[0001] 本发明涉及分布式光伏监测技术领域，尤其是指基于动态成图的分布式光伏异常监测方法。

[0002] 在分布式光伏的运维过程中，对于分布式光伏的运行状态的监测显得尤为重要。但分布式光伏通常分布在不同的地理位置，为了保障监测效率，现在大多通过远程获取分布式光伏数据，并将获取的分布式光伏数据以图形化方式进行可视化展示的方式，使得运维人员能够快速获取分布式光伏数据的运行状况，以保障分布式光伏的正常运行。

[0003] 在现有的分布式光伏数据的可视化展示过程中，常通过直接将实时采集的分布式光伏数据进行简单替换的方式来实现分布式光伏数据的动态展示，在展示过程中所应用到的分布式光伏的拓扑信息等背景信息是预先设置好的，一旦有新投入光伏设备或光伏设备停止使用，并无法及时调整可视化展示的展示内容。且新投入光伏设备在投入使用初期或光伏设备刚停止使用初期，其他处于运行的光伏设备的出力等光伏数据会受新投入光伏设备的影响，出现波动。若将因受到新投入光伏设备或停止使用光伏设备影响产生的分布式光伏数据直接替换之前的展示数据，很可能因未及时更新新的投入光伏设备或停止使用光伏设备，而导致分布式光伏异常情况的错误识别，无法准确展示分布式光伏的真实运行情况。

[0018] 下面结合附图和实施例对本发明进一步描述。

[0019] 实施例： 基于动态成图的分布式光伏异常监测方法，如图1所示，包括，确定分布式光伏监控区域；结合表征光伏设备台账信息的静态数据和表征光伏设备拓扑信息的动态数据构建光伏监控区域对应的初始全景视图；
获取监控周期内分布式光伏监控区域的动态数据变化量，并基于对应的动态数据变化量获取目标光伏设备，基于目标光伏设备的联网波动范围对初始全景视图进行重构得到重构全景视图；
获取初始全景视图和重构全景视图的数据差异化范围，基于数据差异化范围将重构全景视图划分为重构区域和维持区域；
基于静态数据和动态数据设定重构区域的第一异常阈值和维持区域的第二异常阈值；
获取电网实时波动数据，并结合第一异常阈值和第二异常阈值对全景区域进行异常区域标记。

[0020] 在开展监控作业前，先确定分布式光伏监控区域，根据分布式光伏监控区域来调取光伏设备的相关数据，提高分布式光伏数据动态成图效率。在确定分布式光伏监控区域时，能够基于预先制定的分布式光伏调度控制策略来进行，以分布式光伏调度控制策略来确定分布式光伏监控区域，即能够展示对应分布式光伏设备的运行状况，也能够展示出分布式光伏调度控制策略的执行情况。具体的，可通过光伏电站为单位来设置分布式光伏监控区域。

[0021] 设备在生成初始全景视图前，先根据表征光伏设备台账信息的静态数据进行静态数据建模，再根据表征光伏设备拓扑信息的动态数据进行动态数据建模，再通过将静态数据和动态数据进行关联，从而实现静态数据和动态数据的叠加，这种数据叠加的方式能够适应大规模的光伏电站成图监控场景。

[0022] 所述结合表征光伏设备台账信息的静态数据和表征光伏设备拓扑信息的动态数据构建光伏监控区域对应的初始全景视图，包括，对静态数据和动态数据进行关联，将关联的静态数据和动态数据进行数据压缩，构建时空一体化的数据集，并基于时空一体化的数据集构建分布式光伏监控区域的全景视图。

[0023] 所述对静态数据和动态数据进行关联，包括，基于每个光伏设备的编号，分别对相应的静态数据和动态数据添加设备标签，基于添加的设备标签，将具备相同设备标签的静态数据和动态数据进行关联。

[0024] 由于设备标签具备唯一性，通过设备标签可定位静态数据和动态数据的采集对象，从而将其进行关联，在全景视图中进行展示时，能够准确展示光伏设备的真实运行状况。

[0025] 所述基于时空一体化的数据集构建分布式光伏监控区域的全景视图，包括，根据分布式光伏监控区域为全景视图背景；基于时空一体化的数据集中的静态数据生成分布式光伏监控区域的拓扑图元，并将拓扑图元对应地理位置信息叠加至全景视图背景中；
根据设备标签从数据集中匹配得到关联的动态数据，将对应拓扑图元进行连接展示。

[0026] 具体的，本实施例中具体通过protobuf对静态数据、动态数据进行压缩，以构建数据集， protobuf属于无损压缩方法，能够将结构化的数据转换为二进制格式，在应用时，也能够将其恢复为原始数据。经过数据压缩处理后，能够提高数据处理的效率，降低储存和传输成本，提高合成成图效率。

[0027] 本实施例以某一光伏电站为分布式光伏监控区域为例，其中具体包括设备a、设备b、设备c、设备d、设备e和设备f，其所构成的初始全景视图A1具体如图2所示。

[0028] 为了提高运维效率，基于生成的全景视图直接进行异常识别，并对异常情况进行标注展示。

[0029] 新投入的光伏设备会增加向电网供电的总量，而停止使用的光伏设备也会降低向电网供电的总量，都可能导致电网电压的微小变化。这种变化可能会影响已存在的光伏设备的工作状态，尤其是当电网电压接近或超过光伏设备的正常工作范围的情况下。但是光伏设备因新投入的光伏设备或停止使用的光伏设备影响而产生的数据波动并不是故障情况，若直接将其替换至全景视图中，并通过原有的异常条件进行异常识别，很可能会出现异常情况的错误识别，影响分布式光伏的运维工作。

[0030] 因此，实时获取分布式光伏监控区域的动态数据变化量，实现对于新投入的光伏设备或停止使用的光伏设备的识别，而在识别出存在新投入的光伏设备或停止使用的光伏设备时，将其作为目标光伏设备，根据目标光伏设备将全景视图划分为重构区域和维持区域。

[0031] 本实施例中以动态数据变化量为判定光伏设备运行变化的判定依据，由于动态数据表征光伏设备拓扑信息，一旦出现动态数据变化量，就能够判断存在新投入的光伏设备或存在停止运行的光伏设备。

[0032] 但是由于分布式光伏监控区域的区域范围有限，目标光伏设备的影响范围并不一定全部位于分布式光伏监控区域内，因此，根据目标光伏设备的联网波动范围对初始全景视图进行重构，得到重构全景视图，确定在分布式光伏监控区域内目标光伏设备的影响区域。

[0033] 在得到重构全景视图后，根据初始全景视图和重构全景视图之间的数据差异来确定全景视图的重构区域和维持区域，重构区域就相当于目标光伏区域影响下，更新的区域，而维持区域则是未受到目标光伏区域影响的区域。

[0034] 电网实时波动数据包括光伏量测数据和光伏周围环境数据。

[0035] 所述光伏设备台账信息包括设备信息、并网信息和位置信息，所述光伏量测数据和光伏周围环境数据包括每个光伏设备的光能转换率、输出电流、输出电压、输出功率以及周围的光照信息、温湿度信息和能见度信息。

[0036] 所述设备信息包括编号、用户编号、光伏类型、光伏结构、光伏生产厂家和光伏额定输出功率，所述并网信息包括光伏接入点编号、光伏接入点类别和光伏测点编号，所述位置信息包括坐标信息。

[0037] 所述光照信息包括太阳辐射强度和光照时间，所述能见度信息包括pm2.5数值和pm10数值。

[0038] 光伏量测数据和光伏周围环境数据，都是衡量光伏设备运行情况的重要参数，从而保障异常识别结果的准确性。

[0039] 具体的，所述基于目标光伏设备的联网波动范围对初始全景视图进行重构得到重构全景视图，包括，获取目标光伏设备的拓扑信息，并确定目标光伏设备的接入点；
基于目标光伏设备的接入点和拓扑信息筛选关联设备，并确定关联设备的关联程度；
基于拓扑信息获取目标光伏设备和每个关联设备的距离信息和能源传输关系，结合每个关联设备对应的关联程度，设置目标光伏设备的联网波动范围；
根据目标光伏设备的联网波动范围对初始全景视图进行重构，得到重构全景视图。

[0040] 目标光伏设备的影响范围并不一定全部位于分布式光伏监控区域内，因此，根据目标光伏设备的拓扑信息和对应的接入点，可确定与其存在直接设备连接关系和存在能量传输关系的关联设备，并根据设备距离、设备运行数据等信息进行关联程度的计算，可采用关联度算法等进行计算。

[0041] 先基于关联设备初步确认目标光伏设备的影响范围，再根据关联设备与目标光伏设备的关联程度、距离信息和能源传输关系，来确定受到目标光伏设备影响的影响程度较高的关联设备，从而确定对应的联网波动范围。

[0042] 以在该光伏电站中增加光伏设备g为例，在检测到光伏设备g加入后，将光伏设备g设置为目标光伏设备，并获取光伏设备g的拓扑信息，且光伏设备g的接入点与设备f为同一接入点。

[0043] 根据光伏设备g的拓扑信息及其接入点确定关联设备，具体的，光伏设备g的关联设备包括设备c、设备d、设备f、设备h和设备i。

[0044] 光伏设备g的联网波动范围的全景视图B具体如图3所示。

[0045] 且随着目标光伏设备的建设位置和具体并网规划不同，其所带来的影响不同，为了减小计算量，仅针对受到目标光伏设备影响，运行数据可能存在波动的联网波动范围进行重构和异常条件的更新。

[0046] 对于目标光伏设备，与其相关联的光伏设备的运行势必会出现波动，但若是关联程度不高的光伏设备，其收到其运行的影响程度就小，其运行数据的波动也就较小，并不会对异常条件的识别造成影响，因此，将目标光伏设备与每个关联光伏设备的关联程度作为衡量新投入光伏设备的影响范围的因素之一。

[0047] 光伏设备之间的关联程度，可根据光伏设备间的功能、性能和信息交流等方面进行计算，具体的，可根据实际情况设置关联程度计算的关键参数和计算方式，从而实现目标光伏设备和关联设备之间关联程度的量化。

[0048] 由于目标光伏设备对于其他光伏设备的运行影响，大多由其并网点的电网数据波动引起，某一个节点的电网数据波动，受能量传输距离等影响，其影响范围有限，而在全景视图中，各光伏设备的位置是与其真实位置相关联的，因此，将全景视图中的距离也作为衡量目标光伏设备的影响范围的因素之一。

[0049] 所述根据目标光伏设备的联网波动范围对初始全景视图进行重构，得到重构全景视图，包括，获取联网波动范围内所有光伏设备对应的表征光伏设备台账信息的静态数据和表征光伏设备拓扑信息的动态数据；
基于获取的静态数据和动态数据构建联网波动范围的全景视图，并根据对应的地理位置信息，将联网波动范围的全景视图与初始全景视图进行区域匹配；
确定处于联网波动范围的全景视图中的第一区域，以及处于初始全景视图中的第二区域，且第一区域和第二区域在地理位置上相互匹配；
用第一区域代替初始全景视图中的第二区域，获取重构全景视图。

[0050] 具体的，本实施例中该光伏电站的重构全景视图A2如图4所示。

[0051] 由于联网波动范围可能只有一部分存在分布式监控区域内，因此，构建联网波动范围的全景视图，再将联网波动范围的全景视图中处于分布式监控区域内的内容，替换至初始全景视图中，以降低对其他区域内展示内容的影响。

[0052] 所述获取初始全景视图和重构全景视图的数据差异化范围，基于数据差异化范围将重构全景视图划分为重构区域和维持区域，包括，将初始全景视图和重构全景视图按照相同的划分规则划分为对应的若干个单位图像；
将重构全景视图中的每个单位图像与初始全景视图中相对应的单位图像进行比较；
根据比较结果确定重构全景视图中每个单位图像的数据差值，将每个单位图像的数据差值与预设的差值阈值进行比较；
基于比较结果对每个单位图像进行数据差异化程度评价，基于每个单位图像的数据差异化程度评价结果确定初始全景视图和重构全景视图的数据差异化范围；
将重构全景视图中处于数据差异化范围内的区域作为重构区域，重构全景视图中处于数据差异化范围外的区域作为维持区域。

[0053] 在获取重构全景视图后，将其与初始全景视图进行比较，从而根据数据差值来判定存在数据差异的数据差异化范围，从而判定需要进行差异化异常判定的区域。其中重构区域和维持区域的确定，所确定的是一个具体的地理区域范围，后续的电网波动数据不会影响重构区域和维持区域的判定。

[0054] 本实施例中该光伏电站的划分重构区域和维持区域后的全景视图A3具体如图5所示，其中虚线框内为重构区域，虚线框外为维持区域。

[0055] 所述基于静态数据和动态数据设定重构区域的第一异常阈值和维持区域的第二异常阈值，包括，根据目标光伏设备和重构区域内每个关联设备的关联关系，确定重构区域的波动参数；
获取重构区域对应的静态数据和动态数据，并根据静态数据和动态数据还原重构区域的运行场景；
根据还原得到的重构区域的运行场景选择对应的异常判定参数，并设定对应的初始异常阈值；
根据重构区域的波动参数对初始异常阈值进行调整，获取第一异常阈值；
获取维持区域对应的静态数据和动态数据，根据静态数据和动态数据还原维持区域的运行场景；
根据还原得到的维持区域的运行场景选择对应的异常判定参数，并设定对应的第二异常阈值。

[0056] 根据目标光伏设备和重构区域内每个关联设备的关联关系，可确定每个关联设备在目标光伏设备影响下，会出现波动的参数，再结合各个关联设备会出现波动的参数，可确定在目标光伏设备的影响下，重构区域内体现波动的具体参数，并将其作为波动参数。

[0057] 通过重构区域对应的静态数据和动态数据可还原出重构区域的运行场景，再根据该运行场景下会出现的故障类型，并选择每个故障类型的特征数据，将其作为异常判定参数，并根据该故障类型在该运行场景下的历史故障信息，确定对应的初始异常阈值。

[0058] 而由于重构区域内的电网数据会受目标光伏设备影响，其影响可具体由波动参数所体现，因此，为了避免目标光伏设备带来的波动对异常判定造成影响，根据波动参数对初始异常阈值进行调整，获取第一异常阈值。

[0059] 但是维持区域内未收到目标光伏设备影响，因此，可直接通过运行场景还原和历史故障信息来选择异常判定参数并设定对应的第二异常阈值。

[0060] 本实施例中以并网运行为运行场景，设置电压偏差为异常判定参数，结合对应的异常阈值进行异常判定。

[0061] 根据该光伏电站内的电网实时波动数据确定异常判定结果，根据异常判定结果进行异常区域标记，确定该光伏电站的异常区域，异常区域的全景视图C具体如图6所示，异常区域内包括设备b、设备d和设备e。

[0062] 所述获取电网实时波动数据，并结合第一异常阈值和第二异常阈值对全景区域进行异常区域标记，还包括，获取异常区域内的所有设备，并确定每个设备对应的电网实时波动数据和历史故障信息；
根据异常区域对应的异常判定参数，根据每个设备对应的电网实时波动数据确定每个设备与异常判定参数的关联程度；
根据历史故障信息，确定在异常区域对应的异常判定参数下，每个设备的历史故障次数和每个历史故障间的时间间隔；
根据每个设备与异常判定参数的关联程度、每个设备的历史故障次数和每个历史故障间的时间间隔确定每个设备的故障率；
按照每个设备的故障率设置异常排查顺序，根据异常排查顺序，根据每个设备对应的电网实时波动数据对每个设备进行异常排查，确定异常区域内的异常设备。

[0063] 为了进一步进行异常定位，对异常区域内的设备进行异常排查，而为了保障异常定位效率，针对每个设备的故障率来设置异常排查顺序。

[0064] 其中，每个设备与异常判定参数的关联程度的计算同样能够通过关联度算法等进行计算。

[0065] 调取设备b、设备d和设备e的电网实时波动数据和历史故障信息，其中设备b和设备d均为光伏组件，设备e为变压器，分别根据对应的设备类型确定设备b、设备d和设备e与电压偏差之间的关联程度。

[0066] 获取设备b、设备d和设备e在电压偏差下的历史故障次数和每个历史故障间的时间间隔，并以此计算每个设备的故障率，具体的，计算出设备b、设备d和设备e的故障率分别为30%、80%和15%，因此，设置异常排查顺序为设备d、设备b和设备e。

[0067] 在异常排查后，确定异常区域内的异常设备为设备d。

[0068] 以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。