基于大数据技术的区域光伏发电量异常实时监测方法.pdf

《基于大数据技术的区域光伏发电量异常实时监测方法.pdf》由会员分享，可在线阅读，更多相关《基于大数据技术的区域光伏发电量异常实时监测方法.pdf（12页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010814408.8 (22)申请日 2020.08.13 (71)申请人 国网上海市电力公司 地址 200122 上海市浦东新区中国 （上海） 自由贸易试验区源深路1122号 (72)发明人 杨海涛张霄蕾罗巍浩施锋 叶红芳陆斌陆微唐海峰 (74)专利代理机构 上海三和万国知识产权代理 事务所(普通合伙) 31230 代理人 蔡海淳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/00(2012.01。

2、) G06Q 50/06(2012.01) G06K 9/62(2006.01) (54)发明名称 一种基于大数据技术的区域光伏发电量异 常实时监测方法 (57)摘要 一种基于大数据技术的区域光伏发电量异 常实时监测方法， 属监控领域。 包括构建光伏发 电异常智能识别模型； 获取系统光伏发用电数据 和外部气象数据； 采用基于类3准则的光伏功 率异常数据识别， 进行异常数据检测； 通过离群 点分析方法识别各类用户的偏高与偏低的异常 用户； 通过基于统计分析和Copula思想的异常识 别模型及时发现、 识别异常用户； 通过光伏用户 的故障预警， 提高安全稳定运行水平， 降低客户 光伏设备故障率； 。

3、实现设备故障的准确预测， 提 高安全稳定运行水平； 有针对性的制定检修、 运 维计划， 开展提前事前运维。 其对对居民用户、 低 压非居用户、 高压用户， 能够进行光伏发电异常 智能识别， 可广泛用于电网的运行监控和管理领 域。 权利要求书2页 说明书6页 附图3页 CN 112085258 A 2020.12.15 CN 112085258 A 1.一种基于大数据技术的区域光伏发电量异常实时监测方法， 其特征是： 1)基于Copula理论， 构建光伏发电异常智能识别模型； 2)获取系统光伏发用电数据和外部气象数据； 3)采用基于类3 准则的光伏功率异常数据识别， 进行异常数据检测； 4)通过。

4、离群点分析方法识别各类用户的偏高与偏低的异常用户； 5)通过基于统计分析和Copula思想的异常识别模型及时发现光伏运营过程中存在的 问题， 帮助供电公司更有效的识别异常用户； 6)通过光伏用户的故障预警， 提高安全稳定运行水平， 同时为客户提供设备监控服务， 降低客户光伏设备故障率； 7)通过光伏用户的故障预警， 实现设备故障的准确预测， 对光伏发电风险进行评级管 控， 减少设备故障率， 提高安全稳定运行水平； 8)针对光伏设备的历史故障信息进行统计分析， 分析其故障的原因， 从而有针对性的 制定检修、 运维计划， 开展提前事前运维。 2.按照权利要求1所述的基于大数据技术的区域光伏发电量异。

5、常实时监测方法， 其特 征是所述的区域光伏发电量异常实时监测方法， 基于Copula方法、 概率功率曲线和异常判 别准则的基础光伏功率异常数据识别模型流程， 直接利用原始辐照度和光伏功率数据拟合 Copula函数参数， 基于概率功率曲线生成给定置信度下的功率上下边界， 并对边界外的数 据采用判别准则进行识别， 最终输出判别结果。 3.按照权利要求1所述的基于大数据技术的区域光伏发电量异常实时监测方法， 其特 征是所述的区域光伏发电量异常实时监测方法， 利用周期图法提取光伏功率的周期性分 量， 得到了随机性分量； 然后， 利用混合t Location-Scale分布模型对光伏功率随机性分量 进行。

6、拟合； 最后， 利用混合t Location-Scale分布模型中的模型参数， 建立类3 准则模型。 4.按照权利要求1所述的基于大数据技术的区域光伏发电量异常实时监测方法， 其特 征是所述光伏发电异常智能识别模型的构建采用如下途径： 对供电公司所辖区域近几年的光伏用户的发电上网和外部环境等数据进行挖掘分析， 利用离群点分析、 聚类分析或综合评判等算法构建不同异常情况下的光伏发电异常智能识 别模型， 完善光伏发电异常界定、 识别和区域光伏用户发电异常识别技术分析， 识别光伏带 病运行、 骗补情况， 建立异常智能识别评估方法， 实现用户设备故障预警。 5.按照权利要求1所述的基于大数据技术的区域。

7、光伏发电量异常实时监测方法， 其特 征是所述的区域光伏发电量异常实时监测方法， 在对居民用户进行发电异常识别时， 异常 偏高定义为超过用电类别单位容量发电量60； 异常偏低定义为低于用电类别单位容量发 电量60。 6.按照权利要求1所述的基于大数据技术的区域光伏发电量异常实时监测方法， 其特 征是所述的区域光伏发电量异常实时监测方法， 在对低压非居用户进行发电异常识别时， 异常偏高定义为超过用电类别单位容量发电量60； 异常偏低定义为低于用电类别单位容 量发电量60。 7.按照权利要求1所述的基于大数据技术的区域光伏发电量异常实时监测方法， 其特 征是所述的区域光伏发电量异常实时监测方法， 在。

8、对高压用户进行发电异常识别时， 异常 偏高定义为超过用电类别单位容量发电量50； 异常偏低定义为低于用电类别单位容量发 权利要求书 1/2 页 2 CN 112085258 A 2 电量50。 8.按照权利要求1所述的基于大数据技术的区域光伏发电量异常实时监测方法， 其特 征是所述的区域光伏发电量异常实时监测方法， 通过对光伏用户的故障预警， 实现设备故 障的准确预测， 并自动给出决策建议， 辅助差异化精益运维管理。 9.按照权利要求1所述的基于大数据技术的区域光伏发电量异常实时监测方法， 其特 征是所述的区域光伏发电量异常实时监测方法， 通过对光伏发电风险进行评级管控， 降低 设备故障率。 。

9、10.按照权利要求1所述的基于大数据技术的区域光伏发电量异常实时监测方法， 其特 征是所述的区域光伏发电量异常实时监测方法， 针对光伏设备的历史故障信息进行统计分 析， 分析其故障的原因， 从而有针对性的制定检修、 运维计划， 开展提前事前运维。 权利要求书 2/2 页 3 CN 112085258 A 3 一种基于大数据技术的区域光伏发电量异常实时监测方法 技术领域 0001 本发明属于电网监测领域， 尤其涉及一种用于区域光伏发电量异常的实时监测方 法。 背景技术 0002 近年来， 全世界电力能源消耗加剧， 化石能源供应不足。 光伏发电作为一种清洁丰 富的可再生新能源， 备受国内外相关方面。

10、的关注， 正从独立的系统逐渐向大规模并网方向 发展。 0003 随着光伏发电并网数量的增加， 光伏发电波动性和间歇性的特性势必会对并网系 统的稳定性造成一定的影响。 尤其受太阳辐射强度、 环境温度等因素影响， 光伏发电的特性 变得越发凸显， 不利于电力系统的调度， 给电网调度人员带来了困扰。 0004 目前， 针对于光伏发电的研究日趋成熟， 目前主要在于功率预测、 优化、 控制， 以及 配置于光伏电站的储能系统容量优化光伏电站的数据库中存储着大量数据， 在对光伏出力 数据进行分析时， 需要考虑数据采集的密集程度与采集数量， 即数据的粒度和跨度。 0005 国网宁夏研究并制定了光伏数据采集通信机。

11、制、 适应电网多种有功控制需求的光 伏有功控制模式及控制性能评估方法， 以此建立了横向集成光伏信息采集与监视、 光伏有 功控制功能， 纵向贯穿调度端和厂站端的光伏综合控制系统， 实现了调度主站对光伏电站 的有功闭环控制。 国网河北对光伏功率超短期和短期预测技术进行了研究， 结合中国光伏 功率预测发展现状， 提出了值得研究和关注的光伏功率预测关键问题。 0006 有相关的专家学者开展了光伏大数据的研究。 张超等(2019)介绍了箱线图法工作 原理， 利用该方法发现了某地区分布式光伏用户发电量异常情况。 许晓艳等(2010)通过研 究认为利用大数据分析分布式光伏发电的发展前景、 进行负荷预测、 判。

12、断异常情况， 对分布 式光伏发电的经营管理具有十分重要的意义。 0007 针对用户侧分布式光伏发电系统， 考虑预测系统的成本约束和运行需求， 以及农 村电网应用特点， 刘念等人提出一种基于核函数极限学习机的分布式光伏功率预测方法。 对于不同容量的分布式光伏发电系统， 使用核函数极限学习机构建分布式光伏短期功率预 测模型， 使用基于权重的训练样本筛选方法提高预测模型计算效率， 并通过粒子群算法优 化模型参数。 0008 通过对研究进行梳理发现， 通过对整个光伏发电数据的需求响应、 监测/诊断、 电 力调度等是当前及未来光伏大数据研究的趋势， 具有重要的研究意义和实践价值。 发明内容 0009 本。

13、发明所要解决的技术问题是提供一种基于大数据技术的区域光伏发电量异常 实时监测方法。 利用离群点分析算法构建不同异常情况下的光伏发电异常智能识别模式， 通过光伏用户单位容量发电量智能检测， 配合外部环境的数据分析， 识别光伏带病运行、 骗 补情况。 通过对历史功率因素、 故障运维等数据的数据挖掘， 建立异常智能识别评估方法， 说明书 1/6 页 4 CN 112085258 A 4 识别运营过程中存在的问题， 实现用户设备故障预警， 提高光伏用户发电日常运维管理水 平和电网互联互供水平。 0010 本发明的技术方案是： 提供一种基于大数据技术的区域光伏发电量异常实时监测 方法， 其特征是： 00。

14、11 1)基于Copula理论， 构建光伏发电异常智能识别模型； 0012 2)获取系统光伏发用电数据和外部气象数据； 0013 3)采用基于类3 准则的光伏功率异常数据识别， 进行异常数据检测； 0014 4)通过离群点分析方法识别各类用户的偏高与偏低的异常用户； 0015 5)通过基于统计分析和Copula思想的异常识别模型及时发现光伏运营过程中存 在的问题， 帮助供电公司更有效的识别异常用户； 0016 6)通过光伏用户的故障预警， 提高安全稳定运行水平， 同时为客户提供设备监控 服务， 降低客户光伏设备故障率； 0017 7)通过光伏用户的故障预警， 实现设备故障的准确预测， 对光伏发。

15、电风险进行评 级管控， 减少设备故障率， 提高安全稳定运行水平； 0018 8)针对光伏设备的历史故障信息进行统计分析， 分析其故障的原因， 从而有针对 性的制定检修、 运维计划， 开展提前事前运维。 0019 具体的， 所述的区域光伏发电量异常实时监测方法， 基于Copula方法、 概率功率曲 线和异常判别准则的基础光伏功率异常数据识别模型流程， 直接利用原始辐照度和光伏功 率数据拟合Copula函数参数， 基于概率功率曲线生成给定置信度下的功率上下边界， 并对 边界外的数据采用判别准则进行识别， 最终输出判别结果。 0020 具体的， 所述的区域光伏发电量异常实时监测方法， 利用周期图法提。

16、取光伏功率 的周期性分量， 得到了随机性分量； 然后， 利用混合t Location-Scale分布模型对光伏功率 随机性分量进行拟合； 最后， 利用混合t Location-Scale分布模型中的模型参数， 建立类3 准则模型。 0021 进一步的， 所述光伏发电异常智能识别模型的构建采用如下途径： 0022 对供电公司所辖区域近几年的光伏用户的发电上网和外部环境等数据进行挖掘 分析， 利用离群点分析、 聚类分析或综合评判等算法构建不同异常情况下的光伏发电异常 智能识别模型， 完善光伏发电异常界定、 识别和区域光伏用户发电异常识别技术分析， 识别 光伏带病运行、 骗补情况， 建立异常智能识别。

17、评估方法， 实现用户设备故障预警。 0023 具体的， 所述的区域光伏发电量异常实时监测方法， 在对居民用户进行发电异常 识别时， 异常偏高定义为超过用电类别单位容量发电量60； 异常偏低定义为低于用电类 别单位容量发电量60。 0024 具体的， 所述的区域光伏发电量异常实时监测方法， 在对低压非居用户进行发电 异常识别时， 异常偏高定义为超过用电类别单位容量发电量60； 异常偏低定义为低于用 电类别单位容量发电量60。 0025 具体的， 所述的区域光伏发电量异常实时监测方法， 在对高压用户进行发电异常 识别时， 异常偏高定义为超过用电类别单位容量发电量50； 异常偏低定义为低于用电类 别。

18、单位容量发电量50。 0026 进一步的， 所述的区域光伏发电量异常实时监测方法， 通过对光伏用户的故障预 说明书 2/6 页 5 CN 112085258 A 5 警， 实现设备故障的准确预测， 并自动给出决策建议， 辅助差异化精益运维管理。 0027 进一步的， 所述的区域光伏发电量异常实时监测方法， 通过对光伏发电风险进行 评级管控， 降低设备故障率。 0028 进一步的， 所述的区域光伏发电量异常实时监测方法， 针对光伏设备的历史故障 信息进行统计分析， 分析其故障的原因， 从而有针对性的制定检修、 运维计划， 开展提前事 前运维。 0029 与现有技术比较， 本发明的优点是： 003。

19、0 1.本发明的技术方案基于区域光伏发电异常智能识别模式， 结合供电公司光伏发 电业务管理需求， 从异常识别检测制定应用策略， 及时发现运营过程中存在的问题， 帮助供 电公司更有效的识别异常用户； 0031 2.本发明的技术方案， 能够实现设备故障的准确预测， 并自动给出决策建议， 辅助 差异化精益运维管理， 较以往人工经验预判准确度大大提升； 0032 3.本发明的技术方案， 通过对光伏发电风险进行评级管控， 减少设备故障率， 提高 优质服务质量和供电服务水平， 针对光伏设备的历史故障信息进行统计分析， 分析其故障 的原因， 从而可以有针对性的制定检修、 运维计划， 开展提前事前运维。 附图。

20、说明 0033 图1是基于Copula理论的光伏功率异常数据识别流程示意图； 0034 图2是基于类3 准则的光伏功率异常数据识别流程示意图； 0035 图3是本发明异常数据智能识别模型示意图； 0036 图4是居民用户异常用户分析示意图； 0037 图5是低压非居用户异常用户分析示意图； 0038 图6是高压用户异常用户分析示意图； 0039 图7是本发明异常用户应用策略示意图； 0040 图8是本发明设备故障预警分析示意图。 具体实施方式 0041 下面结合附图对本发明做进一步说明。 0042 光伏发电异常主要为发电量偏低或达不到理想的输出功率等光伏发电上网数据 出现异常。 在实际运行中，。

21、 部分分布式光伏存在单位容量日发电量明显偏低， 即带病运行的 现象， 另有部分分布式光伏单位容量日发电量明显过高， 存在骗取补贴的嫌疑。 0043 准确可信的光伏功率时间序列数据是光伏发电性能分析、 功率预测等工作的基 础。 然而， 很多光伏电站现场采集的功率数据质量较差， 极大阻碍了这些数据的信息挖掘和 深化应用。 0044 产生光伏功率异常数据的原因众多， 如通信故障、 设备异常、 人为限电等， 其中人 为限电导致的光伏功率数据异常问题在国内尤为严重。 高比例的光伏功率异常数据会对光 伏功率和光资源波动性研究、 光伏功率与辐照度、 温度等因素之间真实规律的提取造成不 利影响， 直接利用现场。

22、数据会降低光伏功率预测模型的精度和有效性， 也会对光伏电站的 运行管理、 电网的运营调度产生不利影响。 因此， 进行光伏功率高比例异常数据识别成为一 说明书 3/6 页 6 CN 112085258 A 6 项至关重要的工作。 0045 光伏异常可显示为发电量过高、 发电量过低、 发电量为0三种。 0046 发电量过高的原因可能是用户擅自增容、 余电上网电量大于发电量、 蓄意骗取光 伏补贴等。 0047 发电量过低的原因可能是设备故障、 光伏组件被遮挡， 例如累积过多灰尘、 鸟粪 等、 光伏材质与安装等。 0048 发电量为0可能是计量设备故障引起的。 0049 1、 基于Copula理论的光。

23、伏功率高比例异常数据识别模型： 0050 辐照度直接影响光伏功率， 通过分析地面辐照度与光伏功率关系， 基于Copula方 法建立概率功率曲线； 通过观察光伏电站实际运行数据和辐照数据， 提取异常数据特征， 建 立异常数据判别准则， 最终判在曲线外并符合判别准则的数据为异常数据。 概率功率曲线 可以准确描述具有高分散度的辐照度与光伏功率关系。 0051 如图1中所示， 基于Copula方法、 概率功率曲线和异常判别准则的基础光伏功率异 常数据识别模型流程， 直接利用原始辐照度和光伏功率数据拟合Copula函数参数， 基于概 率功率曲线生成给定置信度下的功率上下边界， 并对边界外的数据采用判别准。

24、则进行识 别， 最终输出判别结果。 0052 2、 基于类3 准则的光伏功率异常数据识别： 0053 如图2中所示， 光伏类3 准则模型的建立步骤： 首先， 利用周期图法提取光伏功率 的周期性分量， 得到了随机性分量； 然后， 利用混合t Location-Scale分布模型对光伏功率 随机性分量进行拟合； 最后， 利用混合t Location-Scale分布模型中的模型参数(均值 和 标准差 )， 建立类3 准则模型。 0054 其中， 混合t Location-Scale分布模型的 和 ， 可以由构成混合分布模型的单一t Location-Scale分布模型求得。 0055 3、 光伏发电。

25、异常智能识别模型的构建： 0056 如3中所示， 光伏发电异常智能识别模型的构建采用如下途径： 0057 对供电公司所辖区域近几年的光伏用户的发电上网和外部环境等数据进行挖掘 分析， 利用离群点分析、 聚类分析或综合评判等算法构建不同异常情况下的光伏发电异常 智能识别模型， 完善光伏发电异常界定、 识别和区域光伏用户发电异常识别技术分析， 识别 光伏带病运行、 骗补情况， 建立异常智能识别评估方法， 实现用户设备故障预警。 0058 4、 数据获取： 0059 4.1、 系统光伏发用电数据获取： 0060 目前系统中已有光伏数据主要分成三类： 用电信息、 发电信息、 电网相关信息， 涉 及系统。

26、包括采集系统、 营销业务应用系统、 PMS系统等。 0061 4.2、 外部气象数据： 0062 基于外部气象数据， 获取上海2019年1月-2020年3月的最高温、 最低温、 降水量和 每个月天气类型数据， 为后续研究提供数据支撑。 0063 5、 数据分析： 0064 5.1、 发电用户信息统计： 0065 某供电公司的光伏用户发电电压等级以交流380V与交流220V为主， 发电用户开户 说明书 4/6 页 7 CN 112085258 A 7 时间集中在2016年-2018年. 0066 光伏用电客户类型有低压非居民、 高压、 居民三类， 以居民客户为主。 0067 5.2、 异常数据检。

27、测： 0068 基于Copula思想的异常识别模型： 以2020年3月自发自用余电上网用户1128户(占 光伏用户总户数93.6， 去除了3月电量为例及全部自用发电用户)为研究对象进行说明。 0069 5.3、 通过离群点分析方法识别各类用户的偏高与偏低的异常用户： 0070 以居民用户(户数1133户， 用电类别单位容量发电量112)为例进行发电异常识别， 结果如图4中所示。 0071 异常1： 偏高(超过用电类别单位容量发电量60)， 可能是擅自增容； 0072 异常2： 偏低(低于用电类别单位容量发电量60)， 可能是存在故障或者是骗补。 0073 以低压非居用户(户数24户， 用电类别。

28、单位容量发电量90)为例进行发电异常识 别， 结果如图5中所示。 0074 异常1： 偏高(超过用电类别单位容量发电量60)， 可能是擅自增容； 0075 异常2： 偏低(低于用电类别单位容量发电量60)， 可能是存在故障或者是骗补。 0076 以高压用户(户数71户， 用电类别单位容量发电量95)为例进行发电异常识别， 结 果如图6中所示。 0077 异常1： 偏高(超过用电类别单位容量发电量50)， 可能是擅自增容； 0078 异常2： 偏低(低于用电类别单位容量发电量50)， 可能是存在故障或者是骗补。 0079 图7中给出了异常用户应用策略示意图。 0080 通过采用异常用户应用策略，。

29、 可以通过基于统计分析和Copula思想的异常识别模 型及时发现光伏运营过程中存在的问题， 帮助供电公司更有效的识别异常用户。 0081 图8中给出了设备故障预警分析示意图。 0082 通过光伏用户的故障预警， 提高安全稳定运行水平， 同时为客户提供设备监控服 务， 降低客户光伏设备故障率。 0083 本发明的技术方案， 通过光伏用户的故障预警， 提高安全稳定运行水平， 同时为客 户提供光伏选材等新兴业务服务： 0084 一是辅助差异化精益运维管理。 0085 实现设备故障的准确预测， 并自动给出决策建议， 辅助差异化精益运维管理。 较以 往的人工经验预判模式， 其预判准确度大大提升。 008。

30、6 二是设备风险评级管控， 降低设备故障率。 0087 通过对光伏发电风险进行评级管控， 减少设备故障率， 提高优质服务质量和供电 服务水平， 提升了公司品牌形象和社会影响力。 0088 三是针对光伏设备的历史故障信息进行统计分析， 分析其故障的原因， 从而有针 对性的制定检修、 运维计划， 开展提前事前运维。 0089 本发明的技术方案， 提供了一种基于大数据的区域光伏用户发电异常智能识别方 法， 构建了基于大数据的光伏用户发电异常智能识别模型， 通过大数据分析和专家调研方 式， 对居民用户、 低压非居用户、 高压用户， 能够进行光伏发电异常智能识别， 识别出部分光 伏发电异常用户， 并可根据数据结果制定具有针对性的应用策略， 提高了供电公司光伏发 电客户的发电效率。 说明书 5/6 页 8 CN 112085258 A 8 0090 本发明可广泛用于电网的运行监控和管理领域。 说明书 6/6 页 9 CN 112085258 A 9 图1 图2 图3 说明书附图 1/3 页 10 CN 112085258 A 10 图4 图5 图6 说明书附图 2/3 页 11 CN 112085258 A 11 图7 图8 说明书附图 3/3 页 12 CN 112085258 A 12 。