CN111090926B - 光伏功率曲线建模方法、装置、计算机设备及存储介质 - Google Patents

光伏功率曲线建模方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111090926B
CN111090926B CN201911112139.4A CN201911112139A CN111090926B CN 111090926 B CN111090926 B CN 111090926B CN 201911112139 A CN201911112139 A CN 201911112139A CN 111090926 B CN111090926 B CN 111090926B
Authority
CN
China
Prior art keywords
data
photovoltaic
cleaning
correlation
photovoltaic 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.)
Active
Application number
CN201911112139.4A
Other languages
English (en)
Other versions
CN111090926A (zh
Inventor
袁仁育
董子博
姚颖
赵洋洋
杨恢
赵清声
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Envision Innovation Intelligent Technology Co Ltd
Envision Digital International Pte Ltd
Original Assignee
Shanghai Envision Innovation Intelligent Technology Co Ltd
Envision Digital International Pte Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Envision Innovation Intelligent Technology Co Ltd, Envision Digital International Pte Ltd filed Critical Shanghai Envision Innovation Intelligent Technology Co Ltd
Priority to CN201911112139.4A priority Critical patent/CN111090926B/zh
Publication of CN111090926A publication Critical patent/CN111090926A/zh
Priority to CA3161663A priority patent/CA3161663A1/en
Priority to PCT/SG2020/050659 priority patent/WO2021096432A1/en
Priority to JP2022527701A priority patent/JP7357162B2/ja
Priority to KR1020227020012A priority patent/KR102481611B1/ko
Priority to US17/777,025 priority patent/US20220398361A1/en
Priority to EP20888018.7A priority patent/EP4058955A4/en
Priority to AU2020382689A priority patent/AU2020382689A1/en
Priority to BR112022009302A priority patent/BR112022009302A2/pt
Priority to MX2022005834A priority patent/MX2022005834A/es
Priority to CL2022001238A priority patent/CL2022001238A1/es
Priority to ZA2022/06000A priority patent/ZA202206000B/en
Application granted granted Critical
Publication of CN111090926B publication Critical patent/CN111090926B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Electrical Variables (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请关于一种光伏功率曲线建模方法、装置、计算机设备及存储介质，涉及光伏发电技术领域。该方法包括：获取指定时间段内的各个时间点处的光伏数据；将各个时间点的光伏数据划分为至少两个光伏数据分组；根据至少两个光伏数据分组各自的光伏数据，构建至少两个光伏数据分组各自对应的分组光伏功率曲线。通过上述方法，使得光伏曲线建模过程中分时段对光伏数据进行拟合，减少了不同时段之间光电转化效率之间的差异对光伏曲线建模的影响，提高了光伏曲线建模的准确性。

Description

光伏功率曲线建模方法、装置、计算机设备及存储介质
技术领域
本申请涉及光伏发电技术领域，特别涉及一种光伏功率曲线建模方法、装置、计算机设备及存储介质。
背景技术
随着光伏大规模接入电网，其带来的时变性、波动性、随机性将对电网的安全稳定运行带来巨大的冲击，很大程度增加了电网调度的调配难度。光伏功率预测技术是提高光伏并网质量、优化电网调度计划、推进电网安全稳定运行的基础技术，对于保障电网的安全稳定运行具有重要意义。因此，进行光伏功率预测具有十分重要的现实意义。
在相关技术中，人们基于光伏场站的实时辐照观测数据和对应的光伏实际发电功率数据，采用统计回归的方法，建立光电转换回归方程，从而得到光伏设备辐照度与发电功率转换的关系曲线。
上述相关技术中，辐照度与发电功率转换的关系曲线将所有的光伏数据进行一次拟合，导致拟合效果差，精确度不高。
发明内容
本申请实施例提供了一种光伏曲线建模方法、装置、计算机设备及存储介质，可以提高光伏曲线建模的准确性，该技术方案如下：
一方面，提供了一种光伏曲线建模方法，所述方法包括：
获取指定时间段内的各个时间点处的光伏数据；
将所述各个时间点的光伏数据划分为至少两个光伏数据分组；所述至少两个光伏数据分组中的不同分组对应的时间段不同；
根据所述至少两个光伏数据分组各自的光伏数据，构建所述至少两个光伏数据分组各自对应的分组光伏功率曲线。
一方面，提供了一种光伏曲线建模装置，该装置包括：
获取模块，用于获取指定时间段内的各个时间点处的光伏数据该辐照检测设备设置在该光伏发电设备处；
分组模块，用于将各个时间点的光伏数据划分为至少两个光伏数据分组；至少两个光伏数据分组中的不同分组对应的时间段不同；
构建模块，用于根据至少两个光伏数据分组各自的光伏数据，构建至少两个光伏数据分组各自对应的分组光伏功率曲线。
可选的，该装置还包括：
清洗模块，用于对至少两个光伏数据分组各自的光伏数据分别进行数据清洗，以去除至少两个光伏数据分组中的无效的光伏数据；
该构建模块，用于：
根据数据清洗之后的至少两个光伏数据分组中的光伏数据，构建至少两个光伏数据分组各自对应的分组光伏功率曲线。
可选的，该光伏数据包括光伏发电设备在对应时间点的发电功率，以及，辐照检测设备在对应时间点采集到的辐照度；该辐照检测设备设置在光伏发电设备处；该清洗模块，包括：
第一清洗子模块，用于对至少两个光伏数据分组中的异常数据进行清洗，获得异常数据清洗后的该至少两个光伏数据分组，该异常数据是指在该辐照检测设备故障情况下产生的数据；
第二清洗子模块，用于在异常数据清洗后的该至少两个光伏数据分组中去除低相关数据，获得低相关数据清洗后的至少两个光伏数据分组，低相关数据是指相关度低于相关度阈值的光伏数据，相关度用于指示对应的光伏数据中的发电功率与辐照度之间的相关性；
第三清洗子模块，用于在低相关数据清洗后的至少两个光伏数据分组中，分别基于局部异常因子算法去除离群数据，获取去除离群数据后的至少两个光伏数据分组，该离群数据是指远离数据集中区域的光伏数据；
第一获取子模块，用于根据去除离群数据后的至少两个光伏数据分组，获取数据清洗之后的至少两个光伏数据分组。
可选的，第一清洗子模块，用于，
对至少两个光伏数据分组中的缺失数据进行清洗，该缺失数据是指该光伏功率数据中的辐照度数据或者发电功率数据缺失的数据；
对至少两个光伏数据分组中的夜间无效数据进行清洗，该夜间无效数据是指该光伏功率检测设备在夜晚时间检测所得的全部数据；
对至少两个光伏数据分组中的超限数据进行清洗，该超限数据是指超出合理辐照度数据范围和/或合理功率数据范围的数据；
对至少两个光伏数据分组中的死数进行清洗，死数是指在一个时间序列中连续出现4次以上的数据。
可选的，第二清洗子模块，用于，
建立滑动窗口，该滑动窗口是异常数据清洗后的至少两个光伏数据分组中的光伏数据按照时序顺序，以异常数据清洗后的至少两个光伏数据分组中的光伏数据的时间分辨率为步长，每n个光伏数据为一组所建立的滑动窗口，每n个光伏数据为一组数据，一个滑动窗口包含一组数据，时间分辨率是指该辐照检测设备在对应时间点采集相邻两个光伏数据的最小时间间隔；
计算每个该滑动窗口内的光伏数据的皮尔逊(Pearson)相关系数；
计算异常数据清洗后的至少两个光伏数据分组内的光伏数据的相关性值，相关性值是指对各个该异常数据清洗后的至少两个光伏数据分组内的光伏数据所在的若干滑动窗口的Pearson相关系数降序排序，对中间n-2个Pearson相关系数值求得的平均值；
确定相关性阈值，该相关性阈值是指基于辐照度数据分段所划定每个数据分段对应的相关性阈值；
根据相关性阈值，对异常数据清洗后的至少两个光伏数据分组中的光伏数据进行清洗。
可选的，第一获取子模块，用于，
基于四分位数间距算法，从至少两个光伏数据分组各自的低相关数据中确定过清洗数据，该过清洗数据是处于数据集中区域内，以及处于数据集中区域周围预设区域内的光伏数据；
将至少两个光伏数据分组各自的过清洗数据，分别回收至去除离群数据后的至少两个光伏数据分组中，获得数据清洗之后的至少两个光伏数据分组。
可选的，构建模块，用于，
对至少两个光伏数据分组各自的分组各自的光伏数据进行样条插值拟合，获得光伏发电设备的光伏功率曲线。
一方面，提供了一种计算机设备，计算机设备包含处理器和存储器，所述存储器中存储由至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述光伏曲线建模方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述光伏曲线建模方法。
本申请提供的技术方案可以包括以下有益效果：
通过将获取的指定时间段内的各个时间点处的光伏数据划分为至少两个光伏数据分组，根据至少两个光伏数据分组各自的光伏数据构建各自对应的分组光伏功率曲线，并将至少两个光伏数据分组各自的分组光伏功率曲线进行拟合，获得光伏功率曲线，使得光伏曲线建模过程中分时段对光伏数据进行拟合，减少了不同时段之间光电转化效率之间的差异对光伏曲线建模的影响，提高了光伏曲线建模的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一个示例性的实施例提供的光伏曲线建模方法的流程图；
图2是本申请另一示例性的实施例提供的光伏曲线建模方法的流程图；
图3是本申请实施例所涉及的光伏曲线建模方法的滑动窗口示意图；
图4是本申请另一个示例性实施例提供的光伏曲线建模方法的流程图；
图5是本申请实施例所涉及的光伏曲线建模方法的指定时间段内的各个时间点处的光伏数据散点图；
图6是本申请实施例所涉及的光伏曲线建模方法的上午的光伏数据散点图；
图7是本申请实施例所涉及的光伏曲线建模方法的下午的光伏数据散点图；
图8是本申请实施例所涉及的光伏曲线建模方法的异常数据散点图；
图9是本申请实施例所涉及的光伏曲线建模方法的低相关数据散点图；
图10是本申请实施例所涉及的光伏曲线建模方法的离群数据散点图；
图11是本申请实施例所涉及的光伏曲线建模方法的过清洗数据散点图；
图12是本申请实施例所涉及的光伏曲线建模方法的光伏功率曲线拟合图；
图13是本申请一示例性实施例提供的光伏曲线建模装置的方框图；
图14是根据一示例性实施例示出的计算机设备的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
应当理解的是，在本文中提及的“若干个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
随着光伏大规模接入电网，对光伏功率预测技术提出了更高的要求，。本申请提供一种光伏曲线建模方法，可以提高光伏曲线建模的准确性。为了便于理解，下面对本申请涉及的几个名词进行解释。
1)光伏(Photovoltaic)
光伏，又称为光生伏特效应，是太阳能光伏发电***(Solar power system)的简称，是一种利用太阳电池半导体材料的光伏效应，将太阳光辐射能直接转换为电能的一种新型发电***。
2)辐射照度
辐射照度，简称辐照度，定义为单位面积通过的能量。
3)光电转换效率
光电转换效率(monochromaticincidentphoton-to-electronconversionefficiency，IPCE)，又称入射单色光子-电子转化效率，定义为单位时间内外电路中产生的电子数与单位时间内的入射单色光子数之间的比率。
请参考图1，其示出了本申请一个示例性的实施例提供的光伏曲线建模方法的流程图。该光伏曲线建模方法由计算机设备执行，如图1所示，该光伏曲线建模方法可以包括以下步骤：
步骤110，获取指定时间段内的各个时间点处的光伏数据，该光伏数据包括光伏发电设备在对应时间点的发电功率，以及，辐照检测设备在对应时间点采集到的辐照度；该辐照检测设备设置在该光伏发电设备处。
其中，光伏发电设备是指能利用太阳能电池直接将太阳能转化为电能的发电设备。光伏发电设备的发电功率主要受到光伏发电设备所能接收到的太阳光辐射照度的影响，辐射照度又称辐照度，是指光伏发电设备单位面积通过的能量。
光伏发电功率与辐照度是一一对应的，每检测到一个发电功率的数值，就有一个辐照度数值阈值对应，且该辐照检测设备所检测的辐照度数值应为光伏发电设备所在位置处光伏发电设备所能接收到的辐照度数值。
步骤120，将各个时间点的光伏数据划分为至少两个光伏数据分组；该至少两个光伏数据分组中的每个分组中的光伏数据对应的时间点属于自然日内的一个时间段，且该至少两个光伏数据分组中的不同分组对应的时间段不同。
比如，可以将指定时间段内的光伏数据按照自然日内的时间段点划分为上午、下午两个光伏数据分组，或者，也可以划分为上午、中午、下午三个光伏数据分组等等。其中，一个自然日是指一天二十四个小时。
需要说明的是，本申请所提出的光伏数据分组仅为示例性的，本申请并不限制光伏数据分组方式，或者分组个数，本申请实施例以将一个自然日内的光伏数据按照时间点划分为上午和下午两个光伏数据分组为例，对本申请进行说明。
步骤130，根据至少两个光伏数据分组各自的光伏数据，构建至少两个光伏数据分组各自对应的分组光伏功率曲线；该分组光伏功率曲线用于指示辐照度与发电功率之间的函数关系。
在本申请实施例中，分别对至少两个光伏数据分组各自的光伏数据进行光伏曲线功率构建，比如在将一个自然日内的光伏数据按照时间点划分为上午和下午两个光伏数据分组的前提下，对上午的光伏数据进行光伏曲线功率构建，对下午的光伏数据进行光伏功率的构建，从而得到分别对应上午和下午光伏数据的两条光伏功率曲线。
在将一个自然日内的光伏数据按照时间点划分为上午和下午两个光伏数据分组的前提下，将得到分别对应上午和下午光伏数据的两条光伏功率曲线进行拟合，最终得到以辐照度为X轴，以发电功率为Y轴的光伏功率曲线。
可选的，对获得的光伏设备的光伏功率曲线进行校验，获得校验后的光伏功率曲线，获取校验后的光伏功率曲线为光伏发电设备的光伏功率曲线。
若该获得的光伏设备的光伏功率曲线单调且满足合理的光电转换效率。则校验后的光伏功率曲线为光伏设备的光伏功率曲线，也就是光伏数据拟合所得的光伏功率曲线为光伏设备的光伏功率曲线；
若该获得的光伏设备的光伏功率曲线单调和/或不满足光电转换效率，则校验后的光伏功率曲线为理论光伏功率曲线，获取理论光伏功率曲线为光伏发电设备的光伏功率曲线。
其中，光伏行业中的光电转换效率是指太阳能电池的电荷载流子数目与照射在太阳能电池表面一定能量的光子数目的比率。
可选的，该理论光伏功率曲线是指经过(0，0)、(500，Cap*(1+k)/2)、(1000，Cap)三点的二次多项式拟合所得的光伏功率曲线，其中Cap为光伏设备额定容量，k为经验系数，由不同地区的日照情况所决定。
综上所述，本申请实施例中提供的光伏曲线建模方法，通过将获取的指定时间段内的各个时间点处的光伏数据划分为至少两个光伏数据分组，根据至少两个光伏数据分组各自的光伏数据构建各自对应的分组光伏功率曲线，并将至少两个光伏数据分组各自的分组光伏功率曲线进行拟合，获得光伏功率曲线，使得光伏曲线建模过程中分时段对光伏数据进行拟合，减少了不同时段之间光电转化效率之间的差异对光伏曲线建模的影响，提高了光伏曲线建模的准确性。
请参考图2，其示出了本申请一示例性的实施例提供的光伏曲线建模方法的流程图。该光伏曲线建模方法由计算机设备执行，如图2所示，该光伏曲线建模方法可以包括以下步骤：
步骤210，获取指定时间段内的各个时间点处的光伏数据，该光伏数据包括光伏发电设备在对应时间点的发电功率，以及，辐照检测设备在对应时间点采集到的辐照度；该辐照检测设备设置在该光伏发电设备处。
步骤220，将各个时间点的光伏数据划分为至少两个光伏数据分组；该至少两个光伏数据分组中的每个分组中的光伏数据对应的时间点属于自然日内的一个时间段，且该至少两个光伏数据分组中的不同分组对应的时间段不同。
步骤210和步骤220以及的实施方式可以参考步骤110和步骤120，本实施例在此不做赘述。
步骤230，对至少两个光伏数据分组各自的光伏数据分别进行数据清洗，以去除该至少两个光伏数据分组中的无效的光伏数据。
可选的，该无效的光伏数据可能是由于机器故障，自然灾害等不可抗力，光伏发电受限时段等的影响造成辐照检测设备不能正常工作所产生的光伏数据。
可选的，对至少两个光伏数据分组各自的光伏数据分别进行数据清洗包括：
S2301，对至少两个光伏数据分组中的异常数据进行清洗，获得异常数据清洗后的该至少两个光伏数据分组，该异常数据是指在该辐照检测设备故障情况下产生的数据。
可选的，对至少两个光伏数据分组中的异常数据进行清洗可以包括：
对至少两个光伏数据分组中的缺失数据进行清洗，该缺失数据是指光伏功率数据中的辐照度数据或者发电功率数据缺失的数据；
对至少两个光伏数据分组中的夜间无效数据进行清洗，该夜间无效数据是指光伏功率检测设备在夜晚时间检测所得的全部数据；
对至少两个光伏数据分组中的超限数据进行清洗，该超限数据是指超出合理辐照度数据范围和/或合理功率数据范围的数据；
对至少两个光伏数据分组中的死数进行清洗，死数是指在一个时间序列中连续出现4次以上的数据。
可选的，该合理辐照度范围为0-1200W/m2，该合理功率数据范围为0-1.1*Cap，其中Cap为光伏发电设备的额定容量；在一种可能的情况下，辐照检测设备检测到的光伏数据中，只包含辐照度数据，而未检测到与之对应的发电功率数据，或者，只包含发电功率数据，而未检测到与之对应的辐照度数据，则将这些数据确定为缺失数据，并对这些数据进行清洗。
由于太阳直射点在南北回归线不断做回归运动，会造成自然日内昼夜长短的改变。光伏发电设备是将太阳能转化为电能的设备，在没有太阳的夜晚，光伏发电设备处于非工作状态，辐照检测设备检测到的夜间数据为无效数据，根据每个自然日昼夜的不同，对夜间无效数据进行清洗。
太阳光的辐射照度和光伏发电设备将太阳能转化为电能的能力都是有限的，当辐照检测设备检测到的辐照度数据超过太阳光的辐射照度阈值，或者，发电功率数据超过光伏发电设备的发电功率阈值时，则确定这些数据为无效数据，并对超限数据进行清洗。
在一种可能的情况下，由于辐照检测设备的非正常工作，辐照检测设备检测到的某一辐照度数据或这某一发电功率数据在一个时间序列中连续出现四次以上，则将这些重复四次以上的数据确定为死数，并对死数进行清洗。
S2302，在异常数据清洗后的至少两个光伏数据分组中去除低相关数据，获得低相关数据清洗后的至少两个光伏数据分组，该低相关数据是指相关度低于相关度阈值的光伏数据，该相关度用于指示对应的光伏数据中的发电功率与光辐照度之间的相关性。
可选的，分区间去除低相关数据，该过程所划分的光伏数据区间的个数可以大于等于光伏数据分组的个数；去除低相关数据所依据的相关度阈值可以进行根据区间的不同进行相应的调节。
可选的，在异常数据清洗后的至少两个光伏数据分组中去除低相关数据，获得低相关数据清洗后的至少两个光伏数据分组，包括：
建立滑动窗口，该滑动窗口是异常数据清洗后的至少两个光伏数据分组中的光伏数据按照时序顺序，以异常数据清洗后的至少两个光伏数据分组中的光伏数据的时间分辨率为步长，每n个光伏数据为一组所建立的滑动窗口，每n个光伏数据为一组数据，一个动窗口包含一组数据，时间分辨率是指辐照检测设备在对应时间点采集相邻两个光伏数据的最小时间间隔。
例如，请参考图3，其示出了本申请实施例所涉及的光伏曲线建模方法的滑动窗口示意图。如图3所示，获取的光伏数据有20个，建立滑动窗口时，将这20个光伏数据按照采集时间由早到晚的顺序进行排序，假设这20个光伏数据的时间分辨率为10分钟，即10分钟采集一个光伏数据，则以10分钟为步长建立滑动窗口，以每8个数据为一组为例，那么第1-8个光伏数据为第一组，2-9个光伏数据为第二组，3-10个光伏数据为第三组……以此类推，那么每一个光伏数据都会出现在8个分组里，每一个滑动窗口包含一组光伏数据，那么每一个光伏数据都会出现在8个滑动窗口内。
计算每个滑动窗口内的光伏数据的Pearson相关系数。
Pearson相关系数(Pearson CorrelationCoefficient)，是用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系，其计算公式为：
其中r为Pearson相关系数，N为每个滑动窗口内的光伏数据的个数，xi为为横坐标，yi为为纵坐标坐标。
通过上述关系式，计算每个滑动窗口内的光伏数据的Pearson相关系数。
计算异常数据清洗后的至少两个光伏数据分组内的光伏数据的相关性值，相关性值是指对各个异常数据清洗后的至少两个光伏数据分组内的光伏数据所在的若干滑动窗口的Pearson相关系数降序排序，对中间n-2个Pearson相关系数值求得的平均值。
仍以上述20个光伏数据为例，每个光伏数据出现在8个滑动窗口内，那么将计算8个Pearson相关系数，将这8个Pearson相关系数降序排序，去掉8个Pearson相关系数中的最大值和最小值，对剩下的中间的6个Pearson相关系数求平均值，作为同时出现在8个滑动窗口内的某个光伏数据的相关性值。
确定相关性阈值，该相关性阈值是指基于辐照度数据分段所划定每个数据分段对应的相关性阈值。
可选的，该相关性阈值的大小可以通过更改计算机设备的相关参数进行调节，例如可以将相关性阈值调节为基于辐照度数据分段，能包含每段数据集中数据点的相关性值的60％的相关性值或者70％的相关性值等等，上述说明仅为示意性的，本申请不对相关性阈值的范围进行限定。
在计算出上述相关性值之后，即可以根据相关性阈值，对异常数据清洗后的至少两个光伏数据分组的光伏数据点进行清洗。
比如，可以保留高于相关性阈值的至少两个光伏数据分组中的光伏数据，清洗低于相关性阈值的至少两个光伏数据分组中的光伏数据。
S2303，在低相关数据清洗后的至少两个光伏数据分组中，分别基于局部异常因子算法去除离群数据，获取去除离群数据后的至少两个光伏数据分组，该离群数据是指远离数据集中区域的光伏数据。
局部异常因子算法(Local Outlier Factor，LOF)是通过计算“局部可达密度”来反映一个样本的异常程度，一个样本点周围的样本点所处位置的平均密度比上该样本点所在位置的密度，比值越大于1，则该点所在位置的密度越小于其周围样本所在位置的密度，这个点就越有可能是异常点。
在本申请实施例中，可以利用局部异常因子算法，分段判断低相关数据清洗后的至少两个光伏数据分组中的离群数据，并对离群数据进行清洗。
S2304，根据去除离群数据后的该至少两个光伏数据分组，获取数据清洗之后的至少两个光伏数据分组。
可选的，将去除离群数据后的至少两个光伏数据分组中的数据获取为指定时间段内的各个时间点处的光伏数据中的有效光伏数据，并按照对有效光伏数据的分组分段构建光伏功率曲线。
或者，
可选的，该根据去除离群数据后的该至少两个光伏数据分组，获取数据清洗之后的至少两个光伏数据分组，包括：
基于四分位数间距算法，从至少两个光伏数据分组各自的低相关数据中确定过清洗数据，该过清洗数据是处于数据集中区域内，以及处于数据集中区域周围预设区域内的光伏数据；
将至少两个光伏数据分组各自的过清洗数据，分别回收至去除离群数据后的至少两个光伏数据分组中，获得数据清洗之后的至少两个光伏数据分组。
四分位间距算法(Inter-Quartile Range，IQR)是指将各个变量值按大小顺序排列，然后将此数列分成四等份，计算所得第三个四分位上的值与第一个四分位上的值的差。
在本申请实施例中，可以利用四分位间距算法，分区间对至少两个光伏数据分组中的数据进行计算，该过程所划分的光伏数据区间的个数可以大于等于光伏数据分组的个数；确定过清洗数据所依据的相关度阈值可以进行根据区间的不同进行相应的调节。
步骤240，根据数据清洗之后的至少两个光伏数据分组中的光伏数据，构建该至少两个光伏数据分组各自对应的分组光伏功率曲线。
可选的，可以根据去除离群点之后的至少两个光伏数据分组中的光伏数据，构建该至少两个光伏数据分组各自对应的分组光伏功率曲线。
或者，根据回收过清洗点之后的至少两个光伏数据分组中的光伏数据，构建该至少两个光伏数据分组各自对应的分组光伏功率曲线。
步骤250，将至少两个光伏数据分组各自的分组光伏功率曲线进行拟合，获得光伏发电设备的光伏功率曲线。
可选的，对该至少两个光伏数据分组各自的分组光伏功率曲线进行样条回归拟合，获得光伏发电设备的光伏功率曲线。
样条插值法是一种以可变样条来作出一条经过一系列点的光滑曲线的数学方法。插值样条是由一些多项式组成的，每一个多项式都是由相邻的两个数据点决定的。
利用样条插值法，可以对至少两个光伏数据分组各自的分组光伏功率曲线进行分段回归，从而获得光伏发电设备在全辐照段的光伏功率曲线，样条插值回归步骤如下：
1)基于辐照，对光伏数据点进行等间距的分段(s个区间，s+1个段点)；
2)基于每个区间的光伏数据点，对各个区间进行n次多项式拟合，构建分段的拟合方程；
3)根据样条回归的特性，相邻的拟合曲线在连接处满足(n-1)阶连续，基于此构建约束方程；
4)根据业务需求，建立左右两端点出的边界条件约束；
5)联立2)至4)步，基于均方根误差最小，迭代求解各分段多项式的系数，从而得到全辐照段的光伏功率曲线。
可选的，可以采用其他曲线拟合方法对光伏功率曲线进行回归，例如最小二乘法、多项式拟合等，使得所得的光伏功率曲线尽可能收敛。
综上所述，本申请实施例中提供的光伏曲线建模法，通过将获取的指定时间段内的各个时间点处的光伏数据划分为至少两个光伏数据分组，根据至少两个光伏数据分组各自的光伏数据构建各自对应的分组光伏功率曲线，并将至少两个光伏数据分组各自的分组光伏功率曲线进行拟合，获得光伏功率曲线，使得光伏曲线建模过程中分时段对光伏数据进行拟合，减少了不同时段之间光电转化效率之间的差异对光伏曲线建模的影响，提高了光伏曲线建模的准确性。
请参考图4，其示出了本申请一个示例性实施例提供的光伏曲线建模方法的流程图。该光伏曲线建模方法由计算机设备执行，以将获取到的光伏数据划分为上午、下午两个光伏数据分组为例，如图4所示，该光伏曲线建模方法包括：
1)获取光伏数据，请参考图5，示出了本申请实施例所涉及的光伏曲线建模方法的指定时间段内的各个时间点处的光伏数据散点图。如图5所示，获取到的光伏数据包含指定时间段内的各个时间点处的光伏数据。
2)上、下午数据分离，请参考图6、图7，图6示出了本申请实施例所涉及的光伏曲线建模方法的上午的光伏数据散点图，图7示出了本申请实施例所涉及的光伏曲线建模方法的下午的光伏数据散点图。如图6、图7所示，将图5所示指定时间段内的各个时间点处的光伏数据依据光伏数据采集的时间的不同，划分为上午下午两个光伏数据分组。
以对上午的光伏数据分组中的光伏数据进行处理为例：
3)清洗异常数据，请参考图8，图8示出了本申请实施例所涉及的光伏曲线建模方法的异常数据散点图。如图8所示，该异常数据包括缺失数据、夜间无效数据、超限数据以及死数。
4)清洗低相关性数据，请参考图9，图9示出了本申请实施例所涉及的光伏曲线建模方法的低相关数据散点图。如图9所示，基于辐照度数据分段清洗低相关性数据，该低相关数据是指低于相关性阈值的光伏数据，该相关性阈值的大小可以通过更改计算机设备的相关参数进行调节。
5)清洗离群数据，请参考图10，图10示出了本申请实施例所涉及的光伏曲线建模方法的离群数据散点图。如图10所示，基于局部异常因子算法计算得出去除低相关性数据的光伏数据中的远离数据集中区域的光伏数据并进行清洗。
6)回收过清洗点，请参考图11，图11示出了本申请实施例所涉及的光伏曲线建模方法的过清洗数据散点图。如图11所示，基于四分位间距算法计算数据集中区域周围预设区域内的光伏数据，并将上述部分中清洗掉的该预设区域内额数据进行回收，以保证光伏数据拟合基数的完整性。
7)光伏数据拟合，请参考图12，图12示出了本申请实施例所涉及的光伏曲线建模方法的光伏功率曲线拟合图。如图12所示，对清洗过后保留下来的有效光伏数据点进行样条插值拟合，或者，也可以采用最小二乘法等其他拟合方式对游侠光伏数据点进行拟合，获得光伏功率曲线。
8)后期校验，对所得的光伏功率曲线是否单调或者是够满足光电转换效率进行校验：
若该获得的光伏设备的光伏功率曲线单调且满足合理的光电转换效率。则校验后的光伏功率曲线为光伏设备的光伏功率曲线，也就是光伏数据拟合所得的光伏功率曲线为光伏设备的光伏功率曲线；
若该获得的光伏设备的光伏功率曲线单调和/或不满足光电转换效率，则校验后的光伏功率曲线为理论光伏功率曲线，获取理论光伏功率曲线为光伏发电设备的光伏功率曲线。
9)获得光伏功率曲线，对上午的光伏数据分组中的光伏数据进行处理获得上午的光伏功率曲线，对下午的伏数据分组中的光伏数据进行处理获得下午的光伏功率曲线。
需要说明的是，清洗异常数据和清洗低相关性数据的步骤可以在将光伏数据划分为至少两个光伏数据分组之前进行，也可以在将光伏数据划分为至少两个光伏数据分组之后进行。
在申请实施例中，执行光伏曲线建模方法可以获得至少两条光伏发电设备的光伏功率曲线，该至少两条光伏发电设备的光伏功率曲线与至少两个光伏数据分组相对应。
综上所述，本申请实施例中提供的光伏曲线建模法，通过将获取的指定时间段内的各个时间点处的光伏数据划分为至少两个光伏数据分组，根据至少两个光伏数据分组各自的光伏数据构建各自对应的分组光伏功率曲线，并将至少两个光伏数据分组各自的分组光伏功率曲线进行拟合，获得光伏功率曲线，使得光伏曲线建模过程中分时段对光伏数据进行拟合，减少了不同时段之间光电转化效率之间的差异对光伏曲线建模的影响，提高了光伏曲线建模的准确性。
请参考图13，其示出了本申请一示例性实施例提供的光伏曲线建模装置的方框图。该光伏曲线建模装置可以通过软件的形式实现为计算机设备的全部或者部分，以执行图1、图2或图4对应实施例所示的方法的全部或部分步骤。如图13所示，该光伏曲线建模装置可以包括：
获取模块1310，用于获取指定时间段内的各个时间点处的光伏数据，该光伏数据包括光伏发电设备在对应时间点的发电功率，以及，辐照检测设备在对应时间点采集到的辐照度；该辐照检测设备设置在该光伏发电设备处；
分组模块1320，用于将各个时间点的光伏数据划分为至少两个光伏数据分组；该至少两个光伏数据分组中的每个分组中的光伏数据对应的时间点属于自然日内的一个时间段，且至少两个光伏数据分组中的不同分组对应的时间段不同；
构建模块1330，用于根据至少两个光伏数据分组各自的光伏数据，构建至少两个光伏数据分组各自对应的分组光伏功率曲线；分组光伏功率曲线用于指示辐照度与发电功率之间的函数关系。
可选的，该装置还包括：
清洗模块，用于对至少两个光伏数据分组各自的光伏数据分别进行数据清洗，以去除至少两个光伏数据分组中的无效的光伏数据；
该构建模块1330，用于：
根据数据清洗之后的至少两个光伏数据分组中的光伏数据，构建至少两个光伏数据分组各自对应的分组光伏功率曲线。
可选的，该光伏数据包括光伏发电设备在对应时间点的发电功率，以及，辐照检测设备在对应时间点采集到的辐照度；该辐照检测设备设置在光伏发电设备处；该清洗模块，包括：
第一清洗子模块，用于对至少两个光伏数据分组中的异常数据进行清洗，获得异常数据清洗后的该至少两个光伏数据分组，该异常数据是指在该辐照检测设备故障情况下产生的数据；
第二清洗子模块，用于在异常数据清洗后的该至少两个光伏数据分组中去除低相关数据，获得低相关数据清洗后的至少两个光伏数据分组，低相关数据是指相关度低于相关度阈值的光伏数据，相关度用于指示对应的光伏数据中的发电功率与辐照度之间的相关性；
第三清洗子模块，用于在低相关数据清洗后的至少两个光伏数据分组中，分别基于局部异常因子算法去除离群数据，获取去除离群数据后的至少两个光伏数据分组，该离群数据是指远离数据集中区域的光伏数据；
第一获取子模块，用于根据去除离群数据后的至少两个光伏数据分组，获取数据清洗之后的至少两个光伏数据分组。
可选的，第一清洗子模块，用于，
对至少两个光伏数据分组中的缺失数据进行清洗，该缺失数据是指该光伏功率数据中的辐照度数据或者发电功率数据缺失的数据；
对至少两个光伏数据分组中的夜间无效数据进行清洗，该夜间无效数据是指该光伏功率检测设备在夜晚时间检测所得的全部数据；
对至少两个光伏数据分组中的超限数据进行清洗，该超限数据是指超出合理辐照度数据范围和/或合理功率数据范围的数据；
对至少两个光伏数据分组中的死数进行清洗，死数是指在一个时间序列中连续出现4次以上的数据。
可选的，第二清洗子模块，用于，
建立滑动窗口，该滑动窗口是异常数据清洗后的至少两个光伏数据分组中的光伏数据按照时序顺序，以异常数据清洗后的至少两个光伏数据分组中的光伏数据的时间分辨率为步长，每n个光伏数据为一组所建立的滑动窗口，每n个光伏数据为一组数据，一个滑动窗口包含一组数据，时间分辨率是指该辐照检测设备在对应时间点采集相邻两个光伏数据的最小时间间隔；
计算每个该滑动窗口内的光伏数据的Pearson相关系数；
计算异常数据清洗后的至少两个光伏数据分组内的光伏数据的相关性值，相关性值是指对各个该异常数据清洗后的至少两个光伏数据分组内的光伏数据所在的若干滑动窗口的Pearson相关系数降序排序，对中间n-2个Pearson相关系数值求得的平均值；
确定相关性阈值，该相关性阈值是指基于辐照度数据分段所划定每个数据分段对应的相关性阈值；
根据相关性阈值，对异常数据清洗后的至少两个光伏数据分组中的光伏数据进行清洗。
可选的，第一获取子模块，用于，
基于四分位数间距算法，从至少两个光伏数据分组各自的低相关数据中确定过清洗数据，该过清洗数据是处于数据集中区域内，以及处于数据集中区域周围预设区域内的光伏数据；
将至少两个光伏数据分组各自的过清洗数据，分别回收至去除离群数据后的至少两个光伏数据分组中，获得数据清洗之后的至少两个光伏数据分组。
可选的，构建模块1330，用于，
对至少两个光伏数据分组各自的分组各自的光伏数据进行样条插值拟合，获得光伏发电设备的光伏功率曲线。
综上所述，本申请实施例中提供的光伏曲线建模装置，通过软件的形式实现为计算机设备的全部或者部分，通过将获取的指定时间段内的各个时间点处的光伏数据划分为至少两个光伏数据分组，根据至少两个光伏数据分组各自的光伏数据构建各自对应的分组光伏功率曲线，并将至少两个光伏数据分组各自的分组光伏功率曲线进行拟合，获得光伏功率曲线，使得光伏曲线建模过程中分时段对光伏数据进行拟合，减少了不同时段之间光电转化效率之间的差异对光伏曲线建模的影响，提高了光伏曲线建模的准确性。
图14是根据一示例性实施例示出的计算机设备1400的结构框图。该计算机设备可以实现为本公开上述方案中可以进行光伏曲线建模的计算机设备。所述计算机设备1400包括中央处理单元(CPU)1401、包括随机存取存储器(RAM)1402和只读存储器(ROM)1403的***存储器1404，以及连接***存储器1404和中央处理单元1401的***总线1405。所述计算机设备1400还包括帮助计算机内的各个器件之间传输信息的基本输入/输出***(I/O***)1406，和用于存储操作***1413、应用程序1414和其他程序模块1415的大容量存储设备1407。
所述基本输入/输出***1406包括有用于显示信息的显示器1408和用于用户输入信息的诸如鼠标、键盘之类的输入设备1409。其中所述显示器1408和输入设备1409都通过连接到***总线1405的输入输出控制器1410连接到中央处理单元1401。所述基本输入/输出***1406还可以包括输入输出控制器1410以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1410还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1407通过连接到***总线1405的大容量存储控制器(未示出)连接到中央处理单元1401。所述大容量存储设备1407及其相关联的计算机可读介质为计算机设备1400提供非易失性存储。也就是说，所述大容量存储设备1407可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的***存储器1404和大容量存储设备1407可以统称为存储器。
根据本公开的各种实施例，所述计算机设备1400还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1400可以通过连接在所述***总线1405上的网络接口单元1411连接到网络1412，或者说，也可以使用网络接口单元1411来连接到其他类型的网络或远程计算机***(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，中央处理器1401通过执行该一个或一个以上程序来实现图1、图2或图4所示的方法的全部或者部分步骤。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本公开实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质
本公开实施例还提供了一种计算机可读存储介质，用于储存为上述终端所用的计算机软件指令，其包含用于执行上述光伏曲线建模方法所设计的程序。例如，该计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (7)

1.一种光伏曲线建模方法，其特征在于，所述方法包括：
获取指定时间段内的各个时间点处的光伏数据；
将所述各个时间点的光伏数据划分为至少两个光伏数据分组；所述至少两个光伏数据分组中的不同分组对应的时间段不同；其中，所述光伏数据包括光伏发电设备在对应时间点的发电功率，以及，辐照检测设备在对应时间点采集到的辐照度；所述辐照检测设备设置在所述光伏发电设备处；
对所述至少两个光伏数据分组中的异常数据进行清洗，获得异常数据清洗后的所述至少两个光伏数据分组，所述异常数据是指在所述辐照检测设备故障情况下产生的数据；
在异常数据清洗后的所述至少两个光伏数据分组中去除低相关数据，获得低相关数据清洗后的所述至少两个光伏数据分组，所述低相关数据是指相关度低于相关度阈值的光伏数据，所述相关度用于指示对应的光伏数据中的发电功率与辐照度之间的相关性；
在低相关数据清洗后的所述至少两个光伏数据分组中，分别基于局部异常因子算法去除离群数据，获取去除离群数据后的所述至少两个光伏数据分组，所述离群数据是指远离数据集中区域的光伏数据；
基于四分位数间距算法，从所述至少两个光伏数据分组各自的低相关数据中确定过清洗数据，所述过清洗数据是处于数据集中区域内，以及处于数据集中区域周围预设区域内的光伏数据；
将所述至少两个光伏数据分组各自的过清洗数据，分别回收至去除离群数据后的所述至少两个光伏数据分组中，获得数据清洗之后的所述至少两个光伏数据分组，以去除所述至少两个光伏数据分组中的无效的光伏数据；
根据数据清洗之后的所述至少两个光伏数据分组中的光伏数据，构建所述至少两个光伏数据分组各自对应的分组光伏功率曲线。
2.根据权利要求1所述的方法，其特征在于，所述对所述至少两个光伏数据分组中的异常数据进行清洗，获得异常数据清洗后的所述至少两个光伏数据分组，包括：
对所述至少两个光伏数据分组中的缺失数据进行清洗，所述缺失数据是指光伏功率数据中的辐照度数据或者发电功率数据缺失的数据；
对所述至少两个光伏数据分组中的夜间无效数据进行清洗，所述夜间无效数据是指光伏功率检测设备在夜晚时间检测所得的全部数据；
对所述至少两个光伏数据分组中的超限数据进行清洗，所述超限数据是指超出合理辐照度数据范围和/或合理功率数据范围的数据；
对所述至少两个光伏数据分组中的死数进行清洗，所述死数是指在一个时间序列中连续出现4次以上的数据。
3.根据权利要求1所述的方法，其特征在于，所述在异常数据清洗后的所述至少两个光伏数据分组中去除低相关数据，获得低相关数据清洗后的所述至少两个光伏数据分组，包括：
建立滑动窗口，所述滑动窗口是所述异常数据清洗后的所述至少两个光伏数据分组中的光伏数据按照时序顺序，以所述异常数据清洗后的所述至少两个光伏数据分组中的光伏数据的时间分辨率为步长，每n个光伏数据为一组所建立的滑动窗口，所述每n个光伏数据为一组数据，一个所述滑动窗口包含所述一组数据，所述时间分辨率是指所述辐照检测设备在对应时间点采集相邻两个光伏数据的最小时间间隔；
计算每个所述滑动窗口内的光伏数据的皮尔逊Pearson相关系数；
计算所述异常数据清洗后的所述至少两个光伏数据分组内的光伏数据的相关性值，所述相关性值是指对各个所述异常数据清洗后的所述至少两个光伏数据分组内的光伏数据所在的若干滑动窗口的Pearson相关系数降序排序，对中间n-2个Pearson相关系数值求得的平均值；
确定相关性阈值，所述相关性阈值是指基于辐照度数据分段所划定每个所述数据分段对应的相关性阈值；
根据所述相关性阈值，对所述异常数据清洗后的所述至少两个光伏数据分组中的光伏数据进行清洗。
4.根据权利要求1所述的方法，其特征在于，所述根据数据清洗之后的所述至少两个光伏数据分组中的光伏数据，构建所述至少两个光伏数据分组各自对应的分组光伏功率曲线，包括：
对所述至少两个光伏数据分组各自的分组各自的光伏数据进行样条插值拟合，获得所述光伏发电设备的光伏功率曲线。
5.一种光伏曲线建模装置，其特征在于，所述装置包括：
获取模块，用于获取指定时间段内的各个时间点处的光伏数据；
分组模块，用于将所述各个时间点的光伏数据划分为至少两个光伏数据分组；所述至少两个光伏数据分组中的不同分组对应的时间段不同；其中，所述光伏数据包括光伏发电设备在对应时间点的发电功率，以及，辐照检测设备在对应时间点采集到的辐照度；所述辐照检测设备设置在所述光伏发电设备处；
第一清洗子模块，用于对所述至少两个光伏数据分组中的异常数据进行清洗，获得异常数据清洗后的所述至少两个光伏数据分组，所述异常数据是指在所述辐照检测设备故障情况下产生的数据；
第二清洗子模块，用于在异常数据清洗后的所述至少两个光伏数据分组中去除低相关数据，获得低相关数据清洗后的所述至少两个光伏数据分组，所述低相关数据是指相关度低于相关度阈值的光伏数据，所述相关度用于指示对应的光伏数据中的发电功率与辐照度之间的相关性；
第三清洗子模块，用于在低相关数据清洗后的所述至少两个光伏数据分组中，分别基于局部异常因子算法去除离群数据，获取去除离群数据后的所述至少两个光伏数据分组，所述离群数据是指远离数据集中区域的光伏数据；
第一获取子模块，用于基于四分位数间距算法，从所述至少两个光伏数据分组各自的低相关数据中确定过清洗数据，所述过清洗数据是处于数据集中区域内，以及处于数据集中区域周围预设区域内的光伏数据；
所述第一获取子模块，用于将所述至少两个光伏数据分组各自的过清洗数据，分别回收至去除离群数据后的所述至少两个光伏数据分组中，获得数据清洗之后的所述至少两个光伏数据分组，以去除所述至少两个光伏数据分组中的无效的光伏数据；
构建模块，用于根据数据清洗之后的所述至少两个光伏数据分组中的光伏数据，构建所述至少两个光伏数据分组各自对应的分组光伏功率曲线。
6.一种计算机设备，其特征在于，所述计算机设备包含处理器和存储器，所述存储器中存储由至少一段程序，所述至少一段程序由所述处理器加载并执行以实现如权利要求1至4任一所述的光伏曲线建模方法。
7.一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中存储有至少一段程序，所述至少一段程序由处理器加载并执行以实现如权利要求1至4任一所述的光伏曲线建模方法。
CN201911112139.4A 2019-11-14 2019-11-14 光伏功率曲线建模方法、装置、计算机设备及存储介质 Active CN111090926B (zh)

Priority Applications (12)

Application Number Priority Date Filing Date Title
CN201911112139.4A CN111090926B (zh) 2019-11-14 2019-11-14 光伏功率曲线建模方法、装置、计算机设备及存储介质
EP20888018.7A EP4058955A4 (en) 2019-11-14 2020-11-13 METHOD AND APPARATUS FOR MODELING A PHOTOVOLTAIC POWER CURVE, AND RELATED COMPUTER DEVICE AND STORAGE MEDIA
BR112022009302A BR112022009302A2 (pt) 2019-11-14 2020-11-13 Método e aparelho para modelagem da curva de energia fotovoltaica, e dispositivo de computador e meio de armazenamento dele
JP2022527701A JP7357162B2 (ja) 2019-11-14 2020-11-13 光発電力曲線をモデリングするための方法および装置、並びにそれらのコンピュータデバイスおよび記憶媒体
KR1020227020012A KR102481611B1 (ko) 2019-11-14 2020-11-13 태양광 전력 곡선 모델링 방법 및 장치, 및 컴퓨터 디바이스 및 저장 매체
US17/777,025 US20220398361A1 (en) 2019-11-14 2020-11-13 Method and apparatus for modeling photovoltaic power curve, and computer device and storage medium thereof
CA3161663A CA3161663A1 (en) 2019-11-14 2020-11-13 Method and apparatus for modeling photovoltaic power curve, and computer device and storage medium thereof
AU2020382689A AU2020382689A1 (en) 2019-11-14 2020-11-13 Method and apparatus for modeling photovoltaic power curve, and computer device and storage medium thereof
PCT/SG2020/050659 WO2021096432A1 (en) 2019-11-14 2020-11-13 Method and apparatus for modeling photovoltaic power curve, and computer device and storage medium thereof
MX2022005834A MX2022005834A (es) 2019-11-14 2020-11-13 Metodo y aparato para modelar una curva de energia fotovoltaica, dispositivo informatico y medio de almacenamiento del mismo.
CL2022001238A CL2022001238A1 (es) 2019-11-14 2022-05-12 Método y aparato para modelizar curva de potencia fotovoltaica, dispositivo informático y medio de almacenamiento
ZA2022/06000A ZA202206000B (en) 2019-11-14 2022-05-30 Method and apparatus for modeling photovoltaic power curve, and computer device and storage medium thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911112139.4A CN111090926B (zh) 2019-11-14 2019-11-14 光伏功率曲线建模方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111090926A CN111090926A (zh) 2020-05-01
CN111090926B true CN111090926B (zh) 2023-09-12

Family

ID=70393669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911112139.4A Active CN111090926B (zh) 2019-11-14 2019-11-14 光伏功率曲线建模方法、装置、计算机设备及存储介质

Country Status (12)

Country Link
US (1) US20220398361A1 (zh)
EP (1) EP4058955A4 (zh)
JP (1) JP7357162B2 (zh)
KR (1) KR102481611B1 (zh)
CN (1) CN111090926B (zh)
AU (1) AU2020382689A1 (zh)
BR (1) BR112022009302A2 (zh)
CA (1) CA3161663A1 (zh)
CL (1) CL2022001238A1 (zh)
MX (1) MX2022005834A (zh)
WO (1) WO2021096432A1 (zh)
ZA (1) ZA202206000B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113437939B (zh) * 2021-06-25 2023-01-10 阳光新能源开发股份有限公司 表征灰尘引起发电量损失的方法和积灰检测***
CN113742326B (zh) * 2021-09-01 2024-04-12 阳光电源股份有限公司 功率优化器及其功率缺失值填充方法、装置
CN117591814B (zh) * 2024-01-19 2024-06-07 北京志翔科技股份有限公司 基于光伏包络的数据修复方法、装置及设备
CN117829097B (zh) * 2024-02-29 2024-05-28 双一力(宁波)电池有限公司 电池数据处理方法、装置、电子设备及可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8682585B1 (en) * 2011-07-25 2014-03-25 Clean Power Research, L.L.C. Computer-implemented system and method for inferring operational specifications of a photovoltaic power generation system
CN103678872A (zh) * 2013-09-27 2014-03-26 国家电网公司 一种光伏发电***性能评估方法及装置
US9286646B1 (en) * 2013-07-05 2016-03-15 Clean Power Research, L.L.C. Method for managing centralized power generation with the aid of a digital computer
US9645180B1 (en) * 2011-07-25 2017-05-09 Clean Power Research, L.L.C. System and method for estimating photovoltaic energy generation for use in photovoltaic fleet operation with the aid of a digital computer
CN106779175A (zh) * 2016-11-28 2017-05-31 西安交通大学 一种考虑分时段的非线性光伏出力预测方法
CN107229824A (zh) * 2017-05-22 2017-10-03 华北电力科学研究院有限责任公司 光伏电站发电单元功率曲线建模方法及装置
CN107679687A (zh) * 2017-08-29 2018-02-09 国网江苏省电力公司经济技术研究院 一种光伏出力建模方法以及发电***可靠性评估方法
CN109858188A (zh) * 2019-03-12 2019-06-07 河海大学常州校区 一种计算不同清洗节点下光伏组件发电收益的方法
US10409925B1 (en) * 2012-10-17 2019-09-10 Clean Power Research, L.L.C. Method for tuning photovoltaic power generation plant forecasting with the aid of a digital computer
CN110322364A (zh) * 2019-06-19 2019-10-11 山东大学 一种短期光伏发电预测方法及***

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9686122B2 (en) * 2010-05-10 2017-06-20 Locus Energy, Inc. Methods for orientation and tilt identification of photovoltaic systems and solar irradiance sensors
US10663500B2 (en) * 2011-07-25 2020-05-26 Clean Power Research, L.L.C. System and method for estimating photovoltaic energy generation through linearly interpolated irradiance observations with the aid of a digital computer
US11143680B2 (en) * 2012-12-28 2021-10-12 Locus Energy, Inc. Estimation of energy losses due to partial equipment failure for photovoltaic systems from measured and modeled inputs
JP6115764B2 (ja) * 2013-03-14 2017-04-19 オムロン株式会社 太陽光発電システム、異常判断処理装置、異常判断処理方法、およびプログラム
KR101532163B1 (ko) * 2014-01-15 2015-06-26 한국기술교육대학교 산학협력단 태양광발전 상태진단 평가시스템
US9921339B2 (en) * 2014-03-31 2018-03-20 Stc.Unm Apparatus and method for solar energy resource micro-forecasts for solar generation sources and utilities
CN104300899A (zh) * 2014-09-11 2015-01-21 国家电网公司 一种光伏发电防窃电***
CN104573879B (zh) * 2015-01-30 2017-07-25 河海大学 基于最优相似日集的光伏电站出力预测方法
CN104881077A (zh) * 2015-04-23 2015-09-02 燕宏伟 一种光伏***中最大功率点跟踪控制方法
WO2017035629A1 (en) * 2015-08-31 2017-03-09 Green Power Labs Inc. Method and system for solar power forecasting
US20170286838A1 (en) * 2016-03-29 2017-10-05 International Business Machines Corporation Predicting solar power generation using semi-supervised learning
KR101910892B1 (ko) * 2017-04-21 2018-10-24 홍익대학교세종캠퍼스산학협력단 IoT 기반의 모바일 스마트 태양광 발전 관리 시스템
JP2020171119A (ja) * 2019-04-03 2020-10-15 三菱電機株式会社 太陽電池診断装置、太陽光発電システムおよび太陽電池診断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8682585B1 (en) * 2011-07-25 2014-03-25 Clean Power Research, L.L.C. Computer-implemented system and method for inferring operational specifications of a photovoltaic power generation system
US9645180B1 (en) * 2011-07-25 2017-05-09 Clean Power Research, L.L.C. System and method for estimating photovoltaic energy generation for use in photovoltaic fleet operation with the aid of a digital computer
US10409925B1 (en) * 2012-10-17 2019-09-10 Clean Power Research, L.L.C. Method for tuning photovoltaic power generation plant forecasting with the aid of a digital computer
US9286646B1 (en) * 2013-07-05 2016-03-15 Clean Power Research, L.L.C. Method for managing centralized power generation with the aid of a digital computer
CN103678872A (zh) * 2013-09-27 2014-03-26 国家电网公司 一种光伏发电***性能评估方法及装置
CN106779175A (zh) * 2016-11-28 2017-05-31 西安交通大学 一种考虑分时段的非线性光伏出力预测方法
CN107229824A (zh) * 2017-05-22 2017-10-03 华北电力科学研究院有限责任公司 光伏电站发电单元功率曲线建模方法及装置
CN107679687A (zh) * 2017-08-29 2018-02-09 国网江苏省电力公司经济技术研究院 一种光伏出力建模方法以及发电***可靠性评估方法
CN109858188A (zh) * 2019-03-12 2019-06-07 河海大学常州校区 一种计算不同清洗节点下光伏组件发电收益的方法
CN110322364A (zh) * 2019-06-19 2019-10-11 山东大学 一种短期光伏发电预测方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龚莺飞 ; 鲁宗相 ; 乔颖 ; 王强 ; 曹欣 ; .基于Copula理论的光伏功率高比例异常数据机器识别算法.电力***自动化.2016,(第09期),16-22. *

Also Published As

Publication number Publication date
KR20220092628A (ko) 2022-07-01
BR112022009302A2 (pt) 2022-08-09
ZA202206000B (en) 2022-09-28
KR102481611B1 (ko) 2022-12-27
MX2022005834A (es) 2022-08-18
JP2022550212A (ja) 2022-11-30
JP7357162B2 (ja) 2023-10-05
EP4058955A1 (en) 2022-09-21
EP4058955A4 (en) 2023-02-08
WO2021096432A1 (en) 2021-05-20
AU2020382689A1 (en) 2022-06-09
CN111090926A (zh) 2020-05-01
CA3161663A1 (en) 2021-05-20
US20220398361A1 (en) 2022-12-15
CL2022001238A1 (es) 2022-11-25

Similar Documents

Publication Publication Date Title
CN111090926B (zh) 光伏功率曲线建模方法、装置、计算机设备及存储介质
JP6968378B2 (ja) 系統連系インバータの稼働データに基づく太陽光発電所の電力予測方法及びシステム
Dhimish et al. Comparing Mamdani Sugeno fuzzy logic and RBF ANN network for PV fault detection
CN116011686B (zh) 基于多数据融合的充电棚光伏发电储量预测方法
CN111614317B (zh) 一种基于iv曲线扫描的光伏板阴影遮挡的诊断方法
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
CN115293372A (zh) 基于多维度、多参量数值分析的光伏组串故障诊断方法
CN117218425A (zh) 一种用于光伏电站的发电损失分析方法及***
CN116054740A (zh) 光伏发电设备的故障检测、故障检测模型处理方法和装置
Zahraoui et al. System‐level condition monitoring approach for fault detection in photovoltaic systems
CN117540859A (zh) 一种基于神经网络的光伏电站发电量的预估方法及***
Singh et al. Solar photovoltaic energy forecasting using machine learning and deep learning technique
CN116647183A (zh) 光伏阵列发电性能确定方法、装置和光伏***
CN109034441B (zh) 一种光伏组件清洗周期的预测方法、***及存储设备
CN116661506A (zh) 一种跟踪轴的控制方法及装置
CN115310839A (zh) 一种光伏电站积灰预警评估方法和***
CN114066085A (zh) 光伏电站清洁优化调度方法与装置
CN114021838A (zh) 一种光伏发电站灰尘覆盖度预测方法
Matam et al. Detecting abnormal profiles in the database of a pv plant through programmatic comparison of per unit profiles
CN108320106A (zh) 一种光伏组件质量的评估方法及***
CN117937478B (zh) 光伏功率预测方法、装置、计算机设备及存储介质
Jiao et al. Photovoltaic Power Abnormal Data Cleaning Based on Variance Change Point and Correlation Analysis
CN114070198B (zh) 分布式光伏发电***的故障诊断方法、装置和电子设备
CN110717634B (zh) 一种光伏与电采暖导致的电压越限的预警方法和装置
CN117691573A (zh) 光伏发电***的评估方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant