基于大数据技术的区域光伏发电量异常实时监测方法

施锋，叶红芳

（国网上海市北供电公司，上海 200081）

光伏发电技术能够在不同的条件下将光能转化为电能，较好地利用不同的能源转换技术，能够增加基础能源含量，提升社会发展质量[1]。为此，不少研究学者针对光伏发电状况展开研究，并加强对区域光伏发电量异常现象的实时监测力度[2]。由于在区域光伏发电异常实时监测的过程中将产生一定数量的干扰信息，需不断提升数据的操作技能，并简化操作流程，强化内部监测力度，方可实现完整的实时监测研究[3]。目前，国内外的研究集中强化了光伏发电异常信号的收集力度，不断提升内部研究控制机制，检验数据操作的可行性，转变监测方式，结合内部算法实现操作研究。

传统基于Simulink 模型的区域光伏发电量异常实时监测方法通过调整自身数据存储状态、优化监测结构、完善信息整合机制，具有较好的监测效果[4]。传统基于VB 系统的区域光伏发电量异常实时监测方法通过集中简化内部操作步骤，降低数据的操作冗余程度，提高监测的效率[5]。但在实际操作中，传统方法的内部调控力度较差，对于中心数据的检查力度较小，无法满足系统操作的需求[6]。针对上述问题，文中提出了一种新的基于大数据技术的区域光伏发电量异常实时监测方法。

1 区域光伏发电量异常数据获取

大数据技术存在于数据管理及数据处理领域的各个空间中，能够为数据操作提供完整的信息，在可调配范围内形成标准化的数据管理模式。因此，文中运用大数据技术检验区域光伏发电量异常数据的基础状况[7]。首先，将通过大数据技术获取的数据管理信息集中存储到中心区域空间系统；然后，调配数据以获取系统信息[8]。再设置相应的子系统模型，如图1所示。

图1 子系统模型图

图1 中，获取需要进行操控的管理数据，并按照管理准则构建数据获取方程为：

式中，C为数据获取参数，U为内部操控空间信息数据，I为管理数据数量，K为中心管理准则系数，l为内部信息整合数据[9]。

经过上述操作后，集中获取光伏发电量异常数据，并根据异常数据的存储与传输路径研究其监测所需的具体条件[10]。

2 区域光伏发电量异常实时监测

以获取的异常数据为基础，强化监测管理，利用大数据技术的数据检验性能，观察实时监测数据空间信息的位置并进行标定，调配发电量信息空间，并对比大数据技术下的电量传输路径，获取最佳监测路径[11]。

将区域光伏数据放置于研究中心空间中，设置相应的数据管理公式为：

式中，V为数据管理参数，S为内部研究中心空间数据，t为操作时长，Q为空间信息的位置数据，a为调配发电量数据[12]。在实现以上研究后，管理发电量电路的状况[13]，设置相应的电路图，如图2 所示。

图2 光伏发电量管理电路图

根据图2 完善系统电路，并配备监测区域装置，集中查找区域模式操作范围，并监管中心空间信息内容，确保中心数据的存储安全[14]。处理内部信息装置，同时不断扩大基础信息监测范围，设置监测范围扩大方程为：

式中，J为监测范围扩大参数，N为基础信息参数，e为常数值，s为存储安全率[15]。

由此，获取监测中心所需的数据，并将此数据整理到相应的中心空间位置中，完成区域光伏发电量异常实时监测方法的研究[16]。

3 实验与研究

文中针对区域光伏发电量异常数据获取的庞杂性以及实时监测系统操作的复杂性，对其进行实验研究，并设置不同的实验环境，监测其内部操作空间是否符合研究要求。为促进内部空间的发展，对操作的内部环境进行改良，操作如下：

由于文中的监测对象为区域光伏发电量异常状况数据，特选取相应的发电站作为实验模板，该发电站的太阳能电池片由瓦数相同的非晶硅太阳能电池组件构成，电池组件之间进行两两串联操作，以此避免不必要的操作麻烦。不同组件之间具有相同的太阳能获取性能，可在实验操作过程中不断转化为相关操作的动能，并提升中心数据的操作可行性，为了更为准确地获取太阳能电站的发电状况，设置相应的电站太阳能光伏发电工作图，如图3 所示。

图3 电站太阳能光伏发电工作图

图3 中，电池板将吸收的太阳能转换为操作所需要的电能资源，并在传输过程中研究了电能状况最终的负载形式，获取所需的电能数据，并在此数据中查找异常现象存在的可能性，根据不同的条件方位信息研究中心空间的处理方式，具体分析监测面板应处的位置，并标记位置数据，以供后续监测实验进行研究操作。

文中实验环境中的太阳能电池具有两组数据输入口，可进行较完整的数据输入操作，每组蓄电池的输入口中都放置了相应的充放电口及逆变器输出口，以便无关数据的输出与数据清理操作。在实现初步的实验环境构建后，设置深入研究检测信息状况的参数，如表1 所示。

表1 初始实验参数

1）利用表1 中的数据，研究文中基于大数据技术的区域光伏发电量异常实时监测方法、传统基于Simulink 模型的区域光伏发电量异常实时监测方法及传统基于VB 系统设计的区域光伏发电量异常实时监测方法监测精准率的对比效果，对比结果如图4所示。

根据图4 可知，传统基于Simulink 模型的区域光伏发电量异常实时监测方法具有较高的监测精准率，而传统基于VB 系统设计的区域光伏发电量异常实时监测方法的监测准确率较低，文中基于大数据技术的区域光伏发电量异常实时监测方法的监测准确率均高于其他两种传统监测方法。

图4 监测精准率对比图

造成这种差异的原因在于文中监测方法对于监测数据的信息获取力度较高，能够在较大程度上完善监测信息系统设施，具有较强的数据监测性能，提升了其内部的监测精准率。传统基于Simulink 模型的区域光伏发电量异常实时监测方法能够时刻进行系统检验操作，优化内部处理模式，并按照一定的处理方式实现异常数据监测，具有较高的监测精准率。而传统基于VB 系统设计的区域光伏发电量异常实时监测方法虽进行了空间内部调节，但未集中内部操作管理信息数据，对于监测数据的处理效果较差，监测精准率较低。

为了更精准地检验文中监测方法的监测效果，设置二次实验环境进行实验检测，实验参数如表2所示。

表2 二次实验参数

表2 中，根据不同的数据操作参数不断整合光伏发电数据，同时在发电异常信号发出的同时及时阻拦信号数据的传输路径，断开信号与系统间的联系，清除干扰信息的存在痕迹。

在实验过程中，需不断强化内部数据监测信息的传输功能，保证数据的完整传输，同时标记传输位置数据，以便进行数据追踪操作。数据传输示意图如图5 所示。

图5 数据传输示意图

图5 中，研究内部传输数据的传输格式，并集中管理中心光伏组件的内在关系，统一掌控追踪数据，在设置实验环境室中调整监测数据状态，连接无线面板，并将连接点的数据集中收集，将收集的数据划分到统一管理区域中，构建不同的组件模型，查询光伏组件的传感信息，配置相应监测法则，完善信息系统内部调控操作，设计组件模型如图6所示。

图6 组件模型图

根据获取的组件模型图管理不同的信息模块，标准化处理异常数据的组织模式。为了更清晰地展现监测信号获取程度，获取信号监测程度对比结果如图7 所示。

根据图7 可知，传统基于Simulink 模型的区域光伏发电量异常实时监测方法的监测信号获取程度较低，而传统基于VB 系统设计的区域光伏发电量异常实时监测方法监测信号获取程度较高，文中基于大数据技术的区域光伏发电量异常实时监测方法的监测信号获取程度均高于其他两种传统监测方法。由于文中监测方法在研究的过程中不断强化内部数据的管理性能，调节光伏发电异常信号的存储状态，在精准存储的前提下进行监测研究，监测信号获取程度高。传统基于VB 系统设计的区域光伏发电量异常实时监测方法检验了内部监测空间的状况，同时按照处理准则调取处理信息，能较完整的管理内部光伏信息空间数据，监测信号获取程度较高。传统基于Simulink 模型的区域光伏发电量异常实时监测方法研究了监测数据间的关联，但对于初始异常数据的数值计算力度较小，无法获取精准数据，导致其监测信号获取程度较低。

图7 监测信号获取程度对比图

综上所述，文中基于大数据技术的区域光伏发电量异常实时监测方法的监测精准率及监测信号获取程度均高于传统监测方法，能够更好地完善监测信息，具有较广泛的发展空间。

4 结束语

文中在传统区域光伏发电量异常实时监测方法的基础上，研究了一种新的基于大数据技术的区域光伏发电量异常实时监测方法。实验结果表明，该监测方法的监测效果明显优于传统监测方法。文中结合了监测数据信息，具有良好的空间操作性能，能够按照不同的操作条件与实验环境转变操作方式，具有较强的数据综合监测性能，能够在较高程度上提升监测效率，缩短监测所需时间，避免不必要的操作浪费，能够更好地为使用者提供服务。