光伏阵列工作状态的确定方法、装置、设备及存储介质与流程

本申请实施例涉及光伏
技术领域：
，特别涉及一种光伏阵列工作状态的确定方法、装置、设备及存储介质。
背景技术：
：在光伏场站的实际运行过程中，由于存在局部阴影遮挡、部分区域积灰严重或部分光伏组件故障等问题，导致光伏组件输出电流减少，从而使得光伏组串输出电流失配较高，给光伏场站带来发电量损失。在相关技术中，由于光伏组件故障可能导致光伏组件的温度过高或过低，使得故障光伏组件在红外图像中的颜色区别与其他正常光伏组件，因此可以通过配置有红外图像采集设备的无人机，利用红外图像采集设备对光伏组件进行图像采集，根据采集到的红外图像信息确定光伏阵列中光伏组件的工作状态。然而，采集到的红外图像容易受到场站环境因素的影响，比如，场站的环境温度，使得故障光伏组件和正常光伏组件在红外图像中，区别度较低，从而导致确定光伏阵列的工作状态的精确度较低。技术实现要素：本申请实施例提供了一种光伏阵列工作状态的确定方法、装置、设备及存储介质。所述技术方案如下：一方面，本申请实施例提供了一种光伏阵列工作状态的确定方法，所述方法包括：获取光伏阵列中包含的光伏组串的当前输出电流值，所述光伏阵列中包括至少两个并联的所述光伏组串；根据所述当前输出电流值确定目标异常分值预测模型，其中，不同异常分值预测模型对应不同特征电流值范围，所述异常分值预测模型根据所述光伏阵列的历史输出电流值训练得到；将所述当前输出电流值输入所述目标异常分值预测模型，确定所述光伏阵列对应的当前异常分值；将所述当前异常分值与目标异常分值进行对比，确定所述光伏阵列的工作状态，其中，不同异常分值预测模型对应不同异常分值，所述异常分值为将所述历史输出电流值输入所述异常分值训练模型后得到的。另一方面，本申请实施例提供了一种光伏阵列工作状态的确定装置，所述装置包括：第一获取模块，用于获取光伏阵列中包含的光伏组串的当前输出电流值，所述光伏阵列中包括至少两个并联的所述光伏组串；第一确定模块，用于根据所述当前输出电流值确定目标异常分值预测模型，其中，不同异常分值预测模型对应不同特征电流值范围，所述异常分值预测模型根据所述光伏阵列的历史输出电流值训练得到；第二确定模块，用于将所述当前输出电流值输入所述目标异常分值预测模型，确定所述光伏阵列对应的当前异常分值；第三确定模块，用于将所述当前异常分值与目标异常分值进行对比，确定所述光伏阵列的工作状态，其中，不同异常分值预测模型对应不同异常分值，所述异常分值为将所述历史输出电流值输入所述异常分值训练模型后得到的。另一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的光伏阵列工作状态的确定方法。另一方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述方面所述的光伏阵列工作状态的确定方法。本申请实施例提供的技术方案带来的有益效果至少包括:获取光伏阵列中包含的光伏组串的当前输出电流值，根据当前输出电流值确定目标异常分值预测模型，并将当前输出电流值输入目标异常分值预测模型中，输出光伏阵列对应的当前异常分值，以便将当前异常分值与目标异常分值预测模型对应的目标异常分值进行对比，从而根据对比结果确定出光伏阵列的工作状态。通过将实时采集到的当前输出电流值输入异常分值预测模型中，输出当前异常分值来确定光伏阵列的当前工作状态，由于当前输出电流值可以实时反映光伏阵列的工作状态，相比于相关技术中通过红外图像确定工作状态的方式，可以避免环境温度对红外图像的干扰，从而提高了确定光伏阵列工作状态的准确率。附图说明图1示出了本申请一个示例性实施例提供的实施环境的示意图；图2示出了本申请一个示例性实施例示出的光伏阵列工作状态的确定方法的流程图；图3示出了本申请一个示例性实施例示出的确定电流阈值的方法的流程图；图4示出了本申请一个示例性实施例示出的确定异常分值预测模型的方法的流程图；图5是本申请一个示例性实施例示出的异常分值预测模型的构建过程的示意图；图6示出了本申请一个示例性实施例示出的确定异常分值的方法的流程图；图7示出了本申请另一个示例性实施例示出的光伏阵列工作状态的确定方法的流程图；图8示出了本申请另一个示例性实施例示出的光伏阵列工作状态的确定方法的流程图；图9示出了本申请另一个示例性实施例示出的光伏阵列工作状态的确定方法的流程图；图10示出了本申请一个示例性实施例提供的光伏阵列工作状态的确定装置的结构框图；图11示出了本申请一个示例性实施例提供的计算机设备的结构示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。在光伏组件发生故障时，存在两种情况，一种情况是，光伏组件损坏或是光伏组件受到遮挡，导致光伏组件的温度升高；第二种情况是，光伏组件由于旁路二极管发生短路，即光伏组件不工作，导致光伏组件的温度较低。由于正常光伏组件与故障光伏组件存在温度上的差异，因此，相关技术中提供了一种确定光组件工作状态的方式，通过配置有红外图像采集设备的无人机，对光伏场站中的光伏组件进行巡检，该方法根据采集到的红外图像信息，来确定光伏组件的工作状态。采用上述相关技术中的方法，由于红外图像信息受温度的影响较大，当光伏场站的环境温度较高或较低时，可能无法区分正常光伏组件和故障光伏组件，导致漏报或误报情况的发生，使得确定光伏组件工作状态的准确率比较低。为了解决上述问题，本申请实施例提供了一种确定光伏阵列工作状态的方法。请参考图1，其示出了本申请一个示例性实施例提供的实施环境的示意图。该实施环境中包括光伏阵列101和监控平台102。光伏阵列101是由多个光伏组串并联形成的光伏发电系统，指与单个汇流箱连接的所有光伏组串的集合。在实际光伏场站中，包含多个光伏阵列101，光伏阵列101中各个光伏组串输出的电流经过汇流箱汇流之后，传输至逆变器。通常一个光伏阵列中并联有8-16个光伏组串，每个光伏组串中串联有24个光伏组件。本申请实施例中，光伏阵列101可以设置有采集光伏阵列工作状态数据的传感器，比如，采集光伏组串输出电流的电流传感器、电流互感器等，并将采集到的输出电流值发送给监控平台102。光伏阵列101与监控平台102之间通过有线或无线网络相连。监控平台102是具有存储光伏阵列101发送的当前输出电流值、处理该数据以及生成告警记录等功能的计算机设备，其可以是一台服务器，若干台服务器构成的服务器集群或云服务器。本申请实施例中，监控平台102可以获取光伏阵列101发送的当前输出电流值，并将当前输出电流值输入预先训练完成的异常分值预测模型中，输出当前输出电流值对应的当前异常分值，并与预先确定的目标异常分值进行对比，从而确定光伏阵列的工作状态。可选的，监控平台102还可以将获取到的输出电流值存储在数据库中，以便后续根据该输出电流值不断训练异常分值预测模型。在一种可能的实施方式中，当监控平台102确定出光伏阵列中存在异常光伏组串时，可以生成告警记录，以便运维人员及时了解到光伏阵列的工作状态，并在发生故障时及时解决光伏组串的异常工作状态问题。为了便于描述，在下述方法实施例中，仅以监控平台102是计算机设备为例进行介绍说明。请参考图2，其示出了本申请一个示例性实施例示出的光伏阵列工作状态的确定方法的流程图。本实施例以该方法用于计算机设备为例进行说明，该方法包括如下步骤。步骤201，获取光伏阵列中包含的光伏组串的当前输出电流值，光伏阵列中包括至少两个并联的光伏组串。由于光伏阵列是由多个光伏组串并联形成的光伏发电系统，确定光伏阵列的工作状态，就是为了确定各个光伏组串的工作状态，因此，在一种可能的实施方式中，获取到的当前输出电流值中包含各个光伏组串对应的输出电流值。针对光伏组串的当前输出电流值，可以使用电感线圈检测光伏组串的当前输出电流，并将采集到的当前输出电流值发送给计算机设备；且每一个光伏组串对应一个当前输出电流值，同一采样时刻当前输出电流值的个数取决于光伏阵列中包含的光伏组串的个数，比如，若光伏阵列中包含8个光伏组串，则同一采样时刻对应的当前输出电流值可以包括：i1、i2、i3、i4、i5、i6、i7、i8。步骤202，根据当前输出电流值确定目标异常分值预测模型，其中，不同异常分值预测模型对应不同特征电流值范围，异常分值预测模型根据光伏阵列的历史输出电流值训练得到。其中，计算机设备中预先存储有多个异常分值预测模型，该异常分值预测模型是根据该光伏阵列的历史输出电流值训练得到的。且不同的异常分值预测模型对应不同特征电流值范围。比如，异常分值预测模型a对应的特征电流值范围是0-2a，异常分值预测模型b对应的特征电流值范围是2-4a，异常分值预测模型c对应的特征电流值范围是4-6a等。可选的，可以采集6个月内光伏阵列对应的历史输出电流值，构建多个训练样本，训练得到多个异常分值预测模型。在一种可能的实施方式中，计算机设备对当前输出电流值进行处理，确定出其对应的当前特征电流值，根据该当前特征电流值与各个异常分值预测模型对应的特征电流值范围之间的关系，确定其对应的目标异常分值预测模型。比如，若当前特征电流值为5a，则将异常分值预测模型c确定为目标异常分值预测模型。步骤203，将当前输出电流值输入目标异常分值预测模型，确定光伏阵列对应的当前异常分值。在一种可能的实施方式中，当确定出目标异常分值预测模型之后，则将各个当前输出电流值输入该目标异常分值预测模型中，输出当前异常分值。可选的，可以将当前输出电流值以矩阵的形式，输入目标分值预测模型中。步骤204，将当前异常分值与目标异常分值进行对比，确定光伏阵列的工作状态，其中，不同异常分值预测模型对应不同异常分值。其中，针对目标异常分值，可以预先将历史输出电流值输入对应的异常分值预测模型中，将输出的异常分值确定为该异常分值预测模型对应的标准异常分值(即目标异常分值)，并将该标准异常分值与对应的异常分值预测模型关联存储。在一种可能的实施方式中，当获取到当前异常分值之后，可以与目标异常分值进行对比，该目标异常分值与该目标异常分值预测模型关联存储，若符合预设的逻辑关系，则输出光伏阵列工作状态正常，若不符合预设的逻辑关系，则输出光伏阵列的工作状态异常。其中，预设的逻辑关系可以是当前异常分值小于等于目标异常分值。综上所述，本申请实施例中，获取光伏阵列中包含的光伏组串的当前输出电流值，根据当前输出电流值确定目标异常分值预测模型，并将当前输出电流值输入目标异常分值预测模型中，输出光伏阵列对应的当前异常分值，以便将当前异常分值与目标异常分值预测模型对应的目标异常分值进行对比，从而根据对比结果确定出光伏阵列的工作状态。通过将实时采集到的当前输出电流值输入异常分值预测模型中，输出当前异常分值来确定光伏阵列的当前工作状态，由于当前输出电流值可以实时反映光伏阵列的工作状态，相比于相关技术中通过红外图像确定工作状态的方式，可以避免环境温度对红外图像的干扰，从而提高了确定光伏阵列工作状态的准确率。在一种可能的应用场景下，可以同时获取预设时间戳对应的当前输出电流值，构建出预设时间戳电流矩阵，通过判断预设时间戳对应的异常分值(将预设时间戳内包含的各个采样时刻分别对应的当前异常分值进行累加得到)与异常分值阈值之间的关系，来确定光伏阵列的工作状态。其中，预设时间戳可以包括m个采样时刻，m为大于等于1的整数。示意性的，预设时间戳对应的电流矩阵可以是：其中，imn表示第m个采样时刻第n个光伏组串对应的当前输出电流值。针对获得预设时间戳对应的异常分值的方法，可以首先根据不同的采样时刻分为不同的电流子矩阵(用ii表示)，并确定各个电流子矩阵对应的当前特征电流值，从而根据确定的当前特征电流值与各个异常分值预测模型对应的特征电流值范围，来确定各个电流子矩阵分别对应的目标异常分值预测模型，从而将各个电流子矩阵分别输入对应的目标分值预测模型中，得到各个电流子矩阵(即各个采样时刻)分别对应的当前异常分值s＝[s1…sm]，其中，sm表示第m个采样时刻对应的当前异常分值，累加之后，可以得到预设时间戳对应的异常分值st。示意性的，若m为3，n为8，则预设时间戳内包含3个采样时刻对应的当前输出电流值，且每个采集时刻对应8个电流值。以采样时刻1为例，将采样时刻1对应的当前输出电流值确定为电流子矩阵i1＝[i11…i1n]，其中，i1n表示第1个采样时刻第n个光伏组串对应的当前输出电流值，并确定该电流子矩阵对应的当前特征电流值，从而确定其对应的目标异常分值预测模型，将该电流子矩阵输入对应的目标异常分值预测模型后，得到该电流子矩阵对应的当前异常分值(用s1来表示)。同理可以得到其他两个采样时刻分别对应的电流子矩阵i2和i3，以及其对应的当前异常分值s2和s3，将各个当前异常分值累加，得到预设时间戳对应的异常分值st＝s1+s2+s3。针对异常分值阈值的确定方法，由于各个采样时刻对应的目标异常分值预测模型可能不同，且不同的异常分值预测模型对应不同的目标异常分值，因此，可以在确定出各个采样时刻对应的目标异常分值预测模型之后，将各个目标异常分值预测模型对应的目标异常分值累加，得到预设时间戳内对应的异常分值阈值sthreshold，比如，目标异常分值为10-20，且目标异常分值阈值与预设时间戳内包含的采样时刻的个数有关。示意性的，若m为3，预设时间戳电流矩阵可以被划分为电流子矩阵i1、i2和i3，若电流子矩阵i1对应异常分值预测模型a，电流子矩阵i2对应异常分值预测模型b，电流子矩阵i3对应异常分值预测模型c，且异常分值预测模型a对应的异常分值为sa，异常分值预测模型b对应的异常分值为sb，异常分值预测模型c对应的异常分值为sc，则预设时间戳电流矩阵对应的异常分值阈值sthreshold＝sa+sb+sc。针对预设的逻辑关系，可以是st≤sthreshold，若预设时间戳对应的当前异常分值小于等于异常分值阈值，则输出光伏阵列工作状态正常，若预设时间戳对应的当前异常分值大于目标异常分值阈值，则输出当前光伏阵列工作状态异常。可选的，也可以在获取到某一电流子矩阵对应的当前异常分值之后，直接与其对应的目标异常分值进行比较，若当前异常分值小于等于目标异常分值，则输出光伏阵列工作状态正常，若当前异常分值大于目标异常分值，则继续判断下一采样时刻对应的当前异常分值与目标异常分值之间的关系，直至将预设时间戳内对应的采样时刻均循环判断完毕，若预设时间戳内包含的各个采样时刻对应的当前异常分值均大于目标异常分值，则输出光伏阵列工作状态异常。本实施例中，通过获取预设时间戳内对应的当前输出电流值，构建预设时间戳电流矩阵，并分析预设时间戳内包含的各个采样时刻对应的当前输出电流值，确定各个采样时刻对应的目标异常分值预测模型，从而将各个采样时刻对应的当前输出电流值输入目标异常分值预测模型中，得到各个采样时刻对应的当前异常分值，累加得到预设时间戳对应的异常分值，与异常分值阈值进行比较，若满足预设逻辑关系，则输出当前光伏工作状态正常，若不满足，则输出光伏阵列工作状态异常。通过采集预设时间戳内的当前输出电流值，来确定光伏阵列的工作状态，可以提高确定光伏阵列工作状态的效率。在一种可能的实施方式中，通过采集到的光伏阵列对应的历史输出电流值，来训练得到异常分值预测模型，由于历史输出电流值中可能存在一些异常数据或无效数据，比如，夜间情况下对应的电流数据(无效数据)，或者汇流箱故障(或采集输出电流值的设备故障)时，采集到的电流数据(异常数据)，这些异常或无效数据均会影响训练得到的异常分值预测模型的准确性，因此，为了提高确定的异常分值预测模型的准确率，需要采用一定的数据质量规则对采集到的历史输出电流值进行筛选和处理，本实施例重点描述如何确定电流阈值的过程，该电流阈值用来对历史输出电流值中的电流虚高值进行筛选。示意性的，如图3所示，其示出了本申请一个示例性实施例示出的确定电流阈值的方法的流程图。该方法包括：步骤301，获取预设时间段内光伏阵列的历史工作状态数据。其中，历史工作状态数据包括光伏组串的历史输出电流值、光伏组串对应的历史辐照度、光伏组串所处环境的历史环境温度、历史风速等。其中，预设时间段可以是近期6个月，或者是近期1年。在一种可能的实施方式中，可以获取该光伏阵列近期6个月内的历史输出电流值、历史辐照度、历史环境温度、历史风速等。其中，获取历史输出电流值的方式可以参考上文实施例，本实施例在此不做赘述。对于历史环境温度和历史风速，可以分别由光伏场站内安装的温度传感器和风速仪采集得到。针对光伏组串对应的历史辐照度，可以由光伏场站配备的辐照仪采集得到，其中，辐照仪的安装方式可以是水平安装(即水平辐照仪)，通过水平辐照仪采集到的辐照度数据需要转换为与光伏阵列倾角对应的辐照度数据；也可以采用与光伏阵列倾角相同且朝向相同的安装方式(倾角辐照仪)，通过这种安装方式采集到的辐照度即为光伏组串对应的辐照度。在一种可能的实施方式中，计算机设备收集6个月内辐照仪采集到的历史辐照度数据，并存储在相应数据库中，以便后续确定电流阈值。可选的，可以按照预设采样频率获取历史工作状态数据，比如，预设采样频率为5min。该采用频率可以与获取当前输出电流值的采样频率相同。步骤302，根据最大辐照度、最大风速和最高环境温度，计算光伏阵列对应的光伏组件温度。其中，最大辐照度由历史辐照度确定，即将采样周期内的所有历史辐照度中的最大值作为最大辐照度；最高环境温度由历史环境温度确定，即将采样周期内的所有历史环境温度中的最大值作为最高环境温度，最大风速由历史风速确定，即将采样周期内的所有历史风速中的最大值作为最大风速。示意性的，辐照度、风速、环境温度和光伏组件温度的关系可以表示为：tm＝gpoaexp(a+bws)+ta(1)其中，tm光伏组件温度(光伏组件背板温度)，gpoa为辐照度(该辐照度为与光伏阵列倾角对应的辐照度)，ws为光伏组件所处环境的风速，ta表示光伏组件所处环境的环境温度，a、b为常数，a，b的取值根据光伏组件类型以及安装方式的不同取值不同，具体取值情况可以参考表一所示内容：表一组件类型安装方式ab双玻组件固定倾角-3.47-0.0594双玻组件固定倾角-2.98-0.0471常规组件固定倾角-3.56-0.075常规组件彩钢瓦-2.81-0.0455薄膜组件固定倾角-3.58-0.113在一种可能的实施方式中，将获取到的最大风速、最高环境温度和最大辐照度带入公式(1)中，可以计算得到光伏组件温度tm。步骤303，根据光伏组件温度和最大辐照度，计算光伏阵列对应的第一最大输出电流值，第一最大输出电流值为光伏组串在最大辐照度情况下输出电流的电流值。示意性的，输出电流、光伏组件温度、辐照度的关系可以表示为：其中，i1为输出电流，iph，stc为标准测试条件下的输出电流；gpoa为倾角辐照，β是光伏组件的电流温升系数，tm为光伏组件温度(光伏组件背板温度)；tstc为标准测试条件下的温度，即25℃。标准测试条件(standardtestcondition，stc)是指光伏领域公认的对光伏组件的测试标准，即1.5；1000w/m2；25℃，其中1.5是指大气质量(airmass，am)为1.5，即光线通过大气的实际距离为大气垂直厚度的1.5倍，1000w/m2是标准测试下太阳光线的辐照度，25℃是指光伏组件在25℃下工作。在一种可能的实施方式中，由于iph，stc、β、tstc等为默认值，可以将步骤302中获得的光伏组件温度tm以及最大辐照度带入公式(2)中，计算得到光伏阵列对应的第一最大电流值i1。步骤304，根据额定装机容量和最大系统电压，计算光伏阵列对应的第二最大输出电流值，第二最大输出电流值为汇流箱允许光伏组串输入的最大电流的电流值。其中，额定装机容量为汇流箱的额定功率，汇流箱与光伏阵列相连；最大系统电压为逆变器的系统电压，逆变器与汇流箱相连。示意性的，额定装机容量、最大系统电压和第二最大输出电流之间的关系可以表示为：其中，pcbx，rated为汇流箱的额定装机容量，vinv，max_system为逆变器的最大系统电压，i2为第二最大输出电流，由公式(3)可知，第二最大输出电流与光伏阵列的历史工作数据无关，即对于同一汇流箱，第二最大输出电流固定不变。在一种可能的实施方式中，根据汇流箱的额定装机容量和逆变器的最大系统电压，可以计算得到第二最大输出电流值，即i2。步骤305，将第一最大输出电流值和第二最大输出电流值中的最小值，确定为电流阈值。在一种可能的实施方式中，将第一最大输出电流和第二最大输出电流值中的最小值，确定为电流阈值，比如，电流阈值可以是10a，若获取到的光伏组串的输出电流值高于该电流阈值，则表示该光伏组串对应的输出电流值虚高，造成电流值虚高的原因可能是汇流箱设备问题，或者是检测该光伏组串电流的电感线圈故障，不属于光伏组串故障的范围，因此，需要根据确定的电流阈值对历史工作状态数据进行筛选，去除其中的电流虚高值。示意性的，电流阈值可以用ithreshold来表示。电流阈值与第一最大电流i1和第二最大电流i2的关系可以表示为(取i1和i2的最小值)：ithreshold＝min(i1,i2)示意性的，若i1＝10a，i2＝10.5a，则电流阈值ithreshold＝10a。本实施例中，通过获取预设时间段内该光伏阵列对应的历史工作状态数据，从中分析得到该光伏阵列对应的电流阈值，以便根据预设的数据质量规则对该历史工作状态数据进行筛选和处理，从而提高训练得到的异常分值预测模型的准确率。在一种可能的实施方式中，按照上文实施例中获取到的电流阈值对采集到的预设时间段内的历史输出电流值进行预处理之后，即可以根据筛选后的历史输出电流值来训练异常分值预测模型。本实施例重点描述如何根据筛选后的历史输出电流值来训练得到异常分值预测模型。示意性的，如图4所示，其示出了本申请一个示例性实施例示出的确定异常分值预测模型的方法的流程图。该方法包括：步骤401，根据电流阈值对历史输出电流值进行筛选，得到筛选后的历史输出电流值，其中，筛选后的历史输出电流值小于等于电流阈值。在一种可能的实施方式中，可以根据预设的数据质量规则对历史输出电流值进行筛选，其中，数据质量规则可以包括：去除掉夜间数据(比如，去除掉上午7点之前和下午6点之后的数据)、去除重复时间戳数据、去除超过电流阈值的数据、去除汇流箱无连接(汇流箱停机)时间段的数据、去除卡值数据(卡值数据指数据不刷新超过预设时间，比如，超过10min)、去除辐照度小于20w/m2的数据以及补充空缺值等。对于去除超过电流阈值的数据之后，需要对该采集时刻对应的电流空缺值进行补充，可以通过空缺值对应的采集时刻前后有效时间点的电流均值，作为填补值代替空缺值，比如，10:05：00时刻对应的电流值为18a，大于电流阈值10a，而10:00:00时刻采集到的电流值为6.7a，小于该电流阈值10a，10:10:00采集到的电流值为6.9a，也小于该电流阈值10a，则可以将电流均值6.8a，作为10:05：00时刻对应的输出电流值。在一种可能的实施方式中，将经过预设数据质量规则处理之后的历史输出电流值，确定为训练异常分值预测模型的基础数据。步骤402，根据筛选后的历史输出电流值，确定历史特征电流值，历史特征电流值表征光伏阵列各个采集时刻对应的历史电流特征。由于一天内不同采集时刻对应的历史输出电流值存在差异，因此，为了更准确的训练得到符合各个采集时刻对应的异常分值预测模型，可以按照各个采集时刻对应的历史特征电流值对历史输出电流值进行划分，将满足同一特征电流值范围的数据作为训练异常分值预测模型的基础数据。比如，将历史输出电流值中的0-2a划分为训练样本a1，将历史输出电流值中2-4a划分为训练样本a2，将历史输出电流值中的4-6a划分为训练样本a3，依次类推，可以根据历史特征电流值将历史输出电流值划分为不同的等级，即不同的训练样本。针对获取划分训练样本的依据，在一种可能的实施方式中，根据历史特征电流值作为依据进行划分，其中，历史特征电流值的确定方法可以是：以预设时间段为6个月，采样时间间隔为1min，光伏阵列中包含8个光伏组串为例，同一采集时刻同一光伏组串对应的历史输出电流值有6×30×12×60个，首先对于这129600个历史输出电流值，取k百分位数对应的历史输出电流值，作为该采集时刻该光伏组串对应的历史输出电流值，且k取大于50的整数，即取中位数以上的历史输出电流值。按照上述步骤，可以确定出同一光伏组串一天中各个采集时刻对应的历史输出电流值。同理可以得到所有光伏组串各个采集时刻对应的历史输出电流值。示意性的，所有光伏组串一天中各个采集时刻对应的历史输出电流值用矩阵的形式可以表示为：其中，it表示历史输出电流值矩阵，iij表示第i个采样时刻第j个光伏组串对应的历史输出电流值。在一种可能的实施方式中，当获取到历史输出电流值矩阵之后，可以从中提取出多个历史特征电流值iti，提取历史特征电流值的方式可以是，对于同一采样时刻对应的多个支路电流值(即各个光伏组串对应的历史输出电流值)，取k百分位数对应的历史输出电流值，作为该采集时刻对应的历史特征电流值。其中，k取大于等于50的整数，即取中位数以上的历史输出电流值。同理，可以获得各个采样时刻对应的历史特征电流值。示意性的，获得的历史特征电流值集合可以是ik＝[it1…itiit(i+1)]，其中，iti表示第i个采样时刻对应的历史特征电流值。步骤403，根据历史特征电流值对筛选后的历史输出电流值进行划分，确定至少一个训练样本，其中，不同训练样本包含的历史输出电流值对应不同特征电流值范围，特征电流值范围根据历史特征电流值确定。在一种可能的实施方式中，当确定出各个采样时刻对应的历史特征电流值之后，即可以根据上述历史特征电流值对筛选后的历史输出电流值进行划分，确定出至少一个训练样本，用来训练得到至少一个异常分值预测模型。针对根据历史特征电流值对筛选后的历史输出电流值进行划分的方式，在一种可能的实施方式中，首先根据获得的历史特征电流值，按照由小到大的顺序进行排列，并将相邻两个历史特征电流值作为一个特征电流值范围，以此类推，可以得到多个特征电流值范围，从而将满足特征电流值范围的历史输出电流值确定为一个训练样本，得到多个训练样本，其中，不同训练样本对应不同特征电流值范围。示意性的，若历史特征电流值为ik＝[it1…itiit(i+1)]，且iti＜it(i+1)，则训练样本iki＝[i1i2…in]，其中，训练样本iki∈[iti，it(i+1)]，表示训练样本iki中的历史输出电流值均位于特征电流值iti至it(i+1)的范围内。步骤404，根据训练样本训练异常分值预测模型。在一种可能的实施方式中，异常分值预测模型采用孤立森林(isolationforest)算法，在确定出多个训练样本之后，即可以根据训练样本训练异常分值预测模型。示意性的，可以按照下述步骤训练得到异常分值预测模型。一、获取训练样本iki，从训练样本iki中随机抽取ψ个样本数据作为子样本，构建二叉树。由于异常分值预测模型由多棵二叉树组成，因此，在训练异常分值预测模型的过程中，需要对每棵二叉树进行构建，即需要将训练样本分为多个子样本，根据各个子样本来分别构建二叉树。实验表明，当异常分值预测模型中的二叉树为100棵时，子样本中包含的数据量为256个时，得到的异常分值预测模型可以达到比较好的预测效果。示意性的，可以从训练样本iki中随机抽取256个样本数据作为子样本a，根据子样本a构建第一棵二叉树。可选的，子样本的数据量和异常分值预测模型中包含的二叉树的数量，均可以由运维人员根据需求自行设置，本实施例对此不构成限定。二、在子样本中包含的历史输出电流值的最大值和最小值之间，随机产生一个数值作为分界特征值ip。在一种可能的实施方式中，可以将历史输出电流值作为划分二叉树各个节点的维度，并在该节点上历史输出电流值的最大值和最小值之间，随机选取一个数值作为分界特征值。示意性的，如图5所示，若训练子样本中包含4个样本数据ika＝[i1i2i3i4]，用于构建第一棵二叉树，从该样本数据中的最大值和最小值之间，随机选取一个数值ip作为分界特征值。三、根据分界特征值ip对当前节点数据进行划分，将小于ip的节点数据划分为左子节点，将大于等于ip的节点数据划分为右子节点。示意性的，如图5所示，若上述训练子样本中的历史输出电流值小于ip，则划分为左子节点，若上述训练子样本中的历史输出电流值大于等于ip，则划分为右子节点，比如，若i1小于ip，则划分为左子节点，若i2、i3、i4大于等于ip则划分为右子节点。四、在节点的左子节点和右子节点上分别进行上述步骤二至步骤三，不断构建新的叶子节点，直至满足预设条件，则结束训练，并生成一棵二叉树。其中，预设条件可以包括：(1)当前二叉树是否达到预设深度；(2)子节点上仅有一个样本数据；(3)子节点上的样本数据特征相同。示意性的，如图5所示，右子节点中还包括3个训练样本数据(i2、i3、i4)，且这3个训练样本数据特征不相同，可以继续划分，而左子节点上仅包括1个训练样本数据(i1)，不可继续进行划分；针对右子节点，按照上述步骤二和步骤三，继续进行划分，比如，i3被划分为左子节点，i2、i4被划分为右子节点等。直至判断该二叉树满足上述预设条件，则结束训练并生成二叉树。五、在训练样本iki中重新随机抽取ψ个样本数据作为子样本，按照步骤二至步骤四，构建第二棵二叉树。在一种可能的实施方式中，当生成一棵二叉树之后，在训练样本iki中重新随机抽取训练子样本，比如，随机抽取训练子样本ikb＝[i5i6i7i8]，ikc＝[i9i10i11i12]、ikd＝[i13i14i15i16]等，并根据各个训练子样本生成多个二叉树。六、当二叉树的数量满足预设数量时，根据构建的多个二叉树，组成异常分值预测模型。在一种可能的实施方式中，当构建出的二叉树的数量满足数量阈值时，比如，预设数量为100棵，则根据构建完成的100棵二叉树组成异常分值预测模型。可选的，上文实施例仅描述了一个异常分值预测模型的训练过程，由于上文中基于历史特征电流值将筛选后的历史输出电流值划分为多个训练样本，则可以按照上文中步骤一指步骤六，实现对多个异常分值预测模型的训练。可选的，随着历史输出电流值的不断更新，可以随时以更新后的历史输出电流值重新训练异常分值预测模型。本实施例中，通过电流阈值对采集到的历史输出电流值进行筛选，去除其中的电流虚高值，避免电流虚高值对异常分值预测模型的准确率的影响；此外，异常分值预测模型采用isolationforest算法，可以有效的识别训练样本中的孤立数据点。在一种可能的实施方式中，当异常分值预测模型训练完成之后，可以将训练样本iki重新输入异常分值预测模型中，得到该异常分值预测模型对应的异常分值。请参考图6，其示出了本申请一个示例性实施例示出的确定异常分值的方法的流程图。该方法包括：步骤601，将训练样本分别输入s个二叉树中，得到训练样本对应的s个路径长度。在一种可能的实施方式中，设定异常分值预测模型中有s个二叉树，则将训练样本输入对应的异常分值预测模型中，得到训练样本对应的s个路径长度，即训练样本在每棵二叉树上的路径长度，并进行记录。步骤602，根据s个路径长度，计算训练样本对应的异常分值。示意性的，路径长度和异常分值的关系可以表示为：其中，s(x，ψ)为训练样本对应的异常分值，c(ψ)为异常分值预测模型中各棵二叉树的平均路径长度，h(x)为训练样本在每棵二叉树上的路径长度，e为求平均值。针对二叉树的平均路径长度c(ψ)，满足的关系式可以是：其中，ψ为训练样本中包含的样本数据量，h(ψ-1)为调和数，其可以被估计为h(ψ-1)＝ln(ψ-1)+ζ，欧拉常数ζ＝0.5772156649。在一种可能的实施方式中，将训练样本输入对应的异常分值预测模型中，得到s个路径长度，即h(x)，对s个路径长度取平均值，得到e(h(x))，带入公式(4)中，可以计算得到该训练样本对应的异常分值，也即该异常分值预测模型对应的异常分值(标准异常分值)。本实施例中，通过将训练样本输入对应的异常分值预测模型中，可以得到训练样本在s个二叉树上的路径长度，从而根据s个路径长度，计算得到异常分值预测模型对应的异常分值，以便后续与得到的当前异常分值进行对比，确定光伏阵列的工作状态。在一种可能的实施方式中，为了去除偶然因素导致的误报警情况，应该对连续n个采样时刻对应的当前异常分值进行判断，以便提高告警的准确率。请参考图7，其示出了本申请另一个示例性实施例示出的光伏阵列工作状态的确定方法的流程图。本实施例以该方法用于计算机设备为例进行说明，该方法包括如下步骤。步骤701，获取光伏阵列中包含的光伏组串的当前输出电流值，光伏阵列中包括至少两个并联的光伏组串。本步骤的实施方式可以参考步骤201，本实施例在此不做赘述。步骤702，根据当前输出电流值确定目标异常分值预测模型，其中，不同异常分值预测模型对应不同特征电流值范围，异常分值预测模型根据光伏阵列的历史输出电流值训练得到。由于汇流箱设备或检测组串输出电流的电感线圈发生故障时，会导致获取到的当前输出电流值虚高，若获取到的输出电流值中存在电流虚高值，会导致确定的当前异常分值较高，影响对光伏阵列工作状态的判断，因此，在将当前特征电流值输入目标异常分值预测模型之前，首先需要对当前输出电流值进行预处理，比如，去除当前输出电流值中的电流虚高值。示意性的，如图8所示，步骤702可以包括步骤702a、步骤702b和步骤702c。步骤702a，根据电流阈值对当前输出电流值进行筛选，得到筛选后的当前输出电流值，电流阈值由光伏阵列的历史工作状态数据确定，且筛选后的当前输出电流值小于等于电流阈值。其中，电流阈值的确定方式可以参考上文实施例，本实施例在此不做赘述。在一种可能的实施方式中，若同一采集时刻获取到多个当前输出电流值，根据电流阈值对多个当前输出电流值进行筛选，即去除其中大于电流阈值的当前输出电流值，且无需填补空缺值。示意性的，比如，获取到的当前输出电流值可以是i1＝6.3a、i2＝7a、i3＝6.5a、i4＝6.4a、i5＝6.7a、i6＝7a、i7＝18a、i8＝6.9a，电流阈值为ithreshold＝10a，根据电流阈值和当前输出电流值的关系，对当前输出电流值进行筛选，由于i7＞ithreshold则去除i7对应的当前输出电流值。对于实时采集到的当前输出电流值，在去除电流虚高值之后，若存在空缺值，无需进行空缺值填补，仅需对剩余的当前输出电流值进行后续分析即可。且若存在电流虚高值，会触发其他告警，比如，汇流箱设备故障告警，电感线圈故障告警等，与本申请中的光伏阵列故障告警无关。步骤702b，将筛选后的当前输出电流值中的k百分位数，确定为当前特征电流值，k为大于等于50的整数，当前特征电流值表征光伏阵列当前采集时刻对应的当前电流特征。在一种可能的实施方式中，将去除电流虚高值之后的当前输出电流值中的k百分位数，确定为当前特征电流值，默认当k取大于等于50的整数，得到的当前特征电流值表征光伏阵列当前采集时刻对应的当前电流特征。示意性的，若筛选之后的当前输出电流值为i1＝6.3a、i2＝7a、i3＝6.5a、i4＝6.4a、i5＝6.7a、i6＝7a、i8＝6.9a，则将该当前输出电流值进行排序，可以取中位数(k＝50)，得到当前特征电流值为ik＝6.7a。步骤702c，根据当前特征电流值，确定目标异常分值预测模型，当前特征电流值位于目标异常分值预测模型对应的目标特征电流值范围内。在一种可能的实施方式中，当获取到当前采集时刻对应的当前特征电流值之后，即可以根据当前特征电流值，来确定目标异常分值预测模型，其中，当前特征电流值位于目标异常分值预测模型对应的目标特征电流值范围内。示意性的，若当前特征电流值为6.7a，异常分值预测模型d对应的特征电流值范围为6-8a，则将异常分值预测模型d确定为目标异常分值预测模型。步骤703，将当前输出电流值输入目标异常分值预测模型，确定光伏阵列对应的当前异常分值。在一种可能的实施方式中，确定出目标异常分值预测模型之后，即可以将当前输出电流值作为测试样本，输入目标异常分值预测模型中，输出当前采集时刻光伏阵列对应的当前异常分值。示意性的，确定当前异常分值的过程可以包括以下步骤。1、将测试样本分别输入s个二叉树中，得到测试样本对应的s个路径长度。2、根据s个路径长度，计算测试样本对应的当前异常分值。其中，确定当前异常分值的实施方式可以参考上文实施例，本实施例在此不做赘述。步骤704，响应于当前异常分值小于等于目标异常分值，确定光伏阵列的工作状态为正常。在一种可能的实施方式中，若当前异常分值小于等于目标异常分值，表示当前输出电流值偏差较小，基本不存在孤立电流值，则确定光伏阵列的工作状态为正常。步骤705，响应于当前异常分值大于目标异常分值，获取n个连续采样时刻对应的当前异常分值，n为大于等于1的整数。在一种可能的实施方式中，若当前异常分值大于目标异常分值，表示当前输出电流值偏差较大，存在孤立的电流值，可能存在异常光伏组串。为了避免偶然因素的影响，需要获取连续多个采样时刻对应的当前异常分值，与目标异常分值进行比较。步骤706，响应于至少存在m个连续采样时刻对应的当前异常分值大于目标异常分值，确定光伏阵列的工作状态为异常，m为大于等于1的整数，且m小于等于n。在一种可能的实施方式中，若获取到的n个连续采用时刻对应的当前异常分值中，存在m个连续采样时刻对应的当前异常分值均大于目标异常分值，则确定光伏阵列的工作状态为异常。示意性的，若当前采样时刻为a时刻，若a采集时刻对应的当前异常分值大于目标异常分值，则先标记a时刻为第一异常时刻t1，继续判断下一采集时刻(a+1时刻)的当前异常分值与目标异常分值的关系，若a+1时刻对应的当前异常分值也大于目标异常分值，则标记a+1时刻为第二异常时刻t2，重复进行上述判断步骤，若存在m个连续采样时刻对应的当前异常分值均大于目标异常分值，则确定光伏阵列中存在异常光伏组串。其中，m个连续采样时刻对应的时间可以是第i个异常时刻与第一异常时刻之间的时间差值，即需要满足ti-t1≥tts，才会输出光伏阵列存在异常光伏组串，其中，t1为第一异常时刻，ti为第i个异常时刻，tts为时间阈值。可选的，若连续异常时刻小于时间阈值，则应该输出光伏阵列的工作状态正常。可选的，时间阈值可以由运维人员根据需求自行设置，比如，时间阈值可以是15mim，也可以是60min。本实施例中，通过电流阈值对实时采集到的当前输出电流值进行筛选，去除电流虚高值对确定当前异常分值的影响；此外，通过设置时间阈值，使得当存在预设时间段内的当前异常分值均大于目标异常分值，才会触发光伏组串异常告警，可以避免偶然因素造成的误告警，提高告警准确率。在一种可能的实施方式中，当确定出该光伏阵列出现故障之后，计算机设备还可以生成告警记录，以便运维人员可以根据告警记录确定光伏阵列中存在哪些异常光伏组串，进行线下查看异常光伏组串，及时解决光伏组串工作状态异常问题。一、从m个连续采样时刻对应的当前输出电流值中，确定出最小输出电流值。若确定出该光伏阵列中存在异常光伏组串，可以根据m个连续采样时刻对应的当前输出电流值中，确定出多个最小输出电流值，比如，若m为3，则针对每一个采样时刻对应的当前输出电流值，从中确定出最小电流值，则3个连续采样时刻则对应3个最小输出电流值。二、将最小输出电流值对应的光伏组串确定为异常光伏组串。由于输出电流值较小，且与当前特征电流值相差较大，从而造成异常分值较高，因此，将最小输出电流值对应的光伏组串确定为异常光伏组串，并将该异常光伏组串信息作为告警内容通知运维人员。可选的，告警记录中可以包括异常采集时刻对应的当前特征电流值、最小输出电流值、最大输出电流值以及异常光伏组串信息等。本实施例中，通过生成包含最小输出电流值、异常光伏组串信息、最大输出电流值以及当前特征电流值等信息的告警记录，以便及时通知运维人员进行线下检查，解决光伏组串的异常工作状态问题。请参考图9，其示出了本申请另一个示例性实施例示出的光伏阵列工作状态的确定方法的流程图。该过程可以包括以下步骤：步骤901，获取光伏阵列对应的历史工作状态数据。步骤902，根据数据质量规则对历史输出电流值进行筛选。步骤903，从筛选后的历史输出电流值中提取历史特征电流值，对筛选后的历史输出电流值进行划分，构建多个训练样本。步骤904，根据多个训练样本分别训练得到多个异常分值预测模型。步骤905，获取光伏阵列预设时间戳内的当前输出电流值，构建预设时间戳电流矩阵。步骤906，根据预设时间戳内各个采集时刻对应的当前输出电流值，确定当前特征电流值，从而确定目标异常分值预测模型。步骤907，将各个采集时刻对应的电流子矩阵输入目标异常分值预测模型中，得到各个采集时刻对应的当前异常分值。步骤908，将各个采集时刻对应的当前异常分值累加，得到预设时间戳对应的当前异常分值。步骤909，判断预设时间戳对应的当前异常分值是否大于异常分值阈值。步骤910，输出光伏阵列工作状态为正常。步骤911，输出光伏阵列存在异常光伏组串。请参考图10，其示出了本申请一个示例性实施例提供的光伏阵列工作状态的确定装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为计算机设备的全部或一部分，该装置包括：第一获取模块1001，用于获取光伏阵列中包含的光伏组串的当前输出电流值，所述光伏阵列中包括至少两个并联的所述光伏组串；第一确定模块1002，用于根据所述当前输出电流值确定目标异常分值预测模型，其中，不同异常分值预测模型对应不同特征电流值范围，所述异常分值预测模型根据所述光伏阵列的历史输出电流值训练得到；第二确定模块1003，用于将所述当前输出电流值输入所述目标异常分值预测模型，确定所述光伏阵列对应的当前异常分值；第三确定模块1004，用于将所述当前异常分值与目标异常分值进行对比，确定所述光伏阵列的工作状态，其中，不同异常分值预测模型对应不同异常分值，所述异常分值为将所述历史输出电流值输入所述异常分值训练模型后得到的。可选的，所述第三确定模块1004，包括：第一确定单元，用于响应于所述当前异常分值小于等于所述目标异常分值，确定所述光伏阵列的工作状态为正常；获取单元，用于响应于所述当前异常分值大于所述目标异常分值，获取n个连续采样时刻对应的所述当前异常分值，n为大于等于1的整数；第二确定单元，用于响应于至少存在m个连续采样时刻对应的所述当前异常分值大于所述目标异常分值，确定所述光伏阵列的工作状态为异常，m为大于等于1的整数，且m小于等于n。可选的，所述装置还包括：第四确定模块，用于从所述m个连续采样时刻对应的所述当前输出电流值中，确定出最小输出电流值；第五确定模块，用于将所述最小输出电流值对应的所述光伏组串确定为异常光伏组串。可选的，所述第一确定模块1002，包括：第三确定单元，用于根据电流阈值对所述当前输出电流值进行筛选，得到筛选后的当前输出电流值，所述电流阈值由所述光伏阵列的历史工作状态数据确定，所述历史工作状态数据包括所述光伏组串的所述历史输出电流值、所述光伏组串对应的历史辐照度、所述光伏组串所处环境的历史环境温度和历史风速，且所述筛选后的当前输出电流值小于等于所述电流阈值；第四确定单元，用于将所述筛选后的当前输出电流值中的k百分位数，确定为所述当前特征电流值，k为大于等于50的整数，所述当前特征电流值表征所述光伏阵列当前采集时刻对应的当前电流特征；第五确定单元，用于根据所述当前特征电流值，确定所述目标异常分值预测模型，所述当前特征电流值位于所述目标异常分值预测模型对应的目标特征电流值范围内。可选的，所述装置还包括：第二获取模块，用于获取预设时间段内所述光伏阵列的所述历史工作状态数据；第一计算模块，用于根据最大辐照度、最大风速和最高环境温度，计算所述光伏阵列对应的光伏组件温度，所述最大辐照度由所述历史辐照度确定，所述最高环境温度由所述历史环境温度确定，所述最大风速由所述历史风速确定；第二计算模块，用于根据所述光伏组件温度和所述最大辐照度，计算所述光伏阵列对应的第一最大输出电流值，所述第一最大输出电流值为所述光伏组串在所述最大辐照度情况下输出电流的电流值；第三计算模块，用于根据额定装机容量和最大系统电压，计算所述光伏阵列对应的第二最大输出电流值，所述额定装机容量为汇流箱的额定功率，所述汇流箱与所述光伏阵列相连，所述最大系统电压为逆变器的系统电压，所述逆变器与所述汇流箱相连，所述第二最大输出电流值为所述汇流箱允许所述光伏组串输入的最大电流的电流值；第六确定模块，用于将所述第一最大输出电流值和所述第二最大输出电流值中的最小值，确定为所述电流阈值。可选的，所述装置还包括：第七确定模块，用于根据所述电流阈值对所述历史输出电流值进行筛选，得到筛选后的历史输出电流值，其中，所述筛选后的历史输出电流值小于等于所述电流阈值；第八确定模块，用于根据所述筛选后的历史输出电流值，确定历史特征电流值，所述历史特征电流值表征所述光伏阵列各个采集时刻对应的历史电流特征；第九确定模块，用于根据所述历史特征电流值对所述筛选后的历史输出电流值进行划分，确定至少一个训练样本，其中，不同训练样本包含的所述历史输出电流值对应不同特征电流值范围，所述特征电流值范围根据所述历史特征电流值确定；训练模块，用于根据所述训练样本训练所述异常分值预测模型。可选的，所述异常分值预测模型采用孤立森林isolationforest算法，所述异常分值预测模型中包含s个二叉树，s为大于等于1的整数；可选的，所述装置还包括：第十确定模块，用于将所述训练样本分别输入所述s个二叉树中，得到所述训练样本对应的s个路径长度；第四计算模块，用于根据所述s个路径长度，计算所述训练样本对应的所述异常分值。本申请实施例中，通过获取光伏阵列中包含的光伏组串的当前输出电流值，根据当前输出电流值确定目标异常分值预测模型，并将当前输出电流值输入目标异常分值预测模型中，输出光伏阵列对应的当前异常分值，以便将当前异常分值与目标异常分值预测模型对应的目标异常分值进行对比，从而根据对比结果确定出光伏阵列的工作状态。通过将实时采集到的当前输出电流值输入异常分值预测模型中，输出当前异常分值来确定光伏阵列的当前工作状态，由于当前输出电流值可以实时反映光伏阵列的工作状态，相比于相关技术中通过红外图像确定工作状态的方式，可以避免环境温度对红外图像的干扰，从而提高了确定光伏阵列工作状态的准确率。请参考图11，其示出了本申请一个示例性实施例提供的计算机设备的结构示意图。所述计算机设备1100包括中央处理单元(centralprocessingunit，cpu)1101、包括随机存取存储器(randomaccessmemory，ram)1102和只读存储器(read-onlymemory，rom)1103的系统存储器1104，以及连接系统存储器1104和中央处理单元1101的系统总线1105。所述计算机设备1100还包括帮助计算机设备内的各个器件之间传输信息的基本输入/输出系统(input/output系统，i/o系统)1106，和用于存储操作系统1113、应用程序1114和其他程序模块1115的大容量存储设备1107。所述基本输入/输出系统1106包括有用于显示信息的显示器1108和用于用户输入信息的诸如鼠标、键盘之类的输入设备1109。其中所述显示器1108和输入设备1109都通过连接到系统总线1105的输入输出控制器1110连接到中央处理单元1101。所述基本输入/输出系统1106还可以包括输入输出控制器1110以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1110还提供输出到显示屏、打印机或其他类型的输出设备。所述大容量存储设备1107通过连接到系统总线1105的大容量存储控制器(未示出)连接到中央处理单元1101。所述大容量存储设备1107及其相关联的计算机可读存储介质为计算机设备1100提供非易失性存储。也就是说，所述大容量存储设备1107可以包括诸如硬盘或者只读光盘(compactdiscread-onlymemory，cd-rom)驱动器之类的计算机可读存储介质(未示出)。不失一般性，所述计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读存储指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、可擦除可编程只读寄存器(erasableprogrammablereadonlymemory，eprom)、电子抹除式可复写只读存储器(electrically-erasableprogrammableread-onlymemory，eeprom)、闪存或其他固态存储其技术，cd-rom、数字多功能光盘(digitalversatiledisc，dvd)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1104和大容量存储设备1107可以统称为存储器。存储器存储有一个或多个程序，一个或多个程序被配置成由一个或多个中央处理单元1101执行，一个或多个程序包含用于实现上述方法实施例的指令，中央处理单元1101执行该一个或多个程序实现上述各个方法实施例提供的方法。根据本申请的各种实施例，所述计算机设备1100还可以通过诸如因特网等网络连接到网络上的远程服务器运行。也即计算机设备1100可以通过连接在所述系统总线1105上的网络接口单元1111连接到网络1112，或者说，也可以使用网络接口单元1111来连接到其他类型的网络或远程服务器系统(未示出)。所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序包含用于进行本申请实施例提供的方法中由计算机设备所执行的步骤。本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的光伏阵列工作状态的确定方法。本申请实施例还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的光伏阵列工作状态的确定方法。本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读存储介质中或者作为计算机可读存储介质上的一个或多个指令或代码进行传输。计算机可读存储介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。当前第1页12