CN111799843A - 一种概率融合式光伏电站的多维全状态数据建模方法 - Google Patents

Abstract

本发明公开了一种概率融合式光伏电站的多维全状态数据建模方法，针对光伏电站内电压、电流、温度、辐照度传感器采样获得的多源、异构、大量、动态数据，进行数据相关性分组、组内当前数据与历史数据的联合计算，获得电站内各组设备状态的特征量，再根据特征量计算结果，利用设备各状态的概率分布对异构数据源进行数据融合，从而建立高数据利用率、低数据复杂度的光伏电站数据模型，实现复杂传感器网络下采样数据的融合分析，达到降低系统数据负担，提升光伏电站运维监控系统性能的目的。

Description

一种概率融合式光伏电站的多维全状态数据建模方法

技术领域

本发明涉及一种光伏电站数据建模技术，属于光伏电站运维监控技术领域。

背景技术

光伏发电作为太阳能利用的重要手段之一，近年来取得了快速发展，而光伏电站数据模型作为电站实时监控与运行维护的数据基础，对确保电站监控系统高效、可靠和发电系统稳定运行具有重要意义。

工程实践中，光伏电站的实时监测总是依靠各类传感器网络进行的，布设于光伏电站中的各类传感器采集并发送数据，数据终端接收数据后根据数据模型进行数据处理和分析，但光伏电站场区广阔，设备种类众多，不论是自然环境还是设备状态都较为复杂，因而为了完整地感知光伏电站运行状态，实际中监测网络必须使用诸如电压、电流传感器，温度传感器，辐照度传感器等多类采集设备，并同时采集、发送大量类型各异的数据，这使得数据终端获得的数据呈现出多源、异构、大量、动态的特点。对于此类较为复杂的数据源，为了确保数据终端分析时数据利用的充分、高效，必须依靠电站的基础模型进行数据融合处理。

现有针对光伏电站数据模型与建模方法主要包括以下几种：

(1)环节建模，即针对光伏发电系统各组成环节分别建模，此种方式最为常见，研究成果也较多，例如：针对直流光伏阵列环节，根据不同的光伏组件材料，给出了光伏组件的双二极管机理模型及单二极管机理模型；针对直流逆变环节，考虑逆变器的“黑箱”特性，根据逆变器的输入输出信息，采用NARX模型和Wiener模型，对光伏并网逆变器进行了辨识建模。此类方式获得的模型常表现为多变量、多参数的微分方程组，此类建模最大的特点是针对性强且参数划分精细，缺点是光伏电站设备环节较多，若对每个环节均分别进行精细化的建模后再组合，最终构成光伏电站模型的阶数将很高，变量参数众多，监控系统数据分析计算量大，效率低下。

(2)参数聚合建模，即在分环节建模的基础上，将部分环节结合为一个整体，达到结构参数简化的目的，例如：以参数聚合模型和原模型间有功功率损耗、无功功率损耗相等为原则，获得的集电网络等值阻抗模型；以及考虑到光伏逆变器及其控制环节的型号及参数基本相同，据此根据对光伏逆变器及其控制环节进行参数融合，采用按容量加权法获得其等效参数模型的方法。此类方法一定程度上减少了模型的阶数，降低了数据分析的运算量，但由于从基础模型向参数聚合模型简化时常需要设定简化的近似条件，因此聚合模型难免存在近似误差，从而削弱了模型的通用性和精确性。

(3)整体聚合建模，即将光伏电站所有内部结构与细节略去，将电站视为一个不可分割的整体发电单元，这样建立的整体聚合模型可以准确反映出光伏电站在PCC点出口处的电压和输出功率等动态性能，但不再表现发电单元内部环节的具体特性。此种建模方法常应用于分析电站与电网间相互作用，包括电站对电网稳定性影响的研究和电网特性变化对电站状态影响的研究等，但由于电站内部环节在模型中被隐去，此类建模方法与所获模型并不满足电站运维监控的要求，也不适用于监测数据的分析。

综上所述，如何进行科学、可靠地光伏电站数据建模，提升处理终端对电站中复杂数据源利用的充分性和合理性，确保电站监控系统高效、可靠，成为亟待解决的问题。

发明内容

本发明为克服现有光伏电站数据建模方法存在的不足之处，提出一种概率融合式光伏电站的全状态数据建模方法，以期能利用设备状态的概率分布为转化媒介，将光伏电站内各类传感器采集获得的多源、异构数据进行融合建模，从而能在充分利用采集信息的前提下，完成数据融合，降低电站状态模型的结构复杂度，最终达到降低光伏监控系统数据负担，提升光伏监控系统的性能的目的。

本发明为达到上述发明目的，采用的技术方案如下：

本发明一种概率融合式光伏电站的多维全状态数据建模方法的特点包括以下步骤：

步骤1、假设被监测的光伏电站中包含H路逆变器，其中任意第h路逆变器连接一个含有J串光伏组串的光伏阵列；光伏电站内所有传感器所获得的采集数据包括：辐照度s、环境温度t、第h路逆变器所连的光伏阵列中第j串光伏组串电压U_hj和光伏组串电流I_hj、第h路逆变器A,B,C相电流I_hA,I_hB,I_hC和输出有功功率P_h，公共连接点PCC上A,B,C相电压U_A,U_B,U_C，AB,BC,CA线电压U_AB,U_BC,U_CA，其中，h＝1,2,…,H；j＝1,2,…,J；

步骤2、采集数据归类：

首先，将电站环境检测仪和全部光伏阵列相关传感器的采集数据归为阵列状态组Q_pv，其中包括：辐照度s、环境温度t、任意第h路第j串光伏组串电压U_hj、光伏组串电流I_hj的采样数据；

其次，将H路逆变器以及公共连接点PCC相关传感器的采集数据归为电站状态组Q_gs，其中包括：第h路逆变器的A,B,C相电流I_hA,I_hB,I_hC，输出有功功率P_h，无功功率Q_h，公共连接点PCC上A,B,C相电压U_A,U_B,U_C，AB,BC,CA线电压U_AB,U_BC,U_CA；

步骤3、在所述阵列状态组Q_pv中，利用式(1)计算当前数据与去年同月内历史数据间的欧式距离d_i：

式(1)中，t,s分别为当前采集的环境温度和辐照度数据，t_i,s_i为历史数据库中历史时刻i的环境温度和辐照度数据，并将所有计算结果中欧式距离最短的时刻记为k时刻；

步骤4、利用式(2)计算第h路逆变器所接的第j串光伏组串的当前采样数据与k时刻历史数据之间的功率偏移

从而遍历每一路逆变器中每一组串，并获得第h个功率偏移序列N_h如式(3)所示：

式(2)中，U_hj、I_hj为第h路逆变器所接的第j串光伏组串的当前电压、电流值，

为第h路逆变器所接的第j串光伏组串在k时刻电压、电流值；

N_h＝[ΔP_h1,ΔP_h2,…,ΔP_hJ] (3)

依据光伏组串的功率特性，判断序列中所有ΔP_hj≤0的元素代表第h路逆变器中第j个组串出现异常功率散失，并通过式(4)对第h个功率偏移序列N_h中所有ΔP_hj≤0元素进行求和，得到第h路逆变器对应光伏阵列功率散失Δe_h：

Δe_h＝∑|ΔP_hj| (4)

式(4)中，ΔP_hj表示第h路逆变器所接阵列中第j个组串的异常功率散失值；

根据第h路逆变器对应光伏阵列功率散失Δe_h和光伏阵列运行状态转移的概率分布spread_pv，获得任意第h路逆变器中阵列状态的概率融合参数v_h；

步骤5、在所述电站状态组Q_gs中进行极端数据提取；

当满足等式(5)，则表明第h路逆变器的A,B,C相电流I_hA,I_hB,I_hC和输出有功功率P_h中存在极端数据，对应第h路逆变器处于故障状态，从而令当前第h路逆变器对应的逆变状态概率融合参数u_h为“0”：

I_hA·I_hB·I_hC·P_h＝0 (5)

当满足方程(6)或(7)，则表明公共连接点PCC上A,B,C相电压U_A,U_B,U_C以及AB,BC,CA线电压U_AB,U_BC,U_CA中存在极端数据，并网点存在异常，从而令当前第h路逆变器对应的逆变状态概率融合参数u_h为“0”：

U_AB·U_BC·U_CA＝0 (6)

U_A·U_B·U_C＝0 (7)

步骤6、对所述电站状态组Q_gs中的非极端数据进行概率融合：

利用式(8)计算第h路逆变器的当前直流侧输入功率数据与历史数据库中历史时刻i功率数据间的欧式距离l_hi：

式(8)中，U_hj、I_hj为当前第h路逆变器所接的光伏阵列中第j串组串电压、电流采样值，

为历史时刻i第h路逆变器所接的光伏阵列中第j串组串电压、电流采样值，从而得到欧式距离矩阵

并分别取欧式距离矩阵中第h行元素中的最小值l_hmin，同时将最小值l_hmin对应时刻记为k_h时刻；进而获得H路逆变器H个历史时刻k₁,k₂,…,k_H；

步骤7、利用式(9)计算第h路逆变器的当前输出功率与k_h时刻的功率偏移ΔP_h：

式(9)中，P_h为第h路逆变器当前功率数据，

为第h路逆变器在k_h时刻的历史功率数据；

若ΔP_h≥0，则认为第h路逆变器状态良好，令第h路逆变器对应的逆变状态概率融合参数u_h为“1”；

若ΔP_h＜0，则认为第h路逆变器状态异常，并根据功率偏移ΔP_h和逆变器运行状态转移的概率分布spread_inv，获得第h路逆变器对应的逆变状态概率融合参数u_h。

本发明所述的多维全状态数据建模方法的特点也在于，所述步骤4中阵列状态的概率融合参数v_h的建模融合过程为：

对于任意一个由r个组串并联而成的光伏阵列，其状态集合记为S_pv＝{0,1,2,…,r-1,r}，其中每个元素代表含r个组串的光伏阵列中当前出现故障的组串个数，并指定S_pv＝{w}为阵列第w+1状态，0≤w≤r，令λ₁表示光伏电站中光伏组件的平均故障率；从而利用式(10)得到光伏阵列的状态转移矩阵P_pv中任一元素

式(10)中，元素

表示r个组串的光伏阵列从q₁-1个组串故障的第q₁状态转移到q₂-1个组串故障的第q₂状态的概率，利用式(11)描述光伏阵列状态转移过程：

π_pv(k)＝Φ·(P_pv)^k (11)

式(11)中，P_pv为光伏阵列的状态转移矩阵，Φ与π_pv(k)均为一个r+1维行向量，Φ表示光伏阵列起始时刻T_pv的初始状态概率分布，π_pv(k)中第a元素指kΔt_pv时刻设备处于第a状态的概率，其中Δt_pv表示阵列状态计算的基本时间间隔，并由光伏组件的平均故障率λ₁决定，k表示当前时刻与起始时刻T_pv之间时间跨度中包含的基本时间间隔个数，且1≤a≤r+1，π_pv(k)为光伏阵列在kΔt_pv时刻各状态的概率分布spread_pv；

利用式(12)对所述第h路逆变器对应光伏阵列功率散失Δe_h进行折算，获得第h路逆变器对应的光伏阵列状态a_pv.h：

式(12)中，S_capacity.pv为组串容量，由电站使用光伏组件自身规格决定，y＝INT[x]为Gauss取整函数，且y取不小于x的最小整数，概率分布spread_pv中第h路逆变器对应的光伏阵列状态a_pv.h的概率即为第h路逆变器中阵列状态的概率融合参数v_h。

所述步骤7中的逆变状态的概率融合参数u_h的建模融合过程为：

对于任意一个逆变器，令其状态集合为S_inv＝{0,1,2,3}，其中的元素代表三相逆变器故障相个数，指定S_inv＝{g}为逆变器第g+1状态，0≤g≤3，令λ₂表示逆变器的平均故障率，令元素

表示三相逆变器从f₁-1相故障的第f₁状态转移到f₂-1相故障的第f₂状态的概率，1≤f₁,f₂≤4，则逆变器状态的转移矩阵P_inv：

利用式(13)描述逆变器设备状态转移过程：

π_inv(z)＝Ψ·(P_inv)^z (13)

式(13)中，P_inv为逆变器的状态转移矩阵，Ψ与π_inv(z)均为一个4维行向量，Ψ表示逆变器起始时刻T_inv的初始状态概率分布，π_inv(z)中第b元素指zΔt_inv时刻设备处于第b状态的概率，其中Δt_inv表示逆变器状态计算的基本时间间隔，并由逆变器的平均故障率λ₂决定，z表示表示当前时刻与起始时刻T_inv之间时间跨度中包含的基本时间间隔个数，且1≤b≤4，π_inv(z)为逆变器在zΔt_inv时刻各状态的概率分布spread_inv；

利用式(14)对所述功率偏移ΔP_h进行折算，获得第h路逆变器状态b_inv.h：

式(14)中，S_capacity.inv为逆变器额定容量的1/3，并由电站使用逆变器自身规格决定；y＝INT[x]为Gauss取整函数，且y取不小于x的最小整数，概率分布spread_inv中第h路逆变器状态b_inv.h的概率即为第h路逆变器中逆变状态的概率融合参数u_h。

相比于现有建模方法，本发明的有益效果在于：

1)本发明的动态建模过程：光伏电站所有设备均存在自然老化的情况，但当前建模方法多为静态建模过程，所获模型必然随时间推移出现误差扩大的问题，而本发明的建模过程，通过计入设备历史数据，实现了历史数据与当前数据的动态修正，确保了电站模型对电站状态的自然跟随，使得模型对不同运行年限的光伏电站均具有良好的适应性。

2)本发明模型兼具高数据利用率和低结构复杂度的优势。建模过程做到了采样数据的不舍弃，不遗漏，实现了各类采样数据在建模过程的完全利用，保证了模型的精确度；并通过对多源、异构数据进行依概率融合，在维持数据丰富度的前提下，大大降低了模型的结构复杂度，由此解决了光伏电站现有建模方法对模型精确度和模型简洁性顾此失彼的问题。

3)本发明针对光伏电站内各类传感器采样获得的多源、异构、大量、动态数据，进行数据相关性分组、组内当前数据与历史数据的联合计算，获得电站内各组设备状态的特征量，再根据特征量计算结果，利用设备各状态的概率分布对异构数据源进行数据融合，从而建立光伏电站数据模型，实现了复杂传感器网络下采样数据的融合分析，达到了降低系统数据负担，提升了光伏电站运维监控系统的性能的目的。

附图说明

图1为现有技术中某光伏电站结构示意图；

图2为本发明中阵列状态概率融合参数v_h的计算流程图；

图3为本发明中逆变状态概率融合参数u_h的计算流程图；

图4为本发明中电站状态模型的概率融合参数u，v变化图。

具体实施方式

本实施例中，一种概率融合式光伏电站多维全状态数据建模方法包括以下步骤：

步骤1、假设被某监测光伏电站中包含H＝2路逆变器，逆变器额定容量15kW，其中每一路逆变器均连接一个含J＝3串光伏组串的光伏阵列，每个组串额定功率6kW，电站连接结构示意图如图1。光伏电站内所有传感器可获得的采集数据包括：辐照度s、环境温度t、第h路逆变器所连光伏阵列中第j串光伏组串电压U_hj和光伏组串电流I_hj、第h路逆变器A,B,C相电流I_hA,I_hB,I_hC和输出有功功率P_h，其中h＝1,2；j＝1,2,3，公共连接点PCC上A,B,C相电压U_A,U_B,U_C，AB,BC,CA线电压U_AB,U_BC,U_CA。假设当前待处理的采集数据如下表，数据包括某日采集的三个不同时刻：7:00，9:00，13:00，17:00：

表1电站待处理采集数据源(阵列状态)

表2电站待处理采集数据源(逆变状态)

为提升建模精确性，实施中常先根据正常数据值域范围：s≥0,P_h≥0,-50℃≤t≤60℃，删除所有偏离上述值域范围的错误数据点。

步骤2、采集数据归类：

首先，将电站环境检测仪和全部光伏阵列相关传感器的采集数据归为阵列状态组Q_pv，其中包括：辐照度s、环境温度t、任意第h路第j串光伏组串电压U_hj、光伏组串电流I_hj的采样数据，阵列状态组Q_pv即为表1所有数据；

其次，将H路逆变器以及公共连接点PCC相关传感器的采集数据归为电站状态组Q_gs，其中包括：第h路逆变器的A,B,C相电流I_hA,I_hB,I_hC，输出有功功率P_h，无功功率Q_h，公共连接点PCC上A,B,C相电压U_A,U_B,U_C，AB,BC,CA线电压U_AB,U_BC,U_CA，电站状态组Q_gs即为表2所有数据；

步骤3、先进行9:00采样数据建模。在阵列状态组Q_pv中，使用公式(1)计算9:00数据与去年同月内历史数据间欧式距离d，并将与9:00时刻对应欧式距离最短的历史时刻记为“k时刻”，设该历史时刻“阵列状态”历史数据如下；

表3电站历史采集数据源(阵列状态)

步骤4、利用式(2)计算第h路逆变器所接的第j串光伏组串的当前采样数据与k时刻历史数据之间的功率偏移

从而遍历每一路逆变器中每一组串，并获得H＝2个功率偏移序列如式(3)所示：

式(2)中，U_hj、I_hj为第h路逆变器所接的第j串光伏组串的当前电压、电流值，

为第h路逆变器所接的第j串光伏组串在k时刻电压、电流值；

依据光伏组串的功率特性，判断序列中所有ΔP_hj≤0的元素代表第h路逆变器中第j个组串出现异常功率散失，并通过式(4)对H＝2个功率偏移序列中所有ΔP_hj≤0元素分别求和，得到第h路逆变器对应光伏阵列功率散失Δe_h：

式(4)中，ΔP_1j、ΔP_2j分别表示第1、2路逆变器所接阵列中第j个组串的异常功率散失值；

根据第h路逆变器对应光伏阵列功率散失Δe_h和光伏阵列运行状态转移的概率分布spread_pv，获得任意第h路逆变器中阵列状态的概率融合参数v_h；

步骤1～4完成了概率融合参数v_h的计算，该计算流程如图2所示。

步骤5、在电站状态组Q_gs中进行极端数据提取；

当满足等式(5)，则表明第h路逆变器的A,B,C相电流I_hA,I_hB,I_hC和输出有功功率P_h中存在极端数据，对应第h路逆变器处于故障状态，从而令当前第h路逆变器对应的逆变状态概率融合参数u_h为“0”：

I_hA·I_hB·I_hC·P_h＝0 (5)

当满足方程(6)或(7)，则表明公共连接点PCC上A,B,C相电压U_A,U_B,U_C以及AB,BC,CA线电压U_AB,U_BC,U_CA中存在极端数据，并网点存在异常，从而令当前第h路逆变器对应的逆变状态概率融合参数u_h为“0”：

U_AB·U_BC·U_CA＝0 (6)

U_A·U_B·U_C＝0 (7)

显然本实例数据中第1路逆变器的A相电流I_1A＝0，满足式(5)，说明第一路逆变器可能处于单相故障状态，令第1路逆变器采集数据建模所得逆变状态概率融合参数u₁＝0；

步骤6、对电站状态组Q_gs中的非极端数据进行概率融合：

利用式(8)计算第h路逆变器的当前直流侧输入功率数据与历史数据库中历史时刻i功率数据间的欧式距离l_hi：

式(8)中，U_hj、I_hj为当前第h路逆变器所接的光伏阵列中第j串组串电压、电流采样值，

为历史时刻i第h路逆变器所接的光伏阵列中第j串组串电压、电流采样值，从而得到欧式距离矩阵

并分别取欧式距离矩阵中第h行元素中的最小值l_hmin，同时将最小值l_hmin对应时刻记为k_h时刻；进而获得H＝2路逆变器2个历史时刻k₁,k₂，并设历史时刻k₁,k₂的逆变器输出功率数据如下表：

表4电站历史采集数据源(逆变状态)

步骤7、利用式(9)计算第h路逆变器的当前输出功率与k_h时刻的功率偏移ΔP_h：

式(9)中，P_h为第h路逆变器当前功率数据，

为第h路逆变器在k_h时刻的历史功率数据，由于步骤5中已经对第一路逆变器中极端数据进行了提取，并判定第1路逆变器采集数据建模所得逆变状态概率融合参数u₁＝0，故此处只需要计算

若ΔP_h≥0，则认为第h路逆变器状态良好，令第h路逆变器对应的逆变状态概率融合参数u_h为“1”，而ΔP₂-4.29kW<0，不满足此条件；

若ΔP_h＜0，则认为第h路逆变器状态异常，而ΔP₂-4.29kW<0，出现了异常状态，此时应根据功率偏移ΔP_h和逆变器运行状态转移的概率分布spread_inv，获得第h＝2路逆变器对应的逆变状态概率融合参数u₂。

步骤5～7完成了概率融合参数u₂的计算，该计算流程如图3所示。

具体实施中，步骤4中阵列状态的概率融合参数v_h的建模融合过程为：

对于一个由r＝3个组串并联而成的光伏阵列，其状态集合记为S_pv＝{0,1,2,3}，其中每个元素代表含r＝3个组串的光伏阵列中当前出现故障的组串个数，并指定S_pv＝{w}为阵列第w+1状态，0≤w≤3，令λ₁表示光伏电站中光伏组件的平均故障率，取λ₁＝0.012次/天。从而得到式(10)所示光伏阵列的状态转移矩阵P_pv中任一元素

为：

式(10)中，元素

表示r个组串的光伏阵列从q₁-1个组串故障的第q₁状态转移到q₂-1个组串故障的第q₂状态的概率，利用式(11)描述光伏阵列状态转移过程：

π_pv(k)＝Φ·(P_pv)^k (11)

式(11)中，P_pv为光伏阵列的状态转移矩阵，Φ与π_pv(k)均为一个r+1＝4维行向量，Φ表示光伏阵列起始时刻T_pv的初始状态概率分布，对正常的光伏电站取起始时刻T_pv为电站起始运行日或上一次全面检修日，本实施例取T_pv为昨日，Φ＝[1,0,0,0]，π_pv(k)中第a元素指kΔt_pv时刻设备处于第a状态的概率，其中Δt_pv表示阵列状态计算的基本时间间隔，并由光伏组件的平均故障率λ₁决定，本实施例中Δt_pv为一日，k表示当前时刻与起始时刻T_pv之间时间跨度中包含的基本时间间隔个数，本实施例中时间跨度为一日，即k＝1，且1≤a≤3，π_pv(k)为光伏阵列在kΔt_pv时刻各状态的概率分布spread_pv，代入计算可得电站在前一日设备状态正常的条件下，次日光伏阵列设备状态的概率分布为：

π_pv(1)＝[0.9644,0.0351,4.3×10^-4,1.728×10^-6]。

利用式(12)对第h路逆变器对应光伏阵列功率散失Δe_h进行折算，获得第h路逆变器对应的光伏阵列状态a_pv.h：

式(12)中，S_capacity.pv为组串容量，由电站使用光伏组件自身规格决定，本实施例中每个组串额定功率6kW，即取S_capacity.pv＝6kW，y＝INT[x]为Gauss取整函数，且y取不小于x的最小整数，代入步骤4计算所得

获得两路逆变器对应的组串状态S_pv.1＝{1}，S_pv.2＝{2}，由概率分布spread_pv中第h路逆变器对应的光伏阵列状态a_pv.h的概率分布π_pv(1)可得，第h路逆变器中阵列状态的概率融合参数v_h，即对9:00采集阵列数据建模后所得阵列状态的概率融合参数v₁＝0.9644，v₂＝0.0351。

具体实施中，步骤7中的逆变状态的概率融合参数u_h的建模融合过程为：

对于任意一个逆变器，令其状态集合为S_inv＝{0,1,2,3}，其中的元素代表三相逆变器故障相个数，指定S_inv＝{g}为逆变器第g+1状态，0≤g≤3，令λ₂表示逆变器的平均故障率，本实例取λ₂＝0.008次/天，令元素

表示三相逆变器从f₁-1相故障的第f₁状态转移到f₂-1相故障的第f₂状态的概率，1≤f₁,f₂≤4，从而得到逆变器状态的转移矩阵P_inv为：

利用式(13)描述逆变器设备状态转移过程：

π_inv(z)＝Ψ·(P_inv)^z (13)

式(13)中，P_inv为逆变器的状态转移矩阵，Ψ与π_inv(z)均为一个4维行向量，Ψ表示逆变器起始时刻T_inv的初始状态概率分布，对正常的光伏电站取起始时刻T_inv为电站起始运行日或上一次全面检修日，本实施例取T_inv为昨日，Ψ＝[1,0,0,0]，π_inv(z)中第b元素指zΔt_inv时刻设备处于第b状态的概率，其中Δt_inv表示逆变器状态计算的基本时间间隔，并由逆变器的平均故障率λ₂决定，本实施例中Δt_inv为一日，z表示表示当前时刻与起始时刻T_inv之间时间跨度中包含的基本时间间隔个数，本实施例中时间跨度为一日，即z＝1，且1≤b≤4，π_inv(k)为逆变器zΔt_inv时刻各状态的概率分布spread_inv，代入计算可得电站在前一日设备状态正常的条件下，次日逆变器设备状态的概率分布为：

π_inv(1)＝[0.9761,0.0236,1.9×10^-4,5.12×10^-7]。

利用式(13)对功率偏移ΔP_h进行折算，获得第h路逆变器状态b_inv.h：

式(13)中，S_capacity.inv为逆变器额定容量的1/3，并由电站使用逆变器自身规格决定，本实施例中每个逆变器额定功率15kW，即取S_capacity.inv＝5kW；y＝INT[x]为Gauss取整函数，且y取不小于x的最小整数，代入步骤7计算所得ΔP₂-4.29kW，获得第二路逆变器对应的设备状态S_inv.2＝{1}，由概率分布spread_inv中第h路逆变器状态b_inv.h的概率分布π_inv(1)可得，第h路逆变器中逆变状态的概率融合参数u_h，即对9:00采集逆变器数据建模后所得逆变器状态的概率融合参数u₂＝0.0236。且步骤7中已得u₁＝0。

至此，完成了9:00时刻所有传感器采样数据的光伏电站数学建模，并获得该时刻对应的阵列状态概率融合参数v₁＝0.9644,v₂＝0.0351，分别如图4中点a，b所示，代表支路1阵列状态良好并且支路2阵列状态异常；逆变状态概率融合参数u₁＝0,u₂＝0.0236，分别如图4中点c，d所示，代表支路1逆变器和支路2逆变器状态均异常。

重复上述计算与绘图过程，可对剩余时刻的传感器采样数据进行电站数学建模，由表1、表2所得阵列状态概率融合参数三维图像和逆变状态概率融合参数图像如图4所示。

Claims (3)

1.一种概率融合式光伏电站的多维全状态数据建模方法，其特征包括以下步骤：

步骤1、假设被监测的光伏电站中包含H路逆变器，其中任意第h路逆变器连接一个含有J串光伏组串的光伏阵列；光伏电站内所有传感器所获得的采集数据包括：辐照度s、环境温度t、第h路逆变器所连的光伏阵列中第j串光伏组串电压U_hj和光伏组串电流I_hj、第h路逆变器A,B,C相电流I_hA,I_hB,I_hC和输出有功功率P_h，公共连接点PCC上A,B,C相电压U_A,U_B,U_C，AB,BC,CA线电压U_AB,U_BC,U_CA，其中，h＝1,2,…,H；j＝1,2,…,J；

步骤2、采集数据归类：

首先，将电站环境检测仪和全部光伏阵列相关传感器的采集数据归为阵列状态组Q_pv，其中包括：辐照度s、环境温度t、任意第h路第j串光伏组串电压U_hj、光伏组串电流I_hj的采样数据；

其次，将H路逆变器以及公共连接点PCC相关传感器的采集数据归为电站状态组Q_gs，其中包括：第h路逆变器的A,B,C相电流I_hA,I_hB,I_hC，输出有功功率P_h，无功功率Q_h，公共连接点PCC上A,B,C相电压U_A,U_B,U_C，AB,BC,CA线电压U_AB,U_BC,U_CA；

步骤3、在所述阵列状态组Q_pv中，利用式(1)计算当前数据与去年同月内历史数据间的欧式距离d_i：

式(1)中，t,s分别为当前采集的环境温度和辐照度数据，t_i,s_i为历史数据库中历史时刻i的环境温度和辐照度数据，并将所有计算结果中欧式距离最短的时刻记为k时刻；

步骤4、利用式(2)计算第h路逆变器所接的第j串光伏组串的当前采样数据与k时刻历史数据之间的功率偏移

从而遍历每一路逆变器中每一组串，并获得第h个功率偏移序列N_h如式(3)所示：

式(2)中，U_hj、I_hj为第h路逆变器所接的第j串光伏组串的当前电压、电流值，

为第h路逆变器所接的第j串光伏组串在k时刻电压、电流值；

N_h＝[ΔP_h1,ΔP_h2,…,ΔP_hJ] (3)

依据光伏组串的功率特性，判断序列中所有ΔP_hj≤0的元素代表第h路逆变器中第j个组串出现异常功率散失，并通过式(4)对第h个功率偏移序列N_h中所有ΔP_hj≤0元素进行求和，得到第h路逆变器对应光伏阵列功率散失Δe_h：

Δe_h＝∑|ΔP_hj| (4)

式(4)中，ΔP_hj表示第h路逆变器所接阵列中第j个组串的异常功率散失值；

根据第h路逆变器对应光伏阵列功率散失Δe_h和光伏阵列运行状态转移的概率分布spread_pv，获得任意第h路逆变器中阵列状态的概率融合参数v_h；

步骤5、在所述电站状态组Q_gs中进行极端数据提取；

当满足等式(5)，则表明第h路逆变器的A,B,C相电流I_hA,I_hB,I_hC和输出有功功率P_h中存在极端数据，对应第h路逆变器处于故障状态，从而令当前第h路逆变器对应的逆变状态概率融合参数u_h为“0”：

I_hA·I_hB·I_hC·P_h＝0 (5)

当满足方程(6)或(7)，则表明公共连接点PCC上A,B,C相电压U_A,U_B,U_C以及AB,BC,CA线电压U_AB,U_BC,U_CA中存在极端数据，并网点存在异常，从而令当前第h路逆变器对应的逆变状态概率融合参数u_h为“0”：

U_AB·U_BC·U_CA＝0 (6)

U_A·U_B·U_C＝0 (7)

步骤6、对所述电站状态组Q_gs中的非极端数据进行概率融合：

利用式(8)计算第h路逆变器的当前直流侧输入功率数据与历史数据库中历史时刻i功率数据间的欧式距离l_hi：

式(8)中，U_hj、I_hj为当前第h路逆变器所接的光伏阵列中第j串组串电压、电流采样值，

为历史时刻i第h路逆变器所接的光伏阵列中第j串组串电压、电流采样值，从而得到欧式距离矩阵

并分别取欧式距离矩阵中第h行元素中的最小值l_hmin，同时将最小值l_hmin对应时刻记为k_h时刻；进而获得H路逆变器H个历史时刻k₁,k₂,…,k_H；

步骤7、利用式(9)计算第h路逆变器的当前输出功率与k_h时刻的功率偏移ΔP_h：

式(9)中，P_h为第h路逆变器当前功率数据，

为第h路逆变器在k_h时刻的历史功率数据；

若ΔP_h≥0，则认为第h路逆变器状态良好，令第h路逆变器对应的逆变状态概率融合参数u_h为“1”；

若ΔP_h＜0，则认为第h路逆变器状态异常，并根据功率偏移ΔP_h和逆变器运行状态转移的概率分布spread_inv，获得第h路逆变器对应的逆变状态概率融合参数u_h。

2.根据权利要求1所述的多维全状态数据建模方法，其特征是，所述步骤4中阵列状态的概率融合参数v_h的建模融合过程为：

对于任意一个由r个组串并联而成的光伏阵列，其状态集合记为S_pv＝{0,1,2,…,r-1,r}，其中每个元素代表含r个组串的光伏阵列中当前出现故障的组串个数，并指定S_pv＝{w}为阵列第w+1状态，0≤w≤r，令λ₁表示光伏电站中光伏组件的平均故障率；从而利用式(10)得到光伏阵列的状态转移矩阵P_pv中任一元素p_q1q2：

式(10)中，元素p_q1q2表示r个组串的光伏阵列从q₁-1个组串故障的第q₁状态转移到q₂-1个组串故障的第q₂状态的概率，利用式(11)描述光伏阵列状态转移过程：

π_pv(k)＝Φ·(P_pv)^k (11)

式(11)中，P_pv为光伏阵列的状态转移矩阵，Φ与π_pv(k)均为一个r+1维行向量，Φ表示光伏阵列起始时刻T_pv的初始状态概率分布，π_pv(k)中第a元素指kΔt_pv时刻设备处于第a状态的概率，其中Δt_pv表示阵列状态计算的基本时间间隔，并由光伏组件的平均故障率λ₁决定，k表示当前时刻与起始时刻T_pv之间时间跨度中包含的基本时间间隔个数，且1≤a≤r+1，π_pv(k)为光伏阵列在kΔt_pv时刻各状态的概率分布spread_pv；

利用式(12)对所述第h路逆变器对应光伏阵列功率散失Δe_h进行折算，获得第h路逆变器对应的光伏阵列状态a_pv.h：

式(12)中，S_capacity.pv为组串容量，由电站使用光伏组件自身规格决定，y＝INT[x]为Gauss取整函数，且y取不小于x的最小整数，概率分布spread_pv中第h路逆变器对应的光伏阵列状态a_pv.h的概率即为第h路逆变器中阵列状态的概率融合参数v_h。

3.根据权利要求1所述的多维全状态数据建模方法，其特征是，所述步骤7中的逆变状态的概率融合参数u_h的建模融合过程为：

对于任意一个逆变器，令其状态集合为S_inv＝{0,1,2,3}，其中的元素代表三相逆变器故障相个数，指定S_inv＝{g}为逆变器第g+1状态，0≤g≤3，令λ₂表示逆变器的平均故障率，令元素p_f1f2表示三相逆变器从f₁-1相故障的第f₁状态转移到f₂-1相故障的第f₂状态的概率，1≤f₁,f₂≤4，则逆变器状态的转移矩阵P_inv：

利用式(13)描述逆变器设备状态转移过程：

π_inv(z)＝Ψ·(P_inv)^z (13)

式(13)中，P_inv为逆变器的状态转移矩阵，Ψ与π_inv(z)均为一个4维行向量，Ψ表示逆变器起始时刻T_inv的初始状态概率分布，π_inv(z)中第b元素指zΔt_inv时刻设备处于第b状态的概率，其中Δt_inv表示逆变器状态计算的基本时间间隔，并由逆变器的平均故障率λ₂决定，z表示表示当前时刻与起始时刻T_inv之间时间跨度中包含的基本时间间隔个数，且1≤b≤4，π_inv(z)为逆变器在zΔt_inv时刻各状态的概率分布spread_inv；

利用式(14)对所述功率偏移ΔP_h进行折算，获得第h路逆变器状态b_inv.h：

式(14)中，S_capacity.inv为逆变器额定容量的1/3，并由电站使用逆变器自身规格决定；y＝INT[x]为Gauss取整函数，且y取不小于x的最小整数，概率分布spread_inv中第h路逆变器状态b_inv.h的概率即为第h路逆变器中逆变状态的概率融合参数u_h。

Images