CN109507468A - 一种基于关联特征的汇流箱支路电流检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于关联特征的汇流箱支路电流检测系统及方法，该系统包括：采集器、交换机、测控设备以及云平台，所述采集器通过交换机与测控设备通信，所述测控设备则与电站设备进行通信进行数据采集，所述采集器作为主站通过交换机从测控设备获得测控设备采集的数据后，作为子站接受所述云平台的数据总召，所述云平台从所述采集器收集数据后，对数据进行处理后存入数据库中，并根据数据库中存储的数据信息，对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，从而实现监测对象的异常检测，通过本发明，可实现直流汇流箱支路的异常检测。

Description

一种基于关联特征的汇流箱支路电流检测方法及系统

技术领域

本发明涉及光伏发电技术领域，特别是涉及一种基于关联特征的汇流箱支路电流检测方法及系统。

背景技术

太阳能发电作为一种低碳可再生能源，在国内外得到迅猛发展。为了减少光伏组件与并网逆变器之间的连接线，方便维护，需在光伏组件与并网逆变器之间增加光伏直流汇流装置，即光伏汇流箱，将一定数量的光伏阵列(通常包括16路光伏组串)汇流成一路直流输出，然后由并网逆变器将所述汇流输出的直流电逆变为交流电后传输至输电网络。

目前，光伏汇流箱通常分为两种，其中一种只具有简单的汇流功能，另一种除了具有汇流功能之外还具有实时监测各电流输入支路的电流以及汇流输出电压的功能，因此称为智能光伏汇流箱。智能光伏汇流箱的电流检测功能和电压检测功能主要用于判断光伏电流输入支路是否开路、短路及发电异常，以便及时排查光伏组件故障，减少发电损失。

对于采用集中式逆变器的光伏电站而言，直流汇流箱支路的电流情况直接反映了对应支路连接的光伏板的发电情况。若支路电流异常偏低，则意味着组件收到遮挡、隐裂、接线不良等威胁，影响了发电安全核发电效率。

目前，直流汇流箱支路异常主要通过电流/辐射阈值等方式简单判断，或者目前也出现了简单的方差算法，然而，这类简单算法在应对天气变化引起的发电情况波动时往往不甚理想，甚至会出现很多的漏报和误报，给运维工作效率改进带来一定的困难。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种基于关联特征的汇流箱支路电流检测方法及系统，以基于云部署设计，实现了直流汇流箱支路异常检测，使得少量运维人员可以在办公室监控更多的电站，并可以对上云的数据进行对比分析，利用数据积累优化电站运维，并有实时数据自动告警功能，即便在监视人员下班后，也可以短信通知紧急故障。

为达上述及其它目的，本发明提出一种基于关联特征的汇流箱支路电流检测系统，包括：采集器、交换机、测控设备以及云平台，所述采集器通过交换机与测控设备通信，所述测控设备则与电站设备进行通信进行数据采集，所述采集器作为主站通过交换机从测控设备获得测控设备采集的数据后，作为子站接受所述云平台的数据总召，所述云平台从所述采集器收集数据后，对数据进行处理后存入数据库中，并根据数据库中存储的数据信息，对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，从而实现监测对象的异常检测。

优选地，所述采集器为嵌入式采集器，通过所述交换机以IEC103/104协议与所述测控设备通信，所述测控设备以Modbus协议通过485线和电站设备进行通信。

优选地，所述云平台包括：

数据采集处理单元，用于从所述采集器实时采集数据，并将采集到的数据存入数据库；

偏离度和波动程度阈值获取单元，用于获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度，并获得偏离度阈值和波动程度阈值；

偏离度和波动程度计算单元，用于对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算T次记录中的偏离度ratio和波动程度var；

异常预测单元，用于将所述偏离度和波动程度计算单元计算获得的偏离度ratio和波动程度var与偏离度和所述波动程度阈值获取单元获得的偏离度和波动程度阈值进行比较，根据比较结果实现异常预测。

优选地，所述数据采集处理单元将实时采集到的数据以外部名称为索引入库到数据库MongoDB中，然后根据配置，将外部名称经过规则解析，入库到对应的数据库历史数据表中。

优选地，对于某些数据量大的设备，所述数据采集处理单元自动分电站分表存储。

为达到上述目的，本发明还提供一种基于关联特征的汇流箱支路电流检测方法，包括如下步骤：

步骤S1，从数据库获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度，获得偏离度阈值和波动程度阈值；

步骤S2,对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算T次记录中的偏离度ratio和波动程度var；

步骤S3，将步骤S2计算获得的偏离度ratio和波动程度var与偏离度和步骤S1获得的偏离度和波动程度阈值进行比较，根据比较结果实现异常预测。

优选地，于步骤S3中，当计算获得的偏离度ratio和波动程度var都超过阈值时，则判定滑动时间窗口的最后一次记录数据异常。

优选地，于步骤S2中，所述偏离度ratio计算如下：

表示第k天第j次监测对象i与群体记录的差值为，表示第k天群体记录与群体记录的差值为，第k天第j次N个监测对象的均值第k天N个实体的均值其中对于监测对象i的K天*M次历史数据为：N表示监测对象的个数。

优选地，于步骤S2中，所述波动程度var计算如下：

其中，对于第k天第j次采样，表示实体i与当天i均值的差值为，表示N个实体在第j次与全天的差值同样，第k天第j次N个监测对象的均值第k天N个实体的均值对于监测对象i的K天*M次历史数据为N表示监测对象的个数。

优选地，所述偏离度阈值与波动程度阈值的计算过程如下：

步骤S100，分别计算n次监测对象i的偏离度和波动程度；

步骤S101，假设监测对象i的偏离度和波动程度服从参数u,σ²的正态分布，计算并统计一段时间的偏离度与波动程序值，使用最大似然估计法估计参数u,σ²，进而获得所述偏离度阈值和波动程度阈值。

与现有技术相比，本发明一种基于关联特征的汇流箱支路电流检测系统及方法基于云部署设计，通过对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，实现了直流汇流箱支路异常检测，使得少量运维人员可以在办公室监控更多的电站，并可以对云平台的数据进行对比分析，利用数据积累优化电站运维，并有实时数据自动告警功能，即便在监视人员下班后，也可以短信通知紧急故障。

附图说明

图1为本发明一种基于关联特征的汇流箱支路电流检测系统的拓扑结构图图；

图2为本发明具体实施例中采集器10采集和接受采集数据的示意图；

图3为本发明具体实施例中云平台端13的数据流向示意图；

图4为本发明具体实施例中中云平台端13的系统结构图；

图5为本发明一种基于关联特征的汇流箱支路电流检测方法的步骤流程图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

图1为本发明一种基于关联特征的汇流箱支路电流检测系统的拓扑结构图图。如图1所示，本发明一种基于关联特征的汇流箱支路电流检测系统，包括：采集器10、交换机11、测控设备12以及云平台13。

其中，采集器10通过交换机11与测控设备12通信，测控设备12则与电站设备进行通信，采集器10作为主站通过交换机11从测控设备12获得测控设备12采集的数据后，作为子站接受云平台13的数据总召，云平台13从采集器10收集数据后，对数据进行处理后存入数据库中，并根据数据库中存储的数据信息，对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，从而实现监测对象的异常检测，对电站设备，即监控对象的监控。

在本发明具体实施例中，采集器10为嵌入式采集器，通过交换机11，以IEC103/104协议与测控设备12通信，然后测控设备12以Modbus协议通过485线和电站设备进行通信，采集器10将数据采集后作为IEC104子站接受云平台的数据总召，云平台收集和处理数据后，即可代替就地的监控。这种方案的好处是可以应对设备分布较广的电站，避免RS-485线通信距离有限带来的影响，减小定制开发Modbus协议的代价，一般地，装机容量大于2MW的电站常用该种方案。(图1中靠上的机器作为靠下一级机器的主站，从下采集数据)

图2为本发明具体实施例中采集器10采集和接受采集数据的示意图。以下将配合图2说明本发明采集器10作为104协议主站采集测控设备数据和作为104协议子站接受采集的过程：在本发明中，采集器10中运行着定制的通信管理软件，其104通道号和点号对应关系，分遥测、遥信、遥脉(电量)的信号类型，存储在配置文件夹中各自的csv文件里，然后针对每一个向下采集的通道不同的协议配置，生成对应的protocol文件，然后由通信管理的主程序根据通道配置和点位配置，将不同的遥测、遥脉的信号存储在专用的数据库中，然后自身作为104协议子站，接受云平台端104程序的采集。

图3为本发明具体实施例中云平台端13的数据流向示意图。在本发明具体实施例中，虚拟的云服务器通过虚拟交换机将端口暴露给外网，然后每个采集器都和开发的外网端口进行通信，接受云平台端13通信管理软件的采集。云平台端13的通信管理软件经过配置后，根据配置的电站ID和采集点的外部名称，将实时采集到的数据以外部名称为索引入库到数据库MongoDB中。然后数据库中间件根据配置，将外部名称经过规则解析，入库到对应的数据库历史数据表(如表1)中，如果表不存在，则自动创建，对于某些数据量大的设备，可以自动分电站分表存储。云服务主程序部分，则有专用的调度任务向MySql计算并写入报表，并从MySql中读取配置信息和历史数据。

表1

图4为本发明具体实施例中中云平台端13的系统结构图。如图4所示，云平台13包括：

数据采集处理单元130，用于从采集器10实时采集数据，并将采集到的数据存入数据库。在本发明具体实施例中，数据采集处理单元130将实时采集到的数据以外部名称为索引入库到数据库MongoDB中，然后根据配置，将外部名称经过规则解析，入库到对应的数据库历史数据表中，如果表不存在，则自动创建，对于某些数据量大的设备，可以自动分电站分表存储。

偏离度和波动程度阈值学习单元131，用于获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度阈值，其中，i的记录是一个长度为k*M的时间序列，M为采样率，即每天采样M次。

偏离度和波动程度计算单元132，用于对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算T次记录中的偏离度ratio和波动程度var。

异常预测单元133，用于将偏离度和波动程度计算单元132计算获得的偏离度ratio和波动程度var与偏离度和波动程度阈值学习单元131获得的偏离度和波动程度阈值进行比较，根据比较结果实现异常预测，即当计算获得的偏离度ratio和波动程度var都超过阈值时，则判定滑动时间窗口的最后一次记录数据异常。

图5为本发明一种基于关联特征的汇流箱支路电流检测方法的步骤流程图。如图5所示，本发明一种基于关联特征的汇流箱支路电流检测方法，包括如下步骤：

步骤S1，从数据库获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度，并获得偏离度阈值与波动程度阈值，其中，i的记录是一个长度为k*M的时间序列，M为采样率，即每天采样M次。

步骤S2，对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算T次记录中的偏离度ratio和波动程度var。在本发明具体实施例中，窗口T的大小与采样频率和与预警灵敏度有关，如采样为每小时k次，则时间窗口大小设为k即可。

在本发明具体实施例中，偏离度ratio计算如下：

其中，表示第k天第j次监测对象i与群体记录的差值为，表示第k天群体记录与群体记录的差值为，第k天第j次N个监测对象的均值第k天N个实体的均值而对于监测对象i(支路电流/汇流箱)的历史数据(K天*M次)为这里N即表示N个实体，即监测对象，如支路或汇流箱。

波动程度var计算如下：

其中，对于第k天第j次采样，表示实体i与当天i均值的差值为，表示N个实体在第j次与全天的差值同样，第k天第j次N个监测对象的均值第k天N个实体的均值而对于监测对象i(支路电流/汇流箱)的历史数据(K天*M次)为这里N即表示N个实体，即监测对象，如支路或汇流箱。

步骤S3，将步骤S2计算获得的偏离度ratio和波动程度var与偏离度和步骤S1获得的偏离度和波动程度阈值进行比较，根据比较结果实现异常预测，即当计算获得的偏离度ratio和波动程度var都超过阈值时，则判定滑动时间窗口的最后一次记录数据异常。

优选地，于步骤S1中，偏离度阈值与波动程度阈值的计算过程如下(以偏离度阈值为例，波动程度阈值的计算过程与之类似)：

步骤S100，计算n次监测对象i的偏离度r值，表示为(r₁,...,r_n)；

步骤S101，假设监测对象i的偏离度r服从参数u,σ²的正态分布，计算并统计一段时间的r值，使用最大似然估计法估计参数u,σ²

其中，似然函数如下：

令偏导数为0，得到

对其求得极值点为

在正态分布的假设下，区域u±3σ包含了99.7％的数据，也就是说，如果某个监测对象的偏离度r值距离分布的均值u^*超过了3σ，那么这个r值就可以被简单的标记为一个异常点。

以下将通过一具体实施例来说明本发明之汇流箱支路电流检测过程：在描述检测过程前，先对所涉及的名词或符号进行定义：

1、实体：即监测对象，共N个实体，如支路或汇流箱

2、采样率：每天采样M次

3、对于实体i(支路电流/汇流箱)的历史数据(K天*M次)为

4、实体i与群体的偏离度

第k天第j次N个实体的均值

第k天N个实体的均值

也就是说，用来衡量N个实体的第k天第j次记录分布情况，用来衡量N个实体的第k天记录分布情况，那么：

第k天第j次实体i与群体记录的差值为

第k天群体记录与群体记录的差值为

本发明用实体i与群体的偏离度来表示实体i是否与群体记录一致：

对于第k天第j次采样，计算实体i与N个实体的差值以及N个实体在第j次与全天的差值

若两者有更高几率具有相同趋势，即乘积为正数；与之相反，如两者乘积为负数，则表示实体i的该次采样与群体不同。

则偏离度定义为：

当实体i的偏离度超过阈值α，即ratio>α时，认为实体i数据异常。

5、实体i的波动比例

实体i第k天均值

其中，用来衡量实体i的第k天记录分布情况，实体i的第k天第j次实体i与i当天均值的差值为

第k天群体记录与群体记录的差值为

那么用实体i的历史波动性来表示实体i是否与自身历史记录一致：

对于第k天第j次采样，计算实体i与当天i均值的差值为以及N个实体在第j次与全天的差值

若两者有更高几率具有相同趋势，即乘积为正数，与之相反，如两者乘积为负数，则表示实体i的该次采样与自身历史不同。

那么波动比例即波动程度var定义为：

当实体i的波动比例超过阈值β，即var>β时，认为实体i数据异常。

6、异常预测过程

给定N个实体的历史k天监测记录

对实体i学习偏离度和波动程度，获得阈值αⁱ和βⁱ，i的记录是一个长度为k*M的时间序列

在时间序列上依次选择大小为T的滑动时间窗口，计算T次记录中的偏离度ratio和波动程度var，若两者都超过阈值，ratio>αⁱ且var>βⁱ，则可判定滑动时间窗口的最后一次记录数据异常。

综上所述，本发明一种基于关联特征的汇流箱支路电流检测系统及方法基于云部署设计，通过对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，实现了直流汇流箱支路异常检测，使得少量运维人员可以在办公室监控更多的电站，并可以对云平台的数据进行对比分析，利用数据积累优化电站运维，并有实时数据自动告警功能，即便在监视人员下班后，也可以短信通知紧急故障。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (10)

1.一种基于关联特征的汇流箱支路电流检测系统，包括：采集器、交换机、测控设备以及云平台，所述采集器通过交换机与测控设备通信，所述测控设备与电站设备进行通信进行数据采集，所述采集器作为主站通过交换机从测控设备获得测控设备采集的数据后，作为子站接受所述云平台的数据总召，所述云平台从所述采集器收集数据后，对数据进行处理后存入数据库中，并根据数据库中存储的数据信息，对各监测对象计算其与群体之间的偏离度以及其与自身历史的波动程度，从而实现监测对象的异常检测。

2.如权利要求1所述的一种基于关联特征的汇流箱支路电流检测系统，其特征在于：所述采集器为嵌入式采集器，通过所述交换机以IEC103/104协议与所述测控设备通信，所述测控设备以Modbus协议通过485线和电站设备进行通信。

3.如权利要求1所述的一种基于关联特征的汇流箱支路电流检测系统，其特征在于，所述云平台包括：

数据采集处理单元，用于从所述采集器实时采集数据，并将采集到的数据存入数据库；

偏离度和波动程度阈值获取单元，用于获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度，并获得偏离度阈值和波动程度阈值；

偏离度和波动程度计算单元，用于对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算T次记录中的偏离度ratio和波动程度var；

异常预测单元，用于将所述偏离度和波动程度计算单元计算获得的偏离度ratio和波动程度var与偏离度和所述波动程度阈值获取单元获得的偏离度和波动程度阈值进行比较，根据比较结果实现异常预测。

4.如权利要求3所述的一种基于关联特征的汇流箱支路电流检测系统，其特征在于：所述数据采集处理单元将实时采集到的数据以外部名称为索引入库到数据库MongoDB中，然后根据配置，将外部名称经过规则解析，入库到对应的数据库历史数据表中。

5.如权利要求4所述的一种基于关联特征的汇流箱支路电流检测系统，其特征在于：对于某些数据量大的设备，所述数据采集处理单元自动分电站分表存储。

6.一种基于关联特征的汇流箱支路电流检测方法，包括如下步骤：

步骤S1，从数据库获取N个监测对象的历史k天监测记录，对监测对象i学习偏离度和波动程度，获得偏离度阈值和波动程度阈值；

步骤S2,对监测对象i在时间序列上依次选择大小为T的滑动时间窗口，计算T次记录中的偏离度ratio和波动程度var；

步骤S3，将步骤S2计算获得的偏离度ratio和波动程度var与偏离度和步骤S1获得的偏离度和波动程度阈值进行比较，根据比较结果实现异常预测。

7.如权利要求6所述的一种基于关联特征的汇流箱支路电流检测方法，其特征在于：于步骤S3中，当计算获得的偏离度ratio和波动程度var都超过阈值时，则判定滑动时间窗口的最后一次记录数据异常。

8.如权利要求6所述的一种基于关联特征的汇流箱支路电流检测方法，其特征在于，于步骤S2中，所述偏离度ratio计算如下：

表示第k天第j次监测对象i与群体记录的差值为，表示第k天群体记录与群体记录的差值为，第k天第j次N个监测对象的均值第k天N个实体的均值其中对于监测对象i的K天*M次历史数据为：N表示监测对象的个数。

9.如权利要求6所述的一种基于关联特征的汇流箱支路电流检测方法，其特征在于，于步骤S2中，所述波动程度var计算如下：

其中，对于第k天第j次采样，表示实体i与当天i均值的差值为，表示N个实体在第j次与全天的差值同样，第k天第j次N个监测对象的均值第k天N个实体的均值对于监测对象i的K天*M次历史数据为N表示监测对象的个数。

10.如权利要求6所述的一种基于关联特征的汇流箱支路电流检测方法，其特征在于，所述偏离度阈值与波动程度阈值的计算过程如下：

步骤S100，分别计算n次监测对象i的偏离度和波动程度；

步骤S101，假设监测对象i的偏离度和波动程度服从参数u,σ²的正态分布，计算并统计一段时间的偏离度与波动程序值，使用最大似然估计法估计参数u,σ²，进而获得所述偏离度阈值和波动程度阈值。