CN110705727B - 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 - Google Patents
基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 Download PDFInfo
- Publication number
- CN110705727B CN110705727B CN201910945086.8A CN201910945086A CN110705727B CN 110705727 B CN110705727 B CN 110705727B CN 201910945086 A CN201910945086 A CN 201910945086A CN 110705727 B CN110705727 B CN 110705727B
- Authority
- CN
- China
- Prior art keywords
- shielding
- power station
- random forest
- diagnosis
- solar
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 93
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 238000010248 power generation Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 29
- 239000006185 dispersion Substances 0.000 claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 2
- 238000012423 maintenance Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本公开提出了基于随机森林算法的光伏电站阴影遮挡诊断方法及系统,对光伏电站逆变器基础遥测数据进行转换,得到与光伏组件遮挡故障相关的组串直流侧电流的离散率、太阳高度角、太阳方位角以及电站光伏组件的瞬时发电水平关键特征参数;构建随机森林遮挡诊断模型并进行训练获得优化参数;将待测电站的电流的离散率、电站的瞬时发电水平、太阳高度角、太阳方位角输入至优化好的随机森林遮挡诊断模型进行诊断,获得遮挡诊断结果并在遮挡诊断结果上进行遮挡方位的判断。能够在无需人为干预的条件下准确的判断阴影遮挡的方向和遮挡时长,诊断结果可通过系统平台反馈给现场运维人员,使得存在遮挡故障的电站得到及时的处理。
Description
技术领域
本公开涉及计算机技术领域,特别是涉及基于随机森林算法的光伏电站阴影遮挡诊断方法及系统。
背景技术
太阳能作为一种来源直接、资源量最大、分布最广、发展潜力巨大的清洁能源,正在逐步成为未来世界最主要的能源。在实际工作环境中,光伏组件的输出特性除了受太阳辐射角、光照强度等因素影响外,还易受到建筑物、树木、云层及组件表面颗粒物的遮挡,从而使其在局部阴影状态下工作。
发明人在研究中发现,结合光伏扶贫工程中村级电站数量多、分布广、容量小,人工巡检运维成本很高,且不同季节、不同时刻的太阳高度角与方位角不同,难以通过现场巡检及时消缺等特点,目前主流的方法为通过红外摄像机采集组件表面温度分布情况从而识别遮挡,以及基于信号反射的离线诊断,无法适用于电站数量庞大的村级分布式扶贫电站阴影遮挡诊断。
发明内容
本说明书实施方式的目的是提供基于随机森林算法的光伏电站阴影遮挡诊断方法,解决了在无需人为干预的条件下准确的判断阴影遮挡的方向和遮挡时长的问题,进而通过系统平台反馈给现场运维人员,使得存在遮挡故障的电站得到及时的处理,节约人力成本,最终实现光伏电站发电效率最大化。
本说明书实施方式提供基于随机森林算法的光伏电站阴影遮挡诊断方法,通过以下技术方案实现:
包括:
对光伏电站逆变器基础遥测数据进行转换,得到与光伏组件遮挡故障相关的组串直流侧电流的离散率、太阳高度角、太阳方位角以及电站光伏组件的瞬时发电水平关键特征参数;
构建随机森林遮挡诊断模型并进行训练获得优化参数;
将待测电站的电流的离散率、电站的瞬时发电水平、太阳高度角、太阳方位角输入至优化好的随机森林遮挡诊断模型进行诊断,获得遮挡诊断结果并在遮挡诊断结果上进行遮挡方位的判断。
进一步的技术方案,电站光伏组件的瞬时发电水平在计算时:
将电站按地理位置划分为若干个组,每组电站不少于设定座,通过变权重法用运行状态良好的电站发电水平作为组内标杆;
定义电站装机容量、组内电站数量,计算组内电站的标杆发电量;
计算每个电站的实际小时发电量与标杆电量比值;
将所有比值进行归一化,得光伏组件瞬时发电水平。
进一步的技术方案,太阳高度角在计算时:
基于电站所在的当地的真太阳时计算太阳时角;
基于太阳时角、电站纬度、太阳赤纬计算太阳高度角。
进一步的技术方案,太阳方位角在计算时:
基于太阳高度角、太阳时角、电站纬度、太阳赤纬计算太阳方位角。
进一步的技术方案,计算直流侧电流离散率时:
设定电站内组串条数,定义各组串电流,定义电站内各组串电流的平均值,计算电流离散率。
进一步的技术方案,构建随机森林遮挡诊断模型并进行训练获得优化参数:
按照信息增益分裂规则建立决策树;
建立随机森林遮挡诊断模型:
从原始训练集中随机又放回采样选出m个样本,共进行n次采样,生成n个训练集,并训练n个决策树模型;
对于每一个个决策树模型,根据信息增益选择最好的特征进行分裂,直到该节点的所有训练样例都属于同一类;
将生成的多棵决策树组成随机森林遮挡诊断模型,按照每棵树分类器投票决定最终分类结果;
利用网格搜索法对模型参数进行优化,选择最优参数组合。
进一步的技术方案,根据诊断结果对遮挡物的方位进行判断,具体方法为:根据一天内的各个时刻太阳方位角与阴影方位对应关系,大致将遮挡物的方位定为5个方向,时刻与遮挡物方位的对应表如下表:
本说明书实施方式提供基于随机森林算法的光伏电站阴影遮挡诊断服务器,通过以下技术方案实现:
包括:
数据转换模块,被配置为:对光伏电站逆变器基础遥测数据进行转换,得到与光伏组件遮挡故障相关的组串直流侧电流的离散率、太阳高度角、太阳方位角以及电站光伏组件的瞬时发电水平关键特征参数;
模型建立模块,被配置为:构建随机森林遮挡诊断模型并进行训练获得优化参数;
遮挡判断模块,被配置为:将待测电站的电流的离散率、电站的瞬时发电水平、太阳高度角、太阳方位角输入至优化好的随机森林遮挡诊断模型进行诊断,获得遮挡诊断结果并在遮挡诊断结果上进行遮挡方位的判断。
本说明书实施方式提供基于随机森林算法的光伏电站阴影遮挡诊断系统,通过以下技术方案实现:
包括:
逆变器,采集现场光伏电站数据,包括组串电流;
服务器,接收逆变器上传的采集数据并被配置为执行:
对光伏电站逆变器基础遥测数据进行转换,得到与光伏组件遮挡故障相关的组串直流侧电流的离散率、太阳高度角、太阳方位角以及电站光伏组件的瞬时发电水平关键特征参数;
构建随机森林遮挡诊断模型并进行训练获得优化参数;
将待测电站的电流的离散率、电站的瞬时发电水平、太阳高度角、太阳方位角输入至优化好的随机森林遮挡诊断模型进行诊断,获得遮挡诊断结果并在遮挡诊断结果上进行遮挡方位的判断;
展示终端,将接收服务器所推送的诊断结果。
本说明书实施方式提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现基于随机森林算法的光伏电站阴影遮挡诊断方法的步骤。
本说明书实施方式提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现基于随机森林算法的光伏电站阴影遮挡诊断方法的步骤。
与现有技术相比,本公开的有益效果是:
本公开对逆变器基础遥测数据进行转换,得到与光伏组件遮挡故障相关的组串直流侧电流的离散率、太阳高度角方位角以及电站的瞬时发电水平等关键特征参数,构建了随机森林遮挡诊断模型。基于行业大数据进行训练,对随机森林算法中决策树的两种不同分裂方式得到的准确率进行了对比分析,从而选择了一种更优的模型,并利用网格搜索法和K折交叉验证法对随机森林算法中各参数进行了优化,可对分布式光伏电站的遮挡情况进行判断,并通过已有专家系统判断遮挡方向。旨在解决分布式光伏电站分布广,数量多,遮挡问题难以人工发现的问题,无需增设额外设备即可对分布式光伏电站出现的遮挡问题进行诊断,准确率能达到百分之九十以上。能够在无需人为干预的条件下准确的判断阴影遮挡的方向和遮挡时长,诊断结果可通过系统平台反馈给现场运维人员,使得存在遮挡故障的电站得到及时的处理。节约了人力成本,在保证发电量的同时避免了不必要的经济损失,有助于政府对电站的监管以及责任的追溯。
本公开无需通过人工制定阈值比较判断遮挡,根据已有遮挡数据训练出的遮挡模型可以自动判断该电站是否存在遮挡。本公开可根据模型诊断结果判断遮挡物出现的大体方位。本公开避免现场运维人员对电站进行逐个考察和维护,降低了运维成本。本公开模型建立在已有数据上,无需增设附加设备,降低了成本。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例子的阴影遮挡诊断模型流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例子一
参见附图1所示,该实施例公开了基于随机森林算法的光伏电站阴影遮挡诊断方法,包括:
对数据进行预处理,包括基于遮挡机理分析的数据变换:对光伏电站逆变器基础遥测数据(包括直流侧各组串各时间点电流值、电压值)进行转换,得到与光伏组件遮挡故障相关的组串直流侧电流的离散率、太阳高度角、太阳方位角以及电站光伏组件的瞬时发电水平关键特征参数;上述数据参数能够表征不同时间点的电站遮挡程度;
遮挡诊断模型的训练及优化:构建随机森林遮挡诊断模型并进行训练获得优化参数;
利用建立好的模型进行遮挡诊断:将待测电站的电流的离散率、电站的瞬时发电水平、太阳高度角、太阳方位角输入至优化好的随机森林遮挡诊断模型进行诊断,获得遮挡诊断结果并在遮挡诊断结果上进行遮挡方位的判断。
具体实施例子中,计算光伏组件瞬时发电水平η:
将电站按地理位置划分为20个组,每组电站不少于25座,通过变权重法用运行状态良好的电站发电水平作为组内标杆。
定义Cj为该电站装机容量,n为组内电站数量,计算组内第j个电站的标杆发电量Wsj,公式为:
TM为组内最大等效利用小时数,计算等效利用小时数Ti,计算公式为:
此处W为发电量,Wi代表第i个电站的实际发电量。
计算第j个电站的实际小时发电量与标杆电量比值Aj,公式为:
取AM=Max(A1,…,An)对A进行归一化,得光伏组件瞬时发电水平η:
在具体实施例子中,计算太阳高度角与方位角:
计算太阳时角t,其中ST为当地的真太阳时,太阳时角计算公式为:
t=15×(ST-12)
计算太阳高度角hs,其中电站纬度为φ太阳赤纬为β,均可查《全国主要城市经纬度表》,或直接检索目标地区经纬度得到。计算公式为:
hs=arcsin(sinφ×sinβ+cosφ×cosβ×cost)
计算太阳方位角,公式为:
计算直流侧电流离散率,步骤为
计算电流离散率δ,公式为:
遮挡诊断模型的训练及优化具体方法为:
按照信息增益分裂规则建立决策树过程如下:
上文述及的“组串直流侧电流的离散率、太阳高度角、太阳方位角以及电站光伏组件的瞬时发电水平关键特征参数”构成数据集中的数据。这些数据是分布式电站的具体参数。
计算信息熵,其中pk代表数据集D中每个类别所占样本总数的比例,以离散率为例,高离散率为一类、中等离散率为一类、低离散率为一类。文中指各类样本数占总样本数的比例,如高离散率样本占总样本的比例。
信息熵计算公式为:
计算按照属性A划分子集D1、D2所需的期望信息,其公式为:
计算属性A的信息增益,其公式为:
Gain(A)=Entropy(D)-EntropyA(D)
依次计算出各个特征属性划分下的样本D的信息增益;
找出对应信息增益最小的最优切分特征及取值,并判断是否符合分裂停止条件,否则输出最优切分点,递归建立决策树。
建立随机森林遮挡诊断模型;
从原始训练集中随机又放回采样选出m个样本,共进行n次采样,生成n个训练集,并训练n个决策树模型。原始训练集即为上文中训练决策树所构建的训练集。
对于每一个个决策树模型,根据信息增益选择最好的特征进行分裂,直到该节点的所有训练样例都属于同一类。
将生成的多棵决策树组成随机森林遮挡诊断模型,按照每棵树分类器投票决定最终分类结果。
利用网格搜索法对模型参数进行优化,选择最优参数组合。
利用建立好的模型进行遮挡诊断的具体方法为:
输入需要进行遮挡诊断电站的特征参数;
得到诊断结果。
根据诊断结果对遮挡物的方位进行判断,具体方法为:根据一天内的各个时刻太阳方位角与阴影方位对应关系,可大致将遮挡物的方位定为5个方向,时刻与遮挡物方位的对应表如下表一:
表一
随机森林算法是一种基于统计学习理论的组合分类器,该算法能较好地解决单分类器在性能上无法提升的瓶颈,能应用于各种分类筛选和预测中。目前,对随机森林算法优化主要集中在三个方面:一是引进新的算法,二是对将数据预处理融入到算法中,三是针对算法自身构建过程进行优化。通过构造随机森林遮挡诊断模型,利用行业大数据进行训练,能够判断出分布式光伏电站有无遮挡,并结合已有的专家系统判断出遮挡物的具体方位。在光伏电站实际的运行维护过程中,由于分布式电站数量多,分布较为分散。相比于目前主流的通过红外摄像机采集组件表面温度分布情况从而识别遮挡的方法,以及基于信号反射的离线诊断法,本公开提出的方法更好地适用于电站数量庞大的村级分布式扶贫电站阴影遮挡诊断。
结合光伏扶贫工程中村级电站数量多、分布广、容量小,人工巡检运维成本很高,且不同季节、不同时刻的太阳高度角与方位角不同,难以通过现场巡检及时消缺等特点,本文提出的基于随机森林算法的光伏组件固定物遮挡判别方法解决了在无需人为干预的条件下准确的判断阴影遮挡的方向和遮挡时长的问题,进而通过系统平台反馈给现场运维人员,使得存在遮挡故障的电站得到及时的处理,节约人力成本,最终实现光伏电站发电效率最大化。
实施例子二
本说明书实施方式提供基于随机森林算法的光伏电站阴影遮挡诊断服务器,通过以下技术方案实现:
包括:
数据转换模块,被配置为:对光伏电站逆变器基础遥测数据进行转换,得到与光伏组件遮挡故障相关的组串直流侧电流的离散率、太阳高度角、太阳方位角以及电站光伏组件的瞬时发电水平关键特征参数;
模型建立模块,被配置为:构建随机森林遮挡诊断模型并进行训练获得优化参数;
遮挡判断模块,被配置为:将待测电站的电流的离散率、电站的瞬时发电水平、太阳高度角、太阳方位角输入至优化好的随机森林遮挡诊断模型进行诊断,获得遮挡诊断结果并在遮挡诊断结果上进行遮挡方位的判断。
该实施例子中模块的具体实现过程可参见实施例子一中的具体方法的过程。
实施例子三
本说明书实施方式提供基于随机森林算法的光伏电站阴影遮挡诊断系统,通过以下技术方案实现:
包括:
逆变器,采集现场光伏电站数据,包括组串电流;
服务器,接收逆变器上传的采集数据并被配置为执行:
对光伏电站逆变器基础遥测数据进行转换,得到与光伏组件遮挡故障相关的组串直流侧电流的离散率、太阳高度角、太阳方位角以及电站光伏组件的瞬时发电水平关键特征参数;
构建随机森林遮挡诊断模型并进行训练获得优化参数;
将待测电站的电流的离散率、电站的瞬时发电水平、太阳高度角、太阳方位角输入至优化好的随机森林遮挡诊断模型进行诊断,获得遮挡诊断结果并在遮挡诊断结果上进行遮挡方位的判断;
展示终端,将接收服务器所推送的诊断结果。
随机森林算法使用Python语言实现,现场数据通过逆变器采集并通过DTU传输到系统平台服务器,并使用MySQL数据库集群对数据进行存储和管理。诊断结果可通过系统平台电脑端和手机端实时推送给对应的现场运维人员。
运维平台底层采用SCADA系统和软总线,平台基于MySQL数据库集群对项目数据进行存储和管理。运维平台基于微信开发了手机客户端,可以根据用户角色和权限将告警实时推送给对应的现场人员。
该实施例子中服务器的具体实现过程可参见实施例子一中的具体方法的过程。
实施例子四
本说明书实施方式提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例子一中的基于随机森林算法的光伏电站阴影遮挡诊断方法的步骤。
实施例子五
本说明书实施方式提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例子一中的基于随机森林算法的光伏电站阴影遮挡诊断方法的步骤。
可以理解的是,在本说明书的描述中,参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例~第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料的特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (9)
1.基于随机森林算法的光伏电站阴影遮挡诊断方法,其特征是,包括:
对光伏电站逆变器基础遥测数据进行转换,得到与光伏组件遮挡故障相关的组串直流侧电流的离散率、太阳高度角、太阳方位角以及电站光伏组件的瞬时发电水平关键特征参数;
构建随机森林遮挡诊断模型并进行训练获得优化参数;具体步骤为:
按照信息增益分裂规则建立决策树;
建立随机森林遮挡诊断模型:
从原始训练集中随机又放回采样选出m个样本,共进行n次采样,生成n个训练集,并训练n个决策树模型;
对于每一个决策树模型,根据信息增益选择最好的特征进行分裂,直到节点的所有训练样例都属于同一类;
将生成的多棵决策树组成随机森林遮挡诊断模型,按照每棵树分类器投票决定最终分类结果;
利用网格搜索法对模型参数进行优化,选择最优参数组合;
将待测电站的电流的离散率、电站的瞬时发电水平、太阳高度角、太阳方位角输入至优化好的随机森林遮挡诊断模型进行诊断,获得遮挡诊断结果并在遮挡诊断结果上进行遮挡方位的判断。
2.如权利要求1所述的基于随机森林算法的光伏电站阴影遮挡诊断方法,其特征是,电站光伏组件的瞬时发电水平在计算时:
将电站按地理位置划分为若干个组,每组电站不少于设定座,通过变权重法用运行状态良好的电站发电水平作为组内标杆;
定义电站装机容量、组内电站数量,计算组内电站的标杆发电量;
计算每个电站的实际小时发电量与标杆电量比值;
将所有比值进行归一化,得光伏组件瞬时发电水平。
3.如权利要求1所述的基于随机森林算法的光伏电站阴影遮挡诊断方法,其特征是,太阳高度角在计算时:
基于电站所在的当地的真太阳时计算太阳时角;
基于太阳时角、电站纬度、太阳赤纬计算太阳高度角;
太阳方位角在计算时:
基于太阳高度角、太阳时角、电站纬度、太阳赤纬计算太阳方位角。
4.如权利要求1所述的基于随机森林算法的光伏电站阴影遮挡诊断方法,其特征是,计算直流侧电流离散率时:
设定电站内组串条数,定义各组串电流,定义电站内各组串电流的平均值,计算电流离散率。
6.基于随机森林算法的光伏电站阴影遮挡诊断服务器,其特征是,包括:
数据转换模块,被配置为:对光伏电站逆变器基础遥测数据进行转换,得到与光伏组件遮挡故障相关的组串直流侧电流的离散率、太阳高度角、太阳方位角以及电站光伏组件的瞬时发电水平关键特征参数;
模型建立模块,被配置为:构建随机森林遮挡诊断模型并进行训练获得优化参数;
遮挡判断模块,被配置为:将待测电站的电流的离散率、电站的瞬时发电水平、太阳高度角、太阳方位角输入至优化好的随机森林遮挡诊断模型进行诊断,获得遮挡诊断结果并在遮挡诊断结果上进行遮挡方位的判断。
7.基于随机森林算法的光伏电站阴影遮挡诊断系统,其特征是,包括:
逆变器,采集现场光伏电站数据,包括组串电流;
服务器,接收逆变器上传的采集数据并被配置为执行:
对光伏电站逆变器基础遥测数据进行转换,得到与光伏组件遮挡故障相关的组串直流侧电流的离散率、太阳高度角、太阳方位角以及电站光伏组件的瞬时发电水平关键特征参数;
构建随机森林遮挡诊断模型并进行训练获得优化参数;
将待测电站的电流的离散率、电站的瞬时发电水平、太阳高度角、太阳方位角输入至优化好的随机森林遮挡诊断模型进行诊断,获得遮挡诊断结果并在遮挡诊断结果上进行遮挡方位的判断;
展示终端,将接收服务器所推送的诊断结果。
8.一种计算机设备,其特征是,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-5任一所述的基于随机森林算法的光伏电站阴影遮挡诊断方法的步骤。
9.一种计算机可读存储介质,其特征是,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-5任一所述的基于随机森林算法的光伏电站阴影遮挡诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910945086.8A CN110705727B (zh) | 2019-09-30 | 2019-09-30 | 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910945086.8A CN110705727B (zh) | 2019-09-30 | 2019-09-30 | 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705727A CN110705727A (zh) | 2020-01-17 |
CN110705727B true CN110705727B (zh) | 2022-03-01 |
Family
ID=69197746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910945086.8A Active CN110705727B (zh) | 2019-09-30 | 2019-09-30 | 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705727B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111555716B (zh) * | 2020-03-13 | 2023-07-28 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
CN111539550B (zh) | 2020-03-13 | 2023-08-01 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
CN112396125B (zh) * | 2020-12-01 | 2022-11-18 | 中国第一汽车股份有限公司 | 一种定位测试场景的分类方法、装置、设备及存储介质 |
CN113012274B (zh) * | 2021-03-24 | 2023-07-28 | 北京壳木软件有限责任公司 | 一种阴影渲染的方法、装置以及电子设备 |
CN113254855B (zh) * | 2021-06-28 | 2024-02-02 | 江苏中信博新能源科技股份有限公司 | 一种基于地形的发电增益计算方法和系统 |
CN113419567B (zh) * | 2021-07-05 | 2023-07-14 | 阳光电源(上海)有限公司 | 一种跟踪支架的跟踪角度优化方法及系统 |
CN113949343B (zh) * | 2021-08-31 | 2024-05-28 | 隆基光伏科技(上海)有限公司 | 光伏发电设备的检测方法、装置、电子设备及存储介质 |
CN116526553B (zh) * | 2023-04-07 | 2024-07-23 | 国家电投集团内蒙古新能源有限公司 | 一种提高光伏电站发电能力的管理方法及系统 |
CN117909791B (zh) * | 2024-01-18 | 2024-08-06 | 创维互联(北京)新能源科技有限公司 | 基于人工智能的光伏电站阴影遮挡识别与定位方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014063817A (ja) * | 2012-09-20 | 2014-04-10 | Sharp Corp | 太陽光発電システムの発電量推定装置、発電量推定方法、発電量推定プログラム |
CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 福州大学 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463709B (zh) * | 2014-12-12 | 2019-05-21 | 国家电网公司 | 一种基于决策树的变电站告警信息处理方法 |
CN109150104A (zh) * | 2018-08-10 | 2019-01-04 | 江南大学 | 一种基于随机森林算法的光伏阵列故障诊断方法 |
CN109375650B (zh) * | 2018-10-12 | 2021-07-13 | 远景能源(南京)软件技术有限公司 | 不同屋面情况障碍物阴影遮挡计算方法 |
CN110209047B (zh) * | 2019-05-13 | 2020-11-10 | 西安交通大学 | 一种基于残差网络的光伏电站遮挡物定位方法 |
CN110288203B (zh) * | 2019-05-31 | 2023-04-07 | 中国计量大学 | 一种障碍物阴影区域光伏阵列的辐照量损失率动态计算方法 |
-
2019
- 2019-09-30 CN CN201910945086.8A patent/CN110705727B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014063817A (ja) * | 2012-09-20 | 2014-04-10 | Sharp Corp | 太陽光発電システムの発電量推定装置、発電量推定方法、発電量推定プログラム |
CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 福州大学 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110705727A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705727B (zh) | 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 | |
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
Singh et al. | A guide to solar power forecasting using ARMA models | |
JP6759966B2 (ja) | 太陽光発電システムの作動方法 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
KR101958941B1 (ko) | 머신러닝 기반 태양광 발전 제어 시스템 및 방법 | |
Zhang et al. | Optimal graph structure based short-term solar PV power forecasting method considering surrounding spatio-temporal correlations | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
Khalyasmaa et al. | Prediction of solar power generation based on random forest regressor model | |
de Paiva et al. | Intra-day forecasting of building-integrated PV systems for power systems operation using ANN ensemble | |
Kaur et al. | Solar power forecasting using ordinary least square based regression algorithms | |
Wang et al. | Solar power prediction using weather type pair patterns | |
El Shahat et al. | An artificial neural network model for wind energy estimation | |
CN117236720A (zh) | 利用多气象因子特征的光伏电站发电功率预测方法 | |
Almonacid-Olleros et al. | Opera. dl: deep learning modelling for photovoltaic system monitoring | |
CN113902346B (zh) | 一种电力抢修队伍的智能调拨方法 | |
CN115587664A (zh) | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 | |
Monteiro et al. | Evaluation of the performance of a photovoltaic power plant installed in a building in the north of Portugal | |
Ma et al. | Ultra-short-term solar power forecasting based on a modified clear sky model | |
Varughese et al. | Prediction Of Solar Power Generation Based On Machine Learning Algorithm | |
CN113962357A (zh) | 基于gwo-wnn的分布式光伏功率数据虚拟采集方法 | |
Zhou et al. | An explainable recurrent neural network for solar irradiance forecasting | |
Tsafarakis et al. | A density‐based time‐series data analysis methodology for shadow detection in rooftop photovoltaic systems | |
El Hendouzi et al. | Contribution to the management of microgrids by the application of short term photovoltaic power forecasting |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |