基于阿里云物联网平台的光伏电站智能运维方案
光伏产业，简称 PV(photovoltaic)。作为清洁能源之一，与水电、风电、核电等相比，太阳能发电没有任何排放和噪声，应用技术成熟，安全可靠。光伏产业作为高效、可再生的能源产业，对实现碳中和目标具有重要的作用和意义。通过推动光伏发电的发展和应用，可以减少温室气体的排放，推动能源转型，促进可持续发展。
在国家能源安全及双碳战略大背景下，光伏产业发展迅猛，累计装机容量增长迅速，提高光伏发电效能异常检出效率的需求也随之增多。本文以光伏电站为例，说明阿里云物联网平台在光伏发电领域的数据服务应用。
光伏电站的运维现状
传统运维工作的内容
光伏电站的运维流程需要运维人员具备专业知识和技能，能够灵活应对系统运行中的各种情况，并保证光伏系统的稳定运行和发电效益。运维内容主要有以下几点：
监测和数据采集：通过安装在光伏组件或光伏电站中的传感器，对发电量、温度、辐照度等数据进行监测和采集。这些数据可以用于分析光伏系统的性能和运行状况。
故障诊断和预警：通过对监测数据的分析和处理，运维人员可以及时发现光伏系统中的故障和异常情况，并进行诊断和预警。这有助于及时采取修复措施，减少系统的停机时间和损失。
维护和保养：定期对光伏组件、逆变器、支架等设备进行检查、清洁和维护，确保其正常运行和发电效率。维护工作还包括检查电缆、连接件等部分，以保证系统的安全和可靠性。
效能优化：通过数据分析和运行参数的调整，对光伏系统进行效益优化。例如，根据实际辐照度情况调整组件的倾角和朝向，优化系统的发电效果。
故障处理：当光伏系统发生故障时，运维人员需要及时进行故障处理和修复，确保系统的正常运行。这可能涉及到更换故障部件、修复电缆连接、调整逆变器等工作。
数据分析和报告：运维人员根据监测数据进行分析和评估光伏系统的运行情况和发电效率，并编制相应的报告。这有助于了解系统的性能和问题，并提出改进建议。
安全管理：光伏系统的运维还需要注意安全管理，包括对人员和设备的安全保护，防止事故和意外发生。
图：光伏电站典型的运维流程
传统运维工作的难点痛点
光伏电站的传统运维工作流程中可能面临以下一些痛点：
人工监测和诊断成本高：传统运维流程中，对光伏系统的监测和故障诊断主要依赖于人工操作和观察。这需要大量的人力资源和时间成本，并且存在人为判断和误差的可能性。
故障响应时间慢：由于传统运维流程中的故障诊断存在时延，导致故障响应时间较长。这可能影响光伏系统的正常运行和发电效率，增加维修和运营成本。
数据管理和分析困难：传统运维流程中的数据采集和管理通常依赖于手动操作和纸质记录，存在数据丢失和错误的风险。同时，数据分析和报告的过程相对繁琐，缺乏自动化和智能化的手段。
效能优化受限：传统运维流程中的效能优化通常依赖于人工经验和常规操作，缺乏针对性和实时性。这可能导致系统无法充分发挥潜力，影响发电效率和经济收益。
安全风险：传统运维流程中对安全管理的重视程度有限，容易出现人员和设备的安全隐患，增加事故和意外发生的风险。
因此，急需通过引入新技术和改进传统运维流程，提高光伏电站可以运维效率和可靠性，降低运营成本，提高发电效率和经济收益。
物联网平台对光伏电站的支持
智能化监测和诊断：引入智能监测系统和故障诊断技术，实现对光伏系统的实时监测和自动故障诊断，提高运维效率和准确性。
数据自动化管理和分析：建立光伏系统的数据自动采集和管理平台，实现数据的自动化记录、存储和分析，提高数据的可靠性和分析效率。
利用大数据和人工智能：应用大数据和人工智能技术，对光伏系统的数据进行深度分析和预测，实现智能化的效能优化和维修决策。
远程监控和维护：利用远程监控技术，实现对光伏系统的远程控制和维护，降低运维成本和提高故障响应速度。
加强安全管理：加强对人员和设备的安全培训和管理，建立完善的安全管理体系，减少安全风险。
下图为阿里云物联网平台对光伏电站运维流程的具体支持，主要体现在[功率时序 P-T 算法检测模型]和[I-V 曲线故障诊断模型]这两大核心能力上。
基于功率时序曲线几何形态分析的光伏低效站点检测
功率时序曲线图定义
光伏站点的 P-T(功率 Power-时间 Time)曲线记录了光伏站点在一天中的发电过程。
光伏发电系统的功率时序曲线具有强烈的非线性，在光线充足、电池无故障的情况下，一个工作站点的正常功率时序曲线图应该随着日出日落进行时间，形成一个几何形态近似于一个开口向下的马蹄形抛物线，且开口向下，光滑均匀。该抛物线顶点对应的功率即为该日最大输出功率点。
但当出现外界干扰，例如阴雨、遮挡或电池内部故障（例如短路、老化等），其功率时序曲线则复杂多变，锯齿增多，线型不饱满，显著偏离饱满的马蹄形抛物线。
如下图所示：
功率时序算法检测模型的基础定义
阿里云物联网平台数据服务中，提供 P-V 功率时序曲线诊断算法模型，应用于光伏智能运维检测。功率时序曲线是智能化光伏运维中的一个重要指标，该模型通过对功率时序曲线的特征分析，可以发现潜在的发电低效站点并进行预警，引导运维人员及时定位排查，从而降低运维成本并提高电站的经济回报。
数据服务提供单站点检测和多站点排序的功率时序曲线诊断算法：
单站点检测：精准检测单个站点的发电效能。示例场景：上传某电站的日内发电功率曲线，并结合日内的光照强度时序数据和电站额定功率配置，算法自动判断该站点是否出现了发电低效故障。
多站点排序：对多个站点的发电效能进行排序。示例场景：圈选一批地域临近的电站，上传其日内发电功率曲线，算法判断功率曲线与马蹄形抛物线理想曲线的接近程度，对曲率偏离的站点进行预警。
使用说明文档：《阿里云物联网平台-功率时序曲线诊断》https://help.aliyun.com/zh/iot/user-guide/power-timing-curve-diagnosis#64ad78706epg4
功率时序算法检测模型的原理介绍
阿里云物联网平台的数据服务提供数据智能功能，基于算法动态检测电站发电效能，即通过横向比较和历史比较电站发电功率时序曲线，来检测出发电效能存在异常的电站。
功率时序算法检测模型的数据要求
【模型输入数据】：
历史功率时序：Power-Time 曲线。
历史气象时序：温度，光照。
电站电气参数：额定发电功率
【模型输出数据】：
电站是否低效
【数据计算的过程描述】：
基于 I-V 曲线分析的光伏阵列智能故障检测
I-V 曲线图定义
I-V(电流-电压)曲线图体现了电子设备的的多项性能指标，能够很好的反应系统老化，异常等多种不稳定因素。
I-V 曲线故障诊断模型的基础定义
阿里云物联网平台的数据服务中，提供光伏智能运维的 IV 曲线诊断算法，通过对组串式光伏发电阵列的 I-V 曲线进行分析，结合环境光强度、环境温度等影响因素，对组串式光伏发电阵列的 I-V 曲线进行分析，检测系统可能出现的故障，进而提高设备的运行效率，保障电站高效运行。
该模型通过机器学习算法，代替人工运维，能够极大地提高大型集中式光伏电让和分布式户用/商用光伏电站的运维效率，降低人工成本，提高发电经济性。
例如，光伏阵列部分遮挡是光伏电站发电过程中经常会出现的故障。当出现部分遮挡时，会导致阵列发电功率下降，造成经济损失。此外，被遮挡的组件会出现热点效应 hotspot，在局部产生高温，导致组件烧毁损坏，进而产生安全隐患。在出现遮挡故障时，I-V 曲线会携带明显特征，通过 I-V 扫描诊断可以发现总是，及时排除故障。
使用说明文档：《阿里云物联网平台-IV 曲线诊断》https://help.aliyun.com/zh/iot/user-guide/pv-array-fault-status
I-V 曲线故障诊断模型的原理介绍
Random Forest：集成学习的一种，通过融合多个不同的弱分类器，形成一个强分类器。
XgBoost：集成学习的一种，通过不断的反复迭代逼近真实结果。
Convolutional Neural Network：多层卷积神经网络，简称 CNN，具有强大的图像特征提取器，能够在细粒度和粗粒度获取图像特征，获得极佳的检测效果。
Support Vector Machine：经典的线性分类器，通过采用不同的核函数实现非线性的分类目标。
为验证算法效果，我们采集了近 60w 条测试数据，涵盖健康状态和 5 种故障状态，共 6 种场景。测试结果表明，机器学习算法取得了令人满意的检测准确率。
I-V 曲线故障诊断模型的数据要求
【模型输入数据】：
气象数据：环境光强度，环境温度。
组串配置参数：并联组串数，单串串联模组数。
模组电气参数：开路电压，短路电流，电压温度系数，电流温度系数，电池片数量。
I-V 曲线：I-V 曲线扫描数据
【模型输出数据】：
6 种状态(1 种健康态+5 种故障态)的概率分布
【数据计算的过程描述】：
业务价值
随着光伏发电装机规模的逐步增大，同时伴随着国家上网电价的政策补贴消退，行业逐步走向精细化运营，来保障企业利润。运营成本主要是设备的折旧和运维成本，其中运维成本构成比例中，人员成本约占比约 50%，测试设备占比约 15%。
对于实际工况，我们的最佳实践为部署算法模型并进行按日调度，每日输入所有受监控站点的功率时序曲线数据，输出可疑的低效站点，并触发相应的运维告警。这将极大的缓解人工肉眼进行逐个筛查所带来的运维压力，提高运维的效率和质量。
以 10MW 村级光伏电站为例，有智能算法的协作，基于 85%准确率和召回率运算，假设 200 个逆变器有 10 个发电效能异常，算法将上报 10~12 个左右的可能异常的逆变器。运维人员优先关注这部分逆变器，可以大大提高运维效率和问题解决速度。
物联网内容搬运者 2022-04-22 加入
还未添加个人简介
评论