CN114123971B - 一种基于VaDE的光伏组串异常检测方法及系统 - Google Patents
一种基于VaDE的光伏组串异常检测方法及系统 Download PDFInfo
- Publication number
- CN114123971B CN114123971B CN202111243198.2A CN202111243198A CN114123971B CN 114123971 B CN114123971 B CN 114123971B CN 202111243198 A CN202111243198 A CN 202111243198A CN 114123971 B CN114123971 B CN 114123971B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- string
- average value
- distribution
- period
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 230000005856 abnormality Effects 0.000 title claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001131 transforming 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
- 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
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于VaDE的光伏组串异常检测方法及系统，所述方法包括：获取光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量，基于所述电流均值、电压均值和所述各光伏组串的装机容量确定所述各光伏组串在检测时段内预设时长的各第一数据指标，将各光伏组串在检测时段内预设时长的各第一数据指标输入预先建立的光伏组串异常检测模型中，获得检测时段内所述各光伏组串对应的各高斯分布权重，基于检测时段内所述各光伏组串对应的各高斯分布权重确定光伏电站检测时段内异常的光伏组串。本发明提供的技术方案，通过光伏组串异常检测模型确定光伏组串是否异常，可以提高光伏组串异常判断的准确性。
Description
技术领域
本发明涉及光伏组串异常确定领域，具体涉及一种基于VaDE的光伏组串异常检测方法及系统。
背景技术
随着光伏电站的普及，其对电站经济高效运维有强烈的需求。光伏电站通常包括组串逆变器以及多个光伏组串，每个光伏组串包括多个光伏组件。多个光伏组串接入同一组串逆变器，组串逆变器将直流电转化为交流电，从而接入电网。其中，对光伏组串是否异常的确定是电站经济高效运维有强烈关键。
现有的对光伏组串是否异常的确定方法中光伏组串异常聚类准确性低，进而导致对光伏组串是否异常的确定的准确性也较低，因此亟需研究一种可以准确判断光伏组串是否异常的方法。
发明内容
本申请提供一种基于VaDE的光伏组串异常检测方法及系统，以至少解决相关技术中对光伏组串是否异常的确定方法准确度较低的技术问题。
本申请第一方面实施例提出一种基于VaDE的光伏组串异常检测方法，所述方法包括：
获取光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；
基于光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量确定所述各光伏组串在检测时段内预设时长的各第一数据指标；
将各光伏组串在检测时段内预设时长的各第一数据指标输入预先建立的光伏组串异常检测模型中，获得检测时段内所述各光伏组串对应的各高斯分布权重；
基于检测时段内所述各光伏组串对应的各高斯分布权重确定光伏电站检测时段内异常的光伏组串；
其中，所述第一数据指标等于所述光伏组串的电流均值与电压均值的乘积除以所述光伏组串的装机容量。
本申请第二方面实施例提出一种基于VaDE的光伏组串异常检测系统，其特征在于，所述系统包括：
第一获取模块，用于获取光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；
第一确定模块，用于基于光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量确定所述各光伏组串在检测时段内预设时长的各第一数据指标；
第二获取模块，用于将各光伏组串在检测时段内预设时长的各第一数据指标输入预先建立的光伏组串异常检测模型中，获得检测时段内所述各光伏组串对应的各高斯分布权重；
第二确定模块，用于基于检测时段内所述各光伏组串对应的各高斯分布权重确定光伏电站检测时段内异常的光伏组串；
其中，所述第一数据指标等于所述光伏组串的电流均值与电压均值的乘积除以所述光伏组串的装机容量。
本申请的实施例提供的技术方案至少带来以下有益效果：
本发明提供的一种基于VaDE的光伏组串异常检测方法及系统中，先获取光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；其次基于光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量确定所述各光伏组串在检测时段内预设时长的各第一数据指标；然后将各光伏组串在检测时段内预设时长的各第一数据指标输入预先建立的光伏组串异常检测模型中，获得检测时段内所述各光伏组串对应的各高斯分布权重；最后基于检测时段内所述各光伏组串对应的各高斯分布权重确定光伏电站检测时段内异常的光伏组串。本发明提供的技术方案，通过光伏组串异常检测模型确定光伏组串是否异常，可以提高光伏组串异常判断的准确性。
本申请附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本申请一个实施例提供的基于VaDE的光伏组串异常检测方法的流程图；
图2是根据本申请一个实施例提供的基于VaDE的光伏组串异常检测方法的具体流程图；
图3是根据本申请一个实施例提供的基于VaDE的光伏组串异常检测系统的结构图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
本申请提出的一种基于VaDE的光伏组串异常检测方法及系统中，先获取光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；其次基于光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量确定所述各光伏组串在检测时段内预设时长的各第一数据指标；然后将各光伏组串在检测时段内预设时长的各第一数据指标输入预先建立的光伏组串异常检测模型中，获得检测时段内所述各光伏组串对应的各高斯分布权重；最后基于检测时段内所述各光伏组串对应的各高斯分布权重确定光伏电站检测时段内异常的光伏组串。本发明提供的技术方案，本发明提供的技术方案，通过光伏组串异常检测模型确定光伏组串是否异常，可以提高光伏组串异常判断的准确性。
实施例1
图1为本公开实施例提供的一种基于VaDE的光伏组串异常检测方法的流程图，如图1所示，所述方法包括：
步骤1:获取光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；
示例的，获取一天内6点到19点的各光伏电站中各光伏组串每10分钟的电流均值、电压均值和所述各光伏组串的装机容量。
步骤2：基于光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量确定所述各光伏组串在检测时段内预设时长的各第一数据指标；
需要说明的是，所述第一数据指标等于所述光伏组串的电流均值与电压均值的乘积除以所述光伏组串的装机容量。
步骤3：将各光伏组串在检测时段内预设时长的各第一数据指标输入预先建立的光伏组串异常检测模型中，获得检测时段内所述各光伏组串对应的各高斯分布权重；
在本公开实施例中，所述预先建立的光伏组串异常检测模型的建立过程，包括：
步骤a：获取光伏电站中各光伏组串在历史时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；
步骤b：对获取的所述电流均值和电压均值进行处理，并确定所述各光伏组串在历史时段内的各第一数据指标；
需要说明的是，所述对获取的所述电流均值和电压均值进行处理，包括：
统一获取的各所述电流均值和电压均值的维度，并利用中值滤波插补缺失数据。
步骤c：将所述各第一数据指标归一化，并从归一化后各第一数据指标中筛选历史时段的预设时段内的各第一数据指标；
示例的，按照下述公式对第m个光伏组串t时刻对应的第一数据指标进行归一化：
式中，为第m个光伏组串t时刻对应的第一数据指标数据归一化后的值，xm,t为第m个光伏组串t时刻对应的第一数据指标数据，m∈M,M为光伏组串的总个数；
在本公开实施例中，并从归一化后各第一数据指标中筛选历史时段的预设时段内的各第一数据指标，包括：筛选历史时段内每天早上6点至下午19点的数据。
步骤d：利用所述筛选后的各第一数据指标对预先构建的VaDE模型进行训练，得到光伏组串异常检测模型。
在本公开实施例中，所述预先构建的VaDE模型的构建过程包括：
步骤A:基于预设的光伏组串异常分类数确定高斯混合模型的个数，并将历史时段的预设时段内的各第一数据指标输入由四层全连接层构成的第一深度神经网络中进行降维提取特征，然后所述第一深度神经网络的第四全连接层输出产生潜变量的高斯混合分布中各个分布的均值μ和标准差平方取对数logσ2；
步骤B:对各分布对应的均值μ和标准差平方取对数logσ2进行潜变量采样变换，变换后的数据用Z表示；
步骤C:将变换后的数据Z输入由三层全连接层构成的第二深度神经网络中进行升维，得到VaDE模型的参数，进而得到构建好的VaDE模型；
步骤D：将步骤A的高斯混合分布中最小的均值对应的分布记作α分布,最小的标准差对应的分布记作β分布；
其中，所述第一深度神经网络的第三全连接层输出降为一维的第一数据指标；
所述变换后的数据Z的表达式为z＝μ+ε*exp(logσ2/2)，ε为从标准正态分布中随机采样的数据。
在本公开实施例中，所述基于检测时段内所述各光伏组串对应的各高斯分布权重确定光伏电站检测时段内异常的光伏组串，包括：
选取所述光伏组串对应的权重最高的高斯分布；
判断所述选取的高斯分布是否为α分布或β分布，若是，则判定所述光伏组串为异常光伏组串，否则为正常光伏组串。
需要说明的是，本公开实施例提供的方法，可根据实际情况一时段对预先建立的光伏组串异常检测模型进行更新，以保证对光伏组串故是否异常确定的准确性。
结合上述组串故障类型确定方法对本申请的具体方法进行举例说明：
如图2所示提供一种基于VaDE的光伏组串异常检测方法的具体流程图，所述方法包括：
步骤F1:获取光伏电站中各光伏组串在历史时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；
步骤F2:对获取的所述电流均值和电压均值进行处理，并确定所述各光伏组串在历史时段内的各第一数据指标，并将所述各第一数据指标归一化，并从归一化后各第一数据指标中筛选历史时段的预设时段内的各第一数据指标；
步骤F3:构建VaDE模型；
步骤F4:利用所述筛选后的各第一数据指标对预先构建的VaDE模型进行训练，得到光伏组串异常检测模型；
步骤F5：将各光伏组串在检测时段内预设时长的各第一数据指标输入预先建立的光伏组串异常检测模型中，获得检测时段内所述各光伏组串对应的各高斯分布权重，并选取所述光伏组串对应的权重最高的高斯分布，然后判断所述选取的高斯分布是否为α分布或β分布，若是，则判定所述光伏组串为异常光伏组串，否则为正常光伏组串。
综上所述，本公开实施例提供的一种基于VaDE的光伏组串异常检测方法中，通过光伏组串异常检测模型确定光伏组串是否异常，可以提高光伏组串异常判断的准确性。
实施例2
图3为本公开实施例提供的一种基于VaDE的光伏组串异常检测系统的结构图，如图3所示，所述系统包括：
第一获取模块，用于获取光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；
第一确定模块，用于基于光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量确定所述各光伏组串在检测时段内预设时长的各第一数据指标；
第二获取模块，用于将各光伏组串在检测时段内预设时长的各第一数据指标输入预先建立的光伏组串异常检测模型中，获得检测时段内所述各光伏组串对应的各高斯分布权重；
第二确定模块，用于基于检测时段内所述各光伏组串对应的各高斯分布权重确定光伏电站检测时段内异常的光伏组串；
其中，所述第一数据指标等于所述光伏组串的电流均值与电压均值的乘积除以所述光伏组串的装机容量。
在本公开实施例中，所述预先建立的光伏组串异常检测模型的建立过程，包括：
步骤F1：获取光伏电站中各光伏组串在历史时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；
步骤F2：对获取的所述电流均值和电压均值进行处理，并确定所述各光伏组串在历史时段内的各第一数据指标；
步骤F3：将所述各第一数据指标归一化，并从归一化后各第一数据指标中筛选历史时段的预设时段内的各第一数据指标；
步骤F4：利用所述筛选后的各第一数据指标对预先构建的VaDE模型进行训练，得到光伏组串异常检测模型。
进一步的，所述对获取的所述电流均值和电压均值进行处理，包括：
统一获取的各所述电流均值和电压均值的维度，并利用中值滤波插补缺失数据。
进一步的，所述预先构建的VaDE模型的构建过程包括：
步骤E1:基于预设的光伏组串异常分类数确定高斯混合模型的个数，并将历史时段的预设时段内的各第一数据指标输入由四层全连接层构成的第一深度神经网络中进行降维提取特征，然后所述第一深度神经网络的第四全连接层输出产生潜变量的高斯混合分布中各个分布的均值μ和标准差平方取对数logσ2；
步骤E2:对各分布对应的均值μ和标准差平方取对数logσ2进行潜变量采样变换，变换后的数据用Z表示；
步骤E3:将变换后的数据Z输入由三层全连接层构成的第二深度神经网络中进行升维，得到VaDE模型的参数，进而得到构建好的VaDE模型；
步骤E4：将步骤E1的高斯混合分布中最小的均值对应的分布记作α分布,最小的标准差对应的分布记作β分布；
其中，所述第一深度神经网络的第三全连接层输出降为一维的第一数据指标；
所述变换后的数据Z的表达式为z＝μ+ε*exp(logσ2/2)，ε为从标准正态分布中随机采样的数据。
具体的，所述第二确定模块，包括：
选取单元，用于选取所述光伏组串对应的权重最高的高斯分布；
判断单元，用于判断所述选取的高斯分布是否为α分布或β分布，若是，则判定所述光伏组串为异常光伏组串，否则为正常光伏组串。
综上所述，本公开实施例提供的一种基于VaDE的光伏组串异常检测系统中，通过光伏组串异常检测模型确定光伏组串是否异常，可以提高光伏组串异常判断的准确性。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于VaDE的光伏组串异常检测方法，其特征在于，所述方法包括：
获取光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；
基于光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量确定所述各光伏组串在检测时段内预设时长的各第一数据指标；
将各光伏组串在检测时段内预设时长的各第一数据指标输入预先建立的光伏组串异常检测模型中，获得检测时段内所述各光伏组串对应的各高斯分布权重；
基于检测时段内所述各光伏组串对应的各高斯分布权重确定光伏电站检测时段内异常的光伏组串；
其中，所述第一数据指标等于所述光伏组串的电流均值与电压均值的乘积除以所述光伏组串的装机容量；
所述预先建立的光伏组串异常检测模型的建立过程，包括：
步骤a：获取光伏电站中各光伏组串在历史时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；
步骤b：对获取的所述电流均值和电压均值进行处理，并确定所述各光伏组串在历史时段内的各第一数据指标；
步骤c：将所述各第一数据指标归一化，并从归一化后各第一数据指标中筛选历史时段的预设时段内的各第一数据指标；
步骤d：利用所述筛选后的各第一数据指标对预先构建的VaDE模型进行训练，得到光伏组串异常检测模型；
所述预先构建的VaDE模型的构建过程包括：
步骤A:基于预设的光伏组串异常分类数确定高斯混合模型的个数，并将历史时段的预设时段内的各第一数据指标输入由四层全连接层构成的第一深度神经网络中进行降维提取特征，然后所述第一深度神经网络的第四全连接层输出产生潜变量的高斯混合分布中各个分布的均值和标准差平方取对数/>；
步骤B:对各分布对应的均值和标准差平方取对数/>进行潜变量采样变换，变换后的数据用Z表示；
步骤C:将变换后的数据Z输入由三层全连接层构成的第二深度神经网络中进行升维，得到VaDE模型的参数，进而得到构建好的VaDE模型；
步骤D：将步骤A的高斯混合分布中最小的均值对应的分布记作分布,最小的标准差对应的分布记作/>分布；
其中，所述第一深度神经网络的第三全连接层输出降为一维的第一数据指标；
所述变换后的数据Z的表达式为，/>为从标准正态分布中随机采样的数据。
2.如权利要求1所述的方法，其特征在于，所述对获取的所述电流均值和电压均值进行处理，包括：
统一获取的各所述电流均值和电压均值的维度，并利用中值滤波插补缺失数据。
3.如权利要求1所述的方法，其特征在于，所述基于检测时段内所述各光伏组串对应的各高斯分布权重确定光伏电站检测时段内异常的光伏组串，包括：
选取所述光伏组串对应的权重最高的高斯分布；
判断所述选取的高斯分布是否为分布或/>分布，若是，则判定所述光伏组串为异常光伏组串，否则为正常光伏组串。
4.一种基于VaDE的光伏组串异常检测系统，其特征在于，所述系统包括：
第一获取模块，用于获取光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；
第一确定模块，用于基于光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量确定所述各光伏组串在检测时段内预设时长的各第一数据指标；
第二获取模块，用于将各光伏组串在检测时段内预设时长的各第一数据指标输入预先建立的光伏组串异常检测模型中，获得检测时段内所述各光伏组串对应的各高斯分布权重；
第二确定模块，用于基于检测时段内所述各光伏组串对应的各高斯分布权重确定光伏电站检测时段内异常的光伏组串；
其中，所述第一数据指标等于所述光伏组串的电流均值与电压均值的乘积除以所述光伏组串的装机容量；
所述预先建立的光伏组串异常检测模型的建立过程，包括：
步骤F1：获取光伏电站中各光伏组串在历史时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量；
步骤F2：对获取的所述电流均值和电压均值进行处理，并确定所述各光伏组串在历史时段内的各第一数据指标；
步骤F3：将所述各第一数据指标归一化，并从归一化后各第一数据指标中筛选历史时段的预设时段内的各第一数据指标；
步骤F4：利用所述筛选后的各第一数据指标对预先构建的VaDE模型进行训练，得到光伏组串异常检测模型；
所述预先构建的VaDE模型的构建过程包括：
步骤E1:基于预设的光伏组串异常分类数确定高斯混合模型的个数，并将历史时段的预设时段内的各第一数据指标输入由四层全连接层构成的第一深度神经网络中进行降维提取特征，然后所述第一深度神经网络的第四全连接层输出产生潜变量的高斯混合分布中各个分布的均值和标准差平方取对数/>；
步骤E2:对各分布对应的均值和标准差平方取对数/>进行潜变量采样变换，变换后的数据用Z表示；
步骤E3:将变换后的数据Z输入由三层全连接层构成的第二深度神经网络中进行升维，得到VaDE模型的参数，进而得到构建好的VaDE模型；
步骤E4：将步骤E1的高斯混合分布中最小的均值对应的分布记作分布,最小的标准差对应的分布记作/>分布；
其中，所述第一深度神经网络的第三全连接层输出降为一维的第一数据指标；
所述变换后的数据Z的表达式为，/>为从标准正态分布中随机采样的数据。
5.如权利要求4所述的系统，其特征在于，所述对获取的所述电流均值和电压均值进行处理，包括：
统一获取的各所述电流均值和电压均值的维度，并利用中值滤波插补缺失数据。
6.如权利要求4所述的系统，其特征在于，所述第二确定模块，包括：
选取单元，用于选取所述光伏组串对应的权重最高的高斯分布；
判断单元，用于判断所述选取的高斯分布是否为分布或/>分布，若是，则判定所述光伏组串为异常光伏组串，否则为正常光伏组串。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111243198.2A CN114123971B (zh) | 2021-10-25 | 2021-10-25 | 一种基于VaDE的光伏组串异常检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111243198.2A CN114123971B (zh) | 2021-10-25 | 2021-10-25 | 一种基于VaDE的光伏组串异常检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114123971A CN114123971A (zh) | 2022-03-01 |
| CN114123971B true CN114123971B (zh) | 2023-08-25 |
Family
ID=80376538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111243198.2A Active CN114123971B (zh) | 2021-10-25 | 2021-10-25 | 一种基于VaDE的光伏组串异常检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114123971B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115601197B (zh) * | 2022-11-28 | 2023-03-10 | 深圳市峰和数智科技有限公司 | 光伏电站的异常状态检测方法、装置 |
| CN117578405A (zh) * | 2023-11-03 | 2024-02-20 | 华能国际电力股份有限公司河北清洁能源分公司 | 一种光伏电厂逆变器组串异常分析方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069521A (zh) * | 2015-07-24 | 2015-11-18 | 许继集团有限公司 | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 |
| CN109902340A (zh) * | 2019-01-20 | 2019-06-18 | 东北电力大学 | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 |
| CN112286993A (zh) * | 2020-10-30 | 2021-01-29 | 合肥阳光智维科技有限公司 | 一种光伏电站中发电异常组串的检测方法及装置 |
| CN112488148A (zh) * | 2020-10-27 | 2021-03-12 | 清华大学 | 基于变分自编码器的聚类方法和装置 |
| CN112782495A (zh) * | 2019-11-06 | 2021-05-11 | 成都鼎桥通信技术有限公司 | 一种光伏电站的组串异常识别方法 |
| WO2021183054A1 (en) * | 2020-03-13 | 2021-09-16 | Envision Digital International Pte. Ltd. | Method and apparatus for determining operating state of photovoltaic array, device and storage medium |
-
2021
- 2021-10-25 CN CN202111243198.2A patent/CN114123971B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069521A (zh) * | 2015-07-24 | 2015-11-18 | 许继集团有限公司 | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 |
| CN109902340A (zh) * | 2019-01-20 | 2019-06-18 | 东北电力大学 | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 |
| CN112782495A (zh) * | 2019-11-06 | 2021-05-11 | 成都鼎桥通信技术有限公司 | 一种光伏电站的组串异常识别方法 |
| WO2021183054A1 (en) * | 2020-03-13 | 2021-09-16 | Envision Digital International Pte. Ltd. | Method and apparatus for determining operating state of photovoltaic array, device and storage medium |
| CN112488148A (zh) * | 2020-10-27 | 2021-03-12 | 清华大学 | 基于变分自编码器的聚类方法和装置 |
| CN112286993A (zh) * | 2020-10-30 | 2021-01-29 | 合肥阳光智维科技有限公司 | 一种光伏电站中发电异常组串的检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 邓祥，俞璐.深度聚类算法综述.《通信技术》.2021,1807-1814. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114123971A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
| CN114123971B (zh) | 一种基于VaDE的光伏组串异常检测方法及系统 | |
| Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
| CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
| CN110826789B (zh) | 基于电力系统的电力负荷预测方法、装置及终端设备 | |
| KR102148761B1 (ko) | 태양광 발전 시스템의 고장 진단 장치 | |
| CN111523785A (zh) | 一种基于生成对抗网络的电力系统动态安全评估方法 | |
| CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
| CN108460207A (zh) | 一种基于运行数据模型的发电机组的故障预警方法 | |
| EP4311934A1 (en) | Computer-implemented method for optimizing the operation of a drivetrain of a wind turbine | |
| CN109670652A (zh) | 一种光伏组件的故障预测方法 | |
| Hu et al. | Hierarchical fault diagnosis for power systems based on equivalent-input-disturbance approach | |
| CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
| Malik et al. | Application of GEP to investigate the imbalance faults in direct‐drive wind turbine using generator current signals<? show [AQ ID= Q1]?> | |
| Manju et al. | A data mining study for condition monitoring on wind turbine blades using hoeffding tree algorithm through statistical and histogram features | |
| Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
| Kamarzarrin et al. | Fault Diagnosis of Wind Turbine Double-Fed Induction Generator Based on Multi-Level Fusion and Measurement of Back-to-Back Converter Current Signal. | |
| Stetco et al. | Wind Turbine operational state prediction: Towards featureless, end-to-end predictive maintenance | |
| CN117933531A (zh) | 一种分布式光伏发电功率预测系统及方法 | |
| Khalyasmaa et al. | Training samples construction for energy utilities operational assets management | |
| CN114298413B (zh) | 一种水电机组振摆趋势预测方法 | |
| CN112488417B (zh) | 一种基于lbp和神经网络的电网运行特征感知方法及系统 | |
| CN112801352A (zh) | 一种面向海上风机场内协同控制的功率预测方法 | |
| Hou et al. | A two-stage ensemble of diverse models for recognition of abnormal data in raw wind data | |
| CN114036820B (zh) | 一种设备异常组串损失电量计算方法、系统及计算机设备 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240705 Address after: 102209 building a, Huaneng talent innovation and entrepreneurship base, South District, future science and Technology City, Beiqijia Town, Changping District, Beijing Patentee after: HUANENG CLEAN ENERGY Research Institute Country or region after: China Patentee after: Clean energy branch of Huaneng (Zhejiang) Energy Development Co.,Ltd. Patentee after: Huaneng (Zhejiang) Energy Development Co.,Ltd. Address before: 102209 building a, Huaneng talent innovation and entrepreneurship base, Beiqijia future science and Technology City, Changping District, Beijing Patentee before: HUANENG CLEAN ENERGY Research Institute Country or region before: China Patentee before: Clean energy branch of Huaneng (Zhejiang) Energy Development Co.,Ltd. |