基于大数据统计的分布式光伏电站分级预警方法与流程

本发明涉及光伏电站勘测与运维领域，具体涉及一种基于大数据统计的分布式光伏电站分级预警方法。

背景技术：

国家能源局2017年2月公布，截至2016年底，我国光伏发电新增装机容量3454万千瓦，累计装机量7742万千瓦，新增加累计装机容量均为世界第一，美国到2016年也才3850万千瓦。按照国家规定要求，到2020年我国光伏发电装机容量将达到15000万千瓦以上！

无人机监测系统已经开始应用与分布式光伏电站的运维与监测中，可以大大的降低光伏电站的运维成本，便于智能化管理。但是无人机监测系统仍然存在这巡航时间段，拍摄精度低，自然环境要求高，以及专业性要求高等问题，而且很难大规模，实时监测面积较大的分布式光伏电站。

技术实现要素：

本发明的目的是提供一种基于大数据统计的分布式光伏电站分级预警方法，结合大数据建模与实际需求，并利用特征融合方法和多级预警方法，既确保了预测数据的准确性，又保证了监测方法的实时性与有效性。

为实现上述目的，本发明提供的技术方案是：基于大数据统计的分布式光伏电站分级预警方法，该方法包括以下步骤：将分布式光伏电站分成若干子区域，在每个子区域内放置若干传感器，用来收集直接相关特征和非直接相关特征的数据，通过多类特征融合求解，获得光伏面板组的预测光电转换效率；如果预测值与实际值相比，超出可容忍误差范围，给出分级预警。

所述的直接相关特征数据是基于光伏面板组提供的，对于这类数据建立历史光电转换效率矩阵m和实时光电转换效率矩阵n；对于光伏面板的物理信息，建立矩阵p；对所述矩阵m，矩阵n，和矩阵p进行分解，两两匹配分解得到共解特征因子，获得个面板组的实时光电转换效率评估数据。其中，矩阵m的每一个条目为一组面板在一个时间段内的平均光电转换效率和光电转换效率方差，矩阵n的每一个条目为一个区域在一个时间段内统计的光伏面板组数量；矩阵p的每一行表示一组光伏面板，每一列表示一个物理属性。

所述非直接相关特征数据基于区域传感器提供的数据，包括太阳光照强度，空气质量，温度等环境数据。将所搜集的数据，通过块坐标下降求解多类特征融合的方法，将多种数据源的直接相关特征和非直接相关的数据融合，求解光伏面板光电转换效率的预测。

所述非直接相关特征根据接收到的区域传感器数据计算出环境属性变量，数据化环境属性变量，对每个区域内的所有传感器数据进行处理，获得单个区域内各种环境属性均值与方差。

所述的多类特征融合表达式为：

其中t表示时间，a表示光伏面板区块，表示在a区块，t时间段内光伏面板真实光电转换效率，其中表示某v特征下a区域，t时间段内的光电转换效率。表示各个特征的权重分配，其中表示某v特征的权重分配；函数将和的距离进行量化。

所述的子区域是将分布式光伏电站的光伏面板进行等数量的划分，区域内的环境属性变量变化在阈值范围内。

直接相关特征数据采集对象中的光伏面板开始为全光伏电站，当预测值与实际值偏差大于可容忍误差范围时，产生初级预警；当系统接到初级预警后，直接相关特征数据中取按照时分复用的方式对各个子区域内的光伏面板组进行光电转换效率预测，并与实际值相比对，在容忍误差范围内的子区域直接忽略，超出容忍误差范围的子区域进行二级预警；依次类推，直到获取n级预警，找到故障面板截止。等级n与光伏电站子区域的划分有关，当光伏电站规模较大时，为了提高预警精度，可以调高等级n,如n＝20于小规模的光伏电站，可使用小等级n，如n＝5。

本发明公开了基于大数据统计的分布式光伏电站分级预警方法，该方法中包括直接相关特征和非直接相关特征。直接相关特征是将实时光伏面板组的单位发电效率，历史单位发电效率和光伏面板组物理信息转化为矩阵形式，非直接相关特征将实时的和历史的环境数据，结合相关光伏面板电能转换知识转换成特征矩阵。多类特征融合求解，获得光伏面板组的预测光电转换效率。将预测值与光伏面板实时效率相比较，如果超出可容忍误差范围，给出初级预警。当系统收到初级预警，缩小直接相关特征中光伏面板组样本容量，重复上述过程，直到获得二级预警。重复上述过程若干次，经过若干级预警之后，即可确认故障面板位置。该监测方法结合大数据建模与实际需求，并利用特征融合方法和多级预警方法，既确保了预测数据的准确性，又保证了监测方法的实时性与有效性。

与现有技术相比，本发明的有益效果是：

1.采用大数据统计的方法，将直接相关特征和非直接相关特征的数据通过多类特征融合求解，可以获得更接近真实情况的预测，提高了系统的准确性。

2.采用分级预警方法，可针对不同规模的分布式光伏电站进行设定不同的预警等级，提高该系统的适用性。同时采用分级预警方法可以有效快速，精准的找到故障面板位置，避免了将无效大数据进行重复计算的问题，提高预警系统的实时性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。

图1为本发明的原理示意图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述。

如图1所示，该方法包括以下步骤：将分布式光伏电站分成若干子区域，在每个子区域内放置若干传感器，用来收集直接相关特征和非直接相关特征的数据，通过多类特征融合求解，获得光伏面板组的预测光电转换效率。如果预测值与实际值相比，超出可容忍误差范围，给出分级预警。

所述的直接相关特征数据是基于光伏面板组提供的。如光伏面板的输出实时电压，均值电压，实时电流，均值电流和实时功率，均值功率等。所有数据可通过微电网整合节点进行采集并存储。对于这类数据建立历史光电转换效率矩阵m和实时光电转换效率矩阵n；对于光伏面板的物理信息，建立矩阵p；对所述矩阵m，矩阵n，和矩阵p进行分解，两两匹配分解得到共解特征因子，获得个面板组的实时光电转换效率评估数据。其中，矩阵m的每一个条目为一组面板在一个时间段内的平均光电转换效率和光电转换效率方差，矩阵n的每一个条目为一个区域在一个时间段内统计的光伏面板组数量；矩阵p的每一行表示一组光伏面板，每一列表示一个物理属性。

所述非直接相关特征数据基于区域传感器提供的数据；包括太阳光照强度，空气质量，温度等环境数据。由于光伏面板的光电转换效率严重依赖于自然环境，如太阳光强度会直接影响光电转换效率，而雾霾天气会将部分太阳光反射掉，减少了照射在光伏面板上的太阳能，从而会降低发电性能。将环境因素考虑进来，将所搜集的数据，通过块坐标下降求解多类特征融合的方法，将多种数据源的直接相关特征和非直接相关的数据融合，求解光伏面板光电转换效率的预测；

所述的基于大数据统计的分布式光伏电站分级预警方法，其特征在于，所述非直接相关特征根据接收到的区域传感器数据计算出环境属性变量，数据化环境属性变量，对每个区域内的所有传感器数据进行处理，获得单个区域内各种环境属性均值与方差。

所述的基于大数据统计的分布式光伏电站分级预警方法，其特征在于，所述的多类型特征融合表达式为：

其中t表示时间，a表示光伏面板区块，表示在a区块，t时间段内光伏面板真实光电转换效率，其中表示某v特征下a区域，t时间段内的光电转换效率。表示各个特征的权重分配，其中表示某v特征的权重分配；函数将和的距离进行量化。

所述的基于大数据统计的分布式光伏电站分级预警方法，其特征在于，所述的子区域是将分布式光伏电站的光伏面板进行等数量的划分，区域内的环境属性变量变化在阈值范围内。

所述的基于大数据统计的分布式光伏电站分级预警方法，其特征在于，直接相关特征数据采集对象中的光伏面板开始为全光伏电站，当预测值与实际值偏差大于可容忍误差范围时，产生初级预警；当系统接到初级预警后，直接相关特征数据中取按照时分复用的方式对各个子区域内的光伏面板组进行光电转换效率预测，并与实际值相比对，在容忍误差范围内的子区域直接忽略，超出容忍误差范围的子区域进行二级预警；依次类推，直到获取n级预警，找到故障面板截止。等级n与光伏电站子区域的划分有关，当光伏电站规模较大时，为了提高预警精度，可以调高等级n,如n＝20于小规模的光伏电站，可使用小等级n，如n＝5。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，依据本发明的技术实质，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。