CN117520986A - 分布式光伏发电异常监测方法、系统、设备和存储介质 - Google Patents
分布式光伏发电异常监测方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN117520986A CN117520986A CN202311490584.0A CN202311490584A CN117520986A CN 117520986 A CN117520986 A CN 117520986A CN 202311490584 A CN202311490584 A CN 202311490584A CN 117520986 A CN117520986 A CN 117520986A
- Authority
- CN
- China
- Prior art keywords
- power generation
- module
- photovoltaic
- photovoltaic module
- generation amount
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 230000032683 aging Effects 0.000 claims abstract description 101
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 230000005856 abnormality Effects 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013450 outlier detection Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种分布式光伏发电异常监测方法、系统、设备和存储介质，包括从老化数据库中获取分布式光伏的各个光伏组件对应的组件老化状态；将当日天气数据、历史天气数据、光伏组件的组件老化状态、理论发电量、组件类型和历史发电量输入预先建立的发电量预测模型进行预测，得到预测发电量；获取各个光伏组件的实际发电量，计算光伏组件的预测发电量与实际发电量之间的绝对差值，并根据组件老化值，对各个光伏组件对应的绝对差值进行聚类；对聚类结果进行离群值检测，将离群值对应的光伏组件作为异常光伏组件。本发明通过预测光伏组件的发电量并对预测电量和实际电量进行分析，提高了监测的准确性，保证了分布式光伏运行的安全性和稳定性。
Description
技术领域
本发明涉及光伏发电技术领域，特别是涉及一种分布式光伏发电异常监测方法、系统、设备和存储介质。
背景技术
光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术，随着新能源技术的发展，越来越多的分布式光伏发电接入低压配电网，分布式光伏能够充分利用太阳能资源，替代和减少化石能源的消费，从而为治理环境污染起到有效作用，并且政府部门也制定了相应的补贴政策，以支持分布式光伏发电的发展。
为了保证分布式光伏的正常运行，以及保证补贴的准确发放，有必要对分布式光伏的发电量进行检测，以发现发电量异常的分布式光伏，目前，对异常的分布式光伏的检测主要包括人工排查法和电量预测法，但是二者都存在一定的问题，一方面是，由于分布式光伏数量庞大，使用人工排查的方法存在工作效率低、工作量大的问题，另一方面则是，常规的电量预测法仅考虑到天气对光伏的影响，缺乏对光伏组件本身存在的衰减的考量，导致预测的准确性不高。
发明内容
为了解决上述技术问题，本发明提供了一种分布式光伏发电异常监测方法、系统、设备和存储介质，以能够解决现有方法的监测准确性不足的问题，提高分布式光伏异常监测的效率和效果。
第一方面，本发明提供了一种分布式光伏发电异常监测方法，所述方法包括：
从预设的老化数据库中获取分布式光伏的各个光伏组件对应的组件老化状态；
将当日天气数据、历史天气数据、光伏组件的组件老化状态、理论发电量、组件类型和历史发电量输入预先建立的发电量预测模型进行预测，得到预测发电量，所述发电量预测模型包括参数分析子模型和若干个电量预测子模型；
获取各个光伏组件的实际发电量，计算光伏组件的预测发电量与实际发电量之间的绝对差值，并根据组件老化值，对各个光伏组件对应的绝对差值进行聚类；
对聚类结果进行离群值检测，将离群值对应的光伏组件作为异常光伏组件。
进一步地，所述老化数据库的组建步骤包括：
对区域内部署的分布式光伏进行建模，得到光伏模型；
获取区域内的历史天气数据，将所述历史天气数据输入所述光伏模型，进行光伏组件老化仿真，得到所述光伏组件的各个部分在不同时间段对应的组件老化状态；
根据所述光伏组件的材料、时间段和组件老化状态，构建光伏组件的老化数据库。
进一步地，所述将当日天气数据、历史天气数据、光伏组件的组件老化状态、理论发电量、组件类型和历史发电量输入预先建立的发电量预测模型进行预测，得到预测发电量的步骤包括：
将经过数据预处理的历史天气数据、以及光伏组件的历史发电量、理论发电量和组件老化状态输入参数分析子模型，提取参数影响特征，并将对应分类器输出的最高概率作为第一概率；
判断所述第一概率是否大于第一概率阈值，若是，则将当日天气数据和组件类型输入第一电量预测子模型进行发电量预测，得到第一预测发电量，并从参数影响特征中提取老化特征影响，根据老化特征影响对所述第一预测发电量进行调整，得到预测发电量；
若否，则判断所述第一概率是否小于第二概率阈值，若小于，则将组件类型和组件老化状态输入第二电量预测子模型进行发电量预测，得到第二预测发电量，并从参数影响特征中提取天气特征影响，根据天气特征影响对所述第二预测发电量进行调整，得到预测发电量；
否则，将组件类型、组件老化状态、当日天气数据和参数影响特征输入第三电量预测子模型进行发电量预测，得到预测发电量。
进一步地，所述对各个聚类结果进行离群值检测，将离群值对应的光伏组件作为异常光伏组件的步骤包括：
采用基于距离的离群值检测算法对各个聚类结果进行离群值检测，得到离群值；
计算离群值对应的光伏组件的预测发电量减去实际发电量的差值，将所述差值与阈值相比较，根据比较结果，得到光伏组件的第一异常类型。
进一步地，所述将所述差值与阈值相比较，根据比较结果，得到光伏组件的第一异常类型的步骤包括：
判断差值是否大于阈值，若是，则判定光伏组件为故障状态，若否，则判定光伏组件为增容状态。
进一步地，所述根据比较结果，得到光伏组件的第一异常类型的步骤之后，还包括：
计算异常光伏组件的发电量波动率、分布式光伏的平均波动率上限和分布式光伏的平均波动率下限；
将所述发电量波动率分别与所述平均波动率上限和所述平均波动率下限相比较，根据比较结果，得到光伏组件的第二异常类型；
判断所述第一异常类型和所述第二异常类型是否一致，若一致，则将所述第一异常类型作为光伏组件的最终异常类型。
进一步地，所述根据比较结果，得到光伏组件的第二异常类型的步骤包括：
若所述发电量波动率小于所述平均波动率下限，则判断光伏组件为故障状态；
若所述发电量波动率大于所述平均波动率上限，则判断光伏组件为增容状态。
第二方面，本发明提供了一种分布式光伏发电异常监测系统，所述系统包括：
老化仿真模块，用于从预设的老化数据库中获取分布式光伏的各个光伏组件对应的组件老化状态；
发电量预测模块，用于将当日天气数据、历史天气数据、光伏组件的组件老化状态、理论发电量、组件类型和历史发电量输入预先建立的发电量预测模型进行预测，得到预测发电量，所述发电量预测模型包括参数分析子模型和若干个电量预测子模型；
异常判定模块，用于获取各个光伏组件的实际发电量，计算光伏组件的预测发电量与实际发电量之间的绝对差值，并根据组件老化值，对各个光伏组件对应的绝对差值进行聚类；
对聚类结果进行离群值检测，将离群值对应的光伏组件作为异常光伏组件。
第三方面，本发明实施例还提供了一种计算机设备，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计算机程序时实现上述方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供了一种分布式光伏发电异常监测方法、系统、计算机设备和存储介质。本发明通过分析光伏组件的老化程度，将老化程度和天气环境状态相结合作为考量光伏衰减的影响因素对光伏发电量进行预测，并通过发电量波动率对预测结果进行校验，从而提高了分布式光伏的发电量预测的准确性，进一步保证了分布式光伏运行的安全性。
附图说明
图1是本发明实施例中分布式光伏发电异常监测方法的流程示意图；
图2是本发明实施例中发电量预测模型的结构示意图；
图3是本发明实施例中分布式光伏发电异常监测系统的结构示意图；
图4是本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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做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。
请参阅图1，本发明第一实施例提出的一种分布式光伏发电异常监测方法，包括步骤S10～S40：
步骤S10，从预设的老化数据库中获取分布式光伏的各个光伏组件对应的组件老化状态。
在现有的光伏发电量预测方法中，通常只考虑天气对光伏发电量的影响，但实际上，光伏组件一旦投入运行，就开始持续的衰减，这种衰减受光伏组件材料类型、水平太阳发射量和组件自身温度等因素的影响，而天气对光伏老化造成的衰减影响往往被现有预测方法所忽略，从而影响到预测结果的准确性，为了解决这一问题，本发明将光伏组件的老化程度纳入考量，通过建立老化数据库来获取对应光伏组件的组件老化值，其中，老化数据库的组件步骤如下所示：
对区域内部署的分布式光伏进行建模，得到光伏模型；
获取区域内的历史天气数据，将所述历史天气数据输入所述光伏模型，进行光伏组件老化仿真，得到所述光伏组件的各个部分在不同时间段对应的组件老化状态；
根据所述光伏组件的材料、时间段和组件老化值，构建光伏组件的老化数据库。
在本实施例中，首先根据本地区域内部署的分布式光伏来构建光伏模型，并将区域内的历史天气数据包括温度、湿度、风速、污染指数等作为光伏模型的输入参数，对光伏模型进行光伏组件的老化仿真，从而得到光伏组件的组件老化值，由于组件老化受时间以及材料的影响，为了更准确的表征光伏组件的老化程度，本实施例优选的以年为时间段来表征不同年份下光伏组件的老化程度，基于光伏组件的材料类型、年度时间段和对应的各个部分的组件老化状态来构建光伏组件的老化数据库。
在构建完成老化数据库之后，就可以根据待监测的光伏组件的材料类型和安装年限，从老化数据库中提取对应的组件老化值，根据组件老化值就可以进行下一步的发电量预测。
步骤S20，将当日天气数据、历史天气数据、光伏组件的组件老化状态、理论发电量、组件类型和历史发电量输入预先建立的发电量预测模型进行预测，得到预测发电量，所述发电量预测模型包括参数分析子模型和若干个电量预测子模型。
本实施例采用发电量预测模型对光伏组件的发电量进行预测，本实施例中的发电量预测模型包括参数分析子模型和三个电量预测子模型，每个子模型均设置有一个分类器，发电量预测模型的预测步骤如下所示：
步骤S201，将经过数据预处理的历史天气数据、以及光伏组件的历史发电量、理论发电量和组件老化状态输入参数分析子模型，提取参数影响特征，并将对应分类器输出的最高概率作为第一概率；
步骤S202，判断所述第一概率是否大于第一概率阈值，若是，则将当日天气数据和组件类型输入第一电量预测子模型进行发电量预测，得到第一预测发电量，并从参数影响特征中提取老化特征影响，根据老化特征影响对所述第一预测发电量进行调整，得到预测发电量；
步骤S203，若否，则判断所述第一概率是否小于第二概率阈值，若小于，则将组件类型和组件老化状态输入第二电量预测子模型进行发电量预测，得到第二预测发电量，并从参数影响特征中提取天气特征影响，根据天气特征影响对所述第二预测发电量进行调整，得到预测发电量；
步骤S204，否则，将组件类型、组件老化状态、当日天气数据和参数影响特征输入第三电量预测子模型进行发电量预测，得到预测发电量。
在本实施例中，参数分析子模型主要用于对光伏组件的状态进行分析，在光伏的实际运行过程中，随着光照和环境污染等天气环境因素对光伏板造成的污染和老化，都会对光伏发电造成不可逆的影响，并且即使对于同一区域内光伏板也有可能处于不同的环境而产生不同的影响，因此即使是同一批次安装的光伏，其发电状态也会存在一定区别，进一步的，对于不同年限的光伏，其老化状态和天气数据对其发电的影响也有所不同，比如一些光伏受环境和老化状态的影响较小，其发电量主要受天气因素的影响，另一些光伏则受安装环境的影响，其老化状态影响到了发电状况，天气因素相比老化因素对发电的影响则较低，当然还有一些光伏的发电量同时受到老化状态和天气因素的影响。
目前的电量预测模型往往仅关注于天气的影响，缺乏对光伏老化状态对发电量影响的分析，或者对于老化状态的分析采用对光伏板进行图像识别的方式，而这种方式对于图像的采集量和采集精度都有较高要求，并不能实现每日电量的异常监测功能，针对这一问题，本发明提供了一种发电量预测模型，从参数对光伏发电量的影响状态入手，对光伏发电量进行预测。
请参阅图2，首先通过参数分析子模型对待检测的光伏组件进行参数影响力的分析，参数分析子模型的输入参数为一定时间段内的历史天气数据、以及光伏组件的历史发电量、理论发电量和组件老化状态，比如最近一周为时间期限，对输入参数进行数据预处理，包括数据过滤、数据补充和归一化等数据处理后，得到输入特征向量，将输入特征向量输入训练好的参数分析子模型进行参数影响特征的提取，在本模型中通过对历史数据的分析来得到老化和天气对光伏组件的影响特征，在本实施例中，优选的使用了卷积神经网络来构建参数分析子模型，需要说明的是，参数分析子模型并不是对天气因素和老化状态所包含的各个参数的分析，而是用于提取浅层特征，也即将天气和老化综合为两个参数，来分析哪个对发电的影响更大，对于总参数包含的各个子参数对光伏的影响将在后面的模型中进行分析。
在本实施例中，将参数分析子模型的分类器输出的最高概率作为第一概率，同时本实施例还设置了两个概率阈值，分类器输出的概率实际上被设置为天气因素对发电量的影响情况，对于概率的判断分为三种情况，这三种情况分别对应三种不同的光伏，具体的说，如果第一概率大于第一概率阈值，则说明该光伏的发电量主要受天气因素的影响，其老化状态对发电量的影响较小，此时，只要根据天气情况和光伏组件的类型即材料、结构等光伏相关参数来预测发电量即可，因此，对于第一概率大于第一概率阈值的情况，需要将当日天气数据和光伏的组件类型输入训练好的第一电量预测子模型进行预测，需要说明的是，本发明中的三个电量预测子模型均采用bp神经网络搭建。
通过第一电量预测子模型得到的第一预测发电量实际上是没有考虑组件老化状态的发电量，而在参数分析子模型中已经得到了老化状态在光伏组件中的影响情况，因此，可以从参数影响特征中提取老化状态对应的老化特征影响，在这里可以认为是提取了光伏老化状态的权重值，根据该权重值，对第一预测发电量进行调整，即考虑到了老化状态对光伏发电量的影响，使预测的发电量更加准确。
如果第一概率小于第二概率阈值，则说明该光伏的发电量受天气因素的影响较小，其发电量主要受老化状态的影响，此时，则需要将光伏的组件类型和老化状态输入第二电量预测子模型，根据各个部分的老化状态来预测其发电量，得到第二预测发电量，同理，此时的第二预测发电量是没有考虑天气因素影响的发电量，因此，从参数影响特征中提取天气特征影响即天气对应的权重值，对第二预测发电量进行调整，将天气因素加入预测值，从而提高预测的准确度。
如果第一概率在第一概率阈值和第二概率阈值之间，说明天气状况和老化状态均对光伏的发电量产生影响，此时则需要同时分析天气因素和老化因素，因此，需要将组件类型、组件老化状态、当日天气数据和参数影响特征输入第三电量预测子模型，由于分析时加入了参数影响特征，不仅能够提高第三电量预测子模型的预测效率，并且能够提高预测的准确度，由于输入参数包括天气数据和老化数据，因此，第三电量预测子模型输出的预测发电量不再需要调整。
本发明通过参数分析子模型和三个电量预测子模型对光伏的发电量进行预测，其好处在于通过分析参数对光伏发电量的影响指标，可以对光伏进行准确分类，并且根据分析结果可以使部分光伏在预测时不需要使用所有参数从而有效提升了模型的预测效率，同时对于不同类型的光伏采用不同的子模型进行预测，在提高了预测效率的同时还保证了预测的准确性。需要说明的是，本发明提供的发电量预测模型所采用的神经网络只作为优选而非限定，当然也可以采用其他类型的神经网络，或者采用决策树算法来构建发电量预测模型。
步骤S30，获取各个光伏组件的实际发电量，计算光伏组件的预测发电量与实际发电量之间的绝对差值，并根据组件老化值，对各个光伏组件对应的绝对差值进行聚类；
步骤S40，对聚类结果进行离群值检测，将离群值对应的光伏组件作为异常光伏组件。
在得到预测发电量之后，下面即可根据预测发电量和实际发电量的比较来判断光伏组件是否存在异常，在常规的判断方法中，往往采用简单的比较关系进行判定，比如当预测发电量大于或者小于实际发电量时就判定光伏组件异常，这种判定方法需要保证预测结果的准确性，并且没有考虑到光伏发电受多种因素对实际发电量的影响，比如受天气影响的传输衰减和结构的临时变化等因素都会影响到实际发电量，从而使实际发电量与预测发电量不一致。为了保证判定结果的准确性，本实施例提供了一种异常判定方法，首先计算预测发电量与实际发电量之间的绝对差值，然后基于组件老化值，对绝对差值进行聚类，可以采用K-Means聚类等算法进行聚类，得到各个聚类结果，然后对各个聚类结果进行分析，具体步骤包括：
采用基于距离的离群值检测算法对各个聚类结果进行离群值检测，得到离群值；
计算离群值对应的光伏组件的预测发电量减去实际发电量的差值，将所述差值与阈值相比较，根据比较结果，得到光伏组件的第一异常类型。
在本实施例中，采用基于距离的离群值检测算法对各个聚类结果进行离群值检测，从而得到离群值，这些离群值对应的光伏组件即为预测发电量和实际发电量差距较大的异常组件，针对这些异常的光伏组件，计算预测发电量与实际发电量的差值，将该差值与阈值比如零值进行比较，根据比较结果得到光伏组件的异常状态，具体的说，如果差值大于零，即预测发电量远大于实际发电量，说明光伏组件可能存在故障，因此判定光伏组件为故障状态，反正，则说明光伏组件可能存在私下增容欺骗补贴的情况，因此判定光伏组件为增容状态。本实施例通过聚类分析，能够提高异常监测结果的准确性。
在另一个优选的实施例中，本发明还提供了异常监测结果二次验证的方法，具体步骤包括：
计算异常光伏组件的发电量波动率、分布式光伏的平均波动率上限和分布式光伏的平均波动率下限；
将所述发电量波动率分别与所述平均波动率上限和所述平均波动率下限相比较，根据比较结果，得到光伏组件的第二异常类型；
判断所述第一异常类型和所述第二异常类型是否一致，若一致，则将所述第一异常类型作为光伏组件的最终异常类型。
在本实施例中，对于被认定为异常光伏组件进行了二次验证，所采用的验证方法是基于发电量的波动率来实现，如上所述，在实际情况下，实际发电量会收到多方面的因素影响，但是对于整个区域来说，这种影响因素一般不会仅影响到某组光伏的发电，而是对整个区域都会产生一定的影响，因此，即使发电量存在波动，但对于异常状态的光伏其波动程度必然会更加明显，基于此原理，在本实施例中，首先计算异常光伏组件的发电量波动率和区域内的分布式光伏的平均发电量的波动率，具体的说，异常光伏组件的发电量波动率可以设置为：发电量波动率＝(日发电量/近七天平均发电量)-1，同理，区域内分布式光伏的平均波动率为区域内所有有效光伏组件日发电量波动率之和除以区域内所有有效光伏的数量，然后利用3σ(西格玛)准则计算出区域内分布式光伏的平均波动率的上限和下限，分别为：上限＝平均波动率-3*波动率标准差，下限＝平均波动率+3*波动率标准差。
最后将光伏组件的发电量波动率与平均波动率的上下限分别进行比较，来得到组件的异常状态，即若发电量波动率小于平均波动率下限，则判断光伏组件为故障状态；若发电量波动率大于平均波动率上限，则判断光伏组件为增容状态，如果发电量波动率在上下限之间，则认为光伏组件属于正常状态，
可以看到通过二次验证同样也得到了光伏组件的状态，将两次判定的状态进行比较，如果状态一致，则认为光伏组件确实出现了故障异常或者增容异常，本发明通过二次验证进一步提高了对光伏组件进行异常监测的监测结果的准确性。
本实施例提供的一种分布式光伏发电异常监测方法，相比传统方法缺乏对分布式光伏的衰减因素的全面考量导致监测结果精度不高的问题，本发明通过分析光伏组件的老化程度和天气环境状态对光伏实际发电量的影响，对光伏组件的发电量进行准确高效的预测，同时采用聚类算法对预测电量和实际电量进行分析，从而能够准确有效的得到光伏组件的异常监测结果，并且本发明还通过发电量波动率对光伏组件的异常状态进行二次验证，进一步提高了异常监测结果的准确性，从而保证了分布式光伏运行的安全性和稳定性。
请参阅图3，基于同一发明构思，本发明第二实施例提出的一种分布式光伏发电异常监测系统，包括：
老化仿真模块10，用于从预设的老化数据库中获取分布式光伏的各个光伏组件对应的组件老化状态；
发电量预测模块20，用于将当日天气数据、历史天气数据、光伏组件的组件老化状态、理论发电量、组件类型和历史发电量输入预先建立的发电量预测模型进行预测，得到预测发电量，所述发电量预测模型包括参数分析子模型和若干个电量预测子模型；
异常判定模块30，用于获取各个光伏组件的实际发电量，计算光伏组件的预测发电量与实际发电量之间的绝对差值，并根据组件老化值，对各个光伏组件对应的绝对差值进行聚类；
对聚类结果进行离群值检测，将离群值对应的光伏组件作为异常光伏组件。
本发明实施例提出的分布式光伏发电异常监测系统的技术特征和技术效果与本发明实施例提出的方法相同，在此不予赘述。上述分布式光伏发电异常监测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
此外，本发明实施例还提出一种计算机设备，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，处理器执行计算机程序时实现上述方法的步骤。
请参阅图4，一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现分布式光伏发电异常监测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比途中所示更多或更少的部件，或者组合某些部件，或者具有相同的部件布置。
此外，本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
综上，本发明实施例提出的分布式光伏发电异常监测方法、系统、设备和存储介质，所述方法通过从预设的老化数据库中获取分布式光伏的各个光伏组件对应的组件老化状态；将当日天气数据、历史天气数据、光伏组件的组件老化状态、理论发电量、组件类型和历史发电量输入预先建立的发电量预测模型进行预测，得到预测发电量，所述发电量预测模型包括参数分析子模型和若干个电量预测子模型；获取各个光伏组件的实际发电量，计算光伏组件的预测发电量与实际发电量之间的绝对差值，并根据组件老化值，对各个光伏组件对应的绝对差值进行聚类；对聚类结果进行离群值检测，将离群值对应的光伏组件作为异常光伏组件。本发明通过分析光伏组件的老化程度和天气环境状态对光伏实际发电量的影响，对光伏组件的发电量进行准确高效的预测，同时采用聚类算法对预测电量和实际电量进行分析，从而能够准确有效的得到光伏组件的异常监测结果，并且本发明还通过发电量波动率对光伏组件的异常状态进行二次验证，进一步提高了异常监测结果的准确性，从而保证了分布式光伏运行的安全性和稳定性。
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种分布式光伏发电异常监测方法，其特征在于，所述方法包括：
从预设的老化数据库中获取分布式光伏的各个光伏组件对应的组件老化状态；
将当日天气数据、历史天气数据、光伏组件的组件老化状态、理论发电量、组件类型和历史发电量输入预先建立的发电量预测模型进行预测，得到预测发电量，所述发电量预测模型包括参数分析子模型和若干个电量预测子模型；
获取各个光伏组件的实际发电量，计算光伏组件的预测发电量与实际发电量之间的绝对差值，并根据组件老化值，对各个光伏组件对应的绝对差值进行聚类；
对聚类结果进行离群值检测，将离群值对应的光伏组件作为异常光伏组件。
2.根据权利要求1所述的分布式光伏发电异常监测方法，其特征在于，所述老化数据库的组建步骤包括：
对区域内部署的分布式光伏进行建模，得到光伏模型；
获取区域内的历史天气数据，将所述历史天气数据输入所述光伏模型，进行光伏组件老化仿真，得到所述光伏组件的各个部分在不同时间段对应的组件老化状态；
根据所述光伏组件的材料、时间段和组件老化状态，构建光伏组件的老化数据库。
3.根据权利要求1所述的分布式光伏发电异常监测方法，其特征在于，所述将当日天气数据、历史天气数据、光伏组件的组件老化状态、理论发电量、组件类型和历史发电量输入预先建立的发电量预测模型进行预测，得到预测发电量的步骤包括：
将经过数据预处理的历史天气数据、以及光伏组件的历史发电量、理论发电量和组件老化状态输入参数分析子模型，提取参数影响特征，并将对应分类器输出的最高概率作为第一概率；
判断所述第一概率是否大于第一概率阈值，若是，则将当日天气数据和组件类型输入第一电量预测子模型进行发电量预测，得到第一预测发电量，并从参数影响特征中提取老化特征影响，根据老化特征影响对所述第一预测发电量进行调整，得到预测发电量；
若否，则判断所述第一概率是否小于第二概率阈值，若小于，则将组件类型和组件老化状态输入第二电量预测子模型进行发电量预测，得到第二预测发电量，并从参数影响特征中提取天气特征影响，根据天气特征影响对所述第二预测发电量进行调整，得到预测发电量；
否则，将组件类型、组件老化状态、当日天气数据和参数影响特征输入第三电量预测子模型进行发电量预测，得到预测发电量。
4.根据权利要求1所述的分布式光伏发电异常监测方法，其特征在于，所述对各个聚类结果进行离群值检测，将离群值对应的光伏组件作为异常光伏组件的步骤包括：
采用基于距离的离群值检测算法对各个聚类结果进行离群值检测，得到离群值；
计算离群值对应的光伏组件的预测发电量减去实际发电量的差值，将所述差值与阈值相比较，根据比较结果，得到光伏组件的第一异常类型。
5.根据权利要求4所述的分布式光伏发电异常监测方法，其特征在于，所述将所述差值与阈值相比较，根据比较结果，得到光伏组件的第一异常类型的步骤包括：
判断差值是否大于阈值，若是，则判定光伏组件为故障状态，若否，则判定光伏组件为增容状态。
6.根据权利要求4所述的分布式光伏发电异常监测方法，其特征在于，所述根据比较结果，得到光伏组件的第一异常类型的步骤之后，还包括：
计算异常光伏组件的发电量波动率、分布式光伏的平均波动率上限和分布式光伏的平均波动率下限；
将所述发电量波动率分别与所述平均波动率上限和所述平均波动率下限相比较，根据比较结果，得到光伏组件的第二异常类型；
判断所述第一异常类型和所述第二异常类型是否一致，若一致，则将所述第一异常类型作为光伏组件的最终异常类型。
7.根据权利要求6所述的分布式光伏发电异常监测方法，其特征在于，所述根据比较结果，得到光伏组件的第二异常类型的步骤包括：
若所述发电量波动率小于所述平均波动率下限，则判断光伏组件为故障状态；
若所述发电量波动率大于所述平均波动率上限，则判断光伏组件为增容状态。
8.一种分布式光伏发电异常监测系统，其特征在于，所述系统包括：
老化仿真模块，用于从预设的老化数据库中获取分布式光伏的各个光伏组件对应的组件老化状态；
发电量预测模块，用于将当日天气数据、历史天气数据、光伏组件的组件老化状态、理论发电量、组件类型和历史发电量输入预先建立的发电量预测模型进行预测，得到预测发电量，所述发电量预测模型包括参数分析子模型和若干个电量预测子模型；
异常判定模块，用于获取各个光伏组件的实际发电量，计算光伏组件的预测发电量与实际发电量之间的绝对差值，并根据组件老化值，对各个光伏组件对应的绝对差值进行聚类；
对聚类结果进行离群值检测，将离群值对应的光伏组件作为异常光伏组件。
9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311490584.0A CN117520986A (zh) | 2023-11-09 | 2023-11-09 | 分布式光伏发电异常监测方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311490584.0A CN117520986A (zh) | 2023-11-09 | 2023-11-09 | 分布式光伏发电异常监测方法、系统、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117520986A true CN117520986A (zh) | 2024-02-06 |
Family
ID=89752481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311490584.0A Pending CN117520986A (zh) | 2023-11-09 | 2023-11-09 | 分布式光伏发电异常监测方法、系统、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117520986A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993741A (zh) * | 2024-04-03 | 2024-05-07 | 长江三峡集团实业发展(北京)有限公司 | 光伏发电的异常诊断方法、装置、计算机设备及存储介质 |
| CN118133435A (zh) * | 2024-05-08 | 2024-06-04 | 北京理工大学长三角研究院(嘉兴) | 基于svr与聚类的复杂航天器在轨异常检测方法 |
| CN117993741B (zh) * | 2024-04-03 | 2024-06-28 | 长江三峡集团实业发展(北京)有限公司 | 光伏发电的异常诊断方法、装置、计算机设备及存储介质 |
-
2023
- 2023-11-09 CN CN202311490584.0A patent/CN117520986A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993741A (zh) * | 2024-04-03 | 2024-05-07 | 长江三峡集团实业发展(北京)有限公司 | 光伏发电的异常诊断方法、装置、计算机设备及存储介质 |
| CN117993741B (zh) * | 2024-04-03 | 2024-06-28 | 长江三峡集团实业发展(北京)有限公司 | 光伏发电的异常诊断方法、装置、计算机设备及存储介质 |
| CN118133435A (zh) * | 2024-05-08 | 2024-06-04 | 北京理工大学长三角研究院(嘉兴) | 基于svr与聚类的复杂航天器在轨异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10867250B2 (en) | System and method for fault detection of components using information fusion technique | |
| KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
| CN113240289B (zh) | 一种电网调度控制系统运行状态评估方法及系统 | |
| CN108053128B (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
| CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| CN117520986A (zh) | 分布式光伏发电异常监测方法、系统、设备和存储介质 | |
| CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
| CN114785284A (zh) | 太阳能电池故障分析方法及系统 | |
| CN117557009B (zh) | 一种电源效率监测方法及系统 | |
| CN108846505B (zh) | 可再生能源并网消纳信息多维度校核方法及设备 | |
| CN113283492B (zh) | 基于Catboost算法的光伏出力场景生成方法及场景生成装置 | |
| Zulfauzi et al. | Anomaly detection using K-Means and long-short term memory for predictive maintenance of large-scale solar (LSS) photovoltaic plant | |
| CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
| ul Hassan et al. | Online static security assessment for cascading failure using stacked De-noising Auto-encoder | |
| 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 | |
| CN116502771A (zh) | 一种基于电力物资预测的配电方法及系统 | |
| Chi et al. | Zoning‐based candidate bus selection for dynamic VAR planning in power system towards voltage resilience | |
| CN116706884A (zh) | 光伏发电量的预测方法、装置、终端及存储介质 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
| Wu et al. | Fast dc optimal power flow based on deep convolutional neural network | |
| CN112884611A (zh) | 一种基于bim的装配式建筑信息化管理系统 | |
| CN108009686B (zh) | 一种光伏发电功率预测方法、装置及系统 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 |
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 |