CN109150100A - 光伏电站的故障检测方法、装置、设备及存储介质 - Google Patents
光伏电站的故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109150100A CN109150100A CN201811068708.5A CN201811068708A CN109150100A CN 109150100 A CN109150100 A CN 109150100A CN 201811068708 A CN201811068708 A CN 201811068708A CN 109150100 A CN109150100 A CN 109150100A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- photovoltaic plant
- power
- photovoltaic generation
- plant
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process 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
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本申请实施例提供了一种光伏电站的故障检测方法、装置、设备及存储介质。所述故障检测方法包括:获取光伏电站在指定时间段内的光伏发电功率和环境参数;根据环境参数中和预先训练出的神经网络模型,确定光伏电站在指定时间段内的功率预测值和预测误差;根据光伏发电功率、功率预测值和预测误差,判断光伏电站在指定时间段内是否存在故障。本申请实施例实现对光伏电站故障的精确检测,适用于国网分布式光伏云网所连接的省级或全国性范围内处于各种环境的光伏电站,可实现对省级或全国性范围内大量的光伏电站的有效调度。
Description
技术领域
本申请涉及能源互联网技术领域,具体而言,本申请涉及一种光伏电站的故障检测方法、装置、设备及存储介质。
背景技术
目前光伏电站故障检测方案主要是依据历史数据,利用光伏电站故障诊断评价因子进行诊断,现有技术所采用的光伏电站故障诊断评价因子往往难以确定,实际操作中,对光伏电站故障的评判往往依赖于经验,因此存在诊断不精确的情况。
在依赖于经验进行评判的过程中,现有的故障检测方案所针对和分析的都是一个小区域范围内的光伏电站,不适用于国网分布式光伏云网所连接的省级或全国性范围内大量的光伏电站,没有建立准确光伏发电功率模型的海量数据基础;因而也无法实现对省级或全国性范围内大量的光伏电站的有效调度。
发明内容
本申请针对现有方式的缺点,提出一种光伏电站的故障检测方法、装置、设备及存储介质,用以解决现有技术存在依赖经验进行故障诊断不精确以及适用范围较小的技术问题。
第一方面,本申请实施例提供了一种光伏电站的故障检测方法,包括:
获取光伏电站在指定时间段内的光伏发电功率和环境参数;
根据环境参数中和预先训练出的神经网络模型,确定光伏电站在指定时间段内的功率预测值和预测误差;
根据光伏发电功率、功率预测值和预测误差,判断光伏电站在指定时间段内是否存在故障。
第二方面,本申请实施例提供了一种光伏电站的故障检测装置,包括:
数据获取模块,用于获取光伏电站在指定时间段内的光伏发电功率和环境参数;
预测值确定模块,用于根据环境参数中和预先训练出的神经网络模型,确定光伏电站在指定时间段内的功率预测值和预测误差;
故障判断模块,用于根据光伏发电功率、功率预测值和预测误差,判断光伏电站在指定时间段内是否存在故障。
第三方面,本申请实施例提供了一种光伏电站的故障检测设备,包括:存储器和处理器,存储器存储有计算机程序,计算机程序由处理器执行以实现本申请实施例第一方面提供的光伏电站的故障检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现本申请实施例第一方面提供的光伏电站的故障检测方法。
本申请实施例提供的技术方案,至少具有如下有益效果:
1)本申请实施例可基于光伏电站在指定时间段内的光伏发电功率、功率预测值和预测误差,判断光伏电站在指定时间段内是否存在故障,相对于现有技术依赖于经验进行诊断的方式,本申请实施例对光伏电站故障的检测更加精确。
2)本申请实施例在确定指定时间段内的功率预测值和预测误差的过程中,考虑了光伏电站所处环境的环境参数,可使确定出功率预测值和预测误差更符合实际环境;同时也适用于国网分布式光伏云网所连接的省级或全国性范围内处于各种环境的光伏电站,可建立准确光伏发电功率模型的海量数据基础,从而可实现对省级或全国性范围内大量的光伏电站的有效调度。
3)本申请实施例基于神经网络模型确定指定时间段内的功率预测值和预测误差,可使确定出的功率预测值更加精确,预测误差更小。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的光伏电站的一种故障检测方法的流程示意图;
图2为本申请实施例提供的光伏电站的另一种故障检测方法的流程中示意图;
图3为本申请实施例中神经网络模型的训练原理示意图;
图4为本申请实施例提供的光伏电站的故障检测装置的结构框架示意图;
图5为本申请实施例提供的光伏电站的故障检测设备的结构框架示意图。
具体实施方式
下面详细描述本申请,本申请实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。此外,如果已知技术的详细描述对于示出的本申请的特征是不必要的,则将其省略。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例一
本申请实施例提供了一种光伏电站的故障检测方法,如图1所示,该故障检测方法包括:
S101,获取光伏电站在指定时间段内的光伏发电功率ysi和环境参数。
可选地,获取光伏电站在指定时间段内的多个实时光伏发电功率;根据多个实时光伏发电功率,确定光伏电站在指定时间段内的光伏发电功率ysi。
可选地,环境参数包括:气温、风速、太阳辐射强度和电能表测量精度中的至少一个。
S102,根据环境参数中和预先训练出的神经网络模型,确定光伏电站在指定时间段内的功率预测值和预测误差
可选地,根据气温、风速、太阳辐射强度和电能表测量精度中的至少一个,以及预先训练出的神经网络模型,确定光伏电站在指定时间段内的功率预测值和预测误差
S103,根据光伏发电功率ysi、功率预测值和预测误差判断光伏电站在指定时间段内是否存在故障。
可选地,将光伏发电功率ysi和功率预测值的差值的绝对值与预测误差的绝对值进行比较,根据比较结果判断光伏电站在指定时间段内的是否存在故障。
应用本申请的实施例一,至少可以实现如下有益效果:
1)本申请实施例可基于光伏电站在指定时间段内的光伏发电功率、功率预测值和预测误差,判断光伏电站在指定时间段内是否存在故障,相对于现有技术依赖于经验进行诊断的方式,本申请实施例对光伏电站故障的检测更加精确。
2)本申请实施例在确定指定时间段内的功率预测值和预测误差的过程中,考虑了光伏电站所处环境的环境参数,可使确定出功率预测值和预测误差更符合实际环境;同时也适用于国网分布式光伏云网所连接的省级或全国性范围内处于各种环境的光伏电站,可建立准确光伏发电功率模型的海量数据基础,从而可实现对省级或全国性范围内大量的光伏电站的有效调度。
3)本申请实施例基于神经网络模型确定指定时间段内的功率预测值和预测误差,可使确定出的功率预测值更加精确,预测误差更小。
实施例二
基于同一发明构思,在实施例一的基础上,本申请实施例提供了一种光伏电站的故障检测方法,如图2所示,该故障检测方法包括:
S201,获取光伏电站在指定时间段内的多个实时光伏发电功率,并获取光伏电站在指定时间段内的气温、风速、太阳辐射强度和电能表测量精度中的至少一个。
本申请实施例中的指定时间段可以根据实际需求设置。
在一个示例中,指定时间段可设置为24小时;指定时间段内的多个实时光伏发电功率可以包括:指定时间段内的多个时刻的实时光伏发电功率,若指定时间段设置为24小时,可以选取24个时刻作为指定时间段内的多个时刻,每两个时刻的间隔可以是一个小时,也可以选取其它具体时刻和时间间隔。
在另一个示例中,指定时间段可设置为7天;指定时间段内的多个实时光伏发电功率可以包括:7×24个时刻(即每天选取24个时刻)的实时光伏发电功率,每两个时刻的间隔可以是一个小时,也可以选取其它具体时刻和时间间隔。
S202,根据多个实时光伏发电功率,确定光伏电站在指定时间段内的光伏发电功率ysi。
可选地,对指定时间段内的多个实时光伏发电功率进行拟合,得到指定时间段内的光伏发电功率拟合曲线;根据光伏发电功率拟合曲线,确定光伏电站在指定时间段内的光伏发电功率ysi。
在一个示例中,对于编号为s的光伏电站,数据采集系统每隔1小时对该光伏电站的实时光伏发电功率进行采集,则一天内采集到的该光伏电站的实时光伏发电功率可表示为:
Ys=(ys1,ys2,…,ys24)
上式中,ys1表示第1个时刻的光伏电站s的实时光伏发电功率,ys2表示第2个时刻的光伏电站s的实时光伏发电功率,ys24表示第24个时刻的光伏电站s的实时光伏发电功率。
采用最小二乘法,对光伏电站s一天内的各个实时光伏发电功率进行10阶拟合,可得到光伏发电功率拟合曲线,根据该光伏发电功率拟合曲线,可由下述表达式确定出光伏电站在指定时间段内的光伏发电功率为:
上式中,fsj为第j阶拟合系数,该系数可根据实际需求设置,例如根据一天内各个时刻的实时光伏发电功率来设定;为一天内的第i个时刻。
在另一个示例中,对于编号为s的光伏电站,数据采集系统每隔1小时对该光伏电站的实时光伏发电功率进行采集,则7天内采集到的该光伏电站的实时光伏发电功率可表示:
上式中,ys11表示光伏电站s在第1天第1个时刻的实时光伏发电功率,ys71表示光伏电站s在第7天第1个时刻的实时光伏发电功率,ys124表示光伏电站s在第1天第24个时刻的实时光伏发电功率,ys724表示光伏电站s在第7天第24个时刻的实时光伏发电功率。
S203,根据气温、风速、太阳辐射强度和电能表测量精度中的至少一个,以及预先训练出的神经网络模型,确定光伏电站在指定时间段内的功率预测值和预测误差
本申请实施例中的神经网络模型的基本原理如图3所示,输入层接收历史数据并将该历史数据输出至隐含层,隐含层对历史数据进行计算和训练,输出层输出训练结果(如本申请实施例中的功率预测值和预测误差)。
在一个可选的实施方式中,对神经网络模型进行预先训练的方式,包括:获取光伏电站的多个历史环境参数和多个历史光伏发电功率;根据多个历史环境参数和多个历史光伏发电功率,确定神经网络模型。
可选地,本申请实施例中历史环境参数可以包括:历史气温T气、历史风速V、历史太阳辐射强度G和历史电能表测量精度d中的至少一个;本申请实施例中的多个历史环境参数可以包括:多个时刻测得的历史气温T气、历史风速V、历史太阳辐射强度G和历史电能表测量精度d中的至少一个。
由于环境参数的变化会影响光伏电站中光伏电池板的输出功率,通常情况下,环境参数与光伏电池板的输出功率具有一定的对应关系。例如,通常光伏太阳能电池板的峰值功率温度系数在-0.38~-0.44%/℃之间,即温度每升高1℃,光伏电池板的输出功率会降低0.4%左右,20℃时太阳能电池板的输出功率最高,比70℃时功率高20%左右。
当历史环境参数包括历史气温T气、历史风速V、历史太阳辐射强度G和历史电能表测量精度d时,该对应关系可以表示为:
y=f(G,d,V,T气)
光伏电池板的输出功率和光伏电池板感光表面的太阳辐射强度满足如下关系:光伏电池板的感光面积×光伏电池板感光表面的平均太阳辐射强度×转化效率=光伏电池板的输出功率,且光伏电池板的感光面积和转化效率通常为常数,由此可知,光伏电池板的历史输出功率y和历史太阳辐射强度G呈线性关系。
基于历史环境参数和光伏电池板的历史输出功率y的上述对应关系,在另一个可选的实施方式中,对神经网络模型进行预先训练的方式,包括:获取光伏电站的多个历史环境参数和多个历史光伏发电功率;根据历史环境参数,确定光伏电池板的历史输出功率y;根据实时环境参数、实时输出功率和实时光伏发电功率,确定神经网络模型。
本申请实施例对历史环境参数的数量不作限定,可以是任意多个,历史环境参数越多,训练神经网络模型的样本数据越多,训练出的神经网络模型越准确。
S204,判断光伏发电功率ysi与功率预测值的差值的绝对值是否大于预测误差的绝对值;若是,则确定光伏电站在指定时间段内存在故障并执行S205,若否,则确定光伏电站在指定时间段内不存在故障执行S206。
步骤S204若用公式表达,即判断是否满足若满足,则确定光伏电站在指定时间段内存在故障并执行S205,若否,则确定光伏电站在指定时间段内不存在故障执行S206。
S205,发出故障反馈信息。
故障反馈信息用于指示光伏电站在指定时间段内存在故障,故障反馈信息可以多种形式通过显示界面向用户展示,例如文字形式、声音形式、颜色标识形式等。
S206,发出正常反馈信息。
正常反馈信息用于指示光伏电站在指定时间段内正常运行、不存在故障,正常反馈信息可以多种形式通过显示界面向用户展示,例如文字形式、声音形式、颜色标识形式等。
本申请实施例中的光伏电站均指处于并网状态任意区域的光伏电站,本申请实施例可适用于多个区域的多个光伏电站,可同时对多个区域的多个光伏电站进行故障检测;若目标区域中存在在指定时间段内处于离网状态的光伏电站,需要将该处于离网状态的光伏电站剔除。
例如,对于一个10kV台区中的M个光伏电站,数据采集系统一天内对这M个光伏电站的光伏发电功率进行测量,每小时采集一次测量数据,可得到一个光伏发电功率测量矩阵:
上式中,y11表示所属台区第一个光伏电站在第1个时刻的实时光伏发电功率,yM1表示所属台区第M个光伏电站在第1个时刻的实时光伏发电功率,y124表示所属台区第一个光伏电站在第24个时刻的实时光伏发电功率,yM24表示所属台区第M个光伏电站在第24个时刻的实时光伏发电功率。
若上述M个光伏电站中存在M-N个光伏电站在当天没有并网,而是全天处于离网状态,则需要将该M-N个光伏电站剔除,在后续的相关运算中,只考虑N个全天并网的光伏电站。
例如,在对M个光伏电站的光伏发电功率进行累加运算时,只对其中的N个全天并网的光伏电站的光伏发电功率进行累加,累加的表达式如下:
上式中,YN表示N个全天并网的光伏电站的光伏发电功率的累加结果,yl表示第l个全天并网的光伏电站的光伏发电功率。
应用本申请的实施例二,至少可以实现如下有益效果:
1)本申请实施例采用最小二乘法对指定时间段内的各个实时光伏发电功率进行拟合,可基于实际采集的数据对未采集的数据进行估算,从而寻求最优的拟合曲线,基于该拟合曲线确定光伏电站在指定时间段内的光伏发电功率更加精确。
2)本申请实施例可为目标区域(如10kV台区)的AGC(Automatic GenerationControl,自动发电控制)调度、以及光伏电站的现场检修提供更精确的故障监测数据,以满足目标区域的调度需求以及精准检修的需求。
实施例三
基于同一发明构思,本申请实施例提供了一种光伏电站的故障检测装置,如图4所示,该光伏电站的故障检测装置400包括:数据获取模块401、预测值确定模块402以及故障判断模块403。
数据获取模块401,用于获取光伏电站在指定时间段内的光伏发电功率ysi和环境参数。
预测值确定模块402,用于根据环境参数中和预先训练出的神经网络模型,确定光伏电站在指定时间段内的功率预测值和预测误差。
故障判断模块403,用于根据光伏发电功率ysi、功率预测值和预测误差判断光伏电站在指定时间段内是否存在故障。
可选地,数据获取模块401具体用于获取光伏电站在指定时间段内的多个实时光伏发电功率;根据多个实时光伏发电功率,确定光伏电站在指定时间段内的光伏发电功率。
可选地,数据获取模块401具体用于对指定时间段内的多个实时光伏发电功率进行拟合,得到指定时间段内的光伏发电功率拟合曲线;根据光伏发电功率拟合曲线,确定光伏电站在指定时间段内的光伏发电功率。
可选地,预测值确定模块402具体用于:根据气温、风速、太阳辐射强度和电能表测量精度中的至少一个,以及预先训练出的神经网络模型,确定光伏电站在指定时间段内的功率预测值和预测误差。
可选地,故障判断模块403具体用于判断光伏发电功率与功率预测值的差值的绝对值是否大于预测误差的绝对值;当光伏发电功率与功率预测值的差值的绝对值大于预测误差的绝对值,则确定光伏电站在指定时间段内存在故障并发出故障反馈信息;若光伏发电功率与功率预测值的差值的绝对值小于或等于预测误差的绝对值,则确定光伏电站在指定时间段内不存在故障并发出正常反馈信息。
本实施例的光伏电站的故障检测装置400可执行本申请实施例一至二所提供的光伏电站的故障检测方法,其实现原理和有益效果相类似,此处不再赘述。
实施例四
基于同一发明构思,本申请实施例提供了一种光伏电站的故障检测设备,如图5所示,该光伏电站的故障检测设备500包括:存储器501和处理器502。
本申请实施例中的存储器501上存储有计算机程序,该计算机程序由处理器502执行以实现本申请实施例一至二所提供的光伏电站的故障检测方法。
本申请实施例中的存储器501可以是ROM(Read-Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,可以是RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically Erasable Programmable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact Disc Read-Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
本申请实施例中的处理器502可以是CPU(Central Processing Unit,中央处理器)、通用处理器、DSP(Digital Signal Processor,数据信号处理器)、ASIC(ApplicationSpecific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable GateArray,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器502也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
本技术领域技术人员可以理解,本申请实施例提供的光伏电站的故障检测设备500可以为所需的目的而专门设计和制造,或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序,这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如,计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中。
本申请实施例提供的光伏电站的故障检测设备500,与前面所述的各实施例具有相同的发明构思及相同的有益效果,在此不再赘述。
实施例五
基于同一发明构思,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请实施例一至二所提供的光伏电站的故障检测方法。
所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM、RAM、EPROM(Erasable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM、闪存、磁性卡片或光线卡片。也就是,可读介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。
本申请实施例提供的计算机可读存储介质,与前面所述的各实施例具有相同的发明构思及相同的有益效果,在此不再赘述。
本技术领域技术人员可以理解,本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种光伏电站的故障检测方法,其特征在于,包括:
获取光伏电站在指定时间段内的光伏发电功率和环境参数;
根据环境参数中和预先训练出的神经网络模型,确定所述光伏电站在所述指定时间段内的功率预测值和预测误差;
根据所述光伏发电功率、所述功率预测值和预测误差,判断所述光伏电站在指定时间段内是否存在故障。
2.根据权利要求1所述的方法,其特征在于,所述获取光伏电站在指定时间段内的光伏发电功率,包括:
获取所述光伏电站在所述指定时间段内的多个实时光伏发电功率;
根据多个所述实时光伏发电功率,确定所述光伏电站在所述指定时间段内的光伏发电功率。
3.根据权利要求2所述的方法,其特征在于,所述根据多个所述实时光伏发电功率,确定所述光伏电站在所述指定时间段内的光伏发电功率,包括:
对所述指定时间段内的多个实时光伏发电功率进行拟合,得到所述指定时间段内的光伏发电功率拟合曲线;
根据所述光伏发电功率拟合曲线,确定所述光伏电站在所述指定时间段内的所述光伏发电功率。
4.根据权利要求1所述的方法,其特征在于,所述环境参数包括:气温、风速、太阳辐射强度和电能表测量精度中的至少一个;
以及,所述根据环境参数中和预先训练出的神经网络模型,确定所述光伏电站在所述指定时间段内的功率预测值和预测误差,包括:
根据所述气温、所述风速、所述太阳辐射强度和所述电能表测量精度中的至少一个,以及预先训练出的所述神经网络模型,确定所述光伏电站在所述指定时间段内的所述功率预测值和所述预测误差。
5.根据权利要求1所述的方法,其特征在于,对所述神经网络模型进行预先训练的方式,包括:
获取所述光伏电站在多个历史环境参数和多个历史光伏发电功率;
根据多个所述历史环境参数和多个所述历史光伏发电功率,确定所述神经网络模型。
6.根据权利要求1所述的方法,其特征在于,对所述神经网络模型进行预先训练的方式,包括:
获取所述光伏电站的多个历史环境参数和多个历史光伏发电功率;
根据所述历史环境参数,确定光伏电池板的历史输出功率y;
根据所述历史环境参数、所述历史输出功率和所述历史光伏发电功率,确定所述神经网络模型。
7.根据权利要求1所述的方法,其特征在于,所述根据所述光伏发电功率、所述功率预测值和预测误差,判断所述光伏电站在指定时间段内是否存在故障,包括:
判断所述光伏发电功率与所述功率预测值的差值的绝对值是否大于所述预测误差的绝对值;
若是,则发出故障反馈信息;
若否,则发出正常反馈信息。
8.一种光伏电站的故障检测装置,其特征在于,包括:
数据获取模块,用于获取光伏电站在指定时间段内的光伏发电功率和环境参数;
预测值确定模块,用于根据环境参数中和预先训练出的神经网络模型,确定所述光伏电站在所述指定时间段内的功率预测值和预测误差;
故障判断模块,用于根据所述光伏发电功率、所述功率预测值和预测误差,判断所述光伏电站在指定时间段内是否存在故障。
9.一种光伏电站的故障检测设备,其特征在于,包括:存储器和处理器,所述存储器存储有计算机程序,所述计算机程序由所述处理器执行以实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811068708.5A CN109150100A (zh) | 2018-09-13 | 2018-09-13 | 光伏电站的故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811068708.5A CN109150100A (zh) | 2018-09-13 | 2018-09-13 | 光伏电站的故障检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109150100A true CN109150100A (zh) | 2019-01-04 |
Family
ID=64825233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811068708.5A Pending CN109150100A (zh) | 2018-09-13 | 2018-09-13 | 光伏电站的故障检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109150100A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110391783A (zh) * | 2019-07-25 | 2019-10-29 | 国网电子商务有限公司 | 基于边缘计算的分布式光伏电站故障监测方法及装置 |
CN112036634A (zh) * | 2020-08-26 | 2020-12-04 | 阳光电源股份有限公司 | 光伏发电功率的确定方法、预测系统及可读存储介质 |
CN114185324A (zh) * | 2021-10-25 | 2022-03-15 | 华能澜沧江水电股份有限公司 | 自动发电控制程序的异常点检测方法、装置及计算机设备 |
CN115587642A (zh) * | 2022-06-22 | 2023-01-10 | 大唐海南能源开发有限公司 | 一种基于bp神经网络的光伏系统故障告警方法 |
CN115940806A (zh) * | 2023-01-10 | 2023-04-07 | 柏腾数科(杭州)科技有限公司 | 一种光伏发电系统及其故障诊断方法 |
CN116031955A (zh) * | 2023-03-31 | 2023-04-28 | 赫里欧新能源有限公司 | 一种微电网型风光柴热储智能互补电力供应方法及系统 |
CN117318024A (zh) * | 2023-09-19 | 2023-12-29 | 华能澜沧江水电股份有限公司 | 基于cnn神经网络的光伏发电功率预测管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566435A (zh) * | 2012-02-17 | 2012-07-11 | 冶金自动化研究设计院 | 一种光伏电站的性能预报及故障报警方法 |
CN103904682A (zh) * | 2014-03-18 | 2014-07-02 | 许继电气股份有限公司 | 一种基于风光混合模型的功率预测方法 |
CN104050517A (zh) * | 2014-06-27 | 2014-09-17 | 哈尔滨工业大学 | 基于grnn神经网络的光伏发电预测方法 |
CN107134978A (zh) * | 2017-06-06 | 2017-09-05 | 中盛阳光新能源科技有限公司 | 一种发电量曲线判别光伏组件故障的方法 |
-
2018
- 2018-09-13 CN CN201811068708.5A patent/CN109150100A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566435A (zh) * | 2012-02-17 | 2012-07-11 | 冶金自动化研究设计院 | 一种光伏电站的性能预报及故障报警方法 |
CN103904682A (zh) * | 2014-03-18 | 2014-07-02 | 许继电气股份有限公司 | 一种基于风光混合模型的功率预测方法 |
CN104050517A (zh) * | 2014-06-27 | 2014-09-17 | 哈尔滨工业大学 | 基于grnn神经网络的光伏发电预测方法 |
CN107134978A (zh) * | 2017-06-06 | 2017-09-05 | 中盛阳光新能源科技有限公司 | 一种发电量曲线判别光伏组件故障的方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110391783A (zh) * | 2019-07-25 | 2019-10-29 | 国网电子商务有限公司 | 基于边缘计算的分布式光伏电站故障监测方法及装置 |
CN112036634A (zh) * | 2020-08-26 | 2020-12-04 | 阳光电源股份有限公司 | 光伏发电功率的确定方法、预测系统及可读存储介质 |
CN114185324A (zh) * | 2021-10-25 | 2022-03-15 | 华能澜沧江水电股份有限公司 | 自动发电控制程序的异常点检测方法、装置及计算机设备 |
CN114185324B (zh) * | 2021-10-25 | 2024-04-02 | 华能澜沧江水电股份有限公司 | 自动发电控制程序的异常点检测方法、装置及计算机设备 |
CN115587642A (zh) * | 2022-06-22 | 2023-01-10 | 大唐海南能源开发有限公司 | 一种基于bp神经网络的光伏系统故障告警方法 |
CN115587642B (zh) * | 2022-06-22 | 2023-07-11 | 大唐海南能源开发有限公司 | 一种基于bp神经网络的光伏系统故障告警方法 |
CN115940806A (zh) * | 2023-01-10 | 2023-04-07 | 柏腾数科(杭州)科技有限公司 | 一种光伏发电系统及其故障诊断方法 |
CN116031955A (zh) * | 2023-03-31 | 2023-04-28 | 赫里欧新能源有限公司 | 一种微电网型风光柴热储智能互补电力供应方法及系统 |
CN117318024A (zh) * | 2023-09-19 | 2023-12-29 | 华能澜沧江水电股份有限公司 | 基于cnn神经网络的光伏发电功率预测管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109150100A (zh) | 光伏电站的故障检测方法、装置、设备及存储介质 | |
CN110471024B (zh) | 一种基于量测数据分析的智能电表在线远程校验方法 | |
CN102393877B (zh) | 一种桥梁结构钢箱梁随机温度场的模拟方法 | |
CN102269124B (zh) | 超短期风电场发电功率预测系统 | |
CN104076224B (zh) | 一种用电信息采集设备可靠性验证的试验方法 | |
CN103679282B (zh) | 风电功率爬坡的预测方法 | |
CN110378504B (zh) | 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法 | |
CN107229824A (zh) | 光伏电站发电单元功率曲线建模方法及装置 | |
CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
CN106126944A (zh) | 一种电力变压器顶层油温区间预测方法及系统 | |
CN110210670A (zh) | 一种基于电力系统短期负荷的预测方法 | |
US11551323B2 (en) | Ensuring safe servicing in a low-voltage network of the electric power distribution system | |
CN110070223A (zh) | 一种应用于新建风电场的短期功率预测方法 | |
Mohan et al. | Solar energy disaggregation using whole-house consumption signals | |
CN105160595A (zh) | 基于多时间尺度出力评估的分布式光伏窃电监管方法 | |
CN108710966B (zh) | 一种基于多簇esn神经网络的光伏发电功率预测方法 | |
CN117335411B (zh) | 一种光伏电站群的中长期发电量预测方法 | |
CN104574211A (zh) | 基于风险源的电网调度操作风险预警方法和系统 | |
CN109543993A (zh) | 分析光伏电站的方法、计算机存储介质及计算机设备 | |
JP6005318B2 (ja) | 発電量評価装置、発電量評価方法および発電量評価プログラム | |
CN104462839A (zh) | 基于风功率波动强度瞬时模型的风电不确定性估计方法 | |
CN104201712B (zh) | 一种基于空间平均风速的风电功率实时预测计算方法 | |
CN111445036A (zh) | 光伏电站清洗频率的动态调整方法及存储介质 | |
US20150066449A1 (en) | Solar farm and method for forecasting solar farm performance | |
KR20210015168A (ko) | 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |