光伏系统IV扫描诊断方法、装置、设备及介质与流程

光伏系统iv扫描诊断方法、装置、设备及介质
技术领域
1.本发明涉及光伏发电的技术领域，尤其涉及一种光伏系统iv扫描诊断方法、装置、设备及计算机可读存储介质。


背景技术：

2.随着技术的发展，多数逆变器已经具备iv(intensity of current，voltage)扫描功能，直接利用逆变器的mppt(maximum power point tracking，最大功率点跟踪)扫描功能获取组串的iv曲线，实现故障诊断，操作十分方便，几乎无新增成本，因此得到了迅速推广和广泛应用。
3.由于光伏组件故障特征与其iv曲线电参数之间具有映射关系，才使得iv诊断算法和诊断工具得到了发展和应用。目前，基于该映射关系的iv诊断算法和诊断工具通常利用的是强机理阈值判断算法，通过曲线数学特征的描述、出厂参数的参考以及专家经验的阈值实现故障诊断识别。
4.这种强机理阈值判断算法主要存在如下几个问题：
5.1、iv扫描诊断阈值不够精细、不够准确，没有做到依据电站类型和运维精细化程度进行iv扫描诊断阈值的细分管理；
6.2、根据出厂或专家经验参数设置统一的iv扫描诊断阈值，且全生命周期内不进行改变调整，仅考虑了个体特征和静态特征，未考虑集体分布与动态变化，使得阈值合理性打折；
7.3、对iv扫描诊断阈值的参数调整有门槛，合理的阈值设置依托于完备的专业知识和丰富的专家经验。


技术实现要素：

8.本发明的主要目的在于提供一种光伏系统iv扫描诊断方法、装置、设备及介质，旨在解决现有技术中iv扫描诊断阈值很难适应光伏电站的各种应用场景的技术问题，通过iv扫描诊断阈值的相关参数自适应从而实现应用场景自适应的光伏系统故障诊断。
9.为实现上述目的，本发明提供一种光伏系统iv扫描诊断方法，所述光伏系统iv扫描诊断方法包括：
10.对光伏组串进行iv扫描，获取所述光伏组串的iv扫描数据，根据所述iv扫描数据确定所述光伏组串的电气参数数据；
11.确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态，以最大概率密度对应的所述电气参数数据作为基准参数；
12.根据所述基准参数和所述电气参数数据对应的预设可调偏差量，自适应调整光伏系统iv扫描诊断阈值；
13.基于自适应调整之后的所述iv扫描诊断阈值对光伏组串进行故障诊断。
14.可选地，所述电气参数数据包括光伏组串的短路电流、开路电压、最大功率、填充
因子、短路段组件外特性电阻和开压段组件外特性电阻参数中一项或多项。
15.可选地，所述确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态包括：
16.根据核密度估计算法确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态。
17.可选地，所述基于自适应调整之后的所述iv扫描诊断阈值对光伏组串进行故障诊断的步骤之后，还包括：
18.筛选历史日期中与进行iv扫描日期最近的典型日；
19.确定基于自适应调整之后的所述iv扫描诊断阈值诊断出的故障组串在所述典型日的发电量；
20.按照发电量排序确定各所述故障组串的维护优先级。
21.可选地，所述筛选历史日期中与进行iv扫描日期最近的典型日的步骤，包括：
22.获取所述历史日期内所有光伏组串的每日功率曲线数据；
23.基于所述每日功率曲线数据在所述历史日期中确定所述典型日。
24.可选地，所述基于所述每日功率曲线数据在所述历史日期中确定所述典型日的步骤，包括：
25.根据所述每日功率曲线数据计算得到每日所有光伏组串的功率曲线平滑度和物理等效小时数；
26.确定所述功率曲线平滑度和所述物理等效小时数均满足对应预设阈值的最近日期为所述典型日。
27.可选地，所述筛选历史日期中与进行iv扫描日期最近的典型日的步骤，包括：
28.若在所述历史日期中未筛选出所述典型日，则调整所述功率曲线平滑度和所述物理等效小时数对应的预设阈值之后，重新筛选所述历史日期中的离进行iv扫描日期最近的典型日。
29.可选地，所述确定基于自适应调整之后的所述iv扫描诊断阈值诊断出的故障组串在所述典型日的发电量的步骤之后，包括：
30.确定各所述故障组串与日发电量最大的最优组串之间的日发电量损失百分比，根据所述日发电量损失百分比排序确定各所述故障组串的维护优先级。
31.此外，为实现上述目的，本发明还提供一种光伏系统iv扫描诊断装置，所述光伏系统iv扫描诊断装置，包括：
32.扫描模块，用于对光伏组串进行iv扫描，获取所述光伏组串的iv扫描数据，根据所述iv扫描数据确定所述光伏组串的电气参数数据；
33.确定模块，用于确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态，以最大概率密度对应的所述电气参数数据作为基准参数；
34.调整模块，用于根据所述基准参数和所述电气参数数据对应的预设可调偏差量，自适应调整光伏系统iv扫描诊断阈值；
35.诊断模块，用于基于自适应调整之后的所述iv扫描诊断阈值对光伏组串进行故障诊断。
36.此外，为实现上述目的，本发明还提供一种光伏系统iv扫描诊断设备，所述光伏系
统iv扫描诊断设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上所述的光伏系统iv扫描诊断方法的步骤。
37.此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的光伏系统iv扫描诊断方法的步骤。
38.本发明实施例提出的一种光伏系统iv扫描诊断方法、装置、设备及计算机可读存储介质，方法为：对光伏组串进行iv扫描，获取所述光伏组串的iv扫描数据，根据所述iv扫描数据确定所述光伏组串的电气参数数据；确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态，以最大概率密度对应的所述电气参数数据作为基准参数；根据所述基准参数和所述电气参数数据对应的预设可调偏差量，自适应调整光伏系统iv扫描诊断阈值；基于自适应调整之后的所述iv扫描诊断阈值对光伏组串进行故障诊断。
39.通过iv扫描功能获取厂站中光伏组串的iv曲线数据并求解光伏组串的短路电流、开路电压、最大功率、填充因子、短路段组件外特性电阻和开压段组件外特性电阻参数；求解全站中光伏组串的上述各电气参数数据的分布状态，依据统计学习方法中的众数合理思想，找出最大概率密度对应的电气参数数据作为各参数的基准参数，并结合各电气参数数据的预设可调偏差量δ，实现强机理阈值判断算法中的参数阈值自适应。
40.分布统计算法求解各参数基准值和设置各参数可调偏差量δ，不但实现了参数阈值自适应，而且能够更加有效的可调可控；通过统计分布算法模型对强机理阈值判断算法进行优化，实现参数阈值自适应，以提高强机理阈值判断算法的准确率和召回率。通过各个场景下的实际电气参数求解得到适应对应场景的iv扫描诊断阈值，解决了现有技术中iv扫描诊断阈值很难适应光伏电站的各种应用场景的技术问题，通过iv扫描诊断阈值的相关参数自适应从而实现应用场景自适应的光伏系统故障诊断。
附图说明
41.图1是本发明实施例方案涉及的硬件运行环境的运行设备的结构示意图；
42.图2为本发明一种光伏系统iv扫描诊断方法一实施例的流程示意图；
43.图3为本发明一种光伏系统iv扫描诊断方法一实施例的故障特征与其iv曲线电参数的映射关系示意图；
44.图4为本发明一种光伏系统iv扫描诊断方法一实施例的核密度估计算法确定光伏系统中各光伏组串的电气参数数据的分布状态示意图；
45.图5为本发明一种光伏系统iv扫描诊断方法一实施例的短路电流概率密度函数示意图；
46.图6为本发明一种光伏系统iv扫描诊断方法一实施例的开路电压概率密度函数示意图；
47.图7为本发明一种光伏系统iv扫描诊断方法一实施例的应用示意图；
48.图8为本发明一种光伏系统iv扫描诊断方法一实施例的最近典型日确定示意图；
49.图9为本发明一种光伏系统iv扫描诊断方法一实施例的装置示意图。
50.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
51.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
52.参照图1，图1为本发明实施例方案涉及的硬件运行环境的运行设备的结构示意图。
53.如图1所示，该运行设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
54.本领域技术人员可以理解，图1中示出的结构并不构成对运行设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
55.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及计算机程序。
56.在图1所示的运行设备中，网络接口1004主要用于与其他设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明运行设备中的处理器1001、存储器1005可以设置在运行设备中，所述运行设备通过处理器1001调用存储器1005中存储的计算机程序，并执行以下操作：
57.对光伏组串进行iv扫描，获取所述光伏组串的iv扫描数据，根据所述iv扫描数据确定所述光伏组串的电气参数数据；
58.确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态，以最大概率密度对应的所述电气参数数据作为基准参数；
59.根据所述基准参数和所述电气参数数据对应的预设可调偏差量，自适应调整光伏系统iv扫描诊断阈值；
60.基于自适应调整之后的所述iv扫描诊断阈值对光伏组串进行故障诊断。
61.可选地，所述电气参数数据包括光伏组串的短路电流、开路电压、最大功率、填充因子、短路段组件外特性电阻和开压段组件外特性电阻参数中一项或多项。
62.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
63.所述确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态包括：
64.根据核密度估计算法确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态。
65.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
66.所述基于自适应调整之后的所述iv扫描诊断阈值对光伏组串进行故障诊断的步骤之后，还包括：
67.筛选历史日期中与进行iv扫描日期最近的典型日；
68.确定基于自适应调整之后的所述iv扫描诊断阈值诊断出的故障组串在所述典型日的发电量；
69.按照发电量排序确定各所述故障组串的维护优先级。
70.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
71.所述筛选历史日期中与进行iv扫描日期最近的典型日的步骤，包括：
72.获取所述历史日期内所有光伏组串的每日功率曲线数据；
73.基于所述每日功率曲线数据在所述历史日期中确定所述典型日。
74.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
75.所述基于所述每日功率曲线数据在所述历史日期中确定所述典型日的步骤，包括：
76.根据所述每日功率曲线数据计算得到每日所有光伏组串的功率曲线平滑度和物理等效小时数；
77.确定所述功率曲线平滑度和所述物理等效小时数均满足对应预设阈值的最近日期为所述典型日。
78.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
79.所述筛选历史日期中与进行iv扫描日期最近的典型日的步骤，包括：
80.若在所述历史日期中未筛选出所述典型日，则调整所述功率曲线平滑度和所述物理等效小时数对应的预设阈值之后，重新筛选所述历史日期中的离进行iv扫描日期最近的典型日。
81.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
82.所述确定基于自适应调整之后的所述iv扫描诊断阈值诊断出的故障组串在所述典型日的发电量的步骤之后，包括：
83.确定各所述故障组串与日发电量最大的最优组串之间的日发电量损失百分比，根据所述日发电量损失百分比排序确定各所述故障组串的维护优先级。
84.光伏组串是由光伏组件串联得到，其iv诊断技术的发展，源于光伏组件特性曲线(iv曲线)分析。通常情况下，在组件出厂时都要进行iv曲线测试，以便确定组件的电性能是否正常。出厂时电性能正常的光伏组件在实际运行的光伏系统中由于遮挡、积尘、倾角塌陷、朝向差异、电池片破碎等各种原因，会造成iv曲线中短路电流、开路电压、串并联电阻、填充因子等参数的异常。正是由于光伏组件故障特征与其iv曲线电参数具有映射的关系，才使得iv诊断算法和诊断工具得到了发展和应用。
85.参照图3，图3为本发明一种光伏系统iv扫描诊断方法一实施例的故障特征与其iv曲线电参数的映射关系示意图。其中，故障标签1low i
sc
为短路电流低，通常由大面积遮挡、玻璃碎裂、均匀积灰等原因引起；故障标签2increase slop为短路处斜率增大(短路段组件外特性电阻)，通常由异常老化、pid、多电池热斑等原因引起；故障标签3low v
oc
为开路电压低，通常由pid、组件二极管短路等原因引起；故障标签4steps为曲线多膝，通常由电池热
斑、局部阴影、玻璃碎裂等原因引起；故障标签5reduced slop为开压处斜率减小(开压段组件外特性电阻)，通常由异常老化、pid引起；故障标签6rounder knee为膝部畸变，通常由组件老化、pid等原因引起。
86.当前iv诊断工具及其算法多基于图3的描述内容发展而来，显然这是一种强机理阈值判断算法，通过曲线数学特征的描述、出厂参数的参考以及专家经验的阈值实现故障诊断识别。这种算法主要存在如下几个问题，一方面，由于电站类型以及运行维护精细化程度存在固有差异，其适用阈值同样存在差异，而多数iv诊断工具及其算法没有做到依据电站类型和运维精细化程度进行阈值细分管理，这必然使得算法模型的泛化能力减弱；另一方面，同一个光伏厂站内，以出厂或专家经验参数设为统一阈值，且全生命周期内不进行改变调整，这是仅考虑个体特征和静态特征，未考虑集体分布与动态变化，这种情况下会造成阈值合理性打折，尤其在复杂环境厂站(如山地场景)以及厂站生命周期中后期时，会出现大量的误报、漏报，给用户带来极差的使用体验；最后一方面，即使iv诊断工具及其算法能够做到依据电站类型和运维精细化程度进行阈值细分管理设置，也很难实现高准确率(有无错误的诊断结果)、高召回率(有无遗漏的诊断结果)指标的算法模型应用，因为合理阈值设置依托完备的专业知识和丰富的专家经验，门槛很高，通常运维人员无法保障合理调参。
87.本发明实施例提供了一种光伏系统iv扫描诊断方法，参照图2，图2为本发明一种光伏系统iv扫描诊断方法一实施例的流程示意图。
88.本实施例中，所述光伏系统iv扫描诊断方法包括：
89.步骤s10：对光伏组串进行iv扫描，获取所述光伏组串的iv扫描数据，根据所述iv扫描数据确定所述光伏组串的电气参数数据。
90.通过逆变器中mppt的iv扫描功能获取厂站中光伏组串的iv曲线、即iv扫描数据，再根据iv扫描数据求解光伏组串的电气参数数据。
91.可选地，电气参数数据包括光伏组串的短路电流、开路电压、最大功率、填充因子、短路段组件外特性电阻和开压段组件外特性电阻参数中一项或多项。
92.步骤s20：确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态，以最大概率密度对应的所述电气参数数据作为基准参数。
93.步骤s30：根据所述基准参数和所述电气参数数据对应的预设可调偏差量，自适应调整光伏系统iv扫描诊断阈值。
94.接着求解全站中光伏组串上述电气参数数据的分布状态，以最大概率密度对应的电气参数数据作为基准参数。
95.结合基准参数与电气参数数据对应的预设可调偏差量δ确定iv扫描诊断阈值，由此实现强机理阈值判断算法中的iv扫描诊断阈值自适应调整。
96.具体的，预设可调偏差量δ可以为根据专家经验设定的阈值，其作用为从机理层面区分异常的阈值。现有的阈值判断方法是以标准组串参数/组串额定参数作为基准，基于标准组串参数/组串额定参数来设定各类异常识别的参数阈值，所得到的阈值是一个定值，无法适应光伏系统运行状态和应用场景的变化，例如，在光伏厂站生命周期的中后期时，随着光伏组件的老化，光伏组串的各电气参数数据对应的正常值也会发生变化，此时若再基于标准组串参数/组串额定参数来设定各类异常识别的参数阈值，会导致iv诊断结果出现大量的误报。本方案中阈值确定方法为：α
分布统计求基准
±
δ。可以看出，α为变化量，δ为不变量，
最终阈值为变化量，其变化与总样本相关，可以依据总样本的变化进行实时相应调整，例如，周期性执行步骤s10～s30以根据光伏系统当前运行情况更新阈值，即实现了iv扫描诊断阈值自适应调整。
97.步骤s40：基于自适应调整之后的所述iv扫描诊断阈值对光伏组串进行故障诊断。
98.参照图7，图7为本发明一种光伏系统iv扫描诊断方法一实施例的应用示意图。在本实施例中，在自适应调整光伏组串的iv扫描诊断阈值之后，基于自适应调整之后的iv扫描诊断阈值对光伏组串进行故障诊断。
99.在本实施例中，对光伏组串进行iv扫描，获取所述光伏组串的iv扫描数据，根据所述iv扫描数据确定所述光伏组串的电气参数数据；确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态，以最大概率密度对应的所述电气参数数据作为基准参数；根据所述基准参数和所述电气参数数据对应的预设可调偏差量，自适应调整光伏系统iv扫描诊断阈值；基于自适应调整之后的所述iv扫描诊断阈值对光伏组串进行故障诊断。
100.通过iv扫描功能获取厂站中光伏组串的iv曲线数据并求解光伏组串的短路电流、开路电压、最大功率、填充因子、短路段组件外特性电阻和开压段组件外特性电阻参数；求解全站中光伏组串的上述各电气参数数据的分布状态，依据统计学习方法中的众数合理思想，找出最大概率密度对应的电气参数数据作为各参数的基准参数，并结合各电气参数数据的预设可调偏差量δ，实现强机理阈值判断算法中的参数阈值自适应。
101.分布统计算法求解各参数基准值和设置各参数可调偏差量δ，不但实现了参数阈值自适应，而且能够更加有效的可调可控；通过统计分布算法模型对强机理阈值判断算法进行优化，实现参数阈值自适应，以提高强机理阈值判断算法的准确率和召回率。通过各个场景下的实际电气参数求解得到适应对应场景的iv扫描诊断阈值，解决了现有技术中iv扫描诊断阈值很难适应光伏电站的各种应用场景的技术问题，通过iv扫描诊断阈值的相关参数自适应从而实现应用场景自适应的光伏系统故障诊断。
102.可选地，所述确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态包括：
103.根据核密度估计算法确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态。
104.参照图4，图4为本发明一种光伏系统iv扫描诊断方法一实施例的核密度估计算法确定光伏系统中各光伏组串的电气参数数据的分布状态示意图。
105.核密度估计算法可以基于有限的样本推断总体数据的分布，是一种估计随机变量的概率密度函数的非参数方法，与直方图关系密切。其目的就是通过离散样本点的线性加和来构建一个样本数据连续的概率密度函数，从而得到一个平滑的样本分布。在本实施例中，以一维数据为例，核密度估计的步骤详情如下：
106.step1：通过公式得到i个核函数；
107.step2：线性叠加得到核密度的估计函数；
108.step3：归一化，得到核密度估计的概率密度函数公式f表示总体的概率密度函数，h为带宽，n表示样本总数，k表示核函数；
109.step4：核函数可以有多种具体形式，以高斯核函数，公式如下
110.step5：h参数通过影响核函数中自变量的取值来控制每个样本的相对权重，公式如下第一个h用于保证核密度估计曲线下面积为1；第二个h用于调整核密度估计曲线的宽幅；
111.step6：带宽h确定，其选择应使得实际的概率密度与使用数据集估计的经验概率密度函数之差的均方最小，也即找到一个h使得方法包括平方积分平均误差方法、交叉验证方法和自适应方法。
112.因此，将上述扫描得到的iv扫描数据作为核密度估计算法的输入，可以确定光伏系统中各光伏组串的电气参数数据的分布状态。
113.另外，为验证上述iv扫描诊断阈值自适应调整的合理性，以某电站iv扫描进行测算，求解所有光伏组串的短路电流、开路电压、最大功率、填充因子、短路段组件外特性电阻和开压段组件外特性电阻参数，通过核密度估计算法求解各参数密度分布，短路电流i
sc
与开路电压u
oc
参数分别为图5和图6所示。可以看出从运维角度讲，基于统计分布的参数基准值在时间维度上具有自适应特性，相较于额定参数和专家经验更加合理。
114.可选地，所述基于自适应调整之后的所述iv扫描诊断阈值对光伏组串进行故障诊断的步骤之后，还包括：
115.筛选历史日期中与进行iv扫描日期最近的典型日；
116.确定基于自适应调整之后的所述iv扫描诊断阈值诊断出的故障组串在所述典型日的发电量；
117.按照发电量排序确定各所述故障组串的维护优先级。
118.可选地，所述筛选历史日期中与进行iv扫描日期最近的典型日的步骤，包括：
119.获取所述历史日期内所有光伏组串的每日功率曲线数据；
120.基于所述每日功率曲线数据在所述历史日期中确定所述典型日。
121.可选地，所述基于所述每日功率曲线数据在所述历史日期中确定所述典型日的步骤，包括：
122.根据所述每日功率曲线数据计算得到每日所有光伏组串的功率曲线平滑度和物理等效小时数；
123.确定所述功率曲线平滑度和所述物理等效小时数均满足对应预设阈值的最近日期为所述典型日。
124.可选地，所述筛选历史日期中与进行iv扫描日期最近的典型日的步骤，包括：
125.若在所述历史日期中未筛选出所述典型日，则调整所述功率曲线平滑度和所述物理等效小时数对应的预设阈值之后，重新筛选所述历史日期中的离进行iv扫描日期最近的
典型日。
126.参照图8，图8为本发明一种光伏系统iv扫描诊断方法一实施例的最近典型日确定示意图。
127.最近典型日确定方法的步骤详情如下：
128.step1：获取iv扫描日之前历史日期(经验值)中如两个月内光伏系统内所有光伏组串每日功率曲线数据；
129.step2：按日期倒序，计算一天中所有光伏组串功率曲线平滑度s(平滑度定义为函数的平方二阶导数的积分，公式为s＝∫(f”(t))2dt，离散数据集的导数，以数据集中每两点之间的斜率计算)；
130.step3：按日期倒序，计算一天中所有光伏组串物理等效小时数w，公式为p为光伏组串功率，q为装机容量；
131.step4：若某一天存在光伏组串的功率曲线平滑度s和物理等效小时数w同时满足大于对应预设阈值，则这一天为典型日；
132.step5：按日期倒序，首次获取典型日后则无需继续查找，同样，历史日期的两个月内未查到典型日，则查找失败，可调整功率曲线平滑度s和物理等效小时数w对应的阈值再次查找或停止查找。
133.其中，两个月的历史日期也可以作为查找失败之后进行调整的阈值，但一般不这么做，虽然拉长周期总会出现典型日，但与iv扫描的诊断日太远，没有时效性，会导致自适应调整之后的iv扫描诊断阈值失效。其中，功率曲线平滑度s和物理等效小时数w各自对应的预设阈值可以是经验值，也可以是根据大量的历史曲线或者标签数据(是否为晴天等类型的标签)，求解出来的阈值。
134.可选地，所述确定基于自适应调整之后的所述iv扫描诊断阈值诊断出的故障组串在所述典型日的发电量的步骤之后，包括：
135.确定各所述故障组串与日发电量最大的最优组串之间的日发电量损失百分比，根据所述日发电量损失百分比排序确定各所述故障组串的维护优先级。
136.在通过全站组串功率曲线数学平滑度指标和物理等效小时数指标筛选历史日期中的最近典型日之后，可以直接按照自适应调整之后iv扫描诊断阈值诊断出的故障组串在典型日的发电量排序，从而确定各故障组串的维护优先级。或者，根据典型日内各组串与最优组串计算日发电量(功率曲线积分)损失百分比进行排序，依照损失排序确定参数阈值自适应诊断算法输出结果的维护优先级。即、通过历史典型日内遥测数据计算各组串与最优组串日损失百分比，以损失百分比大小确定强机理阈值判断算法结果中故障严重程度，即通过损失百分比排序确定维护优先级建议。
137.其中，遥测数据是光伏组串的电流、电压等跟时间相关的数据，比如i(电流)t(在各个时间的)数据，iv曲线数据为mppt主动扫描得到，遥测数据为传感器监测各个时刻的数据并上传得到。
138.以上，通过历史典型日遥测数据实现各组串与最优组串损失百分比计算，规避了以最大功率点等暂态特征计算损失的外界干扰误差；通过精准组串损失程度排序，确定维护优先级，兼顾了维护资源成本，提高了维护效率和维护收益；全过程无新增硬件成本，甚
至维护优先级确定方法中无需依赖辐照采集设备确定典型日。
139.此外，参照图9，图9为本发明一种光伏系统iv扫描诊断方法一实施例的装置示意图。本发明实施例还提供一种光伏系统iv扫描诊断装置，所述光伏系统iv扫描诊断装置，包括：
140.扫描模块，用于对光伏组串进行iv扫描，获取所述光伏组串的iv扫描数据，根据所述iv扫描数据确定所述光伏组串的电气参数数据；
141.确定模块，用于确定所述光伏系统中各光伏组串的所述电气参数数据的分布状态，以最大概率密度对应的所述电气参数数据作为基准参数；
142.调整模块，用于根据所述基准参数和所述电气参数数据对应的预设可调偏差量，自适应调整光伏系统iv扫描诊断阈值；
143.诊断模块，用于基于自适应调整之后的所述iv扫描诊断阈值对光伏组串进行故障诊断。
144.可选地，所述电气参数数据包括光伏组串的短路电流、开路电压、最大功率、填充因子、短路段组件外特性电阻和开压段组件外特性电阻参数中一项或多项。
145.可选地，所述确定模块，还用于根据核密度估计算法确定光伏系统中各光伏组串的所述电气参数数据的分布状态。
146.可选地，所述光伏系统iv扫描诊断装置，还包括：维护模块，用于所述基于自适应调整之后的所述iv扫描诊断阈值对光伏组串进行故障诊断的步骤之后，
147.筛选历史日期中与进行iv扫描日期最近的典型日；
148.确定基于自适应调整之后的所述iv扫描诊断阈值诊断出的故障组串在所述典型日的发电量；
149.按照发电量排序确定各所述故障组串的维护优先级。
150.可选地，所述维护模块，还用于获取所述历史日期内所有光伏组串的每日功率曲线数据；
151.基于所述每日功率曲线数据在所述历史日期中确定所述典型日。
152.可选地，所述维护模块，还用于根据所述每日功率曲线数据计算得到每日所有光伏组串的功率曲线平滑度和物理等效小时数；
153.确定所述功率曲线平滑度和所述物理等效小时数均满足对应预设阈值的最近日期为所述典型日。
154.可选地，所述维护模块，还用于若在所述历史日期中未筛选出所述典型日，则调整所述功率曲线平滑度和所述物理等效小时数对应的预设阈值之后，重新筛选所述历史日期中的离进行iv扫描日期最近的典型日。
155.可选地，所述维护模块，还用于所述确定基于自适应调整之后的所述iv扫描诊断阈值诊断出的故障组串在所述典型日的发电量的步骤之后，
156.确定各所述故障组串与日发电量最大的最优组串之间的日发电量损失百分比，根据所述日发电量损失百分比排序确定各所述故障组串的维护优先级。
157.本发明提供的光伏系统iv扫描诊断装置，采用上述实施例中的光伏系统iv扫描诊断方法，解决现有技术中iv扫描诊断阈值很难适应光伏电站的各种应用场景的技术问题。与现有技术相比，本发明实施例提供的光伏系统iv扫描诊断装置的有益效果与上述实施例
提供的光伏系统iv扫描诊断方法的有益效果相同，且该光伏系统iv扫描诊断装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
158.此外，本发明实施例还提供一种一种光伏系统iv扫描诊断设备，所述光伏系统iv扫描诊断设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上所述的光伏系统iv扫描诊断方法的步骤。
159.此外，本发明实施例还提供一种一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的光伏系统iv扫描诊断方法的步骤。
160.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
161.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
162.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
163.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。