CN112632762B - 光伏电站故障监测方法及装置 - Google Patents

光伏电站故障监测方法及装置 Download PDF

Info

Publication number
CN112632762B
CN112632762B CN202011480654.0A CN202011480654A CN112632762B CN 112632762 B CN112632762 B CN 112632762B CN 202011480654 A CN202011480654 A CN 202011480654A CN 112632762 B CN112632762 B CN 112632762B
Authority
CN
China
Prior art keywords
inverter
fuzzy
current side
membership
photovoltaic power
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.)
Active
Application number
CN202011480654.0A
Other languages
English (en)
Other versions
CN112632762A (zh
Inventor
那峙雄
樊涛
孙涛
来广志
谢祥颖
王栋
马晓光
骆欣
范雪凝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
State Grid E Commerce Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
State Grid E Commerce Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, State Grid E Commerce Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011480654.0A priority Critical patent/CN112632762B/zh
Publication of CN112632762A publication Critical patent/CN112632762A/zh
Application granted granted Critical
Publication of CN112632762B publication Critical patent/CN112632762B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Fuzzy Systems (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Photovoltaic Devices (AREA)
  • Inverter Devices (AREA)

Abstract

本发明提供了一种光伏电站故障监测方法及装置，方法包括分别对逆变器的直流侧电压和交流侧有功功率的历史数据进行分析，得到第一模糊集合的隶属度函数和第二模糊集合的隶属度函数；并通过Mamdani模糊算法计算得到模糊关系矩阵，进而结合实测数据对应隶属度，计算得到光伏电站的逆变器故障诊断结果。本发明通过Mamdani模糊算法构建出光伏电站的故障辨识模型，将实测数据输入到该故障辨识模型后，得到故障辨识模型输出的故障诊断结果，实现了对逆变器故障进行诊断。

Description

光伏电站故障监测方法及装置
技术领域
本发明涉及光伏发电技术领域，更具体地说，涉及一种光伏电站故障监测方法及装置。
背景技术
光伏电站是直接将光能转变为电能的发电系统。光伏电站主要包括光伏组件、汇流箱、逆变器和箱式变压器等设备。且一个光伏电站包括多个逆变器，如何确定哪些逆变器故障是现在亟需解决的技术问题。
发明内容
有鉴于此，本发明提出一种光伏电站故障监测方法及装置，欲基于模糊数学的方法，构建光伏电站的故障辨识模型，对逆变器故障进行诊断。
为了实现上述目的，现提出的方案如下：
第一方面，提供一种光伏电站故障监测方法，包括：
对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数；
对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数；
采用Mamdani模糊算法对所述光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行分析，得到模糊关系矩阵；
根据所述第一模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度；
根据所述第二模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度；
根据与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度、与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度以及所述模糊关系矩阵，得到光伏电站的逆变器故障诊断结果。
优选的，所述第一模糊集合的隶属度函数和所述第二模糊集合的隶属度函数的表示法，均为：
Zadeh表示法。
优选的，所述第一模糊集合的隶属度函数和所述第二模糊集合的隶属度函数，均为：
柯西型隶属度函数。
优选的，采用模糊统计方法对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数；
采用模糊统计方法对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数。
优选的，在所述对逆变器的直流侧电压的历史数据进行分析的步骤之前，还包括：
对所述光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行ETL处理，以使后续步骤利用处理后的数据进行分析。
第二方面，提供一种光伏电站故障监测装置，包括：
第一分析单元，用于对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数；
第二分析单元，用于对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数；
模糊关系矩阵单元，用于采用Mamdani模糊算法对所述光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行分析，得到模糊关系矩阵；
第一隶属度单元，用于根据所述第一模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度；
第二隶属度单元，用于根据所述第二模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度；
故障诊断单元，用于根据与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度、与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度以及所述模糊关系矩阵，得到光伏电站的逆变器故障诊断结果。
优选的，所述第一模糊集合的隶属度函数和所述第二模糊集合的隶属度函数的表示法，均为：
Zadeh表示法。
优选的，所述第一模糊集合的隶属度函数和所述第二模糊集合的隶属度函数，均为：
柯西型隶属度函数。
优选的，所述第一分析单元，具体用于：
采用模糊统计方法对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数；
所述第二分析单元，具体用于：
采用模糊统计方法对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数。
优选的，所述光伏电站故障监测装置，还包括：
ETL处理单元，用于对所述光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行ETL处理。
与现有技术相比，本发明的技术方案具有以下优点：
上述技术方案提供的一种光伏电站故障监测方法及装置，方法包括分别对逆变器的直流侧电压和交流侧有功功率的历史数据进行分析，得到第一模糊集合的隶属度函数和第二模糊集合的隶属度函数；并通过Mamdani模糊算法计算得到模糊关系矩阵，进而结合实测数据对应隶属度，计算得到光伏电站的逆变器故障诊断结果。本发明通过Mamdani模糊算法构建出光伏电站的故障辨识模型，将实测数据输入到该故障辨识模型后，得到故障辨识模型输出的故障诊断结果，实现了对逆变器故障进行诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种光伏电站故障监测方法的流程图；
图2为光伏电站各测点编号之间的逻辑关系的示意图；
图3为ETL整理后直流侧电压的示意图；
图4为ETL整理后交流侧发电功率的示意图；
图5为直流侧电压分析的示意图；
图6为交流侧有功功率分析的示意图；
图7为告警示意图；
图8为本发明实施例提供的一种光伏电站故障监测装置的示意图；
图9为本发明实施例提供的一种光伏电站故障监测设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，为本实施例提供的一种光伏电站故障监测方法，该方法包括以下步骤：
S11：对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数。
若对论域(即研究的范围)U中的任一元素x，都有一个数A(x)∈[0，1]与之对应，则称A为U上的模糊集合，A(x0)称为x0对A的隶属度。当x在U中变动时，A(x)就是一个函数，称为A的隶属度函数。隶属度A(x)越接近于1，表示x属于A的程度越高，A(x)越接近于0表示x属于A的程度越低。
本实施例中的第一模糊集合＝“光伏组串开路或松脱”。某个逆变器的直流侧电压即为论域，该逆变器的直流侧电压的值即为元素x；通过对逆变器的直流侧电压的历史数据进行分析，可以得到逆变器的直流侧电压与该逆变器直流侧连接的光伏组串开路或松脱的模糊关系，即第一模糊集合的隶属度函数。需要说明的是，当每个逆变器连接的光伏组串相同时，则可以仅对某一个逆变器的直流侧电压的历史数据进行分析即可，得到第一模糊集合的隶属度函数适用于每个逆变器；对于连接的光伏组串不同的逆变器，则需要分别进行分析，得到各自对应的第一模糊集合的隶属度函数，以进行实测数据的隶属度计算。
S12：对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数。
本实施例中的第二模糊集合＝“光伏组件老化或遮挡”。某个逆变器的交流侧有功功率即为论域，该逆变器的交流侧有功功率的值即为元素x；通过对逆变器的交流侧有功功率的历史数据进行分析，可以得到逆变器的交流侧有功功率与该逆变器直流侧连接的光伏组件老化或遮挡的模糊关系，即第二模糊集合的隶属度函数。需要说明的是，当每个逆变器连接的光伏组串相同时，则可以仅对某一个逆变器的交流侧有功功率的历史数据进行分析即可，得到第二模糊集合的隶属度函数适用于每个逆变器；对于连接的光伏组串不同的逆变器，则需要分别进行分析，得到各自对应的第二模糊集合的隶属度函数，以进行实测数据的隶属度计算。
在一些具体实施例中，采用模糊统计方法分别得到第一模糊集合的隶属度函数和第二模糊集合的隶属度函数。模糊统计方法是一种客观方法，主要是基于模糊统计试验的基础上根据隶属度的客观存在性来确定的。
在一些具体实施例中，第一模糊集合的隶属度函数和第二模糊集合的隶属度函数，均采用Zadeh表示法：
A＝∫uμA(u)/u
B＝∫IμB(I)/I
其中，A为第一模糊集合，μA(u)为A的隶属度函数，u为逆变器的直流侧电压；B为第二模糊集合，μB(I)为B的隶属度函数，I为逆变器的交流侧有功功率。需要说明的是，上述A＝∫uμA(u)/u和B＝∫IμB(I)/I中的∫不是积分的含义，只是概括模糊集合中元素的记号；且μA(u)/u和μB(I)/I均不是分数，μA(u)/u表示u对A的隶属度是μA(u)，μB(I)/I表示I对B的隶属度是μB(I)。
在一些具体实施例中，第一模糊集合的隶属度函数和第二模糊集合的隶属度函数，均选择为柯西型隶属度函数：
其中，a、α和β均是通过步骤S11得到的参数；p、χ和δ均是通过步骤S12得到的参数。
S13：采用Mamdani模糊算法对光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行分析，得到模糊关系矩阵。
Mamdani模糊算法本质是一种合成推理方法，本发明将光伏电站的逆变器故障自动告警问题简化为：“If A and B then C”，A为第一模糊集合、B为第二模糊集合且C为第三模糊集合，本实施例中第三模糊集合C＝“逆变器并网故障”。根据“If Aand B then C”，确定了模糊关系矩阵R＝(A×B)T×C；其中，(A×B)T表示由模糊关系矩阵(A×B)扩展成的列向量，C表示第三模糊集合对应的模糊关系矩阵。
S14：根据第一模糊集合的隶属度函数，分别计算得到与光伏电站中每个逆变器的直流侧电压的实测数据对应的隶属度。
实测数据即实时测量得到的数据；将逆变器的直流侧电压的实测数据代入第一模数集合的隶属度函数，得到逆变器的直流侧电压的实测数据对第一模糊集合的隶属度(即为逆变器的直流侧电压的实测数据对应的隶属度)。
S15：根据第二模糊集合的隶属度函数，分别计算得到与光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度。
将逆变器的交流侧有功功率的实测数据代入第二模数集合的隶属度函数，得到逆变器的交流侧有功功率的实测数据对第二模糊集合的隶属度(即为逆变器的交流侧有功功率的实测数据对应的隶属度)。
S16：根据与光伏电站中每个逆变器的直流侧电压的实测数据对应的隶属度、与光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度以及模糊关系矩阵，得到光伏电站的逆变器故障诊断结果。
在得到模糊关系矩阵R后，后续可以求取输入为A1和B1时的输出C1，即C1＝(A1×B1)T×R。A1即为逆变器的直流侧电压的实测数据对应的隶属度，B1即为逆变器的交流侧有功功率的实测数据对应的隶属度。C1即为光伏电站的逆变器故障诊断结果。
在一些具体实施例中，在对逆变器的直流侧电压的历史数据进行分析的步骤之前，还包括：对光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行ETL处理，以使后续步骤利用处理后的数据进行分析。ETL为Extract-Transform-Load的缩写，表示数据抽取、转换、装载的过程。具体可以采用kettle等工具对光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行ETL处理。
在一些具体实施例中，对于光伏电站中的直流侧电压和交流侧有功功率的历史数据和实测数据，都可以从过往新能源云中获取。
下面以湖北巴东县某光伏电站为例，介绍本发明提供的光伏电站故障监测方法：
第1步：构建光伏电站的信息物理模型。参见图2，示出了各测点编号之间的逻辑关系。组串即为光伏组串，
第2步：对直流侧电压和交流侧有功功率的历史数据进行ETL整理。进行ETL整理后直流侧电压如图3所示，表示PV_U TIME分钟的PV_U VALUE平均值的趋势。数据按照PV_UTIME进行筛选，形成从2019年1月1日5:00:00到2019年2月1日20:00:00的范围。视图按照测点编号PV_U POINT_ID进行筛选，保留3142、3303、3464和3625。ETL整理后交流侧发电功率(即有效功率)如图4所示，表示时间(天)的发电功率平均值的趋势。数据按时间进行筛选，形成从2019年1月1日5:00:00到2019年2月1日20:00:00的范围。视图按照测点编号进行筛选，保留3057、3218、3379和3540。
第3步：根据历史数据确定模糊集合A和B。图5和图6分别示出了直流侧电压分析图示和交流侧有功功率分析图示，横坐标表示时间。
根据模糊统计法，计算:
其中，ui为直流侧电压的历史数据中的第i个直流侧电压，n为直流侧电压的历史数据的总数。
其中，Ii为交流侧有功功率的历史数据中的第i个交流侧有功功率，n为交流侧有功功率的历史数据的总数。
第4步：计算模糊关系矩阵R。借助Labview语言，编程计算模糊关系矩阵R。
第5步：获得光伏电站并网在线自动告警结果。当输入A1＝(0.1,1,0.1,0.1)和B1＝(0.1,1,0.05,0.05)，获得C1＝(0,1,0,0)，判定逆变器2所在一次线路出现故障，图7示出了告警示意图。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
参见图8，为本实施例提供的一种光伏电站故障监测装置，该方法包括：
第一分析单元81，用于对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数。
第二分析单元82，用于对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数。
模糊关系矩阵单元83，用于采用Mamdani模糊算法对光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行分析，得到模糊关系矩阵。
第一隶属度单元84，用于根据第一模糊集合的隶属度函数，分别计算得到与光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度。
第二隶属度单元85，用于根据第二模糊集合的隶属度函数，分别计算得到与光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度。
故障诊断单元86，用于根据与光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度、与光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度以及模糊关系矩阵，得到光伏电站的逆变器故障诊断结果。
在一些具体实施例中，第一模糊集合的隶属度函数和第二模糊集合的隶属度函数的表示法，均为：Zadeh表示法。
在一些具体实施例中，第一模糊集合的隶属度函数和第二模糊集合的隶属度函数，均为：柯西型隶属度函数。
在一些具体实施例中，第一分析单元，具体用于采用模糊统计方法对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函所述第二分析单元，具体用于采用模糊统计方法对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数。
在一些具体实施例中，光伏电站故障监测装置，还包括：ETL处理单元，用于对光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行ETL处理。
本实施例提供一种光伏电站故障监测设备，如PC终端、云平台、服务器及服务器集群等。服务器可以是机架式服务器、刀片式服务器、塔式服务器以及机柜式服务器中的一种或几种。参见图9，光伏电站故障监测设备的硬件结构可以包括：至少一个处理器91，至少一个通信接口92，至少一个存储器93和至少一个通信总线94；且处理器91、通信接口92、存储器93通过通信总线94完成相互间的通信；
处理器91在一些实施例中可以是一个CPU(CentralProcessing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本发明实施例的一个或多个集成电路等。
通信接口92可以包括标准的有线接口、无线接口。通常用于在光伏电站故障监测设备与其他电子设备或系统之间建立通信连接。
存储器93包括至少一种类型的可读存储介质。可读存储介质可以为如闪存、硬盘、多媒体卡、卡型存储器等NVM(non-volatile memory，非易失性存储器)。可读存储介质还可以是高速RAM(randomaccess memory，随机存取存储器)存储器。可读存储介质在一些实施例中可以是光伏电站故障监测设备的内部存储单元，例如该光伏电站故障监测设备的硬盘。在另一些实施例中，可读存储介质还可以是光伏电站故障监测设备的外部存储设备，例如该光伏电站故障监测设备上配备的插接式硬盘、SMC(Smart Media Card,智能存储卡)、SD(Secure Digital,安全数字)卡，闪存卡(Flash Card)等。
其中，存储器93存储有计算机程序，处理器91可调用存储器93存储的计算机程序，所述计算机程序用于：
对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数；
对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数；
采用Mamdani模糊算法对所述光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行分析，得到模糊关系矩阵；
根据所述第一模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度；
根据所述第二模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度；
根据与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度、与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度以及所述模糊关系矩阵，得到光伏电站的逆变器故障诊断结果。
图9仅示出了具有组件91～94的光伏电站故障监测设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，该光伏电站故障监测设备还可以包括用户接口，用户接口可以包括输入单元(比如键盘)、语音输入装置(比如包含麦克风的具有语音识别功能的设备)和/或语音输出装置(比如音响、耳机等)。可选地，用户接口还可以包括标准的有线接口和/或无线接口。
可选地，该光伏电站故障监测设备还可以包括显示器，显示器也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)显示器等。显示器用于显示可视化的用户界面。
可选地，该光伏电站故障监测设备还包括触摸传感器。触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外，触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且，触摸传感器不仅包括接触式的触摸传感器，也可包括接近式的触摸传感器等。此外，触摸传感器可以为单个传感器，也可以为例如阵列布置的多个传感器。用户可以通过触摸触控区域输入身份识别信息或启动光伏电站故障监测程序。
此外，该光伏电站故障监测设备的显示器的面积可以与触摸传感器的面积相同，也可以不同。可选地，将显示器与触摸传感器层叠设置，以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。
该光伏电站故障监测设备还可以包括RF(Radio Frequency，射频)电路、传感器和音频电路等等，在此不再赘。
本发明实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数；
对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数；
采用Mamdani模糊算法对所述光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行分析，得到模糊关系矩阵；
根据所述第一模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度；
根据所述第二模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度；
根据与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度、与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度以及所述模糊关系矩阵，得到光伏电站的逆变器故障诊断结果。
所述程序的细化功能和扩展功能可参照上文描述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可，且本说明书中各实施例中记载的特征可以相互替换或者组合。
对本发明所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种光伏电站故障监测方法，其特征在于，包括：
对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数，所述第一模糊集合的隶属度函数为逆变器的直流侧电压与该逆变器直流侧连接的光伏组串开路或松脱的模糊关系；
对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数，所述第二模糊集合的隶属度函数为逆变器的交流侧有功功率与该逆变器直流侧连接的光伏组件老化或遮挡的模糊关系；
采用Mamdani模糊算法对所述光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行分析，得到模糊关系矩阵，所述模糊关系矩阵R＝(A×B)T×C；其中，(A×B)T表示由模糊关系矩阵(A×B)扩展成的列向量，C表示第三模糊集合对应的模糊关系矩阵，A为第一模糊集合、B为第二模糊集合，第三模糊集合的隶属度函数为逆变器的直流侧电压和交流侧有功功率与逆变器并网故障的模糊关系；
根据所述第一模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度；
根据所述第二模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度；
根据与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度、与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度以及所述模糊关系矩阵，得到光伏电站的逆变器故障诊断结果。
2.根据权利要求1所述的光伏电站故障监测方法，其特征在于，所述第一模糊集合的隶属度函数和所述第二模糊集合的隶属度函数的表示法，均为：
Zadeh表示法。
3.根据权利要求1所述的光伏电站故障监测方法，其特征在于，所述第一模糊集合的隶属度函数和所述第二模糊集合的隶属度函数，均为：
柯西型隶属度函数。
4.根据权利要求1所述的光伏电站故障监测方法，其特征在于，采用模糊统计方法对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数；
采用模糊统计方法对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数。
5.根据权利要求1～4中任意一项所述的光伏电站故障监测方法，其特征在于，在所述对逆变器的直流侧电压的历史数据进行分析的步骤之前，还包括：
对所述光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行ETL处理，以使后续步骤利用处理后的数据进行分析。
6.一种光伏电站故障监测装置，其特征在于，包括：
第一分析单元，用于对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数，所述第一模糊集合的隶属度函数为逆变器的直流侧电压与该逆变器直流侧连接的光伏组串开路或松脱的模糊关系；
第二分析单元，用于对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数，所述第二模糊集合的隶属度函数为逆变器的交流侧有功功率与该逆变器直流侧连接的光伏组件老化或遮挡的模糊关系；
模糊关系矩阵单元，用于采用Mamdani模糊算法对所述光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行分析，得到模糊关系矩阵，所述模糊关系矩阵R＝(A×B)T×C；其中，(A×B)T表示由模糊关系矩阵(A×B)扩展成的列向量，C表示第三模糊集合对应的模糊关系矩阵，A为第一模糊集合、B为第二模糊集合，第三模糊集合的隶属度函数为逆变器的直流侧电压和交流侧有功功率与逆变器并网故障的模糊关系；
第一隶属度单元，用于根据所述第一模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度；
第二隶属度单元，用于根据所述第二模糊集合的隶属度函数，分别计算得到与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度；
故障诊断单元，用于根据与所述光伏电站中每个所述逆变器的直流侧电压的实测数据对应的隶属度、与所述光伏电站中每个逆变器的交流侧有功功率的实测数据对应的隶属度以及所述模糊关系矩阵，得到光伏电站的逆变器故障诊断结果。
7.根据权利要求6所述的光伏电站故障监测装置，其特征在于，所述第一模糊集合的隶属度函数和所述第二模糊集合的隶属度函数的表示法，均为：
Zadeh表示法。
8.根据权利要求6所述的光伏电站故障监测装置，其特征在于，所述第一模糊集合的隶属度函数和所述第二模糊集合的隶属度函数，均为：
柯西型隶属度函数。
9.根据权利要求6所述的光伏电站故障监测装置，其特征在于，所述第一分析单元，具体用于：
采用模糊统计方法对逆变器的直流侧电压的历史数据进行分析，得到第一模糊集合的隶属度函数；
所述第二分析单元，具体用于：
采用模糊统计方法对逆变器的交流侧有功功率的历史数据进行分析，得到第二模糊集合的隶属度函数。
10.根据权利要求6～9中任意一项所述的光伏电站故障监测装置，还包括：
ETL处理单元，用于对所述光伏电站中的各个逆变器的直流侧电压和交流侧有功功率的历史数据进行ETL处理。
CN202011480654.0A 2020-12-15 2020-12-15 光伏电站故障监测方法及装置 Active CN112632762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011480654.0A CN112632762B (zh) 2020-12-15 2020-12-15 光伏电站故障监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011480654.0A CN112632762B (zh) 2020-12-15 2020-12-15 光伏电站故障监测方法及装置

Publications (2)

Publication Number Publication Date
CN112632762A CN112632762A (zh) 2021-04-09
CN112632762B true CN112632762B (zh) 2024-04-12

Family

ID=75313350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011480654.0A Active CN112632762B (zh) 2020-12-15 2020-12-15 光伏电站故障监测方法及装置

Country Status (1)

Country Link
CN (1) CN112632762B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113098390A (zh) * 2021-01-18 2021-07-09 国家电网有限公司 基于模糊数学的新能源并网自动告警及可视化方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133981A (zh) * 2014-06-25 2014-11-05 国家电网公司 一种基于模糊产生式规则知识库的光伏电站故障诊断方法
CN104504607A (zh) * 2014-09-04 2015-04-08 国家电网公司 一种基于模糊聚类算法的光伏电站故障诊断方法
WO2016089238A1 (en) * 2014-12-02 2016-06-09 Siemens Aktiengesellschaft Monitoring of a device having a movable part
CN107705054A (zh) * 2017-11-23 2018-02-16 国网山东省电力公司电力科学研究院 满足复杂数据的新能源并网发电远程测试诊断平台及方法
CN110336534A (zh) * 2019-07-15 2019-10-15 龙源（北京）太阳能技术有限公司 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133981A (zh) * 2014-06-25 2014-11-05 国家电网公司 一种基于模糊产生式规则知识库的光伏电站故障诊断方法
CN104504607A (zh) * 2014-09-04 2015-04-08 国家电网公司 一种基于模糊聚类算法的光伏电站故障诊断方法
WO2016089238A1 (en) * 2014-12-02 2016-06-09 Siemens Aktiengesellschaft Monitoring of a device having a movable part
CN107705054A (zh) * 2017-11-23 2018-02-16 国网山东省电力公司电力科学研究院 满足复杂数据的新能源并网发电远程测试诊断平台及方法
CN110336534A (zh) * 2019-07-15 2019-10-15 龙源（北京）太阳能技术有限公司 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模糊控制与扩张状态观测器的VSG电压治理策略;张伟;曹良;崔健;吕志鹏;;供用电(第12期);全文 *

Also Published As

Publication number Publication date
CN112632762A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
Dhimish et al. Comparing Mamdani Sugeno fuzzy logic and RBF ANN network for PV fault detection
Schirmer et al. Non-intrusive load monitoring: A review
Dhimish et al. Simultaneous fault detection algorithm for grid‐connected photovoltaic plants
Moravej et al. Detection and classification of power quality disturbances using wavelet transform and support vector machines
Zhang et al. Time series anomaly detection for smart grids: A survey
EP2528103A1 (en) Evaluation method for solar power generation system, evaluation device, and evaluation program
Li et al. Online dynamic security assessment of wind integrated power system using SDAE with SVM ensemble boosting learner
Abubakar et al. Review of artificial intelligence-based failure detection and diagnosis methods for solar photovoltaic systems
US20120065936A1 (en) Systems and Methods for Identifying Faulty Sensors Within a Power Generation System
CN105141255A (zh) 一种光伏阵列故障诊断方法
Mohammadi et al. Detection and classification of multiple power quality disturbances based on temporal deep learning
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
CN112632762B (zh) 光伏电站故障监测方法及装置
Chakravorti et al. Advanced signal processing techniques for multiclass disturbance detection and classification in microgrids
Singh et al. Feature extraction and classification techniques for power quality disturbances in distributed generation: A review
Hu et al. Short‐term load forecasting utilizing wavelet transform and time series considering accuracy feedback
Jandan et al. Recognition and classification of power quality disturbances by DWT-MRA and SVM classifier
JP6634333B2 (ja) 分析装置、分析方法、およびプログラム
Khokhar et al. Automatic pattern recognition of single and multiple power quality disturbances
Roselyn et al. Development and real time implementation of intelligent holistic power control for stand alone solar photovoltaic generation system
CN116540827A (zh) 一种光伏发电最大功率点跟踪方法、装置及电子设备
Hussain et al. Islanding detection and classification of non-islanding disturbance in multi-distributed generation power system using deep neural networks
Wei et al. Using a model structure selection technique to forecast short-term wind speed for a wind power plant in North China
CN115293265A (zh) 楼宇用电非入侵式监测方法及其系统
Sharma et al. Probabilistic solar power forecasting: long short-term memory network vs simpler approaches

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210427

Address after: Room 8018, 8 / F, building 7, Guangyi street, Xicheng District, Beijing 100053

Applicant after: STATE GRID ELECTRONIC COMMERCE Co.,Ltd.

Applicant after: STATE GRID CORPORATION OF CHINA

Applicant after: STATE GRID TIANJIN ELECTRIC POWER Co.

Address before: Room 8018, 8 / F, building 7, Guangyi street, Xicheng District, Beijing 100053

Applicant before: STATE GRID ELECTRONIC COMMERCE Co.,Ltd.

Applicant before: STATE GRID CORPORATION OF CHINA

GR01 Patent grant
GR01 Patent grant