CN115619592A - 一种光伏组串损失电量计算方法及系统 - Google Patents
一种光伏组串损失电量计算方法及系统 Download PDFInfo
- Publication number
- CN115619592A CN115619592A CN202211379489.9A CN202211379489A CN115619592A CN 115619592 A CN115619592 A CN 115619592A CN 202211379489 A CN202211379489 A CN 202211379489A CN 115619592 A CN115619592 A CN 115619592A
- Authority
- CN
- China
- Prior art keywords
- string
- electric quantity
- data
- loss
- group
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000010248 power generation Methods 0.000 claims description 43
- 238000007405 data analysis Methods 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000032683 aging Effects 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 230000000873 masking effect Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 6
- 230000002354 daily effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种光伏组串损失电量计算方法，获取组串的历史运行数据；建立设备状态分析模型，根据组串历史运行数据，对组串进行状态分类；设置若干不同条件下的对照组组串，根据对照组发电量与组串历史实际发电量得出对应的对照损失电量；根据组串历史运行数据、组串所处的状态、对照损失电量构建损失电量计算模型；将组串实测运行数据带入损失电量计算模型得到组串损失电量。还提供了一种实现上述方法的系统。本发明针对每个组串构建模型，同时构建模型时考虑具体的设备状态，解决了现有技术中损失电量计算不准确的问题。
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损失电量计算方法及系统。
背景技术
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。而组串的损失电量是光伏设备检修和维护的重要依据，光伏电站实际运行过程中，对损失电量的分析和计算较为困难，不利于工作人员对电站整体发电效率的评估。
CN202111353709预测分析了在灰尘覆盖度这单一故障模型下的损失电量，缺乏系统性的故障场景下损失电量分析，导致在其他故障模式下损失电量计算准确性较差。CN202111210412根据其他同类型组串正常运行数据作为输入变量，运用神经网络模型实现了设备异常组串损失电量计算，但是，不同组串存在模型参数差异，单一的预测模型并不能保证损失电量计算的准确性。
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损失电量计算方法及系统，其解决了现有技术中损失电量计算准确性不足的问题。
为实现上述目的，本发明采用了如下技术方案：
一种光伏组串损失电量计算方法，包括如下步骤，获取组串的历史运行数据；
建立设备状态分析模型，根据组串历史运行数据，对组串进行状态分类；设置对照组组串，根据对照组发电量与组串历史实际发电量得出对应的对照损失电量；根据组串历史运行数据、组串所处的状态、对照损失电量构建损失电量计算模型；将组串实测运行数据带入损失电量计算模型得到组串损失电量。
本发明还提出了一种基于上述方法的光伏电站损失电量计算方法，将电站内所有组串的损失电量叠加，得到光伏电站损失电量及分布情况。
本发明还提出可一种光伏组串损失电量计算系统，包括数据采集模块、数据处理模块和数据分析模块；所述数据采集模块用于采集组串的运行数据；所述数据处理模块用于提取运行数据中计算发电量、影响发电量的特征以及组串图像特征；所述数据分析模块用于分析组串设备状态，并计算当前组串损失电量。
相比于现有技术，本发明具有如下有益效果：
本发明在通过设置对照组得到组串的历史运行数据的对照损失电量，用于构建模型。本发明针根据每个组串自身的历史数据建立各自的模型，避免了组串间因自身、环境情况不同导致的模型不通用的问题。在建立模型时，不仅仅考虑历史数据与对照损失电量之间的对应关系，还考虑了采集历史数据时，组串所处的设备状态。使得损失电量模型建立后，考虑了历史运行数据本身的变化规律和特征间的内在联系，得出更为准确的损失电量，为之后的维护处理提供准确参考，进而保证光伏电站的发电水平。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为本发明实施例的整体逻辑框图。
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所示，本发明提供了一种光伏组串损失电量计算方法，包括如下步骤，获取组串的历史运行数据；建立设备状态分析模型，根据组串历史运行数据，对组串进行状态分类；设置对照组组串，根据对照组发电量与组串历史实际发电量得出对应的对照损失电量；根据组串历史运行数据、组串所处的状态、对照损失电量构建损失电量计算模型；将组串实测运行数据带入损失电量计算模型得到组串损失电量。
为保证光伏电站的运行管理和控制，目前均是以光伏组串为单位进行数据监测，主要包括主要包括直流电压、直流电流、组串连接逆变器逆变效率、逆变器电网频率、逆变器日发电量、逆变器功率因素、逆变器直流功率、组串面板朝向、天气情况、辐射强度、环境温度等数据信息。通过其中部分数据，很容易通过现成的数据分析模型得出光伏组建的发电量和设备损坏、老化程度等信息。在通过这些数据进行建模时，提取其中关于电压、电流、功率、辐射强度、角度等用来计算发电量或者影响发电量的特征，然后剔除异常数据即可，对此，现有技术对于具体建模方法已经有较为完整的介绍，只是考虑因素上有所差异。建模具体可按照以下思路完成：光伏阵列按组串划分，各组串设定正常运行物理对照组，确定采样频率和采样周期，获取各组串足量实际运行数据，形成组串历史运行数据集一，以及对应时刻各组串物理对照组正常状态运行数据集二。针对数据集一和数据集二进行数据聚合和数据降维处理，并根据统计机器学习或深度学习方法实现特征提取，构造数据特征提取工具，为后续数据建模奠定基础。模型学习需根据组串历史运行数据分析形成特征量、状态量和损失量。首先，根据组串历史运行数据集一及提取的数据特征，形成模型学习需求的特征量，并利用设备状态分析模型识别组串当前运行状态，主要包括：正常态、异物覆盖、阴影遮挡、灰尘堆积、组件老化等，形成组串运行数据的状态量。同时，基于数据分析模型，分析当前组串运行时刻的实际发电量。进一步，根据组串物理对照组正常状态运行数据集二及提取的数据特征，利用数据分析模型和发电量预测模型综合评估和计算物理对照组正常发电量。最后，根据获取的组串实际发电量和对照组的正常发电量对比误差，可计算组串当前状态的损失电量，形成模型学习需求的损失量。根据特征融合模型，对组串状态量和数据特征量进行特征融合，并结合评估分析的组串损失量，进一步采用决策树、支持向量机、神经网络、深度学习、集成学习等机器学习技术构建组串级损失电量计算模型。
研究组串发电量损失的目的，一方面是为了对组串发电量的一个整体了解与把控，更重要的是，为后续的维护提供指引。光伏电站实际运行过程中，设备故障、组件老化、异物覆盖、阴影遮挡、灰尘堆积等原因极大地降低了电站发电效率，但由于天气、环境等物理参数快速发生变化，对损失电量的分析和计算较为困难，不利于工作人员对电站整体发电效率的评估。其中天气、阴影遮挡等原因，是难以通过维护去改善的，而设备老化、灰尘堆积等是可以通过维护去改善的，因此在计算损失电量时，是否计入需要根据目的对其进行区别对待。
由于光伏电站面积大，人工巡察困难且不便记录，因此目前大多采用无人机获得巡检图像数据，本发明通过对图像的分析，可以得到异物覆盖、灰尘堆积情况，并得出其对发电效率的影响程度。而阴影遮挡则随着每天不同时刻日光的角度呈现出明显的时间规律，最终反应到辐射强度、位置随时间规律变化，可以通过运行数据规律得出；设备故障和组件老化则直接反映为设备本身参数异常。将光伏组串的设备状态进行分类，一方面，使得建模时能够考虑的历史数据的发展规律和数据件的内在联系，进而得出更为准确的损失电量计算模型，另一方面，给与后续维护更具参考的意义。
对照组的数据为设备正常、表面干净、无遮挡时在同样的温度、辐射强度和风速条件下得出。通过分析发现，在设备正常情况下，影响发电量的主要因素是辐射强度，温度和风速也有一定影响，并且三者存在相互影响的关系，因此对照时要保持一致。
构建数据分析模型，利用数据分析模型计算组串实际发电量和对照组发电量。构建发电量预测模型，利用发电量预测模型计算对照组发电量，并与对照组发电量数据进行对比，设定二者偏差阈值，采用在阈值范围内的数据作为对照。数据分析模型根据检测出的数据计算发电量，发电量预测模型则根据当前环境条件和设备条件预测发电量，正常情况下，对照组中这两种方式得出数据应当时一致的，通过二者对对照发电量进行综合评估，可以避免对照组本身数据不准确的问题。
在另一实施例中，本发明提出了一种光伏电站损失电量计算方法，将电站内所有组串的损失电量叠加，得到光伏电站损失电量及分布情况；以便于对光伏电站整体发电及设备情况更好的掌握。除了一些边缘的特殊位置，光伏电站中每个组串的配置一般都是相同的，因此对照组的数据是可以通用的，因此只需借助日常采集的数据即可。
在另一实施例中，本发明提出了一种光伏组串损失电量计算系统，包括数据采集模块、数据处理模块和数据分析模块；所述数据采集模块通常包括设备本身检测自带的装置和无人机、摄像头等视频获取装置，用于采集组串的运行数据；所述数据处理模块用于提取运行数据中计算发电量、影响发电量的特征以及组串图像特征；所述数据分析用于分析组串设备状态，并计算当前组串损失电量。数据分析模块主要包括设备状态分析模块和损失电量计算模块。还包括对照模块，用于计算实际发电量和对照组正常发电量的差值，在建立发电量损失模型时使用。
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 (10)
1.一种光伏组串损失电量计算方法，其特征在于，包括如下步骤：
获取组串的历史运行数据；
建立设备状态分析模型，根据组串历史运行数据，对组串进行设备状态分类；
设置对照组组串，根据对照组发电量与组串历史实际发电量得出对应的对照损失电量；
根据组串历史运行数据、组串所处的状态、对照损失电量构建损失电量计算模型；
将组串实测运行数据带入损失电量计算模型得到组串损失电量。
2.如权利要求1所述的一种光伏组串损失电量计算方法，其特征在于，所述历史运行数据包括组串的巡检图像数据。
3.如权利要求2所述的一种光伏组串损失电量计算方法，其特征在于，所述历史运行数据包括采样时间和采样时间所对应的直流电压、直流电流、组串连接逆变器逆变效率、逆变器电网频率、逆变器功率、逆变器直流功率、组串面板朝向、天气情况、辐射强度和环境温度。
4.如权利要求3所述的一种光伏组串损失电量计算方法，其特征在于，所述设备状态包括完全正常、异物覆盖、阴影遮挡、灰尘堆积和组件老化中的至少两种。
5.如权利要求1所述的一种光伏组串损失电量计算方法，其特征在于，所述对照组的数据为设备正常、表面干净、无遮挡时并在同样的温度、辐射强度和风速条件下得出。
6.如权利要求1或5所述的一种光伏组串损失电量计算方法，其特征在于，构建数据分析模型，利用数据分析模型计算组串实际发电量和对照组发电量。
7.如权利要求6所述的一种光伏组串损失电量计算方法，其特征在于，构建发电量预测模型，利用发电量预测模型计算对照组发电量，并与数据分析模型计算出的对照组发电量数据进行对比，设定二者偏差阈值，采用在阈值范围内的数据作为对照。
8.一种光伏电站损失电量计算方法，其特征在于，采用如权利要求1-6任一项所述的方法计算单个组串的损失电量，将光伏电站内所有组串的损失电量叠加，得到光伏电站损失电量及分布情况。
9.一种光伏组串损失电量计算系统，其特征在于，包括数据采集模块、数据处理模块和数据分析模块；所述数据采集模块用于采集组串的运行数据；所述数据处理模块用于提取运行数据中计算发电量、影响发电量的特征以及组串图像特征；所述数据分析模块用于分析组串设备状态，并计算当前组串损失电量。
10.如权利要求9所述的一种光伏组串损失电量计算系统，其特征在于，还包括对照模块，所述对照模块用于计算实际发电量和正常发电量的差值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211379489.9A CN115619592A (zh) | 2022-11-04 | 2022-11-04 | 一种光伏组串损失电量计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211379489.9A CN115619592A (zh) | 2022-11-04 | 2022-11-04 | 一种光伏组串损失电量计算方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115619592A true CN115619592A (zh) | 2023-01-17 |
Family
ID=84877857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211379489.9A Pending CN115619592A (zh) | 2022-11-04 | 2022-11-04 | 一种光伏组串损失电量计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115619592A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116526553A (zh) * | 2023-04-07 | 2023-08-01 | 国家电投集团内蒙古新能源有限公司 | 一种提高光伏电站发电能力的管理方法及系统 |
| CN116707011A (zh) * | 2023-08-03 | 2023-09-05 | 天合光能股份有限公司 | 一种光伏系统的发电量损失评估方法和装置 |
| CN116756530A (zh) * | 2023-08-21 | 2023-09-15 | 国网山西省电力公司运城供电公司 | 用于新能源接入配电网的电网线损评估方法及系统 |
| CN117543823A (zh) * | 2023-11-16 | 2024-02-09 | 创维互联（北京）新能源科技有限公司 | 一种基于多模型的光伏组串损失电量计算方法及系统 |
-
2022
- 2022-11-04 CN CN202211379489.9A patent/CN115619592A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116526553A (zh) * | 2023-04-07 | 2023-08-01 | 国家电投集团内蒙古新能源有限公司 | 一种提高光伏电站发电能力的管理方法及系统 |
| CN116526553B (zh) * | 2023-04-07 | 2024-07-23 | 国家电投集团内蒙古新能源有限公司 | 一种提高光伏电站发电能力的管理方法及系统 |
| CN116707011A (zh) * | 2023-08-03 | 2023-09-05 | 天合光能股份有限公司 | 一种光伏系统的发电量损失评估方法和装置 |
| CN116707011B (zh) * | 2023-08-03 | 2023-10-27 | 天合光能股份有限公司 | 一种光伏系统的发电量损失评估方法和装置 |
| CN116756530A (zh) * | 2023-08-21 | 2023-09-15 | 国网山西省电力公司运城供电公司 | 用于新能源接入配电网的电网线损评估方法及系统 |
| CN116756530B (zh) * | 2023-08-21 | 2023-11-14 | 国网山西省电力公司运城供电公司 | 用于新能源接入配电网的电网线损评估方法及系统 |
| CN117543823A (zh) * | 2023-11-16 | 2024-02-09 | 创维互联（北京）新能源科技有限公司 | 一种基于多模型的光伏组串损失电量计算方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115619592A (zh) | 一种光伏组串损失电量计算方法及系统 | |
| Wang et al. | A fast abnormal data cleaning algorithm for performance evaluation of wind turbine | |
| CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测系统 | |
| CN115329812A (zh) | 一种基于人工智能的道路基础设施异常监测方法 | |
| CN113992153B (zh) | 一种光伏电站可视化实时监测分布式管理系统 | |
| CN114821852B (zh) | 基于特征金字塔的电网缺陷深度识别巡查机器人控制系统 | |
| CN113536440B (zh) | 一种基于bim运维管理系统的数据处理方法 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| Livera et al. | Intelligent cloud-based monitoring and control digital twin for photovoltaic power plants | |
| CN116861503A (zh) | 一种基于大数据的电力变压器数字孪生模型的构建方法 | |
| CN116046796A (zh) | 一种基于无人机的光伏组件热斑检测方法及系统 | |
| CN110956281A (zh) | 一种基于Log分析的电力设备异常检测报警系统 | |
| CN117743794A (zh) | 一种分布式光伏电站故障诊断及效能损失评估系统 | |
| Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
| CN116258467A (zh) | 一种电力施工管控系统 | |
| CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
| CN117764547A (zh) | 一种光伏组串故障诊断方法及系统 | |
| WO2022096571A1 (en) | Solar energy facility monitoring | |
| CN118246695B (zh) | 一种光伏新能源运维调度系统 | |
| CN117114254B (zh) | 一种电网新能源异常数据监测方法及系统 | |
| CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 | |
| LU505190B1 (en) | Method, Device and Equipment for Monitoring the Operation State of Photovoltaic Power Station | |
| CN117522872B (zh) | 一种光伏电站的实时异常检测方法及装置 | |
| CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
| CN118034354B (zh) | 一种基于无人机的电力巡检控制方法及系统 |
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 |