CN113688987A - 光伏监测模型的训练方法、光伏设备的监测方法及设备 - Google Patents
光伏监测模型的训练方法、光伏设备的监测方法及设备 Download PDFInfo
- Publication number
- CN113688987A CN113688987A CN202111003745.XA CN202111003745A CN113688987A CN 113688987 A CN113688987 A CN 113688987A CN 202111003745 A CN202111003745 A CN 202111003745A CN 113688987 A CN113688987 A CN 113688987A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- sample
- data
- current value
- equipment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 96
- 238000012549 training Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010248 power generation Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims 2
- 238000012512 characterization method Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/12—Sunshine duration recorders
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/09—Supervised learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental & Geological Engineering (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Atmospheric Sciences (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Photovoltaic Devices (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请实施例公开了一种光伏监测模型的训练方法、光伏设备的监测方法及设备,属于光伏发电技术领域。该方法包括:获取样本设备数据;对样本设备数据进行数据预处理,得到样本特征数据;利用光伏设备的样本特征数据以及样本标签对光伏监测模型进行训练。获取目标设备数据;对目标设备数据进行数据预处理,得到目标特征数据;将目标特征数据输入光伏监测模型,得到光伏监测结果。本申请实施例利用能够反映实际电流值变化规律以及理论电流值与实际电流值之间相关性的样本特征数据对光伏监测模型进行训练,使光伏监测模型能够学习到电流变化特征与异常类型之间的关联性,从而实现对光伏设备发电电流的自动监控以及自动告警。
Description
技术领域
本申请实施例涉及光伏发电技术领域,特别涉及一种光伏监测模型的训练方法、光伏设备的监测方法及设备。
背景技术
光伏发电是利用半导体界面的光生伏特效应,将光能直接转变为电能的一种技术。为了确保发电效率,通常需要监测设备按照预定的规则对发电设备进行监测,并在发电设备异常时进行自动告警。而光伏电厂地理覆盖范围广,光伏发电设备数量多,因此不同设备所处的工作条件可能不同,其产生异常的原因以及电流曲线特征也不同。
相关技术中的主流监测技术是监测单个汇流箱中各个电流支路的离散率,通过计算每条支路电流与其它支路电流的离散程度,利用人工置顶的规则判断是否存在异常支路,并判断可能的故障原因。
然而,光伏电厂中设备多且分布广,利用人工配置监测和告警规则的难度大、成本高,监测效率低且准确率低。
发明内容
本申请实施例提供了一种光伏监测模型的训练方法、光伏设备的监测方法及设备。所述技术方案如下:
一方面,本申请实施例提供了一种光伏监测模型的训练方法,所述方法包括:
获取样本设备数据,所述样本设备数据包括光伏设备的实际电流值以及所述光伏设备所在地的气象数据;
对所述样本设备数据进行数据预处理,得到样本特征数据,所述样本特征数据用于指示所述实际电流值的变化规律以及所述实际电流值与理论电流值的偏差,所述理论电流值为所述光伏设备在所述气象数据对应的气象条件下正常工作时的发电电流值;
利用所述光伏设备的所述样本特征数据以及样本标签对光伏监测模型进行训练,所述样本标签用于指示所述实际电流值的异常类型。
另一方面,本身请实施例提供了一种光伏设备的监测方法,所述方法包括:
获取目标设备数据,所述目标设备数据包括光伏设备的实际电流值以及所述光伏设备所在地的气象数据;
对所述目标设备数据进行数据预处理,得到目标特征数据,所述目标特征数据用于指示所述实际电流值的变化规律以及所述实际电流值与理论电流值的偏差,所述理论电流值为所述光伏设备在所述气象数据对应的气象条件下正常工作时的发电电流值;
将所述目标特征数据输入光伏监测模型,得到光伏监测结果,所述光伏监测结果用于指示所述实际电流值的异常类型。
另一方面,本申请实施例提供了光伏监测模型的训练装置,所述装置包括:
第一获取模块,用于获取样本设备数据,所述样本设备数据包括光伏设备的实际电流值以及所述光伏设备所在地的气象数据;
第一处理模块,用于对所述样本设备数据进行数据预处理,得到样本特征数据,所述样本特征数据用于指示所述实际电流值的变化规律以及所述实际电流值与理论电流值的偏差,所述理论电流值为所述光伏设备在所述气象数据对应的气象条件下正常工作时的发电电流值;
模型训练模块,用于利用所述光伏设备的所述样本特征数据以及样本标签对光伏监测模型进行训练,所述样本标签用于指示所述实际电流值的异常类型。
另一方面,本申请实施例提供了一种光伏设备的监测装置,所述装置包括:
第二获取模块,用于获取目标设备数据,所述目标设备数据包括光伏设备的实际电流值以及所述光伏设备所在地的气象数据;
第二处理模块,用于对所述目标设备数据进行数据预处理,得到目标特征数据,所述目标特征数据用于指示所述实际电流值的变化规律以及所述实际电流值与理论电流值的偏差,所述理论电流值为所述光伏设备在所述气象数据对应的气象条件下正常工作时的发电电流值;
输入模块,用于将所述目标特征数据输入光伏监测模型,得到光伏监测结果,所述光伏监测结果用于指示所述实际电流值的异常类型。
另一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器;所述存储器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如上述方面所述的光伏监测模型的训练方法,或,光伏设备的监测方法。
另一方面,本申请实施例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中存储有至少一条计算机程序,所述计算机程序由处理器加载并执行以实现如上述方面所述的光伏监测模型的训练方法,或,光伏设备的监测方法。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备实现上述方面的各种可选实现方式中提供的光伏监测模型的训练方法,或,光伏设备的监测方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例中,基于光伏设备所在地的气象数据确定理论电流值,从而得到能够反映实际电流值变化规律以及理论电流值与实际电流值之间相关性的样本特征数据,利用样本特征数据和预先设置的样本标签对光伏监测模型进行训练,使光伏监测模型能够学习到电流变化特征与异常类型之间的关联性,从而实现对光伏设备发电电流的自动监控以及自动告警。
附图说明
图1是本申请一个示例性实施例提供的光伏监测模型的训练方法的流程图;
图2是本申请另一个示例性实施例提供的光伏监测模型的训练方法的流程图;
图3是本申请一个示例性实施例提供的生成样本特征数据的流程图;
图4是本申请一个示例性实施例提供的样本电流曲线图像的示意图;
图5是本申请另一个示例性实施例提供的样本电流曲线图像的示意图;
图6是本申请另一个示例性实施例提供的样本电流曲线图像的示意图;
图7是本申请另一个示例性实施例提供的样本电流曲线图像的示意图;
图8是本申请另一个示例性实施例提供的样本电流曲线图像的示意图;
图9是本申请另一个示例性实施例提供的样本电流曲线图像的示意图;
图10是本申请另一个示例性实施例提供的样本电流曲线图像的示意图;
图11是本申请另一个示例性实施例提供的样本电流曲线图像的示意图;
图12是本申请另一个示例性实施例提供的样本电流曲线图像的示意图;
图13是本申请另一个示例性实施例提供的样本电流曲线图像的示意图;
图14是本申请另一个示例性实施例提供的样本电流曲线图像的示意图;
图15是本申请一个示例性实施例提供的光伏设备的检测方法的流程图;
图16是本申请一个示例性实施例提供的光伏监测模型的训练装置的结构框图;
图17是本申请一个示例性实施例提供的光伏设备的检测装置的结构框图;
图18是本申请一个示例性实施例提供的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在本文中提及的“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。
图1示出了本申请一个示例性实施例提供的光伏监测模型的训练方法的流程图。本实施例以该方法用于具有模型训练功能的计算机设备为例进行说明,该方法包括如下步骤:
步骤101,获取样本设备数据,样本设备数据包括光伏设备的实际电流值以及光伏设备所在地的气象数据。
在模型训练阶段,计算机设备读取各个光伏设备的实际电流值以及气象数据。其中,实际电流值可以由光伏设备实时发送至负责模型训练的计算机设备,也可以由计算机设备从存储有光伏设备发电数据的服务器中读取;气象数据由计算机设备基于实际电流值对应的发电时间以及各个光伏设备的地理位置,从专业气象预报中获取,或者通过。本申请实施例对此不作限定。
在一种可能的实施方式中,计算机设备针对每一台光伏设备均获取其实际电流值和气象数据,或者,对于地理位置相近的光伏设备,计算机只获取一份气象数据。
示意性的,气象数据包括影响光伏设备发电量的数据,例如温度、辐照度等。
步骤102,对样本设备数据进行数据预处理,得到样本特征数据,样本特征数据用于指示实际电流值的变化规律以及实际电流值与理论电流值的偏差。
其中,理论电流值为光伏设备在气象数据对应的气象条件下正常工作时的发电电流值,实际电流值则是光伏设备实际工作产出的电流值。光伏设备正常工作时,其实际电流值应当接近理论电流值,且实际电流值的变化趋势与理论电流值的变化区域大致相同,因此在一种可能的实施方式中,计算机设备基于气象数据得到光伏设备的理论电流值,从而得到能够体现实际电流值与理论电流值之间偏差的样本特征数据。样本特征数据中包含能够反映实际电流值自身特征以及与理论电流值之间贴合度的数据,例如实际电流值的变化范围、实际电流值与理论电流值之间的皮尔森相关系数、平均欧几里得距离以及实际电流值的波动信息等统计量。
步骤103,利用光伏设备的样本特征数据以及样本标签对光伏监测模型进行训练,样本标签用于指示实际电流值的异常类型。
在一种可能的实施方式中,开发人员基于样本特征数据对各个光伏设备的实际电流值进行标注,设置样本标签,不同样本标签所对应的实际电流值属于不同异常类型,例如基本正常/辐照正常、基本正常/辐照量低、长时无连接、短时无连接、通讯故障、电厂限电、高位漂移等。计算机设备将样本特征数据以及对应的样本标签输入光伏监测模型进行模型训练,直至模型输出结果达到预期,从而在后续实际应用过程中,计算机设备可以利用光伏监测模型对各个光伏设备的实际电流值进行监测,在发现异常时进行告警并输出异常类型。
综上所述,本申请实施例中,基于光伏设备所在地的气象数据确定理论电流值,从而得到能够反映实际电流值变化规律以及理论电流值与实际电流值之间相关性的样本特征数据,利用样本特征数据和预先设置的样本标签对光伏监测模型进行训练,使光伏监测模型能够学习到电流变化特征与异常类型之间的关联性,从而实现对光伏设备发电电流的自动监控以及自动告警。
图2示出了本申请另一个示例性实施例提供的光伏监测模型的训练方法的流程图。本实施例以该方法用于具有模型训练功能的计算机设备为例进行说明,该方法包括如下步骤:
步骤201,获取样本设备数据,样本设备数据包括光伏设备的实际电流值以及光伏设备所在地的气象数据。
步骤201的具体实施方式可以参考上述步骤101,本申请实施例在此不再赘述。
步骤202,基于气象数据中的温度值和辐照值确定理论电流值。
光伏发电场中,光伏设备数量较多且分布范围广泛,因此不同的光伏设备所在位置的气象条件可能存在差异,因此在进行光伏监测时,需要依据光伏设备所在地的实际气象条件,确定用于参考的理论电流值。若计算机设备针对每一台光伏设备计算理论电流值,其数据处理量较大,并且地理位置相近的光伏设备其对应的气象条件也相似,因此在一种可能的实施方式中,步骤202包括如下步骤:
基于同一汇流箱中各个电流支路对应的光伏设备的气象数据,确定各个汇流箱对应的理论电流值,相同的汇流箱中光伏设备的理论电流值相同。
汇流箱在光伏发电***中是保证光伏组件有序连接和汇流功能的接线装置,能够保障光伏***在维护、检查时易于切断电路,当光伏***发生故障时减小停电的范围。用户可以将一定数量、规格相同的光伏电池串联起来,组成一个个光伏串列,然后再将若干个光伏串列并联接入光伏汇流箱,在光伏汇流箱内汇流后,通过控制器,直流配电柜,光伏逆变器,交流配电柜等装置,实现与市电并网。光伏电场中,同一汇流箱对应的各个光伏设备(光伏电池)通常在地理位置上较为接近,且设备规格相同,因此为了提高光伏监测模型的训练效率,计算机设备以汇流箱为单位对光伏设备进行划分并提取样本特征数据。
针对同一汇流箱对应的光伏设备,计算机设备只需计算一份理论电流值。可选的,该理论电流值由计算机设备基于同一汇流箱所对应的光伏设备中随机一台设备所对应的气象数据计算得到,或者,由计算机设备基于同一汇流箱所对应的光伏设备中预设位置(例如中间位置)的光伏设备所对应的气象数据计算得到,或者,由计算机设备基于同一汇流箱所对应的各个光伏设备对应的气象数据的平均值计算得到,本申请实施例对此不作限定。
示意性的,理论电流值的计算公式如下:
其中,I为理论电流值;T为温度;R为辐照度;Pmp0为一经验值,用于使理论电流值与实际电流值更贴合。
步骤203,按照时间顺序对理论电流值和实际电流值进行线性拟合,得到理论电流曲线和实际电流曲线。
在一种可能的实施方式中,计算机设备所获取到的理论电流值为离散数据,例如每隔1分钟光伏设备的实际电流值,因此为了便于计算机设备进行特征提取,首先对理论电流值和实际电流值进行线性拟合,得到电流值随时间变化的理论电流曲线和实际电流曲线。
步骤204,对实际电流曲线和真实电流曲线进行特征提取,得到样本特征数据。
由于同一汇流箱下各个光伏设备对应的气象条件相似,因此其理论电流值也相似。在一种可能的实施方式中,步骤204包括如下步骤:
基于实际电流曲线以及光伏设备所属的汇流箱对应的理论电流曲线进行特征提取,得到样本特征数据。
示意性的,为了确保数据的完整性,计算机设备基于汇流箱获取样本设备数据并进行特征提取的流程如图3所示:步骤301,读取样本设备数据;步骤302,拼接数据,即按照时间戳将实际电流值与气象数据进行拼接;步骤303,基于汇流箱标识划分样本设备数据;步骤304,抽取某个汇流箱的样本设备数据;步骤305,抽取某一支路数据;步骤306,进行特征提取;步骤307,将样本特征数据存储在内存中;步骤308,判断是否所有支路遍历完成,若是则执行步骤309,否则返回步骤304;步骤309,基于日期对数据进行聚合;步骤310,抽取某一天的样本设备数据;步骤311,数据清洗;步骤312,判断是否所有日期遍历完成,若是则执行步骤313,否则返回步骤310;步骤313,判断是否所有汇流箱遍历完成,若是则执行步骤314,否则返回步骤304;步骤314,存储数据到数据库。
在一种可能的实施方式中,进行特征提取的过程包括:
将实际电流曲线的斜率、曲线波动信息,以及实际电流曲线与真实电流曲线之间的皮尔森相关系数、平均欧几里得距离、平均离散弗雷歇距离中的至少一种确定为样本特征数据。
步骤205,基于样本特征数据,利用聚类算法(Density-Based SpatialClustering of Applications with Noise,DBSCAN)对各个汇流箱中的电流支路进行聚类处理,得到样本聚类文件集。
其中,样本聚类文件集中存储有样本电流曲线图像,电流变化特征不同的样本电流曲线图像存储在不同的样本聚类文件集中,样本聚类文件集对应的文件集名称用于指示电流异常类型,样本电流曲线图像对应的图像名称中包含支路电流标识。
在一种可能的实施方式中,为了减少后续人工添加标签的工作量,本申请实施例中利用计算机设备进行初步聚类,计算机设备通过DBSCAN,基于上述步骤中的样本特征数据,对实际电流曲线进行分类,并将分类后的实际电流曲线以电流曲线图像的形式输出至文件夹中,不同的文件夹对应不同的曲线类型,且文件夹名称对应设备故障类别。
步骤206,响应于对样本电流曲线图像的标注操作,确定样本电流曲线对应的样本标签。
为了提高光伏监测模型的精确度,需要保证训练阶段用于训练模型的样本数据的准确率,而DBSCAN的分类结果中可能存在错误,因此需要进行二次标注,即通过人工检查的方式,对DBSCAN的聚类结果进行修正。
如图4至图14所示,其示出了11种曲线类型,图4对应图像中曲线呈抛物线形状,且理论电流曲线与实际电流曲线基本贴合,属于正常曲线;图5对应图像中实际电流曲线中95%的数据点无波动,且实际电流曲线与理论电流曲线不贴合,异常原因为通信中断;图6对应图像中,实际电流曲线中95%的数据点小范围波动,且理论电流曲线与实际电流曲线不贴合,异常原因为通讯模块故障;图7对应图像中,理论电流值与实际电流值均偏低,且理论电流曲线与实际电流曲线基本贴合,属于正常曲线,但由于多云等原因导致辐照量较低;图8对应图像中,实际电流曲线中30%至60%的数据点无波动,后续恢复正常,异常原因为暂时的通讯中断;图9对应图像中,实际电流曲线相对于理论电流曲线,中间部分电流值明显骤降,异常原因为中午限电或削峰;图10对应图像中,相比于理论电流曲线,实际电流曲线存在高位漂移,异常原因为支路互感器损坏或者寄存器数据存储异常;图11中,相比于理论电流曲线,实际电流曲线存在高位漂移,并且存在与理论电流曲线重合的部分,其异常原因为支路互感器损坏或者寄存器数据存储异常;图12中,夜间的电流值不为0,异常原因为光伏设备夜间不稳定;图13中,实际电流曲线只在0与最大值之间跳变,异常原因为支路数据的寄存器数据满码值;图14中,相比于理论电流曲线,实际电流曲线存在固定漂移量,异常原因为光伏设备配置错误。
示意性的,计算机设备利用数据表的形式存储各个汇流箱的支路电流与样本标签,如表1所示:
表1
步骤207,将样本电流曲线以及对应的样本标签输入光伏监测模型,对光伏监测模型进行训练。
在一种可能的实施方式中,计算机设备并非将样本电流曲线图像输入模型,而是将电流曲线作为模型的输入。样本电流曲线图像对应有图像名称,该图像名称中包含支路电流标识,例如“箱变-逆变器-支路-日期”,计算机设备基于图像名称确定对应的样本电流曲线。
示意性的,本申请实施例中的光伏监测模型采用随机森林算法构建,在其它可能的实施方式中,也可以采用其它具有分类功能的神经网络模型。
在一种可能的实施方式中,为了验证训练后的光伏监测模型的准确度,以便确定迭代训练次数,步骤207还包括如下步骤:
步骤207a,按照预设比例,对样本电流曲线进行划分,得到训练集和测试集。
在一种可能的实施方式中,开发人员预先设置训练集和测试集的比例,例如训练集占样本电流曲线的70%,测试集占30%,计算机设备通过聚类算法得到样本电流曲线后,随机将其中70%的曲线数据确定为训练集。
步骤207b,利用训练集中的样本电流曲线以及样本标签对随机森林模型进行训练。
计算机设备在划分出训练集和测试集后,利用训练集中所包含的样本电流曲线以及样本标签对随机森林模型进行训练,得到训练后的随机森林模型。
步骤207c,利用测试集对训练后的随机森林模型进行交叉验证评估。
对于训练后的随机森林模型,计算机设备利用测试集对其进行交叉验证评估,以验证本次训练是否达到预期的效果,若未达到,则再进行下一次训练,直至模型收敛。
本申请实施例中,以汇流箱为单位对各个支路电流进行划分,并确定理论电流值,既能够保证较低的数据处理量,也能够使后续特征提取得到的样本特征数据能够符合各个光伏设备所在的实际环境,提高样本特征数据的合理性和准确度,从而提高模型训练效率;并且,先通过DBSCAN算法对电流支路进行初步聚类,能够大幅度减少人工标记的工作量。
图15示出了本申请一个示例性实施例提供的光伏设备的监测方法的流程图。本实施例以该方法用于具有模型训练功能的计算机设备为例进行说明,该方法包括如下步骤:
步骤1501,获取目标设备数据,目标设备数据包括光伏设备的实际电流值以及光伏设备所在地的气象数据。
步骤1502,对目标设备数据进行数据预处理,得到目标特征数据,目标特征数据用于指示实际电流值的变化规律以及实际电流值与理论电流值的偏差。
其中,理论电流值为光伏设备在气象数据对应的气象条件下正常工作时的发电电流值。
步骤1503,将目标特征数据输入光伏监测模型,得到光伏监测结果,光伏监测结果用于指示实际电流值的异常类型。
本申请实施例中,基于光伏设备所在地的气象数据确定理论电流值,从而得到能够反映实际电流值变化规律以及理论电流值与实际电流值之间相关性的目标特征数据,将目标特征数据输入训练完成的光伏监测模型,从而实现对光伏设备发电电流的自动监控以及自动告警。
图16是本申请一个示例性实施例提供的光伏监测模型的训练装置的结构框图,该装置包括:
第一获取模块1601,用于获取样本设备数据,所述样本设备数据包括光伏设备的实际电流值以及所述光伏设备所在地的气象数据;
第一处理模块1602,用于对所述样本设备数据进行数据预处理,得到样本特征数据,所述样本特征数据用于指示所述实际电流值的变化规律以及所述实际电流值与理论电流值的偏差,所述理论电流值为所述光伏设备在所述气象数据对应的气象条件下正常工作时的发电电流值;
模型训练模块1603,用于利用所述光伏设备的所述样本特征数据以及样本标签对光伏监测模型进行训练,所述样本标签用于指示所述实际电流值的异常类型。
可选的,所述第一处理模块1602,包括:
第一确定单元,用于基于所述气象数据中的温度值和辐照值确定所述理论电流值;
第一处理单元,用于按照时间顺序对所述理论电流值和所述实际电流值进行线性拟合,得到理论电流曲线和实际电流曲线;
第一提取单元,用于对所述实际电流曲线和所述真实电流曲线进行特征提取,得到所述样本特征数据。
可选的,所述第一确定单元,还用于:
基于同一汇流箱中各个电流支路对应的所述光伏设备的所述气象数据,确定各个汇流箱对应的所述理论电流值,相同的所述汇流箱中所述光伏设备的所述理论电流值相同;
所述第一提取单元,还用于:
基于所述实际电流曲线以及所述光伏设备所属的所述汇流箱对应的所述理论电流曲线进行特征提取,得到所述样本特征数据。
可选的,所述模型训练模块1603,包括:
第二处理单元,用于基于所述样本特征数据,利用DBSCAN对各个汇流箱中的所述电流支路进行聚类处理,得到样本聚类文件,所述样本聚类文件中存储有样本电流曲线图像,电流变化特征不同的所述样本电流曲线图像存储在不同的所述样本聚类文件中;
第二确定单元,用于响应于对所述样本电流曲线的标注操作,确定所述样本电流曲线的所述样本标签;
输入单元,用于将所述样本电流曲线以及对应的所述样本标签输入所述光伏监测模型,对所述光伏监测模型进行训练。
可选的,所述光伏监测模型为随机森林模型;
所述输入单元,还用于:
按照预设比例,对所述样本电流曲线进行划分,得到训练集和测试集;
利用所述训练集中的所述样本电流曲线以及所述样本标签对所述随机森林模型进行训练;
利用所述测试集对训练后的所述随机森林模型进行交叉验证评估。
可选的,所述特征提取单元,还用于:
将所述实际电流曲线的斜率、曲线波动信息,以及所述实际电流曲线与所述真实电流曲线之间的皮尔森相关系数、平均欧几里得距离、平均离散弗雷歇距离中的至少一种确定为所述样本特征数据。
图17是本申请一个示例性实施例提供的光伏设备的监测装置的结构框图,该装置包括:
第二获取模块1701,用于获取目标设备数据,所述目标设备数据包括光伏设备的实际电流值以及所述光伏设备所在地的气象数据;
第二处理模块1702,用于对所述目标设备数据进行数据预处理,得到目标特征数据,所述目标特征数据用于指示所述实际电流值的变化规律以及所述实际电流值与理论电流值的偏差,所述理论电流值为所述光伏设备在所述气象数据对应的气象条件下正常工作时的发电电流值;
输入模块1703,用于将所述目标特征数据输入光伏监测模型,得到光伏监测结果,所述光伏监测结果用于指示所述实际电流值的异常类型。
可选的,所述第二处理模块1702,包括:
第三确定单元,用于基于所述气象数据中的温度值和辐照值确定所述理论电流值;
第三处理单元,用于按照时间顺序对所述理论电流值和所述实际电流值进行线性拟合,得到理论电流曲线和实际电流曲线;
第二提取单元,用于对所述实际电流曲线和所述真实电流曲线进行特征提取,得到所述目标特征数据,所述目标特征数据包括所述实际电流曲线的斜率、曲线波动信息,以及所述实际电流曲线与所述真实电流曲线之间的皮尔森相关系数、平均欧几里得距离、平均离散弗雷歇距离中的至少一种。
请参考图18,其示出了本申请一个示例性实施例提供的计算机设备的结构示意图。具体来讲:所述计算机设备1800包括中央处理单元(Central Processing Unit,CPU)1801、包括随机存取存储器1802和只读存储器1803的***存储器1804,以及连接***存储器1804和中央处理单元1801的***总线1805。所述计算机设备1800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***(Input/Output,I/O***)1806,和用于存储操作***1813、应用程序1814和其他程序模块1815的大容量存储设备1807。
所述基本输入/输出***1806包括有用于显示信息的显示器1808和用于用户输入信息的诸如鼠标、键盘之类的输入设备1809。其中所述显示器1808和输入设备1809都通过连接到***总线1805的输入输出控制器1180连接到中央处理单元1801。所述基本输入/输出***1806还可以包括输入输出控制器1180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1180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1807通过连接到***总线1805的大容量存储控制器(未示出)连接到中央处理单元1801。所述大容量存储设备1807及其相关联的计算机可读介质为计算机设备1800提供非易失性存储。也就是说,所述大容量存储设备1807可以包括诸如硬盘或者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随机存取记忆体(RAM,Random Access Memory)、只读存储器(ROM,Read Only Memory)、闪存或其他固态存储其技术,只读光盘(Compact Disc Read-Only Memory,CD-ROM)、数字通用光盘(Digital Versatile Disc,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1804和大容量存储设备1807可以统称为存储器。
存储器存储有一个或多个程序,一个或多个程序被配置成由一个或多个中央处理单元1801执行,一个或多个程序包含用于实现上述方法的指令,中央处理单元1801执行该一个或多个程序实现上述各个方法实施例提供的方法。
根据本申请的各种实施例,所述计算机设备1800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1800可以通过连接在所述***总线1805上的网络接口单元1811连接到网络1812,或者说,也可以使用网络接口单元1811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,所述一个或者一个以上程序包含用于进行本申请实施例提供的方法中由计算机设备所执行的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如上各个实施例所述的光伏监测模型的训练方法,或,光伏设备的监测方法。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方面的各种可选实现方式中提供的光伏监测模型的训练方法,或,光伏设备的监测方法。
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,本申请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存储介质中或者作为计算机可读存储介质上的一个或多个指令或代码进行传输。计算机可读存储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。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (12)
1.一种光伏监测模型的训练方法,其特征在于,所述方法包括:
获取样本设备数据,所述样本设备数据包括光伏设备的实际电流值以及所述光伏设备所在地的气象数据;
对所述样本设备数据进行数据预处理,得到样本特征数据,所述样本特征数据用于指示所述实际电流值的变化规律以及所述实际电流值与理论电流值的偏差,所述理论电流值为所述光伏设备在所述气象数据对应的气象条件下正常工作时的发电电流值;
利用所述光伏设备的所述样本特征数据以及样本标签对光伏监测模型进行训练,所述样本标签用于指示所述实际电流值的异常类型。
2.根据权利要求1所述的方法,其特征在于,所述对所述样本设备数据进行数据预处理,得到样本特征数据,包括:
基于所述气象数据中的温度值和辐照值确定所述理论电流值;
按照时间顺序对所述理论电流值和所述实际电流值进行线性拟合,得到理论电流曲线和实际电流曲线;
对所述实际电流曲线和所述真实电流曲线进行特征提取,得到所述样本特征数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述气象数据中的温度值和辐照值确定所述理论电流值,包括:
基于同一汇流箱中各个电流支路对应的所述光伏设备的所述气象数据,确定各个汇流箱对应的所述理论电流值,相同的所述汇流箱中所述光伏设备的所述理论电流值相同;
所述对所述实际电流曲线和所述真实电流曲线进行特征提取,得到所述样本特征数据,包括:
基于所述实际电流曲线以及所述光伏设备所属的所述汇流箱对应的所述理论电流曲线进行特征提取,得到所述样本特征数据。
4.根据权利要求3所述的方法,其特征在于,所述利用所述光伏设备的所述样本特征数据以及样本标签对光伏监测模型进行训练,包括:
基于所述样本特征数据,利用聚类算法DBSCAN对各个汇流箱中的所述电流支路进行聚类处理,得到样本聚类文件集,所述样本聚类文件集中存储有样本电流曲线图像,所述样本电流曲线图像用于展示样本电流曲线,电流变化特征不同的所述样本电流曲线图像存储在不同的所述样本聚类文件集中,所述样本聚类文件集对应的文件集名称用于指示电流异常类型,所述样本电流曲线图像对应的图像名称中包含支路电流标识;
响应于对所述样本电流曲线图像的标注操作,确定所述样本电流曲线对应的所述样本标签;
将所述样本电流曲线以及对应的所述样本标签输入所述光伏监测模型,对所述光伏监测模型进行训练。
5.根据权利要求4所述的方法,其特征在于,所述光伏监测模型为随机森林模型;
所述将所述样本电流曲线以及对应的所述样本标签输入所述光伏监测模型,对所述光伏监测模型进行训练,包括:
按照预设比例,对所述样本电流曲线进行划分,得到训练集和测试集;
利用所述训练集中的所述样本电流曲线以及所述样本标签对所述随机森林模型进行训练;
利用所述测试集对训练后的所述随机森林模型进行交叉验证评估。
6.根据权利要求2至4任一所述的方法,其特征在于,所述对所述实际电流曲线和所述真实电流曲线进行特征提取,得到所述样本特征数据,包括:
将所述实际电流曲线的斜率、曲线波动信息,以及所述实际电流曲线与所述真实电流曲线之间的皮尔森相关系数、平均欧几里得距离、平均离散弗雷歇距离中的至少一种确定为所述样本特征数据。
7.一种光伏设备的监测方法,其特征在于,所述方法包括:
获取目标设备数据,所述目标设备数据包括光伏设备的实际电流值以及所述光伏设备所在地的气象数据;
对所述目标设备数据进行数据预处理,得到目标特征数据,所述目标特征数据用于指示所述实际电流值的变化规律以及所述实际电流值与理论电流值的偏差,所述理论电流值为所述光伏设备在所述气象数据对应的气象条件下正常工作时的发电电流值;
将所述目标特征数据输入光伏监测模型,得到光伏监测结果,所述光伏监测结果用于指示所述实际电流值的异常类型。
8.根据权利要求7所述的方法,其特征在于,所述对所述目标设备数据进行数据预处理,得到目标特征数据,包括:
基于所述气象数据中的温度值和辐照值确定所述理论电流值;
按照时间顺序对所述理论电流值和所述实际电流值进行线性拟合,得到理论电流曲线和实际电流曲线;
对所述实际电流曲线和所述真实电流曲线进行特征提取,得到所述目标特征数据,所述目标特征数据包括所述实际电流曲线的斜率、曲线波动信息,以及所述实际电流曲线与所述真实电流曲线之间的皮尔森相关系数、平均欧几里得距离、平均离散弗雷歇距离中的至少一种。
9.一种光伏监测模型的训练装置,其特征在于,所述装置包括:
第一获取模块,用于获取样本设备数据,所述样本设备数据包括光伏设备的实际电流值以及所述光伏设备所在地的气象数据;
第一处理模块,用于对所述样本设备数据进行数据预处理,得到样本特征数据,所述样本特征数据用于指示所述实际电流值的变化规律以及所述实际电流值与理论电流值的偏差,所述理论电流值为所述光伏设备在所述气象数据对应的气象条件下正常工作时的发电电流值;
模型训练模块,用于利用所述光伏设备的所述样本特征数据以及样本标签对光伏监测模型进行训练,所述样本标签用于指示所述实际电流值的异常类型。
10.一种光伏设备的监测装置,其特征在于,所述装置包括:
第二获取模块,用于获取目标设备数据,所述目标设备数据包括光伏设备的实际电流值以及所述光伏设备所在地的气象数据;
第二处理模块,用于对所述目标设备数据进行数据预处理,得到目标特征数据,所述目标特征数据用于指示所述实际电流值的变化规律以及所述实际电流值与理论电流值的偏差,所述理论电流值为所述光伏设备在所述气象数据对应的气象条件下正常工作时的发电电流值;
输入模块,用于将所述目标特征数据输入光伏监测模型,得到光伏监测结果,所述光伏监测结果用于指示所述实际电流值的异常类型。
11.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器;所述存储器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如权利要求1至6任一所述的光伏监测模型的训练方法,或,权利要求7或8所述的光伏设备的监测方法。
12.一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条计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至6任一所述的光伏监测模型的训练方法,或,权利要求7或8所述的光伏设备的监测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003745.XA CN113688987B (zh) | 2021-08-30 | 2021-08-30 | 光伏监测模型的训练方法、光伏设备的监测方法及设备 |
PCT/SG2022/050613 WO2023033727A2 (en) | 2021-08-30 | 2022-08-26 | Method and apparatus for training photovoltaic monitoring model, and method and apparatus for monitoring photovoltaic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003745.XA CN113688987B (zh) | 2021-08-30 | 2021-08-30 | 光伏监测模型的训练方法、光伏设备的监测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688987A true CN113688987A (zh) | 2021-11-23 |
CN113688987B CN113688987B (zh) | 2023-08-01 |
Family
ID=78583934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111003745.XA Active CN113688987B (zh) | 2021-08-30 | 2021-08-30 | 光伏监测模型的训练方法、光伏设备的监测方法及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113688987B (zh) |
WO (1) | WO2023033727A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114899949A (zh) * | 2022-06-01 | 2022-08-12 | 深圳博浩远科技有限公司 | 一种适用于商用型光伏逆变器的数据采集方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787926B (zh) * | 2024-02-28 | 2024-05-14 | 长春电子科技学院 | 一种基于大数据的设备管理***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080136367A1 (en) * | 2006-12-06 | 2008-06-12 | Meir Adest | Battery power delivery module |
CN109660206A (zh) * | 2018-12-20 | 2019-04-19 | 福州大学 | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 |
CN109981051A (zh) * | 2017-12-27 | 2019-07-05 | Imec 非营利协会 | 光伏***的仿真 |
CN111539550A (zh) * | 2020-03-13 | 2020-08-14 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
CN113221468A (zh) * | 2021-05-31 | 2021-08-06 | 福州大学 | 基于集成学习的光伏阵列故障诊断方法 |
CN113240153A (zh) * | 2021-04-09 | 2021-08-10 | 水发兴业能源(珠海)有限公司 | 光伏发电数据预测方法、装置、计算设备及存储介质 |
CN113283580A (zh) * | 2021-04-30 | 2021-08-20 | 太原理工大学 | 一种太阳能电池板故障自动检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106961249B (zh) * | 2017-03-17 | 2019-02-19 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
CN109873610B (zh) * | 2019-03-19 | 2020-04-10 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
CN110224673B (zh) * | 2019-05-14 | 2020-10-02 | 太原理工大学 | 一种基于深度学习的太阳能光伏电池板故障检测方法 |
JP7232228B2 (ja) * | 2019-10-16 | 2023-03-02 | タタ コンサルタンシー サービシズ リミテッド | ソーラーパネルネットワークにおける故障の検出、診断及び位置確認のための方法及びシステム |
CN113283175B (zh) * | 2021-06-09 | 2023-02-03 | 上海交通大学 | 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 |
-
2021
- 2021-08-30 CN CN202111003745.XA patent/CN113688987B/zh active Active
-
2022
- 2022-08-26 WO PCT/SG2022/050613 patent/WO2023033727A2/en unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080136367A1 (en) * | 2006-12-06 | 2008-06-12 | Meir Adest | Battery power delivery module |
CN109981051A (zh) * | 2017-12-27 | 2019-07-05 | Imec 非营利协会 | 光伏***的仿真 |
CN109660206A (zh) * | 2018-12-20 | 2019-04-19 | 福州大学 | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 |
CN111539550A (zh) * | 2020-03-13 | 2020-08-14 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
CN113240153A (zh) * | 2021-04-09 | 2021-08-10 | 水发兴业能源(珠海)有限公司 | 光伏发电数据预测方法、装置、计算设备及存储介质 |
CN113283580A (zh) * | 2021-04-30 | 2021-08-20 | 太原理工大学 | 一种太阳能电池板故障自动检测方法 |
CN113221468A (zh) * | 2021-05-31 | 2021-08-06 | 福州大学 | 基于集成学习的光伏阵列故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
ASEGID BELAY KEBEDE等: "光伏***最大功率点跟踪算法综述及性能评估", 《GLOBAL ENERGY INTERCONNECTION》, vol. 3, no. 4, pages 398 - 412 * |
LIU WENXUE等: "Reactive Power Optimization in Distribution Network Considering Reactive Power Regulation Capability and Fuzzy Characteristics of Distributed Generators", pages 1 - 7, Retrieved from the Internet <URL:《网页在线公开:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9034695》> * |
张光儒等: "光伏电站送出线路零序保护异常动作分析", 《电气技术》, no. 1, pages 93 - 96 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114899949A (zh) * | 2022-06-01 | 2022-08-12 | 深圳博浩远科技有限公司 | 一种适用于商用型光伏逆变器的数据采集方法及装置 |
CN114899949B (zh) * | 2022-06-01 | 2022-12-23 | 深圳博浩远科技有限公司 | 一种适用于商用型光伏逆变器的数据采集方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023033727A3 (en) | 2023-05-25 |
WO2023033727A2 (en) | 2023-03-09 |
CN113688987B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9048664B2 (en) | Estimating loss rates of links in smart grids | |
CN111082749B (zh) | 光伏组串运行状态的识别方法、装置及存储介质 | |
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*** | |
CN116256602B (zh) | 一种低压配电网状态异常的识别方法和*** | |
CN113688987B (zh) | 光伏监测模型的训练方法、光伏设备的监测方法及设备 | |
US9816836B2 (en) | Correlating meter data to detect mismappings | |
US20160356859A1 (en) | Fault detection in energy generation arrangements | |
US11824354B2 (en) | Online state estimation and topology identification using advanced metering infrastructure (AMI) measurements | |
CN112688428A (zh) | 一种基于物联网技术的10千伏电网同期线损治理方法 | |
CN115036922B (zh) | 一种分布式光伏发电电量预测方法及*** | |
Cho et al. | Failure diagnosis method of photovoltaic generator using support vector machine | |
CN113533906A (zh) | 一种智能架空输电线路故障类型诊断方法及*** | |
CN116581891A (zh) | 一种电力数据采集方法及*** | |
CN113238890A (zh) | 基于动态记录数据的电流采样回路异常诊断方法及装置 | |
CN112541011A (zh) | 基于rpa和ai的电网终端故障处理方法及装置 | |
CN117726164A (zh) | 一种基于多源数据融合的风险故障态势感知*** | |
CN104299065A (zh) | 一种调度自动化主备***间模型正确性校验的方法 | |
CN112699106A (zh) | 一种基于Apriori算法的继电保护装置多维度告警信息时序关联关系分析方法 | |
CN115908082A (zh) | 基于用电特征指标的企业排污监控方法及装置 | |
CN114782001A (zh) | 一种基于全寿命周期成本的电网基建项目优选方法及*** | |
CN117332236B (zh) | 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 | |
CN115219853B (zh) | 风电场集电线路故障预警处理方法及*** | |
CN117060849B (zh) | 一种光伏用的箱变设备检测方法及其相关设备 | |
CN118232835A (zh) | 分布式光伏***的异常检测方法、***、设备及存储介质 | |
KR20230144860A (ko) | 마이크로 pmu를 이용한 배전계통 분석 시스템 |
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 |