CN113572424B - 光伏电池状态异常检测方法、装置、电子设备及存储介质 - Google Patents

光伏电池状态异常检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113572424B
CN113572424B CN202110750472.9A CN202110750472A CN113572424B CN 113572424 B CN113572424 B CN 113572424B CN 202110750472 A CN202110750472 A CN 202110750472A CN 113572424 B CN113572424 B CN 113572424B
Authority
CN
China
Prior art keywords
photovoltaic cell
photovoltaic
output
preset number
characteristic quantity
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
Application number
CN202110750472.9A
Other languages
English (en)
Other versions
CN113572424A (zh
Inventor
沈沉
曹仟妮
陈颖
黄少伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202110750472.9A priority Critical patent/CN113572424B/zh
Publication of CN113572424A publication Critical patent/CN113572424A/zh
Application granted granted Critical
Publication of CN113572424B publication Critical patent/CN113572424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提供一种光伏电池状态异常检测方法、装置、电子设备及存储介质，其中该方法包括：根据故障发生概率较小的第一预设数量个参考光伏电池，通过排列组合，得到第二预设数量个光伏电池参考组；获取光伏电池参考组在满足第一预设条件的情况下的多个出力数据；根据光伏电池参考组中各参考光伏电池的倾斜面倾角、方向角和各参考光伏电池的多个出力数据，利用特征量的计算公式，计算光伏电池参考组的多个特征量；根据光伏电池参考组的多个特征量，结合高斯混合模型的线性不变性，得到待检测光伏电池的参考出力分布；将待检测光伏电池的参考出力分布与实际出力分布进行比较，得出待检测光伏电池的故障检测结论，提高了光伏电池的故障检测精度。

Description

光伏电池状态异常检测方法、装置、电子设备及存储介质
技术领域
本发明涉及光电技术领域，尤其涉及一种光伏电池状态异常检测方法、装置、电子设备及存储介质。
背景技术
在具有复杂安装条件的光伏电站中，各块光伏电池由于安装角度不同，即使均正常运行，电气状态量也互不相同，为板间横向比较带来困难。
为应对以上难点，现有的光伏电池状态异常检测方法的核心思想为：首先，提取光伏电池的特征量。多个特征量的提出旨在消除安装角度对电气状态量的影响，从而使得正常光伏电池的特征量在外界环境(环境温度、辐照度等)接近时也十分接近。相反地，若某块光伏电池的特征量偏离于多数光伏电池的特征量，即可认为其存在故障。然后，利用电气状态量和安装角度的数据，进行特征量的计算。最后，通过不同光伏电池特征量间的对比实现故障判断。
综上，现有方案的主要步骤归纳为：提取特征量；计算特征量及其概率密度函数；根据特征量概率密度函数的对比进行故障筛选。现有方法的具体步骤具体为：
步骤(1)、根据光伏电池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电池的概率密度函数。通过高斯混合模型对所有光伏电池的出力进行描述，得到所有光伏电池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电池出力的联合概率密度函数参数集进行分析处理，得到各个光伏电池出力的概率密度函数参数集。
步骤(2)、通过光伏电池出力Pmp和和特征量 C＝(C1，C2，C3，C4)T之间的关系式(如式(1))，利用步骤(1) 中得到的光伏电池出力的概率密度函数参数集，并结合GMM的线性不变性，计算各个光伏电池特征量C的最小二乘解的概率密度函数参数集。其中，C的最小二乘解的表达式如式(2)所示。
Pmp＝C1 cosβs+C2 sinβs cosγs+C3 sinβs sinγs+C4 (1)
[C1，C2，C3，C4]T＝(cosβs，sinβscosγs，sinβs sinγs，1)+Pmp (2)
步骤(3)、计算各个光伏电池特征量最小二乘解的概率密度函数之间的杰森-香农散度，得到异常状态检测结果。
由于并非所有出力Pmp的实际数据均满足式(1)，而现有方法并未考虑到实际出力数据中并非均满足式(1)，更未对不满足式(1) 的出力数据进行剔除，从而降低后续故障检测精度。现有方法仅能对特征量C进行近似求解，即计算C的最小二乘解，因此后续只能计算各个光伏电池C的最小二乘解的概率密度函数之间的杰森-香农散度，来得到异常状态检测结果。特征量C的近似求解显然降低了故障检测精度。
发明内容
本发明提供一种光伏电池状态异常检测方法、装置、电子设备及存储介质，用以解决现有技术中故障检测精度低的缺陷，实现更加精准的光伏电池状态异常检测。
本发明提供一种光伏电池状态异常检测方法，包括：
根据故障发生概率较小的第一预设数量个参考光伏电池，通过排列组合，得到第二预设数量个光伏电池参考组，其中每个所述光伏电池参考组包括第三预设数量个参考光伏电池；
获取所述光伏电池参考组在满足第一预设条件的情况下的多个出力数据；
根据所述光伏电池参考组中各所述参考光伏电池的倾斜面倾角、方向角和各所述参考光伏电池的多个出力数据，利用特征量的计算公式，计算所述光伏电池参考组的多个特征量；
根据所述光伏电池参考组的多个特征量，结合高斯混合模型的线性不变性，得到待检测光伏电池的参考出力分布；
将所述待检测光伏电池的参考出力分布与待检测光伏电池的实际出力分布进行比较，得出所述待检测光伏电池的故障检测结论。
根据本发明提供的光伏电池状态异常检测方法，所述获取光伏电池参考组在满足第一预设条件的情况下的多个出力数据之前，还包括：
构建基于Sandia光伏阵列模型的光伏电池出力模型；
基于所述光伏电池出力模型，提取特征量，并确定所述特征量的计算公式和第一预设条件；
其中，所述特征量为仅与光伏电池的工作状态有关，而与光伏电池的安装角度无关的特征量。
根据本发明提供的光伏电池状态异常检测方法，所述光伏电池出力模型为：
Pmp＝COVmpOImpO*Ee
Figure BDA0003146000740000031
其中，Co为电流转换系数；Vmpo为参考输出电压；Impo为参考输出电流；Ee为有效辐照度；O为遮阴蒙尘系数；Go为参考辐照度；Ib为倾斜面接收太阳光的直射辐照度；Ir为倾斜面接收太阳光的反射辐照度；Id为倾斜面接收太阳光的散射辐照度；其中，Ib、Id和Ir的具体表达式为：
Ib＝DNI·max(cosθ,0)
Figure BDA0003146000740000032
Figure BDA0003146000740000041
其中，DNI为垂直于太阳圆面的地表法向直射辐照度；DHI为地表水平面接收的太阳总辐射度；GHI为所述太阳总辐射度中的散射分量；ρ为地表反射率；θ为太阳光入射角；
其中，cosθ的具体表达式为：
cosθ＝cosβScosZ+sinβSsinZcos(γS-γ)
其中，Z为太阳天顶角；γ为太阳方向角；βS为光伏电池的倾斜面倾角；γS为光伏电池的方向角。
根据本发明提供的光伏电池状态异常检测方法，所述第二预设数量个光伏电池参考组内的第三预设数量个参考光伏电池满足第二预设条件；
其中，所述第二预设条件为：
所述第三预设数量个参考光伏电池的倾斜面倾角不能完全相等；
且，所述第三预设数量个参考光伏电池的方向角不能完全相等；
且，所述第三预设数量个参考光伏电池存在均满足所述第一预设条件的时段。
根据本发明提供的光伏电池状态异常检测方法，所述第一预设条件为太阳光入射角的余弦值大于0。
根据本发明提供的光伏电池状态异常检测方法，所述特征量的计算公式为：
C＝[cosβS sinβScosγS sinβSsinγS 1]-1Pmp
其中，C为光伏电池的特征量，βS为光伏电池的倾斜面倾角，γS光伏电池的方向角，Pmp为光伏电池的出力数据。
本发明提供一种光伏电池状态异常检测装置，包括：
分组模块，用于根据故障发生概率较小的第一预设数量个参考光伏电池，通过排列组合，得到第二预设数量个光伏电池参考组，其中每个所述光伏电池参考组包括第三预设数量个参考光伏电池；
出力数据确定模块，用于获取所述光伏电池参考组在满足第一预设条件的情况下的多个出力数据；
特征量计算模块，用于根据所述光伏电池参考组中各所述参考光伏电池的倾斜面倾角、方向角和各所述参考光伏电池的多个出力数据，利用特征量的计算公式，计算所述光伏电池参考组的多个特征量；
参考出力分布计算模块，用于根据所述光伏电池参考组的多个特征量，结合高斯混合模型的线性不变性，得到待检测光伏电池的参考出力分布；
故障检测模块，用于将所述待检测光伏电池的参考出力分布与待检测光伏电池的实际出力分布进行比较，得出所述待检测光伏电池的故障检测结论。
根据本发明提供的光伏电池状态异常检测装置，所述获取光伏电池参考组在满足第一预设条件的情况下的多个出力数据之前，还包括：
构建基于Sandia光伏阵列模型的光伏电池出力模型；
基于所述光伏电池出力模型，提取特征量，并确定所述特征量的计算公式和第一预设条件；
其中，所述特征量为仅与光伏电池的工作状态有关，而与光伏电池的安装角度无关的特征量。
本发明提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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所述光伏电池状态异常检测方法的步骤。
本发明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，所述计算机程序被处理器执行时实现所述光伏电池状态异常检测方法的步骤。
本发明提供的光伏电池状态异常检测方法、装置、电子设备及存储介质，通过对出力数据进行筛选，再将待检测光伏电池的实际出力分布与参考出力分布进行比较，得出所述待检测光伏电池的故障检测结论，提高了光伏电池的故障检测精度。
附图说明
为了更清楚地说明本发明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为本发明提供的光伏电池状态异常检测方法的流程示意图；
图2为本发明提供的光伏电池状态异常检测装置的结构示意图；
图3为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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为本发明实施例提供的光伏电池状态异常检测方法的流程示意图，如图1所示，包括以下步骤：
步骤100、根据故障发生概率较小的第一预设数量个参考光伏电池，通过排列组合，得到第二预设数量个光伏电池参考组，其中每个所述光伏电池参考组包括第三预设数量个参考光伏电池。
具体地，选取故障发生概率较小的第一预设数量个参考光伏电池，对参考光伏电池进行排列组合，得到第二预设数量个光伏电池参考组，其中每个所述光伏电池参考组包括第三预设数量个参考光伏电池。
需要说明的是，第一预设数量需要大于等于第三预设数量。在确定第一预设数量的取值时，考虑到根据有限历史数据拟合的经验分布往往具有偏差，对于待检测光伏电池，第一预设数量越大，正常运行出力参考分布集中的元素越多，各元素与光伏电池真实运行出力分布的比较结果能够互为验证，结果更可信。但第一预设数量取值太大将难以保证所选取参考光伏电池均正常运行，且增加了单块待检测光伏电池故障判断的工作量。第一预设数量可根据需求进行设定，在此不做具体限定。
以第一预设数量为N，第三预设数量为4为例进行说明，对N 个参考光伏电池进行排列组合，在满足N大于等于4的条件下，可以得到
Figure BDA0003146000740000071
个光伏电池参考组。
步骤101、获取所述光伏电池参考组在满足第一预条件的情况下的多个出力数据。
具体地，由于在不同的条件下，该光伏电池的出力数据的计算方式存在差异，为了提取仅与光伏电池的工作状态有关，与光伏电池的安装角度无关的特征量，因此，需要保留光伏电池参考组在满足所述第一预设条件的情况下的多个出力数据，从而实现数据筛选，使得在步骤102中用于计算特征量的出力数据均满足该特征量的计算公式。
步骤102、根据所述光伏电池参考组中各所述参考光伏电池的倾斜面倾角、方向角和各所述参考光伏电池的多个出力数据，利用特征量的计算公式，计算所述光伏电池参考组的多个特征量。
具体地，将所述光伏电池参考组的倾斜面倾角和方向角，以及所述光伏电池参考组的多个出力数据，代入特征量的计算公式，计算得到所述光伏电池参考组的多个特征量。
步骤103、根据所述光伏电池参考组的多个特征量，结合高斯混合模型的线性不变性，得到所述待检测光伏电池的参考出力分布。
具体地，由于环境因素随机性给光伏发电设备各环节运行状态带来随机性，光伏电池的出力数据和特征量均为随机量。因此在进行特征量比较时，只能比较其概率分布。为此，需首先进行特征量概率分布的计算，然后对不同光伏电池特征量的概率分布进行比较。
本实施例采用高斯混合模型(Gaussian mixture model,GMM)刻画不确定性，由于GMM可以克服光伏电池出力的非典型分布和邻近光伏电池出力强相关性带来的难题，其线性不变性也能提供由光伏电池的出力数据的分布求解特征量的分布的解析方法。
确定GMM的参数集Ω是一个典型的参数估计问题。基于光伏电池的出力数据的历史数据，可以采用极大似然估计技术获得GMM的参数集，典型的算法包括“期望最大化算法(Expectation Maximizaton， EM)”。
由此形成正常运行条件下特征量C的参考分布函数集合，每个光伏电池参考组可对应得到一个C的分布函数，所述参考分布函数集合一共包含
Figure BDA0003146000740000081
个C的分布函数，即
Figure BDA0003146000740000082
个参考出力分布。
步骤104、将所述待检测光伏电池的参考出力分布与待检测光伏电池的实际出力分布进行比较，得出所述待检测光伏电池的故障检测结论。
具体地，利用杰森-香农(Jensen-Shannon,JS)散度，将所述待检测光伏电池的实际出力分布与正常运行的多个光伏电池参考组得到的参考出力分布集中各元素分别进行比较，最终得出各块非参考光伏电池的故障检测结论。
可选地，光伏电池的实际出力分布的计算方式为：
基于待检测光伏电池的实际出力的历史数据，采用极大似然估计技术获得待检测光伏电池的实际出力分布。典型的算法包括“期望最大化算法(ExpectationMaximization，EM)”。
本发明实施例，假设在光伏电站中，存在第一预设数量块光伏电池发生故障的概率较小，由第一预设数量块光伏电池的特征量分布可得到光伏电池参考组的出力分布，即待检测光伏电池的参考出力分布，再将参考出力分布与各待检测光伏电池的实际出力分布进行比较。既避免了特征量的近似解所带来的误差，又可避免分组求解带来运算效率低下的问题，此外，通过对出力数据进行筛选，相比于现有技术，用于计算光伏电池的特征量的出力数据均满足所述特征量的计算公式，再将待检测光伏电池的实际出力分布与参考出力分布进行比较，得出所述待检测光伏电池的故障检测结论，提高了光伏电池的故障检测精度。
在一个实施例中，在步骤100之前还包括以下步骤：
构建基于Sandia光伏阵列模型的光伏电池出力模型；
基于所述光伏电池出力模型，提取特征量，并确定所述特征量的计算公式和第一预设条件；
其中，所述特征量为仅与光伏电池的工作状态有关，而与光伏电池的安装角度无关的特征量。
具体地，为了从光伏电池电气状态量表达式中提取不受安装角度影响的特征量，首先需要建立适用于本发明思路的光伏电池出力模型。
不同于能量转换模型和目标检测模块(object detection module， ODM)通过迭代求解电流电压关系来得到最大功率，Sandia光伏阵列模型(Sandia PV ArrayPerformance Model，SPAM)提供光伏电池出力的显式解析表达式，显式解析表达式可参考文献P.Gilman,A. Dobos,N.DiOrio,J.Freeman,S.Janzou and D.Ryberg,"SAMPhotovoltaic Model Technical Reference Update",2018.中的记录，在此不再赘述。
可选地，所述光伏电池出力模型为：
Pmp＝Co VmpoImpo*Ee (3)
Figure BDA0003146000740000091
其中，Co为电流转换系数；Vmpo为参考输出电压；Impo为参考输出电流；Ee为有效辐照度；O为遮阴蒙尘系数；Go为参考辐照度；Ib为倾斜面接收太阳光的直射辐照度；Ir为倾斜面接收太阳光的反射辐照度；Id为倾斜面接收太阳光的散射辐照度；其中，Ib、Id和Ir的具体表达式为：
Ib＝DNI·max(cosθ,0)
Figure BDA0003146000740000101
Figure BDA0003146000740000102
其中，DNI为垂直于太阳圆面的地表法向直射辐照度；DHI为地表水平面接收的太阳总辐射度；GHI为所述太阳总辐射度中的散射分量；ρ为地表反射率；θ为太阳光入射角；
其中，cosθ的具体表达式为：
cosθ＝cosβScosZ+sinβSsinZcos(γS-γ) (5)
其中，Z为太阳天顶角；γ为太阳方向角；βs为光伏电池的倾斜面倾角；γs为光伏电池的方向角。
对SPAM进行适当简化，其中光伏电池出力Pmp和有效辐照度Ee的表达式分别简化为式(3)和式(4)，便于后续特征量的提取和计算。
由于光伏电池出力Pmp受安装角度的影响，无法直接用于光伏电池间工作状态的比较，本发明实施例提供的光伏电池状态异常检测方法包括光伏电池特征量的提取、计算和概率分布计算。具体来说，提取只与光伏电池的工作状态有关，而与安装角度无关的特征量，为光伏电池状态异常检测奠定理基础。
在光伏出力模型中Pmp的表达式中分离出与光伏电池的倾斜面倾角和光伏电池的方向角无关的因式。
下面以Pmp的表达式为Pmp＝CoVmpoImpo*Ee进行说明，其中，Co为电流转换系数；Vmpo为参考输出电压；Impo为参考输出电流；Ee为有效辐照度。
由于Ee的取值受到太阳位置的影响，随着一天中太阳位置的变化，在太阳光入射角θ大于90°的时段内Ib为0。而cosθ的表达式与βs和γs有关，对于不同安装角度的光伏电池，θ大于90°的时段不相同。因此，对于某一固定安装角度的光伏电池，Pmp的表达式分为如下两种情况：
当cosθ>0时，满足：
Pmp＝C1cosβs+C2sinβscosγs+C3sinβssinγs+C4 (6)
其中，βS为光伏电池的倾斜面倾角；γS为光伏电池的方向角；
Figure BDA0003146000740000111
Figure BDA0003146000740000112
A2＝DNI·sinZcosγ (9)
A3＝DNI·sinZsinγ (10)
Figure BDA0003146000740000113
其中，Vmpo为参考输出电压；Impo为参考输出电流；O为遮阴蒙尘系数；DNI为垂直于太阳圆面的地表法向直射辐照度；DHI为地表水平面接收的太阳总辐射度；GHI为所述太阳总辐射度中的散射分量； Z为太阳天顶角；γ为太阳方向角；P为地表反射率；
当cosθ<0时，Ib＝0，满足：
Pmp＝C1cosβs+C4 (12)
其中，
Figure BDA0003146000740000121
Figure BDA0003146000740000122
Figure BDA0003146000740000123
随机向量C和C′由经纬度、环境条件(辐照度、温度、风速)、产品规格(额定工作电压、电流、功率转换系数、温度系数)等决定，与光伏电池的安装角度无关。假设同一区域内的光伏电池环境条件 (辐照度、环境温度、风速等)完全一致，则C和C′均可以作为实现复杂安装条件下光伏电池间横向比较的特征量，C和C′为与光伏电池的工作状态有关，而与光伏电池的安装角度无关的特征量。
本发明实施例，基于所述光伏电池出力模型，提取仅与光伏电池的工作状态有关，而与光伏电池的安装角度无关的特征量的计算公式和第一预设条件，排除了安装角度对光伏电池的特征量的影响，提高了光伏电池状态异常检测的精准度。
在一个实施例中，所述第一预设条件为太阳光入射角的余弦值大于0。
由于并非所有出力Pmp的实际数据均满足式(1)。而现有方法并未考虑到实际出力数据中并非均满足式(1)，更未对不满足式(1) 的出力数据进行剔除，本发明实施例，筛选太阳光入射角的余弦值大于0的出力数据，提高了光伏电池故障检测的精准度。
在一个实施例中，所述特征量的计算公式为：
C＝[cosβS sinβScosγS sinβSsinγS 1]-1Pmp
其中，C为光伏电池的特征量，βS为光伏电池的倾斜面倾角，γS光伏电池的方向角，Pmp为光伏电池的出力数据。
具体地，可以根据所述特征量的计算公式，得到所述光伏电池参考组的特征量的计算方法，光伏电池参考组的特征量通过如下公式进行计算：
Figure BDA0003146000740000131
其中，M为第三预设数量，[C1,C2,…,CM]T为光伏电池参考组的特征量，βs1为第一块光伏电池的倾斜面倾角，γs1为第一块光伏电池的方向角，Pmp1为第一块光伏电池的出力数据；βs2为第二块光伏电池的倾斜面倾角，γs2为第二块光伏电池的方向角，Pmp2为第二块光伏电池的出力数据；βsM为第M块光伏电池的倾斜面倾角，γsM为第 M块光伏电池的方向角，PmpM为第M块光伏电池的出力数据。
以第一预设数量为N，第三预设数量为4为例进行说明：
拟合光伏电池参考组j的联合出力经验分布，利用如式(16)和高斯混合模型GMM的线性不变性，得到光伏电池参考组j的多个特征量。
Figure BDA0003146000740000141
其中，Pmp1、Pmp2、Pmp3和Pmp4分别为光伏电池参考组内的四块光伏电池的出力数据；βs1、βs2、βs3和βs4分别为光伏电池参考组内四块光伏电池的倾斜面倾角；γs1、γs2、γs3和γs4分别为光伏电池参考组内四块光伏电池的方向角。
由于公式(16)的成立需要式中四块光伏电池各自的特征量C和出力Pmp均满足公式(6)，而对于单个光伏电池，公式(6)的成立需要满足cosθ>0的条件。由于随着太阳运动，一天中太阳天顶角Z 和太阳方向角γ随时间发生变化，因此cosθ也随着时间发生变化。对于已知安装角度的光伏电池，可以利用公式(5)计算各时刻的cosθ。其中Z和γ的计算方法可参考文献King,D.；Boyson,W.；and Kratochvil, J.(2004).“Photovoltaic ArrayPerformance Model."41pp.；Albuquerque, NM:Sandia NationalLaboratories.SAND2004-3535。然后，保留各块光伏电池cosθ>0时刻的出力数据，再利用公式(16)对特征量进行计算，从而保证光伏电池出力数据和特征量满足式(6)所示的函数关系式。
本发明实施例，给出的特征量的计算公式，提高了光伏电池故障检测的精准度。
在一个实施例中，所述第二预设数量个光伏电池参考组内的第三预设数量个参考光伏电池满足第二预设条件；
其中，所述第二预设条件为：
所述第三预设数量个参考光伏电池的倾斜面倾角不能完全相等；
且，所述第三预设数量个参考光伏电池的方向角不能完全相等；
且，所述第三预设数量个参考光伏电池存在均满足所述第一预设条件的时段。
具体地，参考光伏电池的选择需遵循一定原则，以第三预设数量等于4为例进行说明，每个参考组中4块光伏电池必须满足以下条件：
(1)、βS1、βS2、βS2、βS4不能完全相等，即4块光伏电池的倾斜面倾角不能完全相等。
(2)、γS1、γS2、γS2、γS4不能完全相等，即4块光伏电池的倾斜面倾角不能完全相等。
(3)、存在4块光伏电池均满足所述第一预设条件的时段。
当第一预设条件为cosθ>0时，条件(3)可以理解为4块光伏电池中不存在背靠背安装的光伏电池(不同时存在βs1＝90°，γs1＝ 90°和βs2＝90°，γs2＝270°的两块光伏电池)。
以上条件中，条件(1)和(2)保证利用(19)进行特征量计算时等式右边的角度矩阵可逆；条件(3)保证参考组中4块光伏电池均满足第一预设条件的时段不是空集。因此，在选择参考光伏电池时，应尽量保证由它们排列组合形成的参考组能够满足上述条件三个条件。
本发明实施例，限定参考组内参考光伏电池满足的条件，使得利用(19)进行特征量计算时等式右边的角度矩阵可逆，参考组用于故障检测的数据不为空集，提高了故障检测的精准度。
本发明另一实施例，提供一种光伏电池状态异常检测装置，如图 3所示，该装置包括：分组模块210、出力数据确定模块220、特征量计算模块230、参考出力分布计算模块240和故障检测模块250，其中，
分组模块，用于根据故障发生概率较小的第一预设数量个参考光伏电池，通过排列组合，得到第二预设数量个光伏电池参考组，其中每个所述光伏电池参考组包括第三预设数量个参考光伏电池；
出力数据确定模块，用于获取所述光伏电池参考组在满足第一预设条件的情况下的多个出力数据；
特征量计算模块，用于根据所述光伏电池参考组中各所述参考光伏电池的倾斜面倾角、方向角和各所述参考光伏电池的多个出力数据，利用特征量的计算公式，计算所述光伏电池参考组的多个特征量；
参考出力分布计算模块，用于根据所述光伏电池参考组的多个特征量，结合高斯混合模型的线性不变性，得到待检测光伏电池的参考出力分布；
故障检测模块，用于将所述待检测光伏电池的参考出力分布与待检测光伏电池的实际出力分布进行比较，得出所述待检测光伏电池的故障检测结论。
在一个实施例中，所述光伏电池状态异常检测装置，在获取光伏电池参考组在满足第一预设条件的情况下的多个出力数据之前，还包括：
构建基于Sandia光伏阵列模型的光伏电池出力模型；
基于所述光伏电池出力模型，提取特征量，并确定所述特征量的计算公式和第一预设条件；
其中，所述特征量为仅与光伏电池的工作状态有关，而与光伏电池的安装角度无关的特征量。
本发明提供的光伏电池状态异常检测装置能够实现图1的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行光伏电池状态异常检测方法，例如包括：
根据故障发生概率较小的第一预设数量个参考光伏电池，通过排列组合，得到第二预设数量个光伏电池参考组，其中每个所述光伏电池参考组包括第三预设数量个参考光伏电池；
获取所述光伏电池参考组在满足第一预设条件的情况下的多个出力数据；
根据所述光伏电池参考组中各所述参考光伏电池的倾斜面倾角、方向角和各所述参考光伏电池的多个出力数据，利用特征量的计算公式，计算所述光伏电池参考组的多个特征量；
根据所述光伏电池参考组的多个特征量，结合高斯混合模型的线性不变性，得到待检测光伏电池的参考出力分布；
将所述待检测光伏电池的参考出力分布与待检测光伏电池的实际出力分布进行比较，得出所述待检测光伏电池的故障检测结论。
此外，上述的存储器330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。
另一方面，本发明还提供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所提供的光伏电池状态异常检测方法，例如包括：
根据故障发生概率较小的第一预设数量个参考光伏电池，通过排列组合，得到第二预设数量个光伏电池参考组，其中每个所述光伏电池参考组包括第三预设数量个参考光伏电池；
获取所述光伏电池参考组在满足第一预设条件的情况下的多个出力数据；
根据所述光伏电池参考组中各所述参考光伏电池的倾斜面倾角、方向角和各所述参考光伏电池的多个出力数据，利用特征量的计算公式，计算所述光伏电池参考组的多个特征量；
根据所述光伏电池参考组的多个特征量，结合高斯混合模型的线性不变性，得到待检测光伏电池的参考出力分布；
将所述待检测光伏电池的参考出力分布与待检测光伏电池的实际出力分布进行比较，得出所述待检测光伏电池的故障检测结论。
又一方面，本发明还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以执行上述各提供的光伏电池状态异常检测方法，例如包括：
根据故障发生概率较小的第一预设数量个参考光伏电池，通过排列组合，得到第二预设数量个光伏电池参考组，其中每个所述光伏电池参考组包括第三预设数量个参考光伏电池；
获取所述光伏电池参考组在满足第一预设条件的情况下的多个出力数据；
根据所述光伏电池参考组中各所述参考光伏电池的倾斜面倾角、方向角和各所述参考光伏电池的多个出力数据，利用特征量的计算公式，计算所述光伏电池参考组的多个特征量；
根据所述光伏电池参考组的多个特征量，结合高斯混合模型的线性不变性，得到待检测光伏电池的参考出力分布；
将所述待检测光伏电池的参考出力分布与待检测光伏电池的实际出力分布进行比较，得出所述待检测光伏电池的故障检测结论。
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 (4)

1.一种光伏电池状态异常检测方法，其特征在于，包括：
根据故障发生概率较小的第一预设数量个参考光伏电池，通过排列组合，得到第二预设数量个光伏电池参考组，其中每个所述光伏电池参考组包括第三预设数量个参考光伏电池；
获取所述光伏电池参考组在满足第一预设条件的情况下的多个出力数据；
根据所述光伏电池参考组中各所述参考光伏电池的倾斜面倾角、方向角和各所述参考光伏电池的多个出力数据，利用特征量的计算公式，计算所述光伏电池参考组的多个特征量；
根据所述光伏电池参考组的多个特征量，结合高斯混合模型的线性不变性，得到待检测光伏电池的参考出力分布；
将所述待检测光伏电池的参考出力分布与待检测光伏电池的实际出力分布进行比较，得出所述待检测光伏电池的故障检测结论；
其中，所述获取光伏电池参考组在满足第一预设条件的情况下的多个出力数据之前，还包括：
构建基于Sandia光伏阵列模型的光伏电池出力模型；
基于所述光伏电池出力模型，提取特征量，并确定所述特征量的计算公式和第一预设条件；
其中，所述特征量为仅与光伏电池的工作状态有关，而与光伏电池的安装角度无关的特征量；
其中，所述光伏电池出力模型为：
Pmp＝CoVmpoImpo*Ee
Figure FDA0003937903150000011
其中，Co为电流转换系数；Vmpo为参考输出电压；Impo为参考输出电流；Ee为有效辐照度；O为遮阴蒙尘系数；Go为参考辐照度；Ib为倾斜面接收太阳光的直射辐照度；Ir为倾斜面接收太阳光的反射辐照度；Id为倾斜面接收太阳光的散射辐照度；其中，Ib、Id和Ir的具体表达式为：
Ib＝DNI·max(cosθ,0)
Figure FDA0003937903150000021
Figure FDA0003937903150000022
其中，DNI为垂直于太阳圆面的地表法向直射辐照度；DHI为地表水平面接收的太阳总辐射度；GHI为所述太阳总辐射度中的散射分量；ρ为地表反射率；θ为太阳光入射角；
其中，cosθ的具体表达式为：
cosθ＝cosβscosZ+sinβssinZcos(γs-γ)
其中，Z为太阳天顶角；γ为太阳方向角；βs为光伏电池的倾斜面倾角；γs为光伏电池的方向角；
其中，所述第二预设数量个光伏电池参考组内的第三预设数量个参考光伏电池满足第二预设条件；
其中，所述第二预设条件为：
所述第三预设数量个参考光伏电池的倾斜面倾角不能完全相等；
且，所述第三预设数量个参考光伏电池的方向角不能完全相等；
且，所述第三预设数量个参考光伏电池存在均满足所述第一预设条件的时段；
其中，所述第一预设条件为太阳光入射角的余弦值大于0；
其中，所述特征量的计算公式为：
C＝[cosβs sinβscosγs sinβssinγs 1]-1Pmp
其中，C为光伏电池的特征量，βs为光伏电池的倾斜面倾角，γs光伏电池的方向角，Pmp为光伏电池的出力数据。
2.一种光伏电池状态异常检测装置，其特征在于，包括：
分组模块，用于根据故障发生概率较小的第一预设数量个参考光伏电池，通过排列组合，得到第二预设数量个光伏电池参考组，其中每个所述光伏电池参考组包括第三预设数量个参考光伏电池；
出力数据确定模块，用于获取所述光伏电池参考组在满足第一预设条件的情况下的多个出力数据；
特征量计算模块，用于根据所述光伏电池参考组中各所述参考光伏电池的倾斜面倾角、方向角和各所述参考光伏电池的多个出力数据，利用特征量的计算公式，计算所述光伏电池参考组的多个特征量；
参考出力分布计算模块，用于根据所述光伏电池参考组的多个特征量，结合高斯混合模型的线性不变性，得到待检测光伏电池的参考出力分布；
故障检测模块，用于将所述待检测光伏电池的参考出力分布与待检测光伏电池的实际出力分布进行比较，得出所述待检测光伏电池的故障检测结论；
其中，所述获取光伏电池参考组在满足第一预设条件的情况下的多个出力数据之前，还包括：
构建基于Sandia光伏阵列模型的光伏电池出力模型；
基于所述光伏电池出力模型，提取特征量，并确定所述特征量的计算公式和第一预设条件；
其中，所述特征量为仅与光伏电池的工作状态有关，而与光伏电池的安装角度无关的特征量；
其中，所述获取光伏电池参考组在满足第一预设条件的情况下的多个出力数据之前，还包括：
构建基于Sandia光伏阵列模型的光伏电池出力模型；
基于所述光伏电池出力模型，提取特征量，并确定所述特征量的计算公式和第一预设条件；
其中，所述特征量为仅与光伏电池的工作状态有关，而与光伏电池的安装角度无关的特征量；
其中，所述光伏电池出力模型为：
Pmp＝CoVmpoImpo*Ee
Figure FDA0003937903150000041
其中，Co为电流转换系数；Vmpo为参考输出电压；Impo为参考输出电流；Ee为有效辐照度；O为遮阴蒙尘系数；Go为参考辐照度；Ib为倾斜面接收太阳光的直射辐照度；Ir为倾斜面接收太阳光的反射辐照度；Id为倾斜面接收太阳光的散射辐照度；其中，Ib、Id和Ir的具体表达式为：
Ib＝DNI·max(cosθ,0)
Figure FDA0003937903150000042
Figure FDA0003937903150000043
其中，DNI为垂直于太阳圆面的地表法向直射辐照度；DHI为地表水平面接收的太阳总辐射度；GHI为所述太阳总辐射度中的散射分量；ρ为地表反射率；θ为太阳光入射角；
其中，cosθ的具体表达式为：
cosθ＝cosβscosZ+sinβssinZcos(γs-γ)
其中，Z为太阳天顶角；γ为太阳方向角；βs为光伏电池的倾斜面倾角；γs为光伏电池的方向角；
其中，所述第二预设数量个光伏电池参考组内的第三预设数量个参考光伏电池满足第二预设条件；
其中，所述第二预设条件为：
所述第三预设数量个参考光伏电池的倾斜面倾角不能完全相等；
且，所述第三预设数量个参考光伏电池的方向角不能完全相等；
且，所述第三预设数量个参考光伏电池存在均满足所述第一预设条件的时段；
其中，所述第一预设条件为太阳光入射角的余弦值大于0；
其中，所述特征量的计算公式为：
C＝[cosβs sinβscosγs sinβssinγs 1]-1Pmp
其中，C为光伏电池的特征量，βs为光伏电池的倾斜面倾角，γs光伏电池的方向角，Pmp为光伏电池的出力数据。
3.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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所述光伏电池状态异常检测方法的步骤。
4.一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，所述计算机程序被处理器执行时实现如权利要求1所述光伏电池状态异常检测方法的步骤。
CN202110750472.9A 2021-07-02 2021-07-02 光伏电池状态异常检测方法、装置、电子设备及存储介质 Active CN113572424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110750472.9A CN113572424B (zh) 2021-07-02 2021-07-02 光伏电池状态异常检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110750472.9A CN113572424B (zh) 2021-07-02 2021-07-02 光伏电池状态异常检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113572424A CN113572424A (zh) 2021-10-29
CN113572424B true CN113572424B (zh) 2023-02-28

Family

ID=78163532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110750472.9A Active CN113572424B (zh) 2021-07-02 2021-07-02 光伏电池状态异常检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113572424B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205892B (zh) * 2023-03-13 2024-04-05 北京智盟信通科技有限公司 一种评估光伏组串工况的方法及装置
CN117060849B (zh) * 2023-07-26 2024-06-11 重庆望变电气（集团）股份有限公司 一种光伏用的箱变设备检测方法及其相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014119822A1 (ko) * 2013-01-31 2014-08-07 (주)케이디파워 태양광 발전 모니터링 시스템의 발전진단 장치 및 방법
EP3016277A1 (fr) * 2014-11-03 2016-05-04 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procédé de diagnostic d'un système photovoltaïque
CN108009730A (zh) * 2017-12-05 2018-05-08 河海大学常州校区 一种光伏电站系统健康状态分析方法
CN112487347A (zh) * 2020-11-02 2021-03-12 东南大学 考虑环境和时变因素的光伏组件模型参数化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014119822A1 (ko) * 2013-01-31 2014-08-07 (주)케이디파워 태양광 발전 모니터링 시스템의 발전진단 장치 및 방법
EP3016277A1 (fr) * 2014-11-03 2016-05-04 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procédé de diagnostic d'un système photovoltaïque
CN108009730A (zh) * 2017-12-05 2018-05-08 河海大学常州校区 一种光伏电站系统健康状态分析方法
CN112487347A (zh) * 2020-11-02 2021-03-12 东南大学 考虑环境和时变因素的光伏组件模型参数化方法

Also Published As

Publication number Publication date
CN113572424A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
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
Feng et al. Convolutional neural networks for intra-hour solar forecasting based on sky image sequences
US20170286838A1 (en) Predicting solar power generation using semi-supervised learning
EP3809592A1 (en) Methods and systems for fault detection, diagnosis and localization in solar panel network
Balzano et al. Online identification and tracking of subspaces from highly incomplete information
US20190064392A1 (en) Forecasting solar power output
Cui et al. Evaluating combination models of solar irradiance on inclined surfaces and forecasting photovoltaic power generation
Blakely et al. Phase identification using co‐association matrix ensemble clustering
Guo et al. A novel radial basis function neural network principal component analysis scheme for PMU-based wide-area power system monitoring
Sundararajan et al. Hybrid data‐model method to improve generation estimation and performance assessment of grid‐tied PV: a case study
Mahapatra et al. Online bad data outlier detection in PMU measurements using PCA feature-driven ANN classifier
Lee et al. Detecting anomalies in meteorological data using support vector regression
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
Benavides et al. Method of monitoring and detection of failures in PV system based on machine learning
Changmai et al. Mathematical model to estimate the maximum power output of a total cross tied connected PV array during partial shading condition
Chen et al. Unified data‐driven stochastic and robust service restoration method using non‐parametric estimation in distribution networks with soft open points
Moshksar et al. Constrained optimisation approach for parameter estimation of PV modules with single‐diode equivalent model
Al-Hilfi et al. Estimating generated power of photovoltaic systems during cloudy days using gene expression programming
Kim Markov chain Monte Carlo and acceptance–rejection algorithms for synthesising short‐term variations in the generation output of the photovoltaic system
Sonal et al. Novel trends in resilience assessment of a distribution system using synchrophasor application: A literature review
Ji et al. Robust direction‐of‐arrival estimation approach using beamspace‐based deep neural networks with array imperfections and element failure
CN111193289B (zh) 一种光伏电站并联失配的调整方法及装置
Rosen et al. Intra-hour photovoltaic forecasting through a time-varying Markov switching model
CN111475774B (zh) 一种光伏电站设备异常状态检测方法及装置
Dahl et al. Scalable Gaussian process models for solar 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