[发明专利]一种光伏电站设备异常状态检测方法及装置

说明书

本发明实施例提供一种光伏电站设备异常状态检测方法及装置，该方法包括：根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数；计算各个光伏板概率密度函数中的预设随机向量之间的杰森‑香农散度，得到异常状态检测结果。通过高斯混合模型对光伏板出力进行概率刻画的各个光伏板的概率密度函数，然后通过计算各个光伏板概率密度函数中与安装条件无关的预设随机向量的杰森‑香农散度，从而实现将各个光伏板的运行状态与其他光伏板运行状态进行比较，最终实现故设备异常状态检测。

技术领域

本发明涉及电力技术领域，尤其涉及一种光伏电站设备异常状态检测方法及装置。

背景技术

光伏发展迅猛，对场站运维的需求也随之而来。随着间歇性能源上网电价的下跌，运维成本压力不断增大。由于培养专业的运维团队，不仅需要较多人力资源投入，更需要搭配大量计算资源和分析算法，因此针对光伏电站的云运维技术受到极大关注。理想的云运维平台一旦在光伏电站建立起上下行数据接口，即可通过对电站的运行数据进行云分析，判断光伏机组运行状态是否正常，实现在线运维。由于计算资源和分析算法均位于第三方云运维平台的服务器上，光伏电站只需购买云运维服务而无需进行大量设备投资，因此其运维成本显著降低，光伏电站与第三方云运维平台实现双赢。

但是，上述针对光伏电站的云运维技术在落地过程中，仍存在一定的研究瓶颈。对于光伏电站而言，其机组运行状态极易受到风、雨、云等天气因素影响，不仅同机组在相邻时段的运行状态可能存在波动，同时段的不同机组的状态之间也可能存在差异，导致针对确定性状态进行故障筛选的传统判断法失效。

并且现有的基于数据挖掘的光伏故障检测技术主要包括阈值判断法和神经网络法。阈值判断法需要提前对光伏板进行测试来拟合模型参数，并且模型参数需要实时根据实际环境条件进行修正，因此故障判断准确性容易受到所选择的光伏板I-V特性曲线的建模精度及修正公式精度的影响。神经网络法需要对大量带标签的数据进行学习，然而光伏板故障情况复杂且难以获取大量的各种故障条件下的数据，只能判断出提前学习过的部分类型的故障，无法对新出现的故障进行判断。

因此如何有效实现对于光伏电站的设备异常检测已经成为解决云运维技术的关键。

发明内容

本发明实施例提供一种光伏电站设备异常状态检测方法及装置，用以解决上述背景技术中提出的技术问题，或至少部分解决上述背景技术中提出的技术问题。

第一方面，本发明实施例提供一种光伏电站设备异常状态检测方法，包括：

根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数；

计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度，得到异常状态检测结果。

更具体的，所述根据光伏板运行数据基于高斯混合模型的概率分布建模方法得到各个光伏板的概率密度函数的步骤，具体为：

通过高斯混合模型对所有光伏板的出力进行描述，得到所有光伏板出力的联合概率密度函数参数集；

通过求解边缘概率密度函数的方法对所有光伏板出力的联合概率密度函数参数集进行分析处理，得到各个光伏板的概率密度函数参数集。

更具体的，所述各个光伏板概率密度函数中包括与安装条件无关的预设随机向量。

更具体的，所述计算各个光伏板概率密度函数中的预设随机向量之间的杰森-香农散度，得到异常状态检测结果的步骤，具体为：

计算各个光伏板概率密度函数中的预设随机向量的最小二乘解，得到各个光伏板随机向量最小二乘解；

计算各个光伏板随机向量最小二乘解之间的杰森-香农散度，得到异常状态检测结果。

第二方面，本发明实施例提供一种光伏电站设备异常状态检测装置，包括：