一、课题来源与背景: 课题来源为自选，自2015年我国累计光伏装机容量一跃成为全球第一之后，近几年我国的光伏行业的发展依然高歌猛进。中国光伏发电累计装机容量在2016年达到77．42GW，新增和累计装机容量均为全球第一；2017年，光伏发电装机容量则进一步达到130．25GW，同比增长高达68．7％；截至2019年底，全国光伏发电累计装机204.56GW，包括141.75GW集中式电站、62.81GW分布式电站（31%），连续七年位居全球第一。并预计在2030年达到634GW以及在2050年达到1 738GW。如果按照0.06元/瓦/年的运维费用计算，分布式光伏电站每年的运维及售后服务市场估值约为37亿元。 随着国家越来越重视新能源技术的发展，光伏电站的建设数量也急剧增加，为了提高光伏电站的发电率，光伏电站已经从规模化的发展逐渐转变为规模化的运维，而光伏电站所具有的运维能力将会对发电成本产生决定性作用，并且对电站的稳定性有着一定的影响。光伏电站若能进行自动化智能化运维，可准确鉴别故障点，有助于提升电站的运维及管理水平，可大幅缩减巡检时间，实现光伏电站管理的自动化和智能化。

    二、技术原理及性能指标： 本项目整体包括基于大数据挖掘技术的发电量预测模型、基于深度学习的户用分布式光伏电站故障诊断模型、实现智能算法对模型的优化以及数据的可视化分析等。各个子系统和模块相对独立，仅在 API 层面有所交互，分别提供开放接口供其他子模块调用，以满足高内聚低耦合的设计标准。 首先，在特征重要性评估中，使用ExtraTreesRegressor方法对全部特征进行重要性评估，依据对光伏发电的影响，标记各特征值。然后，建立多种回归模型，线性回归（LR）、支持向量机回归（SVM）、随机森林回归（RF）、多层感知机回归模型（MLPR）、梯度下降回归模型（GBR）以及贝叶斯岭回归，并提出基于群体智能算法（粒子群优化（Particle Swarm Optimization，PSO），蚁群优化（Ant Colony Optimization, ACO））的大数据挖掘模型对发电量预测进行分析，利用交叉验证算法对各模型的结果进行对比，之后自动匹配选择最优模型。最后，建立基于深度学习的光伏发电系统故障诊断模型进行电路自适应故障诊断方法，并用EMD-CNN（Empirical Mode Decomposition--Convolutional Neural Networks，基于经验模态分解的卷积神经网络）测试采样故障类型，如果为新故障，则更新之前的EMD-CNN自适应故障诊断方法，同时更新故障库。 技术性能指标为：1、系统接入设备数量≥1000台；2、数据采集点≥10000点；3、单一功能响应时间≤2秒；4、短期发电量预测准确度≥80%；5、长期发电量预测准确度≥85%。

    三、技术的创造性与先进性： 1、本项目对分布式光伏电站全生命周期的数据进行采集、处理和分析；2、基于光伏系统的全生命周期建立光伏电站运行性能评估指标体系； 3、基于群体智能算法的大数据挖掘组合预测模型；4、分别模拟了光伏阵列和光伏逆变器在不同故障状态下的运行情况。

    四、技术的成熟程度，适用范围和安全性： 本项目已研发完成并已应用在合作企业的电站，适用范围为旧电站改造及新投运电站，本项目产品为系统，应用时没有安全隐患。

    五、应用情况及存在的问题： 随着大数据挖掘技术的发展，越来越多的电力数据得到解析，有效提高电力公司设备管理水平的同时避免了不必须的损耗。尤其是户用分布式精准扶贫项目迫切需要智能化运维平台，不仅节省了运维成本带来的经济效益，对于实现全面脱贫目标实现小康社会有重要的社会意义。项目参与方珠海兴业绿色建筑科技有限公司所管理的屋面分布式电站137MW，扶贫电站355.78MW，通过技术改造升级改造工程订单额达到490万元，年增加发电1.48亿kWh。 运用于新投运的光伏电站，按照目前功能接近的运维软件及配套服务看，一个50MW的光伏电站，初装合同额平均约90万元，安装后每年升级维护等合同额约3万元/年。在一个50MW光伏电站的生命周期内，合同金额150万元。仅2019年，全国新增光伏装机容量约3011万千瓦，最近五年将新增光伏装机容量20000MW，其中5%的订单，获得3000万元左右的合同金额。

    六、历年获奖情况： 本项目相关技术目前参与太阳能建筑领域国家、行业和地方的一系列11项标准的制定，其中国家标准、图集和教材4项，地方标准6项，近三年参与编写包括《墙体、阳台壁挂型家用太阳能热水系统技术要求》《建筑用太阳能光伏夹层玻璃的重测导则》等在内的国家标准及图集1项，地方标准6项，团体标准3项，已获得2项发明专利、7项实用新型专利，1项外观设计专利，登记8件软件著作权，发表论文8篇，均为本项目的研发做出了一定的技术支撑。