索比光伏网讯:导语：数据化是整个人类社会的大趋势，作为未来能源主力的光伏电站更是如此。将电流转化成信息流，随时随地掌控电站运行情况，动动手指就可获悉组件的出力情况，第一时间发现问题；长远来看，电站运行的数据是另外一笔财富，可以用来给电站做性能评估，可以为电力的交易与调峰提供数据支持，还可以为电站的资产估值、抵押、交易提供坚硬的支撑，这些都是数据化为我们带来的便利。
一、什么是电站的数据化？
电站的数据化是一项系统的工程，中间涉及到多个环节。目前大型电站的数据采集点一般包括气象站、汇流箱、直流柜（如有）、逆变器、箱变（如有）、电度表（计量表、关口表）等。其中汇流箱联接组件和逆变器，是电站数据化进程中的重要环节。而近年来的智能汇流箱可以记录每个组串的电流、电压等数据，这为数据化电站打下坚实的基础。下图是某光伏电站的汇流箱实图。
每个组串的面板数量确定后，根据汇流箱的接入串数我们就可以确定该汇流箱下究竟有多少块儿板子，而单块面板的容量已知，从而可以计算出该汇流箱的挂载容量：
汇流箱挂载容量（PCCB）=接入组串数（N）*每串面板数*面板标称功率
对同一逆变器下不同的汇流箱进行加和，即可得到该逆变器的挂载容量：
对场站的逆变器进行加和，进而得到整个场站的实际容量：
这样我们得到了一个清晰而准确的电站拓扑结构图。这样的一个清晰、准确的拓扑结构图是电站数据化的基础，也是所有数据统计与分析、发现问题并进行运行维护的基石。没有这样一个清晰的拓扑结构与容量关系，所有的数据分析与结论都是空中楼阁，经不起推敲。在电站数据化的过程中，不准确、甚至没有拓扑结构图会导致很多应用无法继续进行，例如：无法准确确定电站的实际容量，无法确定汇流箱的准确离散率，数据分析时结论与实际相差较大等。而拥有一个准确的拓扑结构图，不仅仅可以在数据化电站时得到有力的支撑，甚至还能够提前发现安全隐患。有这样一个实际发生的案例：某电站一汇流箱实际有13路组串接入，但在系统中显示只有12路数据，直到后来该汇流箱被烧毁后才发现，原来是虚接惹的祸。如果之前就知道准确的电站拓扑结构图，实际生产中采到的数据与应有的支路不同就可以设置报警，烧坏汇流箱这样的火灾隐患是完全可以避免的。
二、如何绘制电站拓扑结构图？
在绘制电站拓扑结构图的过程中，汇流箱环节因其数量多、颗粒小而成为最为困难的环节。目前主流的汇流箱有16路接口，由于地形、设计等实际情况的限制，汇流箱16路不一定每路都会接组串。一般情况下，在电站的设计过程中，每个汇流箱下挂载多少组串，每个组串有多少块面板都会有一个清晰的设计与规划。但现状往往是，有些电站的设计草草了事，甚至没有设计，有些电站在实际施工过程中不按图纸施工，而监理监造也未能及时发现、纠正。
那么，要如何确定哪个汇流箱接入了几个组串，进而得到一个清晰而准确的电站拓扑结构图？
常见的解决方案是这样的：
办法1：施工时做记录；每接入一个汇流箱就记下来一个。
方法2：如果在施工时没能做记录，就需要去现场一个个地数！数完后把接入的串数记录下来。打开汇流箱，确定哪个有接入，总计接入多少串组件。每个汇流箱都要重复一次。
然而，这样的解决方案不仅费时费力，最终的效果还得不到保障。例如：山东某地面电站的容量为40MW，整个电站呈狭长状分布，超过10公里。汇流箱总数为553个，每个汇流箱接入的组串数为7-10串不等。面对这么多个汇流箱，一个个地去检查哪个汇流箱接入了几个组串，又分别接入了几号支路，在这骄阳似火的10公里纵深面前，人工的准确性很难获得保证。
▲板海茫茫，何时才是尽头？
这样繁琐、重复、没人性的事情，有没有一种方法，可以一劳永逸地把汇流箱的接入组串数标出来？
三、电站拓扑结构图的数据化解决方案
数据被认为是人类目前为止发现的第五维空间，在这里，许多低纬度问题都将迎刃而解。
我们坚定地相信，一切现实中的问题在数据世界都有解（第五维解）。于是我们大量观察汇流箱数据，尤其是那些我们已经确切知道有多少组串接入的汇流箱。
如下是南通某项目的汇流箱数据，我们知道第1，2，13，14，15，16路是空接，从数据上看，这6路电流都显示为0，于是我们得到初步结论：没有接入电流的支路显示的都是0！并由此推及：一直显示为0的支路没有接入组串。
到这里，事情貌似是解决了。按照这个方案去确定汇流箱的接入容量，我们又遇到了新的问题。有一类汇流箱，不按理出牌，晚上居然还有值，如下图所示。
这大概是由于数据传输中的噪音所致。不能从源头上解决，只能通过数据科学来进行后处理。
原有的方案不能通用，我们继续寻找新的通用方案。把汇流箱的数据一个个可视化后，一眼就可以瞄出来哪个有接入哪个没接入。比看数据要舒服多了。如下图，一眼就可以看出来，16路汇流箱中有1路没有接组串。
操千曲而后晓声，观千剑而后识器。看过大量的电流图像之后，我们发现，所有的接入的支路的电流形态是一个抛物线，在晴天的时候，连续而饱满。这是由于太阳在一天的时间内，日出，正午，日落，是一个自然而连续的过程，作用在面板上之后，产生的电流同样是自然而连续的。如下图可以看到。
而没有接入面板的支路则仍然处于小幅波动状态，如下所示。
从图片看来，最明显的差别在于一个是有规律的、饱满的，一个是没有规律的、随机波动的。人眼可以很轻易的辨别其中的差别。如果可以使用机器学习的方法把每个图片进行识别，就能够鉴别出是否接入。
从数据看来，最明显的差别就在于不同电流值的个数。可以看到晴天已接入的支路的电流值从0A-4.5A均匀分布，而晴天未接入的电流值则分布散乱而无规律。发现这样的差别，我们就可以通过每路支路电流不重复的点的个数，即可判断是否接入。
四、数据解决方案的实现与验证
基于上述观察与发现，我们运用机器学习的深度算法，判断出分界点的阈值、计数点的时间区间，以及计算时采用的数据来源，终于得到一个通用的解决方案，并对方案的准确性进行了验证。
首先，我们对得到授权的汇流箱数据进行计算，得到接入的信息，并与站主提供的备案信息进行比较，得到结果如下：
从图中可以看到，计算结果与备案结果相比，有超过90%的相同，在与线下确认之后，发现实际情况与计算结果相同。也就是说，通过对数据的分析与挖掘，我们发现了备案信息与实际情况存在不符。
五、总结
一个清晰准确的电站拓扑结构图是电站数据化的基础，是电站数据应用的基石。我们通过对汇流箱的接入数据进行分析与挖掘，找到了一个线上判断汇流箱接入情况的解决方案，并且对大量的汇流箱进行了可行性验证，可以相信，在经过不懈的努力之后，我们从数据空间里找到了一个解。即通过对汇流箱的数据进行深入的分析与挖掘，可以准确判定该汇流箱的接入路数，进而可以描绘出该电站的拓扑结构图，为后面的数据分析提供坚固的支撑。
索比光伏网 https://news.solarbe.com/201601/19/175810.html
