CN113992153B - 一种光伏电站可视化实时监测分布式管理系统 - Google Patents

Abstract

本发明提出一种光伏电站可视化实时监测分布式管理系统，所述系统包括：光伏信息采集单元，所述光伏信息采集单元用于采集至少以下信息：多个分布式光伏电站的经纬度信息、编号信息、温度信息、辐射强度、辐射面积；发电量预测单元，利用所述光伏信息采集单元采集的信息中的一项或多项，输入经过训练的图神经网络，预测每个分布式电站的理论发电量；异常判定单元，将预测到的理论发电量输入至经过训练的深度神经网络，得到异常分类信息；信息显示单元，所述信息显示单元用于显示光伏电站状态信息。本发明所提出的解决方案在进行理论发电量计算时，充分考虑了采集到的实际数据，作为理论计算的依据，提高了预测精度，而且考虑了不同电站的邻接关系，提高了分类的准确度和精度。

Description

一种光伏电站可视化实时监测分布式管理系统

技术领域

本发明涉及光伏发电站领域，尤其涉及一种光伏电站可视化实时监测分布式管理系统，以便及时进行故障查看和提供维修指引，有利于分布式光伏电站运行管理系统的实时监测。

背景技术

随着“碳中和”目标的提出，国家层面和企业层面纷纷上调新能源发展目标。其中，光伏是重中之重。有专家甚至将光伏称为未来的发电之王。

然而，光伏作为一种不可控能源，具有间歇性和随机性，随着我国分布式光伏电站的数量不断增加，大规模的分布式光伏电站并入电网，给电网规划和稳定运行造成了不利影响。

并且，分布式光伏电站分布面广、单体容量小，再加上分布式光伏电站的应用场景呈现多样

化趋势，给分布式光伏电站的管理和运维带来了巨大挑战。本发明所说的分布式光伏电站，指的是利用分散式资源，装机规模较小的、布置在用户附近，采用光伏组件，将太阳能直接转换为电能的发电系统。

目前越来越多的光伏太阳能发电站并网，并网光伏电站的发电性能是光伏电站的关键技术参数，在实际应用中太阳能光伏电站的发电功率随太阳辐照度、环境温度等因素而变化。现有技术中，有一种方法如下：结合太阳辐照度、组件内部光伏电站的温度和光伏组件总功率来计算光伏发电站的理论发电量，然后将实际发电量与理论发电量来对比来验证光伏电站发电性能的方法。

然而，上述方法均存在以下问题：理论发电量的计算值误差过大，造成误差过大的原因是辐照度测量误差、灰尘遮挡、理论计算公式误差等。一旦光伏发电站整体性能下降，管理人员也不能从监测数据中发现问题。现有的光伏发电站监测系统无法判断光伏发电站是否正常工作，不能为光伏电站的管理提供系统工作异常提醒。

还有一种方法如：CN103399219A，采集光伏发电站中的光伏方阵输出的直流电的电压V1和电流I1的大小，并利用V1和I1计算出直流功率P1的大小；采集光伏方阵输出的直流电经过逆变之后形成交流电的电压V11和I11的大小，并利用V11和I11计算出交流功率P11的大小；获取与构成光伏方阵规格相同的光伏组件，并采集光伏组件输出的直流电的电压V0和电流I0的大小，并利用V0和I0计算出直流功率P0的大小；采集光组件输出的直流电经过逆变之后形成交流电的电压V01和I01的大小，并利用V01和I01计算出交流P01的大小；根据上述步骤采集或计算出的光伏方阵和光伏组件的相关数据判断光伏方阵的性能是否正常。

然而，上述方法同样存在问题，由于光伏作为一种不可控能源，具有间歇性和随机性，因此一定时间的输出不稳定，并不必然是由于故障导致，还可能是其他因素的影响。因此有必要充分挖掘出真实故障，减少误判。

影响光伏电站发电量的因素有很多，包括太阳辐射强度、灰尘损失、控制逆变器损失、线路损失等。

主要创新点：

1.现有技术中，在进行光伏电站的理论发电量的预估时，一般考虑的是理想条件下的发电量估计，但是这种计算方式跟实际的发电量差异极大，导致在进行光伏发电异常判定时出现判断错误。本申请则在进行理论计算时已经事先采集到了多个分布式光伏电站的经纬度信息、编号信息、温度信息、辐射强度、辐射面积，利用实际数据进行光伏电站的发电量估算，大大增加了预估的准确度，为后续生成对抗网络的判定提供了基础，提供了模型判定的准确度。

2.现有技术中，光伏电站的状态监测仅仅考虑的是根据光伏电站本身的预测电量与理论发电量的关系进行判断，忽略了各个光伏电站之间的关系，例如：相邻光伏电站在光照强度、光照时长、甚至灰尘方面都有一一定的相似性，如果仅仅是由灰尘类遮挡导致，则可以通过临近的光伏电站状态信息得出该结论。现有技术并未考虑这一特点，因此无法区分出此类故障类型，而本申请则利用了该邻接特征，丰富了故障类型，提高了分类的准确度，便于维护人员进行准确定位问题类型。

3.本申请通过图神经网络和深度神经网络的联合使用，协同作用，不可分割，特别是利用所构建的损失函数以及激励函数，进一步增强的预测的准确性和分类的准确性。

发明内容

为解决上述问题，本发明提出了一种光伏电站可视化实时监测分布式管理系统，所述系统包括：

光伏信息采集单元，所述光伏信息采集单元用于采集至少以下信息：多个分布式光伏电站的经纬度信息、编号信息、温度信息、辐射强度、辐射面积；

发电量预测单元，利用所述光伏信息采集单元采集的信息中的一项或多项，输入经过训练的图神经网络，预测每个分布式电站的理论发电量；

异常判定单元，将预测到的理论发电量输入至经过训练的深度神经网络，得到异常分类信息；

信息显示单元，所述信息显示单元用于显示光伏电站状态信息。

可选的，所述辐射强度进一步包括：太阳平均辐射强度、太阳最大辐射强度、太阳最小辐射强度；所述温度信息进一步包括：平均温度信息、最高温度信息、最低温度信息。

可选的，所述光伏信息采集单元还能够采集每个发电站的实际发电量。

可选的，所述图神经网络利用实际发电量和预测发电量构建损失函数，提升图神经网络的预测精度。

可选的，所述图神经网络所采用的损失函数为：所述损失函数包括第一损失函数；

所述第一损失函数为：

所述N表示所述样本数据集的大小，i取值1～N；P_{i_act}表示光伏电站的实际发电量；P_{i_pre}表示光伏电站的理论发电量；所述a表示图神经网络的当前层输出值。

可选的，所述图神经网络包含多个节点及边，每个光伏电站表示一个节点，光伏电站之间的连接关系对应于边。

可选的，所述深度神经网络包括输入层、多个隐含层、以及一个输出层，所述输入层信息来自光伏信息采集单元；所述多个隐含层包括一个或多个卷积层、一个或多个池化层以及一个全连接层；所述输出层输出异常类型。

可选的，所述池化层的池化方法如下：

x^e＝f(1-φ(u^e))

u^e＝w^eφ(x^e-1)；

其中，x^e表示当前层的输出，u^e表示激励函数R_l的输入，

R_l表示激励函数，w^e表示当前层的权重，φ表示损失函数，x^e-1表示上一层的输出。

可选的，所述隐含层设置有损失函数，所述损失函数包括第二损失函数；

所述第二损失函数为：

N表示所述样本数据集的大小，i取值1～N，yi表示样本xi对应的标签；Q_yi表示样本xi在其标签yi处的权重，M_yi表示样本xi在其标签yi处的偏差，M_j表示输出节点j处的偏差；θ_j,i为样本xi与其对应标签yi的权重夹角。

可选的，所述隐含层包含有激励函数，所述激励函数为：

其中，θ_yi表示为样本xi与其对应标签yi的向量夹角；所述N表示训练样本个数；W_yi表示当前节点的权重。

本申请还提出了一种电子设备，所述电子设备包括存储器和处理器，所述处理器执行所述任一项所述的方案。

本申请还提出了一种计算机存储介质，所述存储介质存储有计算机程序指令，所述程序指令用于运行所述任一项所述的方案。

说明书附图

图1是本发明的主要逻辑流程图。

具体实施方式

如图1所述，为解决上述问题，本发明提出了一种光伏电站可视化实时监测分布式管理系统，所述系统包括：

光伏信息采集单元，所述光伏信息采集单元用于采集至少以下信息：多个分布式光伏电站的经纬度信息、编号信息、温度信息、辐射强度、辐射面积；

发电量预测单元，利用所述光伏信息采集单元采集的信息中的一项或多项，输入经过训练的图神经网络，预测每个分布式电站的理论发电量；

异常判定单元，将预测到的理论发电量输入至经过训练的深度神经网络，得到异常分类信息；

信息显示单元，所述信息显示单元用于显示光伏电站状态信息。

所述经纬度信息能够唯一的定位一个光伏电站，以供维护人员进行工程维护时准确定位到发生故障的光伏电站。

所述编号信息唯一的标识一个光伏电站，用于在信息显示单元进行区分不同的电站，以及供维护人员进行工程维护。

可选的，所述辐射强度进一步包括：太阳平均辐射强度、太阳最大辐射强度、太阳最小辐射强度；所述温度信息进一步包括：平均温度信息、最高温度信息、最低温度信息；温度信息的周期可由本领域技术人员进行实际情况进行设定，例如：可以是，从早晨6点到傍晚6点；或者从早晨5点到当前时刻等方式均可。

可选的，所述光伏信息采集单元还能够采集每个发电站的实际发电量。

可选的，所述图神经网络利用实际发电量和预测发电量构建损失函数，提升图神经网络的预测精度。

可选的，所述图神经网络所采用的损失函数为：所述损失函数包括第一损失函数；

所述第一损失函数为：

所述N表示所述样本数据集的大小，i取值1～N；P_{i_act}表示光伏电站的实际发电量；P_{i_pre}表示光伏电站的理论发电量；所述a表示图神经网络的当前层输出值。

可选的，所述图神经网络包含多个节点及边，每个光伏电站表示一个节点，光伏电站之间的连接关系对应于边。

可选的，所述深度神经网络包括输入层、多个隐含层、以及一个输出层，所述输入层信息来自光伏信息采集单元；所述多个隐含层包括一个或多个卷积层、一个或多个池化层以及一个全连接层；所述输出层输出异常类型。

所述异常类型包括：灰尘遮挡、元件损坏，更具体的，在获取更充分的输入信息的情况下，还可以包括：逆变器故障、接地故障、电池故障、过压保护器故障等类型。

可选的，所述池化层的池化方法如下：

x^e＝f(1-φ(u^e))

u^e＝w^eφ(x^e-1)；

其中，x^e表示当前层的输出，u^e表示激励函数R_l的输入，R_l表示激励函数，w^e表示当前层的权重，φ表示损失函数，x^e-1表示上一层的输出。

可选的，所述隐含层设置有损失函数，所述损失函数包括第二损失函数；

所述第二损失函数为：

N表示所述样本数据集的大小，i取值1～N，yi表示样本xi对应的标签；Q_yi表示样本xi在其标签yi处的权重，M_yi表示样本xi在其标签yi处的偏差，M_j表示输出节点j处的偏差；θ_j,i为样本xi与其对应标签yi的权重夹角。

可选的，所述隐含层包含有激励函数，所述激励函数为：

其中，θ_yi表示为样本xi与其对应标签yi的向量夹角；所述N表示训练样本个数；W_yi表示当前节点的权重。

本申请还提出了一种电子设备，所述电子设备包括存储器和处理器，所述处理器执行所述任一项所述的方案。

本申请还提出了一种计算机存储介质，所述存储介质存储有计算机程序指令，所述程序指令用于运行所述任一项所述的方案。

本申请还提出了一种电子设备，所述电子设备包括存储器和处理器，所述处理器执行所述任一项所述的方案。

本申请还提出了一种计算机存储介质，所述存储介质存储有计算机程序指令，所述程序指令用于运行所述任一项所述的方案。

需要特别说明的是，以上各种实施例或进一步限定，在不冲突的情况下可自行组合使用，都构成本发明的实际公开范围，限于篇幅，不予一一列举，但各种组合方式均落入本申请的保护范围。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种光伏电站可视化实时监测分布式管理系统，所述系统包括：

光伏信息采集单元，所述光伏信息采集单元用于采集至少以下信息：多个分布式光伏电站的经纬度信息、编号信息、温度信息、辐射强度、辐射面积；

发电量预测单元，利用所述光伏信息采集单元采集的信息中的一项或多项，输入经过训练的图神经网络，预测每个分布式电站的理论发电量；

异常判定单元，将预测到的理论发电量输入至经过训练的深度神经网络，得到异常分类信息；

信息显示单元，所述信息显示单元用于显示光伏电站状态信息；

所述图神经网络所采用的损失函数为：所述损失函数包括第一损失函数；

所述第一损失函数为：

所述N表示样本数据集的大小，i取值1～N；P_{i_act}表示光伏电站的实际发电量；P_{i_pre}表示光伏电站的理论发电量；所述a表示图神经网络的当前层输出值；

所述深度神经网络包括输入层、多个隐含层、以及一个输出层，所述输入层信息来自光伏信息采集单元；所述多个隐含层包括一个或多个卷积层、一个或多个池化层以及一个全连接层；所述输出层输出异常类型；

所述池化层的池化方法如下：

其中，x^e表示当前层的输出，u^e表示激励函数R_l的输入，R_l表示激励函数，w^e表示当前层的权重，φ表示损失函数，x^e-1表示上一层的输出。

2.根据权利要求1所述的一种光伏电站可视化实时监测分布式管理系统，所述辐射强度进一步包括：太阳平均辐射强度、太阳最大辐射强度、太阳最小辐射强度；所述温度信息进一步包括：平均温度信息、最高温度信息、最低温度信息。

3.根据权利要求1所述的一种光伏电站可视化实时监测分布式管理系统，所述光伏信息采集单元还能够采集每个发电站的实际发电量。

4.根据权利要求1所述的一种光伏电站可视化实时监测分布式管理系统，所述图神经网络利用实际发电量和预测发电量构建损失函数，提升图神经网络的预测精度。

5.根据权利要求1所述的一种光伏电站可视化实时监测分布式管理系统，所述图神经网络包含多个节点及边，每个光伏电站表示一个节点，光伏电站之间的连接关系对应于边。

6.根据权利要求5所述的一种光伏电站可视化实时监测分布式管理系统，所述隐含层设置有损失函数，所述损失函数包括第二损失函数；

所述第二损失函数为：

N表示所述样本数据集的大小，i取值1～N，yi表示样本xi对应的标签；Q_yi表示样本xi在其标签yi处的权重，M_yi表示样本xi在其标签yi处的偏差，M_j表示输出节点j处的偏差；θ_j,i为样本xi与其对应标签yi的权重夹角。

Images