CN118070161A - 一种基于区间抽样的光伏阵列运行状态划分方法及系统 - Google Patents
一种基于区间抽样的光伏阵列运行状态划分方法及系统 Download PDFInfo
- Publication number
- CN118070161A CN118070161A CN202410216070.4A CN202410216070A CN118070161A CN 118070161 A CN118070161 A CN 118070161A CN 202410216070 A CN202410216070 A CN 202410216070A CN 118070161 A CN118070161 A CN 118070161A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic array
- sample
- sampling
- new
- operation 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
- 238000005070 sampling Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006872 improvement Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 abstract description 9
- 238000010248 power generation Methods 0.000 abstract description 5
- 238000004140 cleaning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本申请涉及光伏发电技术领域,尤其涉及一种基于区间抽样的光伏阵列运行状态划分方法及系统,所述方法对光伏阵列运行数据进行清洗和分布拟合,确定密度函数,并根据分布拟合曲线的峰值位置设置抽样区间;对分布不均匀的光伏阵列状态样本进行分区间抽样,提取代表性样本;利用光伏阵列典型状态特征限定样本簇中心位置,基于样本簇中心位置可将样本划分为不同运行状态的样本簇;当采集到新样本时,计算新样本与不同样本簇的归属程度,根据归属程度确定新样本的运行状态,从而实现光伏阵列运行状态的有效评价与故障诊断,本发明利用区间抽样对光伏阵列运行状态进行集合划分,解决了光伏阵列样本分布不均匀条件下的状态评价和故障诊断问题。
Description
技术领域
本申请涉及光伏发电技术领域,尤其涉及一种基于区间抽样的光伏阵列运行状态划分方法及系统。
背景技术
光伏发电具有环保、可再生、适应性高等优势,已经在能源电力行业中占据重要地位。光伏发电无人智能化运行的背景下,传统运维方法难以满足精细化管理的要求。因此对光伏阵列运行状态及时准确的分析,是光伏电站智能化运行的基础,也是光伏电站运行维护中的重要环节。
现有技术中,采用聚类方法对光伏阵列运行状态进行划分。但是存在聚类中心初始化确定困难、状态样本稀疏导致难以被有效识别等问题。同时,大量相似样本也会严重影响聚类效果,分析处理全部样本所耗时间成本巨大,难以适应光伏电站海量相似性数据的特点。不同运行状态样本簇数据量差异较大,导致聚类结果对不同样本簇数据量大小的依赖程度高,难以有效划分。
因此,如何有效划分光伏阵列样本分布不均匀条件下的运行状态是目前亟待解决的技术问题。
发明内容
本发明公开了一种基于区间抽样的光伏阵列运行状态划分方法及系统,旨在解决如何有效划分光伏阵列样本分布不均匀条件下的运行状态的技术问题,从而实现光伏阵列运行状态的评价与故障诊断。
通过以下技术方案实现上述发明目的:
第一方面,提供了一种基于区间抽样的光伏阵列运行状态划分方法,包括:
采集光伏阵列运行数据作为光伏阵列运行状态原始样本;
对所述光伏阵列运行数据进行分布拟合,根据峰值位置设置抽样区间;
基于所述抽样区间对光伏阵列运行状态原始样本进行抽样,得到各抽样区间的光伏阵列运行状态样本;
限定样本簇中心位置,基于所述簇中心位置划分不同运行状态的样本簇;
计算重新采集的新样本与所述样本簇的归属程度,基于所述归属程度确定所述新样本的运行状态。
第二方面,提供了一种基于区间抽样的光伏阵列运行状态划分系统,包括:
数据采集模块,用于采集光伏阵列运行数据作为光伏阵列运行状态原始样本;
分布拟合模块,用于对所述光伏阵列运行数据进行分布拟合,根据峰值位置设置抽样区间;
区间抽样模块,基于所述抽样区间对光伏阵列运行状态原始样本进行抽样,得到各抽样区间的光伏阵列运行状态样本;
样本簇限定模块,用于限定样本簇中心位置,基于所述簇中心位置划分不同运行状态的样本簇;
归属程度计算模块,用于计算重新采集的新样本与所述样本簇的归属程度,基于所述归属程度确定所述新样本的运行状态。
第三方面,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程序,所述计算机程序被处理器执行时实现如第一方面所述的一种基于区间抽样的光伏阵列运行状态划分方法的部分或全部步骤。
第四方面,一种电子设备,所述设备包括存储器、处理器以及存储在所述存储器中并可在所述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如第一方面所述的一种基于区间抽样的光伏阵列运行状态划分方法的部分或全部步骤。
第五方面,一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的一种基于区间抽样的光伏阵列运行状态划分方法的部分或全部步骤。
相较于现有技术的有益效果:
由于实际光伏电站中样本分布极不均匀,光伏阵列状态评价和故障诊断工作存在挑战,因此,本发明基于区间抽样方法对状态样本进行筛选,结合光伏阵列运行特征,通过限制中心位置改进聚类方法,能够实现对各种正常或异常的运行状态进行有效划分,从而实现光伏阵列运行状态的有效评价与故障诊断,同时,相较于传统聚类方法效率更高,具备较高的准确性和较强的鲁棒性。
附图说明
图1为本发明实施例一种基于区间抽样的光伏阵列运行状态划分系统的结构示意图;
图2为本发明实施例一种基于区间抽样的光伏阵列运行状态划分方法的流程示意图;
图3为本发明实施例一种基于区间抽样的光伏阵列运行状态划分方法中步骤S4的流程示意图;
图4为本发明实施例区间抽样结果图;
图5为本发明实施例示例样本的空间聚类结果;
图6为本发明实施例开路、短路和高效状态阵列的电流、电压曲线图;
图7为本发明实施例阴影遮挡、通讯异常和高效状态阵列的电流、电压曲线图;
图8为本发明实施例低效、正常和高效状态阵列的电流、电压曲线图;
图9为本发明实施例一种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说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,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,都应当属于本文件的保护范围。
需要说明的是,本发明实施例描述的仅仅是为了更加清楚地说明本发明实施例的技术方案,并不构成对本发明实施例提供的技术方案的限定。
本发明实施例公开了一种基于区间抽样的光伏阵列运行状态划分方法,所述方法可通过一种基于区间抽样的光伏阵列运行状态划分系统来执行实现,下称系统。本发明所述方法,首先对光伏阵列运行数据进行清洗和分布拟合,确定密度函数,并根据分布拟合曲线的峰值位置设置抽样区间;然后对分布不均匀的光伏阵列状态样本进行分区间抽样,提取代表性样本;利用光伏阵列典型状态特征限定样本簇中心位置,基于样本簇中心位置可将样本划分为例如优秀、良好、低效、短路故障、开路故障和阴影遮挡等不同运行状态的样本簇;最后,当采集到新样本时,计算新样本与不同样本簇的归属程度,根据归属程度确定新样本的运行状态,从而实现光伏阵列运行状态的有效评价与故障诊断,利用区间抽样对光伏阵列运行状态进行集合划分,解决了光伏阵列样本分布不均匀条件下的状态评价和故障诊断问题。
如图1所示,为本发明实施例一种基于区间抽样的光伏阵列运行状态划分系统的结构示意图,该系统包括:
数据采集模块101,用于采集光伏阵列运行数据作为光伏阵列运行状态原始样本;
分布拟合模块102,用于对所述光伏阵列运行数据进行分布拟合,根据峰值位置设置抽样区间;
区间抽样模块103,基于所述抽样区间对光伏阵列运行状态原始样本进行抽样,得到各抽样区间的光伏阵列运行状态样本;
样本簇限定模块104,用于限定样本簇中心位置,基于所述簇中心位置划分不同运行状态的样本簇;
归属程度计算模块105,用于计算重新采集的新样本与所述样本簇的归属程度,基于所述归属程度确定所述新样本的运行状态。
如图2所示,为本发明实施例一种基于区间抽样的光伏阵列运行状态划分方法的流程示意图;下面将结合图2,对所述方法的具体实施流程进行详细说明,包括以下内容:
S1.采集光伏阵列运行数据作为光伏阵列运行状态原始样本。
所述光伏阵列运行数据包括电流运行数据和电压运行数据。采集光伏阵列的电流运行数据和电压运行数据作为光伏阵列运行状态原始样本,记为X={x1,x2,...,xn}。
S2.对所述光伏阵列运行数据进行分布拟合,根据峰值位置设置抽样区间。
首先,由于光伏发电的自身特性,夜间数据对状态判别的参考意义不大,因此,在一个可行的实施方式中,可将夜间数据进行剔除。具体的,通过判断所述光伏阵列运行数据对应的辐照度是否小于预设辐照度阈值,若是,则删除所述光伏阵列运行数据。即,删除辐照度小于预设辐照度阈值的电流运行数据和电压运行数据,例如,删除辐照度低于200W/m2的电流运行数据和电压运行数据。本实施例中,将剔除后的电流运行数据记为I1,剔除后的电压运行数据记为U1。
然后,对剔除夜间数据后的光伏阵列运行数据进行标准化处理,具体的,通过以下计算式对所述光伏阵列运行数据(此处所指即为上述剔除夜间数据后的光伏阵列运行数据)进行标准化处理,得到光伏阵列电流标准值和光伏阵列电压标准值。
对剔除夜间数据后的电流运行数据I1进行标准化处理的计算式如下:
其中,
I1表示光伏阵列电流运行数据;
Imin表示光伏阵列电流运行数据最小值;
Imax表示光伏阵列电流运行数据最大值;
I表示光伏阵列电流标准值。
对剔除夜间数据后的电流运行数据I1进行标准化处理的计算式如下:
其中,
U1表示光伏阵列电压运行数据;
Umin表示光伏阵列电压运行数据最小值;
Umax表示光伏阵列电压运行数据最大值;
U表示光伏阵列电压标准值。
其次,由于电流受辐照度影响较大,由阴雨天气引起的小电流、小功率并非由于光伏阵列自身状态不佳造成;因此采用标准化电流和标准化功率改进电流和功率指标,可以减弱辐照度的影响。
具体的,基于所述光伏阵列电流标准值改进光伏阵列电流运行数据,得到光伏阵列电流改进数据,改进的计算式如下:
其中,
Ir表示光伏阵列电流改进数据;
R表示辐照度,单位为W/m2。
对于电压运行数据无需改进,则本实施例中光伏阵列电压改进数据等于光伏阵列电压标准值,即Ur=U。
则,对于光伏阵列功率数据改进后的功率改进数据Pr为:
最后,对所述光伏阵列电流改进数据Ir和光伏阵列电压标准值U进行分布拟合,得到拟合曲线;再基于所述拟合曲线的峰值位置和光伏阵列运行特点,确定若干抽样区间的分位点。具体的,记录拟合曲线的峰值位置,结合光伏阵列运行特点,确定抽样区间的分位点P,根据各特征指标的分布情况,设置N个分位点,记为P11,P12,...,P1N;P21,P22,...,P2N;......。
S3.基于所述抽样区间对光伏阵列运行状态原始样本进行抽样,得到各抽样区间的光伏阵列运行状态样本。
根据光伏阵列的运行数据,划分出L个特征维度,分别记为C1,C2,...,CL。然后根据上述设定的N个分位点和划分的L个特征维度,将整个光伏阵列运行状态原始样本集合划分为(N+1)L个分区,记为D1,1,D1,2,...,D1,N,D1,N+1;D2,1,D2,2,...,D2,N,D2,N+1;......;DL,1,DL,2,...,DL,N,DL,N+1;即分区矩阵D可表示为:
结合所构建的光伏阵列指标的概率密度分布特点,在不同集合分区内随机抽取等量样本。
在一个可行的实施方式中,预先构建样本的概率密度函数如下:
其中,
n为光伏阵列运行状态原始样本集合中的样本数量;
h为带宽;
xi表示光伏阵列运行状态原始样本集合中第i个样本;
f(x)表示光伏阵列运行状态原始样本集合中第i个样本在某点处的概率密度。
S4.限定样本簇中心位置,基于所述簇中心位置划分不同运行状态的样本簇。
如图3所示,在一个可行的实施方式中,步骤S4包括:
S41.设置聚类数c,模糊权重系数m,循环阈值ε,采用[0,1]的随机数初始化权值矩阵,根据光伏阵列运行数据分布拟合曲线中的峰值位置,限制聚类中心的位置坐标:
其中,
为迭代之前第i类样本的中心位置坐标;
φj为第j个维度;
pk为第k个峰值;
Cj(pk)为第k个变量的拟合曲线峰值对应的第j维的坐标信息;
S42.计算第s步的第i类样本簇中心位置坐标
根据非参数概率密度分布拟合情况,限制第s步的第i类样本簇中心位置坐标:
S43.修正权值矩阵
S44.判断||U(s+1)-U(s)||≤ε是否成立,若否,则令s=s+1,并返回执行步骤S42;反之,则认为此时系统达到稳定,结束迭代循环。直至样本簇中心位置趋于稳定,得到最终的样本簇中心位置。
S35.基于得到的最终样本簇中心位置确定各样本的聚类结果,得到不同运行状态的样本簇。
运行状态包括例如优秀、良好、低效、短路故障、开路故障和阴影遮挡等。
S5.计算重新采集的新样本与所述样本簇的归属程度,基于所述归属程度确定所述新样本的运行状态。
重新采集光伏阵列运行数据作为光伏阵列运行状态新样本;对所述新样本按照如上述步骤S2中的实施方式进行标准化及改进处理,从而获得所述新样本的电流改进数据Irnew;同理,可获得电压改进数据Urnew和功率改进数据Prnew。
根据以下计算式计算所述新样本与所述样本簇的相对隶属程度ui,new:
其中,
Iri表示距第i类样本簇中心最近样本的电流改进数据;
Uri表示距第i类样本簇中心最近样本的电压改进数据;
Pri表示距第i类样本簇中心最近样本的功率改进数据;
Urnew表示新样本的电压改进数据;
Prnew表示新样本的功率改进数据。
再确定所述相对隶属程度ui,new的最大值:unew(max)=max{ui,new};将unew(max)所在样本簇的运行状态作为所述新样本的运行状态(优秀、良好、低效、短路故障、开路故障和阴影遮挡等);从而实现光伏阵列运行状态的有效评价与故障诊断,本发明实施例利用区间抽样对光伏阵列运行状态进行集合划分,解决了光伏阵列样本分布不均匀条件下的状态评价和故障诊断问题。
下面举例说明:
以某集中式光伏电站连续20日的运行数据为例,电站中有600个阵列,其装机容量为40.17MW,电气数据采样周期为10分钟。在具体实施过程中,选取第18日内所有阵列的电流和电压运行数据并进行数据清洗。采用核密度估计方法计算抽样区间的分位点,使用区间抽样方法选取样本,抽样结果如图4所示。
设定聚类数为7,初始化权值矩阵和聚类中心矩阵,进行迭代计算与划分,其结果如图5所示。不同运行状态下典型阵列的电流、电压数据的拟合曲线如图6~图8所示。从图6~图8中可以看出,478号阵列在14:30电流和电压均较高,处于高效运行状态;200号阵列在13:20电压为0,发生短路故障;134号阵列在8:10电流为0,发生开路故障;249号阵列在13:20电流和电压都很低,说明可能发生阴影遮挡;149号阵列在相当长的一段时间内电流和电压保持不变,说明可能发生通讯异常;353号阵列在13:50左右处于低效运行状态;325号阵列在16:20左右的运行状态良好。因此,本发明技术方案在光伏电站状态评价和故障诊断中准确度较高、数据适应性强,具有实际应用价值。
如图9所示,本发明实施例还提供了一种电子设备,该电子设备包括,中央处理单元901,其可以根据存储在只读存储器902中的程序或者从存储部分908加载到随机访问存储器903中的程序而执行各种适当的动作和处理。在随机访问存储器903中,还存储有系统操作所需的各种程序和数据。中央处理单元901、只读存储器902以及随机访问存储器903通过总线904彼此相连。输入/输出接口905也连接至总线904。
以下部件连接至输入/输出接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至输入/输出接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框,以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本发明还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程序,所述计算机程序被处理器执行时实现上述实施例所述的任一种基于区间抽样的光伏阵列运行状态划分方法的部分或全部步骤。
作为另一方面,本发明还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述实施例所述的任一种基于区间抽样的光伏阵列运行状态划分方法的部分或全部步骤。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于区间抽样的光伏阵列运行状态划分方法,其特征在于,包括:
采集光伏阵列运行数据作为光伏阵列运行状态原始样本;
对所述光伏阵列运行数据进行分布拟合,根据峰值位置设置抽样区间;
基于所述抽样区间对光伏阵列运行状态原始样本进行抽样,得到各抽样区间的光伏阵列运行状态样本;
限定样本簇中心位置,基于所述簇中心位置划分不同运行状态的样本簇;
计算重新采集的新样本与所述样本簇的归属程度,基于所述归属程度确定所述新样本的运行状态。
2.如权利要求1所述的基于区间抽样的光伏阵列运行状态划分方法,其特征在于,对所述光伏阵列运行数据进行分布拟合,根据峰值位置设置抽样区间,包括:
判断所述光伏阵列运行数据对应的辐照度是否小于预设辐照度阈值,若是,则删除所述光伏阵列运行数据;
通过以下计算式对所述光伏阵列运行数据进行标准化处理,得到光伏阵列电流标准值和光伏阵列电压标准值,所述光伏阵列运行数据包括电流运行数据和电压运行数据:
其中,
I1表示光伏阵列电流运行数据;
U1表示光伏阵列电压运行数据;
Imin表示光伏阵列电流运行数据最小值;
Imax表示光伏阵列电流运行数据最大值;
Umin表示光伏阵列电压运行数据最小值;
Umax表示光伏阵列电压运行数据最大值;
I表示光伏阵列电流标准值;
U表示光伏阵列电压标准值;
基于所述光伏阵列电流标准值改进光伏阵列电流运行数据,得到光伏阵列电流改进数据,改进的计算式如下:
其中,
Ir表示光伏阵列电流改进数据;
R表示辐照度;
对所述光伏阵列电流改进数据和光伏阵列电压标准值进行分布拟合,得到拟合曲线;
基于所述拟合曲线的峰值位置和光伏阵列运行特点,确定若干抽样区间的分位点。
3.如权利要求2所述的基于区间抽样的光伏阵列运行状态划分方法,其特征在于,基于所述抽样区间对光伏阵列运行状态原始样本进行抽样,得到各抽样区间的光伏阵列运行状态样本,包括:
根据所述光伏阵列运行数据划分出L个特征维度;
根据所述L个特征维度和所述分位点,将光伏阵列运行状态原始样本集合划分为(N+1)L个分区,获得分区矩阵D:
其中,N表示分位点数量;
根据预先构建的样本概率密度函数,在各分区内随机抽取等量样本,得到各抽样区间的光伏阵列运行状态样本。
4.如权利要求3所述的基于区间抽样的光伏阵列运行状态划分方法,其特征在于,所述样本概率密度函数的计算式如下:
其中,
n为光伏阵列运行状态原始样本集合中的样本数量;
h为带宽;
xi表示光伏阵列运行状态原始样本集合中第i个样本;
f(x)表示光伏阵列运行状态原始样本集合中第i个样本在某点处的概率密度。
5.如权利要求4所述的基于区间抽样的光伏阵列运行状态划分方法,其特征在于,限定样本簇中心位置,基于所述簇中心位置划分不同运行状态的样本簇,包括:
S41.设置聚类数c,模糊权重系数m,循环阈值ε,采用[0,1]的随机数初始化权值矩阵,根据光伏阵列运行数据分布拟合曲线中的峰值位置,限制聚类中心的位置坐标:
其中,
为迭代之前第i类样本的中心位置坐标;
φj为第j个维度;
pk为第k个峰值;
Cj(pk)为第k个变量的拟合曲线峰值对应的第j维的坐标信息;
S42.计算第s步的第i类样本簇中心位置坐标
根据非参数概率密度分布拟合情况,限制第s步的第i类样本簇中心位置坐标:
S43.修正权值矩阵
S44.判断||U(s+1)-U(s)||≤ε是否成立,若否,则令s=s+1,并返回执行步骤S42;直至样本簇中心位置趋于稳定,得到最终的样本簇中心位置;
S45.基于得到的最终样本簇中心位置确定各样本的聚类结果,得到不同运行状态的样本簇。
6.如权利要求5所述的基于区间抽样的光伏阵列运行状态划分方法,其特征在于,计算重新采集的新样本与所述样本簇的归属程度,包括:
重新采集光伏阵列运行数据作为光伏阵列运行状态新样本;
对所述新样本按照如权利要求2所述方法进行标准化及改进处理,得到所述新样本的电流改进数据Irnew;
根据以下计算式计算所述新样本与所述样本簇的相对隶属程度ui,new:
其中,
Iri表示距第i类样本簇中心最近样本的电流改进数据;
Uri表示距第i类样本簇中心最近样本的电压改进数据;
Pri表示距第i类样本簇中心最近样本的功率改进数据;
Urnew表示新样本的电压改进数据;
Prnew表示新样本的功率改进数据。
7.如权利要求6所述的基于区间抽样的光伏阵列运行状态划分方法,其特征在于,基于所述归属程度确定所述新样本的运行状态,包括:
确定所述相对隶属程度ui,new的最大值:unew(max)=max{ui,new};
将unew(max)所在样本簇的运行状态作为所述新样本的运行状态。
8.一种基于区间抽样的光伏阵列运行状态划分系统,其特征在于,包括:
数据采集模块,用于采集光伏阵列运行数据作为光伏阵列运行状态原始样本;
分布拟合模块,用于对所述光伏阵列运行数据进行分布拟合,根据峰值位置设置抽样区间;
区间抽样模块,基于所述抽样区间对光伏阵列运行状态原始样本进行抽样,得到各抽样区间的光伏阵列运行状态样本;
样本簇限定模块,用于限定样本簇中心位置,基于所述簇中心位置划分不同运行状态的样本簇;
归属程度计算模块,用于计算重新采集的新样本与所述样本簇的归属程度,基于所述归属程度确定所述新样本的运行状态。
9.一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1~7任一项所述的一种基于区间抽样的光伏阵列运行状态划分方法的步骤。
10.一种电子设备,所述设备包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1~7任一项所述的一种基于区间抽样的光伏阵列运行状态划分方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410216070.4A CN118070161A (zh) | 2024-02-27 | 2024-02-27 | 一种基于区间抽样的光伏阵列运行状态划分方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410216070.4A CN118070161A (zh) | 2024-02-27 | 2024-02-27 | 一种基于区间抽样的光伏阵列运行状态划分方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118070161A true CN118070161A (zh) | 2024-05-24 |
Family
ID=91096746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410216070.4A Pending CN118070161A (zh) | 2024-02-27 | 2024-02-27 | 一种基于区间抽样的光伏阵列运行状态划分方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118070161A (zh) |
-
2024
- 2024-02-27 CN CN202410216070.4A patent/CN118070161A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN112381137B (zh) | 新能源电力系统可靠性评估方法、装置、设备及存储介质 | |
CN111444615B (zh) | 一种基于k近邻和iv曲线的光伏阵列故障诊断方法 | |
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN109190672A (zh) | 电力系统运行工况无监督聚类方法及装置 | |
CN110795690A (zh) | 风电场运行异常数据检测方法 | |
CN109034370A (zh) | 一种基于特征映射剪枝的卷积神经网络精简方法 | |
CN112865089A (zh) | 一种改进的主动配电网大规模场景分析方法 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、系统、设备和存储介质 | |
CN111612319A (zh) | 基于一维卷积自编码器的负荷曲线深度嵌入聚类方法 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN111062421A (zh) | 基于相关性分析的网络节点多维数据社团划分算法 | |
CN112766590B (zh) | 一种居民典型电力消费模式的提取方法与系统 | |
CN113112177A (zh) | 一种基于混合指标的台区线损处理方法及系统 | |
CN114611869B (zh) | 一种低压台区台户识别方法 | |
CN118070161A (zh) | 一种基于区间抽样的光伏阵列运行状态划分方法及系统 | |
CN116488159A (zh) | 一种电网特征提取及源荷协同分析方法、装置和存储介质 | |
CN111259965A (zh) | 一种对基于降维的电气特征数据进行均值聚类的方法及系统 | |
CN115292361A (zh) | 一种分布式能源异常数据的筛选方法及系统 | |
CN114818827A (zh) | 基于seq2point网络的非侵入式负荷分解方法 | |
Hu et al. | Afb: Improving communication load forecasting accuracy with adaptive feature boosting | |
Lu et al. | Anomaly Recognition Method for Massive Data of Power Internet of Things Based on Bayesian Belief Network |
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 |