CN117749089B - 光伏电站异常识别方法、装置、设备及介质 - Google Patents
光伏电站异常识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117749089B CN117749089B CN202410182454.9A CN202410182454A CN117749089B CN 117749089 B CN117749089 B CN 117749089B CN 202410182454 A CN202410182454 A CN 202410182454A CN 117749089 B CN117749089 B CN 117749089B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- target
- power station
- historical
- photovoltaic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000005856 abnormality Effects 0.000 title claims abstract description 14
- 238000010248 power generation Methods 0.000 claims abstract description 185
- 230000002159 abnormal effect Effects 0.000 claims abstract description 76
- 238000005070 sampling Methods 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 10
- 230000004927 fusion Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000006854 communication Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000035613 defoliation Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- 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
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开涉及供配电技术领域,具体涉及一种光伏电站异常识别方法、装置、设备及介质,所述方法包括:获取每个光伏电站的属性信息;根据属性信息获取第一相关性参数;将多个光伏电站划分为多个光伏集群;根据历史气象数据以及历史发电量获取第二相关性参数;确定第一目标光伏电站与第二目标光伏电站,并根据历史气象数据以及历史发电量获取历史发电量‑时间序列模型;根据实时气象数据以及实时发电量获取实时发电量‑时间序列;根据实时发电量‑时间序列与历史发电量‑时间序列模型进行匹配,并根据匹配结果确定第一目标光伏电站是否处于异常工作状态。该方案可以较为准确的确定第一目标光伏电站是否出现异常工作状态,从而降低了维护成本。
Description
技术领域
本公开涉及供配电技术领域,具体涉及一种光伏电站异常识别方法、装置、设备及介质。
背景技术
配电网络中,光伏电站多以分布式的形式接入,具有容量小、分布散,存在数据收集困难、实时监测数据匮乏、获取成本较高等特点。相关技术中,可以基于虚拟电厂的技术将大量零散分布、不可控的小容量分布式光伏电站聚合优化,协调控制,提高电网稳定性。
其中,在对光伏电站进行监测时,可以由相应的监测装置实时采集光伏电站的工作数据以及环境数据等,并根据所采集的数据确定该光伏电站是否出现异常工作状态。
然而,申请人发现,在实际使用中,光伏电站中的发电装置受内部组件和外部环境影响,可能会发生光伏组件异常老化、发电面板损坏、逆变器损坏、落叶覆盖、灰尘覆盖、阴影遮挡等状况,同时还有几率出现人为操作出错,网络传输错误、接线不当等状况。受到上述状况影响,实时采集的数据中可能会存在少量异常值,该异常值会对监测过程造成干扰,从而无法准确确定相应光伏电站是否出现异常工作状态,提高了光伏电站的维护成本。
发明内容
为了解决相关技术中的问题,本公开实施例提供一种光伏电站异常识别方法、装置、设备及介质。
第一方面,本公开实施例中提供了一种光伏电站异常识别方法,包括:
获取多个光伏电站中每个光伏电站的属性信息,属性信息至少包括历史辐照度、装机容量以及历史发电量;
根据属性信息获取任两个光伏电站间的第一相关性参数;
将多个光伏电站划分为多个光伏集群,每个光伏集群包括至少两个对应的第一相关性参数满足第一相关条件的光伏电站;
获取每个光伏电站的历史气象数据,并根据历史气象数据以及历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数;
在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据第一目标光伏电站与第二目标光伏电的历史气象数据以及第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
获取第一目标光伏电站的实时气象数据以及实时发电量,并根据实时气象数据以及实时发电量获取第一目标光伏电站在当前天气类型下的实时发电量-时间序列;
根据当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定第一目标光伏电站是否处于异常工作状态。
在本公开的一种实施方式中,根据属性信息获取任两个光伏电站间的第一相关性参数,包括:
根据获取第一相关性参数/>;
其中,为任两个光伏电站中一个光伏电站的序号,/>为任两个光伏电站中另一个光伏电站的序号,/>为属性信息中属性的种类,/>为属性信息中属性的种类上限,/>为属性信息中第/>种属性的权重系数,/>为属性信息中对应属性的采样批次,/>为属性信息中每个属性的采样批次上限,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值。
在本公开的一种实施方式中,天气类型包括晴天、多云、雨天、雪天以及突变天气。
在本公开的一种实施方式中,根据历史气象数据以及历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数,包括:
根据历史气象数据以及历史发电量获取在第一目标日期每个光伏电站的发电量,第一目标日期的天气类型为对应天气类型;
根据获取在目标天气类型下序号为/>的光伏电站与序号为/>的光伏电站间的第二相关性参数/>;
其中,为序号为/>的光伏电站在第一目标日期的发电量,/>为序号为/>的光伏电站在第一目标日期的发电量,/>为所有光伏电站在第一目标日期的发电量的平均值,为序号为/>光伏电站在第一目标日期的发电量,/>为光伏电站的数量上限。
在本公开的一种实施方式中,根据第一目标光伏电站与第二目标光伏电的历史气象数据以及第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型,包括:
根据其中一个目标光伏电站的历史气象数据获取在第二目标日期其中一个目标光伏电站的第一太阳辐照强度,第二目标日期的天气类型为对应天气类型;
当第一太阳辐照强度属于异常太阳辐照强度范围时,根据其中另一个目标光伏电站的历史气象数据获取在在第二目标日期其中另一个目标光伏电站的第二太阳辐照强度;
根据其中一个目标光伏电站的历史发电量,获取其中一个目标光伏电站在第二目标日期的发电量采样数据;
根据获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
其中,n为第二目标日期中采样时刻的上限,为其中一个目标光伏电站在第二目标日期中t时刻的发电量采样数据,/>为预设的光伏板发电量基准值,/>为预先获取的天气类型为晴天且不考虑遮挡的情况下太阳辐射强度达到的最大值,/>为第二目标日期中t时刻的第二太阳辐照强度,/>为光伏板的功率温度系数,/>为第二目标日期中的t时刻其中一个目标光伏电站中光伏板的温度,/>为预设的温度阈值。
在本公开的一种实施方式中,在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站之前,方法还包括:
根据每个光伏电站的历史发电量获取每个光伏电站在至少一种天气类型下的发电量曲线,并根据每个光伏电站在每种天气类型下的发电量曲线获取每个光伏电站的综合发电量曲线;
对多个光伏电站在对应天气类型下的发电量曲线进行聚类,和/或对多个光伏电站的综合发电量曲线进行聚类,并根据聚类结果在多个光伏电站中确定初筛异常光伏电站;
在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,包括:
在任一个光伏集群中确定除初筛异常光伏电站之外对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站。
在本公开的一种实施方式中,根据当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定第一目标光伏电站是否处于异常工作状态,包括:
对当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型分别进行归一化处理,并根据各自归一化处理后的结果计算欧式距离;
当计算得到的欧式距离大于或等于距离阈值时,确定第一目标光伏电站处于异常工作状态。
第二方面,本公开实施例中提供了一种光伏电站异常识别装置,包括:
属性获取模块,被配置为获取多个光伏电站中每个光伏电站的属性信息,属性信息至少包括历史辐照度、装机容量以及历史发电量;
第一相关模块,被配置为根据属性信息获取任两个光伏电站间的第一相关性参数;
集群划分模块,被配置为将多个光伏电站划分为多个光伏集群,每个光伏集群包括至少两个第一相关性参数满足第一相关条件的光伏电站;
第二相关模块,被配置为获取每个光伏电站的历史气象数据,并根据历史气象数据以及历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数;
模型建立模块,被配置为在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据第一目标光伏电站与第二目标光伏电的历史气象数据以及第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
序列获取模块,被配置为获取第一目标光伏电站的实时气象数据以及实时发电量,并根据实时气象数据以及实时发电量获取第一目标光伏电站在当前天气类型下的实时发电量-时间序列;
异常识别模块,被配置为根据当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定第一目标光伏电站是否处于异常工作状态。
在本公开的一种实施方式中,第一相关模块,具体被配置为:
根据获取第一相关性参数;
其中为任两个光伏电站中一个光伏电站的序号,/>为任两个光伏电站中另一个光伏电站的序号,/>为属性信息中属性的种类,/>为属性信息中属性的种类上限,/>为属性信息中第/>种属性的权重系数,/>为属性信息中对应属性的采样批次,/>为属性信息中每个属性的采样批次上限,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值。
在本公开的一种实施方式中,天气类型包括晴天、多云、雨天、雪天以及突变天气。
在本公开的一种实施方式中,第二相关模块,具体被配置为:
根据历史气象数据以及历史发电量获取在第一目标日期每个光伏电站的发电量,第一目标日期的天气类型为对应天气类型;
根据获取在目标天气类型下序号为/>的光伏电站与序号为/>的光伏电站间的第二相关性参数/>;
其中,为序号为/>的光伏电站在第一目标日期的发电量,/>为序号为/>的光伏电站在第一目标日期的发电量,/>为所有光伏电站在第一目标日期的发电量的平均值,为序号为/>的光伏电站在第一目标日期的发电量,/>为光伏电站的数量上限。
在本公开的一种实施方式中,模型建立模块,具体被配置为:
根据其中一个目标光伏电站的历史气象数据获取在第二目标日期其中一个目标光伏电站的第一太阳辐照强度,第二目标日期的天气类型为对应天气类型;
当第一太阳辐照强度属于异常太阳辐照强度范围时,根据其中另一个目标光伏电站的历史气象数据获取在在第二目标日期其中另一个目标光伏电站的第二太阳辐照强度;
根据其中一个目标光伏电站的历史发电量,获取其中一个目标光伏电站在第二目标日期的发电量采样数据;
根据获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
其中,为第二目标日期中采样时刻的上限,/>为其中一个目标光伏电站在第二目标日期中t时刻的发电量采样数据,/>为预设的光伏板发电量基准值,/>为预先获取的天气类型为晴天且不考虑遮挡的情况下太阳辐射强度达到的最大值,/>为第二目标日期中t时刻的第二太阳辐照强度,/>为光伏板的功率温度系数,/>为第二目标日期中的t时刻其中一个目标光伏电站中光伏板的温度,/>为预设的温度阈值。
在本公开的一种实施方式中,装置还包括:
电站初筛模块,被配置为:
根据每个光伏电站的历史发电量获取每个光伏电站在至少一种天气类型下的发电量曲线,并根据每个光伏电站在每种天气类型下的发电量曲线获取每个光伏电站的综合发电量曲线;
对多个光伏电站在对应天气类型下的发电量曲线进行聚类,和/或对多个光伏电站的综合发电量曲线进行聚类,并根据聚类结果在多个光伏电站中确定初筛异常光伏电站;
模型建立模块,具体被配置为:
在任一个光伏集群中确定除初筛异常光伏电站之外对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站。
在本公开的一种实施方式中,异常识别模块,具体被配置为:
对当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型分别进行归一化处理,并根据各自归一化处理后的结果计算欧式距离;
当计算得到的欧式距离大于或等于距离阈值时,确定第一目标光伏电站处于异常工作状态。
第三方面,本公开实施例提供了一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如第一方面中任一项所述的方法。
第四方面,本公开实施例中提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现如第一方面中所述的方法。
根据本公开实施例提供的技术方案,通过获取多个光伏电站中每个光伏电站的属性信息,所述属性信息至少包括历史辐照度、装机容量以及历史发电量;根据所述属性信息获取任两个光伏电站间的第一相关性参数;将所述多个光伏电站划分为多个光伏集群,每个光伏集群包括至少两个对应的第一相关性参数满足第一相关条件的光伏电站;获取每个光伏电站的历史气象数据,并根据所述历史气象数据以及所述历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数;在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据所述第一目标光伏电站与第二目标光伏电的历史气象数据以及所述第一目标光伏电站的历史发电量获取所述第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;获取所述第一目标光伏电站的实时气象数据以及实时发电量,并根据所述实时气象数据以及所述实时发电量获取所述第一目标光伏电站在当前天气类型下的实时发电量-时间序列;根据所述当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定所述第一目标光伏电站是否处于异常工作状态。其中,由于第一相关性参数能够反映不同光伏电站受自身属性影响在光伏发电量上的关联程度,因此在根据该第一相关性参数划分至同一个光伏集群的光伏电站中,光伏电站的自身属性与自身光伏发电量的关系均较为接近;类似的,由于第二相关性参数能够反映不同光伏电站在受不同天气影响在光伏发电量上的关联程度,因此针对该关联程度较高的第一目标光伏电站与第二目标光伏电,即使第一目标光伏电站的历史气象数据出现异常,也可以基于第二目标光伏电的历史气象数据与第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型,并确保该历史发电量-时间序列模型较为准确,从而确保基于该历史发电量-时间序列模型与实时发电量-时间序列进行匹配得到的匹配结果,可以较为准确的确定第一目标光伏电站是否出现异常工作状态,从而降低了对第一目标光伏电站进行维护的成本。
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,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。以下是对附图的说明。
图1示出根据本公开的实施例的光伏电站异常识别方法的流程图。
图2示出根据本公开的实施例的光伏电站异常识别装置的结构框图。
图3示出根据本公开的实施例的电子设备的结构框图。
图4示出适于用来实现根据本公开实施例的方法的计算机***的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施例,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施例无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在本公开中,如涉及对用户信息或用户数据的获取操作或向他人展示用户信息或用户数据的操作,则所述操作均为经用户授权、确认,或由用户主动选择的操作。
相关技术中,在对光伏电站进行监测时,可以由相应的监测装置实时采集光伏电站的工作数据以及环境数据等,并根据所采集的数据确定该光伏电站是否出现异常工作状态。
然而,申请人发现,在实际使用中,光伏电站中的发电装置受内部组件和外部环境影响,可能会发生光伏组件异常老化、发电面板损坏、逆变器损坏、落叶覆盖、灰尘覆盖、阴影遮挡等状况,同时还有几率出现人为操作出错,网络传输错误、接线不当等状况。受到上述状况影响,实时采集的数据中可能会存在少量异常值,该异常值会对监测过程造成干扰,从而无法准确确定相应光伏电站是否出现异常工作状态,提高了光伏电站的维护成本。
为了解决相关技术中的问题,本公开实施例提供一种光伏电站异常识别方法、装置、设备及介质。
根据本公开实施例提供的技术方案,通过获取多个光伏电站中每个光伏电站的属性信息,所述属性信息至少包括历史辐照度、装机容量以及历史发电量;根据所述属性信息获取任两个光伏电站间的第一相关性参数;将所述多个光伏电站划分为多个光伏集群,每个光伏集群包括至少两个对应的第一相关性参数满足第一相关条件的光伏电站;获取每个光伏电站的历史气象数据,并根据所述历史气象数据以及所述历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数;在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据所述第一目标光伏电站与第二目标光伏电的历史气象数据以及所述第一目标光伏电站的历史发电量获取所述第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;获取所述第一目标光伏电站的实时气象数据以及实时发电量,并根据所述实时气象数据以及所述实时发电量获取所述第一目标光伏电站在当前天气类型下的实时发电量-时间序列;根据所述当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定所述第一目标光伏电站是否处于异常工作状态。其中,由于第一相关性参数能够反映不同光伏电站受自身属性影响在光伏发电量上的关联程度,因此在根据该第一相关性参数划分至同一个光伏集群的光伏电站中,光伏电站的自身属性与自身光伏发电量的关系均较为接近;类似的,由于第二相关性参数能够反映不同光伏电站在受不同天气影响在光伏发电量上的关联程度,因此针对该关联程度较高的第一目标光伏电站与第二目标光伏电,即使第一目标光伏电站的历史气象数据出现异常,也可以基于第二目标光伏电的历史气象数据与第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型,并确保该历史发电量-时间序列模型较为准确,从而确保基于该历史发电量-时间序列模型与实时发电量-时间序列进行匹配得到的匹配结果,可以较为准确的确定第一目标光伏电站是否出现异常工作状态,从而降低了对第一目标光伏电站进行维护的成本。
本公开实施例提供的光伏电站异常识别方法可以应用于空间光伏集群异常识别***中的台区融合终端。该空间光伏集群异常识别***可以包括智慧开关以及台区融合终端。其中,智慧开关可以具备采集、控制保护等功能,能够与光伏逆变器交互信息,实时采集与处理并网光伏电站的电能质量,并在台区融合终端的支持下,实现光伏并网发电的有序调控,同时接受台区融合终端传输的异常初步识别信息,内部进行进一步诊断,并进行预警,结合其他自动化设备联动或呼叫人工,及时查找异常点,并对***内的故障点进行维护与处理。
台区融合终端可以用于同步有效时间内所有智慧开关传来的信息,同时将所有设备运行信息与状态上传到中心云端进行实时监控,并根据调控需求对下方智慧开关下发调控指令。另一方面台区融合终端还可以具备边缘计算功能,对其所管辖的智慧开关进行集中管理,实现台区空间内光伏集群异常的初步识别。
智慧开关与台区融合终端之间可以通过通信管网,利用无线公网、载波、光纤等综合手段,实现双向互动与信息的控制操作。
图1示出根据本公开的实施例的光伏电站异常识别方法的流程图。如图1所示,所述光伏电站异常识别方法包括以下步骤S101 - S107:
在步骤S101中,获取多个光伏电站中每个光伏电站的属性信息。
其中,属性信息至少包括历史辐照度、装机容量以及历史发电量。
在步骤S102中,根据属性信息获取任两个光伏电站间的第一相关性参数。
在步骤S103中,将多个光伏电站划分为多个光伏集群。
其中,每个光伏集群包括至少两个对应的第一相关性参数满足第一相关条件的光伏电站;
在步骤S104中,获取每个光伏电站的历史气象数据,并根据历史气象数据以及历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数。
在步骤S105中,在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据第一目标光伏电站与第二目标光伏电的历史气象数据以及第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型。
在步骤S106中,获取第一目标光伏电站的实时气象数据以及实时发电量,并根据实时气象数据以及实时发电量获取第一目标光伏电站在当前天气类型下的实时发电量-时间序列。
在步骤S107中,根据当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定第一目标光伏电站是否处于异常工作状态。
在本公开的一种实现方式中,获取多个光伏电站中每个光伏电站的属性信息,可以被理解为读取事先储存的属性信息,也可以被理解为接受其他装置或***发送的属性信息。
在本公开的一种实现方式中,第一相关性参数满足第一相关条件,可以被理解为第一相关性参数大于或等于预先获取的第一相关性参数阈值,也可以被理解为属于预先获取第一相关性参数范围。类似的,第二相关性参数满足第二相关条件,可以被理解为第二相关性参数大于或等于预先获取的第二相关性参数阈值,也可以被理解为属于预先获取第二相关性参数范围。
在本公开的一种实现方式中,将多个光伏电站划分为多个光伏集群,可以被理解为根据空间网络拓扑,以台区为单位,对各电站进行集群划分。
在本公开的一种实现方式中,第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型,可以被理解为用于指示在天气类型为对应天气类型的相应日期,第一目标光伏电站的发电量与时间的对应关系。
类似的,第一目标光伏电站在当前天气类型下的实时发电量-时间序列,可以被理解为用于指示在当前日期,第一目标光伏电站的发电量与时间的对应关系。
根据本公开实施例提供的技术方案,通过获取多个光伏电站中每个光伏电站的属性信息,所述属性信息至少包括历史辐照度、装机容量以及历史发电量;根据所述属性信息获取任两个光伏电站间的第一相关性参数;将所述多个光伏电站划分为多个光伏集群,每个光伏集群包括至少两个对应的第一相关性参数满足第一相关条件的光伏电站;获取每个光伏电站的历史气象数据,并根据所述历史气象数据以及所述历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数;在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据所述第一目标光伏电站与第二目标光伏电的历史气象数据以及所述第一目标光伏电站的历史发电量获取所述第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;获取所述第一目标光伏电站的实时气象数据以及实时发电量,并根据所述实时气象数据以及所述实时发电量获取所述第一目标光伏电站在当前天气类型下的实时发电量-时间序列;根据所述当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定所述第一目标光伏电站是否处于异常工作状态。其中,由于第一相关性参数能够反映不同光伏电站受自身属性影响在光伏发电量上的关联程度,因此在根据该第一相关性参数划分至同一个光伏集群的光伏电站中,光伏电站的自身属性与自身光伏发电量的关系均较为接近;类似的,由于第二相关性参数能够反映不同光伏电站在受不同天气影响在光伏发电量上的关联程度,因此针对该关联程度较高的第一目标光伏电站与第二目标光伏电,即使第一目标光伏电站的历史气象数据出现异常,也可以基于第二目标光伏电的历史气象数据与第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型,并确保该历史发电量-时间序列模型较为准确,从而确保基于该历史发电量-时间序列模型与实时发电量-时间序列进行匹配得到的匹配结果,可以较为准确的确定第一目标光伏电站是否出现异常工作状态,从而降低了对第一目标光伏电站进行维护的成本。
在本公开的一种实施方式中,根据属性信息获取任两个光伏电站间的第一相关性参数,包括:
根据获取第一相关性参数/>;
其中为任两个光伏电站中一个光伏电站的序号,/>为任两个光伏电站中另一个光伏电站的序号,/>为属性信息中属性的种类,/>为属性信息中属性的种类上限,/>为属性信息中第/>种属性的权重系数,/>为属性信息中对应属性的采样批次,/>为属性信息中每个属性的采样批次上限,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值。
在本公开的一种实现方式中,若属性信息仅包括历史辐照度、装机容量以及历史发电量为例进行说明,则第一相关性参数可以通过如下公式计算得到:
其中,/>为历史辐照度的权重系数,/>为对序号为/>的光伏电站的历史辐照度进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的历史辐照度进行采样得到的数据的均值,/>为对序号为/>的光伏电站的历史辐照度进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的历史辐照度进行采样得到的数据的均值;
其中,为装机容量的权重系数,/>为对序号为/>的光伏电站的装机容量进行第/>批次采样得到的数据,/>为对序号为/>光伏电站的装机容量进行采样得到的数据的均值,/>为对序号为/>的光伏电站的装机容量进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的装机容量进行采样得到的数据的均值;
其中,为历史发电量的权重系数,/>为对序号为/>的光伏电站的历史发电量进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的历史发电量进行采样得到的数据的均值,/>为对序号为/>的光伏电站的历史发电量进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的历史发电量进行采样得到的数据的均值。
根据本公开实施例提供的技术方案,通过上述方案获取任两个光伏电站间的第一相关性参数,可以确保该第一相关性参数能够较为准确的反映不同光伏电站受自身属性影响在光伏发电量上的关联程度,并减少了运算量,降低了成本。
在本公开的一种实施方式中,天气类型包括晴天、多云、雨天、雪天以及突变天气。
根据本公开实施例提供的技术方案,通过限定天气类型包括晴天、多云、雨天、雪天以及突变天气,可以根据对光伏电站的光伏发电量的影响区分不同的天气类型,在不影响后续处理过程可靠性的前提下,简化了技术方案,从而减少了运算量,降低了成本。
在本公开的一种实施方式中,根据历史气象数据以及历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数,包括:
根据历史气象数据以及历史发电量获取在第一目标日期每个光伏电站的发电量,第一目标日期的天气类型为对应天气类型;
根据获取在目标天气类型下序号为/>的光伏电站与序号为/>的光伏电站间的第二相关性参数/>;
其中,为序号为/>的光伏电站在第一目标日期的发电量,/>为序号为/>的光伏电站在第一目标日期的发电量,/>为所有光伏电站在第一目标日期的发电量的平均值,为序号为/>的光伏电站在第一目标日期的发电量,/>为光伏电站的数量上限。
根据本公开实施例提供的技术方案,通过上述步骤获取第二相关性参数,可以确保该第而相关性参数能够较为准确的反映不同光伏电站在受不同天气影响在光伏发电量上的关联程度,并减少了运算量,降低了成本。
在本公开的一种实施方式中,根据第一目标光伏电站与第二目标光伏电的历史气象数据以及第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型,包括:
根据其中一个目标光伏电站的历史气象数据获取在第二目标日期其中一个目标光伏电站的第一太阳辐照强度,第二目标日期的天气类型为对应天气类型;
当第一太阳辐照强度属于异常太阳辐照强度范围时,根据其中另一个目标光伏电站的历史气象数据获取在在第二目标日期其中另一个目标光伏电站的第二太阳辐照强度;
根据其中一个目标光伏电站的历史发电量,获取其中一个目标光伏电站在第二目标日期的发电量采样数据;
根据获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
其中,n为第二目标日期中采样时刻的上限,为其中一个目标光伏电站在第二目标日期中t时刻的发电量采样数据,/>为预设的光伏板发电量基准值,/>为预先获取的天气类型为晴天且不考虑遮挡的情况下太阳辐射强度达到的最大值,/>为第二目标日期中t时刻的第二太阳辐照强度,/>为光伏板的功率温度系数,/>为第二目标日期中的t时刻其中一个目标光伏电站中光伏板的温度,/>为预设的温度阈值。
在本公开的一种实现方式中,可以为25摄氏度。
根据本公开实施例提供的技术方案,通过上述步骤获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型,可以确保所获取的历史发电量-时间序列模型能够较为准确的反映真实情况下第一目标光伏电站在对应天气类型下的发电量与时间之间的关系,有助于提高后续处理结果的准确率。
在本公开的一种实施方式中,在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站之前,方法还包括:
根据每个光伏电站的历史发电量获取每个光伏电站在至少一种天气类型下的发电量曲线,并根据每个光伏电站在每种天气类型下的发电量曲线获取每个光伏电站的综合发电量曲线;
对多个光伏电站在对应天气类型下的发电量曲线进行聚类,和/或对多个光伏电站的综合发电量曲线进行聚类,并根据聚类结果在多个光伏电站中确定初筛异常光伏电站;
在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,包括:
在任一个光伏集群中确定除初筛异常光伏电站之外对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站。
示例性的,可以根据指定光伏电站的历史发电量获取该光伏电站在晴天天气下的发电量96点采样数据该光伏电站在多云天气下的发电量96点采样数据/>、该光伏电站在雨天天气下的发电量96点采样数据/>、该光伏电站在雪天天气下的发电量96点采样数据/>、该光伏电站在突变天气下的发电量96点采样数据/>;
其中,,,
,,
;
通过,可以获取该光伏电站的综合发电量96点采样数据/>,其中/>、/>、/>、/>、/>为各对应气象类型的权重,且/>、/>、/>、/>、/>的和可以为1。
采用最大最小值法对、/>、/>、/>、/>、/>分别进行归一化,可以获取该光伏电站在晴天、多云、雨天、雪天、突变天气下的发电量曲线以及该光伏电站的综合发电量曲线。
根据本公开实施例提供的技术方案,通过根据每个光伏电站的历史发电量获取每个光伏电站在至少一种天气类型下的发电量曲线,并根据每个光伏电站在每种天气类型下的发电量曲线获取每个光伏电站的综合发电量曲线;对多个光伏电站在对应天气类型下的发电量曲线进行聚类,和/或对多个光伏电站的综合发电量曲线进行聚类,并根据聚类结果在多个光伏电站中确定初筛异常光伏电站;在任一个光伏集群中确定除初筛异常光伏电站之外对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站。其中,通过在多个光伏电站中确定明显出现故障的初筛异常光伏电站,之后再在任一个光伏集群中确定除初筛异常光伏电站之外对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,可以避免将明显出现故障的光伏电站确定为第一目标光伏电站与第二目标光伏电站,从而有助于提高后续处理结果的准确率。
在本公开的一种实施方式中,根据当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定第一目标光伏电站是否处于异常工作状态,包括:
对当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型分别进行归一化处理,并根据各自归一化处理后的结果计算欧式距离;
当计算得到的欧式距离大于或等于距离阈值时,确定第一目标光伏电站处于异常工作状态。
根据本公开实施例提供的技术方案,通过对当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型分别进行归一化处理,并根据各自归一化处理后的结果计算欧式距离;当计算得到的欧式距离大于或等于距离阈值时,确定第一目标光伏电站处于异常工作状态,可以提高确定第一目标光伏电站处于异常工作状态的准确率。
图2示出根据本公开的实施例的光伏电站异常识别装置的结构框图。其中,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图2所示,所述光伏电站异常识别装置200包括:
属性获取模块,被配置为获取多个光伏电站中每个光伏电站的属性信息,属性信息至少包括历史辐照度、装机容量以及历史发电量;
第一相关模块,被配置为根据属性信息获取任两个光伏电站间的第一相关性参数;
集群划分模块,被配置为将多个光伏电站划分为多个光伏集群,每个光伏集群包括至少两个第一相关性参数满足第一相关条件的光伏电站;
第二相关模块,被配置为获取每个光伏电站的历史气象数据,并根据历史气象数据以及历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数;
模型建立模块,被配置为在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据第一目标光伏电站与第二目标光伏电的历史气象数据以及第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
序列获取模块,被配置为获取第一目标光伏电站的实时气象数据以及实时发电量,并根据实时气象数据以及实时发电量获取第一目标光伏电站在当前天气类型下的实时发电量-时间序列;
异常识别模块,被配置为根据当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定第一目标光伏电站是否处于异常工作状态。
在本公开的一种实施方式中,第一相关模块,具体被配置为:
根据获取第一相关性参数/>;
其中为任两个光伏电站中一个光伏电站的序号,/>为任两个光伏电站中另一个光伏电站的序号,/>为属性信息中属性的种类,/>为属性信息中属性的种类上限,/>为属性信息中第/>种属性的权重系数,/>为属性信息中对应属性的采样批次,/>为属性信息中每个属性的采样批次上限,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值。
在本公开的一种实施方式中,天气类型包括晴天、多云、雨天、雪天以及突变天气。
在本公开的一种实施方式中,第二相关模块,具体被配置为:
根据历史气象数据以及历史发电量获取在第一目标日期每个光伏电站的发电量,第一目标日期的天气类型为对应天气类型;
根据获取在目标天气类型下序号为/>的光伏电站与序号为/>的光伏电站间的第二相关性参数/>;
其中,为序号为/>的光伏电站在第一目标日期的发电量,/>为序号为/>的光伏电站在第一目标日期的发电量,/>为所有光伏电站在第一目标日期的发电量的平均值,为序号为/>的光伏电站在第一目标日期的发电量,/>为光伏电站的数量上限。
在本公开的一种实施方式中,模型建立模块,具体被配置为:
根据其中一个目标光伏电站的历史气象数据获取在第二目标日期其中一个目标光伏电站的第一太阳辐照强度,第二目标日期的天气类型为对应天气类型;
当第一太阳辐照强度属于异常太阳辐照强度范围时,根据其中另一个目标光伏电站的历史气象数据获取在在第二目标日期其中另一个目标光伏电站的第二太阳辐照强度;
根据其中一个目标光伏电站的历史发电量,获取其中一个目标光伏电站在第二目标日期的发电量采样数据;
根据获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
其中,n为第二目标日期中采样时刻的上限,为其中一个目标光伏电站在第二目标日期中t时刻的发电量采样数据,/>为预设的光伏板发电量基准值,/>为预先获取的天气类型为晴天且不考虑遮挡的情况下太阳辐射强度达到的最大值,/>为第二目标日期中t时刻的第二太阳辐照强度,/>为光伏板的功率温度系数,/>为第二目标日期中的t时刻其中一个目标光伏电站中光伏板的温度,/>为预设的温度阈值。
在本公开的一种实施方式中,装置还包括:
电站初筛模块,被配置为:
根据每个光伏电站的历史发电量获取每个光伏电站在至少一种天气类型下的发电量曲线,并根据每个光伏电站在每种天气类型下的发电量曲线获取每个光伏电站的综合发电量曲线;
对多个光伏电站在对应天气类型下的发电量曲线进行聚类,和/或对多个光伏电站的综合发电量曲线进行聚类,并根据聚类结果在多个光伏电站中确定初筛异常光伏电站;
模型建立模块,具体被配置为:
在任一个光伏集群中确定除初筛异常光伏电站之外对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站。
在本公开的一种实施方式中,异常识别模块,具体被配置为:
对当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型分别进行归一化处理,并根据各自归一化处理后的结果计算欧式距离;
当计算得到的欧式距离大于或等于距离阈值时,确定第一目标光伏电站处于异常工作状态。
根据本公开实施例提供的技术方案,通过获取多个光伏电站中每个光伏电站的属性信息,所述属性信息至少包括历史辐照度、装机容量以及历史发电量;根据所述属性信息获取任两个光伏电站间的第一相关性参数;将所述多个光伏电站划分为多个光伏集群,每个光伏集群包括至少两个对应的第一相关性参数满足第一相关条件的光伏电站;获取每个光伏电站的历史气象数据,并根据所述历史气象数据以及所述历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数;在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据所述第一目标光伏电站与第二目标光伏电的历史气象数据以及所述第一目标光伏电站的历史发电量获取所述第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;获取所述第一目标光伏电站的实时气象数据以及实时发电量,并根据所述实时气象数据以及所述实时发电量获取所述第一目标光伏电站在当前天气类型下的实时发电量-时间序列;根据所述当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定所述第一目标光伏电站是否处于异常工作状态。其中,由于第一相关性参数能够反映不同光伏电站受自身属性影响在光伏发电量上的关联程度,因此在根据该第一相关性参数划分至同一个光伏集群的光伏电站中,光伏电站的自身属性与自身光伏发电量的关系均较为接近;类似的,由于第二相关性参数能够反映不同光伏电站在受不同天气影响在光伏发电量上的关联程度,因此针对该关联程度较高的第一目标光伏电站与第二目标光伏电,即使第一目标光伏电站的历史气象数据出现异常,也可以基于第二目标光伏电的历史气象数据与第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型,并确保该历史发电量-时间序列模型较为准确,从而确保基于该历史发电量-时间序列模型与实时发电量-时间序列进行匹配得到的匹配结果,可以较为准确的确定第一目标光伏电站是否出现异常工作状态,从而降低了对第一目标光伏电站进行维护的成本。
本公开还公开了一种电子设备,图3示出根据本公开的实施例的电子设备的结构框图。
如图3所示,所述电子设备包括存储器和处理器,其中,存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现根据本公开的实施例的方法。
第一方面,本公开实施例中提供了一种光伏电站异常识别方法,包括:
获取多个光伏电站中每个光伏电站的属性信息,属性信息至少包括历史辐照度、装机容量以及历史发电量;
根据属性信息获取任两个光伏电站间的第一相关性参数;
将多个光伏电站划分为多个光伏集群,每个光伏集群包括至少两个对应的第一相关性参数满足第一相关条件的光伏电站;
获取每个光伏电站的历史气象数据,并根据历史气象数据以及历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数;
在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据第一目标光伏电站与第二目标光伏电的历史气象数据以及第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
获取第一目标光伏电站的实时气象数据以及实时发电量,并根据实时气象数据以及实时发电量获取第一目标光伏电站在当前天气类型下的实时发电量-时间序列;
根据当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定第一目标光伏电站是否处于异常工作状态。
在本公开的一种实施方式中,根据属性信息获取任两个光伏电站间的第一相关性参数,包括:
根据获取第一相关性参数/>;
其中为任两个光伏电站中一个光伏电站的序号,/>为任两个光伏电站中另一个光伏电站的序号,/>为属性信息中属性的种类,/>为属性信息中属性的种类上限,/>为属性信息中第/>种属性的权重系数,/>为属性信息中对应属性的采样批次,/>为属性信息中每个属性的采样批次上限,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值。
在本公开的一种实施方式中,根据历史气象数据以及历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数,包括:
根据历史气象数据以及历史发电量获取在第一目标日期每个光伏电站的发电量,第一目标日期的天气类型为对应天气类型;
根据获取在目标天气类型下序号为/>的光伏电站与序号为/>的光伏电站间的第二相关性参数/>;
其中,为序号为/>的光伏电站在第一目标日期的发电量,/>为序号为/>的光伏电站在第一目标日期的发电量,/>为所有光伏电站在第一目标日期的发电量的平均值,为序号为/>的光伏电站在第一目标日期的发电量,/>为光伏电站的数量上限。
在本公开的一种实施方式中,根据第一目标光伏电站与第二目标光伏电的历史气象数据以及第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型,包括:
根据其中一个目标光伏电站的历史气象数据获取在第二目标日期其中一个目标光伏电站的第一太阳辐照强度,第二目标日期的天气类型为对应天气类型;
当第一太阳辐照强度属于异常太阳辐照强度范围时,根据其中另一个目标光伏电站的历史气象数据获取在在第二目标日期其中另一个目标光伏电站的第二太阳辐照强度;
根据其中一个目标光伏电站的历史发电量,获取其中一个目标光伏电站在第二目标日期的发电量采样数据;
根据获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
其中,n为第二目标日期中采样时刻的上限,为其中一个目标光伏电站在第二目标日期中t时刻的发电量采样数据,/>为预设的光伏板发电量基准值,/>为预先获取的天气类型为晴天且不考虑遮挡的情况下太阳辐射强度达到的最大值,/>为第二目标日期中t时刻的第二太阳辐照强度,/>为光伏板的功率温度系数,/>为第二目标日期中的t时刻其中一个目标光伏电站中光伏板的温度,/>为预设的温度阈值。
在本公开的一种实施方式中,在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站之前,方法还包括:
根据每个光伏电站的历史发电量获取每个光伏电站在至少一种天气类型下的发电量曲线,并根据每个光伏电站在每种天气类型下的发电量曲线获取每个光伏电站的综合发电量曲线;
对多个光伏电站在对应天气类型下的发电量曲线进行聚类,和/或对多个光伏电站的综合发电量曲线进行聚类,并根据聚类结果在多个光伏电站中确定初筛异常光伏电站;
在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,包括:
在任一个光伏集群中确定除初筛异常光伏电站之外对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站。
在本公开的一种实施方式中,根据当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定第一目标光伏电站是否处于异常工作状态,包括:
对当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型分别进行归一化处理,并根据各自归一化处理后的结果计算欧式距离;
当计算得到的欧式距离大于或等于距离阈值时,确定第一目标光伏电站处于异常工作状态。
根据本公开实施例提供的技术方案,通过获取多个光伏电站中每个光伏电站的属性信息,所述属性信息至少包括历史辐照度、装机容量以及历史发电量;根据所述属性信息获取任两个光伏电站间的第一相关性参数;将所述多个光伏电站划分为多个光伏集群,每个光伏集群包括至少两个对应的第一相关性参数满足第一相关条件的光伏电站;获取每个光伏电站的历史气象数据,并根据所述历史气象数据以及所述历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数;在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据所述第一目标光伏电站与第二目标光伏电的历史气象数据以及所述第一目标光伏电站的历史发电量获取所述第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;获取所述第一目标光伏电站的实时气象数据以及实时发电量,并根据所述实时气象数据以及所述实时发电量获取所述第一目标光伏电站在当前天气类型下的实时发电量-时间序列;根据所述当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定所述第一目标光伏电站是否处于异常工作状态。其中,由于第一相关性参数能够反映不同光伏电站受自身属性影响在光伏发电量上的关联程度,因此在根据该第一相关性参数划分至同一个光伏集群的光伏电站中,光伏电站的自身属性与自身光伏发电量的关系均较为接近;类似的,由于第二相关性参数能够反映不同光伏电站在受不同天气影响在光伏发电量上的关联程度,因此针对该关联程度较高的第一目标光伏电站与第二目标光伏电,即使第一目标光伏电站的历史气象数据出现异常,也可以基于第二目标光伏电的历史气象数据与第一目标光伏电站的历史发电量获取第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型,并确保该历史发电量-时间序列模型较为准确,从而确保基于该历史发电量-时间序列模型与实时发电量-时间序列进行匹配得到的匹配结果,可以较为准确的确定第一目标光伏电站是否出现异常工作状态,从而降低了对第一目标光伏电站进行维护的成本。
图4示出适于用来实现根据本公开实施例的方法的计算机***的结构示意图。
如图4所示,计算机***包括处理单元,其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行上述实施例中的各种方法。在RAM中,还存储有计算机***操作所需的各种程序和数据。处理单元、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;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;包括硬盘等的存储部分;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。通信部分经由诸如因特网的网络执行通信过程。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,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。其中,所述处理单元可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据本公开的实施例,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开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可以是上述实施例中电子设备或计算机***中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开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,本公开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它技术方案。例如上述特征与本公开中公开的(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 (12)
1.一种光伏电站异常识别方法,其特征在于,包括:
获取多个光伏电站中每个光伏电站的属性信息,所述属性信息至少包括历史辐照度、装机容量以及历史发电量;
根据所述属性信息获取任两个光伏电站间的第一相关性参数;
将所述多个光伏电站划分为多个光伏集群,每个光伏集群包括至少两个对应的第一相关性参数满足第一相关条件的光伏电站;
获取每个光伏电站的历史气象数据,并根据所述历史气象数据以及所述历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数;
在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据所述第一目标光伏电站与第二目标光伏电的历史气象数据以及所述第一目标光伏电站的历史发电量获取所述第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
获取所述第一目标光伏电站的实时气象数据以及实时发电量,并根据所述实时气象数据以及所述实时发电量获取所述第一目标光伏电站在当前天气类型下的实时发电量-时间序列;
根据所述当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定所述第一目标光伏电站是否处于异常工作状态;
所述根据所述属性信息获取任两个光伏电站间的第一相关性参数,包括:
根据获取第一相关性参数/>;
其中为所述任两个光伏电站中一个光伏电站的序号,/>为所述任两个光伏电站中另一个光伏电站的序号,/>为所述属性信息中属性的种类,/>为所述属性信息中属性的种类上限,/>为所述属性信息中第/>种属性的权重系数,/>为所述属性信息中对应属性的采样批次,/>为所述属性信息中每个属性的采样批次上限,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第种属性进行采样得到的数据的均值;
所述根据所述历史气象数据以及所述历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数,包括:
根据所述历史气象数据以及所述历史发电量获取在第一目标日期每个光伏电站的发电量,所述第一目标日期的天气类型为所述对应天气类型;
根据获取在所述对应天气类型下序号为/>的光伏电站与序号为/>的光伏电站间的第二相关性参数/>;
其中,为序号为/>的光伏电站在所述第一目标日期的发电量,/>为序号为/>的光伏电站在所述第一目标日期的发电量,/>为所有光伏电站在所述第一目标日期的发电量的平均值,/>为序号为/>的光伏电站在所述第一目标日期的发电量,/>为光伏电站的数量上限。
2.根据权利要求1所述的光伏电站异常识别方法,其特征在于,所述天气类型包括晴天、多云、雨天、雪天以及突变天气。
3.根据权利要求1所述的光伏电站异常识别方法,其特征在于,所述根据所述第一目标光伏电站与第二目标光伏电的历史气象数据以及所述第一目标光伏电站的历史发电量获取所述第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型,包括:
根据所述其中一个目标光伏电站的历史气象数据获取在第二目标日期所述其中一个目标光伏电站的第一太阳辐照强度,所述第二目标日期的天气类型为所述对应天气类型;
当所述第一太阳辐照强度属于异常太阳辐照强度范围时,根据其中另一个目标光伏电站的历史气象数据获取在所述在第二目标日期所述其中另一个目标光伏电站的第二太阳辐照强度;
根据所述其中一个目标光伏电站的历史发电量,获取所述其中一个目标光伏电站在所述第二目标日期的发电量采样数据;
根据获取所述第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
其中,为所述第二目标日期中采样时刻的上限,/>为所述其中一个目标光伏电站在所述第二目标日期中/>时刻的发电量采样数据,/>为预设的光伏板发电量基准值,为预先获取的天气类型为晴天且不考虑遮挡的情况下太阳辐射强度达到的最大值,/>为所述第二目标日期中/>时刻的第二太阳辐照强度,/>为光伏板的功率温度系数,/>为所述第二目标日期中的/>时刻所述其中一个目标光伏电站中光伏板的温度,/>为预设的温度阈值。
4.根据权利要求3所述的光伏电站异常识别方法,其特征在于,所述在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站之前,所述方法还包括:
根据每个光伏电站的历史发电量获取每个光伏电站在至少一种天气类型下的发电量曲线,并根据每个光伏电站在每种天气类型下的发电量曲线获取每个光伏电站的综合发电量曲线;
对所述多个光伏电站在对应天气类型下的发电量曲线进行聚类,和/或对所述多个光伏电站的综合发电量曲线进行聚类,并根据聚类结果在所述多个光伏电站中确定初筛异常光伏电站;
所述在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,包括:
在任一个光伏集群中确定除所述初筛异常光伏电站之外对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站。
5.根据权利要求4所述的光伏电站异常识别方法,其特征在于,所述根据所述当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定所述第一目标光伏电站是否处于异常工作状态,包括:
对所述当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型分别进行归一化处理,并根据各自归一化处理后的结果计算欧式距离;
当计算得到的欧式距离大于或等于距离阈值时,确定所述第一目标光伏电站处于异常工作状态。
6.一种光伏电站异常识别装置,其特征在于,包括:
属性获取模块,被配置为获取多个光伏电站中每个光伏电站的属性信息,所述属性信息至少包括历史辐照度、装机容量以及历史发电量;
第一相关模块,被配置为根据所述属性信息获取任两个光伏电站间的第一相关性参数;
所述第一相关模块,具体被配置为:
根据获取第一相关性参数/>;
其中为所述任两个光伏电站中一个光伏电站的序号,/>为所述任两个光伏电站中另一个光伏电站的序号,/>为所述属性信息中属性的种类,/>为所述属性信息中属性的种类上限,/>为所述属性信息中第/>种属性的权重系数,/>为所述属性信息中对应属性的采样批次,/>为所述属性信息中每个属性的采样批次上限,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行第/>批次采样得到的数据,/>为对序号为/>的光伏电站的属性信息中第/>种属性进行采样得到的数据的均值;集群划分模块,被配置为将所述多个光伏电站划分为多个光伏集群,每个光伏集群包括至少两个第一相关性参数满足第一相关条件的光伏电站;
第二相关模块,被配置为获取每个光伏电站的历史气象数据,并根据所述历史气象数据以及所述历史发电量获取在对应天气类型下任两个光伏电站间的第二相关性参数;
所述第二相关模块,具体被配置为:
根据所述历史气象数据以及所述历史发电量获取在第一目标日期每个光伏电站的发电量,所述第一目标日期的天气类型为所述对应天气类型;
根据获取在所述对应天气类型下序号为/>的光伏电站与序号为/>的光伏电站间的第二相关性参数/>;
其中,为序号为/>的光伏电站在所述第一目标日期的发电量,/>为序号为/>的光伏电站在所述第一目标日期的发电量,/>为所有光伏电站在所述第一目标日期的发电量的平均值,/>为序号为/>的光伏电站在所述第一目标日期的发电量,/>为光伏电站的数量上限;模型建立模块,被配置为在任一个光伏集群中确定对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站,并根据所述第一目标光伏电站与第二目标光伏电的历史气象数据以及所述第一目标光伏电站的历史发电量获取所述第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
序列获取模块,被配置为获取所述第一目标光伏电站的实时气象数据以及实时发电量,并根据所述实时气象数据以及所述实时发电量获取所述第一目标光伏电站在当前天气类型下的实时发电量-时间序列;
异常识别模块,被配置为根据所述当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型进行匹配,并根据匹配结果确定所述第一目标光伏电站是否处于异常工作状态。
7.根据权利要求6所述的光伏电站异常识别装置,其特征在于,所述天气类型包括晴天、多云、雨天、雪天以及突变天气。
8.根据权利要求6所述的光伏电站异常识别装置,其特征在于,所述模型建立模块,具体被配置为:
根据所述其中一个目标光伏电站的历史气象数据获取在第二目标日期所述其中一个目标光伏电站的第一太阳辐照强度,所述第二目标日期的天气类型为所述对应天气类型;
当所述第一太阳辐照强度属于异常太阳辐照强度范围时,根据其中另一个目标光伏电站的历史气象数据获取在所述在第二目标日期所述其中另一个目标光伏电站的第二太阳辐照强度;
根据所述其中一个目标光伏电站的历史发电量,获取所述其中一个目标光伏电站在所述第二目标日期的发电量采样数据;
根据获取所述第一目标光伏电站在对应天气类型下的历史发电量-时间序列模型;
其中,为所述第二目标日期中采样时刻的上限,/>为所述其中一个目标光伏电站在所述第二目标日期中/>时刻的发电量采样数据,/>为预设的光伏板发电量基准值,为预先获取的天气类型为晴天且不考虑遮挡的情况下太阳辐射强度达到的最大值,/>为所述第二目标日期中/>时刻的第二太阳辐照强度,/>为光伏板的功率温度系数,/>为所述第二目标日期中的/>时刻所述其中一个目标光伏电站中光伏板的温度,/>为预设的温度阈值。
9.根据权利要求8所述的光伏电站异常识别装置,其特征在于,所述装置还包括:
电站初筛模块,被配置为:
根据每个光伏电站的历史发电量获取每个光伏电站在至少一种天气类型下的发电量曲线,并根据每个光伏电站在每种天气类型下的发电量曲线获取每个光伏电站的综合发电量曲线;
对所述多个光伏电站在对应天气类型下的发电量曲线进行聚类,和/或对所述多个光伏电站的综合发电量曲线进行聚类,并根据聚类结果在所述多个光伏电站中确定初筛异常光伏电站;
所述模型建立模块,具体被配置为:
在任一个光伏集群中确定除所述初筛异常光伏电站之外对应的第二相关性参数满足第二相关条件的第一目标光伏电站与第二目标光伏电站。
10.根据权利要求9所述的光伏电站异常识别装置,其特征在于,所述异常识别模块,具体被配置为:
对所述当前天气类型下的实时发电量-时间序列与当前天气类型下的历史发电量-时间序列模型分别进行归一化处理,并根据各自归一化处理后的结果计算欧式距离;
当计算得到的欧式距离大于或等于距离阈值时,确定所述第一目标光伏电站处于异常工作状态。
11.一种电子设备,其特征在于,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1-5中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410182454.9A CN117749089B (zh) | 2024-02-19 | 2024-02-19 | 光伏电站异常识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410182454.9A CN117749089B (zh) | 2024-02-19 | 2024-02-19 | 光伏电站异常识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117749089A CN117749089A (zh) | 2024-03-22 |
CN117749089B true CN117749089B (zh) | 2024-05-10 |
Family
ID=90277670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410182454.9A Active CN117749089B (zh) | 2024-02-19 | 2024-02-19 | 光伏电站异常识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117749089B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071178A (zh) * | 2024-04-18 | 2024-05-24 | 浙江正泰智维能源服务有限公司 | 一种用于评估电站异常状态的方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106411257A (zh) * | 2016-11-03 | 2017-02-15 | 许继集团有限公司 | 一种光伏电站状态诊断方法及装置 |
CN109919353A (zh) * | 2019-01-11 | 2019-06-21 | 杭州电子科技大学 | 一种基于空间相关性的arima模型的分布式光伏预测方法 |
CN112257941A (zh) * | 2020-10-28 | 2021-01-22 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016119181A1 (zh) * | 2015-01-29 | 2016-08-04 | 湖北民族学院 | 光伏发电***及其故障检测方法 |
-
2024
- 2024-02-19 CN CN202410182454.9A patent/CN117749089B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106411257A (zh) * | 2016-11-03 | 2017-02-15 | 许继集团有限公司 | 一种光伏电站状态诊断方法及装置 |
CN109919353A (zh) * | 2019-01-11 | 2019-06-21 | 杭州电子科技大学 | 一种基于空间相关性的arima模型的分布式光伏预测方法 |
CN112257941A (zh) * | 2020-10-28 | 2021-01-22 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117749089A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117749089B (zh) | 光伏电站异常识别方法、装置、设备及介质 | |
CN108170073B (zh) | 一种智能光伏云平台 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN103984991B (zh) | 一种基于微气象数据的分布式太阳能辐射预测方法及*** | |
CN106803128A (zh) | 光伏发电的预测方法和装置 | |
CN116191572B (zh) | 一种光伏逆变器的智能控制方法及*** | |
CN107403015A (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
CN114048896A (zh) | 光伏发电数据的预测方法、***、设备及介质 | |
CN114679133A (zh) | 基于发电预测的光伏阵列异常判断方法、介质和设备 | |
CN113675944A (zh) | 一种光伏电站智能分析决策***及方法 | |
CN117220597A (zh) | 一种光伏电站快速频率响应速率监测*** | |
CN117390403A (zh) | 一种新能源灯塔发电站的电网故障检测方法及*** | |
CN116667535A (zh) | 一种新能源模块化的微电网协调控制*** | |
JP3245325U (ja) | 太陽光発電所クラスタ監視システム | |
US11086278B2 (en) | Adaptive system monitoring using incremental regression model development | |
CN113255985A (zh) | 一种预测光伏电站发电量的方法及*** | |
CN115829168B (zh) | 基于数据分析的新能源设备远程协调运维管理*** | |
CN114741447B (zh) | 一种分布式能源站数据处理方法及装置 | |
CN116341716A (zh) | 一种基于数字孪生的智能降损方法 | |
TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
CN115545966A (zh) | 一种光伏组串电量损失分析与识别方法及其存储介质 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
CN112884360A (zh) | 分布式光伏电站综合成效评估方法、***、设备及介质 | |
Dyamond et al. | Detecting anomalous events for a grid connected pv power plant using sensor data | |
Mahmoud et al. | Classification of solar variability using K-means method for the evaluation of solar photovoltaic systems performance |
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 |