一种确定光伏组串发电低效原因的方法及系统与流程

本申请属于新能源领域的大数据分析，具体涉及一种确定光伏组串发电低效原因的方法及系统。

背景技术：

1、光伏组串发电低效的后果不仅会影响系统的经济效益，还会对系统的可靠性和寿命造成不利影响。发电效率低下会导致光伏系统损失部分可转换的太阳能，从而减少系统的总发电量，同时长期低效发电可能会导致光伏组件过度工作，加速老化，缩短系统的使用寿命。此外低效发电也会影响光伏系统对电网的电能注入，影响电网的稳定性和可靠性。因此，需要及时确定发电低效的具体原因，根据不同的原因采取不同措施，消除造成发电低效的事由，提高光伏系统的发电效率，确保系统的正常运行和经济效益。

2、目前光伏电站确定发电低效的原因主要利用机器学习算法来分析和挖掘光伏场站的运行数据，该方法需要大量的数据来对模型进行训练。现有技术中，由于真实的发电低效原因多种多样，包括外部的天气、人为破坏、物理事故等原因，还可能是内部的设备故障、管理因素等，因此，分析真实的发电低效原因需要了解所有外部、内部可能的情况进行综合判断，导致无法为模型训练提供足够的有效标签数据，使得当前大部分模型只能采用无监督或半监督模型进行训练。

3、对于无监督学习，模型从未标记的数据中学习，这使得模型无法直接评估其预测的准确性。虽然可以通过比较模型预测的聚类结果与实际结果来评估模型的性能，但这并不能直接反映模型在实际应用中的表现。此外，无监督学习无法利用有标签数据，这限制了模型的泛化能力。

4、半监督学习在一定程度上结合了监督学习和无监督学习的优点，能够利用少量的有标签数据和大量的无标签数据进行训练。然而，半监督学习同样存在一些问题：一方面，如何确定最佳的半监督学习策略是一个重要的问题，因为不同的策略可能会产生不同的结果。另一方面，在半监督学习中，有标签数据的数量较少，会导致模型在某些情况下表现不佳。

5、因此，在新能源领域当前的技术背景下，如何有效利用现有数据，在人力和算力有限的情况下，准确的判断发电低效原因是一个亟待解决的问题。

技术实现思路

1、本申请的目的在于克服现有新能源领域识别发电低效原因时需要大数据量进行模型训练，且训练好的模型泛化能力弱的缺陷。

2、为了实现上述目的，本申请提出了一种确定光伏组串发电低效原因的方法，包括：

3、将预处理后的场站相关数据输入训练好的发电低效原因识别模型，输出发电低效的类型；

4、所述发电低效原因识别模型为xgboost算法模型；

5、所述发电低效原因识别模型的训练方法包括：

6、收集部分光伏组串相关数据并预处理；

7、可视化光伏组串的发电曲线，定义发电低效标签；

8、将定义好标签的数据输入xgboost算法模型进行训练。

9、作为上述方法的一种改进，所述场站相关数据包括：

10、组串编号、组串电流、汇流箱支路功率、汇流箱支路电压、机内温度、外部温度和环境湿度，逆变器数据中的有功功率、组串电流、输入功率、转换效率、发电量数据和组串配置参数，气象站数据中的倾角辐照强度、倾角辐照强度五分钟平均值和倾角辐照日累积读数。

11、作为上述方法的一种改进，所述光伏组串的发电曲线，为以时间为横坐标，以光伏组串的发电功率为纵坐标的曲线。

12、作为上述方法的一种改进，所述定义发电低效标签的依据为：

13、当发电曲线展现出整体的下滑趋势时，标签为积灰损失；

14、当发电曲线展现出在某一时间段内出现不同程度的下降，标签为阴影遮挡损失；

15、当发电曲线展现在某一时间段内维持一个较低的固定的输出，标签为限电/故障损失；

16、当发电曲线在某个时间段触底为0，标签为故障/检修/异常停机/限电停机损失。

17、作为上述方法的一种改进，对数据进行预处理包括：筛选数据的异常值，填充缺失值。

18、本申请还提供一种确定光伏组串发电低效原因的系统，基于上述的方法实现，所述系统包括：

19、数据采集及预处理模块，用于对场站相关数据进行采集，并进行预处理；

20、发电低效原因识别模块，用于将数据采集及预处理模块生成的数据输入发电低效原因识别模型，得到发电低效原因。

21、作为上述系统的一种改进，所述系统还包括：

22、模型训练模块：用于根据部分发电组串的相关数据和定义的标签，对发电低效原因识别模型进行训练。

23、与现有技术相比，本申请的优势在于：

24、1、减小模型的复杂程度：避免通过神经网络去输出标签结果，节省计算资源；

25、2、减小过拟合风险：神经网络需要大量的数据进行训练，对于数据稀缺或者样本不平衡的情况容易产生过拟合，导致模型泛化能力不足；

26、3、泛化能力增强：经过优化的模型在面对新的数据样本时，能够更好地适应不同的工况和环境变化，具有更好的泛化能力，可以更好地适用于实际场景中；

27、4、敏感度提高：优化后的模型对组串发电效率低效的原因更为敏感，可以更早地发现问题并给出预警，有助于及时采取措施进行维护和修复，降低系统的损失；

28、5、可解释性增强：经过优化的模型在识别低效原因时，能够提供更清晰的解释和分析，让运维人员更好地理解系统存在的问题，并提供更具针对性的改进建议。

技术特征：

1.一种确定光伏组串发电低效原因的方法，包括：

2.根据权利要求1所述的确定光伏组串发电低效原因的方法，其特征在于，所述场站相关数据包括：

3.根据权利要求1所述的确定光伏组串发电低效原因的方法，其特征在于，所述光伏组串的发电曲线，为以时间为横坐标，以光伏组串的发电功率为纵坐标的曲线。

4.根据权利要求1所述的确定光伏组串发电低效原因的方法，其特征在于，所述定义发电低效标签的依据为：

5.根据权利要求1所述的确定光伏组串发电低效原因的方法，其特征在于，对数据进行预处理包括：筛选数据的异常值，填充缺失值。

6.一种确定光伏组串发电低效原因的系统，基于权利要求1-5任一所述的方法实现，其特征在于，所述系统包括：

7.根据权利要求6所述的确定光伏组串发电低效原因的系统，其特征在于，所述系统还包括：

技术总结
本申请提供了一种确定光伏组串发电低效原因的方法及系统，所述方法包括：将预处理后的场站相关数据输入训练好的发电低效原因识别模型，输出发电低效的类型；所述发电低效原因识别模型为XGBoost算法模型；所述发电低效原因识别模型的训练方法包括：收集部分光伏组串相关数据并预处理；可视化光伏组串的发电曲线，定义发电低效标签；将定义好标签的数据输入XGBoost算法模型进行训练。本申请的优势在于：减小模型的复杂程度，避免通过神经网络去输出标签结果，节省计算资源；减小过拟合风险；泛化能力增强；敏感度提高；可解释性增强。

技术研发人员：李嘉,许东,张瑜,夏海洋
受保护的技术使用者：重庆中电自能科技有限公司
技术研发日：
技术公布日：2024/5/8