一种基于相似日典型曲线的光伏系统电流异常识别方法 |
|||||||
| 申请号 | CN202311793615.X | 申请日 | 2023-12-25 | 公开(公告)号 | CN117955428A | 公开(公告)日 | 2024-04-30 |
| 申请人 | 国网上海市电力公司; | 发明人 | 王钰楠; 吴琦娜; 陈明; 冯楷; 吴滨; 魏盛; 赵顺麟; 黄珊凤; 杨扬; 汪旖云; | ||||
| 摘要 | 本 发明 公开了一种基于相似日典型曲线的光伏系统 电流 异常识别方法，具体包括以下步骤：S1:数据收集和预处理；S2:构建日季节气象特征；S3:实施电流数据监测与关联日选取，实时收集 光伏发电 系统的电流数据，形成测试曲线；S4:计算距离和 异常检测 ,计算测试电流曲线与 选定 典型日曲线之间的距离，根据 阈值 进行异常判定；S5:警报和修复。本发明能够实现在复杂气象条件下对光伏系统进行高 精度 监控，并提高 光伏发电系统 的可靠性和效率。 | ||||||
| 权利要求 | 1.一种基于相似日典型曲线的光伏系统电流异常识别方法，其特征在于，具体包括以下步骤： |
||||||
| 说明书全文 | 一种基于相似日典型曲线的光伏系统电流异常识别方法技术领域[0001] 本发明涉及用电异常识别领域，具体涉及一种基于相似日典型曲线的光伏系统电流异常识别方法。 背景技术[0002] 光伏发电已经成为满足可再生能源需求的重要方式，其在清洁能源领域的地位日益突出。随着光伏发电系统的不断部署和分布式并网的增加，对这些系统的实时监控和性能管理变得至关重要，以确保其可靠且高效地生成电力。 [0003] 数据挖掘技术在光伏发电领域得到了广泛的应用，为系统运行提供了新的洞察力。这些技术可以用于故障诊断、性能评估和系统优化。例如，机器学习算法能够对电流、电压、温度等多维数据进行分析，从而实现对系统状态的实时或近实时监控。这些算法不仅能够检测和报告异常，还可以帮助预测潜在问题并采取适当的措施，以最大程度地提高系统的可靠性和效率。 [0004] 然而，光伏发电系统的电流输出通常受到气象条件的影响，如阳光强度、温度等。这些因素导致电流具有强烈的日内和日间变异性，这对异常检测提出了挑战。简单地将实时数据与固定阈值或历史平均值进行比较可能导致误报和漏报，因为这些方法未能考虑到气象条件的影响，这些方法往往对突发和随机故障敏感，但在识别由环境条件引起的慢性问题方面却不够准确。因此，需要一种更智能的方法，能够在考虑到气象变化的同时，精确地识别系统的异常情况。 [0005] 本发明的目标就是克服这些挑战，提供一种基于相似日典型曲线的电流异常识别方法，以实现在复杂气象条件下的高精度监控和提高光伏发电系统的可靠性和效率。通过结合聚类算法和机器学习技术，本发明为光伏发电系统的实时监控带来了新的解决方案，以应对日常的气象波动和系统的性能变化。 [0006] 这种创新的方法将有助于确保光伏发电系统在各种气象条件下都能够稳定运行，并及时发现和解决潜在的问题，从而为可再生能源领域的可持续发展做出重要贡献。 发明内容[0007] 本发明的目的是为了克服现有技术的不足，提供一种基于相似日典型曲线的光伏系统电流异常识别方法，以实现在复杂气象条件下的高精度监控和提高光伏发电系统的可靠性和效率。通过结合聚类算法和机器学习技术，本发明为光伏发电系统的实时监控带来了新的解决方案，以应对日常的气象波动和系统的性能变化。 [0008] 实现上述目的的一种技术方案是：一种基于相似日典型曲线的光伏系统电流异常识别方法，具体包括以下步骤： [0009] S1:数据收集和预处理； [0010] S2:构建日季节气象特征； [0011] S3:实施电流数据监测与关联日选取，实时收集光伏发电系统的电流数据，形成测试曲线； [0013] S5:警报和修复。 [0014] 进一步的，S1中，收集的数据包括，历史光伏数据和历史气象数据。 [0015] 进一步的，历史光伏数据为用户电流曲线形成的样本曲线库。 [0016] 进一步的，建立样本曲线库的具体如下式： [0017] [0018] x表示原始数据，x’表示归一化后数据，再对高频、低频数据进行数据标准化和归一化处理，以消除不同电力数据之间的量纲差异。 [0019] 进一步的，历史气象数据为通过气象数据平台收集的样本曲线日季节、气温、辐照度、湿度和云量数据。 [0020] 进一步的，S2中，通过历史气象数据构建日季节气象特征，采用聚类算法利用典型日季节气象特征对历史数据中的日子进行典型日类别分类。 [0021] 进一步的，聚类算法采用K‑means聚类算法。 [0022] 进一步的，S3中，关联日选取具体为:进行日特征提取与匹配，获取计算日气象数据，计算季节天气特征，通过k近邻算法从典型日中找到与当前日最为相似的典型日。 [0023] 进一步的，S4中，计算距离和异常检测具体采用动态时间规划算法计算测试电流曲线与选定的典型日电流曲线之间的距离。 [0024] 进一步的，S5中，根据异常判定的类型和严重程度，提供匹配的修复建议或者自动触发修复流程。 [0025] 通过本发明基于相似日典型曲线的光伏系统电流异常识别方法的步骤，能够提供一个完善、高效和准确的光伏发电电流异常识别系统。该系统不仅能够及时检测异常情况，还能够提供详细的维护建议，从而帮助确保光伏发电系统的稳定运行。通过结合聚类算法和机器学习技术，本发明为光伏发电系统的实时监控带来了新的解决方案，以应对日常的气象波动和系统的性能变化。这种创新的方法将有助于确保光伏发电系统在各种气象条件下都能够稳定运行，并及时发现和解决潜在的问题，从而为可再生能源领域的可持续发展做出重要贡献。附图说明 [0026] 图1为本发明的一种基于相似日典型曲线的光伏系统电流异常识别方法的处理流程图。 具体实施方式[0027] 为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明： [0028] 本发明提出了一种基于相似日典型曲线的光伏系统电流异常识别方法，该方法旨在增强光伏发电系统的可靠性和效率，通过结合数据挖掘和机器学习技术，以实现在复杂气象条件下的高精度电流异常检测。首先，利用长期收集的气象数据和电流数据，采用聚类算法来构建相似日的典型电流曲线。这些典型曲线代表了各种气象条件下的电流变化趋势。这一步骤帮助我们建立了一个有关不同气象条件下的电流特征的全面数据库。然后，在实际运行时，我们持续收集电流数据，并将其与相应的典型曲线进行比较。我们使用预设的或动态生成的阈值来衡量实时数据与典型曲线之间的相似性或差异性。如果实时数据偏离了预期的范围，系统将识别它为电流异常。本方法具有较好的适应性和高精度，能够自动适应不同的气象条件和环境变化，因此在各种光伏发电系统中都具有广泛的适用性。通过实时电流异常检测，光伏发电系统可以更快地识别和应对问题，从而提高系统的可靠性，减少损失，同时也提高了能源生产的效率。 [0029] 请参阅图1，本发明的一种基于相似日典型曲线的光伏系统电流异常识别方法，具体包括以下步骤： [0030] S1:数据收集和预处理。 [0031] 首先，系统收集历史光伏用户电流曲线数据，以建立一个样本曲线库。如公式(1)所示，x表示原始数据，x’表示归一化后数据，再对高频、低频数据进行了数据标准化和归一化处理，以消除不同电力数据之间的量纲差异。 [0032] [0033] 这个库包含了各种条件下的电流曲线样本，为后续异常检测提供了数据支持。同时，通过气象数据平台，系统收集了与样本曲线相关的气象数据，包括日季节、气温、辐照度、湿度、云量等信息。这些气象数据将用于分析光伏电流与气象条件之间的关联。在样本曲线库中，进行差值填补，并且对于采集率低于95％的数据进行筛选和剔除，以确保最终数据的可信度和准确性。如公式(2)所示，x代表时间维度，y代表时间点的气象数据。 [0034] [0035] 其中y2>y1，x2>x>x1 [0036] S2:构建日季节气象特征。 [0037] 首先，系统积累了历史数据中的多项关键气象特征，包括每一天所处的季节、日均气温、日均辐照度、风速、风向、湿度、云量等。这些气象数据提供了电流曲线背后环境条件的重要背景信息。借助聚类算法(例如K‑means)，系统对历史数据中的各个日子进行分类。这个分类过程将相似气象特征的日子分组为若干典型日类别。每个类别代表了在特定气象条件下的一组日子。针对每个典型日类别，系统采用中位数等方法，从该类别的历史电流数据中提取电流的典型特征曲线。 [0038] 这些曲线反映了在相似气象条件下的电流行为，包括日内和日间的变化趋势。本步骤对历史数据进行了有序整理和分类，同时提取了典型日的电流特征。不仅有助于准确分析光伏发电系统的电流数据，还为后续的异常检测和性能优化提供了关键信息。其中，如公式3所示，Ci是第i个聚类，μi是第i个聚类的中心。聚类后得到若干典型日，通过中位数提取每类典型日电流典型特征曲线。 [0039] [0040] S3:实施电流数据监测与关联日选取，实时收集光伏发电系统的电流数据，形成测试曲线。 [0041] 这个关键步骤确保系统持续地获取和监控电流数据，以及及时响应任何异常情况。然后，系统获取计算日的气象数据，并计算出季节性天气特征。这些特征将与典型日的特征进行比较。通过K‑NN算法(K近邻算法)，系统能够从典型日中找到与当前日最为相似的典型日，其中相似性的度量使用欧式距离作为标准，如公式4。 [0042] 在这一步骤中，系统综合考虑了电流数据和气象条件，以确定当前日是否与典型日存在相似性。这种匹配过程允许系统快速识别潜在的电流异常，并采取适当的措施来维护系统的稳定运行。这一创新方法通过整合实时数据和气象信息，提高了异常检测的准确性，最终增强了光伏发电系统的性能和可靠性，从而为可再生能源的推广和应用做出了重要贡献。 [0043] [0044] S4:计算距离和异常检测,计算测试电流曲线与选定典型日曲线之间的距离，根据阈值进行异常判定。 [0045] 在光伏电流曲线的比较中，系统采用动态时间规划(DTW)算法来计算测试电流曲线与选定的典型日电流曲线之间的距离,如公式5所示。DTW是一种用于衡量两个时间序列之间相似度的有效方法。它考虑了不同时间点之间的对齐和匹配，适用于处理因时间偏移而导致的数据不同步的情况。 [0046] [0047] 系统将计算得到的DTW距离与预设或动态生成的阈值(T)进行比较，以判定是否存在电流异常。阈值的确定是关键的，本方法采用一段时间内测算的每日DTW距离的均值(μ)和标准差(σ)来结合生成。然后，根据置信水平(例如95％的置信区间)，通过常数k(例如1.96)的乘法来设定阈值，即：T＝μ+k×σ。 [0048] S5:警报和修复。一旦检测到电流异常，系统将立即生成警报。这些警报可以通过多种通讯方式传达给操作人员，包括短信、邮件或其他适当的通信渠道。这确保了异常情况能够即时通知到相关人员，以便他们采取必要的措施来解决问题。 [0049] 本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。 |
||||||
QQ群二维码
意见反馈
意见反馈