【技术实现步骤摘要】
光伏状态评估方法及装置
[0001]本公开涉及光伏状态评估
,尤其涉及一种光伏状态评估方法及装置
。
技术介绍
[0002]随着我国新能源发展规模越来越大,对评估光伏发电设备状况的要求也随之提高,因此,要对设备监控数据综合分析,使设备运营记录装置收集的数据分析用于状态评估
。
状态评估问题本质上是预测问题,通常采用定性分析法和定量分析法
。
定性分析法根据运行数据和专家经验创建评估模型,而定量分析法是采用数据分析和数据挖掘的方法建立评估模型
。
定量分析法在数据对象充足的情况下,能够更加客观便捷的实现评估
。
同时状态评估利于及早的确定设备的故障类型,快速采取措施,提高检修效率,同时,通过评估的故障数据寻找特点,能够预测配电设备有可能发生的故障
。
[0003]光伏电站在运行过程中,由于环境
、
外界因素的变化容易产生大量的故障,对光伏电站的系统评估
、
智能诊断显得极为重要
。
技术实现思路
[0004]本公开旨在至少在一定程度上解决相关技术中的技术问题之一
。
[0005]本公开第一方面实施例提出了一种光伏状态评估方法,包括:
[0006]获取光伏电站在多种工况下的多维监测数据;
[0007]基于主成分分析法,对所述多维监测数据进行降维,以得到目标矩阵;
[0008]对所述目标矩阵进行层次聚类分析,并选取
CH >函数值最大时的聚类个数作为最佳簇个数;
[0009]基于所述目标矩阵和所述最佳簇个数,以及组件状态评估算法模型,对所述光伏电站的运行状态进行评估
。
[0010]本公开第二方面实施例提出了一种光伏状态评估装置,包括:
[0011]获取模块,用于获取光伏电站在多种工况下的多维监测数据;
[0012]降维模块,用于基于主成分分析法,对所述多维监测数据进行降维,以得到目标矩阵;
[0013]第一分析模块,用于对所述目标矩阵进行层次聚类分析,并选取
CH
函数值最大时的聚类个数作为最佳簇个数;
[0014]评估模块,用于基于所述目标矩阵和所述最佳簇个数,以及组件状态评估算法模型,对所述光伏电站的运行状态进行评估
。
[0015]本公开第三方面实施例提出了一种电子设备,包括:存储器
、
处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本公开第一方面实施例提出的光伏状态评估方法
。
[0016]本公开第四方面实施例提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,实现如本公开第一方面实施例提出的光伏状态评估方法
。
[0017]本公开提供的光伏状态评估方法及装置,存在如下有益效果:
[0018]本公开实施例中,首先获取光伏电站在多种工况下的多维监测数据,然后基于主成分分析法,对所述多维监测数据进行降维,以得到目标矩阵,之后对所述目标矩阵进行层次聚类分析,并选取
CH
函数值最大时的聚类个数作为最佳簇个数,最后基于所述目标矩阵和所述最佳簇个数,以及组件状态评估算法模型,对所述光伏电站的运行状态进行评估
。
可以有效解决在先验知识缺乏情况下对光伏电站的运行状态评估,具有重要的理论和应用价值,由于是基于无监督学习的光伏电站状态评估方法,对于数据量较大,缺乏先验知识的情况下有更好的适应性,较之以神经网络为代表的故障诊断方法,不需要对实验集标签进行大量标定
。
由于数据维数较多,而聚类结果的准确性又与选择合适属性的数据相关,本方法先对数据进行降维,去除一些不重要的特征与噪音,方便对后续数据进行聚类分析
。
经过
PCA
降维后的数据特征更加明显,有效替代由丰富经验选择合适数据属性的过程
。
本方法将
PCA
特征降维与层次聚类方法结合,对于光伏电站的状态评估来说,有一定的理论和实验意义
。
基于
CH
函数的聚类个数确定方法,采用组与组之间距离足够大,组内元素之间距离足够小的划分原则,可以取得最优判定效果,大大提高了聚类质量
。
[0019]本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到
。
附图说明
[0020]本公开上述的和
/
或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
[0021]图1为本公开一实施例所提供的一种光伏状态评估方法的流程示意图;
[0022]图2为一种层次聚类最佳类簇数确定方法的流程图;
[0023]图3为一种
PCA
‑
层次聚类算法流程图;
[0024]图4为一种光伏状态评估的流程图;
[0025]图5为本公开另一实施例所提供的光伏状态评估装置的结构示意图;
[0026]图6示出了适于用来实现本公开实施方式的示例性电子设备的框图
。
具体实施方式
[0027]下面详细描述本公开的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件
。
下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制
。
[0028]下面参考附图描述本公开实施例的光伏状态评估方法
、
装置
。
[0029]光伏电站在运行过程中,由于环境
、
外界因素的变化容易产生大量的故障,对光伏电站的系统评估
、
智能诊断显得,极为重要因此需要对多维数据进行特征降维,再对降维后的数据进行层次聚类分析,评估光伏电站运行状态
。
数据采集阶段是获取后续阶段所需数据的环节,保证数据采集的精度是实现评估结果准确的前提
。
特征提取阶段是数据预处理阶段,数据预处理方法将在很大程度上影响评估结果
。
可用方法有主成分分析
、Fisher
准则以及小波分解等方法
。
[0030]图1为本公开实施例所提供的一种光伏状态评估方法的流程示意图
。
[0031]如图1所示,该光伏状态评估方法可以包括以下步骤:
[0032]步骤
101
,获取光伏电站在多种工况下的多维监测数据
。
[0033]其中,光伏系统运行状态涉及的特征参数包括环境参数和电气参数,参数数量较多
。
其中,特征参数可以有不同光伏组串的温度
T1、T2
…
、
不同光伏组串的电压<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种光伏状态评估方法,其特征在于,包括:获取光伏电站在多种工况下的多维监测数据;基于主成分分析法,对所述多维监测数据进行降维,以得到目标矩阵;对所述目标矩阵进行层次聚类分析,并选取
CH
函数值最大时的聚类个数作为最佳簇个数;基于所述目标矩阵和所述最佳簇个数,以及组件状态评估算法模型,对所述光伏电站的运行状态进行评估
。2.
根据权利要求1所述的方法,其特征在于,所述基于主成分分析法,对所述多维监测数据进行降维,以得到目标矩阵,包括:对所述多维监测数据进行划分,以得到
M
组样本,每组样本共包含
N
个特征参数;确定与所述
M
组样本对应的第一矩阵
、
均值和方差,进而基于所述均值和方差将所述第一矩阵转换为第二矩阵;确定与所述第二矩阵对应的数据单元;基于所述数据单元,确定累计方差的贡献率,若所述贡献率大于预设阈值,则可以将对应的前
p
个成分作为主成分;确定与所述主成分对应的第三矩阵;基于所述第三矩阵和所述第一矩阵之间的偏差,确定所述目标矩阵
。3.
根据权利要求2所述的方法,其特征在于,所述基于所述第三矩阵和所述第一矩阵之间的偏差,确定所述目标矩阵,包括:对所述第一矩阵进行标准化处理,并基于标准化处理之后的每组样本和所述第三矩阵中每个主成分之间的偏差,确定第四矩阵;对所述第四矩阵进行标准化处理,以得到第五矩阵
。4.
根据权利要求2所述的方法,其特征在于,所述确定与所述第二矩阵对应的数据单元,包括:其中,所述第二矩阵为
M
行
N
列的矩阵所述第二矩阵的数据单元
X
ij
表示为:其中,
i
=
1、2、
…
、M
;
j
=
1、2、
…
、N
,
x
j
为第
j
个特征参数,
x
ij
为第
i
行
、
第
j
个特征参数
。5.
根据权利要求1所述的方法,其特征在于,还包括:选择天气晴朗的实验场景,设置正常运行
、
开路故障
、
设备老化和阴影遮挡四种运行状态;基于所述目标矩阵和所述最佳簇个数,进行特征数据集分析,以分析得到每个特征数据集所对应的所述运行状态
。6.
一种光伏状态评估装置,其特征在于,包括:...
【专利技术属性】
技术研发人员:王静,任鑫,刘兴伟,周利鹏,巴特尔,石永利,马天野,冯恒,张云翔,黄思皖,席盛代,彭鹏,
申请(专利权)人:中国华能集团清洁能源技术研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。