CN115545966A - 一种光伏组串电量损失分析与识别方法及其存储介质 - Google Patents
一种光伏组串电量损失分析与识别方法及其存储介质 Download PDFInfo
- Publication number
- CN115545966A CN115545966A CN202211171187.2A CN202211171187A CN115545966A CN 115545966 A CN115545966 A CN 115545966A CN 202211171187 A CN202211171187 A CN 202211171187A CN 115545966 A CN115545966 A CN 115545966A
- Authority
- CN
- China
- Prior art keywords
- power generation
- loss
- generated energy
- data
- variables
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 238000010248 power generation Methods 0.000 claims abstract description 56
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 239000000428 dust Substances 0.000 claims description 19
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种光伏组串发电量损失分析，包括用多个相互关联的不同的环境变量构成一个多维数据集，采用切片或切块的方法对数据集进行划分；将不同环境条件下的切片或切块和其他变量，与该环境条件下的最优发电量共同建立发电量模型；采集实时环境变量与实际发电量数据，将实际发电量与发电量模型中环境变量对应数据进行对比，确定损失电量。并基于分析方法提出了一种识别方法，根据实时数据反馈人工排除非周期性变量影响后，确定损失电量。本发明解决了发电量损失数据分析不准确和问题识别不准确的问题。
Description
技术领域
本发明涉及光伏发电监测技术领域，尤其涉及一种光伏组串电量损失分析与识别方法。
背景技术
随着清洁能源在能源结构及国家能源安全中的重要性越来越大。光伏发电一直是国家重点支持的行业，目前我国光伏发电相关技术已经处于国际领先的水平，近年来随着光伏装机容量逐年扩大，上网电量也逐渐增加，同时我国光伏产业已经进入规模化发展阶段。光伏电站在运营期间发电水平是直接影响光伏电站经济效应的最关键因素，发电水平与电站日常的维护息息相关，需要及时对故障设备以及设备状态进行检修和维护。光伏电站占地面积大、设备数量众多，无法通过人工进行设备的监测来发现故障设备。
光伏电站发电过程受到气象变化、设备损耗和异物遮挡的影响。气象因素属于不确定的影响因素，难以较为准确预测，尤其是长期影响。设备损耗和异物遮挡则可以通过数据分析以及算法模型来完成监测识别。
在异常识别方面，目前市场上大部分是基于计算机视觉来识别光伏组件的异常，比如建筑物、植物、灰尘等异物造成的低效发电从而导致电量损失。但是，通过计算机视觉来识别异物遮挡很难准确的量化造成的损失程度；此外，也很难在判断光伏组件上的灰尘的堆积程度。
在数据分析方面，目前市面上主要通过发电过程的数据来判断低效率组件，定量分析电量损失。在计算电流偏差时，通常是基于组串电流数据，应用K近邻、K-means等聚类方法对波动异常的组串电流进行识别，根据聚类结果、光伏电站的地域和经验设定阈值。但是，现有技术仅用聚类算法将不同的环境条件下得到的阈值进行聚类，当环境条件之间存在关联影响时，会造成阈值偏差波动的情况。
上述两个问题导致了最终对光伏组串损失电量的分析和问题识别不准确的问题。
发明内容
针对现有技术中所存在的不足，本发明提供了一种光伏组串电量损失分析与识别方法，其解决了现有技术中存在的最终对光伏组串损失电量的分析和识别不准确的问题。
为实现上述目的，本发明采用了如下技术方案：一种光伏组串发电量损失分析方法，
包括如下步骤：用多个相互关联的不同的环境变量构成一个多维数据集，采用切片或切块的方法对数据集进行划分；将不同环境条件下的切片或切块和其他变量，与该环境条件下的最优发电量共同建立发电量模型；采集实时环境变量与实际发电量数据，将实际发电量与模型中环境变量对应数据进行对比，确定损失电量。
还提出了一种光伏组串发电量损失识别方法，采用上述分析方法，还包括通过不同灰尘覆盖程度对发电量损失的影响建立清洁指数模型；所述最优发电量是在组件表面无灰尘堆积时得出的。
还提出了用于存储运行上述两种方法程序的存储介质。
相比于现有技术，本发明具有如下有益效果：
本发明将相互关联的环境变量构成多维数据集之后，采用切片或切块的方式将多维数据相互关联起来再综合考虑，避免仅用聚类算法将不同的环境条件下得到的阈值进行聚类，造成阈值在相互关联的条件相互影响下出现阈值的偏差波动的情况，进而得出更为合理的发电量模型；再利用灰尘覆盖程度对发电量损失的影响建立清洁指数模型，就能够识别处当前设备的灰尘覆盖程度，方便后续的维护处理。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明实施例的发电模型构建逻辑图。
图2为本发明实施例的识别过程示意图。
图3为发电量与辐照度数据统计图。
图4为发电量和环境温度数据统计图。
图5为发电量和风速数据统计图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与作用更加清楚及易于了解，下面结合附图及实施例对本发明中的技术方案进一步说明。
如图1和图2所示，本发明实施例提出了一种光伏组串发电量损失分析方法，包括如下步骤：用多个相互关联的不同的环境变量构成一个多维数据集，采用切片或切块的方法对数据集进行划分；切片或者切块的算法，可已根据数据集的性质进行灵活选择。
将不同环境条件下的切片或切块和其他变量，与该环境条件下的最优发电量共同建立发电量模型；可以采用统计学方法学习组件的最优发电表现，建立发电量模型。
采集实时环境变量与实际发电量数据，将实际发电量与模型中环境变量对应数据进行对比，确定损失电量。
影响发电量的主要因素包括时间、辐照度、环境温度和风速；如图3所示，辐照度作为太阳辐射强度的物理量，是决定光伏组件出力的最直接气象因素。辐照度越大，光伏发电功率也就越大，因此可以认为光伏组件输出功率与辐照度基本成正比并且辐照度与光伏发电功率相关性较强。如图4所示，环境温度是表示空气冷热程度的物理量，其数值高低一定程度上反映了辐照度的变化，在一定范围内，整体反映出了气温越高，光伏发电功率就越大。如图5所示，从理论上风速的增加一定程度上促进了太阳能电池组件表面的空气流动，进而降低了组件表面温度，有利于提高光电转换效率，增大输出功率，但是，当随着风速升高，对辐照度则产生负面影响，整体的发电功率在短暂的上升后逐渐下降。
因此，辐照度、环境温度和风速是相互关联的环境影响因素，任一因素对发电量的影响程度受另外两个环境因素的影响。将时间、辐照度、环境温度和风速构建成一个多维的数据集，采用切片、切块的方法对数据集进行划分，针对不同的切片、切块，采用数据清洗的方法（3sigma准则，插值法，关联关系约束等）对脏数据进行处理，应用统计学的方法（高斯模型，最大似然估计等）学习每个切片、切块的最优发电量。就能够得出最优发电量与时间、辐照度、环境温度和风速之间对应的发电量模型。将关联数据汇总切片、切块的处理后再带入建立模型，能够避免单个数据考虑时对数据间关联考虑不足的问题。
切片、切块的方式可以采用现有技术中的算法，还可以以辐照度、环境温度和风速坐标轴，构建一个坐标系，为各因素设定一个最大值和最小值，就能得到一个方形块模型，然后以很小的数值间隔将方形切成小的切块，每个切块对应的一个最优发电功率，在与时间积分就能够得到最优发电量。
基于此，本发明还提出了一种光伏组串损失电量识别方法，所述最优发电量是在组件表面无灰尘堆积时得出的。构建处发电量模型后，基于深度卷积神经网络，建立清洁指数模型，评价灰尘的积累程度，量化灰尘对组件发电能力的影响。灰尘堆积对组件发电能力的影响程度（清洁指数）体现在最优发电量与实际发电量的差别程度，所以，发电量模型为基础，结合深度卷积神经网络的强学习能力，可以实现对灰尘堆积（清洁指数）的准确识别。除了时间、辐照度、环境温度、风速等作为最优发电量预测主要计算数据外，还有很多其他影响条件，如建筑物遮挡、植物遮挡、云层遮挡、灰尘堆积、故障和停机等多种因素，有些影响是随呈现一定规律且可以预测的，将其列为周期性变量，包括建筑物遮挡、植物遮挡；有些影响则是不随时间变化或者难以预测的，将其列为非周期性变量，包括云层遮挡、故障和停机等，但是是可以通过气象数据和设备本身反馈记录的。可以为周期性变量设置变化模型，予以考虑，例如固定的建筑物在短期内，每天什么时候遮挡哪些组串、遮挡到什么程度是可以预测到的，其对发电量造成的变化的变化模型较为固定，当发电量随时间呈现出这种变化时，则可以认为其时受到了建筑物或者植物遮挡，而不计入灰尘的影响中。非周期性变量的影响则通过实时天气数据和设备反馈数据来进行排查的计算。最终得到灰尘堆积损失带来的影响。
将异常影响分为周期性变量和非周期性变量后，能够通过变化模型自动排除一些难以通过设备反馈的信息，而将一些能够通过设备或者外在数据反馈的信息通过人为判断，使得对灰尘堆积损失变得可以监控和计算，图2中的环境变量不包括非周期性环境变量。
将时间、实际发电量、辐射强度、环境温度、风速输入发电量模型，结合逆变器的运行状态（故障、检修、限电、停机）计算可以得到因灰尘堆积损失的发电量。通过对发电量损失的分析和识别，便于从整体上了解可管控光伏组串，后续可根据清洁指数和因灰尘堆积损失的发电量安排对设备的清洁维护等。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种光伏组串发电量损失分析方法，其特征在于，包括如下步骤：
用多个相互关联的不同的环境变量构成一个多维数据集，采用切片或切块的方法对数据集进行划分；
将不同环境条件下的切片或切块和其他变量，与该环境条件下的最优发电量共同建立发电量模型；
采集实时环境变量与实际发电量数据，将实际发电量与发电量模型中环境变量对应数据进行对比，确定损失电量。
2.如权利要求1所述的一种光伏组串发电量损失分析方法，其特征在于，所述环境变量包括辐照度、环境温度和风速中的三种或者任意两种。
3.如权利要求2所述的一种光伏组串发电量损失分析方法，其特征在于，所述其他条件包括周期性变量和非周期性变量，所述周期性变量与所述切片或切块、最优发电量共同建立发电量模型。
4.一种光伏组串发电量损失识别方法，其特征在于，采用如权利要求1-3任一项所述的分析方法，根据实时数据反馈人工排除非周期性变量影响后，确定损失电量。
5.如权利要求4所述的一种光伏组串发电量损失识别方法。其特征在于，通过不同灰尘覆盖程度对发电量损失的影响建立清洁指数模型；所述最优发电量是在组件表面无灰尘堆积时得出的。
6.如权利要求5所述的一种光伏组串发电量损失识别方法，其特征在于，所述周期性变量包括建筑物遮挡和植物遮挡。
7.如权利要求6所述的一种光伏组串发电量损失识别方法，其特征在于，所述非周期性变量包括云层遮挡、故障和停机。
8.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-3中任一项所述的分析方法的步骤。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求4-8中任一项所述的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211171187.2A CN115545966A (zh) | 2022-09-24 | 2022-09-24 | 一种光伏组串电量损失分析与识别方法及其存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211171187.2A CN115545966A (zh) | 2022-09-24 | 2022-09-24 | 一种光伏组串电量损失分析与识别方法及其存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115545966A true CN115545966A (zh) | 2022-12-30 |
Family
ID=84729287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211171187.2A Pending CN115545966A (zh) | 2022-09-24 | 2022-09-24 | 一种光伏组串电量损失分析与识别方法及其存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115545966A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725383A (zh) * | 2023-12-19 | 2024-03-19 | 重庆千信新能源有限公司 | 基于聚类筛选对光伏电力电网的能源分析方法 |
-
2022
- 2022-09-24 CN CN202211171187.2A patent/CN115545966A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725383A (zh) * | 2023-12-19 | 2024-03-19 | 重庆千信新能源有限公司 | 基于聚类筛选对光伏电力电网的能源分析方法 |
| CN117725383B (zh) * | 2023-12-19 | 2024-09-10 | 重庆千信新能源有限公司 | 基于聚类筛选对光伏电力电网的能源分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| De Benedetti et al. | Anomaly detection and predictive maintenance for photovoltaic systems | |
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN110594107B (zh) | 一种基于快速梯度提升机的风电机组故障检测方法及装置 | |
| CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
| CN109872084A (zh) | 风电机组的故障率统计方法及系统 | |
| CN114417971A (zh) | 一种基于k近邻密度峰值聚类的电力数据异常值检测算法 | |
| CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
| CN115545966A (zh) | 一种光伏组串电量损失分析与识别方法及其存储介质 | |
| CN117410961A (zh) | 风功率预测方法、装置、设备及存储介质 | |
| CN113626767A (zh) | 一种风机限电识别方法、系统、设备和存储介质 | |
| CN104574221A (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
| CN111178601B (zh) | 一种基于气象数据后处理的风电机组功率预测方法 | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
| CN110210657B (zh) | 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 | |
| CN107909096A (zh) | 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法 | |
| CN110083804B (zh) | 基于条件分布回归的风电场scada数据缺失的智能修复方法 | |
| Xie et al. | Data Cleaning and Modeling of Wind Power Curves | |
| CN112598210A (zh) | 一种风电机组发电机性能评估及预警方法 | |
| CN117893058A (zh) | 光伏场站性能综合评估的方法及系统 | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| CN114251238B (zh) | 变桨电机温度异常检测方法及设备 | |
| CN116129617A (zh) | 一种基于时序数据画像的低效发电预警方法及系统 | |
| CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
| CN111242411B (zh) | 一种风电机组功率特性评价方法及系统 | |
| CN114936590A (zh) | 一种光伏电站弃光数据识别方法、装置及存储介质 |
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 |