一种基于人工智能的组串故障判断方法和装置制造方法及图纸

本申请公开了一种基于人工智能的组串故障判断方法和装置，该方法包括：获取多组组串中的每一组组串的发电量的曲线；对所述多组组串对应的多条曲线进行比较；根据所述比较结果确定所述多条曲线中与其他曲线差距满足预定条件的至少一条第一曲线；确定所述至少一条第一曲线对应的组串出现故障。通过本申请解决了现有技术中组串故障发现不及时的问题，从而比较及时的发现组串故障，为提高发电效率提供了可靠的保证。可靠的保证。可靠的保证。

【技术实现步骤摘要】
一种基于人工智能的组串故障判断方法和装置


[0001]本申请涉及到光伏领域，具体而言，涉及一种基于人工智能的组串故障判断方法和装置。

技术介绍

[0002]在大型光伏电站中，最常规的光伏支架单元设计是光伏组件的布置为竖向双排或横向三排、四排等，一个支架单元上通常安装一个组串或两个组串，具体组件数量由组串中组件串联数量决定。
[0003]目前判断组串是否发生故障，一般靠人工来进行检查，这种判断方式可能无法及时发现组串是否发生故障。

技术实现思路

[0004]本申请实施例提供了一种基于人工智能的组串故障判断方法和装置，以至少解决现有技术中组串故障发现不及时的问题。
[0005]根据本申请的一个方面，提供了一种基于人工智能的组串故障判断方法，包括：获取多组组串中的每一组组串的发电量的曲线；对所述多组组串对应的多条曲线进行比较；根据所述比较结果确定所述多条曲线中与其他曲线差距满足预定条件的至少一条第一曲线；确定所述至少一条第一曲线对应的组串出现故障。
[0006]进一步地，获取所述多组组串中的每一组组串的发电量的曲线包括：获取所述多组组串中的每一组组串在相同的时间段内的发电量的曲线，其中，所述每一组组串中的光伏板的发电功率相同。
[0007]进一步地，根据所述比较结果确定所述多条曲线中与其他曲线差距满足预定条件的至少一条第一曲线包括：将所述多条曲线输入到机器学习模型中，其中，所述机器学习模型为分类模型，所述机器学习模型用于所述多条曲线进行分类，相似度超过阈值的曲线被分为第一类，其余的区别被分为第二类，所述第二类中的曲线为第一曲线。
[0008]进一步地，所述机器学习模型是使用多组训练数据训练得到的，其中，每组训练数据均包括输入数据和输出数据，所述输入数据包括多条曲线，所述输出数据包括分类结果，所述分类结果为人工标识出的发电量正常的第一类曲线，以及发电量异常的第二类曲线。
[0009]进一步地，确定所述至少一条第一曲线对应的组串出现故障包括：根据所述至少一条第一曲线确定该第一曲线对应的组串出现的故障的类型。
[0010]根据本申请的另一个方面，还提供了一种基于人工智能的组串故障判断装置，包括：获取模块，用于获取多组组串中的每一组组串的发电量的曲线；比较模块，用于对所述多组组串对应的多条曲线进行比较；第一确定模块，用于根据所述比较结果确定所述多条曲线中与其他曲线差距满足预定条件的至少一条第一曲线；第二确定模块，用于确定所述至少一条第一曲线对应的组串出现故障。
[0011]进一步地，所述获取模块用于：获取所述多组组串中的每一组组串在相同的时间
段内的发电量的曲线，其中，所述每一组组串中的光伏板的发电功率相同。
[0012]进一步地，所述第一确定模块用于：将所述多条曲线输入到机器学习模型中，其中，所述机器学习模型为分类模型，所述机器学习模型用于所述多条曲线进行分类，相似度超过阈值的曲线被分为第一类，其余的区别被分为第二类，所述第二类中的曲线为第一曲线。
[0013]进一步地，所述机器学习模型是使用多组训练数据训练得到的，其中，每组训练数据均包括输入数据和输出数据，所述输入数据包括多条曲线，所述输出数据包括分类结果，所述分类结果为人工标识出的发电量正常的第一类曲线，以及发电量异常的第二类曲线。
[0014]进一步地，所述第二确定模块用于：根据所述至少一条第一曲线确定该第一曲线对应的组串出现的故障的类型。
[0015]在本申请实施例中，采用了获取多组组串中的每一组组串的发电量的曲线；对所述多组组串对应的多条曲线进行比较；根据所述比较结果确定所述多条曲线中与其他曲线差距满足预定条件的至少一条第一曲线；确定所述至少一条第一曲线对应的组串出现故障。通过本申请解决了现有技术中组串故障发现不及时的问题，从而比较及时的发现组串故障，为提高发电效率提供了可靠的保证。
附图说明
[0016]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0017]图1是根据本申请实施例的基于人工智能的组串故障判断方法的流程图。
具体实施方式
[0018]需要说明的是，在不冲突的情况下，本申请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申请。
[0019]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0020]在本实施中提供了一种基于人工智能的组串故障判断方法，图1是根据本申请实施例的基于人工智能的组串故障判断方法的流程图，如图1所示，该流程包括如下步骤：
[0021]步骤S102，获取多组组串中的每一组组串的发电量的曲线；
[0022]例如，获取所述多组组串中的每一组组串在相同的时间段内的发电量的曲线，其中，所述每一组组串中的光伏板的发电功率相同。作为另一个可以选择的实施方式，还可以获取同一组串每天的发电量的曲线。
[0023]步骤S104，对所述多组组串对应的多条曲线进行比较；
[0024]步骤S106，根据所述比较结果确定所述多条曲线中与其他曲线差距满足预定条件的至少一条第一曲线；
[0025]在该步骤中，确定的方式有很多种，例如，可以将所述多条曲线输入到第一机器学习模型中，其中，所述第一机器学习模型为分类模型，所述第一机器学习模型用于所述多条曲线进行分类，相似度超过阈值的曲线被分为第一类，其余的区别被分为第二类，所述第二
类中的曲线为第一曲线。优选地，所述第一机器学习模型是使用多组训练数据训练得到的，其中，每组训练数据均包括输入数据和输出数据，所述输入数据包括多条曲线，所述输出数据包括分类结果，所述分类结果为人工标识出的发电量正常的第一类曲线，以及发电量异常的第二类曲线。
[0026]步骤S108，确定所述至少一条第一曲线对应的组串出现故障。
[0027]将所述第一曲线与历史上该第一曲线对应的组串的多条发电量曲线，如如果所述第一曲线与该组串历史的多条发电量曲线差距在预定范围内，则证明该第一曲线对应的组串可能由于位置设置关系发电量与其他组串相比一直处于不同的状态，但是，该第一曲线并不能用于确定该组串出现故障。如果所述第一曲线与该组串多条发电量曲线差距没有在所述预定范围内，则确定所述第一曲线对应的组串出现故障。
[0028]确定第一曲线为故障曲线之后，可以将所述第一曲线保存为训练数据，包括所述第一曲线和用于标识所述第一曲线为故障曲线的标签；还可以将未出现故障的组串对应的曲线也保存为训练数据，该训练数据包括为出现故障的组串对应的曲线和用于标识该曲线为正常曲线的标签。使用多组训练数据训练得到的第二机器学习模型。
[0029]将待判断的曲线输入到所述第二机器学习模型中，该机器学习模型就本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的组串故障判断方法，其特征在于，包括：获取多组组串中的每一组组串的发电量的曲线；对所述多组组串对应的多条曲线进行比较；根据所述比较结果确定所述多条曲线中与其他曲线差距满足预定条件的至少一条第一曲线；确定所述至少一条第一曲线对应的组串出现故障。2.根据权利要求1所述的方法，其特征在于，获取所述多组组串中的每一组组串的发电量的曲线包括：获取所述多组组串中的每一组组串在相同的时间段内的发电量的曲线，其中，所述每一组组串中的光伏板的发电功率相同。3.根据权利要求1所述的方法，其特征在于，根据所述比较结果确定所述多条曲线中与其他曲线差距满足预定条件的至少一条第一曲线包括：将所述多条曲线输入到机器学习模型中，其中，所述机器学习模型为分类模型，所述机器学习模型用于所述多条曲线进行分类，相似度超过阈值的曲线被分为第一类，其余的区别被分为第二类，所述第二类中的曲线为第一曲线。4.根据权利要求3所述的方法，其特征在于，所述机器学习模型是使用多组训练数据训练得到的，其中，每组训练数据均包括输入数据和输出数据，所述输入数据包括多条曲线，所述输出数据包括分类结果，所述分类结果为人工标识出的发电量正常的第一类曲线，以及发电量异常的第二类曲线。5.根据权利要求4所述的方法，其特征在于，确定所述至少一条第一曲线对应的组串出现故障包括：根据所述至少一条第一曲线确定该第一曲线对应的组串出现...

【专利技术属性】
技术研发人员：裴刘生，王海峰，江标荣，杨先川，杨建辉，崔桃源，柳凯元，冯国刚，
申请(专利权)人：西安咸林能源科技有限公司，
类型：发明
国别省市：