CN116232222A - 一种分布式光伏系统云边协同积灰程度监测方法及系统 - Google Patents
一种分布式光伏系统云边协同积灰程度监测方法及系统 Download PDFInfo
- Publication number
- CN116232222A CN116232222A CN202310517318.6A CN202310517318A CN116232222A CN 116232222 A CN116232222 A CN 116232222A CN 202310517318 A CN202310517318 A CN 202310517318A CN 116232222 A CN116232222 A CN 116232222A
- Authority
- CN
- China
- Prior art keywords
- distributed photovoltaic
- photovoltaic array
- data
- cloud
- distributed
- 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.)
- Granted
Links
- 239000000428 dust Substances 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000009825 accumulation Methods 0.000 title claims abstract description 36
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 230000002452 interceptive effect Effects 0.000 claims abstract description 20
- 230000002123 temporal effect Effects 0.000 claims abstract description 16
- 238000007635 classification algorithm Methods 0.000 claims abstract description 8
- 230000008021 deposition Effects 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 239000004071 soot Substances 0.000 claims description 8
- 101100001674 Emericella variicolor andI gene Proteins 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000003491 array Methods 0.000 abstract description 20
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000002834 transmittance Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
Abstract
本发明属于分布式光伏运行维护技术领域，提供了一种分布式光伏系统云边协同积灰程度监测方法及系统，包括：获取分布式光伏系统的边缘端光伏阵列输出数据；根据所获取的光伏阵列输出数据，在云端处理器通过时态与交互信息分类算法构建分布式光伏阵列积灰程度分类模型；基于所构建的分布式光伏阵列积灰程度分类模型进行待监测光伏阵列的积灰程度的判断，完成对分布式光伏系统的云边协同积灰程度的监测。本发明根据区域内所有光伏阵列的实时运行数据和历史数据，检测积灰程度，判断光伏阵列是否需要清洗。
Description
技术领域
本发明属于分布式光伏运行维护技术领域，具体涉及一种分布式光伏系统云边协同积灰程度监测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近年来，分布式光伏发电装机容量和发电量逐年提升，成为新能源发电重要的组成部分。分布式光伏阵列的运行寿命和发电量直接影响所有者的收益。
与大型光伏电站相比，分布式光伏系统的容量通常要小得多，分布也比较松散，一个区域内的分布式光伏系统通常属于不同的业主。因此，分布式光伏系统在投入运行后，缺乏对分布式光伏系统的维护。光伏板在运行过程中，长期暴露在室外，积灰是一个不可避免的问题；缺乏定期清理则加剧了这一问题。据调查，积灰可使发电效率降低20%以上，甚至高达80%。首先，灰尘阻挡太阳辐射到光伏板，直接降低光伏板的输出功率；其次，灰尘不均匀使光伏板不匹配，从而降低了光伏阵列的输出功率；最后，灰尘影响光伏板的温度，进而影响分布式光伏系统的输出功率。因此，及时、高效地清理光伏系统的灰尘可以显著增加发电量和业主的利润，同时在一定程度上延长光伏板的寿命。准确判断光伏阵列积灰程度是平衡清洗成本和发电效益的前提。
据发明人了解，现有的光伏积灰程度监测大致分为以下四类：第一类是直接测量光伏阵列灰尘重量，但这需要在建设初期安装精密的称重设备；第二类是通过拍摄光伏阵列的图像，再使用图像识别技术分辨积灰程度，这需要额外添加拍摄设备；第三类是建立光伏阵列的空气动力学模型，根据气象数据估算积灰程度；第四类是在光伏系统中增加额外的传感器，通过其他辅助信息判断积灰程度。但都是针对于大型光伏电站的，对于分布式光伏系统并不适用。
发明内容
为了解决上述问题，本发明提出了一种分布式光伏系统云边协同积灰程度监测方法及系统，只需分布式光伏系统的历史和当前运行数据;不需要额外的设备、传感器或气象数据；将光伏逆变器作为边缘端获取运行数据，将所获取的运行数据上传到云端；在云端，采用时间与交互信息分类模型进行运行数据的处理和分析，根据区域内所有光伏阵列的实时运行数据和历史数据，检测积灰程度，判断光伏阵列是否需要清洗。
根据一些实施例，本发明的第一方案提供了一种分布式光伏系统云边协同积灰程度监测方法，采用如下技术方案：
一种分布式光伏系统云边协同积灰程度监测方法，包括：
获取分布式光伏系统的边缘端光伏阵列输出数据；
根据所获取的光伏阵列输出数据，在云端处理器通过时态与交互信息分类算法构建分布式光伏阵列积灰程度分类模型；
基于所构建的分布式光伏阵列积灰程度分类模型进行待监测光伏阵列的积灰程度的判断，完成对分布式光伏系统的云边协同积灰程度的监测。
作为进一步的技术限定，所述分布式光伏系统边缘端为与分布式光伏阵列直接连接的逆变器；所述光伏阵列输出数据包括光伏阵列的输出电流和输出电压；所述云端处理器与所述分布式光伏系统边缘端通讯连接。
作为进一步的技术限定，在获取光伏阵列输出数据之后，需进行数据的筛选，剔除由于边缘端未处于正常运行状态的无效数据或由于边缘端未追踪到分布式光伏阵列最大功率的无效数据。
进一步的，筛选后的光伏阵列输出数据经归一化处理，对筛选后的数据进行线性变换，使数据映射在0到1之间。
进一步的，将所获取的输出电压和输出电流的数值映射到0至1之间的过程为：
其中，U 1_min和U 1_max分别表示光伏阵列所采集到的输出电压的最小值和最大值；I 1_min和I 1_max分别表示光伏阵列采集到的输出电流的最小值和最大值；U 1_t和I 1_t分别表示t时刻采集到的光伏阵列的实际输出电压值和实际输出电流值；
和/>
分别表示t时刻采集到的光伏阵列的归一化后映射到0至1区间内的输出电压值和输出电流值。
作为进一步的技术限定，所述时态与交互信息分类算法的特征包括短期特征、长期特征和交互特征；其中，所述短期特征由单一边缘端数据进行一维卷积获得，所述长期特征由长短期记忆模块分析单一边缘端的短期特征获得，所述交互特征由三层人工神经网络分析多个边缘端的短期特征获得。
作为进一步的技术限定，基于所构建的分布式光伏阵列积灰程度分类模型进行待监测光伏阵列的积灰程度判断的过程中，将采集到的分布式光伏运行数据输入至模型中，输出即为是否需要清洗的结果完成对分布式光伏系统的云边协同积灰程度的监测。
根据一些实施例，本发明的第二方案提供了一种分布式光伏系统云边协同积灰程度监测系统，采用如下技术方案：
一种分布式光伏系统云边协同积灰程度监测系统，包括：
获取模块，其被配置为获取分布式光伏系统的边缘端光伏阵列输出数据；
建模模块，其被配置为根据所获取的光伏阵列输出数据，在云端处理器通过时态与交互信息分类算法构建分布式光伏阵列积灰程度分类模型；
监测模块，其被配置为基于所构建的分布式光伏阵列积灰程度分类模型进行待监测光伏阵列的积灰程度的判断，完成对分布式光伏系统的云边协同积灰程度的监测。
与现有技术相比，本发明的有益效果为：
本发明针对现有光伏积灰监测存在的成本高、操作复杂的缺陷，通过云边协同技术，采集分布式光伏阵列运行数据并上传至云端进行处理，利用构建的时态与交互信息分类模型对分布式光伏积灰程度进行监测；无需额外添加设备，降低了成本；该方法对分布式光伏阵列材质、拓扑结构、使用年限无要求，具有普适性。
不同于基于精密称量仪器和图像识别的方法，本发明无需增加任何额外设备，仅在原有分布式光伏系统中添加智能算法，可实现分布式光伏积灰监测，极大降低了监测成本。
不同于基于光伏阵列的空气动力学模型的方法，本发明不需要光伏阵列地理位置、安装方式、拓扑结构信息，不需要对光伏阵列及其周边环境进行复杂建模，也不需要历史和实时的气象数据；仅仅依赖于区域内光伏阵列自身输出电压和输出电流数据，完成分布式光伏阵列积灰监测。
不同于其他灰尘监测方法，本发明无需人为干预，全自动进行监测，无需人工进行大量复杂分析，仅通过逆变器采集数据和云端分析数据，可得出是否需要清洗的结论，降低了人工成本和技术门槛。
本发明针对于逆变器加入与退出时会导致区域内光伏阵列总数发生变化的实际工况，提出了基于数据随机分组方法，在区域内逆变器数量发生改变的情况下仍然可以有效监测光伏阵列积灰情况。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本发明实施例一中的分布式光伏系统云边协同积灰程度监测方法的流程图；
图2是本发明实施例一中的基于时序信息数据分段示意图；
图3是本发明实施例一中的时态与交互信息分类模型的结果示意图；
图4是本发明实施例一中的结构为3组分布式光伏阵列数据采集示意图；
图5是本发明实施例二中的分布式光伏系统云边协同积灰程度监测系统的结构框图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本发明实施例一介绍了一种分布式光伏系统云边协同积灰程度监测方法。
本实施例以三组光伏阵列为例展开对分布式光伏系统云边协同积灰程度监测方法的介绍，如图1所示，具体为：
步骤S01：三台逆变器分别采集与其直接相连的分布式光伏阵列的输出电压和输出电流数据；
步骤S02：对于步骤S01获得的数据进行筛选，将未处于正常运行状态或未处于最大功率状态的数据筛除；筛除后数据通过无线或者有线网络上传至云端，云端可以是计算机、服务器或者数据中心；
步骤S03：改变辐照度、温度、积灰程度，重复步骤S01至步骤S02，获取到大量数据段，并根据积灰情况为数据打上是否需要“清洗”的标签；
步骤S04：对步骤S03获得的数据进行归一化处理；
步骤S05：对步骤S04获取的数据按照时间进行分段，可以选择不同的分段标准，比如两个时间分为一段或者三个时间分一段也可以更多，但要求在同一个模型中，分段后数据段长度一致；
步骤S06：将所获取到的数据作为训练集，训练时态与交互信息分类模型；
步骤S07：重复步骤S01至步骤S05获取到大量数据，通过训练好的时态与交互信息分类模型进行分类，验证模型准确性；
步骤S08：将训练好的时态与交互信息分类模型部署在云端，后续三组分布式光伏上传的数据会由训练好的模型分类；若监测到光伏阵列需要清洗，将通知光伏阵列所有人。
作为一种或多种实施方式，在步骤S01中，使用单相/三相的单级/双级逆变器与分布式光伏阵列的输出端直接相连，以一定采样频率（5kHz-50kHz）采集分布式光伏阵列输出电压和输出电流值。
作为一种或多种实施方式，在步骤S02中，对所获取的数据进行筛选，包括：
（1）筛除掉由于逆变器非正常运行状态导致的无效数据
在清晨或黄昏，由于辐照度过低，会导致分布式光伏阵列产生的电能过低无法正常并网工作。此时逆变器处于待机状态，虽然可以检测到光伏阵列的输出电压和输出电流，但由于逆变器并未工作，此时的电能仅用来维持逆变器控制器工作，是无效数据，需要被筛除掉。另一方面，由于逆变器故障或其他原因导致逆变器不能正常并网发电，分布式光伏阵列的输出电压和输出电流同样不能表征此时分布式光伏阵列的正常运行状态，也是无效数据，需要被筛除掉。
（2）筛除掉由于逆变器并未追踪到分布式光伏阵列最大功率导致的无效数据。只有当逆变器追踪到分布式光伏阵列最大功率时，采集到的数据才能表征分布式光伏阵列此时的状态。但由于逆变器追踪最大功率需要时间，所以在一个传输周期内，可能出现无法追踪到分布式光伏阵列最大功率点的情况。此时采集到的数据是无效的，需要被筛除。
本实施例以扰动观察法为例，只有当采样时满足公式（1）条件才能认为此时已经追踪到最大功率点，即
其中，Uk表示本次采样到的电压值，Uk-1表示前一次采样到的电压值，Pk表示本次采样后得到的功率值，Pk-1表示前一次采样后得到的功率值，Pk和Pk-1可以由采样到的电压值和电流值相乘得到。
其他实施例可通过其他方法判断是否追踪到最大功率点，如电导增量法或人工智能方法都可以作为数据是否有效的标准。
将数据上传至云端可采用有线或者无线的方式，上传频率为秒级或者分钟级均可，但要保证所有逆变器上传频率相同，且数据对应的采样时刻相同。上传数据包括光伏阵列输出电压、输出电流和时间。
作为一种或多种实施方式，在步骤S03中，边缘端逆变器持续采集和筛选分布式光伏阵列的输出数据，并自动上传至云端。改变辐照度和温度的过程无需人为干预，辐照度和温度会随着时间和天气发生改变。改变积灰程度可以选择通过人为覆灰实现。
本实例中，将透光率低于85%认定为需要清洗。
通过人为覆灰可以改变分布式光伏阵列表面的积灰程度，使用相同程度的覆灰状况覆盖辐照仪，可以获得覆灰前后辐照仪示数变化。透光率由以下公式确定：
；其中，Aafter表示覆灰后辐照仪示数，Abefore表示覆灰前辐照仪示数。
作为一种或多种实施方式，在步骤S04中，对所获取的数据进行归一化处理，具体为：通过改变辐照度、温度和积灰程度模拟不同的工况，采集不同工况下光伏阵列的输出电压和输出电流，根据公式（2）将输出电压和输出电流的数值映射到0至1之间，即
其中，U 1_min和U 1_max分别表示光伏阵列所采集到的输出电压的最小值和最大值；I 1_min和I 1_max分别表示光伏阵列采集到的输出电流的最小值和最大值；U 1_t和I 1_t分别表示t时刻采集到的光伏阵列的实际输出电压值和实际输出电流值；
和/>
分别表示t时刻采集到的光伏阵列的归一化后映射到0至1区间内的输出电压值和输出电流值。
作为一种或多种实施方式，在步骤S05中，将步骤S04中的得到的归一化后的数据按照时间进行分段，如图2所示。由于云端按照发送时间接收到信息的，因此数据按照时间排序，形成一组长时间序列，在不影响精度的前提下，使用分段方式将长序列切割为短序列进行分析。应用中可根据需要选择不同的分段方法，但需要保证每个片段包含的时刻数是一致的。本实例选择两个时刻分为一个片段，每个片段包含3组分布式光伏的输出电压和输出电流数据，因此包含时间在内一共有
个数据。
作为一种或多种实施方式，在步骤S06中，所训练的时序与交互模型如图3所示。本实例采用三组分布式光伏阵列为例，分布式光伏数据包含两个时刻的归一化后的输出电压和输出电流数据。经过一维卷积，获取短期特征；再经过长短期记忆模块，获取长期特征。三组短期特征经过三层卷积神经网络，生成交互特征，通过短期特征、长期特征和交互特征对数据进行分类。
本实施例中的时态与交互信息分类模型在使用时需要保持输入维度不变，也就是说，训练时如果采用n个光伏阵列的数据，那么监测时也必须是这n个光伏阵列同时被监测。但是实际应用中，会出现因为寿命原因或者故障原因导致区域内正常工作逆变器数量减少的情况。或者出现建设新的分布式光伏阵列导致区域内逆变器数量增加的情况。当出现区域内逆变器数量增加或减少的情况是，会导致云端分类模型输入的数据维度与训练时不一致，进而导致模型失配，无法有效监测区域内光伏阵列。
考虑到相邻区域内分布式光伏数量不确定，并存在加入和退出的问题。本实施例引入数据随机分组策略，确保在区域内光伏阵列数量改变的情况下仍能正常工作。
为了能够在区域内逆变器数量改变的情况下仍有效监测，本实施例使用基于数据的随机分组方法，将云端获取到的数据进行随机分组，每组分别使用时态与交互信息模型进行训练和监测。
具体来说，当区域内存在数量比较多的光伏阵列时，云端将会收到众多数据，这些数据都对应到不同的逆变器。可以通过数据的发送原地址对应到不同的逆变器。将所有逆变器进行随机分组，同时每台逆变器属于多个不同的组。本实例中，四台逆变器分为一组，一台逆变器至少在三个组中；每个组分别依据组内逆变器运行数据训练、测试分类模型，并通过训练好的模型监测组内光伏阵列。
情况一：逆变器数量减少
逆变器1、逆变器2、逆变器3、逆变器4共同组成组1，同时逆变器1还属于组2和组3。当逆变器2由于故障无法运行后，此时组1中仅有3台逆变器，这使得原有对应四台逆变器的分类模型因为输入维度改变发生失配，无法有效监测组内光伏阵列。但此时，由于逆变器1还属于组2和组3，组2和组3中所有逆变器都是正常运行的，因此可以继续有效监测逆变器1的积灰状态。逆变器3和逆变器4也是一样。如果逆变器2长时间不能正常运行，本实例认定超过一周为长时间，云端将会从所有逆变器运行数据中随机选择一台加入到组1，并训练新的模型。如果一周内逆变器2恢复正常运行，则继续使用原有的模型。如果逆变器2一周后恢复运行，将对应情况二。
情况二：逆变器数量增加
逆变器数量增加有两种情况，一种是新建设的逆变器加入到了云边协同监测网络，另一种是长时间未运行的逆变器恢复运行。
当逆变器数量增加后，云端将会从所有逆变器中随机选择多台逆变器与新加入的逆变器形成组。使其满足每组中四台逆变器，并且每台逆变器至少加入三个组。
如图4所示，根据三组光伏阵列是否需要清洗可以分为8种情况，并分别用一组三位二进制数表示。例如100表示光伏阵列1需要清洗，光伏阵列2和3不需要清洗。
作为一种或多种实施方式，在步骤S07中，重复步骤S01至步骤S05获取大量数据，将这些数据作为测试集，验证模型精度。当模型精度足够高时，确认训练完成。如果验证精度不够高，则重复步骤S06并更改模型中的参数，直到模型精度足够高。本实例中认为各种情况下模型精度均超高95%，则训练完成。
作为一种或多种实施方式，在步骤S08中，将训练好的时态与交互信息分类模型部署在云端。逆变器自行采集、筛选、上传数据，云端根据上传数据进行分类；如果检测到光伏阵列需要清洗，即光伏阵列由于积灰导致表面透光率低于85%，会通知到用户。
本实施例只需要分布式光伏系统的历史和当前运行数据，不需要额外的设备、传感器或气象数据。光伏逆变器作为边缘端获取运行数据，通过无线网络将数据上传到云端。在云端，采用时间与交互分类模型对数据进行处理和分析，根据区域内所有光伏阵列的实时运行数据和历史数据，判断光伏阵列是否需要清洗；该方法具有较高的普适性，对分布式光伏阵列排列方式、容量、运行年限无特定要求。
实施例二
本发明实施例二介绍了一种分布式光伏系统云边协同积灰程度监测系统。
如图5所示的一种分布式光伏系统云边协同积灰程度监测系统，包括：
获取模块，其被配置为获取分布式光伏系统的边缘端光伏阵列输出数据；
建模模块，其被配置为根据所获取的光伏阵列输出数据，在云端处理器通过时态与交互信息分类算法构建分布式光伏阵列积灰程度分类模型；
监测模块，其被配置为基于所构建的分布式光伏阵列积灰程度分类模型进行待监测光伏阵列的积灰程度的判断，完成对分布式光伏系统的云边协同积灰程度的监测。
详细步骤与实施例一提供的分布式光伏系统云边协同积灰程度监测方法相同，在此不再赘述。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。
Claims (8)
1.一种分布式光伏系统云边协同积灰程度监测方法，其特征在于，包括：
获取分布式光伏系统的边缘端光伏阵列输出数据；
根据所获取的光伏阵列输出数据，在云端处理器通过时态与交互信息分类算法构建分布式光伏阵列积灰程度分类模型；
基于所构建的分布式光伏阵列积灰程度分类模型进行待监测光伏阵列的积灰程度的判断，完成对分布式光伏系统的云边协同积灰程度的监测。
2.如权利要求1中所述的一种分布式光伏系统云边协同积灰程度监测方法，其特征在于，所述分布式光伏系统边缘端为与分布式光伏阵列直接连接的逆变器；所述光伏阵列输出数据包括光伏阵列的输出电流和输出电压；所述云端处理器与所述分布式光伏系统边缘端通讯连接。
3.如权利要求1中所述的一种分布式光伏系统云边协同积灰程度监测方法，其特征在于，在获取光伏阵列输出数据之后，需进行数据的筛选，剔除由于边缘端未处于正常运行状态的无效数据或由于边缘端未追踪到分布式光伏阵列最大功率的无效数据。
4.如权利要求3中所述的一种分布式光伏系统云边协同积灰程度监测方法，其特征在于，筛选后的光伏阵列输出数据经归一化处理，对筛选后的数据进行线性变换，使数据映射在0到1之间。
5.如权利要求4中所述的一种分布式光伏系统云边协同积灰程度监测方法，其特征在于，将所获取的输出电压和输出电流的数值映射到0至1之间的过程为：
其中，U 1_min和U 1_max分别表示光伏阵列所采集到的输出电压的最小值和最大值；I 1_min和I 1_max分别表示光伏阵列采集到的输出电流的最小值和最大值；U 1_t和I 1_t分别表示t时刻采集到的光伏阵列的实际输出电压值和实际输出电流值；
和/>
分别表示t时刻采集到的光伏阵列的归一化后映射到0至1区间内的输出电压值和输出电流值。
6.如权利要求1中所述的一种分布式光伏系统云边协同积灰程度监测方法，其特征在于，所述时态与交互信息分类算法的特征包括短期特征、长期特征和交互特征；其中，所述短期特征由单一边缘端数据进行一维卷积获得，所述长期特征由长短期记忆模块分析单一边缘端的短期特征获得，所述交互特征由三层人工神经网络分析多个边缘端的短期特征获得。
7.如权利要求1中所述的一种分布式光伏系统云边协同积灰程度监测方法，其特征在于，基于所构建的分布式光伏阵列积灰程度分类模型进行待监测光伏阵列的积灰程度判断的过程中，将采集到的分布式光伏运行数据输入至模型中，输出即为是否需要清洗的结果，完成对分布式光伏系统的云边协同积灰程度的监测。
8.一种分布式光伏系统云边协同积灰程度监测系统，其特征在于，包括：
获取模块，其被配置为获取分布式光伏系统的边缘端光伏阵列输出数据；
建模模块，其被配置为根据所获取的光伏阵列输出数据，在云端处理器通过时态与交互信息分类算法构建分布式光伏阵列积灰程度分类模型；
监测模块，其被配置为基于所构建的分布式光伏阵列积灰程度分类模型进行待监测光伏阵列的积灰程度的判断，完成对分布式光伏系统的云边协同积灰程度的监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310517318.6A CN116232222B (zh) | 2023-05-10 | 2023-05-10 | 一种分布式光伏系统云边协同积灰程度监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310517318.6A CN116232222B (zh) | 2023-05-10 | 2023-05-10 | 一种分布式光伏系统云边协同积灰程度监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116232222A true CN116232222A (zh) | 2023-06-06 |
| CN116232222B CN116232222B (zh) | 2023-09-08 |
Family
ID=86569958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310517318.6A Active CN116232222B (zh) | 2023-05-10 | 2023-05-10 | 一种分布式光伏系统云边协同积灰程度监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116232222B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106712713A (zh) * | 2017-03-13 | 2017-05-24 | 广西大学 | 一种光伏电站的监测系统以及监测和异常定位方法 |
| CN107665382A (zh) * | 2017-10-26 | 2018-02-06 | 成都亿伏科技有限公司 | 基于历史功率数据的光伏组件功率灰度预测算法 |
| CN108647716A (zh) * | 2018-05-09 | 2018-10-12 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
| CN109934423A (zh) * | 2019-04-25 | 2019-06-25 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
| US20200358396A1 (en) * | 2019-05-06 | 2020-11-12 | Arizona Board Of Regents On Behalf Of Arizona State University | Solar array fault detection, classification, and localization using deep neural nets |
| CN114169229A (zh) * | 2021-11-24 | 2022-03-11 | 华能新能源股份有限公司 | 光伏阵列清洗时间优化的数据驱动辨识方法与装置 |
| KR20220037156A (ko) * | 2020-09-17 | 2022-03-24 | (주)탑인프라 | 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치 |
| CN115392494A (zh) * | 2022-07-11 | 2022-11-25 | 东北电力大学 | 一种智能化光伏清灰方法及系统 |
-
2023
- 2023-05-10 CN CN202310517318.6A patent/CN116232222B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106712713A (zh) * | 2017-03-13 | 2017-05-24 | 广西大学 | 一种光伏电站的监测系统以及监测和异常定位方法 |
| CN107665382A (zh) * | 2017-10-26 | 2018-02-06 | 成都亿伏科技有限公司 | 基于历史功率数据的光伏组件功率灰度预测算法 |
| CN108647716A (zh) * | 2018-05-09 | 2018-10-12 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
| CN109934423A (zh) * | 2019-04-25 | 2019-06-25 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
| US20200358396A1 (en) * | 2019-05-06 | 2020-11-12 | Arizona Board Of Regents On Behalf Of Arizona State University | Solar array fault detection, classification, and localization using deep neural nets |
| KR20220037156A (ko) * | 2020-09-17 | 2022-03-24 | (주)탑인프라 | 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치 |
| CN114169229A (zh) * | 2021-11-24 | 2022-03-11 | 华能新能源股份有限公司 | 光伏阵列清洗时间优化的数据驱动辨识方法与装置 |
| CN115392494A (zh) * | 2022-07-11 | 2022-11-25 | 东北电力大学 | 一种智能化光伏清灰方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116232222B (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108964606B (zh) | 一种光伏系统热斑故障检测方法 | |
| CN110533331B (zh) | 一种基于输电线路数据挖掘的故障预警方法和系统 | |
| CN114898232B (zh) | 基于光伏组串数据分析的光伏电站无人机巡检方法及系统 | |
| Haba | Monitoring solar panels using machine learning techniques | |
| CN112787591A (zh) | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 | |
| CN113011477B (zh) | 一种太阳辐照数据的清洗和补全系统及方法 | |
| CN116882638B (zh) | 一种全氟化合物污染监测设备的管理方法及系统 | |
| CN116232222B (zh) | 一种分布式光伏系统云边协同积灰程度监测方法及系统 | |
| CN113595132A (zh) | 基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法 | |
| CN112085350A (zh) | 一种大型光伏电站中光伏阵列状态的评估方法 | |
| Ayyagari et al. | Simultaneous detection and classification of dust and soil on solar photovoltaic arrays connected to a large-scale industry: A case study | |
| CN109474069B (zh) | 一种分布式发电站状态监测方法 | |
| CA3192998A1 (en) | System for monitoring under-performance of solar power plant | |
| KR102026014B1 (ko) | 태양광 발전소 역모델링을 통한 일사량 추정 방법 | |
| CN117172620B (zh) | 一种基于参数化分析的建筑光伏潜力评估方法及系统 | |
| CN117113267B (zh) | 基于大数据的预测模型训练方法、光伏发电性能检测方法 | |
| CN117175695B (zh) | 一种基于柴油发电机组的光伏微网发电方法及系统 | |
| CN117595384B (zh) | 基于人工智能的光伏电站源网荷双向预测方法及系统 | |
| CN114070198B (zh) | 分布式光伏发电系统的故障诊断方法、装置和电子设备 | |
| CN115694359A (zh) | 一种基于人工智能的光伏电池板巡检系统及方法 | |
| CN117650526A (zh) | 基于集成神经网络的光伏微电网系统发电预测方法及系统 | |
| Demir | A New Low-Cost IoT Based Monitoring System Design for Stand-Alone Solar Photovoltaic Plant and Power Estimation | |
| CN117674078A (zh) | 基于rnn和hpso的电力系统负荷功率预测方法、系统及装置 | |
| Abubakar et al. | Solar Photovoltaic System Maintenance Strategies: A Review | |
| CN117540859A (zh) | 一种基于神经网络的光伏电站发电量的预估方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |