JP7312919B2 - 太陽光発電アレイの動作状態を決定する方法および装置、デバイス並びに記憶媒体 - Google Patents

Description

本開示の実施形態は、太陽光発電技術の分野に関し、特に、太陽光発電アレイの動作状態を決定する方法および装置、デバイスならびに記憶媒体に関する。

太陽電池モジュールの出力電流は、太陽光発電ストリングの出力電流の重大な不整合を引き起こす可能性があり、ひいては太陽光発電ステーションに発電損失をもたらす、部分的な日陰による遮蔽、一部の領域の深刻な埃の堆積、または一部の太陽電池アセンブリの故障等の問題が原因で、太陽光発電ステーションの実際の動作中に減少する場合がある。

関連技術では、太陽電池モジュールの温度は太陽電池モジュールの故障が原因で高すぎたり低すぎたりする場合があるので、赤外線画像の故障した太陽電池モジュールの色は他の正常な太陽電池アセンブリのそれらとは異なる。そのため、太陽電池アセンブリの画像はドローンに装備された赤外線画像取得装置によって取得してもよく、太陽光発電アレイの太陽電池モジュールの動作状態は取得された赤外線画像に基づいて決定してもよい。

しかしながら、取得された赤外線画像は、ステーションの周囲温度等の、ステーションの環境要因の影響を受けやすくなり得るので、赤外線画像における故障した太陽電池モジュールと正常な太陽電池モジュールの区別が少ないため、太陽光発電アレイの動作状態を決定する精度は低い。

本開示の実施形態は、太陽光発電アレイの動作状態を決定する方法および装置、デバイスならびに記憶媒体を提供する。

第１の態様において、太陽光発電アレイの動作状態を決定する方法が本開示の実施形態によって提供される。前記方法は、
太陽光発電アレイに含まれる太陽光発電ストリングの現在の出力電流値を取得するステップであって、前記太陽光発電アレイは並列の少なくとも２つの太陽光発電ストリングを含む前記ステップと；
前記現在の出力電流値に基づいて対象異常スコア予測モデルを決定するステップであって、異なる異常スコア予測モデルは異なる特性電流値範囲に対応し、前記太陽光発電アレイの過去の出力電流値に基づいて訓練することによって前記異常スコア予測モデルが得られる前記ステップと；
前記現在の出力電流値を前記対象異常スコア予測モデルに入力することによって、前記太陽光発電アレイに対応する現在の異常スコアを決定するステップと；
前記現在の異常スコアを対象異常スコアと比較することによって前記太陽光発電アレイの動作状態を決定するステップであって、異なる異常スコア予測モデルは異なる異常スコアに対応し、前記過去の出力電流値を前記異常スコア予測モデルに入力した後に前記異常スコアが得られる前記ステップとを含む。

第２の態様において、太陽光発電アレイの動作状態を決定する装置が本開示の実施形態によって提供される。前記装置は、
太陽光発電アレイに含まれる太陽光発電ストリングの現在の出力電流値を取得するように構成された第１の取得モジュールであって、前記太陽光発電アレイは並列の少なくとも２つの太陽光発電ストリングを含む前記第１の取得モジュールと；
前記現在の出力電流値に基づいて対象異常スコア予測モデルを決定するように構成された第１の決定モジュールであって、異なる異常スコア予測モデルは異なる特性電流値範囲に対応し、前記太陽光発電アレイの過去の出力電流値に基づいて訓練することによって前記異常スコア予測モデルが得られる前記第１の決定モジュールと；
前記現在の出力電流値を前記対象異常スコア予測モデルに入力することによって、前記太陽光発電アレイに対応する現在の異常スコアを決定するように構成された第２の決定モジュールと；
前記現在の異常スコアを対象異常スコアと比較することによって前記太陽光発電アレイの動作状態を決定するように構成された第３の決定モジュールであって、異なる異常スコア予測モデルは異なる異常スコアに対応し、前記過去の出力電流値を前記異常スコア予測モデルに入力した後に前記異常スコアが得られる前記第３の決定モジュールとを含む。

第３の態様において、プロセッサとメモリとを含むコンピュータ装置が本開示の実施形態によって提供される。前記メモリは、少なくとも１つの命令、少なくとも１つのプログラム、コードセットまたは命令セットをそこに記憶する。前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記コードセットまたは前記命令セットは、前記プロセッサによってロードされて実行されると、上記の態様による太陽光発電アレイの動作状態を決定する前記方法を前記プロセッサに実行させる。

第４の態様において、コンピュータ可読記憶媒体が本開示の実施形態によって提供される。前記コンピュータ可読記憶媒体は、少なくとも１つの命令、少なくとも１つのプログラム、コードセットまたは命令セットをそこに記憶する。前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記コードセットまたは前記命令セットは、プロセッサによってロードされて実行されると、上記の態様による太陽光発電アレイの動作状態を決定する前記方法を前記プロセッサに実行させる。

本開示の実施形態による技術的解決策は、少なくとも以下の有益な効果を達成し得る。

太陽光発電アレイに含まれる太陽光発電ストリングの現在の出力電流値が取得され、現在の出力電流値に基づいて対象異常スコア予測モデルが決定され、現在の出力電流値を対象異常スコア予測モデルに入力することによって太陽光発電アレイに対応する現在の異常スコアが出力されることで、現在の異常スコアを対象異常スコア予測モデルに対応する対象異常スコアと比較するので、比較結果に基づいて太陽光発電アレイの動作状態が決定される。リアルタイムで取得された現在の出力電流値を異常スコア予測モデルに入力することによって現在の異常スコアが出力されることで、太陽光発電アレイの現在の動作状態を決定する。関連技術における赤外線画像によって動作状態を決定する方法と比較して、現在の出力電流値は太陽光発電アレイの動作状態をリアルタイムで反映することができるので、赤外線画像への周囲温度の干渉を回避することができ、それによって太陽光発電アレイの動作状態を決定する精度を向上させる。

本開示の例示的な実施形態による実施環境の概略図を示す。 本開示の例示的な実施形態による太陽光発電アレイの動作状態を決定する方法のフローチャートを示す。 本開示の例示的な実施形態による電流閾値を決定する方法のフローチャートを示す。 本開示の例示的な実施形態による異常スコア予測モデルを決定する方法のフローチャートを示す。 本開示の例示的な実施形態による異常スコア予測モデルを構築するプロセスの概略図を示す。 本開示の例示的な実施形態による異常スコアを決定する方法のフローチャートを示す。 本開示の別の例示的な実施形態による太陽光発電アレイの動作状態を決定する方法のフローチャートを示す。 本開示のさらに別の例示的な実施形態による太陽光発電アレイの動作状態を決定する方法のフローチャートを示す。 本開示のさらに別の例示的な実施形態による太陽光発電アレイの動作状態を決定する方法のフローチャートを示す。 本開示の例示的な実施形態による太陽光発電アレイの動作状態を決定する装置の構造ブロック図を示す。 本開示の例示的な実施形態によるコンピュータ装置の概略構造図を示す。

本開示の目的、技術的解決策、および利点をより明確にするために、本開示の実施態様をさらに添付図面と組み合わせて以下に詳細に説明する。

本明細書において言及される「複数の」という用語は２つ以上を意味し、「および／または」という用語は関連する対象物の関連関係を記述するもので、３種類の関係が存在し得ることを示す。例えば、Ａおよび／またはＢは、Ａが単独で存在する、ＡおよびＢが同時に存在する、Ｂが単独で存在するという３つの状況を示すことができる。記号「／」は、前後関係の関連する対象物が「ｏｒ」の関係にあることを一般に示す。

太陽電池モジュールが故障する場合、２つの状況があり得る。１つの状況は、太陽電池モジュールが損傷を受けるかまたは太陽電池モジュールが遮蔽されることであり、太陽電池モジュール温度を上昇させる原因となる。もう１つの状況は、太陽電池モジュールがバイパスダイオードによって短絡する、すなわち、太陽電池モジュールが動作しないことであり、太陽電池モジュール温度が低いことの原因となる。正常な太陽電池モジュールと故障した太陽電池モジュールの温度差のため、関連技術では太陽電池モジュールの動作状態を決定する方法が提供される。太陽光発電ステーションの太陽電池アセンブリは、赤外線画像取得装置が装備されたドローンを用いて点検される。この方法では、太陽電池モジュールの動作状態は取得された赤外線画像に基づいて決定される。

関連技術の方法に関しては、赤外線画像は温度によって大きな影響を受けるので、太陽光発電ステーションの周囲温度が高かったり低かったりする場合、正常な太陽電池モジュールと故障した太陽電池モジュールを区別することができない可能性があり、見落としや誤警報につながり、それによって太陽電池モジュールの動作状態を決定する精度が比較的低くなる。

上記の課題を解決するため、太陽光発電アレイの動作状態を決定する方法が本開示の実施形態によって提供される。本開示の例示的な実施形態による実施環境の概略図を示す図１を参照する。実施環境は、太陽光発電アレイ１０１および監視プラットフォーム１０２を含む。

太陽光発電アレイ１０１は、並列の複数の太陽光発電ストリングによって形成された太陽光発電システムであり、単一のコンバイナーに接続されたすべての太陽光発電ストリングの集合を指す。実際の太陽光発電ステーションは、複数の太陽光発電アレイ１０１を含む。太陽光発電アレイ１０１の各太陽光発電ストリングによる電流出力は、コンバイナーによって結合されてから、インバータに送信される。通常、太陽光発電アレイには並列の８～１６個の太陽光発電ストリングが、各太陽光発電ストリングには直列の２４個の太陽電池アセンブリが存在する。本開示の実施形態では、太陽光発電アレイ１０１は、太陽光発電アレイの動作状態データを取得するセンサ、例えば太陽光発電ストリングの出力電流を取得する電流センサや変流器を備えていてもよく、取得された出力電流値を監視プラットフォーム１０２に送信してもよい。

太陽光発電アレイ１０１および監視プラットフォーム１０２は、有線または無線ネットワークを介して接続される。

監視プラットフォーム１０２は、太陽光発電アレイ１０１によって送信された現在の出力電流値の記憶、データの処理、および警報記録の生成等の機能を備えたコンピュータ装置である。コンピュータ装置は、サーバー、いくつかのサーバーからなるサーバークラスタ、またはクラウドサーバーであってもよい。本開示の実施形態では、監視プラットフォーム１０２は、太陽光発電アレイ１０１によって送信された現在の出力電流値を取得し、現在の出力電流値を事前訓練された異常スコア予測モデルに入力し、現在の出力電流値に対応する現在の異常スコアを出力し、現在の異常スコアを所定の対象異常スコアと比較することで、太陽光発電アレイの動作状態を決定することができる。任意には、監視プラットフォーム１０２は、取得された出力電流値をデータベースに記憶することで、出力電流値に基づいて異常スコア予測モデルを引き続き継続的に訓練することもできる。可能な実施態様では、太陽光発電アレイに異常な太陽光発電ストリングが存在すると決定したときは、監視プラットフォーム１０２は警報記録を生成することができるので、運用保守要員が適時に太陽光発電アレイの動作状態を知ることができ、故障があった場合、適時に太陽光発電ストリングの異常な動作状態問題を解決することができる。

明確にするため、以下の方法実施形態では、コンピュータ装置である監視プラットフォーム１０２は、単に導入および説明のための一例とみなされる。

本開示の例示的な実施形態による太陽光発電アレイの動作状態を決定する方法のフローチャートを示す図２を参照する。コンピュータ装置に適用できる方法は、本実施形態の説明のための一例とみなされ、以下のステップを含み得る。

ステップ２０１では、太陽光発電アレイに含まれる太陽光発電ストリングの現在の出力電流値が取得されるが、太陽光発電アレイは並列の少なくとも２つの太陽光発電ストリングを含む。

太陽光発電アレイは並列の複数の太陽光発電ストリングによって形成された太陽光発電システムであるので、太陽光発電アレイの動作状態を決定することは各太陽光発電ストリングの動作状態を決定することである。したがって、可能な実施態様では、取得された現在の出力電流値は、各太陽光発電ストリングに対応する現在の出力電流値を含む。

太陽光発電ストリングの現在の出力電流値に関しては、誘導コイルを採用して太陽光発電ストリングの現在の出力電流値を検出してもよく、取得された現在の出力電流値をコンピュータ装置に送信してもよい。各太陽光発電ストリングは、現在の出力電流値に対応する。同じサンプリングモーメントの現在の出力電流値の数は、太陽光発電アレイに含まれる太陽光発電ストリングの数によって決まる。例えば、太陽光発電アレイが８個の太陽光発電ストリングを含む場合、同じサンプリングモーメントに対応する現在の出力電流値は、Ｉ_１，Ｉ_２，Ｉ_３，Ｉ_４，Ｉ_５，Ｉ_６，Ｉ_７，およびＩ_８を含み得る。

ステップ２０２では、現在の出力電流値に基づいて対象異常スコア予測モデルが決定されるが、異なる異常スコア予測モデルは異なる特性電流値範囲に対応し、異常スコア予測モデルは太陽光発電アレイの過去の出力電流値に基づいて訓練することによって得られる。

複数の異常スコア予測モデルがコンピュータ装置に予め格納されている。異常スコア予測モデルは、太陽光発電アレイの過去の出力電流値に基づいて訓練することによって得られる。異なる異常スコア予測モデルは異なる特性電流値範囲に対応している。例えば、異常スコア予測モデルＡに対応する特性電流値範囲は０～２Ａ、異常スコア予測モデルＢに対応する特性電流値範囲は２～４Ａ、異常スコア予測モデルＣに対応する特性電流値範囲は４～６Ａ、などである。

任意には、訓練によって複数の異常スコア予測モデルを得るために、６ヶ月以内の太陽光発電アレイに対応する過去の出力電流値を取得して、複数の訓練サンプルを作成してもよい。

可能な実施態様では、コンピュータ装置は、現在の出力電流値を処理することによって対応する現在の特性電流値を決定し、現在の特性電流値と各異常スコア予測モデルに対応する特性電流値範囲の間の関係に従って対応する対象異常スコア予測モデルを決定する。例えば、現在の特性電流値が５Ａである場合、異常スコア予測モデルＣが対象異常スコア予測モデルとして決定される。

ステップ２０３では、現在の出力電流値を対象異常スコア予測モデルに入力することによって、太陽光発電アレイに対応する現在の異常スコアが決定される。

可能な実施態様では、対象異常スコア予測モデルが決定された後、各現在の出力電流値を対象異常スコア予測モデルに入力することによって、現在の異常スコアが出力される。

任意には、現在の出力電流値は、マトリクスの形で対象異常スコア予測モデルに入力してもよい。

ステップ２０４では、現在の異常スコアを対象異常スコアと比較することによって太陽光発電アレイの動作状態が決定されるが、異なる異常スコア予測モデルは異なる異常スコアに対応する。

対象異常スコアに関しては、過去の出力電流値を前もって対応する異常スコア予測モデルに入力してもよく、出力された異常スコアを異常スコア予測モデルに対応する標準的な異常スコア（すなわち、対象異常スコア）として決定してもよく、標準的な異常スコアは対応する異常スコア予測モデルと関連して保存される。

可能な実施態様では、現在の異常スコアが取得された後、対象異常スコア予測モデルと関連して保存される対象異常スコアと比較してもよい。予め設定された論理的関係を満たす場合は、太陽光発電アレイの動作状態は正常であることが出力される。予め設定された論理的関係を満たさない場合は、太陽光発電アレイの動作状態は異常であることが出力される。

予め設定された論理的関係は、現在の異常スコアが対象異常スコア以下であることであってもよい。

要約すると、本開示の実施形態では、太陽光発電アレイに含まれる太陽光発電ストリングの現在の出力電流値が取得され、現在の出力電流値に基づいて対象異常スコア予測モデルが決定され、現在の出力電流値を対象異常スコア予測モデルに入力することによって太陽光発電アレイに対応する現在の異常スコアが出力されることで、現在の異常スコアを対象異常スコア予測モデルに対応する対象異常スコアと比較するので、比較結果に基づいて太陽光発電アレイの動作状態が決定される。リアルタイムで取得された現在の出力電流値を異常スコア予測モデルに入力することによって現在の異常スコアが出力されることで、太陽光発電アレイの現在の動作状態を決定する。関連技術における赤外線画像によって動作状態を決定する方法と比較して、現在の出力電流値は太陽光発電アレイの動作状態をリアルタイムで反映することができるので、赤外線画像への周囲温度の干渉を回避することができ、それによって太陽光発電アレイの動作状態を決定する精度を向上させる。

可能な実施態様では、予め設定されたタイムスタンプに対応する現在の出力電流値を同時に取得して、予め設定されたタイムスタンプ電流マトリクスを作成してもよい。予め設定されたタイムスタンプに対応する異常スコア（予め設定されたタイムスタンプに含まれる各サンプリングモーメントに対応する現在の異常スコアを蓄積することによって得られる）と異常スコア閾値の間の関係を判断することによって、太陽光発電アレイの動作状態が決定される。

予め設定されたタイムスタンプはＭ個のサンプリングモーメントを含んでもよく、Ｍは１以上の整数である。

概略的には、予め設定されたタイムスタンプに対応する電流マトリクスは以下であってもよい。

ここで、Ｉ_ＭＮはＭ番目のサンプリングモーメントでのＮ番目の太陽光発電ストリングに対応する現在の電流出力値を表す。

予め設定されたタイムスタンプに対応する異常スコアを得る方法に関しては、まず、様々なサンプリングモーメントに基づいて様々な電流サブマトリクス（Ｉ_ｉで示される）に分割することができる。次に、各電流サブマトリクスに対応する現在の特性電流値を決定することで、決定された現在の特性電流値と、各異常スコア予測モデルに対応する特性電流値範囲に基づいて、各電流サブマトリクスに対応する対象異常スコア予測モデルを決定することができる。最後に、各電流サブマトリクスを対応する対象異常スコア予測モデルに入力することによって、各電流サブマトリクスに対応する現在の異常スコアＳ＝［Ｓ_１…Ｓ_Ｍ］が得られるが、Ｓ_ＭはＭ番目のサンプリングモーメントに対応する現在の異常スコアを表す。蓄積後、予め設定されたタイムスタンプに対応する異常スコアＳ_Ｔを得ることができる。

概略的には、Ｍが３であり、Ｎが８である場合は、予め設定されたタイムスタンプは３個のサンプリングモーメントに対応する現在の出力電流値を含み、各取得モーメントは８個の電流値に対応する。サンプリングモーメント１を例にとると、サンプリングモーメント１に対応する現在の出力電流値は電流サブマトリクスＩ_１＝［Ｉ_１１…Ｉ_１Ｎ］として決定されるが、Ｉ_１Ｎは１番目のサンプリングモーメントのＮ番目の太陽光発電ストリングに対応する現在の出力電流値を表す。電流サブマトリクスに対応する現在の特性電流値が決定されることで、その対応する対象異常スコア予測モデルを決定する。電流サブマトリクスを対応する対象異常スコア予測モデルに入力した後に、電流サブマトリクスに対応する現在の異常スコア（Ｓ_１で示される）が得られる。同じ方法で、他の２つのサンプリングモーメントに対応する電流サブマトリクスＩ_２およびＩ_３、ならびにそれらの対応する現在の異常スコアＳ_２およびＳ_３を得ることができる。各現在の異常スコアを蓄積することによって、予め設定されたタイムスタンプに対応する異常スコアＳ_Ｔ＝Ｓ_１＋Ｓ_２＋Ｓ_３が得られる。

異常スコア閾値を決定する方法に関しては、各サンプリングモーメントに対応する対象異常スコア予測モデルは異なることになり、異なる異常スコア予測モデルは異なる対象異常スコアに対応するので、各サンプリングモーメントに対応する対象異常スコア予測モデルが決定された後、各対象異常スコア予測モデルに対応する対象異常スコアを蓄積することによって、予め設定されたタイムスタンプ内の対応する異常スコア閾値Ｓ_{Ｔｈｒｅｓｈｏｌｄ}が得られる。例えば、対象異常スコアは１０～２０であり、対象異常スコア閾値は予め設定されたタイムスタンプに含まれるサンプリングモーメントの数に関連している。

概略的には、Ｍが３である場合、予め設定されたタイムスタンプ電流マトリクスは電流サブマトリクスＩ_１，Ｉ_２およびＩ_３に分割することができる。電流サブマトリクスＩ_１は異常スコア予測モデルＡに対応し、電流サブマトリクスＩ_２は異常スコア予測モデルＢに対応し、電流サブマトリクスＩ_３は異常スコア予測モデルＣに対応し、異常スコア予測モデルＡに対応する異常スコアはＳ_Ａであり、異常スコア予測モデルＢに対応する異常スコアはＳ_Ｂであり、異常スコア予測モデルＣに対応する異常スコアはＳ_Ｃである場合は、予め設定されたタイムスタンプ電流マトリクスに対応する異常スコア閾値はＳ_{Ｔｈｒｅｓｈｏｌｄ}＝Ｓ_Ａ＋Ｓ_Ｂ＋Ｓ_Ｃとなる。

予め設定された論理的関係に関しては、Ｓ_Ｔ≦Ｓ_{Ｔｈｒｅｓｈｏｌｄ}であってもよい。予め設定されたタイムスタンプに対応する現在の異常スコアが異常スコア閾値以下である場合は、太陽光発電アレイの動作状態が正常であることが出力される。予め設定されたタイムスタンプに対応する現在の異常スコアが対象異常スコア閾値よりも大きい場合は、太陽光発電アレイの現在の動作状態が異常であることが出力される。

任意には、特定の電流サブマトリクスに対応する現在の異常スコアが取得された後、その対応する対象異常スコアと直接比較してもよい。現在の異常スコアが対象異常スコア以下である場合は、太陽光発電アレイの動作状態は正常であることが出力される。現在の異常スコアが対象異常スコアよりも大きい場合、次のサンプリングモーメントに対応する現在の異常スコアと対象異常スコアの間の関係は、予め設定されたタイムスタンプ内の対応するサンプリングモーメントの広範な判断がすべて完了するまで継続的に判断される。予め設定されたタイムスタンプに含まれる各サンプリングモーメントに対応する現在の異常スコアがすべて対象異常スコアよりも大きい場合は、太陽光発電アレイの動作状態が異常であることが出力される。

本実施形態では、予め設定されたタイムスタンプ電流マトリクスを作成するために、予め設定されたタイムスタンプ内の対応する現在の出力電流値が取得され、予め設定されたタイムスタンプに含まれる各サンプリングモーメントに対応する現在の出力電流値を分析することによって、各サンプリングモーメントに対応する対象異常スコア予測モデルが決定されるため、各サンプリングモーメントに対応する現在の出力電流値を対象異常スコア予測モデルに入力することによって、各サンプリングモーメントに対応する現在の異常スコアが得られ、各現在の異常スコアを蓄積することによって、予め設定されたタイムスタンプに対応する異常スコアが得られ、異常スコア閾値と比較される。予め設定された論理関係を満たす場合は、現在の太陽光発電アレイの動作状態が正常であることが出力される。そうでない場合は、太陽光発電アレイの動作状態が異常であることが出力される。予め設定されたタイムスタンプ内の現在の出力電流値を取得することによって、太陽光発電アレイの動作状態が決定されることにより、太陽光発電アレイの動作状態を決定する効率を向上させることができる。

可能な実施態様では、太陽光発電アレイに対応する取得された過去の出力電流値に基づいて訓練することによって、異常スコア予測モデルが取得される。過去の出力電流値には若干の異常または無効なデータが存在する可能性があるので、例えば、夜間の電流データ（無効なデータ）、またはコンバイナーが故障した（すなわち出力電流値を取得する機器が故障した）時に取得された電流データ（異常なデータ）は、すべて訓練によって得られた異常スコア予測モデルの精度に影響を及ぼすことになる。したがって、決定された異常スコア予測モデルの精度を向上させるために、取得された過去の出力電流値は一定のデータ品質ルールに従ってフィルタリングして処理する必要がある。本実施形態は、過去の出力電流値内の仮想的に高い電流値をフィルタリングすることを目的とする、電流閾値を決定する方法のプロセスを説明することに重点を置いている。

概略的には、図３は、本開示の例示的な実施形態による電流閾値を決定する方法のフローチャートを示す。本方法は、以下のステップを含む。

ステップ３０１では、予め設定された時間内の太陽光発電アレイの過去の動作状態データが取得される。

過去の動作状態データは、太陽光発電ストリングの過去の出力電流値、太陽光発電ストリングに対応する過去の放射照度、太陽光発電ストリングが位置する環境の過去の周囲温度および過去の風速を含む。

予め設定された時間は、最近６ヶ月、または最近１年であってもよい。

可能な実施態様では、最近６ヶ月以内の太陽光発電アレイの過去の出力電流値、過去の放射照度、過去の周囲温度、過去の風速などを取得してもよい。過去の出力電流値を取得する方法に関しては、上記実施形態を参照されたく、本実施形態では繰り返さない。過去の周囲温度および過去の風速は、それぞれ太陽光発電ステーションに設置された温度センサおよび風速計によって取得してもよい。

太陽光発電ストリングに対応する過去の放射照度は、太陽光発電ステーションに備えられた照射器によって取得することができる。照射器の設置態様は、水平設置（すなわち、水平照射器）であってもよい。水平照射器によって取得された放射照度データは、太陽光発電アレイの傾斜角に対応する放射照度データに変換される必要がある。太陽光発電アレイと同じ傾斜角および同じ方向の設置態様（傾斜照射器）も採用してもよい。この設置態様によって取得された放射照度は、太陽光発電ストリングに対応する放射照度である。可能な実施態様では、コンピュータ装置は、６ヶ月以内に照射器によって取得された過去の放射照度データを収集し、それらを電流閾値のその後の決定のために対応するデータベースに保存する。

任意には、過去の動作状態データは、予め設定されたサンプリング周波数に基づいて取得してもよい。例えば、予め設定されたサンプリング周波数は５分である。サンプリング周波数は、予め設定された出力電流値を取得するためのサンプリング周波数と同じであってもよい。

ステップ３０２では、最大放射照度、最大風速および最大周囲温度に基づいて、太陽光発電アレイに対応する太陽電池モジュール温度が計算される。

最大放射照度は、過去の放射照度によって決定される。すなわち、サンプリング期間内のすべての過去の放射照度の最大値が最大放射照度とみなされる。最大周囲温度は、過去の周囲温度によって決定される。すなわち、サンプリング期間内のすべての過去の周囲温度の最大値が最大周囲温度とみなされる。最大風速は、過去の風速によって決定される。すなわち、サンプリング期間内のすべての過去の風速の最大値が最大風速とみなされる。

概略的には、放射照度、風速、周囲温度および太陽電池モジュール温度間の関係は以下のように表すことができる。

ここで、Ｔ_ｍは太陽電池モジュール温度（太陽電池モジュールのバックパネルの温度）であり、Ｇ_ＰＯＡは（太陽光発電アレイの傾斜角に対応する）放射照度であり、Ｗ_ｓは太陽電池モジュールが位置する環境の風速であり、Ｔ_ａは太陽電池モジュールが位置する環境の周囲温度を表し、ａおよびｂは定数である。ａおよびｂの値は、太陽電池モジュールの種類および設置態様によって異なる。特定値に関しては、表１を参照されたい。

可能な実施態様では、太陽電池モジュール温度Ｔ_ｍは、取得された最大風速、最大周囲温度、および最大放射照度を式（１）に代入することによって得られる。

ステップ３０３では、太陽電池モジュール温度および最大放射照度に基づいて、太陽光発電アレイに対応する第１の最大出力電流値が計算されるが、第１の最大出力電流値は最大放射照度下の太陽光発電ストリングの出力電流値である。

概略的には、出力電流、太陽電池モジュール温度、および放射照度間の関係は以下のように表すことができる。

ここで、Ｉ_１は出力電流であり、Ｉ_{ｐｈ，ｓｔｃ}は標準試験条件下の出力電流であり、Ｇ_ＰＯＡは傾斜放射照度であり、βは太陽電池モジュールの電流温度上昇係数であり、Ｔ_ｍは太陽電池モジュール温度（太陽電池モジュールのバックパネルの温度）であり、Ｔ_ｓｔｃは標準試験条件下の温度、すなわち２５℃である。

標準試験条件（ＳＴＣ）は、太陽光発電分野で容認された太陽電池アセンブリの試験標準、すなわち、１．５、１０００Ｗ／ｍ^２、２５℃を指す。１．５は、エア・マス（ＡＭ）が１．５である、すなわち、大気を通過する光の実際の距離が大気の鉛直厚さの１．５倍であることを指す。１０００Ｗ／ｍ^２は、標準試験下の太陽の放射照度である。２５℃は、太陽電池モジュールが２５℃で動作することを指す。

可能な実施態様では、Ｉ_{ｐｈ，ｓｔｃ}，β，Ｔ_ｓｔｃ等はデフォルト値であるので、太陽光発電アレイに対応する第１の最大出力電流値Ｉ_１はステップ３０２で取得された太陽電池モジュール温度Ｔ_ｍおよび最大放射照度を式（２）に代入することによって得ることができる。

ステップ３０４では、定格設備容量および最大システム電圧に基づいて、太陽光発電アレイに対応する第２の最大出力電流値が計算されるが、第２の最大出力電流値はコンバイナーによって太陽光発電ストリングが入力することができる最大電流値である。

定格設備容量は、太陽光発電アレイに接続されたコンバイナーの定格電力である。最大システム電圧は、コンバイナーに接続されたインバータのシステム電圧である。

概略的には、定格設備容量、最大システム電圧および第２の最大出力電流間の関係は以下のように表すことができる。

ここで、Ｐ_{ｃｂｘ，ｒａｔｅｄ}はコンバイナーの定格設備容量であり、Ｖ_{ｉｎｖ．ｍａｘ＿ｓｙｓｔｅｍ}はインバータの最大システム電圧であり、Ｉ_２は第２の最大出力電流である。式（３）から、第２の最大出力電流は太陽光発電アレイの過去の動作データと関連がないことがわかるであろう。すなわち、同じコンバイナーに関しては、第２の最大出力電流が固定される。

可能な実施態様では、コンバイナーの定格設備容量およびインバータの最大システム電圧に基づいて計算することによって、第２の最大出力電流値、すなわちＩ_２を得てもよい。

ステップ３０５では、第１の最大出力電流値および第２の最大出力電流値の最小値が電流閾値として決定される。

可能な実施態様では、第１の最大出力電流値および第２の最大出力電流値の最小値が電流閾値として決定される。例えば、電流閾値は１０Ａであってもよい。太陽光発電ストリングの取得された出力電流値が電流閾値よりも高い場合は、太陽光発電ストリングに対応する出力電流値が仮想的に高いことを表す。電流値が仮想的に高いことの理由は、太陽光発電ストリングの故障の範囲に属さない、コンバイナー装置に関する問題や、太陽光発電ストリングの電流を検出する誘導コイルの故障である可能性がある。したがって、仮想的に高い電流値を除去するために、決定された電流閾値に基づいて過去の動作状態データをフィルタリングすることが必要である。

概略的には、電流閾値はＩ_{ｔｈｒｅｓｈｏｌｄ}で表すことができる。電流閾値、第１の最大出力電流値Ｉ_１および第２の最大出力電流値Ｉ_２間の関係は、（Ｉ_１およびＩ_２の最小値をとって）以下のように表すことができる。

概略的には、Ｉ_１＝１０ＡおよびＩ_２＝１０．５Ａとすると、電流閾値Ｉ_{ｔｈｒｅｓｈｏｌｄ}＝１０Ａとなる。

本実施形態では、分析によって太陽光発電アレイに対応する電流閾値を得るために、予め設定された時間内の太陽光発電アレイに対応する過去の動作状態データが取得されて、予め設定されたデータ品質ルールに従って過去の動作状態データをフィルタリングして処理するようになっており、それによって訓練によって得られる異常スコア予測モデルの精度を向上させる。

可能な実施態様では、上記の実施形態において取得された電流閾値に基づいて、予め設定された時間内に取得された過去の出力電流値が前処理された後、フィルタリングされた過去の出力電流値に基づいて異常スコア予測モデルを訓練してもよい。本実施形態は、フィルタリングされた過去の出力電流値に基づいて訓練することによって異常スコア予測モデルを得る方法を説明することに重点を置いている。

概略的には、図４は、本開示の例示的な実施形態による異常スコア予測モデルを決定する方法のフローチャートを示す。本方法は以下のステップを含む。

ステップ４０１では、電流閾値に基づいて過去の出力電流値をフィルタリングすることによって、フィルタリングされた過去の出力電流値が得られるが、フィルタリングされた過去の出力電流値は電流閾値以下である。

可能な実施態様では、過去の出力電流値は予め設定されたデータ品質ルールに従ってフィルタリングしてもよい。データ品質ルールは、夜間のデータの除去（例えば、午前７時以前および午後６時以降のデータの除去）、繰り返されるタイムスタンプデータの除去、電流閾値を超えたデータの除去、コンバイナーが接続されていない（コンバイナーが停止している）時間内のデータの除去、スタックデータ（スタックデータは予め設定された時間を超えて、例えば、１０分以上データがリフレッシュされてないことを指す）の除去、放射照度が２０Ｗ／ｍ^２未満のデータの除去、空白値の補充などを含み得る。

電流閾値を超えたデータを除去した後、取得モーメントに対応する電流空白値を補充する必要がある。空白値に対応する取得モーメント前後の有効時点の電流平均を空白値の代わりの充填値とみなすことができる。例えば、１０：０５：００に対応する電流値は１８Ａであり、電流閾値１０Ａよりも大きい。１０：００：００に取得された電流値は６．７Ａであり、電流閾値１０Ａよりも小さい。１０：１０：００に取得された電流値は６．９Ａであり、やはり電流閾値１０Ａよりも小さい。そうすると、６．８Ａの電流平均を１０：０５：００に対応する出力電流値とみなすことができる。

可能な実施態様では、予め設定されたデータ品質ルールによって処理された後の過去の出力電流値は、異常スコア予測モデルを訓練するための基本データとして決定される。

ステップ４０２では、フィルタリングされた過去の出力電流値に基づいて過去の特性電流値が決定されるが、過去の特性電流値は、太陽光発電アレイの各取得モーメントに対応する過去の電流特性を特徴付ける。

１日の様々な取得モーメントに対応する過去の出力電流値の違いのため、より正確に訓練することによって各取得モーメントに対応する異常スコア予測モデルを得るために、各取得モーメントに対応する過去の特性電流値に基づいて過去の出力電流値を分割してもよい。同じ特性電流値範囲を満たすデータは、異常スコア予測モデルを訓練するための基本データとみなされる。例えば、過去の出力電流値の０～２Ａは訓練サンプルＡ１として分割され、過去の出力電流値の２～４Ａは訓練サンプルＡ２として分割され、過去の出力電流値の４～６Ａは訓練サンプルＡ３として分割される、などである。過去の出力電流値は、過去の特性電流値に基づいて様々なレベル（すなわち、様々な訓練サンプル）に分割してもよい。

訓練サンプルを分割するための基準の取得に関しては、可能な実施態様では、過去の特性電流値に基づいて分割が実行される。過去の特性電流値を決定する方法は以下の通りであってもよい。６ヶ月の予め設定された時間、１分のサンプリング時間間隔、および８個の太陽光発電ストリングを含む太陽光発電アレイを例にとると、同じ取得モーメントの同じ太陽光発電ストリングに対応する６×３０×１２×６０個の過去の出力電流値が存在する。まず第一に、これらの１２９，６００個の過去の出力電流値に関しては、Ｋパーセンタイルに対応する過去の出力電流値が取得モーメントの太陽光発電ストリングに対応する過去の出力電流値とみなされるが、Ｋは５０よりも大きな整数である。すなわち、中央値を上回る過去の出力電流値がとられる。上記のステップによると、同じ太陽光発電ストリングの１日の各取得モーメントに対応する過去の出力電流値を決定することができる。同じ方法で、すべての太陽光発電ストリングの各取得モーメントに対応する過去の出力電流値を得ることができる。

概略的には、すべての太陽光発電ストリングの１日の各取得モーメントに対応する過去の出力電流値は、以下のようにマトリクスの形で表すことができる。

ここで、Ｉ_Ｔは過去の出力電流値のマトリクスを表し、Ｉ_ｉｊはｉ番目のサンプリングモーメントのｊ番目の太陽光発電ストリングに対応する過去の出力電流値を表す。

可能な実施態様では、過去の出力電流値のマトリクスが取得された後、複数の過去の特性電流値Ｉ_ｔｉをそこから抽出してもよい。過去の特性電流値を抽出する方法は、同じサンプリングモーメントに対応する複数の分流値（すなわち、各太陽光発電ストリングに対応する過去の出力電流値）に関しては、Ｋパーセンタイルに対応する過去の出力電流値を取得モーメントに対応する過去の特性電流値とみなすが、Ｋは５０以下の整数である方法であってもよい。すなわち、中央値を上回る過去の出力電流値がとられる。同じ方法で、各サンプリングモーメントに対応する過去の特性電流値を得ることができる。

概略的には、得られた過去の特性電流値の集合はＩ_Ｋ＝［Ｉ_ｔ１…Ｉ_ｔｉ Ｉ_{ｔ（ｉ＋１）}］となり得るが、Ｉ_ｔｉはｉ番目のサンプリングモーメントに対応する過去の特性電流値を表す。

ステップ４０３では、過去の特性電流値に基づいてフィルタリングされた過去の出力電流値を分割することによって、少なくとも１つの訓練サンプルが決定されるが、異なる訓練サンプルに含まれる過去の出力電流値は異なる特性電流値範囲に対応し、特性電流値範囲は過去の特性電流値に基づいて決定される。

可能な実施態様では、各サンプリングモーメントに対応する過去の特性電流値が決定された後、訓練によって少なくとも１つの異常スコア予測モデルを得るために、過去の特性電流値に基づいてフィルタリングされた過去の出力電流値を分割することによって、少なくとも１つの訓練サンプルが決定される。

過去の特性電流値に基づいてフィルタリングされた過去の出力電流値を分割する方法に関しては、可能な実施態様では、まず、得られた過去の特性電流値を昇順に配列し、２つの隣接する過去の特性電流値を特性電流値範囲とみなすことによって、複数の特性電流値範囲が得られる。特性電流値範囲を満たす過去の出力電流値を訓練サンプルとして決定することによって、複数の訓練サンプルが得られる。異なる訓練サンプルは、異なる特性電流値範囲に対応している。

概略的には、過去の特性電流値がＩ_Ｋ＝［Ｉ_ｔ１…Ｉ_ｔｉ Ｉ_{ｔ（ｉ＋１）}］であり、Ｉ_ｔｉ＜Ｉ_{ｔ（ｉ＋１）}であるとすると、訓練サンプルはＩ_Ｋｉ＝［Ｉ_１ Ｉ_２…Ｉ_ｎ］となるが、訓練サンプルＩ_Ｋｉ∈［Ｉ_ｔｉ，Ｉ_{ｔ（ｉ＋１）}］は、訓練サンプルＩ_Ｋｉの過去の出力電流値はすべてＩ_ｔｉ～Ｉ_{ｔ（ｉ＋１）}の特性電流値範囲の範囲内であることを表している。

ステップ４０４では、訓練サンプルに基づいて異常スコア予測モデルが訓練される。

可能な実施態様では、異常スコア予測モデルは分離フォレストアルゴリズムを採用する。複数の訓練サンプルが決定された後、訓練サンプルに基づいて異常スコア予測モデルを訓練してもよい。

可能な実施態様では、以下のステップに基づいて訓練することによって、異常スコア予測モデルを得てもよい。

１．訓練サンプルＩ_Ｋｉが取得され、Ψ個のサンプルデータがバイナリツリーを構築するためのサブサンプルとして訓練サンプルＩ_Ｋｉからランダムに選択される。

異常スコア予測モデルは複数のバイナリツリーから構成されるので、異常スコア予測モデルを訓練するプロセスでは、各々のバイナリツリーを構築する必要がある。すなわち、訓練サンプルは、それぞれバイナリツリーを構築するための複数のサブサンプルに各バイナリツリーに従って分割する必要がある。実験では、１００個のバイナリツリーが異常スコア予測モデルに存在し、サブサンプルに含まれるデータ量が２５６である場合、得られた異常スコア予測モデルはより良い予測結果をもたらし得るということが示されている。

概略的には、訓練サンプルＩ_ＫｉからサブサンプルＡとして２５６個のサンプルデータがランダムに選択されてもよく、サブサンプルＡに基づいて第１のバイナリツリーを構築してもよい。

任意には、サブサンプルのデータ量および異常スコア予測モデルに含まれるバイナリツリーの数は、必要に応じて運用保守要員によって設定してもよく、本実施形態では限定されない。

２．サブサンプルに含まれる過去の出力電流値の最大値および最小値間の値は、境界特性値Ｉ_Ｐとしてランダムに生成される。

可能な実施態様では、過去の出力電流値はバイナリツリーの各ノードを分割するための特徴とみなしてもよく、ノード上の過去の出力電流値の最大値および最小値間の値は境界特性値としてランダムに選択してもよい。

概略的には、図５に示すように、訓練サブサンプルが第１のバイナリツリーを構築するための４個のサンプルデータＩ_ＫＡ＝［Ｉ_１ Ｉ_２ Ｉ_３ Ｉ_４］を含む場合、値Ｉ_Ｐは境界特性値としてサンプルデータの最大値および最小値からランダムに選択される。

３．境界特性値Ｉ_Ｐに基づいて電流ノードデータが分割される。Ｉ_Ｐ未満のノードデータは左子ノードとして分割され、Ｉ_Ｐ以上のノードデータは右子ノードとして分割される。

概略的には、図５に示すように、訓練サブサンプルに含まれる過去の出力電流値がＩ_Ｐ未満である場合は、左子ノードとして分割される。訓練サブサンプルの過去の出力電流値がＩ_Ｐ以上である場合は、右子ノードとして分割される。例えば、Ｉ_１がＩ_Ｐ未満である場合は、左子ノードとして分割される。Ｉ_２，Ｉ_３，およびＩ_４がＩ_Ｐ以上である場合は、右子ノードとして分割される。

４．上記のステップ２～３がそれぞれノードの左子ノードおよび右子ノードに実行されて、予め設定された条件が満たされるまで継続的に新たな葉ノードを構築すると、訓練は終了し、バイナリツリーが生成される。

予め設定された条件は、（１）現在のバイナリツリーが予め設定された深さに達しているか否か、（２）サンプルデータのうちの１個だけが子ノードに存在する、（３）子ノードのサンプルデータが同じ特性を有する、を含み得る。

概略的には、図５に示すように、右子ノードは３個の訓練サンプルデータ（Ｉ_２，Ｉ_３，Ｉ_４）をさらに含み、これらの３個の訓練サンプルデータは異なる特性を有し、分割を継続的に行ってもよい。しかしながら、左子ノードは１個の訓練サンプルデータ（Ｉ_１）のみを含み、分割を継続することはできない。右子ノードに関しては、上記のステップ２および３に従って分割を継続的に行ってもよい。例えば、バイナリツリーが上記の予め設定された条件を満たしていると判断されるまで、Ｉ_３は左子ノードとして分割され、Ｉ_２およびＩ_４は右子ノードとして分割されるなどであり、その後訓練が終了し、バイナリツリーが生成される。

５．ステップ２～４に従って第２のバイナリツリーを構築するためのサブサンプルとして、Ψ個のサンプルデータが訓練サンプルＩ_Ｋｉから再びランダムに選択される。

可能な実施態様では、バイナリツリーが生成された後、訓練サブサンプルが訓練サンプルＩ_Ｋｉから再びランダムに選択される。例えば、訓練サブサンプルＩ_ＫＢ＝［Ｉ_５ Ｉ_６ Ｉ_７ Ｉ_８］，Ｉ_ＫＣ＝［Ｉ_９ Ｉ_１０ Ｉ_１１ Ｉ_１２］，Ｉ_ＫＤ＝［Ｉ_１３ Ｉ_１４ Ｉ_１５ Ｉ_１６］などがランダムに選択され、複数のバイナリツリーが各訓練サブサンプルに基づいて生成される。

６．バイナリツリーの数が予め設定された数を満たすと、複数の構築されたバイナリツリーに基づいて異常スコア予測モデルが形成される。

可能な実施態様では、構築されたバイナリツリーの数が数閾値を満たし、例えば、予め設定された数が１００である場合、異常スコア予測モデルは１００個の構築されたバイナリツリーに基づいて形成される。

任意には、上記の実施形態は、異常スコア予測モデルを訓練するプロセスを説明しているだけである。フィルタリングされた過去の出力電流値は過去の特性電流値に基づいて複数の訓練サンプルに分割されるので、上記のステップ１～６に従って複数の異常スコア予測モデルの訓練を実現することができる。

任意には、過去の出力電流値は継続的に更新されるので、更新された過去の出力電流値を用いていつでも異常スコア予測モデルを再訓練することができる。

本実施形態では、異常スコア予測モデルの精度への影響を回避するために、取得された出力電流値を電流閾値に基づいてフィルタリングして仮想的に高い電流値を除去する。さらに、異常スコア予測モデルは、訓練サンプルの分離されたデータ点を効果的に識別することができる分離フォレストアルゴリズムを採用している。

可能な実施態様では、異常スコア予測モデルの訓練が完了した後、訓練サンプルＩ_Ｋｉを異常スコア予測モデルに再び入力することによって、異常スコア予測モデルに対応する異常スコアを得ることができる。

本開示の例示的な実施形態による異常スコアを決定する方法のフローチャートを示す図６を参照する。本方法は、以下のステップを含む。

ステップ６０１では、訓練サンプルをＳ個のバイナリツリーにそれぞれ入力することによって、訓練サンプルに対応するＳ個のパス長が得られる。

可能な実施態様では、Ｓ個のバイナリツリーが異常スコア予測モデルに存在することが設定され、訓練サンプルを対応する異常スコア予測モデルに入力することによって、訓練サンプルに対応するＳ個のパス長、すなわち、各バイナリツリーの訓練サンプルのパス長が得られ、その後Ｓ個のパス長は記録される。

ステップ６０２では、Ｓ個のパス長に基づいて訓練サンプルに対応する異常スコアが計算される。

概略的には、パス長および異常スコア間の関係は以下のように表すことができる。

ここで、Ｓ（χ，Ψ）は訓練サンプルに対応する異常スコアであり、ｃ（Ψ）は異常スコア予測モデルの各バイナリツリーの平均パス長であり、ｈ（χ）は各バイナリツリーの訓練サンプルのパス長であり、Ｅは平均である。

バイナリツリーの平均パス長ｃ（Ψ）に関しては、以下の関係が満たされ得る。

ここで、Ψは訓練サンプルに含まれるサンプルデータ量であり、Ｈ（Ψ－１）は高調波次数であり、Ｈ（Ψ－１）＝ｌｎ^{（Ψ－１）}＋ζ，オイラー定数ζ＝０．５７７２１５６６４９として推定することができる。

可能な実施態様では、訓練サンプルを対応する異常スコア予測モデルに入力することによって、Ｓ個のパス長、すなわち、ｈ（χ）が得られる。Ｓ個のパス長の平均値を求めて式（４）に代入されるＥ（ｈ（χ））を得て、訓練サンプルに対応する異常スコア、すなわち、異常スコア予測モデルに対応する異常スコア（標準的な異常スコア）を計算する。

本実施形態では、訓練サンプルを対応する異常スコア予測モデルに入力することによって、Ｓ個のバイナリツリーの訓練サンプルのパス長を得ることができ、Ｓ個のパス長に基づいて計算することによって、異常スコア予測モデルに対応する異常スコアを得ることで、現在の異常スコアと比較された後に、太陽光発電アレイの動作状態を決定することができる。

可能な実施態様では、偶発的要素に起因する誤警報をなくすために、Ｎ個の連続サンプリングモーメントに対応する現在の異常スコアを判断することで、警報精度を向上させなければならない。

本開示の別の例示的な実施形態による太陽光発電アレイの動作状態を決定する方法のフローチャートを示す図７を参照する。本実施形態では、コンピュータ装置に適用できる方法を説明のための例にとる。本方法は、以下のステップを含む。

ステップ７０１では、太陽光発電アレイに含まれる太陽光発電ストリングの現在の出力電流値が取得されるが、太陽光発電アレイは並列の少なくとも２つの太陽光発電ストリングを含む。

このステップの実施態様に関しては、ステップ２０１を参照されたく、本実施形態では繰り返さない。

ステップ７０２では、現在の出力電流値に基づいて対象異常スコア予測モデルが決定されるが、異なる異常スコア予測モデルは異なる特性電流値範囲に対応し、太陽光発電アレイの過去の出力電流値に基づいて訓練することによって異常スコア予測モデルが得られる。

ストリングの出力電流を検出するコンバイナー装置または誘導コイルが故障した場合、取得された現在の出力電流値は仮想的に高くなる。取得された現在の出力電流値に仮想的に高い電流値が存在する場合、決定された現在の異常スコアは高くなり、太陽光発電アレイの動作状態の判断に影響を及ぼすことになる。したがって、現在の特性電流値を対象異常スコア予測モデルに入力する前に、現在の出力電流値は前処理する、例えば、現在の出力電流値の中の仮想的に高い電流値を除去する必要がある。

概略的には、図８に示すように、ステップ７０２は、ステップ７０２Ａ，ステップ７０２Ｂ，およびステップ７０２Ｃを含み得る。

ステップ７０２Ａでは、電流閾値に基づいて現在の出力電流値をフィルタリングすることによって、フィルタリングされた現在の出力電流値が得られるが、電流閾値は太陽光発電アレイの過去の動作状態データによって決定され、フィルタリングされた現在の出力電流値は電流閾値以下である。

電流閾値を決定する方法に関しては、上記の実施形態を参照されたく、本実施形態では繰り返さない。

可能な実施態様では、複数の現在の出力電流値が同じ取得モーメントで取得され、複数の現在の出力電流値が電流閾値に基づいてフィルタリングされる。すなわち、電流閾値よりも大きい現在の出力電流値は除去されて、空白値を充填する必要がない。

概略的には、例えば、取得された現在の出力電流値はＩ_１＝６．３Ａ，Ｉ_２＝７Ａ，Ｉ_３＝６．５Ａ，Ｉ_４＝６．４Ａ，Ｉ_５＝６．７Ａ，Ｉ_６＝７Ａ，Ｉ_７＝１８Ａ，Ｉ_８＝６．９Ａであってもよく、電流閾値はＩ_{ｔｈｒｅｓｈｏｌｄ}＝１０Ａである。現在の出力電流値は、電流閾値および現在の出力電流値間の関係に応じてフィルタリングすることができる。Ｉ_７＞Ｉ_{ｔｈｒｅｓｈｏｌｄ}であるので、Ｉ_７に対応する現在の出力電流値は除去される。

リアルタイムで取得された現在の出力電流値に関しては、仮想的に高い電流値が除去された後、空白値が存在する場合、空白値を充填する必要はない。残っている現在の出力電流値だけは引き続き分析する必要がある。また、仮想的に高い電流値が存在する場合、例えばコンバイナー装置の故障警報、誘導コイルの故障警報等の他の警報が発せられることになるが、これらは本開示の太陽光発電アレイの故障警報とは関連がない。

ステップ７０２Ｂでは、フィルタリングされた現在の出力電流値のＫパーセンタイルが現在の特性電流値として決定されるが、Ｋは５０以上の整数であり、現在の特性電流値は現在の取得モーメントの太陽光発電アレイに対応する現在の電流特性を特徴付ける。

可能な実施態様では、仮想的に高い電流値が除去された現在の出力電流値のＫパーセンタイルが、現在の特性電流値として決定される。デフォルトでは、Ｋが５０以上の整数である場合、得られた現在の特性電流値は現在の取得モーメントの太陽光発電アレイに対応する現在の電流特性を特徴付ける。

概略的には、フィルタリングされた現在の出力電流値がＩ_１＝６．３Ａ，Ｉ_２＝７Ａ，Ｉ_３＝６．５Ａ，Ｉ_４＝６．４Ａ，Ｉ_５＝６．７Ａ，Ｉ_６＝７Ａ，Ｉ_８＝６．９Ａである場合は、現在の出力電流値は順序正しく並べられる。現在の特性電流値Ｉ_Ｋ＝６．７Ａを得るために、中央値（Ｋ＝５０）がとられる。

ステップ７０２Ｃでは、現在の特性電流値に基づいて対象異常スコア予測モデルが決定されるが、現在の特性電流値は、対象異常スコア予測モデルに対応する対象特性電流値範囲内にある。

可能な実施態様では、現在の取得モーメントに対応する現在の特性電流値が取得された後、現在の特性電流値に基づいて対象異常スコア予測モデルを決定してもよい。現在の特性電流値は、対象異常スコア予測モデルに対応する対象特性電流値範囲内にある。

概略的には、現在の特性電流値が６．７Ａであり、異常スコア予測モデルＤに対応する特性電流値範囲が６～８Ａである場合、異常スコア予測モデルＤは対象異常スコア予測モデルとして決定される。

ステップ７０３では、現在の出力電流値を対象異常スコア予測モデルに入力することによって、太陽光発電アレイに対応する現在の異常スコアが決定される。

可能な実施態様では、対象異常スコア予測モデルが決定された後、現在の出力電流値を対象異常スコア予測モデルに入力される試験サンプルとみなすことで、電流取得モーメントの太陽光発電アレイに対応する現在の異常スコアを出力することができる。

概略的には、現在の異常スコアを決定するプロセスは以下のステップを含み得る。

１．試験サンプルをＳ個のバイナリツリーにそれぞれ入力することによって、試験サンプルに対応するＳ個のパス長が得られる。

２．Ｓ個のパス長に基づいて試験サンプルに対応する現在の異常スコアが計算される。

現在の異常スコアを決定する実施態様に関しては、上記の実施形態を参照されたく、本実施形態では繰り返さない。

ステップ７０４では、現在の異常スコアが対象異常スコア以下であることを受けて、太陽光発電アレイの動作状態が正常であることが決定される。

可能な実施態様では、現在の異常スコアが対象異常スコア以下である場合は、現在の出力電流値の偏差が小さく、基本的に分離電流値が存在しないことを表し、太陽光発電アレイの動作状態は正常であると決定される。

ステップ７０５では、現在の異常スコアが対象異常スコアよりも大きいことを受けて、Ｎ個の連続サンプリングモーメントに対応する現在の異常スコアが取得されるが、Ｎは１以上の整数である。

可能な実施態様では、現在の異常スコアが対象異常スコアよりも大きい場合は、現在の出力電流値の偏差が大きく、分離電流値が存在することを表し、異常な太陽光発電ストリングが存在する可能性がある。偶発的要素の影響を回避するために、複数の連続サンプリングモーメントに対応する現在の異常スコアを取得し、現在の異常スコアを対象異常スコアと比較することが必要である。

ステップ７０６では、少なくともＭ個の連続サンプリングモーメントに対応する現在の異常スコアが対象異常スコアよりも大きいことを受けて、太陽光発電アレイの動作状態が異常であることが決定されるが、Ｍは１以上の整数であり、ＭはＮ以下である。

可能な実施態様では、Ｎ個の連続サンプリングモーメントに対応する取得された現在の異常スコアの中で、Ｍ個の連続サンプリングモーメントに対応する現在の異常スコアがすべて対象異常スコアよりも大きい場合は、太陽光発電アレイの動作状態は異常であると決定される。

概略的には、現在のサンプリングモーメントがモーメントａであり、取得モーメントａに対応する現在の異常スコアが現在の対象異常スコアよりも大きい場合は、モーメントａは第１の異常モーメントｔ_１として指定され、次の取得モーメント（モーメントａ＋１）の現在の異常スコアと対象異常スコアの間の関係が継続的に判断される。モーメントａ＋１に対応する現在の異常スコアも対象異常スコアよりも大きい場合、モーメントａ＋１は第２の異常モーメントｔ_２として指定され、上記の判断ステップが繰り返される。Ｍ個の連続サンプリングモーメントに対応する現在の異常スコアがすべて対象異常スコアよりも大きい場合は、異常な太陽光発電ストリングが太陽光発電アレイに存在すると判断される。

Ｍ個の連続サンプリングモーメントに対応する時間は、ｉ番目の異常モーメントと第１の異常モーメントの間の時間差であり得る。すなわち、異常な太陽光発電ストリングが太陽光発電アレイに存在すると出力する前にｔ_ｉ－ｔ_１≧Ｔ_ｔｓを満たす必要があるが、ここで、ｔ_ｉは第１の異常モーメントであり、ｔ_ｉはｉ番目の異常モーメントであり、Ｔ_ｔｓは時間閾値である。

任意には、連続異常モーメントが時間閾値未満である場合、太陽光発電アレイの動作状態は正常であると出力しなければならない。

任意には、時間閾値は必要に応じて運用保守要員によって設定してもよい。例えば、時間閾値は１５分または６０分であってもよい。

本実施形態では、現在の異常スコアの決定上で仮想的に高い電流値の影響を除去するために、リアルタイムで取得された現在の電流出力値が電流閾値によってフィルタリングされる。さらに、時間閾値を設定することによって、予め設定された時間内の現在の異常スコアがすべて対象異常スコアよりも大きい時だけ、太陽光発電ストリング異常警報が発せられることになり、偶発的要素に起因する誤警報を回避するとともに、警報精度を向上させることができる。

可能な実施態様では、太陽光発電アレイが故障していると判断されると、コンピュータ装置は警報記録を生成することもできるので、運用保守要員は警報記録に基づいて太陽光発電アレイに存在する異常な太陽光発電ストリングを識別し、オフラインで異常な太陽光発電ストリングを点検し、太陽光発電ストリングの動作状態が異常である問題を適時に解決することができる。

１．Ｍ個の連続サンプリングモーメントに対応する現在の出力電流値の最小出力電流値が決定される。

異常な太陽光発電ストリングが太陽光発電アレイに存在すると判断された場合、Ｍ個の連続サンプリングモーメントに対応する現在の出力電流値に基づいて、複数の最小出力電流値を決定することができる。例えば、Ｍが３である場合は、各サンプリングモーメントに対応する現在の出力電流値の最小電流値が決定され、３個の連続サンプリングモーメントが３個の最小出力電流値に対応する。

２．最小出力電流値に対応する太陽光発電ストリングが異常な太陽光発電ストリングとして決定される。

出力電流値が小さく、現在の特性電流値と大きく異なるので、異常スコアは高い。したがって、最小出力電流値に対応する太陽光発電ストリングは異常な太陽光発電ストリングとして決定され、異常な太陽光発電ストリング情報は運用保守要員に通知される警報内容とみなされる。

任意には、警報記録は、異常な取得モーメントに対応する現在の特性電流値、最小出力電流値、最大出力電流値、および異常な太陽光発電ストリング情報を含み得る。

本実施形態では、即座に運用保守要員に通知して太陽光発電ストリングの動作状態が異常である問題を解決すべくオフライン点検を実行するために、最小出力電流値、異常な太陽光発電ストリング情報、最大出力電流値、および現在の特性電流値等の情報を含む警報記録が生成される。

本開示のさらに別の例示的な実施形態による太陽光発電アレイの動作状態を決定する方法のフローチャートを示す図９を参照する。本方法は、以下のステップを含み得る。

ステップ９０１では、太陽光発電アレイに対応する過去の動作状態データが取得される。

ステップ９０２では、過去の出力電流値がデータ品質ルールに従ってフィルタリングされる。

ステップ９０３では、フィルタリングされた過去の出力電流値を分割し、複数の訓練サンプルを作成するために、フィルタリングされた過去の出力電流値から過去の特性電流値が抽出される。

ステップ９０４では、複数の訓練サンプルに基づいてそれぞれ訓練することによって、複数の異常スコア予測モデルが得られる。

ステップ９０５では、予め設定されたタイムスタンプ電流マトリクスを作成するために、太陽光発電アレイの予め設定されたタイムスタンプ内の現在の出力電流値が取得される。

ステップ９０６では、予め設定されたタイムスタンプ内の各取得モーメントに対応する現在の出力電流値に基づいて、現在の特性電流値が決定されることにより、対象異常スコア予測モデルを決定する。

ステップ９０７では、各取得モーメントに対応する電流サブマトリクスを対象異常スコア予測モデルに入力することによって、各取得モーメントに対応する現在の異常スコアが得られる。

ステップ９０８では、各取得モーメントに対応する現在の異常スコアを蓄積することによって、予め設定されたタイムスタンプに対応する現在の異常スコアが得られる。

ステップ９０９では、予め設定されたタイムスタンプに対応する現在の異常スコアが異常スコア閾値よりも大きいか否かが判断される。

ステップ９１０では、太陽光発電アレイの動作状態が正常であることが出力される。

ステップ９１１では、太陽光発電アレイに異常な太陽光発電ストリングが存在することが出力される。

本開示の例示的な実施形態による太陽光発電アレイの動作状態を決定する装置の構造ブロック図を示す図１０を参照する。本装置は、ソフトウェア、ハードウェアまたはそれらの組み合わせによってコンピュータ装置の全部または一部として実装することができる。本装置は、
太陽光発電アレイに含まれる太陽光発電ストリングの現在の出力電流値を取得するように構成された第１の取得モジュール１００１であって、太陽光発電アレイは並列の少なくとも２つの太陽光発電ストリングを含む第１の取得モジュール１００１と；
現在の出力電流値に基づいて対象異常スコア予測モデルを決定するように構成された第１の決定モジュール１００２であって、異なる異常スコア予測モデルは異なる特性電流値範囲に対応し、太陽光発電アレイの過去の出力電流値に基づいて訓練することによって異常スコア予測モデルが得られる第１の決定モジュール１００２と；
現在の出力電流値を対象異常スコア予測モデルに入力することによって、太陽光発電アレイに対応する現在の異常スコアを決定するように構成された第２の決定モジュール１００３と；
現在の異常スコアを対象異常スコアと比較することによって太陽光発電アレイの動作状態を決定するように構成された第３の決定モジュール１００４であって、異なる異常スコア予測モデルは異なる異常スコアに対応し、過去の出力電流値を異常スコア予測モデルに入力した後に異常スコアが得られる第３の決定モジュール１００４とを含む。

任意には、第３の決定モジュール１００４は、
現在の異常スコアが対象異常スコア以下であることを受けて、太陽光発電アレイの動作状態が正常であることを決定するように構成された第１の決定ユニットと；
現在の異常スコアが対象異常スコアよりも大きいことを受けて、Ｎ個の連続サンプリングモーメントに対応する現在の異常スコアを取得するように構成された取得ユニットであって、Ｎは１以上の整数である取得ユニットと；
少なくともＭ個の連続サンプリングモーメントに対応する現在の異常スコアが対象異常スコアよりも大きいことを受けて、太陽光発電アレイの動作状態が異常であることを決定するように構成された第２の決定ユニットであって、Ｍは１以上の整数であり、ＭがＮ以下である第２の決定ユニットとを含む。

任意には、本装置は、
Ｍ個の連続サンプリングモーメントに対応する現在の出力電流値の最小出力電流値を決定するように構成された第４の決定モジュールと；
最小出力電流値に対応する太陽光発電ストリングを異常な太陽光発電ストリングとして決定するように構成された第５の決定モジュールとをさらに含む。

任意には、第１の決定モジュール１００２は、
電流閾値に基づいて現在の出力電流値をフィルタリングすることによってフィルタリングされた現在の出力電流値を得るように構成された第３の決定ユニットであって、電流閾値は太陽光発電アレイの過去の動作状態データによって決定され、過去の動作状態データは、太陽光発電ストリングの過去の出力電流値、太陽光発電ストリングに対応する過去の放射照度、太陽光発電ストリングが位置する環境の過去の周囲温度および過去の風速を含み、フィルタリングされた現在の出力電流値は電流閾値以下である第３の決定ユニットと；
フィルタリングされた現在の出力電流値のＫパーセンタイルを現在の特性電流値として決定するように構成された第４の決定ユニットであって、Ｋは５０以上の整数であり、現在の特性電流値は現在の取得モーメントの太陽光発電アレイに対応する現在の電流特性を特徴付ける第４の決定ユニットと；
現在の特性電流値に基づいて対象異常スコア予測モデルを決定するように構成された第５の決定ユニットであって、現在の特性電流値は対象異常スコア予測モデルに対応する対象特性電流値範囲内にある第５の決定ユニットとを含む。

任意には、本装置は、
予め設定された時間内の太陽光発電アレイの過去の動作状態データを取得するように構成された第２の取得モジュールと；
最大放射照度、最大風速および最大周囲温度に基づいて太陽光発電アレイに対応する太陽電池モジュール温度を計算するように構成された第１の計算モジュールであって、最大放射照度は過去の放射照度によって決定され、最大周囲温度は過去の周囲温度によって決定され、最大風速は過去の風速によって決定される第１の計算モジュールと；
太陽電池モジュール温度および最大放射照度に基づいて太陽光発電アレイに対応する第１の最大出力電流値を計算するように構成された第２の計算モジュールであって、第１の最大出力電流値は最大放射照度下の太陽光発電ストリングの出力電流値である第２の計算モジュールと；
定格設備容量および最大システム電圧に基づいて太陽光発電アレイに対応する第２の最大出力電流値を計算するように構成された第３の計算モジュールであって、定格設備容量は太陽光発電アレイに接続されたコンバイナーの定格電力であり、最大システム電圧はコンバイナーに接続されたインバータのシステム電圧であり、第２の最大出力電流値はコンバイナーによって太陽光発電ストリングが入力することができる最大電流値である第３の計算モジュールと；
第１の最大出力電流値および第２の最大出力電流値の最小値を電流閾値として決定するように構成された第６の決定モジュールとをさらに含む。

任意には、本装置は、
電流閾値に基づいて過去の出力電流値をフィルタリングすることによって、フィルタリングされた過去の出力電流値を得るように構成された第７の決定モジュールであって、フィルタリングされた過去の出力電流値は電流閾値以下である第７の決定モジュールと；
フィルタリングされた過去の出力電流値に基づいて過去の特性電流値を決定するように構成された第８の決定モジュールであって、過去の特性電流値は太陽光発電アレイの各取得モーメントに対応する過去の電流特性を特徴付ける第８の決定モジュールと；
過去の特性電流値に基づいてフィルタリングされた過去の出力電流値を分割することによって、少なくとも１つの訓練サンプルを決定するように構成された第９の決定モジュールであって、異なる訓練サンプルに含まれる過去の出力電流値は異なる特性電流値範囲に対応し、特性電流値範囲は過去の特性電流値に基づいて決定される第９の決定モジュールと；
訓練サンプルに基づいて異常スコア予測モデルを訓練するように構成された訓練モジュールとをさらに含む。

任意には、異常スコア予測モデルは分離フォレストアルゴリズムを採用し、異常スコア予測モデルはＳ個のバイナリツリーを含むが、Ｓは１以上の整数である。

任意には、本装置は、
訓練サンプルをＳ個のバイナリツリーにそれぞれ入力することによって、訓練サンプルに対応するＳ個のパス長を得るように構成された第１０の決定モジュールと；
Ｓ個のパス長に基づいて訓練サンプルに対応する異常スコアを計算するように構成された第４の計算モジュールとをさらに含む。

本開示の実施形態では、太陽光発電アレイに含まれる太陽光発電ストリングの現在の出力電流値が取得され、現在の出力電流値に基づいて対象異常スコア予測モデルが決定され、現在の出力電流値を対象異常スコア予測モデルに入力することによって太陽光発電アレイに対応する現在の異常スコアが出力されることで、現在の異常スコアを対象異常スコア予測モデルに対応する対象異常スコアと比較するので、比較結果に基づいて太陽光発電アレイの動作状態が決定される。リアルタイムで取得された現在の出力電流値を異常スコア予測モデルに入力することによって現在の異常スコアが出力されることで、太陽光発電アレイの現在の動作状態を決定する。関連技術における赤外線画像によって動作状態を決定する方法と比較して、現在の出力電流値は太陽光発電アレイの動作状態をリアルタイムで反映することができるので、赤外線画像への周囲温度の干渉を回避することができ、それによって太陽光発電アレイの動作状態を決定する精度を向上させる。

本開示の例示的な実施形態によるコンピュータ装置の概略構造図を示す図１１を参照する。具体的には、コンピュータ装置１１００は、中央処理装置（ＣＰＵ）１１０１と、ランダムアクセスメモリ（ＲＡＭ）１１０２およびリードオンリメモリ（ＲＯＭ）１１０３を含むシステムメモリ１１０４と、システムメモリ１１０４と中央処理装置１１０１とを接続するシステムバス１１０５とを含む。コンピュータ装置１１００は、コンピュータ装置内の様々な構成要素間の情報の伝達を容易にする基本入出力（Ｉ／Ｏ）システム１１０６と、オペレーティングシステム１１１３、アプリケーション１１１４、およびその他のプログラムモジュール１１１５を格納するための大容量記憶装置１１０７とをさらに含む。

基本入出力システム１１０６は、情報を表示するためのディスプレイ１１０８と、情報のユーザ入力用のマウスまたはキーボード等の入力装置１１０９を備える。ディスプレイ１１０８および入力装置１１０９は、いずれもシステムバス１１０５に接続された入出力コントローラ１１１０を介して中央処理装置１１０１に接続される。基本入出力システム１１０６は、キーボード、マウス、または電子ペン等の複数のその他のデバイスからの入力を受信して処理するための入出力コントローラ１１１０をさらに備えてもよい。同様に、入出力コントローラ１１１０はさらに、ディスプレイ画面、プリンタ、または他の種類の出力装置に出力を提供する。

大容量記憶装置１１０７は、システムバス１１０５に接続された大容量記憶装置コントローラ（図示せず）によって中央処理装置１１０１に接続される。大容量記憶装置１１０７とその関連するコンピュータ可読記憶媒体は、コンピュータ装置１１００のための不揮発性記憶装置を提供する。すなわち、大容量記憶装置１１０７は、ハードディスクまたはコンパクトディスクリードオンリメモリ（ＣＤ－ＲＯＭ）ドライブ等のコンピュータ可読記憶媒体（図示せず）を含み得る。

一般性を失うことなく、コンピュータ可読記憶媒体は、コンピュータ記憶媒体および通信媒体を含んでもよい。コンピュータ記憶媒体は、コンピュータ可読記憶命令、データ構造、プログラムモジュール、またはその他のデータ等の情報を記憶するための任意の方法または技術によって実装された揮発性および不揮発性、取り外し可能および取り外し不可能の媒体を含む。コンピュータ記憶媒体は、ＲＡＭ、ＲＯＭ、消去可能なプログラマブルリードオンリメモリ（ＥＰＲＯＭ）、電気的消去可能なプログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、フラッシュメモリ、またはその他の固体記憶装置技術；ＣＤ－ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）またはその他の光記憶装置、カセットテープ、磁気テープ、磁気ディスク記憶装置またはその他の磁気記憶装置を含む。当然、当業者であれば、コンピュータ記憶媒体が上記に限定されないことがわかるであろう。上記のシステムメモリ１１０４および大容量記憶装置１１０７は、総称してメモリと呼ぶことがある。

メモリは、１つ以上の中央処理装置１１０１によって実行され、上述の方法実施形態を実行するための命令を含むように構成された１つ以上のプログラムを格納する。１つ以上のプログラムは、中央処理装置１１０１によって実行されると、中央処理装置１１０１に上記の方法実施形態による方法を実行させる。

本開示の様々な実施形態によれば、コンピュータ装置１１００は、インターネット等のネットワークを介して遠隔ネットワークコンピュータに接続されることによって動作することもできる。すなわち、コンピュータ装置１１００は、システムバス１１０５に接続されたネットワークインターフェースユニット１１１１によってネットワーク１１１２に接続されてもよく、あるいは、すなわち、コンピュータ装置１１１０はネットワークインターフェースユニット１１１１を用いてその他の種類のネットワークまたはリモートサーバーシステム（図示せず）に接続されてもよい。

メモリは、１つ以上のプログラムをさらに含む。メモリに格納された１つ以上のプログラムは、本開示の実施形態による方法のコンピュータ装置によって実行されるステップを実行するように構成された命令を含む。

コンピュータ可読記憶媒体が本開示の実施形態によってさらに提供される。コンピュータ可読記憶媒体は、そこに少なくとも１つの命令を記憶する。少なくとも１つの命令は、プロセッサによってロードされて実行されると、プロセッサに上記の実施形態で説明した太陽光発電アレイの動作状態を決定する方法を実行させる。

コンピュータプログラム製品が本開示の実施形態によってさらに提供される。コンピュータプログラム製品は、そこに少なくとも１つの命令を記憶する。少なくとも１つの命令は、プロセッサによってロードされて実行されると、プロセッサに上記の実施形態で説明した太陽光発電アレイの動作状態を決定する方法を実行させる。

当業者であれば、上述した１つ以上の例において、本開示の実施形態で説明した機能が、ハードウェア、ソフトウェア、ファームウェア、またはそれらの任意の組み合わせで実装され得ることを理解するであろう。ソフトウェアで実装される場合、これらの機能は、コンピュータ可読記憶媒体に格納されるか、あるいはコンピュータ可読記憶媒体上の１つ以上の命令またはコードとして伝送され得る。コンピュータ可読記憶媒体は、コンピュータ記憶媒体および通信媒体を含む。通信媒体は、ある場所から別の場所へのコンピュータプログラムの転送を容易にする任意の媒体を含む。記憶媒体は、汎用または専用コンピュータによってアクセスすることができる任意の利用可能な媒体であってもよい。

上記は本開示の単なる任意の実施形態にすぎず、本開示を限定することを意図するものではない。本開示の精神および原則内に行われたいかなる修正、均等な置換および改良も、すべて本開示の保護範囲内に含まれるべきである。

Claims (9)

1. 太陽光発電アレイの動作状態を決定する方法であって、
   前記太陽光発電アレイに含まれる太陽光発電ストリングの現在の出力電流値を取得するステップであって、前記太陽光発電アレイは並列の少なくとも２つの太陽光発電ストリングを含む前記ステップと；
   前記現在の出力電流値に基づいて対象異常スコア予測モデルを決定するステップであって、異なる異常スコア予測モデルは異なる特性電流値範囲に対応し、前記異常スコア予測モデルは前記太陽光発電アレイの過去の出力電流値に基づいて訓練することによって得られるものである、前記ステップと；
   前記現在の出力電流値を前記対象異常スコア予測モデルに入力することによって、前記太陽光発電アレイに対応し、前記現在の出力電流値の偏差の大小を示す現在の異常スコアを決定するステップと；
   前記現在の異常スコアを対象異常スコアと比較することによって前記太陽光発電アレイの前記動作状態を決定するステップであって、異なる異常スコア予測モデルは異なる対象異常スコアに対応し、前記過去の出力電流値を訓練で得られた前記異常スコア予測モデルに入力することによって前記対象異常スコアが得られる前記ステップとを含み、
   前記現在の異常スコアを前記対象異常スコアと比較することによって前記太陽光発電アレイの前記動作状態を決定する前記ステップは、
   前記現在の異常スコアが前記対象異常スコア以下であることを受けて、前記太陽光発電アレイの前記動作状態が正常であることを決定するステップと；
   前記現在の異常スコアが前記対象異常スコアよりも大きいことを受けて、Ｎ個の連続サンプリングモーメントに対応する現在の異常スコアを取得するステップであって、Ｎは１以上の整数である前記ステップと；
   少なくともＭ個の連続サンプリングモーメントに対応する現在の異常スコアが前記対象異常スコアよりも大きいことを受けて、前記太陽光発電アレイの前記動作状態が異常であることを決定するステップであって、Ｍは１以上の整数であり、ＭはＮ以下である前記ステップと；を含む、方法。
2. 前記太陽光発電アレイの前記動作状態が異常であることを決定するステップの後に、
   前記Ｍ個の連続サンプリングモーメントに対応する前記現在の出力電流値の最小出力電流値を決定するステップと；
   前記最小出力電流値に対応する太陽光発電ストリングを異常な太陽光発電ストリングとして決定するステップとをさらに含む、請求項１に記載の方法。
3. 前記現在の出力電流値に基づいて前記対象異常スコア予測モデルを決定する前記ステップは、
   電流閾値に基づいて前記現在の出力電流値をフィルタリングすることによって、フィルタリングされた現在の出力電流値を取得するステップであって、前記電流閾値は前記太陽光発電アレイの過去の動作状態データに基づいて決定され、前記過去の動作状態データは、前記太陽光発電ストリングの過去の出力電流値、前記太陽光発電ストリングに対応する過去の放射照度、前記太陽光発電ストリングが位置する環境の過去の周囲温度および過去の風速を含み、前記フィルタリングされた現在の出力電流値は前記電流閾値以下である前記ステップと；
   前記フィルタリングされた現在の出力電流値のＫパーセンタイルを現在の特性電流値として決定するステップであって、Ｋは５０以上の整数であり、前記現在の特性電流値は現在の取得モーメントの前記太陽光発電アレイに対応する現在の電流特性を特徴付ける前記ステップと；
   前記現在の特性電流値に基づいて前記対象異常スコア予測モデルを決定するステップであって、前記現在の特性電流値は前記対象異常スコア予測モデルに対応する対象特性電流値範囲内にある前記ステップとを含む、請求項１又は２に記載の方法。
4. 前記太陽光発電アレイに含まれる前記太陽光発電ストリングの前記現在の出力電流値を取得する前記ステップの前に、
   予め設定された時間内の前記太陽光発電アレイの前記過去の動作状態データを取得するステップと；
   最大放射照度、最大風速および最大周囲温度に基づいて前記太陽光発電アレイに対応する太陽電池モジュール温度を計算するステップであって、前記最大放射照度は前記過去の放射照度に基づいて決定され、前記最大周囲温度は前記過去の周囲温度に基づいて決定され、前記最大風速は前記過去の風速に基づいて決定される前記ステップと；
   前記太陽電池モジュール温度および前記最大放射照度に基づいて前記太陽光発電アレイに対応する第１の最大出力電流値を計算するステップであって、前記第１の最大出力電流値は前記最大放射照度下の前記太陽光発電ストリングの出力電流値である前記ステップと；
   定格設備容量および最大システム電圧に基づいて前記太陽光発電アレイに対応する第２の最大出力電流値を計算するステップであって、前記定格設備容量は前記太陽光発電アレイに接続されたコンバイナーの定格電力であり、前記最大システム電圧は前記コンバイナーに接続されたインバータのシステム電圧であり、前記第２の最大出力電流値は前記コンバイナーによって前記太陽光発電ストリングが入力することができる最大電流値である前記ステップと；
   前記第１の最大出力電流値および前記第２の最大出力電流値の最小値を前記電流閾値として決定するステップとをさらに含む、請求項３に記載の方法。
5. 前記電流閾値に基づいて前記過去の出力電流値をフィルタリングすることによって、フィルタリングされた過去の出力電流値を取得するステップであって、前記フィルタリングされた過去の出力電流値は前記電流閾値以下である前記ステップと；
   前記フィルタリングされた過去の出力電流値に基づいて過去の特性電流値を決定するステップであって、前記過去の特性電流値は各取得モーメントの前記太陽光発電アレイに対応する過去の電流特性を特徴付ける前記ステップと；
   前記過去の特性電流値に基づいて前記フィルタリングされた過去の出力電流値を分割することによって、少なくとも１つの訓練サンプルを決定するステップであって、異なる訓練サンプルに含まれる前記過去の出力電流値は異なる特性電流値範囲に対応し、前記特性電流値範囲は前記過去の特性電流値に基づいて決定される前記ステップと；
   前記訓練サンプルに基づいて前記異常スコア予測モデルを訓練するステップとをさらに含む、請求項３に記載の方法。
6. 前記異常スコア予測モデルは分離フォレストアルゴリズムを採用し、前記異常スコア予測モデルはＳ個のバイナリツリーを含み、Ｓは１以上の整数であり、
   前記訓練サンプルに基づいて前記異常スコア予測モデルを訓練する前記ステップの後に、
   前記訓練サンプルを前記Ｓ個のバイナリツリーに入力することによって、前記訓練サンプルに対応するＳ個のパス長を取得するステップと；
   前記Ｓ個のパス長に基づいて前記訓練サンプルに対応する異常スコアを計算するステップとをさらに含む、請求項５に記載の方法。
7. 太陽光発電アレイの動作状態を決定する装置であって、
   太陽光発電アレイに含まれる太陽光発電ストリングの現在の出力電流値を取得するように構成された第１の取得モジュールであって、前記太陽光発電アレイは並列の少なくとも２つの太陽光発電ストリングを含む前記第１の取得モジュールと；
   前記現在の出力電流値に基づいて対象異常スコア予測モデルを決定するように構成された第１の決定モジュールであって、異なる異常スコア予測モデルは異なる特性電流値範囲に対応し、前記異常スコア予測モデルは前記太陽光発電アレイの過去の出力電流値に基づいて訓練することによって得られるものである、前記第１の決定モジュールと；
   前記現在の出力電流値を前記対象異常スコア予測モデルに入力することによって、前記太陽光発電アレイに対応し、前記現在の出力電流値の偏差の大小を示す現在の異常スコアを決定するように構成された第２の決定モジュールと；
   前記現在の異常スコアを対象異常スコアと比較することによって前記太陽光発電アレイの前記動作状態を決定するように構成された第３の決定モジュールであって、異なる異常スコア予測モデルは異なる対象異常スコアに対応し、前記過去の出力電流値を訓練で得られた前記異常スコア予測モデルに入力することによって前記対象異常スコアが得られる前記第３の決定モジュールとを含み、
   前記第３の決定モジュールは、
   前記現在の異常スコアが前記対象異常スコア以下であることを受けて、前記太陽光発電アレイの前記動作状態が正常であることを決定するように構成された第１の決定ユニットと；
   前記現在の異常スコアが前記対象異常スコアよりも大きいことを受けて、Ｎ個の連続サンプリングモーメントに対応する現在の異常スコアを取得するように構成された取得ユニットであって、Ｎは１以上の整数である、前記取得ユニットと；
   少なくともＭ個の連続サンプリングモーメントに対応する現在の異常スコアが前記対象異常スコアよりも大きいことを受けて、前記太陽光発電アレイの前記動作状態が異常であることを決定するように構成された第２の決定ユニットであって、Ｍは１以上の整数であり、ＭはＮ以下である、前記第２の決定ユニットと；を含む、装置。
8. プロセッサと、少なくとも１つの命令、少なくとも１つのプログラム、コードセットまたは命令セットを記憶するメモリとを備えるコンピュータ装置であって、前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記コードセットまたは前記命令セットは、前記プロセッサによってロードされて実行されると、請求項１～６のいずれか一項に記載の前記太陽光発電アレイの前記動作状態を決定する前記方法を前記プロセッサに実行させる、コンピュータ装置。
9. 少なくとも１つの命令、少なくとも１つのプログラム、コードセットまたは命令セットを記憶するコンピュータ可読記憶媒体であって、前記少なくとも１つの命令、前記少なくとも１つのプログラム、前記コードセットまたは前記命令セットは、プロセッサによってロードされて実行されると、請求項１～６のいずれか一項に記載の前記太陽光発電アレイの前記動作状態を決定する前記方法を前記プロセッサに実行させる、コンピュータ可読記憶媒体。