CN117578405A - 一种光伏电厂逆变器组串异常分析方法及装置 - Google Patents
一种光伏电厂逆变器组串异常分析方法及装置 Download PDFInfo
- Publication number
- CN117578405A CN117578405A CN202311459697.4A CN202311459697A CN117578405A CN 117578405 A CN117578405 A CN 117578405A CN 202311459697 A CN202311459697 A CN 202311459697A CN 117578405 A CN117578405 A CN 117578405A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- operation data
- capacity ratio
- inverter
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000013461 design Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000010248 power generation Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
- H02J3/0012—Contingency detection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了一种光伏电厂逆变器组串异常分析方法及装置,其包括:采集逆变器组串一段时间的历史运行数据和逆变器组串的设计策略;根据历史运行数据和设计策略制定容配比规则,并根据容配比规则和历史运行数据建立容配比检测模型;采集逆变器组串的实时运行数据,将实时运行数据输入到容配比检测模型,通过容配比检测模型判断逆变器组串的容配比是否存在异常。本发明通过采集逆变器组串的运行数据和设计策略来建立的容配比检测模型,以实时地判断逆变器组串的容配比是否异常,以防止异常带来进一步的损失或故障发生,极大的提高了监测效率和精度,保证了逆变器组串容配比能够维持正常的工作状态,同时,也提高了光伏电厂的发电效率和运行稳定性。
Description
技术领域
本发明涉及访问管理技术领域,特别是涉及一种光伏电厂逆变器组串异常分析方法及装置。
背景技术
光伏电厂中的逆变器组串是将太阳能电池板产生的直流电转换为交流电的关键部件。逆变器组串的容配比对光伏电厂的性能和稳定运行至关重要。异常的容配比可能意味着逆变器组串存在故障或不均衡的工作状态,如果不能早期发现和处理容配比异常,可能导致能量损失和***性能下降,甚至会出现光伏***故障增加的风险,无法保证光伏电厂的发电效率和运行可靠性。所以急需一种异常分析方法来及时发现容配比的异常,以使光伏电厂可以及时采取相应的措施进行处理,以确保光伏电厂的正常运行。
发明内容
为了解决上述技术问题,本发明提供了一种光伏电厂逆变器组串异常分析方法,包括:
采集逆变器组串一段时间的历史运行数据和逆变器组串的设计策略;
根据所述历史运行数据和设计策略制定容配比规则,并根据所述容配比规则和历史运行数据建立容配比检测模型;
采集所述逆变器组串的实时运行数据,将实时运行数据输入到所述容配比检测模型,通过所述容配比检测模型判断所述逆变器组串的容配比是否存在异常。
进一步的,所述根据所述历史运行数据和设计策略确定容配比规则,包括:
从所述历史运行数据从获取所述逆变器组串的历史电压数据和历史电流数据,并从所述设计策略中获取所述逆变器组串的支路数量和每个支路逆变器的接入数量;
根据所述历史电压数据和历史电流数据以及所述支路数量和接入数量制定容配比规则;
根据所述历史电压数据、历史电流数据和容配比规则建立容配比检测模型。
进一步的,所述根据所述历史电压数据和历史电流数据以及所述支路数量和接入数量制定容配比规则,包括:
对历史电压数据和电流数据进行统计分析;
根据分析绘制电压和电流的变化曲线,并从电压和电流的变化曲线中获取变化趋势,根据变化趋势以计算电压和电流之间的相关系数;
根据根据电压和电流之间的相关系数确定预设容配比,并根据预设容配比划定最大容配比和最小容配比;
确定所述最大容配比和最小容配比之间的容配比区间为容配比规则。
进一步的,所根据所述历史电压数据、历史电流数据和容配比规则建立容配比检测模型,包括:
对历史电压数据和历史电流数据进行预处理;
根据预处理后的所述历史电压数据、历史电流数据计算出历史容配比数据;
通过容配比规则对历史容配比数据中的正常情况下的容配比和异常情况下的容配比进行分别标记,并将标记后的历史容配比数据作为数据集;
将所述数据集划分为训练集、验证集和测试集,并通过机器学习算法对所述训练集、验证集和测试集进行训练、验证和测试得到容配比检测模型。
进一步的,所述采集所述逆变器组串的实时运行数据,将实时运行数据输入到所述容配比检测模型,通过所述容配比检测模型判断所述逆变器组串的容配比是否存在异常,包括:
采集所述逆变器组串的实时运行数据,并对实时运行数据进行预处理;
将预处理后的实时运行数据输入到所述容配比检测模型,根据模型的输出结果,判断逆变器组串的容配比是否存在异常。
进一步的,所述根据预设容配比划定最大容配比和最小容配比,包括:
基于设计策略确定容许误差范围;
根据预设容配比,将最大容配比定义为预设容配比加上容许误差范围,将最小容配比定义为预设容配比减去容许误差范围。
进一步的,对数据进行预处理包括数据清洗、去除异常值和数据归一化处理。
本发明还提供了一种光伏电厂逆变器组串异常分析装置,包括:
采集模块,用于采集逆变器组串一段时间的历史运行数据和逆变器组串的设计策略;
建模模块,用于根据所述历史运行数据和设计策略制定容配比规则,并根据所述容配比规则和历史运行数据建立容配比检测模型;
判断模块,用于采集所述逆变器组串的实时运行数据,将实时运行数据输入到所述容配比检测模型,通过所述容配比检测模型判断所述逆变器组串的容配比是否存在异常。
本发明实施例一种光伏电厂逆变器组串异常分析方法及装置与现有技术相比,其有益效果在于:
本发明通过采集逆变器组串的运行数据和设计策略来建立的容配比检测模型,以实时地判断逆变器组串的容配比是否异常,以防止异常带来进一步的损失或故障发生,极大的提高了监测效率和精度,保证了逆变器组串容配比能够维持正常的工作状态,同时,也提高了光伏电厂的发电效率和运行稳定性。
附图说明
图1是本发明实施例中光伏电厂逆变器组串异常分析方法的流程示意图;
图2是本发明实施例中光伏电厂逆变器组串异常分析装置的的组成示意图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在本申请的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
如图1所示,在本申请的实施例中,提供了一种光伏电厂逆变器组串异常分析方法,包括:S100:采集逆变器组串一段时间的历史运行数据和逆变器组串的设计策略;S200:根据所述历史运行数据和设计策略制定容配比规则,并根据所述容配比规则和历史运行数据建立容配比检测模型;S300:采集所述逆变器组串的实时运行数据,将实时运行数据输入到所述容配比检测模型,通过所述容配比检测模型判断所述逆变器组串的容配比是否存在异常。
具体的,采集历史运行数据和设计策略:使用逆变器监控***或其他数据采集设备,采集逆变器组串的历史运行数据;获取逆变器组串的设计策略,包括容配比的设计要求和范围,以及容配比异常的定义,这些信息可以来自光伏电厂的设计文档、厂家提供的规范或专业工程师的建议。制定容配比规则并建立容配比检测模型:基于历史运行数据和设计策略,分析数据并制定容配比规则,使用历史运行数据和容配比规则进行模型训练,模型的目标是根据实时运行数据判断容配比是否异常。实时运行数据采集和容配比检测:持续采集逆变器组串的实时运行数据,确保数据采集的频率足够高,以捕捉到组串运行状态的变化;将实时运行数据输入到容配比检测模型中进行判断,模型将根据历史数据和容配比规则,评估当前的容配比是否符合预期范围,根据模型的输出结果,判断逆变器组串的容配比是否存在异常。如果容配比异常,可以触发警报或采取相应的措施进行处理,如调整组串连接、检修故障组件等。
进一步的,本发明通过采集逆变器组串的运行数据和设计策略来建立的容配比检测模型,以实时地判断逆变器组串的容配比是否异常,以防止异常带来进一步的损失或故障发生,极大的提高了监测效率和精度,保证了逆变器组串容配比能够维持正常的工作状态,同时,也提高了光伏电厂的发电效率和运行稳定性。
在本申请的实施例中,提供了一种光伏电厂逆变器组串异常分析方法,所述根据所述历史运行数据和设计策略确定容配比规则,包括:从所述历史运行数据从获取所述逆变器组串的历史电压数据和历史电流数据,并从所述设计策略中获取所述逆变器组串的支路数量和每个支路逆变器的接入数量;根据所述历史电压数据和历史电流数据以及所述支路数量和接入数量制定容配比规则;根据所述历史电压数据、历史电流数据和容配比规则建立容配比检测模型。
在本申请的实施例中,提供了一种光伏电厂逆变器组串异常分析方法,所述根据所述历史电压数据和历史电流数据以及所述支路数量和接入数量制定容配比规则,包括:对历史电压数据和电流数据进行统计分析;根据分析绘制电压和电流的变化曲线,并从电压和电流的变化曲线中获取变化趋势,根据变化趋势以计算电压和电流之间的相关系数;根据根据电压和电流之间的相关系数确定预设容配比,并根据预设容配比划定最大容配比和最小容配比;确定所述最大容配比和最小容配比之间的容配比区间为容配比规则。
进一步的,对历史电压数据和电流数据进行统计分析,生成数据进行可视化分析结果,并从中获取变化趋势,通过计算相关系数,分析电压和电流之间的相关系数,根据电压和电流之间的相关系数确定预设容配比,相关系数的值介于-1和1之间,接近1表示正相关,接近-1表示负相关,接近0表示无相关性。
在本申请的实施例中,提供了一种光伏电厂逆变器组串异常分析方法,所根据所述历史电压数据、历史电流数据和容配比规则建立容配比检测模型,包括:对历史电压数据和历史电流数据进行预处理;根据预处理后的所述历史电压数据、历史电流数据计算出历史容配比数据;通过容配比规则对历史容配比数据中的正常情况下的容配比和异常情况下的容配比进行分别标记,并将标记后的历史容配比数据作为数据集;将所述数据集划分为训练集、验证集和测试集,并通过机器学习算法对所述训练集、验证集和测试集进行训练、验证和测试得到容配比检测模型。
具体的,使用已知的容配比规则,对收集到的数据进行标注,根据规则判断每个数据点是否符合规则的容配比。可以将符合规则的容配比标记为正例(例如,标记为1),不符合规则的容配比标记为负例(例如,标记为0),并将数据集划分为70%的训练集、15%的验证集和15%的测试集。
在本申请的实施例中,提供了一种光伏电厂逆变器组串异常分析方法,所述采集所述逆变器组串的实时运行数据,将实时运行数据输入到所述容配比检测模型,通过所述容配比检测模型判断所述逆变器组串的容配比是否存在异常,包括:采集所述逆变器组串的实时运行数据,并对实时运行数据进行预处理;将预处理后的实时运行数据输入到所述容配比检测模型,根据模型的输出结果,判断逆变器组串的容配比是否存在异常。
在本申请的实施例中,提供了一种光伏电厂逆变器组串异常分析方法,所述根据预设容配比划定最大容配比和最小容配比,包括:基于设计策略确定容许误差范围;根据预设容配比,将最大容配比定义为预设容配比加上容许误差范围,将最小容配比定义为预设容配比减去容许误差范围。
进一步的,基于设计策略确定容许误差范围,根据光伏***的设计要求和规范,确定容许误差范围,以确定最大容配比和最小容配比。
在本申请的实施例中,提供了一种光伏电厂逆变器组串异常分析方法,对数据进行预处理包括数据清洗、去除异常值和数据归一化处理。
进一步的,通过对数据进行预处理,去除数据中的异常值和噪声,确保数据的准确性和可靠性。
如图2所示,在本申请的实施例中,提供了一种光伏电厂逆变器组串异常分析装置,包括:采集模块,用于采集逆变器组串一段时间的历史运行数据和逆变器组串的设计策略;建模模块,用于根据所述历史运行数据和设计策略制定容配比规则,并根据所述容配比规则和历史运行数据建立容配比检测模型;判断模块,用于采集所述逆变器组串的实时运行数据,将实时运行数据输入到所述容配比检测模型,通过所述容配比检测模型判断所述逆变器组串的容配比是否存在异常。
综上,本发明实施例提供一种光伏电厂逆变器组串异常分析方法及装置,其包括:采集逆变器组串一段时间的历史运行数据和逆变器组串的设计策略;根据历史运行数据和设计策略制定容配比规则,并根据容配比规则和历史运行数据建立容配比检测模型;采集逆变器组串的实时运行数据,将实时运行数据输入到容配比检测模型,通过容配比检测模型判断逆变器组串的容配比是否存在异常。本发明通过采集逆变器组串的运行数据和设计策略来建立的容配比检测模型,以实时地判断逆变器组串的容配比是否异常,以防止异常带来进一步的损失或故障发生,极大的提高了监测效率和精度,保证了逆变器组串容配比能够维持正常的工作状态,同时,也提高了光伏电厂的发电效率和运行稳定性。
最后应说明的是:显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
以上所述仅为本发明的一个实施例子,但不能以此限制本发明的范围,凡依据本发明所做的结构上的变化,只要不失本发明的要义所在,都应视为落入本发明保护范围之内受到制约。所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的进一步实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (8)
1.一种光伏电厂逆变器组串异常分析方法,其特征在于,包括:
采集逆变器组串一段时间的历史运行数据和逆变器组串的设计策略;
根据所述历史运行数据和设计策略制定容配比规则,并根据所述容配比规则和历史运行数据建立容配比检测模型;
采集所述逆变器组串的实时运行数据,将实时运行数据输入到所述容配比检测模型,通过所述容配比检测模型判断所述逆变器组串的容配比是否存在异常。
2.根据权利要求1所述的一种光伏电厂逆变器组串异常分析方法,其特征在于,所述根据所述历史运行数据和设计策略确定容配比规则,包括:
从所述历史运行数据从获取所述逆变器组串的历史电压数据和历史电流数据,并从所述设计策略中获取所述逆变器组串的支路数量和每个支路逆变器的接入数量;
根据所述历史电压数据和历史电流数据以及所述支路数量和接入数量制定容配比规则;
根据所述历史电压数据、历史电流数据和容配比规则建立容配比检测模型。
3.根据权利要求2所述的一种光伏电厂逆变器组串异常分析方法,其特征在于,所述根据所述历史电压数据和历史电流数据以及所述支路数量和接入数量制定容配比规则,包括:
对历史电压数据和电流数据进行统计分析;
根据分析绘制电压和电流的变化曲线,并从电压和电流的变化曲线中获取变化趋势,根据变化趋势以计算电压和电流之间的相关系数;
根据根据电压和电流之间的相关系数确定预设容配比,并根据预设容配比划定最大容配比和最小容配比;
确定所述最大容配比和最小容配比之间的容配比区间为容配比规则。
4.根据权利要求2所述的一种光伏电厂逆变器组串异常分析方法,其特征在于,所根据所述历史电压数据、历史电流数据和容配比规则建立容配比检测模型,包括:
对历史电压数据和历史电流数据进行预处理;
根据预处理后的所述历史电压数据、历史电流数据计算出历史容配比数据;
通过容配比规则对历史容配比数据中的正常情况下的容配比和异常情况下的容配比进行分别标记,并将标记后的历史容配比数据作为数据集;
将所述数据集划分为训练集、验证集和测试集,并通过机器学习算法对所述训练集、验证集和测试集进行训练、验证和测试得到容配比检测模型。
5.根据权利要求1所述的一种光伏电厂逆变器组串异常分析方法,其特征在于,所述采集所述逆变器组串的实时运行数据,将实时运行数据输入到所述容配比检测模型,通过所述容配比检测模型判断所述逆变器组串的容配比是否存在异常,包括:
采集所述逆变器组串的实时运行数据,并对实时运行数据进行预处理;
将预处理后的实时运行数据输入到所述容配比检测模型,根据模型的输出结果,判断逆变器组串的容配比是否存在异常。
6.根据权利要求3所述的一种光伏电厂逆变器组串异常分析方法,其特征在于,所述根据预设容配比划定最大容配比和最小容配比,包括:
基于设计策略确定容许误差范围;
根据预设容配比,将最大容配比定义为预设容配比加上容许误差范围,将最小容配比定义为预设容配比减去容许误差范围。
7.根据权利要求4或5所述的一种光伏电厂逆变器组串异常分析方法,其特征在于,
对数据进行预处理包括数据清洗、去除异常值和数据归一化处理。
8.一种光伏电厂逆变器组串异常分析装置,其特征在于,包括:
采集模块,用于采集逆变器组串一段时间的历史运行数据和逆变器组串的设计策略;
建模模块,用于根据所述历史运行数据和设计策略制定容配比规则,并根据所述容配比规则和历史运行数据建立容配比检测模型;
判断模块,用于采集所述逆变器组串的实时运行数据,将实时运行数据输入到所述容配比检测模型,通过所述容配比检测模型判断所述逆变器组串的容配比是否存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311459697.4A CN117578405A (zh) | 2023-11-03 | 2023-11-03 | 一种光伏电厂逆变器组串异常分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311459697.4A CN117578405A (zh) | 2023-11-03 | 2023-11-03 | 一种光伏电厂逆变器组串异常分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117578405A true CN117578405A (zh) | 2024-02-20 |
Family
ID=89892685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311459697.4A Pending CN117578405A (zh) | 2023-11-03 | 2023-11-03 | 一种光伏电厂逆变器组串异常分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117578405A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114123971A (zh) * | 2021-10-25 | 2022-03-01 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于VaDE的光伏组串异常检测方法及*** |
WO2023087569A1 (zh) * | 2021-11-17 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于XGBoost的光伏组串通信异常识别方法及*** |
CN116722586A (zh) * | 2023-06-07 | 2023-09-08 | 阳光新能源开发股份有限公司 | 光伏电站的配置方法、装置、电子设备及存储介质 |
CN116846332A (zh) * | 2023-07-28 | 2023-10-03 | 无锡市检验检测认证研究院 | 光伏发电站设备发电性能诊断方法、装置和介质 |
CN116975389A (zh) * | 2023-07-13 | 2023-10-31 | 灵武市隆桥光伏新能源有限公司 | 一种变电站故障分析方法及装置 |
-
2023
- 2023-11-03 CN CN202311459697.4A patent/CN117578405A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114123971A (zh) * | 2021-10-25 | 2022-03-01 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于VaDE的光伏组串异常检测方法及*** |
WO2023087569A1 (zh) * | 2021-11-17 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于XGBoost的光伏组串通信异常识别方法及*** |
CN116722586A (zh) * | 2023-06-07 | 2023-09-08 | 阳光新能源开发股份有限公司 | 光伏电站的配置方法、装置、电子设备及存储介质 |
CN116975389A (zh) * | 2023-07-13 | 2023-10-31 | 灵武市隆桥光伏新能源有限公司 | 一种变电站故障分析方法及装置 |
CN116846332A (zh) * | 2023-07-28 | 2023-10-03 | 无锡市检验检测认证研究院 | 光伏发电站设备发电性能诊断方法、装置和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及*** | |
WO2011034805A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN113239132A (zh) | 一种电压互感器的超差在线辨识方法 | |
CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断***及故障诊断方法 | |
CN116820014B (zh) | 一种交通机电设备智能化监控预警方法及*** | |
CN116660672A (zh) | 基于大数据的电网设备故障诊断方法及*** | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN116544877B (zh) | 用于海上石油平台海缆电流实时监控的继电保护装置 | |
CN117578405A (zh) | 一种光伏电厂逆变器组串异常分析方法及装置 | |
CN117150418A (zh) | 基于状态特征故障树的变压器运检周期制定方法和*** | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
CN117074852A (zh) | 一种配电网电能监测预警管理方法及*** | |
CN116910128A (zh) | 风电机组硬软故障数据分析***及其分析方法 | |
CN106486175B (zh) | 核电厂排污水***钠离子指标异常诊断装置及方法 | |
CN111058944B (zh) | 一种柴油发电机组气缸温度异常检测方法及*** | |
CN112508350A (zh) | 一种汽轮发电机组振动预警方法及*** | |
CN111044176A (zh) | 一种发电机温度异常的监测方法 | |
CN117951633B (zh) | 一种光伏发电设备故障诊断方法及*** | |
CN115834364B (zh) | 一种基于电力大数据的用电信息监测***及方法 | |
Pinciroli et al. | A novel degradation state indicator for steam generators of nuclear power plants | |
CN116539979A (zh) | 一种火电厂设备状态检测方法及*** | |
CN118277850A (zh) | 一种风机叶片质量检测方法及*** | |
CN118566701A (zh) | 应用于工业机器人的集成电路的故障诊断***及方法 |
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 |