CN114070198B - 分布式光伏发电系统的故障诊断方法、装置和电子设备 - Google Patents
分布式光伏发电系统的故障诊断方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114070198B CN114070198B CN202111479545.1A CN202111479545A CN114070198B CN 114070198 B CN114070198 B CN 114070198B CN 202111479545 A CN202111479545 A CN 202111479545A CN 114070198 B CN114070198 B CN 114070198B
- Authority
- CN
- China
- Prior art keywords
- power generation
- power
- weight matrix
- generation system
- distributed photovoltaic
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 145
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000007689 inspection Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Computing Systems (AREA)
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种分布式光伏发电系统的故障诊断方法、装置和电子设备，该方法和装置具体为构建分布式光伏发电系统中所有电站的空间权重矩阵，空间权重矩阵的每个元素对应一个电站的权重系数；根据空间权重矩阵所有电站的发电异常日期；根据发电异常日期从上述所有电站中识别出故障电站。通过这种方式可以不用现场检查即可识别出故障电站，运维人员则可以据此及时排除该故障，从而避免分布式光伏发电系统的发电效率受到影响。
Description
技术领域
本申请涉及光伏技术领域，更具体地说，涉及一种分布式光伏发电系统的故障诊断方法和装置。
背景技术
随着新能源在国内市场的大规模开发和利用，光伏产业已日渐成熟。随着国务院节能减排，促进光伏发展政策的深化执行，仍将保持高速增长趋势。但由于分布式光伏电站规模小、位置偏远分散、分布地形复杂各异，目前市场上的光伏电站管理系统智能运维手段欠缺，导致电站运行过程中出现较多问题。
分布式光伏发电系统又称分散式发电或分布式供能，是指在用户现场或靠近用电现场配置较小的光伏发电供电系统，以满足特定用户的需求，支持现存配电网的经济运行，或者同时满足这两个方面的要求。分布式光伏发电系统的基本设备包括光伏电池组件、光伏方阵支架、直流汇流箱、直流配电柜、并网逆变器、交流配电柜等设备，另外还有供电系统监控装置和环境监测装置。其运行模式是在有太阳辐射的条件下，光伏发电系统的太阳能电池组件阵列将太阳能转换输出的电能，经过直流汇流箱集中送入直流配电柜，由并网逆变器逆变成交流电供给建筑自身负载，多余或不足的电力通过联接电网来调节。
分布式光伏发电系统中的每个电站中包括有很多的光伏组件，光伏组件之间通过串联或并联方式连接在一起，以获得所期望的电压或电流的。为了达到较高的光电转换效率，电池组件中的每一块电池片都须具有相似的特性。在使用过程中，可能出现一个或一组电池不匹配，如：出现裂纹、内部连接失效或遮光等情况，导致其特性与整体不谐调。在合理的光照条件下，一串联支路中被遮蔽的光伏电池，会由发电单元变为耗电单元，被遮蔽的光伏电池不但对组件输出没有贡献，而且会消耗其它电池产生的电力，此时会发热，这就是热斑效应。
分布式光伏发电系统受到光伏组件不一致性影响，先天就有“木桶效应”，即其中一块组件的故障会影响到一个组串以及整个系统的发电量。而落叶、灰尘等异物遮挡会导致系统中一块组件发电量降低时，将这种“木桶效应”进行了无限放大。长期遮挡还会导致组件热斑现象损坏光伏组件。
因光伏面板被遮挡而导致发电效率大幅下降是分布式光伏电站运行的常见问题之一，像杂草、灰尘、雨雪等异物遮挡，运维工作人员不去现场很难察觉；或者面板被建筑物、树荫、行间距不合理的电池组件等物体的阴影遮挡，遮挡面积会随太阳角度变化而改变，导致即使运维人员在现场也不一定能够被及时发现。鉴于分布式光伏发电系统本身点多面广且故障难以被及时发现，导致故障无法被及时排除，从而影响了其发电效率。
发明内容
有鉴于此，本申请提供一种分布式光伏发电系统的故障诊断方法和装置，用于及时发现分布式光伏发电系统的故障，以便使运维人员能够据此及时排除该故障，从而避免其发电效率受到影响。
为了实现上述目的，现提出的方案如下：
一种分布式光伏发电系统的故障诊断方法，应用于电子设备，所述故障诊断方法包括步骤：
构建所述分布式光伏发电系统中所有电站的空间权重矩阵，所述空间权重矩阵的每个元素对应一个所述电站的权重系数；
根据所述空间权重矩阵所述所有电站的发电异常日期；
根据所述发电异常日期从上述所有电站中识别出故障电站。
可选的，所述构建所述分布式光伏发电系统中所有电站的空间权重矩阵，包括步骤：
获取每个所述电站的地理位置信息；
根据所述地理位置信息构建所述空间权重矩阵。
可选的，所述根据所述空间权重矩阵所述所有电站的发电异常日期，包括步骤：
获取每个所述电站的日发电量和装机容量，根据所述日发电量、所述装机容量和所述空间权重矩阵计算全局moran指数；
根据所述全局moran指数随时间的变化规律，判定所述发电异常日期；
可选的，所述根据所述发电异常日期从上述所有电站中识别出故障电站，包括步骤：
收集所述发电异常日期内所述所有电站的96点光伏出力曲线，并进行归一化处理；
计算每个所述电站的光伏出力曲线与其他所述电站的光伏出力曲线之间的欧式距离总和；
根据所述欧式距离总和从所述所有电站中筛选出所述故障电站。
一种分布式光伏发电系统的故障诊断装置，应用于电子设备，所述故障诊断装置包括：
矩阵构建模块，被配置为构建所述分布式光伏发电系统中所有电站的空间权重矩阵，所述空间权重矩阵的每个元素对应一个所述电站的权重系数；
异常识别模块，被配置为根据所述空间权重矩阵所述所有电站的发电异常日期；
诊断执行模块，被配置为根据所述发电异常日期从上述所有电站中识别出故障电站。
可选的，所述矩阵构建模块包括：
第一获取单元，用于获取每个所述电站的地理位置信息；
构建执行单元，用于根据所述地理位置信息构建所述空间权重矩阵。
可选的，所述异常识别模块包括：
第二获取单元，用于获取每个所述电站的日发电量和装机容量，根据所述日发电量、所述装机容量和所述空间权重矩阵计算全局moran指数；
识别执行单元，用于根据所述全局moran指数随时间的变化规律，判定所述发电异常日期；
可选的，所述诊断执行模块包括：
曲线收集单元，用于收集所述发电异常日期内所述所有电站的96点光伏出力曲线，并进行归一化处理；
计算执行单元，用于计算每个所述电站的光伏出力曲线与其他所述电站的光伏出力曲线之间的欧式距离总和；
故障筛选单元，用于根据所述欧式距离总和从所述所有电站中筛选出所述故障电站。
一种电子设备，应用于分布式光伏发电系统，其特征在于，设置有如上所述的故障诊断装置。
一种电子设备，应用于分布式光伏发电系统，包括至少一个处理器和与所述处理器连接的存储器，其中：
所述存储器用于存储计算机程序或指令；
所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如上所述的故障诊断方法。
从上述的技术方案可以看出，本申请公开了一种分布式光伏发电系统的故障诊断方法、装置和电子设备，该方法和装置具体为构建分布式光伏发电系统中所有电站的空间权重矩阵，空间权重矩阵的每个元素对应一个电站的权重系数；根据空间权重矩阵所有电站的发电异常日期；根据发电异常日期从上述所有电站中识别出故障电站。通过这种方式可以不用现场检查即可识别出故障电站，运维人员则可以据此及时排除该故障，从而避免分布式光伏发电系统的发电效率受到影响。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例的一种分布式光伏发电系统的故障诊断方法的流程图；
图2为本申请实施例的一种分布式光伏发电系统的故障诊断装置的框图；
图3为本申请实施例的另一种分布式光伏发电系统的故障诊断装置的框图；
图4为本申请实施例的又一种分布式光伏发电系统的故障诊断装置的框图；
图5为本申请实施例的又一种分布式光伏发电系统的故障诊断装置的框图；
图6为本申请实施例的一种电子设备的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提出的方案是根据电站的发电量、装机容量、发电功率和地理位置信息来进行异常识别，仅需从用电信息采集系统获取数据，数据采集成本低、易于获取，工程实用性强，可在分布式光伏发电系统广泛部署。本申请提出根据集群发电量moran指数随时间的变化规律，判定集群内有发电异常电站的日期，再对异常日期的集群出力曲线进行距离分析，筛选出脱离群体的电站，即为异常电站。该方法能定位到异常的日期，无须依赖正常发电电站信息，克服了上面提到的两种面向分布式光伏的异常检测方法的缺陷，实用性更强。基于以上描述，特提出如下的实施例。
实施例一
图1为本申请实施例的一种分布式光伏发电系统的故障诊断方法的流程图。
如图1所示，本实施例提供的故障诊断方法应用于相应的电子设备，该电子设备可以理解为具有数据计算和信息处理能力的计算机或服务器，其一般为设置于分布式光伏发电系统的中控站或集控站的计算机或服务器。该故障诊断方法具体包括如下步骤：
S1、构建分布式光伏发电系统的空间权重矩阵。
即构建包括有该分布式光伏发电系统的所有电站的空间权重矩阵，该矩阵的每个元素对应一个电站的权重系数。具体来说，本申请通过如下方案实现该矩阵的构建：
首先，获取该分布式光伏发电系统内每个电站的地理位置信息，即经纬度信息。然后，根据该地理位置信息计算不同电站之间的距离，并基于该距离构建该系统的空间权重矩阵，该矩阵用于表示系统中n个电站的空间相近关系，空间权重矩阵W定义如下：
其中：d为设定的距离阈值。通过调整距离阈值d，n个电站的空间相近关系也会对应变化。上述地理位置信息来源于数据库或者用户的输入。该距离阈值d结合实际情况配置，比如根据各个电站地理位置远近及历史发电量的相近程度配置d。
S2、根据空间权重矩阵识别发电异常日期。
即在该空间权重矩阵的基础上，根据电站的日发电量和装机容量对相应电站的发电状态进行识别，从中得到所有电站的发电异常日期，具体过程如下：
首先，获取每个电站的日发电量和装机容量，用日发电量除以装机容量得到每日的单位容量发电量。根据空间权重矩阵W，计算该分布式光伏发电系统的每日单位容量发电量的全局moran指数，该指数其定义如下：
其中，n为电站数量，pi为光伏电站i的单位容量发电量，wij为空间权重矩阵元素。
然后，根据moran指数的随时间的变化规律，判定出现发电异常的日期；具体为设定一个阈值K，当moran指数低于阈值K时，表明空间分布电站的单位容量发电量相似程度低，即有离群点出现，该天被识别为发电异常日期。该阈值K根据工程实践进行设定并迭代优化。
Moran指数是量化空间自相关性的全局指标之一，它表示空间相邻对象属性值的相似程度。Moran指数的取值范围为[-1,1]，当Moran指数>0，表明空间分布正相关，数值越大相关性越大；当Moran指数<0表明负相关，数值越小负的相关性越大；当Moran指数＝0表明不存在相关性，空间分布表现出随机性。
S3、根据发电异常日期从所有电站中筛选故障电站。
具体为对发电异常日期的集群96点出力曲线进行距离分析，根据距离分析筛选出异常电站。具体方案如下：
首先，收集发电异常日期内所有电站的96点光伏出力曲线，并对出力曲线进行归一化处理；
然后，计算每个电站的出力曲线与其他电站的出力曲线之间的欧式距离总和，两条出力曲线的欧式距离定义如下：
其中，分别为两条出力曲线的坐标向量。
最后，设定当某电站的欧式距离大于阈值S时，说明该曲线与群体曲线簇的形状差异较大。判定其为故障电站，需及时排查。该阈值S可以根据工程实践进行设定并迭代优化。
从上述技术方案可以看出，本实施例提供了一种分布式光伏发电系统的故障诊断方法，该方法应用于电子设备，具体为构建分布式光伏发电系统中所有电站的空间权重矩阵，空间权重矩阵的每个元素对应一个电站的权重系数；根据空间权重矩阵所有电站的发电异常日期；根据发电异常日期从上述所有电站中识别出故障电站。通过这种方式可以不用现场检查即可识别出故障电站，运维人员则可以据此及时排除该故障，从而避免分布式光伏发电系统的发电效率受到影响。
实施例二
图2为本申请实施例的一种分布式光伏发电系统的故障诊断装置的框图。
如图2所示，本实施例提供的故障诊断装置应用于相应的电子设备，该电子设备可以理解为具有数据计算和信息处理能力的计算机或服务器，其一般为设置于分布式光伏发电系统的中控站或集控站的计算机或服务器。该故障诊断装置具体包括矩阵构建模块10、异常识别模块20和诊断执行模块30。
矩阵构建模块用于构建分布式光伏发电系统的空间权重矩阵。
即构建包括有该分布式光伏发电系统的所有电站的空间权重矩阵，该矩阵的每个元素对应一个电站的权重系数。该模块包括第一获取单元11和构建执行单元12，如图3所示。
第一获取单元用于获取该分布式光伏发电系统内每个电站的地理位置信息，即经纬度信息。构建执行单元用于根据该地理位置信息计算不同电站之间的距离，并基于该距离构建该系统的空间权重矩阵，该矩阵用于表示系统中n个电站的空间相近关系，空间权重矩阵W定义如下：
其中：d为设定的距离阈值。通过调整距离阈值d，n个电站的空间相近关系也会对应变化。上述地理位置信息来源于数据库或者用户的输入。该距离阈值d结合实际情况配置，比如根据各个电站地理位置远近及历史发电量的相近程度配置d。
异常识别模块用于根据空间权重矩阵识别发电异常日期。
即在该空间权重矩阵的基础上，根据电站的日发电量和装机容量对相应电站的发电状态进行识别，从中得到所有电站的发电异常日期。该模块包括第二获取单元21和识别执行单元22，如图4所示。
第二获取单元用于获取每个电站的日发电量和装机容量，用日发电量除以装机容量得到每日的单位容量发电量。根据空间权重矩阵W，计算该分布式光伏发电系统的每日单位容量发电量的全局moran指数，该指数其定义如下：
其中，n为电站数量，pi为光伏电站i的单位容量发电量，wij为空间权重矩阵元素。
识别执行单元用于根据moran指数的随时间的变化规律，判定出现发电异常的日期；具体为设定一个阈值K，当moran指数低于阈值K时，表明空间分布电站的单位容量发电量相似程度低，即有离群点出现，该天被识别为发电异常日期。该阈值K根据工程实践进行设定并迭代优化。
Moran指数是量化空间自相关性的全局指标之一，它表示空间相邻对象属性值的相似程度。Moran指数的取值范围为[-1,1]，当Moran指数>0，表明空间分布正相关，数值越大相关性越大；当Moran指数<0表明负相关，数值越小负的相关性越大；当Moran指数＝0表明不存在相关性，空间分布表现出随机性。
诊断执行模块用于根据发电异常日期从所有电站中筛选故障电站。
具体为对发电异常日期的集群96点出力曲线进行距离分析，根据距离分析筛选出异常电站。该模块包括曲线收集单元31、计算执行单元32和故障筛选单元33，如图5所示。
曲线收集单元用于收集发电异常日期内所有电站的96点光伏出力曲线，并对出力曲线进行归一化处理；
计算执行单元用于计算每个电站的出力曲线与其他电站的出力曲线之间的欧式距离总和，两条出力曲线的欧式距离定义如下：
其中，分别为两条出力曲线的坐标向量。
设定当某电站的欧式距离大于阈值S时，说明该曲线与群体曲线簇的形状差异较大，此时故障筛选单元判定其为故障电站，需及时排查。该阈值S可以根据工程实践进行设定并迭代优化。
从上述技术方案可以看出，本实施例提供了一种分布式光伏发电系统的故障诊断装置，该装置应用于电子设备，具体为构建分布式光伏发电系统中所有电站的空间权重矩阵，空间权重矩阵的每个元素对应一个电站的权重系数；根据空间权重矩阵所有电站的发电异常日期；根据发电异常日期从上述所有电站中识别出故障电站。通过这种方式可以不用现场检查即可识别出故障电站，运维人员则可以据此及时排除该故障，从而避免分布式光伏发电系统的发电效率受到影响。
实施例三
本实施例提供了一种电子设备，该电子设备可以理解为具有数据计算和信息处理能力的计算机或服务器，其一般为设置于分布式光伏发电系统的中控站或集控站的计算机或服务器，并设置有上一实施例的故障诊断装置。
该故障诊断装置具体用于构建分布式光伏发电系统中所有电站的空间权重矩阵，空间权重矩阵的每个元素对应一个电站的权重系数；根据空间权重矩阵所有电站的发电异常日期；根据发电异常日期从上述所有电站中识别出故障电站。通过这种方式可以不用现场检查即可识别出故障电站，运维人员则可以据此及时排除该故障，从而避免分布式光伏发电系统的发电效率受到影响。
实施例三
图6为本申请实施例的一种电子设备的框图。
如图6所示，本实施例提供的电子设备可以理解为具有数据计算和信息处理能力的计算机或服务器，其一般为设置于分布式光伏发电系统的中控站或集控站的计算机或服务器。其包括至少一个处理器101和存储器102，两者通过数据总线103连接，该存储器用于存储计算机程序或指令，该处理器用于执行相应计算机程序或指令，以使该电子设备实现实施例一中分布式光伏发电系统的故障诊断方法。
该故障诊断方法具体为构建分布式光伏发电系统中所有电站的空间权重矩阵，空间权重矩阵的每个元素对应一个电站的权重系数；根据空间权重矩阵所有电站的发电异常日期；根据发电异常日期从上述所有电站中识别出故障电站。通过这种方式可以不用现场检查即可识别出故障电站，运维人员则可以据此及时排除该故障，从而避免分布式光伏发电系统的发电效率受到影响。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种分布式光伏发电系统的故障诊断方法，应用于电子设备，其特征在于，所述故障诊断方法包括步骤：
构建所述分布式光伏发电系统中所有电站的空间权重矩阵，所述空间权重矩阵的每个元素对应一个所述电站的权重系数；
根据所述空间权重矩阵识别所述所有电站的发电异常日期；
根据所述发电异常日期从上述所有电站中识别出故障电站；
其中，根据所述空间权重矩阵识别所述所有电站的发电异常日期的过程，包括：
获取每个电站的日发电量和装机容量，用日发电量除以装机容量得到每日的单位容量发电量；
根据空间权重矩阵，计算所述分布式光伏发电系统的每日单位容量发电量的全局moran指数；
根据所述moran指数的随时间的变化规律，当所述moran指数低于预设阈值K时，将所述低于预设阈值K的时间点确定为发电异常日期。
2.如权利要求1所述的故障诊断方法，其特征在于，所述构建所述分布式光伏发电系统中所有电站的空间权重矩阵，包括步骤：
获取每个所述电站的地理位置信息；
根据所述地理位置信息构建所述空间权重矩阵。
3.如权利要求1所述的故障诊断方法，其特征在于，所述根据所述发电异常日期从上述所有电站中识别出故障电站，包括步骤：
收集所述发电异常日期内所述所有电站的96点光伏出力曲线，并进行归一化处理；
计算每个所述电站的光伏出力曲线与其他所述电站的光伏出力曲线之间的欧式距离总和；
根据所述欧式距离总和从所述所有电站中筛选出所述故障电站。
4.一种分布式光伏发电系统的故障诊断装置，应用于电子设备，其特征在于，所述故障诊断装置包括：
矩阵构建模块，被配置为构建所述分布式光伏发电系统中所有电站的空间权重矩阵，所述空间权重矩阵的每个元素对应一个所述电站的权重系数；
异常识别模块，被配置为根据所述空间权重矩阵识别所述所有电站的发电异常日期；
诊断执行模块，被配置为根据所述发电异常日期从上述所有电站中识别出故障电站；
所述异常识别模块包括：
第二获取单元，用于获取每个电站的日发电量和装机容量，用日发电量除以装机容量得到每日的单位容量发电量，根据空间权重矩阵，计算所述分布式光伏发电系统的每日单位容量发电量的全局moran指数；
识别执行单元，用于根据所述moran指数的随时间的变化规律，当所述moran指数低于预设阈值K时，将所述低于预设阈值K的时间点确定为发电异常日期。
5.如权利要求4所述的故障诊断装置，其特征在于，所述矩阵构建模块包括：
第一获取单元，用于获取每个所述电站的地理位置信息；
构建执行单元，用于根据所述地理位置信息构建所述空间权重矩阵。
6.如权利要求4所述的故障诊断装置，其特征在于，所述诊断执行模块包括：
曲线收集单元，用于收集所述发电异常日期内所述所有电站的96点光伏出力曲线，并进行归一化处理；
计算执行单元，用于计算每个所述电站的光伏出力曲线与其他所述电站的光伏出力曲线之间的欧式距离总和；
故障筛选单元，用于根据所述欧式距离总和从所述所有电站中筛选出所述故障电站。
7.一种电子设备，应用于分布式光伏发电系统，其特征在于，设置有如权利要求4～6任一项所述的故障诊断装置。
8.一种电子设备，应用于分布式光伏发电系统，其特征在于，包括至少一个处理器和与所述处理器连接的存储器，其中：
所述存储器用于存储计算机程序或指令；
所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如权利要求1～3任一项所述的故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111479545.1A CN114070198B (zh) | 2021-12-06 | 2021-12-06 | 分布式光伏发电系统的故障诊断方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111479545.1A CN114070198B (zh) | 2021-12-06 | 2021-12-06 | 分布式光伏发电系统的故障诊断方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114070198A CN114070198A (zh) | 2022-02-18 |
| CN114070198B true CN114070198B (zh) | 2023-11-07 |
Family
ID=80228729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111479545.1A Active CN114070198B (zh) | 2021-12-06 | 2021-12-06 | 分布式光伏发电系统的故障诊断方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114070198B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109842373A (zh) * | 2019-04-15 | 2019-06-04 | 国网河南省电力公司电力科学研究院 | 基于时空分布特性的光伏阵列故障诊断方法及装置 |
| CN111275295A (zh) * | 2020-03-23 | 2020-06-12 | 华北电力大学 | 一种基于反距离权重插值的分布式光伏故障诊断方法 |
| CN111680820A (zh) * | 2020-05-08 | 2020-09-18 | 国网河南省电力公司电力科学研究院 | 分布式光伏电站故障诊断方法和装置 |
-
2021
- 2021-12-06 CN CN202111479545.1A patent/CN114070198B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109842373A (zh) * | 2019-04-15 | 2019-06-04 | 国网河南省电力公司电力科学研究院 | 基于时空分布特性的光伏阵列故障诊断方法及装置 |
| CN111275295A (zh) * | 2020-03-23 | 2020-06-12 | 华北电力大学 | 一种基于反距离权重插值的分布式光伏故障诊断方法 |
| CN111680820A (zh) * | 2020-05-08 | 2020-09-18 | 国网河南省电力公司电力科学研究院 | 分布式光伏电站故障诊断方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张静 等.《2021电力行业信息化年会论文集》.人民邮电出版社,2021,(第1版),第169-174页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114070198A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dhimish et al. | Comparing Mamdani Sugeno fuzzy logic and RBF ANN network for PV fault detection | |
| Zhang et al. | Reliability assessment of photovoltaic power systems: Review of current status and future perspectives | |
| Mosadeghy et al. | A time-dependent approach to evaluate capacity value of wind and solar PV generation | |
| JP7289995B2 (ja) | 太陽光発電ストリングの動作状態を認識する方法および装置ならびに記憶媒体 | |
| Yurtseven et al. | Sensorless fault detection method for photovoltaic systems through mapping the inherent characteristics of PV plant site: Simple and practical | |
| CN113992153B (zh) | 一种光伏电站可视化实时监测分布式管理系统 | |
| Kabir et al. | Isolation forest based anomaly detection and fault localization for solar PV system | |
| Serrano-Luján et al. | Case of study: Photovoltaic faults recognition method based on data mining techniques | |
| CN109995094B (zh) | 一种交直流混合微电网的规划方法及系统 | |
| US20210351612A1 (en) | Solar inverter power output communications methods, and related computer program products | |
| CN117117862B (zh) | 一种太阳能光伏系统运行状态智能分析方法及系统 | |
| CN114070198B (zh) | 分布式光伏发电系统的故障诊断方法、装置和电子设备 | |
| US20240030866A1 (en) | System for monitoring under-performance of solar power plant | |
| Kaushik et al. | Performance Analysis of Regression Models in Solar PV Forecasting | |
| CN114139744A (zh) | 异常光伏组串支路识别方法、装置、电子设备及存储介质 | |
| KR20220150778A (ko) | 배전계획용 공간부하 예측 방법 및 장치 | |
| Wu et al. | A PV hosting capacity assessment method with spatial correlation | |
| CN111401689A (zh) | 光伏场站降雪日期的确定方法、装置、设备及存储介质 | |
| Li et al. | Photovoltaic abnormal data cleaning based on fuzzy clustering-quartile algorithm | |
| Castellà Rodil et al. | Supervision and fault detection system for photovoltaic installations based on classification algorithms | |
| Massa et al. | An overview on artificial intelligence techniques for advanced operation and maintenance of photoVoltaic power plants | |
| Mahmoud et al. | Classification of solar variability using K-means method for the evaluation of solar photovoltaic systems performance | |
| Hu et al. | A Bad Data Identification Method for Multiple Spatio-temporal Data in Power Distribution Network | |
| Tarraq et al. | New typical power curves generation approach for accurate renewable distributed generation placement in the radial distribution system. | |
| CN112288285B (zh) | 一种基于广义极值分布的光伏发电站组串衰减率评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |