CN113872524A - 低效组串的定位方法、装置及计算机存储介质 - Google Patents

低效组串的定位方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN113872524A
CN113872524A CN202111072714.XA CN202111072714A CN113872524A CN 113872524 A CN113872524 A CN 113872524A CN 202111072714 A CN202111072714 A CN 202111072714A CN 113872524 A CN113872524 A CN 113872524A
Authority
CN
China
Prior art keywords
strings
string
photovoltaic
inefficient
current data
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
Application number
CN202111072714.XA
Other languages
English (en)
Other versions
CN113872524B (zh
Inventor
周冰钰
蔡昊
高超
陆克华
张锐
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.)
Hefei Sunshine Zhiwei Technology Co ltd
Original Assignee
Hefei Sunshine Zhiwei Technology Co ltd
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 Hefei Sunshine Zhiwei Technology Co ltd filed Critical Hefei Sunshine Zhiwei Technology Co ltd
Priority to CN202111072714.XA priority Critical patent/CN113872524B/zh
Publication of CN113872524A publication Critical patent/CN113872524A/zh
Application granted granted Critical
Publication of CN113872524B publication Critical patent/CN113872524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
    • H02S40/30—Electrical components
    • 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
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种低效组串的定位方法、装置及计算机存储介质，方法包括：获取光伏电站中各个光伏组串对应的电流数据；根据多个电流数据对多个光伏组串进行聚类，以确定同一角度朝向的光伏组串，其中，同一角度朝向的光伏组串对应的电流数据属于同一聚类类别；确定同一角度朝向的光伏组串中的低效组串。本发明对光伏组串进行聚类，以确定同一角度朝向的光伏组串，再针对同一角度朝向的光伏组串单独定位低效组串，避免了由于光伏组串角度朝向不同，引起的光伏组串发电能力差异而导致的低效组串的误判，提高了定位低效组串时的准确度。

Description

低效组串的定位方法、装置及计算机存储介质
技术领域
本发明涉及光伏组串技术领域，尤其涉及低效组串的定位方法、装置及计算机存储介质。
背景技术
光伏组串是光伏发电系统最基础的单元，积尘、遮挡、外界破坏以及组串内部出现的热斑、隐裂、老化、短路和断路等均会导致其发电异常，造成光伏组串的效率过低。
在对低效组串进行定位时，通常是直接根据光伏组串的发电数据来进行判断，但发电数据不同的光伏组串并不一定是低效组串，在此过程中并未考虑到其他因素对于光伏组串发电能力的影响，因此会导致低效组串的定位非常不准确。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种低效组串的定位方法、装置及计算机存储介质，旨在提高定位低效组串时的准确度。
为实现上述目的，本发明提供一种低效组串的定位方法，所述低效组串的定位方法包括以下步骤：
获取光伏电站中各个光伏组串对应的电流数据；
根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串，其中，同一角度朝向的光伏组串对应的电流数据属于同一聚类类别；
确定同一角度朝向的光伏组串中的低效组串。
可选地，所述根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串的步骤包括：
采用K均值聚类算法，根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串。
可选地，所述采用K均值聚类算法，根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串的步骤之前，还包括：
采用自组织神经网络，对多个所述电流数据进行聚类，得到多个聚类中心；
将所述多个聚类中心作为所述K均值聚类算法的初始聚类中心。
可选地，所述采用自组织神经网络，对多个所述电流数据进行聚类，得到多个聚类中心的步骤包括：
对连接所述自组织神经网络中的输入节点与输出节点的权值向量进行初始化；
根据所述权值向量以及多个所述电流数据确定所述自组织神经网络的优胜邻域；
根据优胜邻域确定所述自组织神经网络的多个聚类中心。
可选地，所述采用K均值聚类算法，根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串的步骤包括：
在多个所述初始聚类中心中，确定各个所述电流数据对应的初始聚类中心；
根据各个所述初始聚类中心对应的电流数据对所述初始聚类中心进行更新；
检测更新后的聚类中心是否满足所述K均值聚类算法的收敛条件；
在满足所述收敛条件时，将各个更新后的聚类中心对应的电流数据作为各个类别的电流数据；
将同一类别的电流数据对应的光伏组串作为同一角度朝向的光伏组串。
可选地，所述确确定同一角度朝向的光伏组串中的低效组串的步骤包括：
在同一角度朝向的多个光伏组串对应的电流数据中，获取各个时刻对应的多个电流值；
确定同一时刻对应的多个电流值中的目标电流值；
根据不同时刻对应的目标电流值生成低效组串判断曲线；
根据所述低效组串判断曲线，确定同一角度朝向的多个光伏组串中的低效组串。
可选地，所述确定同一时刻对应的多个电流值中的目标电流值的步骤包括：
获取同一时刻对应的多个电流值中的中位数；
将所述中位数作为所述目标电流值。
可选地，所述根据所述低效组串判断曲线，确定同一角度朝向的多个光伏组串中的低效组串的步骤包括：
在同一角度朝向的多个光伏组串中，检测光伏组串在预设时间段内各个时刻对应的电流数据是否小于所述低效组串判断曲线在预设时间段内各个时刻对应的电流值；
若是，则判定光伏组串为低效组串。
可选地，所述判定光伏组串为低效组串的步骤包括：
判定光伏组串为预设等级的低效组串，其中，预设等级与所述预设时间段对应。
可选地，所述获取光伏电站中各个光伏组串对应的电流数据的步骤包括：
采集经过光伏电站中各个光伏组串的实际电流值；
确定所述实际电流值中的噪声数据；
根据所述噪声数据对所述实际电流值进行去噪处理，得到所述电流数据。
此外，为实现上述目的，本发明还提供一种低效组串的定位装置，所述低效组串的定位装置包括：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低效组串的定位程序，所述低效组串的定位程序被所述处理器执行时实现如上所述中任一项所述的低效组串的定位方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有低效组串的定位程序，所述低效组串的定位程序被处理器执行时实现如上所述中任一项所述的低效组串的定位方法的步骤。
本发明实施例提出的低效组串的定位方法、装置及计算机存储介质，获取光伏电站中各个光伏组串对应的电流数据；根据多个电流数据对多个光伏组串进行聚类，以确定同一角度朝向的光伏组串，其中，同一角度朝向的光伏组串对应的电流数据属于同一聚类类别；确定同一角度朝向的光伏组串中的低效组串。本发明对光伏组串进行聚类，以确定同一角度朝向的光伏组串，再针对同一角度朝向的光伏组串单独定位低效组串，避免了由于光伏组串角度朝向不同，引起的光伏组串发电能力差异而导致的低效组串的误判，提高了定位低效组串时的准确度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明低效组串的定位方法的一实施例的流程示意图；
图3为本发明低效组串的定位方法另一实施例的流程示意图；
图4为本发明低效组串的定位方法再一实施例的流程示意图；
图5为本发明低效组串的定位方法又一实施例的流程示意图；
图6为本发明低效组串的定位方法的整体流程示意图；
图7为本发明改进后的K均值聚类算法的流程示意图；
图8为本发明同一朝向组串中的低效组串的定位原理示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种解决方案，通过对光伏组串进行聚类，以确定同一角度朝向的光伏组串，再针对同一角度朝向的光伏组串单独定位低效组串，避免了由于光伏组串角度朝向不同，引起的光伏组串发电能力差异而导致的低效组串的误判，提高了定位低效组串时的准确度。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端为低效组串的定位装置。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括网络通信模块、用户接口模块以及低效组串的定位程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的低效组串的定位程序，并执行以下操作：
根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串，其中，同一角度朝向的光伏组串对应的电流数据属于同一聚类类别；
确定同一角度朝向的光伏组串中的低效组串。
进一步地，处理器1001可以调用存储器1005中存储的低效组串的定位程序，还执行以下操作：
采用K均值聚类算法，根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串。
进一步地，处理器1001可以调用存储器1005中存储的低效组串的定位程序，还执行以下操作：
采用自组织神经网络，对多个所述电流数据进行聚类，得到多个聚类中心；
将所述多个聚类中心作为所述K均值聚类算法的初始聚类中心。
进一步地，处理器1001可以调用存储器1005中存储的低效组串的定位程序，还执行以下操作：
对连接所述自组织神经网络中的输入节点与输出节点的权值向量进行初始化；
根据所述权值向量以及多个所述电流数据确定所述自组织神经网络的优胜邻域；
根据优胜邻域确定所述自组织神经网络的多个聚类中心。
进一步地，处理器1001可以调用存储器1005中存储的低效组串的定位程序，还执行以下操作：
在多个所述初始聚类中心中，确定各个所述电流数据对应的初始聚类中心；
根据各个所述初始聚类中心对应的电流数据对所述初始聚类中心进行更新；
检测更新后的聚类中心是否满足所述K均值聚类算法的收敛条件；
在满足所述收敛条件时，将各个更新后的聚类中心对应的电流数据作为各个类别的电流数据；
将同一类别的电流数据对应的光伏组串作为同一角度朝向的光伏组串。
进一步地，处理器1001可以调用存储器1005中存储的低效组串的定位程序，还执行以下操作：
在同一角度朝向的多个光伏组串对应的电流数据中，获取各个时刻对应的多个电流值；
确定同一时刻对应的多个电流值中的目标电流值；
根据不同时刻对应的目标电流值生成低效组串判断曲线；
根据所述低效组串判断曲线，确定同一角度朝向的多个光伏组串中的低效组串。
进一步地，处理器1001可以调用存储器1005中存储的低效组串的定位程序，还执行以下操作：
获取同一时刻对应的多个电流值中的中位数；
将所述中位数作为所述目标电流值。
进一步地，处理器1001可以调用存储器1005中存储的低效组串的定位程序，还执行以下操作：
在同一角度朝向的多个光伏组串中，检测光伏组串在预设时间段内各个时刻对应的电流数据是否小于所述低效组串判断曲线在预设时间段内各个时刻对应的电流值；
若是，则判定光伏组串为低效组串。
进一步地，处理器1001可以调用存储器1005中存储的低效组串的定位程序，还执行以下操作：
判定光伏组串为预设等级的低效组串，其中，预设等级与所述预设时间段对应。
进一步地，处理器1001可以调用存储器1005中存储的低效组串的定位程序，还执行以下操作：
采集经过光伏电站中各个光伏组串的实际电流值；
确定所述实际电流值中的噪声数据；
根据所述噪声数据对所述实际电流值进行去噪处理，得到所述电流数据。
参照图2以及图6，在一实施例中，低效组串的定位方法包括以下步骤：
步骤S10，获取光伏电站中各个光伏组串对应的电流数据；
在本实施例中，光伏电站设置有多个光伏组串，光伏组串的朝向、位置以及间距可以根据实际需求进行设置，因此不同光伏组串的朝向可以不同。在光伏电站运行时，光伏组串通过汇流设备输出电流，因此可采集到光伏电站中各个光伏组串的实时电流值。
可选地，可将采集的各个光伏组串的实时电流值作为各个光伏组串对应的电流数据。
可选地，也可对采集的各个光伏组串的实时电流值作进一步加工处理，以提高定位低效组串时的准确度。具体地，可采集经过光伏电站中各个光伏组串的实际电流值，并确定实际电流值中的噪声数据，根据噪声数据对所述实际电流值进行去噪处理，得到电流数据。例如，可获取全站分钟级组串电流，对通讯死值、中断、越限值等噪声数据进行数据预处理，具体处理方法如下：(1)对于通讯死值、中断、越限值等噪声数据过多的组串样本删除处理；(2)对于缺失、越限等噪声数据较少的组串样本采用近似修正法，即在光伏电站数据库样本中找到一个与它最相似的对象，然后用这个相似对象的电流数据值来进行修正填充，其中相似样本对象可采用皮尔森相关系数、Jaccard相似系数算法等。
步骤S20，根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串，其中，同一角度朝向的光伏组串对应的电流数据属于同一聚类类别；
在本实施例中，采用聚类算法对多个光伏组串的电流数据进行聚类，从而对多个光伏组串划分为多个类别。同一类别对应的光伏组串的角度朝向相同，不同类别对应的光伏组串的角度朝向不同。
可选地，可采用改进后的K均值聚类(K-means)算法，根据各个组串的电流数据，分类得到多个类别的组串，且不同类别的光伏组串的角度朝向不同。可以理解的是，光伏组件的发电量与太阳光照辐射强度正相关，不同角度朝向的光伏组串发电曲线特征不同，即在太阳光辐射一致的同一电站情况下，同一角度朝向正常发电组串电流曲线特性基本一致，因此可基于各个组串的电流数据实现不同朝向组串的分类，这样，可以考虑到同一电站光伏组串朝向带来的发电差异，针对不同朝向的组串分别单独进行低效组串的定位，避免了在基于各个组串的电流数据来定位低效组串时的诊断误判，而在常规技术中，组串朝向不同导致的诊断误判鲜有考虑。
步骤S30，确定同一角度朝向的光伏组串中的低效组串。
在本实施例中，根据同一角度朝向的光伏组串对应的电流数据，来确定同一角度朝向的光伏组串中的低效组串，避免了光伏组串朝向不同而导致的电流数据差异，从而避免低效组串的误判。
可选地，在同一角度朝向的光伏组串仅存在一个时，则根据该光伏组串的电流数据是否异常，来检测该光伏组串是否为低效组串。
可选地，在同一角度朝向的光伏组串同时存在多个时，则根据该多个光伏组串的电流数据综合检测该多个光伏组串中的低效组串。例如，在同一角度朝向的多个光伏组串中，可对不同光伏组串对应的电流数据进行比较，从而确定其中电流数据差异较大的光伏组串，并作为低效光伏组串。例如，根据光伏组串对应的电流数据生成电流变化曲线，根据电流变化曲线之间的差异来定位出低效组串。
在本实施例公开的技术方案中，对光伏组串进行聚类，以确定同一角度朝向的光伏组串，再针对同一角度朝向的光伏组串单独定位低效组串，避免了由于光伏组串角度朝向不同，引起的光伏组串发电能力差异而导致的低效组串的误判，提高了定位低效组串时的准确度。
在另一实施例中，如图3以及图6所示，在上述图2所示的实施例基础上，步骤S30包括：
步骤S31，在同一角度朝向的多个光伏组串对应的电流数据中，获取各个时刻对应的多个电流值；
在本实施例中，在同一角度朝向的多个光伏组串中，可获取各个光伏组串对应的电流值的采集时刻，从而得到各个时刻对应的多个电流值，其中，每一时刻对应的多个不同的电流值分别与不同光伏组串对应。
步骤S32，确定同一时刻对应的多个电流值中的目标电流值；
在本实施例中，可根据同一时刻对应的多个电流值来确定该时刻对应的目标电流值，例如，可将同一时刻对应的多个电流值的平均值或者中位数作为目标电流值。可以理解的是，由于在同一角度朝向的多个光伏组串中出现低效组串时，低效组串对应的异常电流数据会对平均值造成较大影响，因此在采用中位数作为目标电流值更加准确。
步骤S33，根据不同时刻对应的目标电流值生成低效组串判断曲线；
在本实施例中，在得到各个时刻对应的目标电流值后，可对应生成低效组串判断曲线，该低效组串判断曲线表征该朝向的组串的标准电流数据。例如，如图8所示，图8中颜色最深的自适应判断曲线即为低效组串判断曲线。
步骤S34，根据所述低效组串判断曲线，确定同一角度朝向的多个光伏组串中的低效组串。
在本实施例中，在得到同一角度朝向的多个光伏组串对应的低效组串判断曲线后，可检测同一角度朝向的各个光伏组串的电流数据与低效组串判断曲线是否差异较大，若差异较大，则可认为该光伏组串为低效组串，从而实现同一角度朝向的多个光伏组串中的低效组串的定位。
可选地，在检测光伏组串的电流数据与低效组串判断曲线是否差异较大时，可预先设置时间段，并检测光伏组串在预设时间段内各个时刻对应的电流数据均是否小于低效组串判断曲线在预设时间段内各个时刻对应的电流值，若是，则判定该光伏组串为低效组串，若否，则判定该光伏组串不是低效组串。例如，在基于改进后的K均值聚类算法得到聚类分簇结果后，对每簇同类朝向的组串进行低效组串分时段定位，首先选取该类朝向组串各个时刻电流数据的中位数连接成自适应判断曲线，该自适应判断曲线根据每类组串自身发电实际情况动态更新，接着以此条自适应判断曲线作为中位理想发电曲线，利用同一电站同规格同朝向组串发电量近似以及近邻分类思想，定位低效组串，该低效组串在选定时间段内每个时刻点电流数值都低于自适应判断曲线对应时刻点电流数值。如图8所示，时间段选取是以t1,t2时刻点为间隔，将发电时间段分为三个区间[t0,t1]，[t1,t2]，[t2,t0’]，其中t0为启机时刻，t0’为停机时刻。可选地，按光伏发电站设计规范，光伏方阵各排列应保证每天9：00-15:00(当地真太阳时)时段内前后左右互不遮挡，所以本实施例设置t1＝9:00(当地真太阳时)，t2＝15:00(当地真太阳时)。
可选地，针对不同时间段的低效组串，由于实际应用中的一些不可抗力影响，部分时间段低效无法人为处理，例如，早晚由于太阳高度角较低,前后排组件容易形成遮挡，前后排组件、电线杠、山体等固定遮挡物无法移除，根据光伏电站实际工况，本实施例建立低效组串快速筛选互动机制，由运维人员根据现场实际工况与算法信息联动，通过互动模型输出实际需求低效组串，因此对于不同的工况组串低效调节信号，运维人员可根据实际工况可选择特定时间段输出诊断结果，即由运维人员手动设置上述预设时间段。
可选地，可设置多个不同的预设时间段，且不同预设时间段对应有不同的预设等级。具体地，根据光伏组串在各个预设时间段内各个时刻对应的电流数据，均是否小于低效组串判断曲线在预设时间段内各个时刻对应的电流值，来判断该光伏组串是否为低效光伏组串，以及低效光伏组串的低效等级，例如，全时间段低效组串为I级低效组串，其他部分区间低效为II级低效组串，即根据光伏组串满足的预设时间段的不同，将光伏组串判定为预设时间段对应的预设等级的低效组串。
在本实施例公开的技术方案中，通过同一角度朝向的多个光伏组串对应的电流数据生成低效组串判断曲线，并依据低效组串判断曲线来定位同一角度朝向的多个光伏组串中的低效组串，实现了同一角度朝向的多个光伏组串中的低效组串的精确定位。
在再一实施例中，如图4以及图6所示，在图2至图3任一实施例所示的基础上，步骤S20包括：
步骤S21，采用K均值聚类算法，根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串；
在本实施例中，聚类算法可以是K均值聚类算法，或者改进后的K均值聚类算法。
步骤S21之前，还包括：
步骤S40，采用自组织神经网络，对多个所述电流数据进行聚类，得到多个聚类中心；
步骤S50，将所述多个聚类中心作为所述K均值聚类算法的初始聚类中心。
在本实施例中，在改进后的K均值聚类算法中，可先通过聚类算法确定初始聚类中心，再将此初始聚类中心作为K均值聚类算法进行二次聚类，通过两次聚类，使得K均值聚类算法的聚类中心的选取更加恰当，组串的分类更加精确。
可选地，在通过聚类算法确定初始聚类中心时，可采用自组织神经网络实现。例如，采用自组织神经网络，对多个电流数据进行聚类，得到多个聚类中心，将多个聚类中心作为K均值聚类算法的初始聚类中心。具体地，可对连接自组织神经网络中的输入节点与输出节点的权值向量进行初始化，再根据权值向量以及多个电流数据确定自组织神经网络的优胜邻域，根据优胜邻域确定所述自组织神经网络的多个聚类中心。在自组织神经网络中，将组串电流数据输入SOM网络中进行初始聚类，对于在选取的聚类标准上具有近似值的对象，聚合在某些特征点附近，得到初步精确的聚类结果。随后将这些点作为K-means算法的初始聚类中心，在此基础上进行二阶段聚类得到最终的聚类中心和结果。此两阶段聚类算法的流程如图7所示，具体聚类步骤如下：
S201：权值初始化。对连接输入节点到第j个输出节点的权值向量Wj(j＝1,2,K,p)赋予随机数，并设定初始循环次数。
S202：完成初始聚类(SOM算法部分)。对于每个聚类对象的XK(K＝1,2,K,m)，首先根据下面的公式求Wj中的优胜者权值向量Wg与XK的距离：
Figure BDA0003260302640000121
其中，任意两个m维向量A和B的欧氏距离可表示为：
Figure BDA0003260302640000122
然后，定义Ng(t)为优胜者的邻域，单元g为优胜者，将邻域域中各个单元对应的连接权值向量与Xi靠拢。在不同训练次数下重复直至网络稳定，并根据输出节点的响应完成样本的初始聚类。其学习方程为：
Figure BDA0003260302640000123
其中，η(t)为第t次的学习率，随训练次数增加递减，
Figure BDA0003260302640000124
为第K个样本第i个输入节点的输入，wij为第i个输入节点与第j个输出节点之间的连接权值，其中j∈NK(t)。
在本实施例公开的技术方案中，采用聚类算法对光伏电站组串进行聚类，针对面向光伏电站朝向聚类算法的缺陷，从算法计算原理的角度研究改进策略，提出了应用自组织神经网络的初始聚类中心改进初始聚类中心的改进策略，得出同一电站不同朝向的组串类别。
在又一实施例中，如图5以及图6所示，在图4实施例所示的基础上，步骤S21包括：
步骤S211，在多个所述初始聚类中心中，确定各个所述电流数据对应的初始聚类中心；
步骤S212，根据各个所述初始聚类中心对应的电流数据对所述初始聚类中心进行更新；
步骤S213，检测更新后的聚类中心是否满足所述K均值聚类算法的收敛条件；
步骤S214，在满足所述收敛条件时，将各个更新后的聚类中心对应的电流数据作为各个类别的电流数据；
步骤S215，将同一类别的电流数据对应的光伏组串作为同一角度朝向的光伏组串。
在本实施例中，如图7所示，S301：将应用SOM算法得到的聚类中心Z＝(Z1,Z2,K,Zk)，作为K-means聚类的初始中心。
S302：进行第二阶段聚类(K-means算法部分)。首先，计算所有样本到其所在类别聚类中心的距离平方和J(C)的值，将各样本划分到离其距离最近的类中心处，类中心相同的即为一类，从而确定各个电流数据对应的初始聚类中心。
Figure BDA0003260302640000131
其中，umn为二进制变量，umn＝1表示第n个样本属于第m类，umn＝0则表示不属于该类；d(cm,xn)为样本到其所在类别聚类中心的距离；cm为样本聚类中心；xn为类中其他样本数据。
S303：进行类中心的更新，根据前一步计算的划分结果、最小二乘法和拉格朗日原理，更新K个类的中心cm，再检测更新后的聚类中心是否满足所述K均值聚类算法的收敛条件，在满足收敛条件时，将各个更新后的聚类中心对应的电流数据作为各个类别的电流数据。
Figure BDA0003260302640000132
S304：在满足收敛条件时，可输出最终的聚类信息，得到多个类别的电流数据，不同类别的电流数据对应的光伏组串的朝向不同。
在本实施例公开的技术方案中，基于改进的K均值聚类算法，实现了不同朝向光伏组串的分类。
此外，本发明实施例还提出一种低效组串的定位装置，所述低效组串的定位装置包括：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低效组串的定位程序，所述低效组串的定位程序被所述处理器执行时实现如上各个实施例所述的低效组串的定位方法的步骤。
此外，本发明实施例还提出一种计算机存储介质，所述计算机存储介质上存储有低效组串的定位程序，所述低效组串的定位程序被处理器执行时实现如上各个实施例所述的低效组串的定位方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (12)

1.一种低效组串的定位方法，其特征在于，所述低效组串的定位方法包括以下步骤：
获取光伏电站中各个光伏组串对应的电流数据；
根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串，其中，同一角度朝向的光伏组串对应的电流数据属于同一聚类类别；
确定同一角度朝向的光伏组串中的低效组串。
2.如权利要求1所述的低效组串的定位方法，其特征在于，所述根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串的步骤包括：
采用K均值聚类算法，根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串。
3.如权利要求2所述的低效组串的定位方法，其特征在于，所述采用K均值聚类算法，根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串的步骤之前，还包括：
采用自组织神经网络，对多个所述电流数据进行聚类，得到多个聚类中心；
将所述多个聚类中心作为所述K均值聚类算法的初始聚类中心。
4.如权利要求3所述的低效组串的定位方法，其特征在于，所述采用自组织神经网络，对多个所述电流数据进行聚类，得到多个聚类中心的步骤包括：
对连接所述自组织神经网络中的输入节点与输出节点的权值向量进行初始化；
根据所述权值向量以及多个所述电流数据确定所述自组织神经网络的优胜邻域；
根据优胜邻域确定所述自组织神经网络的多个聚类中心。
5.如权利要求3所述的低效组串的定位方法，其特征在于，所述采用K均值聚类算法，根据多个所述电流数据对多个所述光伏组串进行聚类，以确定同一角度朝向的光伏组串的步骤包括：
在多个所述初始聚类中心中，确定各个所述电流数据对应的初始聚类中心；
根据各个所述初始聚类中心对应的电流数据对所述初始聚类中心进行更新；
检测更新后的聚类中心是否满足所述K均值聚类算法的收敛条件；
在满足所述收敛条件时，将各个更新后的聚类中心对应的电流数据作为各个类别的电流数据；
将同一类别的电流数据对应的光伏组串作为同一角度朝向的光伏组串。
6.如权利要求1所述的低效组串的定位方法，其特征在于，所述确确定同一角度朝向的光伏组串中的低效组串的步骤包括：
在同一角度朝向的多个光伏组串对应的电流数据中，获取各个时刻对应的多个电流值；
确定同一时刻对应的多个电流值中的目标电流值；
根据不同时刻对应的目标电流值生成低效组串判断曲线；
根据所述低效组串判断曲线，确定同一角度朝向的多个光伏组串中的低效组串。
7.如权利要求6所述的低效组串的定位方法，其特征在于，所述确定同一时刻对应的多个电流值中的目标电流值的步骤包括：
获取同一时刻对应的多个电流值中的中位数；
将所述中位数作为所述目标电流值。
8.如权利要求6所述的低效组串的定位方法，其特征在于，所述根据所述低效组串判断曲线，确定同一角度朝向的多个光伏组串中的低效组串的步骤包括：
在同一角度朝向的多个光伏组串中，检测光伏组串在预设时间段内各个时刻对应的电流数据是否小于所述低效组串判断曲线在预设时间段内各个时刻对应的电流值；
若是，则判定光伏组串为低效组串。
9.如权利要求8所述的低效组串的定位方法，其特征在于，所述判定光伏组串为低效组串的步骤包括：
判定光伏组串为预设等级的低效组串，其中，预设等级与所述预设时间段对应。
10.如权利要求1所述的低效组串的定位方法，其特征在于，所述获取光伏电站中各个光伏组串对应的电流数据的步骤包括：
采集经过光伏电站中各个光伏组串的实际电流值；
确定所述实际电流值中的噪声数据；
根据所述噪声数据对所述实际电流值进行去噪处理，得到所述电流数据。
11.一种低效组串的定位装置，其特征在于，所述低效组串的定位装置包括：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低效组串的定位程序，所述低效组串的定位程序被所述处理器执行时实现如权利要求1至10中任一项所述的低效组串的定位方法的步骤。
12.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有低效组串的定位程序，所述低效组串的定位程序被处理器执行时实现如权利要求1至10中任一项所述的低效组串的定位方法的步骤。
CN202111072714.XA 2021-09-13 2021-09-13 低效组串的定位方法、装置及计算机存储介质 Active CN113872524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111072714.XA CN113872524B (zh) 2021-09-13 2021-09-13 低效组串的定位方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111072714.XA CN113872524B (zh) 2021-09-13 2021-09-13 低效组串的定位方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN113872524A true CN113872524A (zh) 2021-12-31
CN113872524B CN113872524B (zh) 2024-06-04

Family

ID=78995686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111072714.XA Active CN113872524B (zh) 2021-09-13 2021-09-13 低效组串的定位方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113872524B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114400971A (zh) * 2022-01-21 2022-04-26 中国华能集团清洁能源技术研究院有限公司 一种光伏电站组串编码查验方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190197203A1 (en) * 2017-12-27 2019-06-27 Imec Vzw Simulation of Photovoltaic Systems
CN110855241A (zh) * 2019-12-04 2020-02-28 合肥阳光新能源科技有限公司 一种光伏系统故障诊断方法及装置
CN112258025A (zh) * 2020-10-21 2021-01-22 中国计量大学 一种基于异常数据序列提取的光伏组串诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190197203A1 (en) * 2017-12-27 2019-06-27 Imec Vzw Simulation of Photovoltaic Systems
CN110855241A (zh) * 2019-12-04 2020-02-28 合肥阳光新能源科技有限公司 一种光伏系统故障诊断方法及装置
CN112258025A (zh) * 2020-10-21 2021-01-22 中国计量大学 一种基于异常数据序列提取的光伏组串诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114400971A (zh) * 2022-01-21 2022-04-26 中国华能集团清洁能源技术研究院有限公司 一种光伏电站组串编码查验方法和装置
CN114400971B (zh) * 2022-01-21 2023-11-07 中国华能集团清洁能源技术研究院有限公司 一种光伏电站组串编码查验方法和装置

Also Published As

Publication number Publication date
CN113872524B (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
WO2022121289A1 (en) Methods and systems for mining minority-class data samples for training neural network
CN111914728B (zh) 高光谱遥感影像半监督分类方法、装置及存储介质
CN109617888B (zh) 一种基于神经网络的异常流量检测方法及系统
CN109977895B (zh) 一种基于多特征图融合的野生动物视频目标检测方法
CN105320967A (zh) 基于标签相关性的多标签AdaBoost集成方法
CN107832789B (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
CN111414875B (zh) 基于深度回归森林的三维点云头部姿态估计系统
CN112802011A (zh) 一种基于vgg-bls的风机叶片缺陷检测方法
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
CN111144566A (zh) 神经网络权重参数的训练方法、特征分类方法及对应装置
CN113541985A (zh) 物联网故障诊断方法、模型的训练方法及相关装置
CN113872524A (zh) 低效组串的定位方法、装置及计算机存储介质
CN111860488A (zh) 一种杆塔鸟巢检测与识别方法、装置、设备及其介质
EP1939796A2 (en) Data processing apparatus, data processing method data processing program and computer readable medium
CN117938477A (zh) 网络入侵检测方法、装置、终端设备以及存储介质
CN117590173A (zh) 一种基于卷积神经网络的电缆局部放电模式识别方法
CN116029440A (zh) 光伏电站超短期功率预测方法和装置
CN114283431B (zh) 一种基于可微分二值化的文本检测方法
CN112348700B (zh) 一种结合som聚类与ifou方程的线路容量预测方法
CN116975742A (zh) 局部放电模式识别方法、装置、设备和存储介质
CN114726800A (zh) 一种基于模型解释的规则式应用流量分类方法及系统
CN107633010B (zh) 一种复杂造型grc板块图像的识别方法和系统
CN111507495A (zh) 缺失的测风数据的预测方法及装置
CN113807400B (zh) 一种基于对抗攻击的高光谱图像分类方法、系统和设备
CN114398977B (zh) 一种基于对抗样本的网络欺骗流量生成方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 230088 101, 201, office building of Hefei Haoyang Power Technology Co., Ltd., No.23 Tianzhi Road, high tech Zone, Hefei City, Anhui Province

Applicant after: Sunshine Zhiwei Technology Co.,Ltd.

Address before: 230088 101, 201, office building of Hefei Haoyang Power Technology Co., Ltd., No.23 Tianzhi Road, high tech Zone, Hefei City, Anhui Province

Applicant before: Hefei sunshine Zhiwei Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant