CN111475774A - 一种光伏电站设备异常状态检测方法及装置 - Google Patents
一种光伏电站设备异常状态检测方法及装置 Download PDFInfo
- Publication number
- CN111475774A CN111475774A CN202010244308.6A CN202010244308A CN111475774A CN 111475774 A CN111475774 A CN 111475774A CN 202010244308 A CN202010244308 A CN 202010244308A CN 111475774 A CN111475774 A CN 111475774A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic panel
- photovoltaic
- probability density
- density function
- abnormal state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 46
- 230000006870 function Effects 0.000 claims abstract description 78
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 239000000203 mixture Substances 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000009434 installation Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 21
- 238000012423 maintenance Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 241000321453 Paranthias colonus Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000010410 dusting Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000682 scanning probe acoustic microscopy Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明实施例提供一种光伏电站设备异常状态检测方法及装置,该方法包括:根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数;计算各个光伏板概率密度函数中的预设随机向量之间的杰森‑香农散度,得到异常状态检测结果。通过高斯混合模型对光伏板出力进行概率刻画的各个光伏板的概率密度函数,然后通过计算各个光伏板概率密度函数中与安装条件无关的预设随机向量的杰森‑香农散度,从而实现将各个光伏板的运行状态与其他光伏板运行状态进行比较,最终实现故设备异常状态检测。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种光伏电站设备异常状态检测方法及装置。
背景技术
光伏发展迅猛,对场站运维的需求也随之而来。随着间歇性能源上网电价的下跌,运维成本压力不断增大。由于培养专业的运维团队,不仅需要较多人力资源投入,更需要搭配大量计算资源和分析算法,因此针对光伏电站的云运维技术受到极大关注。理想的云运维平台一旦在光伏电站建立起上下行数据接口,即可通过对电站的运行数据进行云分析,判断光伏机组运行状态是否正常,实现在线运维。由于计算资源和分析算法均位于第三方云运维平台的服务器上,光伏电站只需购买云运维服务而无需进行大量设备投资,因此其运维成本显著降低,光伏电站与第三方云运维平台实现双赢。
但是,上述针对光伏电站的云运维技术在落地过程中,仍存在一定的研究瓶颈。对于光伏电站而言,其机组运行状态极易受到风、雨、云等天气因素影响,不仅同机组在相邻时段的运行状态可能存在波动,同时段的不同机组的状态之间也可能存在差异,导致针对确定性状态进行故障筛选的传统判断法失效。
并且现有的基于数据挖掘的光伏故障检测技术主要包括阈值判断法和神经网络法。阈值判断法需要提前对光伏板进行测试来拟合模型参数,并且模型参数需要实时根据实际环境条件进行修正,因此故障判断准确性容易受到所选择的光伏板I-V特性曲线的建模精度及修正公式精度的影响。神经网络法需要对大量带标签的数据进行学习,然而光伏板故障情况复杂且难以获取大量的各种故障条件下的数据,只能判断出提前学习过的部分类型的故障,无法对新出现的故障进行判断。
因此如何有效实现对于光伏电站的设备异常检测已经成为解决云运维技术的关键。
发明内容
本发明实施例提供一种光伏电站设备异常状态检测方法及装置,用以解决上述背景技术中提出的技术问题,或至少部分解决上述背景技术中提出的技术问题。
第一方面,本发明实施例提供一种光伏电站设备异常状态检测方法,包括:
根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数;
计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果。
更具体的,所述根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数的步骤,具体为:
通过高斯混合模型对所有光伏板的出力进行描述,得到所有光伏板出力的联合概率密度函数参数集;
通过求解边缘概率密度函数的方法对所有光伏板出力的联合概率密度函数参数集进行分析处理,得到各个光伏板的概率密度函数参数集。
更具体的,所述各个光伏板概率密度函数中包括与安装条件无关的预设随机向量。
更具体的,所述计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果的步骤,具体为:
计算各个光伏板概率密度函数中的预设随机向量的最小二乘解,得到各个光伏板随机向量最小二乘解;
计算各个光伏板随机向量最小二乘解之间的杰森-香农散度,得到异常状态检测结果。
第二方面,本发明实施例提供一种光伏电站设备异常状态检测装置,包括:
建模模块,用于根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数;
检测模块,用于计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果。
更具体的,所述建模模块具体用于:
通过高斯混合模型对所有光伏板的出力进行描述,得到所有光伏板出力的联合概率密度函数参数集;
通过求借边缘概率密度函数的方法对所有光伏板出力的联合概率密度函数参数集进行分析处理,得到各个光伏板的概率密度函数参数集。
更具体的,所述各个光伏板概率密度函数中包括与安装条件无关的预设随机向量。
更具体的,所述检测模块具体用于:
计算各个光伏板概率密度函数中的预设随机向量的最小二乘解,得到各个光伏板随机向量最小二乘解;
计算各个光伏板随机向量最小二乘解之间的杰森-香农散度,得到异常状态检测结果。
第三方面,本发明实施例提供一种电子设备,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如第一方面所述光伏电站设备异常状态检测方法的步骤。
第四方面,本发明实施例提供一种非暂态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如第一方面所述光伏电站设备异常状态检测方法的步骤。
本发明实施例提供的一种光伏电站设备异常状态检测方法及装置,通过高斯混合模型对光伏板出力进行概率刻画的各个光伏板的概率密度函数,然后通过计算各个光伏板概率密度函数中与安装条件无关的预设随机向量的杰森-香农散度,从而实现将各个光伏板的运行状态与其他光伏板运行状态进行比较,最终实现故设备异常状态检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例中所描述的光伏电站设备异常状态检测方法流程示意图;
图2为本发明一实施例所描述的光伏板均正常运行时光伏板杰森-香农散度示意图;
图3为本发明另一实施例所描述的光伏板均正常运行时光伏板杰森-香农散度示意图;
图4为本发明一实施例所描述的部分光伏板发生劣化、短路、蒙尘或遮挡时光伏板杰森-香农散度示意图;
图5为本发明另一实施例所描述的部分光伏板发生劣化、短路、蒙尘或遮挡时光伏板杰森-香农散度示意图;
图6为本发明一实施例所描述的部分光伏板发生开路故障时光伏板杰森-香农散度示意图;
图7为本发明另一实施例所描述的部分光伏板发生开路故障时光伏板杰森-香农散度示意图;
图8为本发明一实施例所描述的未发生故障时光伏板杰森-香农散度示意图;
图9为本发明另一实施例所描述的未发生故障时光伏板杰森-香农散度示意图;
图10为本发明一实施例所描述的光伏电站设备异常状态检测装置结构示意图;
图11为本发明一实施例所描述的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一实施例中所描述的光伏电站设备异常状态检测方法流程示意图,如图1所示,包括:
步骤S1,根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数;
步骤S2,计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果。
具体的,本发明实施例中所描述的光伏板运行数据可以是指光伏板安装的倾斜角βs和方向角γs,也可以是指光伏板的电流转换系数Co、光伏板正常工作时的工作电压Vmp或光伏板有效辐照度Ee。
为了实现在光伏板内外部条件不相同,如光伏板安装的倾斜角和方向角不同时,仍能通过其他机组进行对比来判断机组运行状态是否正常,首先需要消除倾斜角和方向角对光伏板出力概率分布的影响。因此,必须得到光伏板出力和有效辐照度,受倾角和方向角的影响的解析表达式,并分离出有效辐照度表达式中与倾角和方向角中无关的因式。
光伏板出力Pmp和有效辐照度Ee呈线性关系,公式如下:
Pmp=[Impo(1+γmp(Tc-25))/G0]*VmpCoOEe (1)
有效辐照度与倾角βs和方向角γs的关系可表述为:
Ee=A1cosβs+A2sinβscosγs+A3sinβssinγs+A4 (2)
其中,
A2=DNI·sinZcosγ (4)
A3=DNI·sinZsinγ (5)
进一步简化公式
(C1,C2,C3,C4)T=(A1,A2,A3,A4)T*[Impo(1+γmp(Tc-25))/G0]VmpCoO (7)
代入(2)可得:
Pmp=C1cosβs+C2sinβscosγs+C3sinβssinγs+C4 (8)
根据光伏板运行数据将型号规格一致的光伏板出力Pmp采用高斯分量个数为M的高斯混合模型进行描述即N块光伏板的出力Pmp=(xp1,xp2,...xpN)满足:
其中,M表示高斯分量的总数;μm和σm分别表示第m个高斯分量的均值向量与协方差矩阵。
公式(7)中的C=(C1,C2,C3,C4)是由光伏板出力表达式推导出的一个与安装条件无关的随机向量。向量C即可看作光伏板出力Pmp消除安装条件差异后,一种与安装条件无关的光伏板运行状态,因此在光伏板发生任何导致出力损失的故障时,(C1,C2,C3,C4)T的分布都发生变化。
随后对进行比较的两块光伏板的概率密度函数中的预设随机向量之间的杰森-香农散度,若检测光伏板与其他光伏板之间的杰森-香农散度越大,则故障越严重。
本发明实施例通过高斯混合模型对光伏板出力进行概率刻画的各个光伏板的概率密度函数,然后通过计算各个光伏板概率密度函数中与安装条件无关的预设随机向量的最小二乘解,再计算各个最小二乘解的杰森-香农散度,从而实现将各个光伏板的运行状态与其他光伏板运行状态进行比较,最终实现故设备异常状态检测。
在上述实施例的基础上,所述根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数的步骤,具体为:
通过高斯混合模型对所有光伏板的出力进行描述,得到所有光伏板出力的联合概率密度函数参数集;
通过求解边缘概率密度函数的方法对所有光伏板出力的联合概率密度函数参数集进行分析处理,得到各个光伏板的概率密度函数参数集。
具体的,期望最大化算法(Expectation Maximization,EM)通过E步骤和M步骤的迭代计算估计所有光伏板出力的联合概率密度函数的参数集Ω={ωm,μm,σm;m=1,2,…M},(11)中的协方差非对角元即携带光伏板出力间的相关性信息。
M算法求解参数集Ω={ωm,μm,σm;m=1,2,…M}具体过程如下:
针对GMM中第m个高斯分量的第k次迭代过程为:
然后,每块光伏板的概率密度函数的参数集可以通过求解边缘概率密度函数的方法来获取。Pmp=(xp1,xp2,…xpN)的边缘概率密度表达式为:
其中,n=1,2,…N。对于光伏板数量巨大的场景,可以按照光伏板的地理位置,先将光伏板进行一定的分组,再求解每组光伏板的联合概率密度函数,从而提高求解的效率。
在上述实施例的基础上,所述各个光伏板概率密度函数中包括与安装条件无关的预设随机向量。
具体的,本发明实施例中所描述的安装条件可以是指光伏板安装的倾斜角和方向角。
预设随机向量C可以作为一个运行状态来判断机组是否存在故障的理由如下:
通过以上步骤,每块光伏板的倾角βs、方向角γs和出力Pmp的GMM参数集Ω={ωm,μm,σm;m=1,2,…M}均已知。公式(7)中公因式[Impo(1+γmp(Tc-25))/G0]VmpCoO为一未知系数。对于故障的光伏板,可能出现工作电压Vmp、电流转换系数C0或蒙尘遮光系数O的变化,使该项公因式与正常工作情况下不同。但对于同一块光伏板该公因式为常数,不随时间发生变化。
(A1,A2,A3,A4)T是一个与太阳辐照度有关的分布未知的随机向量。当同一区域的光伏板全部正常运行时,应具有完全相同的分布。然而,开路故障可等效为电流源产生的光电流减小,即可通过减小各时刻的DNI、DHI、GHI来模拟开路故障。因此,发生开路故障时,(A1,A2,A3,A4)T的分布也发生变化。
本发明实施例通过引入与安装条件无关的预设随机向量,从而实现将各个光伏板的运行状态与其他光伏板运行状态进行比较避免了引入外界因素对光伏电站的影响,。
在上述实施例的基础上,所述计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果的步骤,具体为:
计算各个光伏板概率密度函数中的预设随机向量的最小二乘解,得到各个光伏板随机向量最小二乘解;
计算各个光伏板随机向量最小二乘解之间的杰森-香农散度,得到异常状态检测结果。
计算各个光伏板概率密度函数中的预设随机向量的最小二乘解具体为由于求解每块光伏板C的表达式为(C1,C2,C3,C4)T=(cosβs,sinβscosγs,sinβssinγs,1)-1Pmp是一个欠定方程式,因此只能求解向量(cosβs,sinβscosγs,sinβssinγs,1)的伪逆来获得出力Pmp到C的线性变换。任意非零向量x的伪逆满足由此求得这样求出的C=(cosβs,sinβscosγs,sinβssinγs,1)+Pmp为Pmp=B1cosβs+B2sinβs+B3的最佳最小二乘解。
将GMM的线性不变性运用到本实施例中,光伏板n(n=1,2,…N)的出力Pmp采用高斯分量个数为M的GMM描述(参数集为若Bn表示光伏板n的变换矩阵由式(8)Pmp=BnC,光伏板n的随机向量C也可以采用高斯分量个数为M的GMM描述。其中ωm保持不变,GMM的第m个分量满足参数为的高斯分量。各光伏板的随机向量C之间的杰森-香农散度求解过程如下:
设两块光伏板向量C的概率密度分别为fCi(x)和fCj(x),其中i,j为光伏板序号,满足i=1,2,…N,j=1,2,…N。首先,对进行比较的两块光伏板的随机向量Ci,Cj进行随机抽样,抽样个数均为X,xci,xCj分别为随机向量Ci,Cj的一个样本,(XCi,XCi)为样本集。fCi(x)和fCi(x)间的KL散度的表达式如下:
杰森-香农散度的表达式如下:
最后,将所有型号规格相同的光伏板两两之间求解杰森-香农散度,为方便观察,可以根据光伏板两两之间的杰森-香农散度数据得到各光伏板随机向量C之间杰森-香农散度值的色块图。
在本发明另一实施例中,通过算例分析验证了所提出的异常状态检测技术的有效性。在获取了桑迪亚光伏模块数据库中的性能系数和2016年某地太阳能资源信息后,采用SPAM来生成某地2016年光伏板功率的时序数据。算例中可以任意修改光伏板的倾角、方向角和与故障有关的参数来获取不同安装条件及运行状态下的功率数据。
为了验证本方法的有效性,本发明实施例设置部分未发生故障的光伏板由于倾角或方向角设置不当导致功率低于多数光伏板;部分发生故障的光伏板倾角及方向角均设置在最佳角度附近。
图2为本发明一实施例所描述的光伏板均正常运行时光伏板杰森-香农散度示意图,图3为本发明另一实施例所描述的光伏板均正常运行时光伏板杰森-香农散度示意图,在所有光伏板均正常运行的情况下,16块光伏板出力Pmp和C的概率密度的杰森-香农散度如图2和图3所示,C的概率密度的杰森-香农散度小于功率概率分布之间的杰森-香农散度,说明本方法可以在比较有效地消除由倾角差异导致的功率分布不同。
图4为本发明一实施例所描述的部分光伏板发生劣化、短路、蒙尘或遮挡时光伏板杰森-香农散度示意图,图5为本发明另一实施例所描述的部分光伏板发生劣化、短路、蒙尘或遮挡时光伏板杰森-香农散度示意图,由于模拟光伏板劣化、短路、蒙尘或遮挡的参数C0、Vmp、O均出现在C的公因式中,因此减小这三个参数对C的概率分布的影响效果相同。将光伏板1、4的C0、Vmp分别设置为正常运行条件下的0.8倍,光伏板8、14的C0、O分别设置为正常运行条件下的0.85倍,16块光伏板出力Pmp和C的概率密度的杰森-香农散度如图4和图5所示,光伏板1、4、8、14与其他光伏板的C的杰森香农散度绝大多数在0.8-1之间波动,而其他光伏板之间C的杰森香农散度绝大多数在0-0.4之间波动。
图6为本发明一实施例所描述的部分光伏板发生开路故障时光伏板杰森-香农散度示意图,图7为本发明另一实施例所描述的部分光伏板发生开路故障时光伏板杰森-香农散度示意图,模拟光伏板开路故障需要减小各时刻A中的DNI、DHI、GHI。将光伏板1、4的DHI、GHI均为光伏板接收的太阳光散射分量,设置为检测所得的太阳能数据的0.85倍,将光伏板8、14的DNI(光伏板接收的太阳光直射分量)设置为检测所得的太阳能数据的0.9倍。16块光伏板出力Pmp和C的概率密度的杰森-香农散度如图6和图7所示,光伏板1、4、8、14与其他光伏板的C的杰森香农散度绝大多数在0.8-1之间波动,而其他光伏板之间C的杰森香农散度绝大多数在0-0.4之间波动。
图8为本发明一实施例所描述的未发生故障时光伏板杰森-香农散度示意图,图9为本发明另一实施例所描述的未发生故障时光伏板杰森-香农散度示意图,将光伏板1的DHI、GHI设置为0.85,光伏板4的DNI设置为0.85,光伏板8的O设置为正常运行条件下的0.85倍,光伏板14的C0设置为正常运行条件下的0.85倍。16块光伏板出力Pmp和C的概率密度的杰森-香农散度如图8和图9所示,光伏板1、4、8、14与其他光伏板的C的杰森香农散度绝大多数在0.8-1之间波动,而其他光伏板之间C的杰森香农散度绝大多数在0-0.4之间波动。
图10为本发明一实施例所描述的光伏电站设备异常状态检测装置结构示意图,如图10所示,包括:建模模块1010和检测模块1020;其中,建模模块1010用于根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数;其中,检测模块1020用于计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果。
更具体的,所述建模模块具体用于:
通过高斯混合模型对所有光伏板的出力进行描述,得到所有光伏板出力的联合概率密度函数参数集;
通过求借边缘概率密度函数的方法对所有光伏板出力的联合概率密度函数参数集进行分析处理,得到各个光伏板的概率密度函数参数集。
更具体的,所述各个光伏板概率密度函数中包括与安装条件无关的预设随机向量。
更具体的,所述检测模块具体用于:
计算各个光伏板概率密度函数中的预设随机向量的最小二乘解,得到各个光伏板随机向量最小二乘解;
计算各个光伏板随机向量最小二乘解之间的杰森-香农散度,得到异常状态检测结果。
本发明实施例提供的装置是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
本发明实施例通过高斯混合模型对光伏板出力进行概率刻画的各个光伏板的概率密度函数,然后通过计算各个光伏板概率密度函数中与安装条件无关的预设随机向量的杰森-香农散度,从而实现将各个光伏板的运行状态与其他光伏板运行状态进行比较,最终实现故设备异常状态检测。
图11为本发明一实施例所描述的电子设备结构示意图,如图11所示,该电子设备可以包括:处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory)1130和通信总线1140,其中,处理器1110,通信接口1120,存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令,以执行如下方法:根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数;计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果。
此外,上述的存储器1130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数;计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述各实施例提供的方法,例如包括:根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数;计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种光伏电站设备异常状态检测方法,其特征在于,包括:
根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数;
计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果。
2.根据权利要求1所述光伏电站设备异常状态检测方法,其特征在于,所述根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数的步骤,具体为:
通过高斯混合模型对所有光伏板的出力进行描述,得到所有光伏板出力的联合概率密度函数参数集;
通过求解边缘概率密度函数的方法对所有光伏板出力的联合概率密度函数参数集进行分析处理,得到各个光伏板的概率密度函数参数集。
3.根据权利要求1所述光伏电站设备异常状态检测方法,其特征在于,所述各个光伏板概率密度函数中包括与安装条件无关的预设随机向量。
4.根据权利要求3所述光伏电站设备异常状态检测方法,其特征在于,所述计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果的步骤,具体为:
计算各个光伏板概率密度函数中的预设随机向量的最小二乘解,得到各个光伏板随机向量最小二乘解;
计算各个光伏板随机向量最小二乘解之间的杰森-香农散度,得到异常状态检测结果。
5.一种光伏电站设备异常状态检测装置,其特征在于,包括:
建模模块,用于根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数;
检测模块,用于计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度,得到异常状态检测结果。
6.根据权利要求5所述光伏电站设备异常状态检测装置,其特征在于,所述建模模块具体用于:
通过高斯混合模型对所有光伏板的出力进行描述,得到所有光伏板出力的联合概率密度函数参数集;
通过求借边缘概率密度函数的方法对所有光伏板出力的联合概率密度函数参数集进行分析处理,得到各个光伏板的概率密度函数参数集。
7.根据权利要求5所述光伏电站设备异常状态检测装置,其特征在于,所述各个光伏板概率密度函数中包括与安装条件无关的预设随机向量。
8.根据权利要求7所述光伏电站设备异常状态检测装置,其特征在于,所述检测模块具体用于:
计算各个光伏板概率密度函数中的预设随机向量的最小二乘解,得到各个光伏板随机向量最小二乘解;
计算各个光伏板随机向量最小二乘解之间的杰森-香农散度,得到异常状态检测结果。
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述光伏电站设备异常状态检测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述光伏电站设备异常状态检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244308.6A CN111475774B (zh) | 2020-03-31 | 2020-03-31 | 一种光伏电站设备异常状态检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244308.6A CN111475774B (zh) | 2020-03-31 | 2020-03-31 | 一种光伏电站设备异常状态检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111475774A true CN111475774A (zh) | 2020-07-31 |
CN111475774B CN111475774B (zh) | 2022-03-18 |
Family
ID=71750339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010244308.6A Active CN111475774B (zh) | 2020-03-31 | 2020-03-31 | 一种光伏电站设备异常状态检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111475774B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114112390A (zh) * | 2021-11-23 | 2022-03-01 | 哈尔滨工程大学 | 一种非线性复杂系统早期故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933315A (zh) * | 2015-06-30 | 2015-09-23 | 中国电力科学研究院 | 一种光伏发电出力联合概率分布建模的方法 |
US20170002319A1 (en) * | 2015-05-13 | 2017-01-05 | Whitehead Institute For Biomedical Research | Master Transcription Factors Identification and Use Thereof |
WO2018122806A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
-
2020
- 2020-03-31 CN CN202010244308.6A patent/CN111475774B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170002319A1 (en) * | 2015-05-13 | 2017-01-05 | Whitehead Institute For Biomedical Research | Master Transcription Factors Identification and Use Thereof |
CN104933315A (zh) * | 2015-06-30 | 2015-09-23 | 中国电力科学研究院 | 一种光伏发电出力联合概率分布建模的方法 |
WO2018122806A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
CN109844832A (zh) * | 2016-12-30 | 2019-06-04 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
Non-Patent Citations (2)
Title |
---|
赵书强等: "基于数值特性聚类的日前光伏出力预测误差分布模型", 《电力系统自动化》 * |
铁路职工岗位培训教材编审委员会编著: "《信号工(联锁、列控与区间信号设备维修)》", 30 November 2009, 中国铁道出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114112390A (zh) * | 2021-11-23 | 2022-03-01 | 哈尔滨工程大学 | 一种非线性复杂系统早期故障诊断方法 |
CN114112390B (zh) * | 2021-11-23 | 2024-03-22 | 哈尔滨工程大学 | 一种非线性复杂系统早期故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111475774B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Belagoune et al. | Deep learning through LSTM classification and regression for transmission line fault detection, diagnosis and location in large-scale multi-machine power systems | |
CN111652496B (zh) | 基于网络安全态势感知系统的运行风险评估方法及装置 | |
CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
Chen et al. | Parameters identification of photovoltaic models using hybrid adaptive Nelder-Mead simplex algorithm based on eagle strategy | |
Tang et al. | Detection of false data injection attacks in smart grid under colored Gaussian noise | |
Hachana et al. | PV array fault DiagnosticTechnique for BIPV systems | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
CN111475774B (zh) | 一种光伏电站设备异常状态检测方法及装置 | |
CN113572424B (zh) | 光伏电池状态异常检测方法、装置、电子设备及存储介质 | |
CN114139614B (zh) | 一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和系统 | |
Krsman et al. | Bad area detection and whitening transformation‐based identification in three‐phase distribution state estimation | |
CN114640304A (zh) | 一种基于i-v曲线的光伏组件电流失配故障诊断方法 | |
Naderi et al. | Detection of false data injection cyberattacks: Experimental validation on a lab-scale microgrid | |
Al-Hilfi et al. | Estimating generated power of photovoltaic systems during cloudy days using gene expression programming | |
Vahidi et al. | Determining arresters best positions in power system for lightning shielding failure protection using simulation optimization approach | |
CN112036718B (zh) | 一种考虑新能源不确定性的电力系统安全风险评估方法 | |
CN109117865A (zh) | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 | |
CN113221307A (zh) | 基于压缩感知算法的配电网暂态运行拓扑识别方法及装置 | |
CN112269110A (zh) | 一种电弧故障判定方法 | |
Harrou et al. | Online model-based fault detection for grid connected PV systems monitoring | |
US20230299715A1 (en) | Solar farm fault detection and diagnosis | |
CN113406437B (zh) | 一种基于辅助分类生成对抗网络的输电线路故障检测方法 | |
Mahmoud et al. | Fault Location of Doukan-Erbil 132kv Double Transmission Lines Using Artificial Neural Network ANN |
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 |