CN108614934A - 光伏电站故障成本计算的方法及系统 - Google Patents
光伏电站故障成本计算的方法及系统 Download PDFInfo
- Publication number
- CN108614934A CN108614934A CN201810374291.9A CN201810374291A CN108614934A CN 108614934 A CN108614934 A CN 108614934A CN 201810374291 A CN201810374291 A CN 201810374291A CN 108614934 A CN108614934 A CN 108614934A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic plant
- measured
- operational data
- simulation
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 74
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 230000007257 malfunction Effects 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 4
- SJWPTBFNZAZFSH-UHFFFAOYSA-N pmpp Chemical compound C1CCSC2=NC=NC3=C2N=CN3CCCN2C(=O)N(C)C(=O)C1=C2 SJWPTBFNZAZFSH-UHFFFAOYSA-N 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏电站故障成本计算的方法,所述方法包括步骤:根据待测光伏电站的工作条件,对待测光伏电站的工作特性进行仿真模拟,获得模拟工作数据,对待测光伏电站进行检测,获得实测工作数据;将模拟工作数据与实测工作数据进行比较,判断待测光伏电站是否处于故障状态;若待测光伏电站处于故障状态,则根据模拟工作数据与实测工作数据,采用分析算法确定待测光伏电站的故障类型;根据模拟工作数据及待测光伏电站的故障类型,采用模拟算法计算待测光伏电站的故障成本。本发明还公开了一种光伏电站故障成本计算的系统。本发明的光伏电站故障成本计算的方法及系统可以有效快速的对故障所述造成的经济成本损失进行计算。
Description
技术领域
本发明属于光伏电站技术领域,具体地,涉及一种光伏电站故障成本计算的方法及系统。
背景技术
近年来,我国新能源装机规模持续扩大。截止到2017年年底,国内新能源发电装机容量已突破6亿千瓦。其中,光伏组件的投资比重较大,约占光伏电站总投资的四成。一般地,光伏电站的寿命周期约为25-30年。然而由于其工作环境恶劣,难以避免发生故障,因此光伏组件实际寿命有所降低。一旦光伏组件在运行时发生故障,会直接对光伏组件的寿命造成损害,并降低光电转换效率。同时,故障会间接导致光伏电站部分或全部停运,对电网的安全稳定运行造成影响,甚至酿成重大经济损失。
随着光伏发电规模的不断扩大,光伏组件的故障检测与成本计算问题也日趋严重。尤其是现在我国百兆瓦级的光伏电站陆续规划和检测,大量的数据使得故障成本计算的难度进一步提升。因此,如何利用具有大数据处理能力的算法结合光伏发电自身的不确定性进行故障成本计算,对于光伏电站运营的经济性及电网的安全稳定运行具有重要的意义。
发明内容
为解决上述现有技术存在的问题,本发明提供了一种结合算法及光伏发电的特性对光伏电站故障成本进行计算的光伏电站故障成本计算的方法及系统。
为了达到上述发明目的,本发明采用了如下的技术方案:
根据本发明的一方面,提供了一种光伏电站故障成本计算的方法,所述方法包括步骤:
根据待测光伏电站的工作条件,对待测光伏电站的工作特性进行仿真模拟,获得模拟工作数据,对待测光伏电站进行检测,获得实测工作数据;
将模拟工作数据与实测工作数据进行比较,判断待测光伏电站是否处于故障状态;
若待测光伏电站处于故障状态,则根据模拟工作数据与实测工作数据,采用分析算法确定待测光伏电站的故障类型;
根据模拟工作数据及待测光伏电站的故障类型,采用模拟算法计算待测光伏电站的故障成本。
进一步地,所述模拟工作数据包括:待测光伏电站仿真模拟获得的光伏组件的输出功率Pa;所述实测工作数据包括:待测光伏电站实际测量获得的光伏组件的输出功率Pb,其中输出功率Pb通过功率传感器检测获得。
进一步地,所述将模拟工作数据与待测光伏电站的实测工作数据进行比较,判断待测光伏电站是否处于故障状态的步骤包括:
计算待测光伏电站仿真模拟与实际测量的输出功率的差值ΔP,其中ΔP=Pa-Pb;
将输出功率的差值ΔP与有功功率偏差临界值Tp进行比较,判断|ΔP|是否大于Tp;
若|ΔP|>Tp,则待测光伏电站处于故障状态;
若|ΔP|≤Tp,待测光伏电站处于正常运行状态。
进一步地,利用下面的式子1计算所述有功功率偏差临界值Tp,
[式子1]Tp=Pmpp×(Epsen+Epsim);
其中,Pmpp表示光伏组件最大输出功率,Epsen表示功率传感器检测误差值,Epsim表示仿真模型功率误差值。
进一步地,所述若光伏电站处于故障状态,则根据模拟工作数据与待测光伏电站的实测工作数据,采用分析算法确定待测光伏电站的故障类型的步骤具体包括:
采用I-V特征分析算法对I-V故障特性不同的故障类型进行确定;
采用人工神经网络分析算法对I-V故障特性相同的故障类型进行确定。
进一步地,所述模拟算法包括蒙特卡罗模拟算法。
进一步地,所述采用模拟算法计算待测光伏电站的故障成本的步骤具体包括:
根据蒙特卡罗模拟算法抽样计算获得故障修复时间TTTO;
根据蒙特卡罗模拟算法抽样获得待测光伏电站缺额输出功率P1;
根据故障成本计算公式计算待测光伏电站的故障成本Cfau;
其中故障成本计算公式为:
其中EENS表示停电电量期望值,p表示电价,i表示折现率,P1表示光伏电站缺额输出功率,TTTO表示元件故障修复时间。
进一步地,所述故障修复时间TTTO服从指数分布。
进一步地,所述待测光伏电站的工作条件包括:待测光伏电站的光伏强度、模块温度。
根据本发明的另一方面,还提供了一种光伏电站故障成本计算的系统,包括:
数据测量模块,与待测光伏电站连接,所述数据测量模块用于检测待测光伏电站,以获得所述待测光伏电站的的工作条件及实测工作数据;
仿真模块,与所述数据测量模块连接,所述仿真模块用于根据所述待测光伏电站的工作条件对待测光伏电站的工作特性进行仿真模拟,获得模拟工作数据;
故障风险判断模块,分别与所述数据测量模块、所述仿真模块连接,所述故障风险判断模块将所述模拟工作数据与所述实测工作数据进行比较,判断待测光伏电站是否处于故障状态;
故障风险识别模块,与所述故障风险判断模块连接,所述故障风险识别模块用于在所述待测光伏电站处于故障状态时,根据所述模拟工作数据与所述实测工作数据,采用分析算法确定待测光伏电站的故障类型;
故障成本计算模块,与所述故障风险识别模块连接,所述故障成本计算模块在所述待测光伏电站处于故障状态时,采用模拟算法计算待测光伏电站的故障成本。
本发明的光伏电站故障成本计算的方法及系统通过对待测光伏电站的仿真模拟及实际测量数据,结合智能算法对故障进行准确的检测与辨识,并在此基础上利用智能算法有效快速的对故障所述造成的经济成本损失进行计算。
附图说明
通过结合附图进行的以下描述,本发明的实施例的上述和其它方面、特点和优点将变得更加清楚,附图中:
图1是根据本发明的实施例一的光伏电站故障成本计算的方法的流程图;
图2是根据本发明的实施例一的步骤S200的具体流程图;
图3是根据本发明的实施例一的步骤S300的具体流程图;
图4是根据本发明的实施例一的采用I-V特征分析算法对I-V故障特性不同的故障类型进行确定的具体流程图;
图5是根据本发明的实施例一的步骤S400的具体流程图;
图6是根据本发明的实施例二的光伏电站故障成本计算的系统的结构示意图。
具体实施方式
以下,将参照附图来详细描述本发明的实施例。然而,可以以许多不同的形式来实施本发明,并且本发明不应该被解释为限制于这里阐述的具体实施例。相反,提供这些实施例是为了解释本发明的原理及其实际应用,从而使本领域的其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改。在附图中,为了清楚起见,可以夸大元件的形状和尺寸,并且相同的标号将始终被用于表示相同或相似的元件。
实施例一
图1是根据本发明的实施例一的光伏电站故障成本计算的方法的流程图。
参照图1所示,本发明的实施例一提出一种光伏电站故障成本计算的方法包括步骤:
S100、根据待测光伏电站的工作条件,对待测光伏电站的工作特性进行仿真模拟,获得模拟工作数据,对待测光伏电站进行检测,获得实测工作数据;
S200、将模拟工作数据与实测工作数据进行比较,判断待测光伏电站是否处于故障状态;
S300、若待测光伏电站处于故障状态,则根据模拟工作数据与实测工作数据,采用分析算法确定待测光伏电站的故障类型;
S400、根据模拟工作数据及待测光伏电站的故障类型,采用模拟算法计算待测光伏电站的故障成本。
根据仿真获得的模拟工作数据以及测量获得的实测工作数据,采用分析算法确定待测光伏电站的故障类型,并通过模拟算法计算待测光伏电站的故障成本,可以有效快速的对故障所述造成的经济成本损失进行计算。
具体地,步骤S100中根据待测光伏电站的工作条件,对待测光伏电站的工作特性进行仿真模拟,获得模拟工作数据。作为本发明的一种优选的实施方式,待测光伏电站的工作条件包括待测光伏电站的光伏强度、模块温度。可以理解的是,本发明并不限制于此,对待测光伏电站的工作特性进行仿真模拟除了根据待测光伏电站的工作条件外,还可以包括其它必要的条件,例如待测光伏电站的仿真模型等,本发明对此不作限制。
其中,对待测光伏电站进行仿真模拟获得模拟工作数据。模拟工作数据包括:待测光伏电站仿真模拟获得的光伏组件的输出功率Pa。但本发明并不限制于此,通过待测光伏电站仿真模拟还可以获得其它必要的参数,如仿真模拟中光伏组件的电压Ua、电流Ia等其它参数。
其中,对待测光伏电站进行检测,获得实测工作数据。实测工作数据包括:对待测光伏电站进行实际测量获得的光伏组件的输出功率Pb。但本发明并不限制于此,通过对待测光伏电站进行实际测量还可以获得其它必要的参数,如实际测量中光伏组件的电压Ub、电流Ib等其它参数。优选地,实测工作数据基于大数据的量测和采集系统获得。
优选地,可以通过功率传感器检测待测光伏电站获得光伏组件的输出功率Pb。优选地,可以通过电压传感器检测待测光伏电站获得光伏组件的电压Ub。优选地,可以通过电流传感器检测待测光伏电站获得光伏组件的电流Ib。但是本发明对此不作限制,检测获得待测光伏电站的光伏组件的输出功率Pb、电压Ub、电流Ib等参数的方法可以有多种选择,本实施例仅是示例性地提供一种可行的检测方式,对检测方式的选择不作限制。
图2是根据本发明的实施例一的步骤S200的具体流程图。
参照图2,步骤S200中将模拟工作数据与实测工作数据进行比较,判断待测光伏电站是否处于故障状态的过程具体包括:
S210、计算待测光伏电站仿真模拟与实际测量的输出功率的差值ΔP,其中ΔP=Pa-Pb;
具体地,步骤S210根据光伏电站仿真模拟获得的光伏组件的输出功率Pa以及实际测量所获得的光伏组件的输出功率Pb,计算待测光伏电站仿真模拟与实际测量的输出功率的差值ΔP,其中ΔP=Pa-Pb。
S220、将输出功率的差值ΔP与有功功率偏差临界值Tp进行比较,判断|ΔP|是否大于Tp;
具体地,步骤S220将输出功率的差值ΔP与有功功率偏差临界值Tp进行比较。作为本发明的一种实施方式,有功功率偏差临界值Tp可利用下面的式子1计算得到:
[式子1]Tp=Pmpp×(Epsen+Epsim);
其中,Pmpp表示光伏组件最大输出功率,Epsen表示功率传感器检测误差值,一般取2%;Epsim表示仿真模型功率误差值,一般取5.9%。
S230、若|ΔP|>Tp,则待测光伏电站处于故障状态;
具体地,若|ΔP|>Tp,则辨别出待测光伏电站处于故障状态,即待测光伏电站运行于故障模式。则可进一步对待测光伏电站进行故障的识别检测。
S240、若|ΔP|≤Tp,待测光伏电站处于正常运行状态。
具体地,若|ΔP|≤Tp,则说明待测光伏电站的各项指标都处于正常阈值范围内,即待测光伏电站处于正常运行状态。
具体地,步骤S300在步骤S200判断出待测光伏电站处于故障状态的基础上,根据模拟工作数据与实测工作数据,采用分析算法进一步确定待测光伏电站的故障类型。
图3是根据本发明的实施例一的步骤S300的具体流程图。图4是根据本发明的实施例一的采用I-V特征分析算法对I-V故障特性不同的故障类型进行确定的具体流程图。
参照图3所示,步骤S300中若待测光伏电站处于故障状态,则根据模拟工作数据与实测工作数据,采用分析算法确定待测光伏电站的故障类型的过程具体包括:
S310、采用I-V特征分析算法对I-V故障特性不同的故障类型进行确定;
S320、采用人工神经网络分析算法对I-V故障特性相同的故障类型进行确定。
作为本发明的一种优选的实施方式,可以利用待测光伏电站的I-V特征对光伏电站的故障进行辨识。下面将结合图4,对利用待测光伏电站的I-V特征对光伏电站的故障进行辨识的过程进行阐述。
首先,图4中,FIsc表示短路电流减小值、FVoc表示开路电压减小值、FIm表示输出电流增大或减小值、FVm表述输出电压增大或减小值,以上数据可以通过对光伏电站正常及故障时工作状态进行仿真模拟获得。
此外,光伏电站的故障类型通常包括:F1表示二极管的短路故障、F2表示反向旁路二极管的故障、F3表示并联旁路二极管的故障、F4表示电池或组件的开路故障、F5表示光伏组件间的连接电阻的故障、F6表示光伏模块组件的阴影效应、F7表示旁路二极管的故障及光伏电池的阴影效应、F8表示连接电阻的故障及模块的阴影效应。
其中,F5的故障较为复杂,具有两种故障模式,即A模式和B模式。故障类型为F4、F6、F7、F8、以及A模式下的F5的I-V故障特性不同。而故障类型F1、F2、F3、以及B模式下的F5的I-V故障特性相同。
通过上述的分析可以获得光伏组件的有功功率偏差临界值Tp。在此,还需计算待测光伏电站的电流偏差临界值TC以及电压偏差临界值TV。
具体地,通过以下的式子2可以获得待测光伏电站的电流偏差临界值TC,
[式子2]TC=Isc×(ECsen+ECsim);
其中,Isc表示光伏组件的短路电流;ECsen表示电流传感器的检测误差值,一般取1%;ECsim为仿真模型电流误差值,一般取3%。
具体地,通过以下的式子3可以获得待测光伏电站的电压偏差临界值TV,
[式子3]TV=Voc×(EVsen+EVsim);
其中,Voc表示光伏组件的开路电压;EVsen表示电压传感器的检测误差值,一般取1%;EVsim表示仿真模型电压误差值,一般取2.9%。
通过上述的模拟工作数据以及实测工作数据,可以获得模拟工作数据的I-V特性峰值与实测工作数据的I-V特性峰值的个数差ΔN。
参照图4所示,利用待测光伏电站的I-V特征对光伏电站的故障进行辨识的具体过程包括:
A、判断|ΔN|是否大于0;若是,执行步骤B;若否,执行步骤C。
B、判断FIm是否等于TC;若是,执行步骤B100;若否,则判定待测光伏电站的故障类型为F6。
B100、判断FVm是否等于TV;若是,则判定待测光伏电站的故障类型为F8;若否,则判定待测光伏电站的故障类型为F6。
C、判断FIsc是否等于Isc_sim;若是,则判定待测光伏电站的故障类型为F4;若否,则执行步骤C100。其中Isc_sim为短路电流仿真值,通过对光伏电站发生短路故障进行仿真模拟获得Isc_sim。
C100、判断FIsc是否大于TC;若是,则判断待测光伏电站的故障类型为F7;若否,则执行步骤C200。
C200、判断FIm是否大于TV;若是,则执行步骤C300;若否,则通过人工神经网络分析算法再做进一步分析。
C300、判断FVoc是否大于TV;若是,则通过人工神经网络分析算法再做进一步分析;若否,则判断待测光伏电站的故障类型为A模式下的F5。
由于故障类型F4、F6、F7、F8以及A模式下的F5的I-V故障特性不同。因此,若属于故障类型F4、F6、F7、F8以及A模式下的F5的故障,可以通过上述步骤判断故障类型。而故障类型F1、F2、F3以及B模式下的F5的I-V故障特性相同,无法通过I-V特性分析进行有效辨别。因此,当故障类型不属于F4、F6、F7、F8以及B模式下的F5时,可进一步通过人工神经网络算法进行区别。
具体地,人工神经网络的体系结构包括三个神经元的输入层,分别对应开路电压Voc的量测值与仿真值之比RVoc、最大功率点电流Im的量测值与仿真值之比RIm和最大功率点电压Vm的量测值与仿真值之比RVm。在人工神经网络算法中使用的网络是多层感知器(MLP)。MLP结构由一个隐藏层组成。使用这种结构的传递函数是对数函数。接着,利用LevenbergMarquardt(列文伯格-马夸尔特法)算法对网络进行训练。训练数据由四组故障的正常和错误操作仿真模拟生成。其中80%已经用于训练,而20%用于测试和验证模型。
表1为F1、F2、F3、F5的故障特征。通过表1中的故障特征结合具体光伏电站的实测工作数据和模拟工作数据。利用Levenberg Marquardt(列文伯格-马夸尔特法)算法对人工神经网络进行训练,训练完成后输入RVoc、RIm、RVm的值即可得到待测光伏电站的具体故障类型。
[表1]
通过上述的步骤,可以获得待测光伏电站的故障类型。
接着,步骤S400根据上述的模拟工作数据及待测光伏电站的故障类型,采用模拟算法计算待测光伏电站的故障成本。
图5是根据本发明的实施例一的步骤S400的具体流程图。
参照图5所示,步骤S400根据模拟工作数据及待测光伏电站的故障类型,采用模拟算法计算待测光伏电站的故障成本的过程具体包括:
S410根据蒙特卡罗模拟算法进行抽样计算,获得故障修复时间TTTO;
具体地,假设待测光伏电站的故障时间t服从指数分布。光伏电站的故障事件概率分布函数表达式如下:
其中,ff(t)表示故障事间的概率分布函数;TATTO为平均故障修复时间。
由于故障修复时间属于独立变量,与光伏电站的拓扑结构无关,所以可以先根据待测光伏电站的故障时间的概率分布函数进行抽样,获得故障修复时间TTTo。
S420根据蒙特卡罗模拟算法进行抽样计算,获得待测光伏电站缺额输出功率P1;
具体地,光伏电站运行状态量需要考虑整个系统的拓扑逻辑关系,不能简单进行抽样。而需要枚举出各条馈线的运行状态,对所有状态进行蒙特卡罗随机抽样,结合上述抽样试验的光伏出力状态得到总缺额输出功率P1以及故障统计数。
S430根据故障成本计算公式计算待测光伏电站的故障成本Cfau,其中故障成本计算公式为:
其中,EENS表示停电电量期望值,p表示电价,i表示折现率,P1表示光伏电站缺额输出功率,TTTO表示元件故障修复时间。
具体地,根据步骤S410获得的故障修复时间TTTO的抽样值和上述的故障成本计算公式得到光伏电站的故障成本损失。
本发明的光伏电站故障成本计算的方法通过对待测光伏电站的仿真模拟及实际测量数据,结合智能算法对故障进行准确的检测与辨识,并在此基础上利用智能算法有效快速的对故障所述造成的经济成本损失进行计算。
实施例二
图6是根据本发明的实施例二的光伏电站故障成本计算的系统的结构示意图。
参照图6所示,本发明的实施例二提出一种光伏电站故障成本计算的系统。
具体地,光伏电站故障成本计算的系统包括:数据测量模块100、仿真模块200、故障风险判断模块300、故障风险识别模块400以及故障成本计算模块500。当然,本发明并不限制于此,所述光伏电站故障成本计算的系统还可以包括其它必要的模块。
具体地,数据测量模块100与待测光伏电站600连接。数据测量模块100用于检测待测光伏电站600,以获得待测光伏电站600的的工作条件及实测工作数据。
具体地,仿真模块200与数据测量模块100连接。仿真模块200用于根据待测光伏电站600的工作条件对待测光伏电站600的工作特性进行仿真模拟,获得模拟工作数据。
具体地,故障风险判断模块300分别与数据测量模块100、仿真模块200连接。故障风险判断模块300将模拟工作数据与实测工作数据进行比较,判断待测光伏电站600是否处于故障状态。
具体地,故障风险识别模块400与故障风险判断模块300连接。故障风险识别模块400用于在待测光伏电站600处于故障状态时,根据模拟工作数据与所述实测工作数据,采用分析算法确定待测光伏电站600的故障类型。
具体地,故障成本计算模块500与故障风险识别模块400连接。故障成本计算模块500在待测光伏电站600处于故障状态时,采用模拟算法计算待测光伏电站600的故障成本。
具体过程参照上述实施例的阐述,此处不再赘述。
本发明的光伏电站故障成本计算的系统通过对待测光伏电站的仿真模拟及实际测量数据,结合智能算法对故障进行准确的检测与辨识,并在此基础上利用智能算法有效快速的对故障所述造成的经济成本损失进行计算。
虽然已经参照特定实施例示出并描述了本发明,但是本领域的技术人员将理解:在不脱离由权利要求及其等同物限定的本发明的精神和范围的情况下,可在此进行形式和细节上的各种变化。
Claims (10)
1.一种光伏电站故障成本计算的方法,其特征在于,所述方法包括步骤:
根据待测光伏电站的工作条件,对待测光伏电站的工作特性进行仿真模拟,获得模拟工作数据,对待测光伏电站进行检测,获得实测工作数据;
将模拟工作数据与实测工作数据进行比较,判断待测光伏电站是否处于故障状态;
若待测光伏电站处于故障状态,则根据模拟工作数据与实测工作数据,采用分析算法确定待测光伏电站的故障类型;
根据模拟工作数据及待测光伏电站的故障类型,采用模拟算法计算待测光伏电站的故障成本。
2.根据权利要求1所述的方法,其特征在于,所述模拟工作数据包括:待测光伏电站仿真模拟获得的光伏组件的输出功率Pa;所述实测工作数据包括:待测光伏电站实际测量获得的光伏组件的输出功率Pb,其中输出功率Pb通过功率传感器检测获得。
3.根据权利要求2所述的方法,其特征在于,所述将模拟工作数据与待测光伏电站的实测工作数据进行比较,判断待测光伏电站是否处于故障状态的步骤包括:
计算待测光伏电站仿真模拟与实际测量的输出功率的差值ΔP,其中ΔP=Pa-Pb;
将输出功率的差值ΔP与有功功率偏差临界值Tp进行比较,判断|ΔP|是否大于Tp;
若|ΔP|>Tp,则待测光伏电站处于故障状态;
若|ΔP|≤Tp,待测光伏电站处于正常运行状态。
4.根据权利要求3所述的方法,其特征在于,利用下面的式子1计算所述有功功率偏差临界值Tp,
[式子1]Tp=Pmpp×(Epsen+Epsim);
其中,Pmpp表示光伏组件最大输出功率,Epsen表示功率传感器检测误差值,Epsim表示仿真模型功率误差值。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述若光伏电站处于故障状态,则根据模拟工作数据与待测光伏电站的实测工作数据,采用分析算法确定待测光伏电站的故障类型的步骤具体包括:
采用I-V特征分析算法对I-V故障特性不同的故障类型进行确定;
采用人工神经网络分析算法对I-V故障特性相同的故障类型进行确定。
6.根据权利要求1所述的方法,其特征在于,所述模拟算法包括蒙特卡罗模拟算法。
7.根据权利要求6所述的方法,其特征在于,所述采用模拟算法计算待测光伏电站的故障成本的步骤具体包括:
根据蒙特卡罗模拟算法进行抽样计算,获得故障修复时间TTTO;
根据蒙特卡罗模拟算法进行抽样计算,获得待测光伏电站缺额输出功率P1;
根据故障成本计算公式计算待测光伏电站的故障成本Cfau;
其中故障成本计算公式为:
其中,EENS表示停电电量期望值,p表示电价,i表示折现率,P1表示光伏电站缺额输出功率,TTTO表示元件故障修复时间。
8.根据权利要求7所述的方法,其特征在于,所述故障修复时间TTTO服从指数分布。
9.根据权利要求1所述的方法,其特征在于,所述待测光伏电站的工作条件包括:待测光伏电站的光伏强度、模块温度。
10.一种光伏电站故障成本计算的系统,其特征在于,包括:
数据测量模块,与待测光伏电站连接,所述数据测量模块用于检测待测光伏电站,以获得所述待测光伏电站的的工作条件及实测工作数据;
仿真模块,与所述数据测量模块连接,所述仿真模块用于根据所述待测光伏电站的工作条件对待测光伏电站的工作特性进行仿真模拟,获得模拟工作数据;
故障风险判断模块,分别与所述数据测量模块、所述仿真模块连接,所述故障风险判断模块将所述模拟工作数据与所述实测工作数据进行比较,判断待测光伏电站是否处于故障状态;
故障风险识别模块,与所述故障风险判断模块连接,所述故障风险识别模块用于在所述待测光伏电站处于故障状态时,根据所述模拟工作数据与所述实测工作数据,采用分析算法确定待测光伏电站的故障类型;
故障成本计算模块,与所述故障风险识别模块连接,所述故障成本计算模块在所述待测光伏电站处于故障状态时,采用模拟算法计算待测光伏电站的故障成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810374291.9A CN108614934B (zh) | 2018-04-24 | 2018-04-24 | 光伏电站故障成本计算的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810374291.9A CN108614934B (zh) | 2018-04-24 | 2018-04-24 | 光伏电站故障成本计算的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108614934A true CN108614934A (zh) | 2018-10-02 |
CN108614934B CN108614934B (zh) | 2022-05-06 |
Family
ID=63660562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810374291.9A Active CN108614934B (zh) | 2018-04-24 | 2018-04-24 | 光伏电站故障成本计算的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108614934B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472331A (zh) * | 2013-09-13 | 2013-12-25 | 同济大学 | 一种基于光伏物理模型的光伏发电故障诊断系统 |
CN105303457A (zh) * | 2015-10-19 | 2016-02-03 | 清华大学 | 基于蒙特卡洛运行维护模拟的海上风资源评估方法 |
KR20160116625A (ko) * | 2015-03-30 | 2016-10-10 | 한국전자통신연구원 | 태양광 발전 설비의 대여 관리 장치 및 방법 |
CN106067758A (zh) * | 2016-05-25 | 2016-11-02 | 河海大学常州校区 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
-
2018
- 2018-04-24 CN CN201810374291.9A patent/CN108614934B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472331A (zh) * | 2013-09-13 | 2013-12-25 | 同济大学 | 一种基于光伏物理模型的光伏发电故障诊断系统 |
KR20160116625A (ko) * | 2015-03-30 | 2016-10-10 | 한국전자통신연구원 | 태양광 발전 설비의 대여 관리 장치 및 방법 |
CN105303457A (zh) * | 2015-10-19 | 2016-02-03 | 清华大学 | 基于蒙特卡洛运行维护模拟的海上风资源评估方法 |
CN106067758A (zh) * | 2016-05-25 | 2016-11-02 | 河海大学常州校区 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
Non-Patent Citations (3)
Title |
---|
卢思瑶: "海上风电场电力电缆优化与全寿命周期成本管理研究", 《中国优秀硕士学位论文全文数据库》 * |
王元章 等: "基于BP神经网络的光伏阵列故障诊断研究", 《电力系统保护与控制》 * |
陈宇航 等: "基于功率损失和U-I特性综合考虑的光伏组件故障诊断方法", 《电机与控制应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108614934B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114640173B (zh) | 一种基于多特征量的变压器和发电机的预警模型 | |
Gokmen et al. | Simple diagnostic approach for determining of faulted PV modules in string based PV arrays | |
CN103324847B (zh) | 电力系统动态不良数据检测与辨识方法 | |
Hachana et al. | PV array fault DiagnosticTechnique for BIPV systems | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN111103565B (zh) | 一种基于智能电能表计量误差分析的数据变换方法及系统 | |
CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
CN104915747A (zh) | 一种发电机组的发电性能评估方法及设备 | |
CN104753461A (zh) | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 | |
CN104483575A (zh) | 用于非侵入式电力监测的自适应负荷事件检测方法 | |
CN106354985B (zh) | 一种考虑分布式电源的配电系统可靠性评估方法 | |
CN106100578A (zh) | 一种适用于光伏并网系统的故障检测方法及其系统 | |
CN107742053A (zh) | 风电机组异常识别方法及装置 | |
CN105894027A (zh) | 基于密度聚类的主元关联度传感器故障检测方法及装置 | |
CN110531303A (zh) | 在运智能电能表批次故障预警方法及其系统 | |
CN105044649B (zh) | 一种电流互感器误差水平动态检测方法及系统 | |
CN113992153B (zh) | 一种光伏电站可视化实时监测分布式管理系统 | |
CN108649892A (zh) | 光伏电站的缺陷诊断方法及装置 | |
WO2023033002A1 (ja) | 太陽電池モジュールの故障診断方法及びプログラム | |
CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
Eduardo Nieto et al. | Characterization of electric faults in photovoltaic array systems | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN105242129B (zh) | 一种变压器绕组故障概率确定方法 | |
Aallouche et al. | Online fault detection and identification for an isolated PV system using ANN | |
CN108614934A (zh) | 光伏电站故障成本计算的方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |