CN106411257B - 一种光伏电站状态诊断方法及装置 - Google Patents

Abstract

本发明公开了一种光伏电站状态诊断方法及装置，该方法首先采集光伏电站全景数据；然后提取光伏电站监测关键数据，并计算光伏电站运行状态指标；其次针对光伏电站运行状态指标，根据历史数据，建立正态云模型，根据云模型计算异常阈值；最后将实时监测数据的状态指标与异常阈值比较，判断实时状态是否异常。本发明能够解决光伏电站传统状态评估技术中按照人的主观期望进行区分和判别、失误率较大的问题。

Description

一种光伏电站状态诊断方法及装置

技术领域

本发明属于光伏发电技术领域，具体涉及一种光伏电站状态诊断方法及装置。

背景技术

随着光伏行业的高速发展，光伏电站日益增多，光伏电站运维技术逐渐成为研究热点。针对以光伏电站为单位的分散、繁杂的运行数据、状态数据、环境数据等，缺乏有效的分析方法来统计分析、挖掘出关键性的数据指标，并且由于影响电站运行状态的因素很多，目前的状态诊断评估技术提供的运行状态判定标准也多以主观经验值为主，在实际运行中，很多时候不能及时发现某些未超出主观经验值的异常状况。

例如，在描述电站效能时，将其分为高效、正常、低效、异常等，这些概念的期望代表一个范围，而非一个具体的数值，当量化“正常”这个概念时，将[80％，90％]归入“正常”，即指“正常”的期望是[80％，90％]这个区间，而对于区间[80％，90％]的边界是否属于“正常”，则存在争议。这是按照人的主观期望来进行区分和判断，不准确。

发明内容

本发明的目的是提供一种光伏电站状态诊断方法及装置，用以解决光伏电站传统状态评估技术中按照人的主观期望进行区分和判别、失误率较大的问题。

解决上述技术问题，本发明提供一种光伏电站状态诊断方法，包括九个方法方案：

方法方案一，包括如下步骤：

A1、采集光伏电站全景数据；

A2、提取光伏电站监测关键数据，并计算光伏电站运行状态指标；

A3、针对光伏电站运行状态指标，根据历史数据，建立正态云模型，根据云模型计算异常阈值；

A4、将实时监测数据的状态指标与异常阈值比较，判断实时状态是否异常。

方法方案二，在方法方案一的基础上，还包括将采集的数据进行预处理的步骤：采用阈值判断法修正异常数据的值，采用均值填补法推测缺失数据的值。

方法方案三，在方法方案一的基础上，提取关键数据之前，还包括对数据进行ETL数据清洗的步骤。

方法方案四，在方法方案一的基础上，所述关键数据包括环境气象参数、发电量、直流侧三相电压和电流、交流侧三相电压和电流、有功功率、无功功率、功率因数、等效发电时间、直流线损和交流线损。

方法方案五，在方法方案一的基础上，所述状态指标包括方阵平均效率、逆变器效率、PV方阵日等效发电时间、线损率。

方法方案六，在方法方案一的基础上，判断实时监测数据是否异常后，还包括设置云模型的修正周期和实时诊断周期，进行云模型修正的步骤。

方法方案七，在方法方案五的基础上，所述方阵平均效率为：

μ_PV＝E_A/(A×H_T)，E_A＝∑_day(P×τ_r)

其中，A为PV方阵有效面积，P×τ_r为记录间隔内PV方阵中组件输出的直流电量，∑_day为按日求和；H_T为τ时段内PV方阵倾斜面辐射量，E_A为τ时段内PV方阵的输出能量；

所述逆变器发电效率为：

其中，P_out为逆变器交流侧输出功率，P_in为逆变器直流侧输入功率；

所述PV方阵日等效发电时间：

其中，P₀为PV系统峰瓦功率，即每个组件按额定功率运行时PV系统的总功率；

所述线损为：

其中，ρ为线缆的电阻率，P₁为光伏组串输出功率，P₂为逆变器输出功率，A₁为直流线缆的面积，A₂是交流线缆的面积，I₁是直流线缆的电流，I₂是交流线缆的电流，l₁是组件到逆变器的距离，l₂是逆变器到箱变的距离。

方法方案八，在方法方案一的基础上，所述建立云模型、计算阈值包括如下步骤：

S1、计算状态监测数据统计特征值：样本平均值为

1阶样本绝对中心距为

样本方差为

S2、计算正态云的数字特征量：期望为

熵为

超熵为

S3、随着H_e的增大，形成梯形云，其中，外隶属度曲线为

其区间为[E_x-3(E_n+3H_e),E_x+3(E_n+3H_e)]；

内隶属度曲线为

其区间为[E_x-3(E_n-3H_e),E_x+3(E_n-3H_e)]；

选取外隶属度曲线μ₁的区间边界作为异常判断阈值。

方法方案九，在方法方案六的基础上，所述进行云模型修正的公式为：

期望修正

方差修正

熵修正

超熵修正

其中，n表示模型中已包含的数据个数，x_n+1表示新增的数据。

本发明还提供一种光伏电站状态诊断装置，包括九个装置方案：

装置方案一，包括如下单元：

用于采集光伏电站全景数据的单元；

用于提取光伏电站监测关键数据，并计算光伏电站运行状态指标的单元；

用于针对光伏电站运行状态指标，根据历史数据，建立正态云模型，根据云模型计算异常阈值的单元；

用于将实时监测数据的状态指标与异常阈值比较，判断实时状态是否异常的单元。

装置方案二，在装置方案一的基础上，还包括将采集的数据进行预处理的单元：采用阈值判断法修正异常数据的值，采用均值填补法推测缺失数据的值。

装置方案三，在装置方案一的基础上，提取关键数据之前，还包括对数据进行ETL数据清洗的单元。

装置方案四，在装置方案一的基础上，所述关键数据包括环境气象参数、发电量、直流侧三相电压和电流、交流侧三相电压和电流、有功功率、无功功率、功率因数、等效发电时间、直流线损和交流线损。

装置方案五，在装置方案一的基础上，所述状态指标包括方阵平均效率、逆变器效率、PV方阵日等效发电时间、线损率。

装置方案六，在装置方案一的基础上，判断实时监测数据是否异常后，还包括设置云模型的修正周期和实时诊断周期，进行云模型修正的单元。

装置方案七，在装置方案五的基础上，所述方阵平均效率为：

μ_PV＝E_A/(A×H_T)，E_A＝∑_day(P×τ_r)

其中，A为PV方阵有效面积，P×τ_r为记录间隔内PV方阵中组件输出的直流电量，∑_day为按日求和；H_T为τ时段内PV方阵倾斜面辐射量，E_A为τ时段内PV方阵的输出能量；

所述逆变器发电效率为：

其中，P_out为逆变器交流侧输出功率，P_in为逆变器直流侧输入功率；

所述PV方阵日等效发电时间：

其中，P₀为PV系统峰瓦功率，即每个组件按额定功率运行时PV系统的总功率；

所述线损为：

其中，ρ为线缆的电阻率，P₁为光伏组串输出功率，P₂为逆变器输出功率，A₁为直流线缆的面积，A₂是交流线缆的面积，I₁是直流线缆的电流，I₂是交流线缆的电流，l₁是组件到逆变器的距离，l₂是逆变器到箱变的距离。

装置方案八，在装置方案一的基础上，所述建立云模型、计算阈值单元包括如下模块：

用于计算状态监测数据统计特征值的模块：样本平均值为

1阶样本绝对中心距为

样本方差为

用于计算正态云的数字特征量的模块：期望为

熵为

超熵为

随着H_e的增大，形成梯形云，其中，外隶属度曲线为

其区间为[E_x-3(E_n+3H_e),E_x+3(E_n+3H_e)]；

内隶属度曲线为

其区间为[E_x-3(E_n-3H_e),E_x+3(E_n-3H_e)]；

用于选取外隶属度曲线μ₁的区间边界作为异常判断阈值的模块。

装置方案九，在装置方案六的基础上，所述进行云模型修正的公式为：

期望修正

方差修正

熵修正

超熵修正

其中，n表示模型中已包含的数据个数，x_n+1表示新增的数据。

本发明的有益效果是：本发明从采集光伏电站全景数据中提取光伏电站监测关键数据，并计算光伏电站运行状态指标，将云模型应用于状态评估，从而确定光伏电站状态是否正常。本发明能够解决光伏电站传统状态评估技术中按照人的主观期望进行区分和判别、失误率较大的问题，能够较灵敏地识别出异常状况，有效提高状态诊断的准确性与全面性。

附图说明

图1是正态云模型示例；

图2是本发明的光伏电站状态诊断方法的流程图。

具体实施方式

下面结合附图说明，对本发明进行进一步地详细说明。

1)采集光伏电站全景数据。

通过光伏电站就地层数据采集装置、具有传输功能的智能设备、就地监控系统，包括Zigbee采集信息、红外采集信息、通过人机交互界面手动录入信息、智能设备自动采集信息等等，将数据通过互联网、移动无线等方式上送至光伏电站数据集中管理中心，该数据中心实现了接口管理，通过集中管理不同厂家、不同设备的不同接口，提高了网络配置的灵活性和可扩展性。

然后针对采集到的数据进行预处理，采用阈值判断法修正异常数据的值，采用均值填补法推测缺失数据的值，实现数据的完整性。其中，阈值判断法是通过统计分析判断数据是否异常，并利用最大值、最小值、平均值的情况进行判断阈值。均值填补法就是用缺失数据所属的变量对象的全部监测取值的平均值来填补该缺失数据。

2)提取光伏电站监测关键数据，并计算光伏电站运行状态指标。

对历史数据进行ETL清洗，采用MySqL数据库，通过数据源的导入、标准化、抽取、清洗、转换、加工、加载到数据中心的处理过程，保障电站数据的有效性和实时性，为运行趋势分析和运维评估决策提供统一的数据接口和数据共享服务。然后根据结果提取电站监测关键数据，包括：环境气象参数、发电量、直流侧三相电压、电流、交流侧三相电压、电流、有功功率、无功功率、功率因素、等效发电时数、直流线损、交流线损。

根据提取的关键数据计算影响电站运行状态指标，光伏电站运行状态指标包括方阵平均效率、逆变器效率、PV方阵日等价发电时数、线损率。

所述方阵平均效率为：

μ_PV＝E_A/(A×H_T)，E_A＝∑_day(P×τ_r)

其中，A为PV方阵有效面积，P×τ_r为记录间隔内PV方阵中组件输出的直流电量，∑_day为按日求和；H_T为τ时段内PV方阵倾斜面辐射量，E_A为τ时段内PV方阵的输出能量。

所述逆变器发电效率为：

其中，P_out为逆变器交流侧输出功率，P_in为逆变器直流侧输入功率。

所述PV方阵日等效发电时间：

其中，P₀为PV系统峰瓦功率，即每个组件按额定功率运行时PV系统的总功率。

所述线损为：

其中，ρ为线缆的电阻率，P₁为光伏组串输出功率，P₂为逆变器输出功率，A₁为直流线缆的面积，A₂是交流线缆的面积，I₁是直流线缆的电流，I₂是交流线缆的电流，l₁是组件到逆变器的距离，l₂是逆变器到箱变的距离。

3)针对光伏电站运行状态指标，选取历史库数据，建立正态云模型，根据云模型计算异常阈值；所述历史数据库中存储光伏电站正常运行状态下数据。

目前的光伏电站实时数据采集间隔为毫秒级，实时库数据量巨大，因此，设置转存入历史数据库的数据周期为1min，采集数据为当前时刻的实时值。针对光伏电站运行状态指标，从历史库中选取光伏电站在正常运行状态下30d的监测数据，计算状态指标数据，并将其作为样本数据进行建模，计算云模型相关参数E_x，E_n，H_e，确定异常阈值。具体算法实现如下：

样本平均值为

1阶样本绝对中心距为

样本方差为

计算正态云的数字特征量：期望为

熵为

超熵为

云模型中超熵H_e表示偏离正态分布的程度，即样本数据波动产生的变化范围，其云滴的分布类似于正态分布，当超熵H_e＝0时，云模型呈正态分布，随着H_e增大，云滴逐渐离散，形成如图1所示的呈梯形的正态云，又称梯形云。图中外隶属度曲线为μ₁，内隶属度曲线为μ₂，为云滴的包络线，表示云模型的范围。其中，外隶属度曲线为：

内隶属度曲线为：

正态分布具有3δ准则，其表示在正态分布概率密度函数曲线下，数值分布在[μ-3δ,μ+3δ]的范围内的概率为99.74％。与正态分布类似，云模型规定对定性概念有贡献的云滴主要落在区间[E_x-3E_n′,E_x+3E_n′]内。则云模型曲线μ₁的区间为

[E_x-3(E_n+3H_e),E_x+3(E_n+3H_e)]

曲线μ₂的区间为

[E_x-3(E_n-3H_e),E_x+3(E_n-3H_e)]

选取外隶属度曲线μ₁的区间边界作为异常判断阈值。

4)将实时监测数据的状态指标与异常阈值比较，判断实时状态是否异常。实现对光伏电站的运行状况分析，为发电效率提高、光伏设备改进、系统设计优化、系统/设备故障告警/检修提供了有效的技术支持。

5)设置云模型的修正周期和实时诊断周期，进行云模型修正。

光伏电站运行状态诊断方法可自定义云模型，即用户可以自由选择某项状态指标，同时可以设置云模型修正周期，并设置实时诊断周期，根据云模型修正周期内的样本数据在线建立云模型，并对实时诊断周期内的监测数据进行在线实时诊断，反映实时诊断周期内的电站运行状态。该方法在实时状态监测过程中实现了动态修正云模型，即将新增样本数据加入现有云模型进行修正，进行云模型修正的公式为：

期望修正

方差修正

熵修正

超熵修正

其中，n表示模型中已包含的数据个数，x_n+1表示新增的数据。

本发明还提供一种光伏电站状态诊断装置，包括如下单元：用于采集光伏电站全景数据的单元；用于提取光伏电站监测关键数据，并计算光伏电站运行状态指标的单元；用于针对光伏电站运行状态指标，根据历史数据，建立正态云模型，根据云模型计算异常阈值的单元；用于将实时监测数据的状态指标与异常阈值比较，判断实时状态是否异常的单元。

上述光伏电站状态诊断装置，实际上是基于本发明方法流程的一种计算机解决方案，即一种软件构架，上述各种单元、模块即为与方法流程相对应的各处理进程或程序。由于对上述方法的介绍已经足够清楚完整，故对该装置不再进行详细描述。

Claims (14)

1.一种光伏电站的状态诊断方法，其特征在于，包括如下步骤：

A1、采集光伏电站全景数据；

A2、提取光伏电站监测关键数据，并计算光伏电站运行状态指标；

A3、针对光伏电站运行状态指标，根据历史数据，建立正态云模型，根据云模型计算异常阈值；

A4、将实时监测数据的状态指标与异常阈值比较，判断实时状态是否异常；

判断实时监测数据是否异常后，还包括设置云模型的修正周期和实时诊断周期，进行云模型修正的步骤；

所述进行云模型修正的公式为：

期望修正

方差修正

熵修正

超熵修正

其中，n表示模型中已包含的数据个数，x_n+1表示新增的数据。

2.根据权利要求1所述的光伏电站的状态诊断方法，其特征在于，还包括将采集的数据进行预处理的步骤：采用阈值判断法修正异常数据的值，采用均填补法推测缺失数据的值。

3.根据权利要求1所述的光伏电站的状态诊断方法，其特征在于，提取关键数据之前，还包括对数据进行ETL数据清洗的步骤。

4.根据权利要求1所述的光伏电站的状态诊断方法，其特征在于，所述关键数据包括环境气象参数、发电量、直流侧的电压和电流、交流侧三相电压和电流、有功功率、无功功率、功率因数、等效发电时间、直流线损和交流线损。

5.根据权利要求1所述的光伏电站的状态诊断方法，其特征在于，所述状态指标包括方阵平均效率、逆变器效率、PV方阵日等效发电时间、线损率。

6.根据权利要求5所述的光伏电站状态诊断方法，其特征在于，所述方阵平均效率为：

μ_PV＝E_A/(A×H_T)，E_A＝∑_day(P×τ_r)

其中，A为PV方阵有效面积，P×τ_r为记录间隔内PV方阵中组件输出的直流电量，∑_day为按日求和；H_T为τ时段内PV方阵倾斜面辐射量，E_A为τ时段内PV方阵的输出能量；

所述逆变器效率为：

其中，P_out为逆变器交流侧输出功率，P_in为逆变器直流侧输入功率；

所述PV方阵日等效发电时间：

其中，P₀为PV系统峰瓦功率，即每个组件按额定功率运行时PV系统的总功率；

所述线损率为：

其中，ρ为线缆的电阻率，P₁为光伏组串输出功率，P₂为逆变器输出功率，A₁为直流线缆的面积，A₂是交流线缆的面积，I₁是直流线缆的电流，I₂是交流线缆的电流，l₁是组件到逆变器的距离，l₂是逆变器到箱变的距离。

7.根据权利要求1所述的光伏电站的状态诊断方法，其特征在于，所述建立云模型、计算阈值包括如下步骤：

S1、计算状态监测数据统计特征值：样本平均值为

1阶样本绝对中心距为

样本方差为

S2、计算正态云的数字特征量：期望为

熵为

超熵为

S3、随着H_e的增大，形成梯形云，其中，外隶属度曲线为

其区间为[E_x-3(E_n+3H_e),E_x+3(E_n+3H_e)]；

内隶属度曲线为

其区间为[E_x-3(E_n-3H_e),E_x+3(E_n-3H_e)]；

选取外隶属度曲线μ₁的区间边界作为异常判断阈值。

8.一种光伏电站的状态诊断装置，其特征在于，包括如下单元：

用于采集光伏电站全景数据的单元；

用于提取光伏电站监测关键数据，并计算光伏电站运行状态指标的单元；

用于针对光伏电站运行状态指标，根据历史数据，建立正态云模型，根据云模型计算异常阈值的单元；

用于将实时监测数据的状态指标与异常阈值比较，判断实时状态是否异常的单元；

判断实时监测数据是否异常后，还包括设置云模型的修正周期和实时诊断周期，进行云模型修正的单元；

所述进行云模型修正的公式为：

期望修正

方差修正

熵修正

超熵修正

其中，n表示模型中已包含的数据个数，x_n+1表示新增的数据。

9.根据权利要求8所述的光伏电站的状态诊断装置，其特征在于，还包括将采集的数据进行预处理的单元：采用阈值判断法修正异常数据的值，采用均填补法推测缺失数据的值。

10.根据权利要求8所述的光伏电站的状态诊断装置，其特征在于，提取关键数据之前，还包括对数据进行ETL数据清洗的单元。

11.根据权利要求8所述的光伏电站的状态诊断装置，其特征在于，所述关键数据包括环境气象参数、发电量、直流侧的电压和电流、交流侧三相电压和电流、有功功率、无功功率、功率因数、等效发电时间、直流线损和交流线损。

12.根据权利要求8所述的光伏电站的状态诊断装置，其特征在于，所述状态指标包括方阵平均效率、逆变器效率、PV方阵日等效发电时间、线损率。

13.根据权利要求12所述的光伏电站状态诊断装置，其特征在于，所述方阵平均效率为：

μ_PV＝E_A/(A×H_T)，E_A＝∑_day(P×τ_r)

其中，A为PV方阵有效面积，P×τ_r为记录间隔内PV方阵中组件输出的直流电量，∑_day为按日求和；H_T为τ时段内PV方阵倾斜面辐射量，E_A为τ时段内PV方阵的输出能量；

所述逆变器效率为：

其中，P_out为逆变器交流侧输出功率，P_in为逆变器直流侧输入功率；

所述PV方阵日等效发电时间：

其中，P₀为PV系统峰瓦功率，即每个组件按额定功率运行时PV系统的总功率；

所述线损率为：

其中，ρ为线缆的电阻率，P₁为光伏组串输出功率，P₂为逆变器输出功率，A₁为直流线缆的面积，A₂是交流线缆的面积，I₁是直流线缆的电流，I₂是交流线缆的电流，l₁是组件到逆变器的距离，l₂是逆变器到箱变的距离。

14.根据权利要求8所述的光伏电站的状态诊断装置，其特征在于，所述建立云模型、计算阈值单元包括如下模块：

S1、用于计算状态监测数据统计特征值的模块：样本平均值为

1阶样本绝对中心距为

样本方差为

S2、用于计算正态云的数字特征量的模块：期望为

熵为

超熵为

S3、随着H_e的增大，形成梯形云，其中，外隶属度曲线为

其区间为[E_x-3(E_n+3H_e),E_x+3(E_n+3H_e)]；

内隶属度曲线为

其区间为[E_x-3(E_n-3H_e),E_x+3(E_n-3H_e)]；

用于选取外隶属度曲线μ₁的区间边界作为异常判断阈值的模块。