CN116192041A - 一种光伏异常的检测方法、装置、设备及介质 - Google Patents
一种光伏异常的检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116192041A CN116192041A CN202211549470.4A CN202211549470A CN116192041A CN 116192041 A CN116192041 A CN 116192041A CN 202211549470 A CN202211549470 A CN 202211549470A CN 116192041 A CN116192041 A CN 116192041A
- Authority
- CN
- China
- Prior art keywords
- period
- detected
- target
- category
- data
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims description 11
- 230000005855 radiation Effects 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000010248 power generation Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 13
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- 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
- H02S50/15—Testing of PV devices, e.g. of PV modules or single PV cells using optical means, e.g. using electroluminescence
-
- 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
本申请实施例公开了一种光伏异常的检测方法、装置、设备及介质。其中,该方法包括:获取目标用户在待检测周期的辐射照度关联数据和发电功率数据;根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别;根据所述目标用户在待检测周期的发电功率数据,以及与所述目标周期类别匹配的发电功率数据,判断目标用户的光伏设备是否存在异常。本技术方案解决了工作人员只有在发电量大幅降低后才能发现光伏设备存在异常的问题,可以及时发现存在异常的光伏设备,保障了用户的发电效益。
Description
技术领域
本发明涉及光伏异常检测技术领域,尤其涉及一种光伏异常的检测方法、装置、设备及介质。
背景技术
分布式光伏电站是指利用分散式光伏资源,布置在用户附近的发电系统,分布式光伏具有安装便利,投资门槛低,灵活性高,能有效增加光伏利用率等优点。如何监测光伏设备的运行状况是亟需解决的一个问题。
现有方案中,工作人员发现光伏设备的发电量大幅下降后,会检修光伏设备,然而,这种情况下光伏设备已经出现较大异常,上述方式会影响光伏设备的发电效益,并且,光伏设备出现较大异常后,其使用寿命可能受到影响。
发明内容
本发明提供了一种光伏异常的检测方法、装置、设备及介质,以实现光伏设备工作异常的及时检测,保障用户的发电效益。
根据本发明的一方面,提供了一种光伏异常的检测方法,所述方法包括:
获取目标用户在待检测周期的辐射照度关联数据和发电功率数据;
根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别;
根据所述目标用户在待检测周期的发电功率数据,以及与所述目标周期类别匹配的发电功率数据,判断目标用户的光伏设备是否存在异常。
根据本发明的另一方面,提供了一种光伏异常的检测装置,包括:
数据获取模块,用于获取目标用户在待检测周期的辐射照度关联数据和发电功率数据;
目标周期类别确定模块,用于根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别;
异常判断模块,用于根据所述目标用户在待检测周期的发电功率数据,以及与所述目标周期类别匹配的发电功率数据,判断目标用户的光伏设备是否存在异常。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的光伏异常的检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的光伏异常的检测方法。
本申请实施例的技术方案,包括:获取目标用户在待检测周期的辐射照度关联数据和发电功率数据;根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别;根据所述目标用户在待检测周期的发电功率数据,以及与所述目标周期类别匹配的发电功率数据,判断目标用户的光伏设备是否存在异常。本技术方案通过目标用户在待检测周期的辐射照度关联数据确定出待检测周期所属的目标周期类别,进而根据目标用户在待检测周期的发电功率数据与目标周期类别匹配的发电功率数据,判断出目标用户的光伏设备是否存在异常,解决了工作人员只有在发电量大幅降低后才能发现光伏设备存在异常的问题,本方案可以及时发现存在异常的光伏设备,保障了用户的发电效益。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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是根据本申请实施例一提供的一种光伏异常的检测方法的流程图;
图2是根据本申请实施例二提供的一种光伏异常的检测方法的流程图;
图3是根据本申请实施例三提供的一种光伏异常的检测装置的结构示意图;
图4是实现本申请实施例的一种光伏异常的检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本申请实施例一提供了一种光伏异常的检测方法的流程图,本申请实施例可适用于对光伏设备进行异常检测的情况,该方法可以由光伏异常的检测装置来执行,该光伏异常的检测装置可以采用硬件和/或软件的形式实现,该光伏异常的检测装置可配置于具有数据处理能力的电子设备中。如图1所示,该方法包括:
S110,获取目标用户在待检测周期的辐射照度关联数据和发电功率数据。
其中,目标用户可以是已安装光伏设备的用户,目标用户包括但不限于:个人用户、家庭用户、企业用户等。待检测周期可以根据实际情况确定,本申请实施例对待检测周期的时长不做限定,示例性的,待检测周期的时长可以是1天,待检测周期的时长还可以是1天中的部分时间段。待检测周期的辐射照度关联数据可以反映待检测周期的光照情况。待检测周期的发电功率数据的获取时刻与获取数量可以预先设定,以待检测周期的时长为24小时为例:待检测周期的发电功率的采集数量可以是96个,每隔15分钟采集一次。
具体的,目标用户的发电功率数据与辐射照度相关,辐射照度越大,发电功率通常越大,辐射照度越小,发电功率通常越小,所以,若待检测周期的发电功率数据与待检测周期的辐射照度关联数据相似的周期的发电功率数据差距过大,说明光伏设备可能存在异常。
本申请实施例中,可选的,所述辐射照度关联数据包括:辐射照度的平均值、标准差、最大值和波峰数中的至少一项。
本申请实施例中,辐射照度关联数据可以反映光照情况,例如:辐射照度的平均值可以反映平均光照强度,待检测周期的辐射照度的平均值可以根据待检测周期的各辐射照度值求平均得到。辐射照度的标准差可以反映光照强度的波动大小。辐射照度的波峰数可以反映天气情况,例如,若波峰数较多,则该天气可能为多云天气,辐射照度的波峰数可以根据各辐射照度数据中,辐射照度值大于两侧辐射照度值的数量确定。
S120,根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别。
其中,预先确定的至少两个周期类别可以根据各周期历史的辐射照度关联数据确定,示例性的,一段时间内的晴天、阴天和雨天等天气的辐射照度关联数据存在差异,可以根据上述各天气的辐射照度关联数据划分出至少两个周期类别,每个周期类别对应的辐射照度关联数据具备一定的相似性,各周期类别之间,辐射照度关联数据具备一定的差异性。
具体的,在一种可行的实施例中,目标用户在待检测周期的辐射照度关联数据与各周期类别的辐射照度关联数据的相似程度不同,可以将相似度最大的周期类别和/或满足预设相似度阈值的周期类别确定为待检测周期所属的目标周期类别。
S130,根据所述目标用户在待检测周期的发电功率数据,以及与所述目标周期类别匹配的发电功率数据,判断目标用户的光伏设备是否存在异常。
示例性的,目标周期类别匹配的发电功率数据是指目标周期类别的历史发电功率数据,例如:目标周期类别对应为晴天,则历史上在晴天的发电功率数据为目标周期类别匹配的发电功率数据。
本申请实施例中,若目标用户在待检测周期的发电功率数据与目标周期类别匹配的发电功率数据在分布上相似程度较高,则可以确定目标用户的光伏设备正常作业,若目标用户在待检测周期的发电功率数据与目标周期类别匹配的发电功率数据在分布上相似程度较低,则可以确定目标用户的光伏设备存在异常。进一步的,可以通过异常点检测算法,判断目标用户在待检测周期的发电功率数据中,是否存在与目标周期类别匹配的发电功率数据差别较大的异常点,进而判断目标用户的光伏设备是否存在异常。
本申请实施例的技术方案,包括:获取目标用户在待检测周期的辐射照度关联数据和发电功率数据;根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别;根据所述目标用户在待检测周期的发电功率数据,以及与所述目标周期类别匹配的发电功率数据,判断目标用户的光伏设备是否存在异常。本技术方案通过目标用户在待检测周期的辐射照度关联数据确定出待检测周期所属的目标周期类别,进而根据目标用户在待检测周期的发电功率数据与目标周期类别匹配的发电功率数据,判断出目标用户的光伏设备是否存在异常,解决了工作人员只有在发电量大幅降低后才能发现光伏设备存在异常的问题,本方案可以及时发现存在异常的光伏设备,保障了用户的发电效益。
实施例二
图2为本申请实施例二提供的一种光伏异常的检测方法的流程图,本申请实施例以上述实施例为基础对各周期类别的确定过程进行具体化。
如图2所示,本申请实施例的方法具体包括如下步骤:
S210,获取目标用户在待检测周期的辐射照度关联数据和发电功率数据。
S220,根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别。
本申请实施例中,可选的,所述至少两个周期类别的确定过程包括步骤A1-A2:
步骤A1,根据目标用户在至少两个历史周期的历史辐射照度关联数据,确定期望最大化算法模型的参数初始值。
步骤A2,根据各历史周期的历史辐射照度关联数据以及期望最大化算法模型的参数初始值,进行高斯混合聚类,得到至少两个周期类别。
本方案中,针对目标用户在至少两个历史周期的历史辐射照度关联数据,通过高斯混合聚类得到至少两个周期类别。其中,高斯混合聚类过程中,可以设定存在k个高斯分布(通常称为k个簇),k的具体数值可以根据实际情况确定,例如:若区分天气情况为晴天、多云、阴天和雨天,则高斯分布的个数k等于4。
进一步的,高斯混合模型可表示为:
其中,k为高斯分布个数,αk为加权系数,μk为均值,∑k为协方差矩阵,θ为高斯混合模型的参数,θ=(α1,…,αk,μ1,…,μk,∑1,…,∑k),x为目标用户在至少两个历史周期的历史辐射照度关联数据,xj为目标用户在待检测周期的辐射照度关联数据。
具体的,根据目标用户在至少两个历史周期的历史辐射照度关联数据,确定出期望最大化算法模型的参数初始值后,通过期望最大化算法,得到高斯混合模型中的加权系数、均值和协方差矩阵,进而完成了高斯混合聚类,得到至少两个周期类别。
本申请实施例中,可选的,所述期望最大化算法模型的参数包括加权系数、均值以及协方差矩阵。
其中,所述期望最大化算法模型的参数中的加权系数、均值以及协方差矩阵与高斯混合模型相对应,以通过期望最大化算法得到高斯混合模型的加权系数、均值以及协方差矩阵的值。
本申请实施例中,可选的,根据目标用户在至少两个历史周期的历史辐射照度关联数据,确定期望最大化算法模型的参数初始值,包括步骤B1-B3:
步骤B1,将加权系数的初始值确定为目标周期类别的周期数量占各周期类别的总周期数量的比值。
需要说明的是,步骤B1-B3中,可以以任意顺序执行或同步执行,本申请实施例不限制其执行顺序。
示例性的,若各周期类别的总周期数量为4,其中,晴天占668个周期,雨天占1457个周期,阴天占557个周期,多云占1396个周期,则加权系数的初始值α1-k为:
α1-k=(0.16,0.35,0.14,0.35)。
步骤B2,将均值的初始值确定为目标周期类别对应的各历史周期的辐射照度平均值的平均值、目标周期类别对应的各历史周期的辐射照度标准差的平均值、目标周期类别对应的各历史周期的辐射照度最大值的平均值,以及目标周期类别对应的各历史周期的辐射照度波峰数的平均值中的至少一项。
示例性的,若各周期类别的总周期数量为4,分别对应晴天、多云、阴天和雨天,则晴天所对应的均值的初始值为μ1,多云所对应的均值的初始值为μ2,阴天所对应的均值的初始值为μ3,雨天所对应的均值的初始值为μ4,进一步的,晴天所对应的均值的初始值为μ1可表示为:
μ1=(晴天对应的各历史周期的辐射照度平均值的平均值,晴天对应的各历史周期的辐射照度标准差的平均值,晴天对应的各历史周期的辐射照度最大值的平均值,晴天对应的各历史周期的辐射照度波峰数的平均值)。进一步的,其余各周期类别的表达式和上述晴天的表达式同理,本申请实施例不再赘述。
步骤B3,将协方差矩阵的初始值确定为目标周期类别对应的各历史周期的辐射照度平均值的方差、目标周期类别对应的各历史周期的辐射照度标准差的方差、目标周期类别对应的各历史周期的辐射照度最大值的方差,以及目标周期类别对应的各历史周期的辐射照度波峰数的方差中的至少一项。
示例性的,若各周期类别的总周期数量为4,分别对应晴天、多云、阴天和雨天,则晴天所对应的协方差矩阵的初始值为Σ1,多云所对应的协方差矩阵的初始值为Σ2,阴天所对应的协方差矩阵的初始值为Σ3,雨天所对应的协方差矩阵的初始值为Σ4,进一步的,晴天所对应的均值的初始值为Σ1可表示为:
Σ1=(晴天对应的各历史周期的辐射照度平均值的方差,晴天对应的各历史周期的辐射照度标准差的方差,晴天对应的各历史周期的辐射照度最大值的方差,晴天对应的各历史周期的辐射照度波峰数的方差)。进一步的,其余各周期类别的表达式和上述晴天的表达式同理,本申请实施例不再赘述。
本方案通过上述设置,得到了期望最大化算法模型的参数初始值进而可以根据期望最大化算法进行迭代,以确定加权系数、均值以及协方差矩阵的数值。进一步的,迭代过程如下所示:
设θ的初值θ(0)为:
θ(0)=(α1 (0),…,αk (0),μ1 (0),…,μk (0),∑1 (0),…,∑k (0));
第t次迭代时:
θ(t)=(μ1 (t),…,μk (t),∑1 (t),…,∑k (t));
第t+1次迭代时:
其中,N为历史周期的总数量,Nk是指目标周期的历史周期数量,Nk满足如下条件:
进一步的,当Q函数得到最大值时停止迭代:
进一步的,可以根据实际情况设定ε,满足如下条件时停止迭代:|Q(θ(t+1),θ(t))-Q(θ(t),θ(t-1))|<ε。
本申请实施例中,可选的,根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别,包括步骤C1-C2:
步骤C1,根据贝叶斯原理以及所述目标用户在待检测周期的辐射照度关联数据,确定待检测周期属于各周期类别的概率。
步骤C2,若确定待检测周期属于目标周期类别的概率满足预设概率条件,则将目标周期类别确定为待检测周期所属的目标周期类别。
示例性的,待检测周期属于第i个周期类别的概率可表示为:
进一步的,在一个可实现的实施例中,预设概率条件可以是:将待检测周期属于各周期类别的概率中,概率最大的周期类别确定为待检测周期所属的目标周期类别。在另一个可实现的实施例中,预设概率条件可以是:将待检测周期属于各周期类别的概率中,满足预设概率阈值的周期类别确定为待检测周期所属的目标周期类别。在又一个可实现的实施例中,预设概率条件可以是:将待检测周期属于各周期类别的概率中,满足预设概率阈值的周期类别且概率最大的周期类别确定为待检测周期所属的目标周期类别。
S230,根据异常因子算法以及与所述目标周期类别匹配的发电功率数据,判断待检测周期的发电功率数据中是否存在异常时刻点。
具体的,本申请实施例采用异常因子算法判断待检测周期的发电功率数据中是否存在异常时刻点,具备判断结果准确,判断参数可根据实际情况设置的有益效果。示例性的,将目标周期类别匹配的发电功率数据体现于坐标系中,横坐标可以是获取时间,纵坐标可以是发电功率,再将待检测周期的发电功率数据放置于上述坐标系中,进而根据异常因子算法判断待检测周期的发电功率数据是否为目标周期类别匹配的发电功率数据中的异常时刻点。
示例性的,目标周期类别匹配的发电功率数据与待检测周期的发电功率数据中,两点之间(P点和O点)的可达距离为:
reach-distMinPts(p,o)=max{k-distance(o),d(p,o)};
待检测周期的发电功率数据中的P点的局部可达密度为:
p的局部异常因子为:
S240,若所述待检测周期的发电功率数据中存在异常时刻点,则确定目标用户的光伏设备存在异常。
本申请实施例中,可选的,根据异常因子算法以及与所述目标周期类别匹配的发电功率数据,判断待检测周期的发电功率数据中是否存在异常时刻点,包括:根据异常因子算法,分别计算待检测周期的各时刻点的发电功率数据与目标周期类别的各时刻点发电功率数据的局部异常因子;根据各时刻点的局部异常因子,判断待检测周期的发电功率数据中是否存在异常时刻点;所述待检测周期的发电功率数据中存在异常时刻点,包括:若确定目标时刻点的局部异常因子的绝对值大于或者等于1,则确定待检测周期的发电功率数据中存在异常时刻点。
示例性的,分别计算待检测周期的各时刻点的发电功率数据与目标周期类别的各时刻点发电功率数据的局部异常因子,若待检测周期的各时刻点的发电功率数据中,存在局部异常因子的绝对值大于或者等于1的数据,则确定待检测周期的发电功率数据中存在异常时刻点,可以确定目标用户的光伏设备存在异常。
实施例三
图3为本申请实施例三提供的一种光伏异常的检测装置的结构示意图,该装置可执行本发明任意实施例所提供的光伏异常的检测方法,具备执行方法相应的功能模块和有益效果。如图3所示,该装置包括:
数据获取模块310,用于获取目标用户在待检测周期的辐射照度关联数据和发电功率数据;
目标周期类别确定模块320,用于根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别;
异常判断模块330,用于根据所述目标用户在待检测周期的发电功率数据,以及与所述目标周期类别匹配的发电功率数据,判断目标用户的光伏设备是否存在异常。
可选的,所述辐射照度关联数据包括:辐射照度的平均值、标准差、最大值和波峰数中的至少一项。
可选的,所述装置还包括:
参数初始值确定模块,用于根据目标用户在至少两个历史周期的历史辐射照度关联数据,确定期望最大化算法模型的参数初始值;
高斯混合聚类模块,用于根据各历史周期的历史辐射照度关联数据以及期望最大化算法模型的参数初始值,进行高斯混合聚类,得到至少两个周期类别。
可选的,所述期望最大化算法模型的参数包括加权系数、均值以及协方差矩阵;
高斯混合聚类模块,包括:
加权系数初始值确定单元,用于将加权系数的初始值确定为目标周期类别的周期数量占各周期类别的总周期数量的比值;
均值初始值确定单元,用于将均值的初始值确定为目标周期类别对应的各历史周期的辐射照度平均值的平均值、目标周期类别对应的各历史周期的辐射照度标准差的平均值、目标周期类别对应的各历史周期的辐射照度最大值的平均值,以及目标周期类别对应的各历史周期的辐射照度波峰数的平均值中的至少一项;
协方差矩阵初始值确定单元,用于将协方差矩阵的初始值确定为目标周期类别对应的各历史周期的辐射照度平均值的方差、目标周期类别对应的各历史周期的辐射照度标准差的方差、目标周期类别对应的各历史周期的辐射照度最大值的方差,以及目标周期类别对应的各历史周期的辐射照度波峰数的方差中的至少一项。
可选的,目标周期类别确定模块320,包括:
概率确定单元,用于根据贝叶斯原理以及所述目标用户在待检测周期的辐射照度关联数据,确定待检测周期属于各周期类别的概率;
目标周期类别确定单元,用于若确定待检测周期属于目标周期类别的概率满足预设概率条件,则将目标周期类别确定为待检测周期所属的目标周期类别。
可选的,异常判断模块330,包括:
异常时刻点判断单元,用于根据异常因子算法以及与所述目标周期类别匹配的发电功率数据,判断待检测周期的发电功率数据中是否存在异常时刻点;
异常判断单元,用于若所述待检测周期的发电功率数据中存在异常时刻点,则确定目标用户的光伏设备存在异常。
可选的,异常时刻点判断单元,包括:
局部异常因子计算子单元,用于根据异常因子算法,分别计算待检测周期的各时刻点的发电功率数据与目标周期类别的各时刻点发电功率数据的局部异常因子;
异常时刻点判断子单元,用于根据各时刻点的局部异常因子,判断待检测周期的发电功率数据中是否存在异常时刻点;
异常判断单元,包括:
异常时刻点确定子单元,用于若确定目标时刻点的局部异常因子的绝对值大于或者等于1,则确定待检测周期的发电功率数据中存在异常时刻点。
本申请实施例所提供的一种光伏异常的检测装置可执行本发明任意实施例所提供的一种光伏异常的检测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如光伏异常的检测方法。
在一些实施例中,光伏异常的检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的光伏异常的检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行光伏异常的检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种光伏异常的检测方法,其特征在于,包括:
获取目标用户在待检测周期的辐射照度关联数据和发电功率数据;
根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别;
根据所述目标用户在待检测周期的发电功率数据,以及与所述目标周期类别匹配的发电功率数据,判断目标用户的光伏设备是否存在异常。
2.根据权利要求1所述的方法,其特征在于,所述辐射照度关联数据包括:辐射照度的平均值、标准差、最大值和波峰数中的至少一项。
3.根据权利要求2所述的方法,其特征在于,所述至少两个周期类别的确定过程包括:
根据目标用户在至少两个历史周期的历史辐射照度关联数据,确定期望最大化算法模型的参数初始值;
根据各历史周期的历史辐射照度关联数据以及期望最大化算法模型的参数初始值,进行高斯混合聚类,得到至少两个周期类别。
4.根据权利要求3所述的方法,其特征在于,所述期望最大化算法模型的参数包括加权系数、均值以及协方差矩阵;
根据目标用户在至少两个历史周期的历史辐射照度关联数据,确定期望最大化算法模型的参数初始值,包括:
将加权系数的初始值确定为目标周期类别的周期数量占各周期类别的总周期数量的比值;
将均值的初始值确定为目标周期类别对应的各历史周期的辐射照度平均值的平均值、目标周期类别对应的各历史周期的辐射照度标准差的平均值、目标周期类别对应的各历史周期的辐射照度最大值的平均值,以及目标周期类别对应的各历史周期的辐射照度波峰数的平均值中的至少一项;
将协方差矩阵的初始值确定为目标周期类别对应的各历史周期的辐射照度平均值的方差、目标周期类别对应的各历史周期的辐射照度标准差的方差、目标周期类别对应的各历史周期的辐射照度最大值的方差,以及目标周期类别对应的各历史周期的辐射照度波峰数的方差中的至少一项。
5.根据权利要求1所述的方法,其特征在于,根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别,包括:
根据贝叶斯原理以及所述目标用户在待检测周期的辐射照度关联数据,确定待检测周期属于各周期类别的概率;
若确定待检测周期属于目标周期类别的概率满足预设概率条件,则将目标周期类别确定为待检测周期所属的目标周期类别。
6.根据权利要求1所述的方法,其特征在于,根据所述目标用户在待检测周期的发电功率数据,以及与所述目标周期类别匹配的发电功率数据,判断目标用户的光伏设备是否存在异常,包括:
根据异常因子算法以及与所述目标周期类别匹配的发电功率数据,判断待检测周期的发电功率数据中是否存在异常时刻点;
若所述待检测周期的发电功率数据中存在异常时刻点,则确定目标用户的光伏设备存在异常。
7.根据权利要求6所述的方法,其特征在于,根据异常因子算法以及与所述目标周期类别匹配的发电功率数据,判断待检测周期的发电功率数据中是否存在异常时刻点,包括:
根据异常因子算法,分别计算待检测周期的各时刻点的发电功率数据与目标周期类别的各时刻点发电功率数据的局部异常因子;
根据各时刻点的局部异常因子,判断待检测周期的发电功率数据中是否存在异常时刻点;
所述待检测周期的发电功率数据中存在异常时刻点,包括:
若确定目标时刻点的局部异常因子的绝对值大于或者等于1,则确定待检测周期的发电功率数据中存在异常时刻点。
8.一种光伏异常的检测装置,其特征在于,包括:
数据获取模块,用于获取目标用户在待检测周期的辐射照度关联数据和发电功率数据;
目标周期类别确定模块,用于根据所述目标用户在待检测周期的辐射照度关联数据,以及预先确定的至少两个周期类别,确定待检测周期所属的目标周期类别;
异常判断模块,用于根据所述目标用户在待检测周期的发电功率数据,以及与所述目标周期类别匹配的发电功率数据,判断目标用户的光伏设备是否存在异常。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的光伏异常的检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的光伏异常的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211549470.4A CN116192041A (zh) | 2022-12-05 | 2022-12-05 | 一种光伏异常的检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211549470.4A CN116192041A (zh) | 2022-12-05 | 2022-12-05 | 一种光伏异常的检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116192041A true CN116192041A (zh) | 2023-05-30 |
Family
ID=86431574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211549470.4A Pending CN116192041A (zh) | 2022-12-05 | 2022-12-05 | 一种光伏异常的检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116192041A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910520A (zh) * | 2023-09-12 | 2023-10-20 | 北京长和信泰能源技术有限公司 | 基于光伏建筑一体化系统发电量智能存储方法 |
-
2022
- 2022-12-05 CN CN202211549470.4A patent/CN116192041A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910520A (zh) * | 2023-09-12 | 2023-10-20 | 北京长和信泰能源技术有限公司 | 基于光伏建筑一体化系统发电量智能存储方法 |
CN116910520B (zh) * | 2023-09-12 | 2023-12-01 | 北京长和信泰能源技术有限公司 | 基于光伏建筑一体化系统发电量智能存储方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113127305B (zh) | 异常检测方法及装置 | |
CN116192041A (zh) | 一种光伏异常的检测方法、装置、设备及介质 | |
CN116090605A (zh) | 一种管网预警方法、装置、电子设备及存储介质 | |
CN116937645A (zh) | 充电站集群调控潜力评估方法、装置、设备及介质 | |
CN117009903A (zh) | 一种数据异常检测方法、装置、设备及存储介质 | |
CN115563507A (zh) | 可再生能源发电场景的生成方法、装置及设备 | |
CN114330875A (zh) | 环境信息确定方法、装置、电子设备及存储介质 | |
CN115373449B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN116128204A (zh) | 配电网调度方法、装置、电子设备及存储介质 | |
CN114866437B (zh) | 一种节点检测方法、装置、设备及介质 | |
CN115955189A (zh) | 一种发电异常的检测方法、装置、设备及介质 | |
CN116304635A (zh) | 一种抽水蓄能设备的运行数据分析方法、装置及设备 | |
CN117421377A (zh) | 一种能源场站的数据处理方法、装置、设备及介质 | |
CN116205321A (zh) | 用碳量确定方法、装置、设备及存储介质 | |
CN116409609A (zh) | 光伏设备故障感知方法、装置、电子设备及存储介质 | |
CN116054157A (zh) | 配电台区典型场景构建方法、装置、设备及存储介质 | |
CN116111562A (zh) | 一种配电网可靠性确定方法、装置、设备及存储介质 | |
CN116307159A (zh) | 一种负荷预测方法、装置、电子设备和存储介质 | |
CN118014018A (zh) | 一种楼宇能源消耗预测方法、装置、设备及存储介质 | |
CN117195118A (zh) | 一种数据的异常检测方法、装置、设备及介质 | |
CN116308284A (zh) | 一种抽水蓄能设备的运行数据检测方法、装置及设备 | |
CN116484264A (zh) | 用电用户分类方法、装置、用户分类设备和存储介质 | |
CN117235500A (zh) | 物资类别的识别方法、装置、电子设备及存储介质 | |
CN115766502A (zh) | 用于物联网的信号强度监测方法、装置、设备及存储介质 | |
CN117851853A (zh) | 一种窃电用户定位方法、装置、设备及存储介质 |
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 |