-12 | 2022-05-13 | 湖南理工职业技术学院 | 一种基于物联网的光伏电池组件监测系统及采集终端和电源模块 |
| CN114898232A (zh) * | 2022-04-29 | 2022-08-12 | 中科云尚(南京)智能技术有限公司 | 基于光伏组串数据分析的光伏电站无人机巡检方法及系统 |
| CN114898232B (zh) * | 2022-04-29 | 2023-08-15 | 中科云尚(南京)智能技术有限公司 | 基于光伏组串数据分析的光伏电站无人机巡检方法及系统 |
| CN114899949B (zh) * | 2022-06-01 | 2022-12-23 | 深圳博浩远科技有限公司 | 一种适用于商用型光伏逆变器的数据采集方法及装置 |
| CN114899949A (zh) * | 2022-06-01 | 2022-08-12 | 深圳博浩远科技有限公司 | 一种适用于商用型光伏逆变器的数据采集方法及装置 |
| CN116232222A (zh) * | 2023-05-10 | 2023-06-06 | 山东科技大学 | 一种分布式光伏系统云边协同积灰程度监测方法及系统 |
| CN116232222B (zh) * | 2023-05-10 | 2023-09-08 | 山东科技大学 | 一种分布式光伏系统云边协同积灰程度监测方法及系统 |
| CN116433226A (zh) * | 2023-06-14 | 2023-07-14 | 浙江亿视电子技术有限公司 | 基于电参数ai分析的交流供电设备管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106712713B (zh) | 2018-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106712713B (zh) | 一种光伏电站的监测系统以及监测和异常定位方法 | |
| Han et al. | A PV power interval forecasting based on seasonal model and nonparametric estimation algorithm | |
| CN104753461B (zh) | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 | |
| González et al. | Optimal wind-turbine micro-siting of offshore wind farms: A grid-like layout approach | |
| CN107330056B (zh) | 基于大数据云计算平台的风电场scada系统及其运行方法 | |
| CN109871976A (zh) | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 | |
| CN104573947A (zh) | 区域智能配电网低压台区综合评价方法 | |
| CN106411257A (zh) | 一种光伏电站状态诊断方法及装置 | |
| CN206620100U (zh) | 一种光伏电站的监测系统 | |
| Alassery et al. | An artificial intelligence-based solar radiation prophesy model for green energy utilization in energy management system | |
| CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
| CN104504607A (zh) | 一种基于模糊聚类算法的光伏电站故障诊断方法 | |
| CN105305488B (zh) | 一种考虑新能源并网对输电网利用率影响的评价方法 | |
| CN110245795A (zh) | 一种用于海上风电运维决策仿真模拟的方法及系统 | |
| CN108400595A (zh) | 一种考虑新能源出力相关性的电压暂降随机预估方法 | |
| CN109685371A (zh) | 基于贝叶斯网的动态概权风电机组运行状态综合评估方法 | |
| CN110533331A (zh) | 一种基于输电线路数据挖掘的故障预警方法和系统 | |
| CN110224673A (zh) | 一种基于深度学习的太阳能光伏电池板故障检测方法 | |
| CN108718108A (zh) | 一种基于udp的分布式光伏电站遥监控及智能决策系统 | |
| CN113992153B (zh) | 一种光伏电站可视化实时监测分布式管理系统 | |
| CN105226648A (zh) | 一种基于大数据的分布式电源配电网规划方法 | |
| CN110059913A (zh) | 一种计及未来态的停电计划的量化评估方法 | |
| CN107767047A (zh) | 一种配电网调控一体化系统运行状况评价方法 | |
| CN104182803A (zh) | 风电数据预处理方法及风电功率预测方法和系统 | |
| CN108764544A (zh) | 线路隐患预测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ye Jin Inventor after: Chen He Inventor after: Li Xiaonan Inventor after: Cao Xiaoguang Inventor after: Zhang Kuizhong Inventor after: Zhang Xiangping Inventor after: Duan Jiahui Inventor after: Wang Yusong Inventor after: Xie Min Inventor after: He Huaguang Inventor after: Hu Liangqing Inventor after: Chang Shengqiang Inventor after: Yuan Yubao Inventor after: Chen Hongyu Inventor before: Ye Jin Inventor before: Duan Jiahui Inventor before: Wang Yusong Inventor before: Xie Min Inventor before: He Huaguang Inventor before: Hu Liangqing |
|
| CB03 | Change of inventor or designer information | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190513 Address after: 530004 100 East University Road, XiXiangTang District, Nanning, the Guangxi Zhuang Autonomous Region Co-patentee after: Shijiazhuang KE Electric Co.,Ltd. Patentee after: Guangxi University Address before: 530004 100 East University Road, XiXiangTang District, Nanning, the Guangxi Zhuang Autonomous Region Patentee before: Guangxi University |
|
| TR01 | Transfer of patent right |