[发明专利]一种基于大数据分析检测光伏电站发电异常的方法

说明书

一种基于大数据分析检测光伏电站发电异常的方法，涉及大数据分析方法，具体涉及在大量分布式光伏电站监测系统中，根据大数据分析检测光伏电站发电情况的方法，属于发电监测技术领域。首先对光伏电站进行聚类，当天发电结束后，计算每个类中所有的光伏电站单位面积日平均发电量，据此找出问题电站。聚类采用DBSCAN算法，然后对类进行合并、拆分处理，并将噪点电站归到临近的类中。采用本发明提出的方法，每个聚类中的分布式光伏电站地理位置比较接近，受天气的影响基本一致，发电情况具有可比性。每个电站和相似条件的电站进行比对，能够准确地找出发电情况异常的电站。

技术领域

本发明涉及大数据分析方法，具体涉及在大量分布式光伏电站监测系统中，根据大数据分析检测光伏电站发电情况的方法，属于发电监测技术领域。

背景技术

太阳能发电作为一种清洁新能源自诞生以来倍受世界各国的青睐，随着技术的进步和成本的降低，太阳能发电出现了各种发展形式，其中分布式光伏电站以其装机容量小、初始投资和后期运维成本低、建设周期短、能够实现就近供电等特点在我国得到迅猛的发展。

分布式光伏电站的特点是地理位置偏远、分散。随着分布式光伏电站数量的不断增加，运维的问题已经浮现。如何尽早发现故障电站、尽快排除故障，是提高管理水平、发挥电站最大效率，进而增加企业利润的关键之一。

一般来说，相邻的电站，光照条件基本相同，它们的单位面积平均发电量应该差别不大。根据以上原则，在一定地域范围内，如果某个电站的平均面积发电量明显低于其它电站，则可以认为该电站异常。

如何将大量的光伏电站，按照一定的规律进行分类是采用以上方法检测电站发电异常的基础。

最直观的，可以单纯依靠电站的经纬度进行分块：以某一经纬度为中心，将距中心一定距离内的电站合并为一个类进行比较。这种方式，容易产生以下问题：1、将距离接近的电站分割成多个类别，2、范围太大，将不同光照条件下的电站合并成一类。

聚类是数据挖掘中的重要技术，可以应用在光伏电站的分类。

聚类是把一组个体按照相似性归成若干类别，其中基于密度的算法由于可以发现任意形状的聚簇且能较好地处理噪声数据，受到越来越广泛的关注。

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一个出现得比较早（1996年），比较有代表性的基于密度的聚类算法。算法的主要目标是相比基于划分的聚类方法和层次聚类方法，需要更少的领域知识来确定输入参数；发现任意形状的聚簇；在大规模数据库上更好的效率。DBSCAN能够将足够高密度的区域划分成簇，并能在具有噪声的空间数据库中发现任意形状的簇。

具体到光伏发电站的分类，该算法还存在一定缺陷：如果电站在一个大范围内建设的比较密集，会将光照条件不一样的电站聚为一个很大的类，如果某一地区电站建设的很稀疏，会将同等光照条件下零散的站点划分成噪点。

发明内容

本发明的目的是基于改进的DBSCAN算法，提供更科学合理的光伏电站分类，进而对发电异常的电站发出告警。

为实现上述目的，本发明采用以下技术方案：基于大数据分析检测光伏电站发电异常的方法，包括以下步骤：

步骤1：对光伏电站进行聚类。

步骤2：当天发电结束后，计算每个类中所有的光伏电站单位面积日平均发电量A，设定百分比per，当该类中某一电站单位面积日平均发电量小于per*A时，认定这个电站是问题电站。

步骤1中，对光伏电站使用DBSCAN 算法进行聚类，包括以下步骤：

步骤1.1：获取所有光伏电站的经纬度数据。