一种分布式能源发电电源接入模块监测方法

技术领域

本发明涉及电力技术领域，尤其涉及一种分布式能源发电电源接入模块监测方法。

背景技术

分布式能源发电指的是分散在不同地点的小规模能源发电系统，新能源中风电和光伏将成为未来的主要电源主体。以安徽省为例，沿江西部有效风能密度为100-175瓦/平方米，为全省风能资源最大的区域；太阳年辐射总量在4400-5000兆焦耳/平方米之间。电源接入模块负责将产生的电能进行处理，并与传统电网进行连接。但风电出力日内变化较大，年中风电出力资源富足，呈现季节特性；光伏出力日间变化幅度较大，中午达到峰值，受天气影响较大，所以对电能的监测很重要。

现有技术常通过传感器、无线传感网络或者数据通信接口监测分布式能源发电电源接入模块的性能，通过专业人员部署传感器或者配置网络、数据通信接口等获取相关监测数据。

例如公告号为：CN104953622B的发明专利公开的一种分布式电源接入监控系统，包括新能源监测模块、并网监视模块、调度控制模块和高级应用模块，所述新能源监测模块包括发电系统总加单元、发电地理图单元、发电汇总表单元和电能质量监视单元，所述高级应用模块包括负荷预测单元、发电预测单元、馈线自动化单元、自动电压无功控制单元、经济运行控制单元和分布式电源群控单元。

例如公告号为：CN103983845B的发明专利公开的分布式电源接入用户双向计量与监测系统及方法，包括用户供电母线、公共电网、用户用电负荷、分布式发电系统和用户双向计量与监测系统，所述用户双向计量与监测系统包括处理器模块、AD转换模块、2路电压采集模块、2路电流采集模块、显示模块、存储模块、按键模块、通讯模块、电源模块、电压采集传感器和电流采集传感器。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

现有技术中，通过传感器、无线传感网络或者数据通信接口监测分布式能源发电电源接入模块的性能，通过专业人员部署传感器或者配置网络、数据通信接口等获取相关监测数据进行监测，而风电和光电发电具有随机性和不确定性的特点，存在分布式能源发电电源接入模块的发电监测准确性低的问题。

发明内容

本申请实施例通过提供一种分布式能源发电电源接入模块监测方法，解决了现有技术中分布式能源发电电源接入模块的发电监测准确性低的问题，实现了分布式能源发电电源接入模块的发电监测准确性的提高。

本申请实施例提供了一种分布式能源发电电源接入模块监测方法，用于服务器，包括以下步骤：S1，对收集的参考风电场和光伏电站出力数据分别进行出力统计特性分析得到对应的参考风电场风速拟合函数和参考光伏辐射强度拟合函数，并根据参考风电场风速拟合函数和参考光伏辐射强度拟合函数得到对应的风电场和光伏电站参考功率曲线；S2，分析具有分布式能源发电电源接入模块电能质量的影响因素得到电能质量参数，通过预设传感器获取预设时间段内对应的电能质量数据，计算电能质量指数；S3，根据参考风电场风速拟合函数和参考光伏辐射强度拟合函数，分别对获取的预设时间段内风电场和光伏电站出力数据进行模拟抽样，并结合拟合度检验和有效性检验得到对应的风电场和光伏电站出力功率曲线；S4，通过缩减试验及有效性验证分别确定风电场和光伏电站出力功率曲线的缩减方法，并得到对应的风电和光伏出力典型功率曲线个数，结合确定的缩减方法将风电场和光伏电站出力功率曲线缩减为对应数量的功率曲线，再分别与对应的风电场和光伏电站参考功率曲线进行比较得到预设时间段内分布式能源发电电源接入模块的出力效率，结合电能质量指数监测分布式能源发电电源接入模块的发电效率。

进一步的，所述参考风电场风速拟合函数和参考光伏辐射强度拟合函数的具体获取步骤如下：通过两参数威布尔分布对预设时间间隔内的参考风电场出力数据进行拟合，得到风电场尺度参数和形状参数，通过公式得到风电场概率密度函数，再根据风电场概率密度函数得到参考风电场风速拟合函数；通过两参数beta分布对预设时间间隔内的参考光伏电站出力数据进行拟合，得到光伏电站尺度参数和光伏电站形状参数，通过公式得到参考光伏辐射强度拟合函数。

进一步的，所述预设传感器包括功率传感器、电流传感器、电压传感器、频率传感器和温度传感器，具体如下：所述功率传感器用于获取预设时间段内分布式能源发电电源接入模块的有功功率和无功功率数据；所述电流传感器用于获取预设时间段内分布式能源发电电源接入模块的电流数据；所述电压传感器用于获取预设时间段内分布式能源发电电源接入模块的电压数据，结合对应的电流数据和有功功率数据计算功率因数；所述频率传感器用于获取预设时间段内分布式能源发电电源接入模块的频率数据，得到预设时间段内谐波次数；所述温度传感器用于获取预设时间段内分布式能源发电电源接入模块的温度数据。

进一步的，所述电能质量指数用于衡量分布式能源发电电源接入模块输出的电能质量，具体计算过程如下：根据功率传感器获取的预设时间段内风电场和光伏电站有功功率数据AP

进一步的，所述模拟抽样的方法为蒙特卡洛抽样和拉丁超立方抽样，拟合度检验通过卡方检验和K-S检验实现，卡方检验具体过程如下：将模拟抽样获得的样本数据划分为多个没有交集的区间得到数据检测统计量数据

进一步的，所述K-S检验具体如下：将抽样获得的样本数据按从小到大的顺序排列后通过公式得到经验分布函数，结合对应的假设分布函数通过公式得到样本数据的数据统计量数据

进一步的，所述有效性检验通过计算BS指数实现，具体步骤如下：结合BS指数计算方法，得到各类数据的BS指数BS

进一步的，所述缩减试验根据k-means聚类和改进的k-means聚类实现，缩减方法的有效性通过评价指标伪F-统计确定，具体过程如下：根据k-means聚类的预设K值分别对风电场出力功率曲线上的风电场出力功率数据和光伏电站出力功率曲线上的光伏电站出力功率数据进行k-means聚类，再分别计算对于风电场出力功率曲线和光伏电站出力功率曲线进行k-means聚类的各K值对应的k-means聚类的有效性指数

进一步的，所述出力效率由计算的风电场功率覆盖率和光伏电站功率覆盖率进一步得到，具体过程如下：将各风电场功率曲线中的数据与参考风电场功率曲线的数据进行比较，得到各风电场功率曲线和参考风电场功率曲线中同时包含的数据的数量，结合参考风电场功率曲线中数据总数量得到各风电场功率曲线的覆盖率，各风电场功率曲线的覆盖率之和即为风电场功率覆盖率WP；将各光伏电站出力功率曲线中的数据与参考光伏电站功率曲线的数据进行比较，得到各光伏电站出力功率曲线和参考光伏电站功率曲线同时包含的数据的数量，结合参考光伏电站功率曲线中数据总数量得到各光伏电站出力功率曲线的覆盖率，各光伏电站出力功率曲线的覆盖率之和即为光伏电站功率覆盖率LP；由计算的风电场功率覆盖率和光伏电站功率覆盖率，结合预设时间段内分布式能源发电电源接入模块出现故障的次数M通过公式计算该模块的出力效率SE，具体计算公式为

进一步的，所述发电效率的具体计算过程如下：由计算的预设时间段内分布式能源发电电源接入模块的电能质量指数PQ和出力效率SE通过公式计算预设时间段内的发电效率PE，具体计算公式为

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1、通过对参考风电场和光伏电站出力数据的出力统计特性分析得到对应的参考出力分布拟合函数和参考功率曲线，然后对预设时间段内的风电场和光伏电站出力数据进行模拟抽样，由拟合度检验和有效性检验结果得到对应的出力功率曲线，接着根据缩减试验及有效性验证确定的缩减方法将各出力功率曲线缩减为对应数量的功率曲线，再与对应的参考功率曲线比较得到预设时间段内分布式能源发电电源接入模块的出力效率，最后结合获取的电能质量数据监测模块的发电效率，从而实现了发电效率的准确监测，进而实现了发电监测准确性的提高，有效解决了现有技术中分布式能源发电电源接入模块的发电监测准确性低的问题。

2、通过两参数威布尔分布和beta分布分别对参考风电场出力数据和参考光伏电站出力数据进行拟合得到参考风电场风速拟合函数和参考光伏辐射强度拟合函数，然后对预设时间段内的风电场出力数据和光伏电站出力数据进行蒙特卡洛抽样和拉丁超立方抽样，再结合卡方检验和K-S检验对抽样结果的拟合度进行检验，最后通过BS指数进一步检验抽样结果的有效性，从而实现了风电场出力功率曲线和光伏电站出力功率曲线的准确获取，进而实现了更准确的获取分布式能源发电电源接入模块的出力功率。

3、通过k-means聚类方法对风电场出力功率曲线上的风电场出力功率数据和光伏电站出力功率曲线上的光伏电站出力功率数据进行聚类并计算各聚类结果的有效性指数，然后根据改进的k-means聚类方法对相同数据进行聚类并计算对应的有效性指数最优值，比较由k-means聚类方法得到的有效性指数和有效性指数最优值得到有效性指数最大值，接着根据有效性指数最大值对应的聚类方法和K值将风电场出力功率曲线和光伏电站出力功率曲线缩减为对应数量的风电场功率曲线和光伏电站功率曲线，再与对应的参考功率曲线进行比较计算出力效率，最后与通过预设传感器获取的电能质量数据计算的电能质量指数相结合计算分布式能源发电电源接入模块的发电效率，从而实现了发电效率的准确获取，进而实现了更高效的监测分布式能源发电电源接入模块的发电效率。

附图说明

图1为本申请实施例提供的一种分布式能源发电电源接入模块监测方法流程图；

图2为本申请实施例提供的两参数威布尔拟合的风速分布例图；

图3为本申请实施例提供的两参数beta拟合的光伏分布例图；

图4为本申请实施例提供的风电场出力数据的蒙特卡洛抽样例图；

图5为本申请实施例提供的光伏电站出力数据的拉丁超立方抽样例图；

图6为本申请实施例提供的光伏电站出力功率数据的k-means聚类例图；

图7为本申请实施例提供的风电场出力功率数据的改进的k-means聚类例图。

具体实施方式

本申请实施例通过提供一种分布式能源发电电源接入模块监测方法，解决了现有技术中分布式能源发电电源接入模块的发电监测准确性低的问题，通过对收集的参考风电场出力数据和参考光伏电站出力数据分别进行出力统计特性分析得到参考风电场风速拟合函数和参考光伏辐射强度拟合函数，从而得到对应的参考风电场功率曲线和参考光伏电站功率曲线，然后通过预设传感器获取分布式能源发电电源接入模块的电能质量数据计算预设时间段内该模块的电能质量指数，接着根据获得的拟合函数分别对预设时间段内的风电场出力数据和光伏电站出力数据进行模拟抽样，并结合拟合度检验和有效性检验得到风电场出力功率曲线和光伏电站出力功率曲线，再根据缩减试验及有效性验证的结果将风电场和光伏电站出力功率曲线缩减为对应数量的风电场和光伏电站功率曲线，并与对应的参考功率曲线进行比较得到预设时间段内模块的出力效率，最后结合电能质量指数计算模块的发电效率，以监测监测分布式能源发电电源接入模块的发电效率，实现了分布式能源发电电源接入模块的发电监测准确性的提高。

本申请实施例中的技术方案为解决上述分布式能源发电电源接入模块的发电监测准确性低的问题，总体思路如下：

通过对收集的参考风电场和光伏电站出力数据分别进行分析得到对应的参考拟合函数和功率曲线，然后借助预设传感器获取模块的电能质量指数，接着根据参考拟合函数对预设时间段内的风电场和光伏电站出力数据进行模拟抽样，并结合拟合度检验和有效性检验结果得到对应的出力功率曲线，再根据缩减试验及有效性验证的结果将对应的出力功率曲线缩减为对应数量的功率曲线，并与对应的参考功率曲线进行比较得到模块的出力效率，最后结合电能质量指数监测模块的发电效率，达到了提高分布式能源发电电源接入模块的发电监测准确性的效果。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

如图1所示，为本申请实施例提供的一种分布式能源发电电源接入模块监测方法流程图，用于服务器，该方法包括以下步骤：S1，获取参考风电场和光伏电站功率曲线：对收集的参考风电场和光伏电站出力数据分别进行出力统计特性分析得到对应的参考风电场风速拟合函数和参考光伏辐射强度拟合函数，并根据参考风电场风速拟合函数和参考光伏辐射强度拟合函数得到对应的风电场和光伏电站参考功率曲线；S2，计算电能质量指数：分析具有分布式能源发电电源接入模块电能质量的影响因素得到电能质量参数，通过预设传感器获取预设时间段内对应的电能质量数据，计算电能质量指数；S3，获取各出力功率曲线：根据参考风电场风速拟合函数和参考光伏辐射强度拟合函数，分别对获取的预设时间段内风电场和光伏电站出力数据进行模拟抽样，并结合拟合度检验和有效性检验得到对应的风电场和光伏电站出力功率曲线；S4，监测发电效率：通过缩减试验及有效性验证分别确定风电场和光伏电站出力功率曲线的缩减方法，并得到对应的风电和光伏出力典型功率曲线个数，结合确定的缩减方法将风电场和光伏电站出力功率曲线缩减为对应数量的功率曲线，再分别与对应的风电场和光伏电站参考功率曲线进行比较得到预设时间段内分布式能源发电电源接入模块的出力效率，结合电能质量指数监测分布式能源发电电源接入模块的发电效率。

在本实施例中，风能是一种随机性强、能量密度低的非常规清洁能源，易受风速、风向、气压、温度、湿度等综合因素影响；风电具有较大的波动性、不确定性与随机性；出力波动率为周期结束时出力与初始出力的差和初始出力的比值；风电出力具有一定季节变化特性，表现为春季和冬季风出力相对较小，夏季和秋季风出力较大，即年中风力出力资源富足；所以需要进行风电出力特性分析再进行风电出力统计特性分析，其中风电出力特性分析具体包括风电出力的波动性分析、平均出力变化率分析、风电出力的分布情况分析和风电出力的季节特性分析；全年各时刻光伏出力大小均表现为一定的不确定性，该不确定性一方面是由于昼夜节律，一方面是由于天气影响；光伏出力波动性明显，不确定性大，四季日出力曲线展现了一定的日间特性，日出力高峰出现在凌晨3点到上午7点，以及晚上18点到22点，日出力低谷在上午10点到下午15点；所以需要进行光伏出力特性分析再进行光伏出力统计特性分析，光伏出力特性分析具体包括光伏出力的波动性分析、平均出力变化率分析、光伏出力的分布情况分析和光伏出力的季节特性分析；实现了更准确的监测分布式能源发电电源接入模块的发电效率。

进一步的，如图2所示，为本申请实施例提供的两参数威布尔拟合的风速分布例图，如图3所示，为本申请实施例提供的两参数beta拟合的光伏分布例图，参考风电场风速拟合函数和参考光伏辐射强度拟合函数的具体获取步骤如下：通过两参数威布尔分布对预设时间间隔内的参考风电场出力数据进行拟合，得到风电场尺度参数和形状参数，通过公式得到风电场概率密度函数，再根据风电场概率密度函数得到参考风电场风速拟合函数；通过两参数beta分布对预设时间间隔内的参考光伏电站出力数据进行拟合，得到光伏电站尺度参数和光伏电站形状参数，通过公式得到参考光伏辐射强度拟合函数。

在本实施例中，风能是一种清洁的可再生能源，主要由于太阳辐射地球表面受热不均，引起大气层中受热不均匀，从而使空气沿着水平方向运动，空气流动所形成的动能；但它也是一种很不稳定的能源，这表现在于风速在不同时间尺度上表现出来的间歇性以及波动性特点，并直接导致了风力发电的不确定性；风速概率统计特性符合两参数威布尔分布；风电场尺度参数和风电场形状参数均大于0；周期为一天的光伏出力一般呈单峰曲线，较长时间尺度的光伏出力呈“半包络”状；光伏出力还受季节、天气等因素影响，由于光伏出力大小与太阳辐射强度成正比，而太阳辐射角度在一年四季中是呈周期性变化，这导致了四季中太阳辐射强度是不同的，因此一般北半球夏季光伏平均出力较高，春秋季次之，冬季平均出力最低；光伏出力还易受到云层因素的影响，因此光伏出力曲线往往形状并不固定，并且天气变化也是导致光伏出力不确定性的主要原因；两参数beta分布可以用来拟合长时间尺度下的太阳辐照强度的概率统计特性，只能用来拟合取值在0至1之间的变量；光伏出力功率与太阳辐照强度呈正比关系；实现了更精确的衡量风电场和光伏电站出力功率。

进一步的，预设传感器包括功率传感器、电流传感器、电压传感器、频率传感器和温度传感器，具体如下：功率传感器用于获取预设时间段内分布式能源发电电源接入模块的有功功率和无功功率数据；电流传感器用于获取预设时间段内分布式能源发电电源接入模块的电流数据；电压传感器用于获取预设时间段内分布式能源发电电源接入模块的电压数据，结合对应的电流数据和有功功率数据计算功率因数；频率传感器用于获取预设时间段内分布式能源发电电源接入模块的频率数据，得到预设时间段内谐波次数；温度传感器用于获取预设时间段内分布式能源发电电源接入模块的温度数据。

在本实施例中，有功功率是执行实际有用功的功率，它代表了电能的实际消耗或传输；无功功率用于产生和维持电磁场而不执行有用功；功率因数是有功功率与视在功率的比值，视在功率是有功功率和无功功率的矢量和，良好的功率因数是保证电能质量的重要指标，能够减少电网的无功功率流动、提高电力系统的效率，并降低电力设备的损耗；低功率因数会导致电网中的无功功率增加，引起电网电压下降、电流增大，从而造成电网电压的波动和负载设备的电能损耗；谐波是电力系统中的非线性负荷和电源装置产生的非基波电压和电流成分；谐波次数较高的谐波水平会导致电力系统中的电压波形失真、电流畸变，引发传输和分配损耗的增加，造成供电设备的额外损耗，影响负载设备的正常运行；谐波还会引起电力设备的振动、谐波共振、电磁干扰等问题，可能导致设备故障和电力系统的可靠性下降；实现了更准确的获取分布式能源发电电源接入模块的电能质量数据。

进一步的，电能质量指数用于衡量分布式能源发电电源接入模块输出的电能质量，具体计算过程如下：根据功率传感器获取的预设时间段内风电场和光伏电站有功功率数据AP

在本实施例中，电压偏差是指电网电压与标称电压之间的偏移程度，包括电压的上升、下降、闪变等情况；低电压偏差通常导致负载设备的运行不稳定，电机启动困难，光电设备亮度降低等问题，当然高电压偏差可能损坏设备，引发火灾风险；电压偏差的控制是确保电能质量的关键；温度偏差越大，表明模块出现故障的几率越高；实现了更准确的监测分布式能源发电电源接入模块输出的电能质量。

进一步的，如图4所示，为本申请实施例提供的风电场出力数据的蒙特卡洛抽样例图，如图5所示，为本申请实施例提供的光伏电站出力数据的拉丁超立方抽样例图，模拟抽样的方法为蒙特卡洛抽样和拉丁超立方抽样，拟合度检验通过卡方检验和K-S检验实现，卡方检验具体过程如下：将模拟抽样获得的样本数据划分为多个没有交集的区间得到数据检测统计量数据χ

在本实施例中，蒙特卡罗抽样模拟的随机特性表现在输入分布的范围内，样本可以落在任何位置，这会导致样本更有可能从高概率的分布区域中抽取；拉丁超立方体抽样是抽样技术的最新进展，和蒙特卡罗方法相比，它被设计成通过较少迭代次数的抽样，关键是对输入概率分布进行分层，分层在累积概率尺度0到1上把累积曲线分成相等的区间，再从输入分布的每个区间或“分层”中随机抽取样本；接收对应曲线的概率分布表明该曲线拟合度较高；卡方检验属于非参数假设检验，适用于布尔型或二项分布数据，基于两个概率间的比较，主要是比较两个及两个以上样本率(构成比)以及两个分类变量的关联性分析；根本思想在于比较理论频数和实际频数的吻合程度；卡方检验需要随机样本数据，且参考概率值不能太小，而且结果受数据量级的影响明显；实现了更准确的分析样本间的关联性。

进一步的，K-S检验具体如下：将抽样获得的样本数据按从小到大的顺序排列后通过公式得到经验分布函数，结合对应的假设分布函数通过公式得到样本数据的数据统计量数据

在本实施例中，Kolmogorov-Smirnov(K-S)检验是一种非常重要的非参数检验方法，通过比较两样本的频率分布，或者一个样本的频率分布与特定理论分布(如正态分布、泊松分布等)之间的差异大小来推论两个分布是否来自同一个分布；K-S检验不需要对数据进行分组，可以更完整的利用所有的数据，但对数据量不敏感；卡方检验也可以用于检验定量数据，但必须先将数据分组才能获得实际的观测频数，而KS检验能直接对原始数据进行检验，所以它对数据的利用更加完整；实现了更高效准确的判断样本的近似分布。

进一步的，有效性检验通过计算BS指数实现，具体步骤如下：结合BS指数计算方法，得到各类数据的BS指数BS

在本实施例中，BS(Brier Score，布里尔评分)指数是用来对所生成场景进行定量评价的；BS指标值越小，算法效果越好；实现了更准确的选择抽样方法。

进一步的，如图6所示，为本申请实施例提供的光伏电站出力功率数据的k-means聚类例图，如图7所示，为本申请实施例提供的风电场出力功率数据的改进的k-means聚类例图，缩减试验根据k-means聚类和改进的k-means聚类实现，缩减方法的有效性通过评价指标伪F-统计确定，具体过程如下：根据k-means聚类的预设K值分别对风电场出力功率曲线上的风电场出力功率数据和光伏电站出力功率曲线上的光伏电站出力功率数据进行k-means聚类，再分别计算对于风电场出力功率曲线和光伏电站出力功率曲线进行k-means聚类的各K值对应的k-means聚类的有效性指数

在本实施例中，k-means聚类是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心，根据聚类中现有的对象重新计算聚类中心，直到聚类中心不再发生变化；改进的k-means聚类，通过计算聚类有效性指数，在聚类数搜索范围内给出最优的聚类数目，克服了传统k-means算法不能给出最佳聚类数的缺点；改进的k-means聚类的聚类过程中度量各对象之间的距离函数和目标函数保持不变，分别为欧几里得距离和平方误差和最小；伪F-统计(PFS)指标作为不同聚类结果的评价指标，来自方差分析的一个统计量，随着K值的增大，样本类内散布矩阵的迹随之上升，样本类间散布矩阵的迹随之下降，有效性指数PFS在某处达到最优，聚类结果簇间和簇内距离达到平衡，即簇中各对象尽量紧密，簇间关系尽量稀疏；有效性指数最优值指的是改进的k-means聚类的有效性指数的最大值；实现了出力功率曲线的更有效缩减。

进一步的，出力效率由计算的风电场功率覆盖率和光伏电站功率覆盖率进一步得到，具体过程如下：将各风电场功率曲线中的数据与参考风电场功率曲线的数据进行比较，得到各风电场功率曲线和参考风电场功率曲线中同时包含的数据的数量，结合参考风电场功率曲线中数据总数量得到各风电场功率曲线的覆盖率，各风电场功率曲线的覆盖率之和即为风电场功率覆盖率WP；将各光伏电站出力功率曲线中的数据与参考光伏电站功率曲线的数据进行比较，得到各光伏电站出力功率曲线和参考光伏电站功率曲线同时包含的数据的数量，结合参考光伏电站功率曲线中数据总数量得到各光伏电站出力功率曲线的覆盖率，各光伏电站出力功率曲线的覆盖率之和即为光伏电站功率覆盖率LP；由计算的风电场功率覆盖率和光伏电站功率覆盖率，结合预设时间段内新型电力系统出现故障的次数M通过公式计算新型电力系统的出力效率SE，具体计算公式为

在本实施例中，各风电场出力功率曲线的变化趋势与参考风电场功率曲线的变化趋势一致，且缩减后的风电场功率曲线与参考风电场功率曲线的变化也一致，这表明了生成的风电场出力功率曲线较为合理；各光伏电站出力功率曲线的变化趋势与参考光伏电站功率曲线的变化趋势一致，且缩减后的光伏电站功率曲线与参考光伏电站功率曲线的变化也一致，这表明了生成的光伏电站出力功率曲线较为合理；新型电力系统出现故障的次数越多，新型电力系统的出力效率越低；风电场功率覆盖率和光伏电站功率覆盖率越大，新型电力系统的出力效率越高；实现了更精确地监测新型电力系统的出力效率。

进一步的，发电效率的具体计算过程如下：由计算的预设时间段内分布式能源发电电源接入模块的电能质量指数PQ和出力效率SE通过公式计算预设时间段内的发电效率PE，具体计算公式为

在本实施例中，高质量的电能供应对于许多电力设备和电子设备的正常运行至关重要，它确保电动机启动可靠，减少设备故障率，保护电子设备免受损害，提供稳定的电源供应；高出力效率对于电力系统的可持续性和经济性也很重要，它可以减少能源消耗、降低运营成本，并减少对环境的影响，出力效率的提高也可以增加电力系统的容量和供电能力，为更多用户提供稳定的电力供应；实现了更全面的监测分布式能源发电电源接入模块的发电效率。

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：相对于公告号为：CN104953622B公开的一种分布式电源接入监控系统，本申请实施例通过两参数威布尔分布和beta分布分别对参考风电场出力数据和参考光伏电站出力数据进行拟合得到参考风电场风速拟合函数和参考光伏辐射强度拟合函数，然后对预设时间段内的风电场出力数据和光伏电站出力数据进行蒙特卡洛抽样和拉丁超立方抽样，再结合卡方检验和K-S检验对抽样结果的拟合度进行检验，最后通过BS指数进一步检验抽样结果的有效性，从而实现了风电场出力功率曲线和光伏电站出力功率曲线的准确获取，进而实现了更准确的获取分布式能源发电电源接入模块的出力功率；相对于公开号为：CN103983845B公开的分布式电源接入用户双向计量与监测系统及方法，本申请实施例通过k-means聚类方法对风电场出力功率曲线上的风电场出力功率数据和光伏电站出力功率曲线上的光伏电站出力功率数据进行聚类并计算各聚类结果的有效性指数，然后根据改进的k-means聚类方法对相同数据进行聚类并计算对应的有效性指数最优值，比较由k-means聚类方法得到的有效性指数和有效性指数最优值得到有效性指数最大值，接着根据有效性指数最大值对应的聚类方法和K值将风电场出力功率曲线和光伏电站出力功率曲线缩减为对应数量的风电场功率曲线和光伏电站功率曲线，再与对应的参考功率曲线进行比较计算出力效率，最后与通过预设传感器获取的电能质量数据计算的电能质量指数相结合计算分布式能源发电电源接入模块的发电效率，从而实现了发电效率的准确获取，进而实现了更高效的监测分布式能源发电电源接入模块的发电效率。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。