CN115688490B - 光伏组串异常定量确定方法、装置、电子设备及存储介质 - Google Patents
光伏组串异常定量确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115688490B CN115688490B CN202211714463.5A CN202211714463A CN115688490B CN 115688490 B CN115688490 B CN 115688490B CN 202211714463 A CN202211714463 A CN 202211714463A CN 115688490 B CN115688490 B CN 115688490B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- coefficient
- string
- day
- power
- 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
Images
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提供一种光伏组串异常定量确定方法、装置、电子设备及存储介质,涉及光伏发电技术领域,所述方法:获取光伏电站的台账信息,所述台账信息包括:各光伏组串的额定功率、历史发电数据和历史环境监测仪数据;将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型;基于所述时空网络模型,确定所述光伏电站的各光伏组串的多个单日不可分异常系数。本发明能够得到每种异常的单日不可分异常系数的定量评价指标,可描述每种异常的严重程度,为光伏电站制定运维策略提供准确全面的数据基础。
Description
技术领域
本发明涉及光伏发电技术领域,尤其涉及一种光伏组串异常定量确定方法、装置、电子设备及存储介质。
背景技术
灰尘遮挡和老化衰减是光伏电站运行过程中影响最大的两个因素,并且不同于草木遮挡异常、限电异常和采集信号异常,这两种异常都会造成组串的输出功率降低,因此无法从一天的功率曲线中区分灰尘和老化异常。据实地考察和测量,由于灰尘遮挡而造成电站发电量的损失可达5-15%。而国家标准中规定多晶硅光伏组件自运行之日起十年内的衰减率应低于2.5%,之后每年衰减率应低于0.7%。准确地计算灰尘遮挡和老化异常带来的损失,可以提前定位到衰减异常的组串,可以为光伏电站清洗策略提供理论依据。
目前对于灰尘遮挡和老化衰减的影响主要通过专用设备测量或针对特定的组串计算得到。例如:方案一,针对双面光伏组件正面易积灰而背面无积灰的特点,比较双面电流的差别判断正面灰尘积累的程度;方案二,通过采集光伏汇流箱之路的等效电流值,进行组件衰减异常的诊断分析。方案三,利用MATLAB软件建立光伏组串模型,对异常老化组件的I-V特性曲线进行模拟仿真。
然而,目前的研究对于光伏电站的运行帮助有限。具体包括以下几个方面:①单独考虑灰尘遮挡或老化异常,但这两种异常通常是同时存在的,无法准确区分定位。方案一只考虑了双面光伏组件的正面积灰程度,没有把衰减老化造成的影响计算在内;方案二基于逻辑分析对光伏汇流箱各支路电流进行衰减异常判定,但由于灰尘遮挡和老化异常表现出来的现象都是降低电流和功率,仅使用规则逻辑分析无法是无法有效区分二者的,因此实用性有限。方案三仅通过MATLAB仿真软件对于老化衰减进行建模分析,没有考虑实际环境的复杂性,因此指导意义有限。②对于灰尘、老化等异常只有定性的判定,没有定量的计算。方案一至三都是对是否存在异常的分类判断,并没有给出每种异常的定量评价指标。异常影响的准确计算涉及到运维方案的成本和收益考量,得到定量计算结果对于整个电站运行状态的评估也有重要的指导意义。
发明内容
本发明提供一种光伏组串异常定量确定方法、装置、电子设备及存储介质,用以解决现有技术中都是对是否存在异常的分类判断,并没有给出每种异常的定量评价指标的缺陷,能够得到每种异常的单日不可分异常系数的定量评价指标,可描述每种异常的严重程度,为光伏电站制定运维策略提供准确全面的数据基础。
本发明提供一种光伏组串异常定量确定方法,包括:
获取光伏电站的台账信息,所述台账信息包括:各光伏组串的额定功率、历史发电数据和历史环境监测仪数据;
将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型;
基于所述时空网络模型,确定所述光伏电站的各光伏组串的多个单日不可分异常系数。
根据本发明提供的一种光伏组串异常定量确定方法,所述历史发电数据包括:历史时间范围内的组串发电量曲线数据,所述历史环境监测仪数据包括:所述历史时间范围内的辐照度曲线数据、环境温度曲线数据和日降雨量数据。
根据本发明提供的一种光伏组串异常定量确定方法,所述多个单日不可分异常系数包括:灰尘遮挡系数、老化衰减系数和表面遮挡系数。
根据本发明提供的一种光伏组串异常定量确定方法,所述光伏组串每日的所述灰尘遮挡系数的时间相关性特征包括:前一天的灰尘遮挡系数,所述光伏组串每日的所述灰尘遮挡系数的空间相关性特征包括:所述光伏组串的周围各光伏组串每日的灰尘遮挡系数的平均值和前一天的日降雨量数据;
所述光伏组串每日的老化衰减系数的时间相关性特征包括:所述老化衰减系数与所述光伏组串的使用时长成反比;
所述光伏组串每日的表面遮挡系数的时间相关性特征包括:前一天的表面遮挡系数。
根据本发明提供的一种光伏组串异常定量确定方法,所述将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型,包括:
以所述光伏电站各光伏组串每天的异常系数选择过程为马尔可夫决策过程,将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,得到抽象映射结果,所述抽象映射结果包括:所述马尔可夫决策过程的智能体、环境、状态、策略、动作和奖励;
基于所述抽象映射结果构建时空网络模型;
其中,所述智能体为所述光伏组串,所述环境包括:标准发电功率、日降雨量数据和组串发电量曲线数据,所述状态包括:所述灰尘遮挡系数、老化衰减系数、表面遮挡系数以及拟合发电功率和实际发电功率之间的差值,所述策略包括:所述灰尘遮挡系数、老化衰减系数和表面遮挡系数的时间相关性特征和空间相关性特征,所述动作包括:所述灰尘遮挡系数、老化衰减系数和表面遮挡系数分别的变化量;所述奖励包括:所述拟合发电功率和实际发电功率之间的差值的绝对值的相反数。
根据本发明提供的一种光伏组串异常定量确定方法,通过以下步骤确定所述标准发电功率:
基于所述额定功率、辐照度曲线数据和环境温度曲线数据,确定拟合系数;
将所述光伏组串的周围各光伏组串每日的平均功率和所述拟合系数之间的乘积确定为所述标准发电功率。
根据本发明提供的一种光伏组串异常定量确定方法,通过以下步骤确定所述拟合发电功率:
将所述灰尘遮挡系数、老化衰减系数、表面遮挡系数、所述标准发电功率进行相乘,得到所述拟合发电功率。
本发明还提供一种光伏组串异常定量确定装置,包括:
获取模块,用于获取光伏电站的台账信息,所述台账信息包括:各光伏组串的额定功率、历史发电数据和历史环境监测仪数据;
构建模块,用于将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型;
确定模块,用于基于所述时空网络模型,确定所述光伏电站的各光伏组串的多个单日不可分异常系数。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的光伏组串异常定量确定方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的光伏组串异常定量确定方法的步骤。
本发明提供的光伏组串异常定量确定方法、装置、电子设备及存储介质,首先,获取光伏电站的各光伏组串的额定功率、历史发电数据和历史环境监测仪数据等台账信息;而后,将光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果建立时空网络模型,最后,基于时空网络模型可得到光伏电站的各光伏组串的多个单日不可分异常系数。因此,本发明能够得到每种异常的单日不可分异常系数的定量评价指标,可描述每种异常的严重程度,为光伏电站制定运维策略提供准确全面的数据基础。
附图说明
为了更清楚地说明本发明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,下面描述中的附图是本发明的一些实施例,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是本发明实施例提供的光伏组串异常定量确定方法的流程示意图;
图2是本发明实施例提供的光伏组串异常定量确定装置的结构示意图;
图3是本发明实施例提供的电子设备的结构示意图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
下面结合图1描述本发明的光伏组串异常定量确定方法。
请参照图1,图1是本发明实施例提供的光伏组串异常定量确定方法的流程示意图。如图1所示,该方法可以包括以下步骤:
步骤101、获取光伏电站的台账信息,台账信息包括:各光伏组串的额定功率、历史发电数据和历史环境监测仪数据;
步骤102、将光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型;
步骤103、基于时空网络模型,确定光伏电站的各光伏组串的多个单日不可分异常系数。
在步骤101中,光伏电站的台账信息可以包括:各光伏组串的额定功率、历史发电数据和历史环境监测仪数据。可选地,历史发电数据可以包括:历史时间范围内的组串发电量曲线数据,历史环境监测仪数据可以包括:历史时间范围内的辐照度曲线数据、环境温度曲线数据和日降雨量数据。在本实施例中,历史时间范围可以为30天以上,本实施例不限于此。
示例性地,步骤101中,可以获取每个光伏组串按位置顺序的编号(即组串ID)、历史n(n≥30)天的组串发电量曲线数据(kW)、历史n天的辐照度曲线数据(W)、历史n天的环境温度曲线数据(℃)、历史n天的日降雨量数据(mm)以及光伏组串的额定功率(kW)。
在步骤102中,多个单日不可分异常系数可以包括:灰尘遮挡系数、老化衰减系数和表面遮挡系数。
对于灰尘遮挡系数,表示光伏组串在第天的灰尘遮挡系数,可以用来描述光伏组串的灰尘严重程度,范围是(0,1),两侧开区间。其中,越大,表示光伏组串的灰尘遮挡程度越小,即越干净。
并且,光伏组串每日的灰尘遮挡系数的时间相关性特征包括:前一天的灰尘遮挡系数,光伏组串每日的所述灰尘遮挡系数的空间相关性特征包括:光伏组串的周围各光伏组串每日的灰尘遮挡系数的平均值和前一天的日降雨量数据。也即,与前一天的灰尘遮挡系数、周围各光伏组串的灰尘遮挡系数的平均值以及前一天的降雨量数据有关。如果没有降雨因素,灰尘遮挡的严重程度是逐渐增大的趋势。
对于老化衰减系数,表示光伏组串在第天的老化衰减系数,可以用来描述光伏组串的老化衰减严重程度,范围是(0,1),两侧开区间。
并且,光伏组串每日的老化衰减系数的时间相关性特征包括:老化衰减系数与光伏组串的使用时长成反比。也即,越大,则老化衰减的程度越小,即光伏组串越新。如果没有更换光伏组串,老化衰减的程度是逐渐增大的趋势。
对于表面遮挡系数,表示光伏组串在第天的表面遮挡系数,可以用来描述光伏组串的表面随机的一些塑料袋、石子、树叶等带来的影响,这种遮挡具有很大的随机性,且与周围各光伏组串没有空间相关性。
并且,光伏组串每日的表面遮挡系数的时间相关性特征包括:前一天的表面遮挡系数。也即,与前一天的表面遮挡系数具有一定的相关性。
在本步骤中,将光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果可以构建出时空网络模型。
步骤103中,对时空网络模型进行求解,可得到光伏电站的各光伏组串的多个单日不可分异常系数。
本实施例提供的光伏组串异常定量确定方法,首先,获取光伏电站的各光伏组串的额定功率、历史发电数据和历史环境监测仪数据等台账信息;而后,将光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果建立时空网络模型,最后,基于时空网络模型可得到光伏电站的各光伏组串的多个单日不可分异常系数。因此,本实施例能够得到每种异常的单日不可分异常系数的定量评价指标,可描述每种异常的严重程度,为光伏电站制定运维策略提供准确全面的数据基础。
在一实施例中,步骤102可以包括:
以光伏电站各光伏组串每天的异常系数选择过程为马尔可夫决策过程,将光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,得到抽象映射结果,抽象映射结果包括:所述马尔可夫决策过程的智能体、环境、状态、策略、动作和奖励;基于抽象映射结果构建时空网络模型;其中,智能体为光伏组串,环境包括:标准发电功率、日降雨量数据和组串发电量曲线数据,状态包括:灰尘遮挡系数、老化衰减系数、表面遮挡系数以及拟合发电功率和实际发电功率之间的差值,策略包括:灰尘遮挡系数、老化衰减系数和表面遮挡系数的时间相关性特征和空间相关性特征,动作包括:灰尘遮挡系数、老化衰减系数和表面遮挡系数分别的变化量;奖励包括:所述拟合发电功率和实际发电功率之间的差值的绝对值的相反数。
具体地,光伏电站每个光伏组串每天的单日不可分异常系数只与前一天的单日不可分异常系数和相关影响因素有关,因此,光伏电站各光伏组串每天的单日不可分异常系数选择过程为马尔可夫决策过程。
可以通过以下步骤对光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,可得到马尔可夫决策过程的智能体、环境、状态、策略、动作和奖励等抽象映射结果:
1)设置马尔可夫决策过程的智能体为一个光伏组串。
2)设置马尔可夫决策过程的环境为每天光伏组串所处的真实环境,可以包括:标准发电功率、日降雨量数据和组串发电量曲线数据。即,表示马尔可夫决策过程的环境,表示光伏组串在第天的标准发电功率,表示日降雨量数据,表示光伏组串在第天的组串发电量曲线数据。
3)设置马尔可夫决策过程的状态包括:灰尘遮挡系数、老化衰减系数、表面遮挡系数以及拟合发电功率和实际发电功率之间的差值。即,表示马尔可夫决策过程的状态,表示光伏组串在第天的拟合发电功率,表示光伏组串在第天的实际发电功率。
4)设置马尔可夫决策过程的策略包括:灰尘遮挡系数、老化衰减系数和表面遮挡系数的时间相关性特征和空间相关性特征。即与前一天的灰尘遮挡系数、周围各光伏组串的灰尘遮挡系数的平均值以及前一天的降雨量数据有关。如果没有降雨因素,灰尘遮挡的严重程度是逐渐增大的趋势。越大,则老化衰减的程度越小,即光伏组串越新。如果没有更换光伏组串,老化衰减的程度是逐渐增大的趋势。与前一天的表面遮挡系数具有一定的相关性。
5)设置马尔可夫决策过程的动作为选择各种单日不可分异常系数的过程。即,表示马尔可夫决策过程的动作,表示灰尘遮挡系数的变化量,表示老化衰减系数的变化量,表示表面遮挡系数的变化量。
6)设置马尔可夫决策过程的奖励,奖励是对在当前状态下选择对此动作的评价,奖励可以包括:拟合发电功率和实际发电功率之间的差值的绝对值的相反数。即,表示马尔可夫决策过程的奖励。
通过上述1)-6)可以构建出时空网络模型。
在本实施例中,由于光伏电站每个光伏组串每天的单日不可分异常系数只与前一天的单日不可分异常系数和相关影响因素有关,光伏电站各光伏组串每天的单日不可分异常系数选择过程为马尔可夫决策过程,基于马尔可夫决策过程可构建时空网络模型。
可选地,通过以下步骤确定标准发电功率:基于额定功率、辐照度曲线数据和环境温度曲线数据,确定拟合系数;将光伏组串的周围各光伏组串每日的平均功率和拟合系数之间的乘积确定为标准发电功率。
标准发电功率是在没有灰尘遮挡、老化衰减和表面遮挡等异常情况下的理想发电功率,受到辐照度曲线数据,环境温度曲线数据,以及光伏组串的额定功率,及周围组串实际功率的影响。
标准发电功率为光伏组串的周围各光伏组串每日的平均功率和拟合系数之间的乘积,即,表示拟合系数,表示光伏组串的周围各光伏组串在第天的平均功率。
为拟合系数,是第天的气象条件下,同类型光伏组串的标准发电功率和该光伏组串周围的各光伏组串的平均功率的线性拟合值。即。
可选地,通过以下步骤确定拟合发电功率:将灰尘遮挡系数、老化衰减系数、表面遮挡系数、标准发电功率进行相乘,得到拟合发电功率。
一个组串的一天的功率曲线是一个向量,可用下式拟合:
其中,上标代表空间编号,下标代表时间编号。表示光伏组串在第天的拟合发电功率;表示光伏组串在第天的灰尘遮挡系数,表示光伏组串在第天的老化衰减系数,表示光伏组串在第天的表面遮挡系数,表示光伏组串在第天环境下的标准发电功率。
可选地,步骤103中,求解时空网络模型,可得到每个光伏组串的最优系数结果。采用DDPG(Deep Deterministic Policy Gradient Deep)等连续状态与动作空间的强化学习算法对时空网络模型进行求解,得到每天的三种单日不可分异常系数,即灰尘遮挡系数、老化衰减系数和表面遮挡系数。
下面对本发明提供的光伏组串异常定量确定装置进行描述,下文描述的光伏组串异常定量确定装置与上文描述的光伏组串异常定量确定方法可相互对应参照。
请参照图2,图2是本发明实施例提供的光伏组串异常定量确定装置的结构示意图。如图2所示,该装置可以包括:
获取模块10,用于获取光伏电站的台账信息,所述台账信息包括:各光伏组串的额定功率、历史发电数据和历史环境监测仪数据;
构建模块20,用于将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型;
确定模块30,用于基于所述时空网络模型,确定所述光伏电站的各光伏组串的多个单日不可分异常系数。
可选地,所述历史发电数据包括:历史时间范围内的组串发电量曲线数据,所述历史环境监测仪数据包括:所述历史时间范围内的辐照度曲线数据、环境温度曲线数据和日降雨量数据。
可选地,所述多个单日不可分异常系数包括:灰尘遮挡系数、老化衰减系数和表面遮挡系数。
可选地,所述光伏组串每日的所述灰尘遮挡系数的时间相关性特征包括:前一天的灰尘遮挡系数,所述光伏组串每日的所述灰尘遮挡系数的空间相关性特征包括:所述光伏组串的周围各光伏组串每日的灰尘遮挡系数的平均值和前一天的日降雨量数据;
所述光伏组串每日的老化衰减系数的时间相关性特征包括:所述老化衰减系数与所述光伏组串的使用时长成反比;
所述光伏组串每日的表面遮挡系数的时间相关性特征包括:前一天的表面遮挡系数。
可选地,构建模块20具体用于:
以所述光伏电站各光伏组串每天的异常系数选择过程为马尔可夫决策过程,将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,得到抽象映射结果,所述抽象映射结果包括:所述马尔可夫决策过程的智能体、环境、状态、策略、动作和奖励;
基于所述抽象映射结果构建时空网络模型;
其中,所述智能体为所述光伏组串,所述环境包括:标准发电功率、日降雨量数据和组串发电量曲线数据,所述状态包括:所述灰尘遮挡系数、老化衰减系数、表面遮挡系数以及拟合发电功率和实际发电功率之间的差值,所述策略包括:所述灰尘遮挡系数、老化衰减系数和表面遮挡系数的时间相关性特征和空间相关性特征,所述动作包括:所述灰尘遮挡系数、老化衰减系数和表面遮挡系数分别的变化量;所述奖励包括:所述拟合发电功率和实际发电功率之间的差值的绝对值的相反数。
可选地,构建模块20具体用于通过以下方式确定所述标准发电功率:
基于所述额定功率、辐照度曲线数据和环境温度曲线数据,确定拟合系数;
将所述光伏组串的周围各光伏组串每日的平均功率和所述拟合系数之间的乘积确定为所述标准发电功率。
可选地,构建模块20具体用于通过以下方式确定所述拟合发电功率:
将所述灰尘遮挡系数、老化衰减系数、表面遮挡系数、所述标准发电功率进行相乘,得到所述拟合发电功率。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行光伏组串异常定量确定方法,该方法包括:
获取光伏电站的台账信息,所述台账信息包括:各光伏组串的额定功率、历史发电数据和历史环境监测仪数据;
将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型;
基于所述时空网络模型,确定所述光伏电站的各光伏组串的多个单日不可分异常系数。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的光伏组串异常定量确定方法,该方法包括:
获取光伏电站的台账信息,所述台账信息包括:各光伏组串的额定功率、历史发电数据和历史环境监测仪数据;
将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型;
基于所述时空网络模型,确定所述光伏电站的各光伏组串的多个单日不可分异常系数。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的光伏组串异常定量确定方法,该方法包括:
获取光伏电站的台账信息,所述台账信息包括:各光伏组串的额定功率、历史发电数据和历史环境监测仪数据;
将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型;
基于所述时空网络模型,确定所述光伏电站的各光伏组串的多个单日不可分异常系数。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种光伏组串异常定量确定方法,其特征在于,包括:
获取光伏电站的台账信息,所述台账信息包括:各光伏组串的额定功率、历史发电数据和历史环境监测仪数据;
将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型;
基于所述时空网络模型,确定所述光伏电站的各光伏组串的多个单日不可分异常系数;
所述将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型,包括:
以所述光伏电站各光伏组串每天的异常系数选择过程为马尔可夫决策过程,将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,得到抽象映射结果,所述抽象映射结果包括:所述马尔可夫决策过程的智能体、环境、状态、策略、动作和奖励;
基于所述抽象映射结果构建时空网络模型。
2.根据权利要求1所述的光伏组串异常定量确定方法,其特征在于,所述历史发电数据包括:历史时间范围内的组串发电量曲线数据,所述历史环境监测仪数据包括:所述历史时间范围内的辐照度曲线数据、环境温度曲线数据和日降雨量数据。
3.根据权利要求2所述的光伏组串异常定量确定方法,其特征在于,所述多个单日不可分异常系数包括:灰尘遮挡系数、老化衰减系数和表面遮挡系数。
4.根据权利要求3所述的光伏组串异常定量确定方法,其特征在于,所述光伏组串每日的所述灰尘遮挡系数的时间相关性特征包括:前一天的灰尘遮挡系数,所述光伏组串每日的所述灰尘遮挡系数的空间相关性特征包括:所述光伏组串的周围各光伏组串每日的灰尘遮挡系数的平均值和前一天的日降雨量数据;
所述光伏组串每日的老化衰减系数的时间相关性特征包括:所述老化衰减系数与所述光伏组串的使用时长成反比;
所述光伏组串每日的表面遮挡系数的时间相关性特征包括:前一天的表面遮挡系数。
5.根据权利要求4所述的光伏组串异常定量确定方法,其特征在于,所述智能体为所述光伏组串,所述环境包括:标准发电功率、日降雨量数据和组串发电量曲线数据,所述状态包括:所述灰尘遮挡系数、老化衰减系数、表面遮挡系数以及拟合发电功率和实际发电功率之间的差值,所述策略包括:所述灰尘遮挡系数、老化衰减系数和表面遮挡系数的时间相关性特征和空间相关性特征,所述动作包括:所述灰尘遮挡系数、老化衰减系数和表面遮挡系数分别的变化量;所述奖励包括:所述拟合发电功率和实际发电功率之间的差值的绝对值的相反数。
6.根据权利要求5所述的光伏组串异常定量确定方法,其特征在于,通过以下步骤确定所述标准发电功率:
基于所述额定功率、辐照度曲线数据和环境温度曲线数据,确定拟合系数;
将所述光伏组串的周围各光伏组串每日的平均功率和所述拟合系数之间的乘积确定为所述标准发电功率。
7.根据权利要求5所述的光伏组串异常定量确定方法,其特征在于,通过以下步骤确定所述拟合发电功率:
将所述灰尘遮挡系数、老化衰减系数、表面遮挡系数、所述标准发电功率进行相乘,得到所述拟合发电功率。
8.一种光伏组串异常定量确定装置,其特征在于,包括:
获取模块,用于获取光伏电站的台账信息,所述台账信息包括:各光伏组串的额定功率、历史发电数据和历史环境监测仪数据;
构建模块,用于将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,并基于抽象映射结果构建时空网络模型;
确定模块,用于基于所述时空网络模型,确定所述光伏电站的各光伏组串的多个单日不可分异常系数;
其中,所述构建模块具体用于:
以所述光伏电站各光伏组串每天的异常系数选择过程为马尔可夫决策过程,将所述光伏电站的台账信息以及多个单日不可分异常系数的时间相关性特征和空间相关性特征进行抽象映射,得到抽象映射结果,所述抽象映射结果包括:所述马尔可夫决策过程的智能体、环境、状态、策略、动作和奖励;
基于所述抽象映射结果构建时空网络模型。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的光伏组串异常定量确定方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的光伏组串异常定量确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211714463.5A CN115688490B (zh) | 2022-12-30 | 2022-12-30 | 光伏组串异常定量确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211714463.5A CN115688490B (zh) | 2022-12-30 | 2022-12-30 | 光伏组串异常定量确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115688490A CN115688490A (zh) | 2023-02-03 |
CN115688490B true CN115688490B (zh) | 2023-04-07 |
Family
ID=85057361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211714463.5A Active CN115688490B (zh) | 2022-12-30 | 2022-12-30 | 光伏组串异常定量确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688490B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096753A (zh) * | 2016-05-30 | 2016-11-09 | 北京中电普华信息技术有限公司 | 一种光伏出力预测方法和装置 |
WO2020115431A1 (fr) * | 2018-12-06 | 2020-06-11 | Electricite De France | Procédé de détermination d'une vitesse de salissure d'une unité de production photovoltaïque |
CN115480486A (zh) * | 2022-09-21 | 2022-12-16 | 华能通辽风力发电有限公司 | 一种集中式光伏电站运维方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10956629B2 (en) * | 2012-12-28 | 2021-03-23 | Locus Energy, Inc. | Estimation of soiling losses for photovoltaic systems from measured and modeled inputs |
CN106447201B (zh) * | 2016-09-29 | 2019-09-10 | 国网山东省电力公司电力科学研究院 | 基于马尔可夫决策过程的输变电设备最佳检修决策方法 |
CN109842373B (zh) * | 2019-04-15 | 2020-04-28 | 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 |
CN110649883B (zh) * | 2019-09-29 | 2021-09-10 | 合肥阳光新能源科技有限公司 | 清洗方法、装置和计算机设备 |
CN111555716B (zh) * | 2020-03-13 | 2023-07-28 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
CN112163018A (zh) * | 2020-09-27 | 2021-01-01 | 国家电网有限公司 | 确定光伏组件的生命周期的方法、装置及系统 |
CN115099541A (zh) * | 2022-08-25 | 2022-09-23 | 北京志翔科技股份有限公司 | 光伏电站清洗策略的确定方法及装置 |
-
2022
- 2022-12-30 CN CN202211714463.5A patent/CN115688490B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096753A (zh) * | 2016-05-30 | 2016-11-09 | 北京中电普华信息技术有限公司 | 一种光伏出力预测方法和装置 |
WO2020115431A1 (fr) * | 2018-12-06 | 2020-06-11 | Electricite De France | Procédé de détermination d'une vitesse de salissure d'une unité de production photovoltaïque |
CN115480486A (zh) * | 2022-09-21 | 2022-12-16 | 华能通辽风力发电有限公司 | 一种集中式光伏电站运维方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115688490A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102148761B1 (ko) | 태양광 발전 시스템의 고장 진단 장치 | |
CN111582700B (zh) | 一种配电网设备故障率计算方法 | |
CN113487447A (zh) | 一种基于大数据的配电网负荷预测及线损成因分析方法 | |
Akdeniz et al. | A knowledge based decision support algorithm for power transmission system vulnerability impact reduction | |
CN109787295B (zh) | 一种计及风电场状态的风电功率超短期预测计算方法 | |
Dellino et al. | Energy production forecasting in a PV plant using transfer function models | |
Hajeforosh et al. | Uncertainty analysis of stochastic dynamic line rating | |
Staid et al. | Probabilistic maximum‐value wind prediction for offshore environments | |
Soffiah et al. | Fault detection in grid connected PV system using artificial neural network | |
CN115688490B (zh) | 光伏组串异常定量确定方法、装置、电子设备及存储介质 | |
Ge et al. | Improved adaptive gray wolf genetic algorithm for photovoltaic intelligent edge terminal optimal configuration | |
CN113011477B (zh) | 一种太阳辐照数据的清洗和补全系统及方法 | |
CN116526478B (zh) | 基于改进的蛇群优化算法的短期风电功率预测方法及系统 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
CN115840794B (zh) | 一种基于gis和rl模型的光伏系统规划方法 | |
ul Hassan et al. | Online static security assessment for cascading failure using stacked De-noising Auto-encoder | |
CN113420912A (zh) | 一种配电网低压异常用户辨识的方法 | |
CN108320106A (zh) | 一种光伏组件质量的评估方法及系统 | |
Weng et al. | An optimal control-based cascading failure risk assessment method | |
KR102524158B1 (ko) | 디지털 트윈 기반 태양광 발전소 관리 솔루션 제공 방법 및 장치 | |
Petrusev et al. | AUTOMATIC DETECTION OF DISTRIBUTED SOLAR GENERATION BASED ON EXOGENOUS INFORMATION | |
Zhuang et al. | Short-term power load forecasting model based on optimized VMD-BILSTM | |
Ge et al. | A self-adaptive model for wind power prediction | |
Santos et al. | On the use of reactive power as an endogenous variable in short‐term load forecasting |
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 |