CN118040910A - 一种偏远地区的微电网储能异常状态在线监测方法 - Google Patents
一种偏远地区的微电网储能异常状态在线监测方法 Download PDFInfo
- Publication number
- CN118040910A CN118040910A CN202410437456.8A CN202410437456A CN118040910A CN 118040910 A CN118040910 A CN 118040910A CN 202410437456 A CN202410437456 A CN 202410437456A CN 118040910 A CN118040910 A CN 118040910A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- photovoltaic
- data
- value
- calculating
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 320
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000005856 abnormality Effects 0.000 claims abstract description 38
- 230000001360 synchronised effect Effects 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000006872 improvement Effects 0.000 claims abstract description 10
- 238000013500 data storage Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 88
- 238000010248 power generation Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明涉及异常状态在线监测技术领域,具体涉及一种偏远地区的微电网储能异常状态在线监测方法,该方法包括:采集光伏数据和储能数据;获取各采集时刻的光伏邻近偏离因子;进而获取的各采集时刻之间的光伏时刻对比价值;计算光伏状态决策指数,进而获取偏差得分和每种储能数据的偏差得分序列;计算同步关联系数;进而计算储能因素占比强度;获取的修正储能异常指数;根据修正储能异常指数获取偏远地区微电网储能系统中各采集时刻的改进INFLO分数,根据改进INFLO分数对偏远地区微电网储能异常状态进行监测。本发明自适应避免储能异常采集数据点和正常储能放电数据点无法区分的问题,提高异常检测算法的精度。
Description
技术领域
本申请涉及异常状态在线监测技术领域,具体涉及一种偏远地区的微电网储能异常状态在线监测方法。
背景技术
偏远地区往往因为地理位置偏远、地形复杂,传统的电网覆盖难以达到,与之配套的微电网则扮演越来越重要的角色,同时偏远农村通常光伏发电资源较为丰富,但其出力具有很高的随机性、波动性,大规模的接入对偏远农村的安全稳定运行具有极大的挑战性,配置一定容量的储能,可以有效抑制可再生能源发电的波动性,进而减少可再生能源对于电网的冲击,提高可再生能源的利用效率,对偏远地区微电网储能异常状态的检测是确保电力补充和供应的稳定性、提高可再生能源利用率的重要措施。
传统的偏远地区微电网储能异常状态检测,如基于规则的异常状态检测,响应速度快、易于维护,但是现在光伏发电接入点数目持续上升,导致微电网储能系统运行特性复杂多变,对于未知或罕见的异常情况时,预设的规则可能无法进行有效识别;异常检测算法如INFLO算法能够根据微电网储能系统的数据进行异常检测,无需预先设定规则,但仅通过数据数值大小的密度来进行异常检测,对微电网储能系统中各时刻数据之间的特征感知能力差,存在储能异常状态和正常储能数据波动无法区分的问题。
发明内容
为了解决上述技术问题,本发明提供一种偏远地区的微电网储能异常状态在线监测方法,以解决现有的问题。
本发明的一种偏远地区的微电网储能异常状态在线监测方法采用如下技术方案:
本发明一个实施例提供了一种偏远地区的微电网储能异常状态在线监测方法,该方法包括以下步骤:
采集偏远地区微电网储能系统的光伏数据和储能数据;
根据光伏数据构建光伏数据向量,根据光伏数据向量获取各光伏状态类,根据光伏状态类获取各采集时刻的同类邻近时刻;根据光伏数据向量之间的余弦相似度获取各光伏状态类在各采集时刻的光伏邻近偏离因子;根据各光伏状态类中采集时刻的差异获取各光伏状态类的各采集时刻之间的光伏时刻对比价值;根据光伏邻近偏离因子、光伏时刻对比价值和光伏数据向量的局部密度获取各光伏状态类在各采集时刻的光伏状态决策指数;根据储能数据在各光伏状态类中的光伏状态决策指数之间的关系获取偏差得分和每种储能数据的偏差得分序列;根据偏差得分序列中元素之间的一阶差分值获取任意两种储能数据的偏差得分序列之间的同步关联系数;根据同步关联系数获取每种储能数据的储能因素占比强度,根据偏远地区微电网的历史数据库获取各储能系统发电历史时刻的历史发电向量;根据储能因素占比强度和储能数据的偏差得分获取偏远地区微电网储能系统在各采集时刻的修正储能异常指数;
根据修正储能异常指数获取偏远地区微电网储能系统中各采集时刻的改进INFLO分数,根据改进INFLO分数对偏远地区微电网储能异常状态进行监测。
进一步,所述根据光伏数据构建光伏数据向量,根据光伏数据向量获取各光伏状态类,根据光伏状态类获取各采集时刻的同类邻近时刻,包括:
对于各采集时刻,将距离采集时刻最近的预设个数的其他采集时刻作为各采集时刻的邻近时刻;
将各采集时刻的光伏数据按照光照强度、温度、光伏电压和逆变器效率的顺序组成各采集时刻的光伏数据向量,将光伏数据向量中的各数据元素作为各维度,将光伏数据向量投影到四维数据空间中,获取各光伏数据向量的数据点,将所有所述数据点组成的集合作为光伏数据集合;
将光伏数据集合作为密度峰值DPC聚类算法的输入,所述密度峰值DPC聚类算法的输出为各聚类簇和各数据点对应的光伏数据向量的局部密度,将各聚类簇作为各光伏状态类;
将与各采集时刻在同一光伏状态类的邻近时刻作为各采集时刻的同类邻近时刻。
进一步,所述根据光伏数据向量之间的余弦相似度获取各光伏状态类在各采集时刻的光伏邻近偏离因子,包括:
对于各光伏状态类的各采集时刻,计算采集时刻的光伏数据向量与采集时刻的各同类邻近时刻的光伏数据向量之间的余弦相似度,计算所述余弦相似度与预设调整因子的和值的倒数,计算光伏状态类中所有所述倒数的和值;
计算以自然常数为底、以采集时刻的同类邻近时刻的个数的负值为指数的指数函数的计算结果,将所述计算结果与所述和值的乘积作为各光伏状态类的各采集时刻的光伏邻近偏离因子。
进一步,所述根据各光伏状态类中采集时刻的差异获取各光伏状态类的各采集时刻之间的光伏时刻对比价值,包括:
对于各光伏状态类,计算光伏状态类中的所有光伏数据向量的采集时刻的均值作为各光伏状态类的采集均值,计算光伏状态类中所有采集时刻与光伏状态类的采集均值之间差值绝对值的均值作为各光伏状态类的采集时刻距离阈值;
光伏时刻对比价值的表达式为:
式中,是光伏状态类k中采集时刻x、b之间的光伏时刻对比价值,/>为采集时刻x的时刻值,/>为是采集时刻b的时刻值,/>是光伏状态类k的采集时刻距离阈值;e为自然常数。
进一步,所述根据光伏邻近偏离因子、光伏时刻对比价值和光伏数据向量的局部密度获取各光伏状态类在各采集时刻的光伏状态决策指数,包括:
对于各光伏状态类,计算采集时刻x的光伏数据向量的局部密度与采集时刻b的光伏数据向量的局部密度之间的差值,计算采集时刻x的光伏邻近偏离因子与采集时刻b的光伏邻近偏离因子的差值绝对值,计算所述差值绝对值与预设调整因子的和值,计算所述差值与所述和值的比值;
计算采集时刻x与采集时刻b之间的光伏时刻对比价值与所述比值的乘积,将光伏状态类中所有所述乘积的和值作为光伏状态类在采集时刻x的光伏状态决策指数。
进一步,所述获取偏差得分和每种储能数据的偏差得分序列,包括:
对于各光伏状态类,将光伏状态类中所有采集时刻的光伏状态决策指数作为大津法的输入,所述大津法的输出为最佳分割阈值,将光伏状态决策指数大于最佳分割阈值的所有采集时刻作为各光伏状态类的光伏状态代表时刻;
对于每种储能数据,计算光伏状态代表时刻与相邻下一时刻的储能数据之间的差值作为每种储能数据在各光伏状态代表时刻的代表趋势值,将光伏状态类中所有光伏状态代表时刻的代表趋势值的均值作为每种储能数据在光伏状态类中的光伏评估趋势值;计算各采集时刻与下一相邻采集时刻的储能数据之间的差值作为每种储能数据在各采集时刻的储能趋势值;计算储能数据在各光伏状态类中的各采集时刻的储能趋势值与各光伏状态类的光伏评估趋势值的差值绝对值,作为每种储能数据在各采集时刻的趋势偏差值;
将各采集时刻的所有种类的储能数据趋势偏差值排列组成的向量作为各采集时刻的趋势偏差向量,将各采集时刻的趋势偏差向量按照采集时刻的顺序作为趋势偏差矩阵的行向量构建趋势偏差矩阵;
将趋势偏差矩阵中的各列数据分别作为TOPSIS算法的输入,输出趋势偏差矩阵中各个数据元素的评价得分,使用线性归一化函数对所有数据元素的评价得分进行归一化处理,将归一化后的评价得分作为偏差得分;
对于每种储能数据,将各采集时刻的储能数据的偏差得分,按照采集时刻的先后顺序组成序列,记为每种储能数据的偏差得分序列。
进一步,所述获取任意两种储能数据的偏差得分序列之间在各采集时刻的同步差分振幅,根据同步差分振幅和偏差得分序列中元素之间的一阶差分值获取任意两种储能数据的偏差得分序列之间的同步关联系数,包括:
对于每种储能数据,计算储能数据的偏差得分序列中在各采集时刻与后一相邻采集时刻的偏差得分之间的一阶差分值作为每种储能数据在各采集时刻的一阶差分值;
对于各采集时刻,获取采集时刻任意两种储能数据的一阶差分值之间的最大值的负值,计算以自然常数为底、以所述负值为指数的指数函数的计算结果,将数字1与所述计算结果之间的差值作为各采集时刻任意两种储能数据之间的同步差分振幅;
计算各采集时刻任意两种储能数据的一阶差分值之间的差值绝对值,计算所述差值绝对值与预设调整因子的和值,计算所述同步差分振幅与所述和值的比值,将任意两种储能数据的偏差得分序列之间的所有所述比值的均值作为任意两种储能数据的偏差得分序列之间的同步关联系数。
进一步,所述根据同步关联系数获取每种储能数据的储能因素占比强度,根据偏远地区微电网的历史数据库获取各储能系统发电历史时刻的历史发电向量,包括:
计算第c种储能数据与所有其他各种储能数据之间的同步关联系数的和值作为第一和值,计算所有任意两种储能数据之间的同步关联系数的和值与预设调整因子的求和结果,计算所述第一和值与所述求和结果的比值作为第c种储能数据的储能因素占比强度;
从偏远地区微电网的历史数据库中获取预设个数的储能系统发电历史时刻的光伏数据和储能数据,将各储能系统发电历史时刻的光伏数据和储能数据组成的向量作为各储能系统发电历史时刻的历史发电向量。
进一步,所述获取偏远地区微电网储能系统在各采集时刻的修正储能异常指数,包括:
将各采集时刻获取的光伏数据和储能数据组成的向量作为各采集时刻的采集数据向量;
对于每种储能数据,获取储能数据的偏差得分序列第y个采集时刻的向后连续预设个数的采集时刻中,偏差得分大于第y个采集时刻的偏差得分的个数,计算所述个数与第y个采集时刻与其向后连续预设个数的采集时刻的总个数的比值作为第y个采集时刻的偏差增势比例因子;
计算第c种储能数据中偏差得分的最大值与第c种储能数据在第y个采集时刻的储能数据的偏差得分的差值,计算所述差值与预设调整因子的和值,计算所述偏差增势比例因子与所述和值的比值,计算第c种储能数据的储能因素占比强度与所述比值的乘积,计算所有种类的储能数据的所述乘积的和值作为第二和值;
计算第y个采集时刻的采集数据向量与所有其他各储能系统发电历史时刻的历史发电向量之间的DTW距离的和值作为第三和值,计算所述第三和值与预设调整因子的和值作为第四和值,将所述第二和值与所述第四和值的比值的归一化值作为偏远地区微电网储能系统在第y个采集时刻的修正储能异常指数。
进一步,所述获取偏远地区微电网储能系统中各采集时刻的改进INFLO分数,根据改进INFLO分数对偏远地区微电网储能异常状态进行监测,包括:
将每种储能数据都作为一个维度,构建多维特征空间,将各个采集时刻的储能数据映射到多维特征空间中获取各储能数据点;
将所有储能数据点作为INFLO异常检测算法的输入,所述INFLO异常检测算法的输出为各储能数据点的原始INFLO分数;
计算各采集时刻的修正储能异常指数与数字1的和值,计算所述和值与各采集时刻的储能数据点的原始INFLO分数的乘积的归一化值作为偏远地区微电网储能系统中各采集时刻的储能数据的改进INFLO分数;
将改进INFLO分数大于预设阈值的采集时刻作为储能异常点,当连续出现预设个数储能异常点时,则偏远地区微电网储能状态异常;反之偏远地区微电网储能状态正常。
本发明至少具有如下有益效果:
本申请涉及一种偏远地区的微电网储能异常状态在线监测方法:基于偏远地区微电网储能系统中光伏数据之间的邻近稳态特征,结合DPC聚类算法,获取各个光伏状态类中所有采集时刻的光伏状态决策指数,反应采集时刻对于光伏状态类的代表显著特征,其有益效果在于综合考虑光伏状态类中不同采集时刻的对比价值,解决光伏状态类中的两个采集时刻距离较远,对应的光伏数据向量自身就具有较大差异的问题,采用高光伏状态决策指数的采集时刻代替整个光伏状态类,有效的提供算法速度,适应于偏远地区微电网储能的实时特性;基于偏远地区微电网储能系统中储能趋势和光伏趋势具有高度统一性,结合TOPSIS算法,构建储能系统所有采集时刻的修正储能异常指数,改进INFLO异常检测算法,其有益效果在于结合偏远地区微电网储能出现异常状态的特征,自适应避免储能异常采集数据点和正常储能放电数据点无法区分的问题,提高异常检测算法的精度,确保微电网储能电力补充和供应的稳定性,提升可再生能源的利用率。
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和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其它附图。
图1为本发明提供的一种偏远地区的微电网储能异常状态在线监测方法的流程图;
图2为微电网结构示意图;
图3为偏差得分序列的MATLAB示意图;
图4为三维特征空间映射示意图;
图5为改进INFLO分数获取流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种偏远地区的微电网储能异常状态在线监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种偏远地区的微电网储能异常状态在线监测方法的具体方案。
本发明一个实施例提供的一种偏远地区的微电网储能异常状态在线监测方法,具体的,提供了如下的一种偏远地区的微电网储能异常状态在线监测方法,请参阅图1,该方法包括以下步骤:
步骤S001,通过相关传感器和能量管理系统采集光伏数据和储能数据,并进行预处理。
对于偏远地区微电网储能系统,本实施例对光伏设备样点进行光伏数据采集,具体为分别利用光敏传感器、温度传感器和光伏电站监控系统采集光伏设备样点的光照强度、温度、光伏电压、逆变器效率,其中光伏设备样点为屋顶光伏设备,具体选取可由实施者根据实际情况进行确定;对微电网储能系统进行储能数据采集,具体为利用能量管理系统对储能系统的荷电状态SOC(State of Charge)值、储能电压、储能温度进行采集。本实施例相邻两次采集间隔为1s,采集周期为30min。
同时为了避免采集过程中传输干扰等因素的影响,将所有采集数据都分别作为输入,采用拉格朗日多项式插值法对缺失值进行填充,采用Z-Score归一化对填充后的采集数据进行归一化处理,其中拉格朗日多项式插值法和Z-Score归一化均为公知技术,具体过程不再赘述。
步骤S002,基于偏远地区微电网储能系统中光伏数据之间的邻近稳态特征,获取各个光伏状态类中所有采集时刻的光伏状态决策指数;基于偏远地区微电网储能系统中储能趋势和光伏趋势具有高度统一性,构建储能系统所有采集时刻的修正储能异常指数。
在偏远地区微电网储能系统中,微电网结构如图2所示,由屋顶光伏设备作为主要供电来源,将多余的电力储存在微电网储能系统,即微电网储能系统中的储能过程,当微电网储能系统储能数据达到一定值,进行微电网储能放电,维护储能系统的健康状态,防止电池过冲和深度放电,或者电力需求超过光伏发电的供应,即微电网储能系统中的放电过程。本实施例中,光伏数据的变化直接影响到微电网储能系统的储能数据,比如当偏远地区的光照强度越高,屋顶光伏设备接受到的太阳能越多,将越多的太阳能转换为电能,微电网储能系统中的荷电状态SOC的上升趋势越大。
本实施例以第t个采集时刻为例,获取距离采集时刻t最近的n个采集时刻,n本实施例取10,将n个最近采集时刻都记为采集时刻t的邻近时刻。
进一步的,将各采集时刻的光伏数据按照光照强度、温度、光伏电压和逆变器效率的顺序组成光伏数据向量,其中光伏数据具体为光照强度、温度、光伏电压、逆变器效率,将光伏数据向量中的一个数据元素作为一个维度,将每个时刻的光伏数据向量投影到一个4维的数据空间。
进一步的,将各采集时刻光伏数据向量投影得到的数据点,记为光伏数据集合,将光伏数据集合作为密度峰值DPC聚类算法的输入,采用交叉验证法获取密度峰值DPC聚类算法的截断距离,输出为各个聚类簇和各数据点对应的光伏数据向量对应的局部密度,其中每个聚类簇中的光伏数据向量对应的光伏状态被认为是一致的,将每个聚类簇都记为光伏状态类,密度峰值DPC聚类算法和交叉验证法为公知技术,具体过程不再赘述。
进一步的,计算各个光伏状态类中的所有光伏数据向量对应的采集时刻的均值,记为各个光伏状态类的采集均值,并计算各个光伏状态类中所有采集时刻与对应采集均值之间差值绝对值的均值,记为各个光伏状态类的采集时刻距离阈值。
基于上述分析,可得光伏状态类k中采集时刻x的光伏状态决策指数:
式中,是光伏状态类k中采集时刻x的光伏邻近偏离因子,/>是光伏状态类k中采集时刻x的同类邻近时刻的总数,计算方法为,统计采集时刻x所在的光伏状态类中,采集时刻x的邻近时刻的个数,/>分别是采集时刻x、同类邻近时刻a的光伏数据向量,/>是余弦相似度函数,/>是计算两个光伏数据向量之间的余弦相似度,/>是调整因子,作用是为了防止分母为0,本实施例取0.01;e是自然常数。
当同类邻近时刻总数越少,即越大,说明光伏状态类中采集时刻x的邻近时刻越少,越无法体现采集x的邻近光伏数据特征,同时当采集时刻与同类邻近时刻的光伏数据向量差异越大,即/>越小,/>越大,说明采集时刻x在光伏状态类中的邻近稳态特征越低,越可能是光伏数据中的偏离点,/>越大。
是光伏状态类k中采集时刻x、b之间的光伏时刻对比价值,/>分别是采集时刻x、b的时刻值,/>是光伏状态类k的采集时刻距离阈值。
当采集时刻距离大于采集时刻距离阈值,即,说明两个采集时刻相距越大,对应的光伏数据之间的影响程度越低,即/>越小,对比价值也越低;当采集时刻距离小于等于采集时刻距离阈值,即/>,说明两个采集时刻相距越小,对应的光伏数据之间的影响程度越大,具有高对比价值。
是光伏状态类k中采集时刻x的光伏状态决策指数,其中/>,/>是光伏状态类k中的所有采集时刻且不包括采集时刻x的总个数,/>分别是光伏状态类k中采集时刻x、b的局部密度。
当采集时刻对应的光伏数据向量在光伏状态类中的光伏邻近偏离因子相对越小、局部密度相对越大,即越大,说明采集时刻在光伏状态类中越可能具有一段连续平稳的光伏时间、光伏数据向量越能代表整个光伏状态类的光伏数据特征;同时当光伏时刻对比价值越大,即/>越大,越能排除光伏状态类中的两个采集时刻距离较远,对应的光伏数据向量自身就具有较大差异的问题。
至此,可得每个光伏状态类中所有采集时刻的光伏状态决策指数,该值越大,越能代表整个光伏状态类。偏远地区的微电网配置通常进行统一配置,具有硬件配置高度相似性,同时微电网中的储能系统通常依赖于光伏发电设备产生的电能,储能系统的设计是为了在光伏发电过剩时储存能量,则储能系统的产生储能趋势和光伏趋势具有高度统一性。
对于各光伏状态类,将光伏状态类中所有采集时刻的光伏状态决策指数作为大津法的输入,所述大津法的输出为最佳分割阈值,将光伏状态决策指数大于最佳分割阈值的所有采集时刻作为各光伏状态类的光伏状态代表时刻。
对于每种储能数据,计算光伏状态代表时刻与相邻下一时刻的储能数据之间的差值作为每种储能数据在各光伏状态代表时刻的代表趋势值,将光伏状态类中所有光伏状态代表时刻的代表趋势值的均值作为每种储能数据在光伏状态类中的光伏评估趋势值;进一步的,计算各采集时刻与下一相邻采集时刻的储能数据之间的差值作为每种储能数据在各采集时刻的储能趋势值;计算储能数据在各光伏状态类中的各采集时刻的储能趋势值与各光伏状态类的光伏评估趋势值的差值绝对值,作为每种储能数据在各采集时刻的趋势偏差值。
将各采集时刻的所有种类的储能数据趋势偏差值排列组成的向量作为各采集时刻的趋势偏差向量,将各采集时刻的趋势偏差向量按照采集时刻的顺序作为趋势偏差矩阵的行向量构建趋势偏差矩阵。
进一步的,将趋势偏差矩阵中的各列数据分别作为TOPSIS算法的输入,输出趋势偏差矩阵中各个数据元素的评价得分,并采用线性归一化函数对所有数据元素的评价得分进行归一化处理,将归一化后的评价得分记为偏差得分,偏差得分的值越大,偏差得分的数据元素对应采集时刻的光伏评估趋势值与储能趋势值差异越大,采集时刻的储能数据越可能异常,其中TOPSIS算法和线性归一化函数为公知技术,具体过程不再赘述。
对于每种储能数据,将各采集时刻的储能数据的偏差得分,按照采集时刻的先后顺序组成序列,记为每种储能数据的偏差得分序列,如图3所示。
进一步的,从偏远地区微电网的历史数据库中获取M个储能系统发电历史时刻的光伏数据和储能数据,将各储能系统发电历史时刻的光伏数据和储能数据组成的向量作为各储能系统发电历史时刻的历史发电向量,本实施例中M取100。
基于上述分析,可得偏远地区微电网储能系统中第y个采集时刻的修正储能异常指数:
式中,是第c种储能数据和第d种储能数据的偏差得分序列在采集时刻z的同步差分振幅,/>是第c种储能数据的偏差得分序列在采集时刻z与采集时刻z+1之间的偏差得分的一阶差分值,/>是第d种储能数据的偏差得分序列在采集时刻z与采集时刻z+1之间的偏差得分的一阶差分值,/>是以自然常数e为底的指数函数。其中一阶差分值的计算方法为公知技术,在此不做赘述。
当采集时刻之间的偏差得分的一阶差分值最大值越大,即越大,越大,说明采集时刻z越具有显著变化特征,微电网储能系统在采集时刻z的变化特征越明显,/>越大。
是第c种储能数据和第d种储能数据的偏差得分序列之间的同步关联系数,/>是采集时刻的总个数;/>为调整因子,作用是为了防止分母为0,本实施例取0.01。
当同步差分振幅越大,即越大,说明越应该在进行储能数据同步关联系数计算时给予更大的权重,同时当相同采集时刻不同储能数据偏差得分的一阶差分值越接近,即/>越小,/>越大,说明第c种储能数据和第d种储能数据在微电网储能系统中越具有同步变化趋势越相似,/>越大。
是第c种储能数据的储能因素占比强度,/>是储能数据的种类。
当第c种储能数据与其它储能数据之间的同步关联系数都越大,即越大,说明第c种储能数据越能表示整个微电网储能系统的工作状态,/>越大。
是偏远地区微电网储能系统中采集时刻y的修正储能异常指数,/>是第c种储能数据中采集时刻y的偏差增势比例因子,计算方式为:获取第c种储能数据的偏差得分序列中采集时刻y后续相邻g个采集时刻,g本实施例取10,并统计偏差得分大于采集时刻y的比例,记为偏差增势比例因子,/>是第c种储能数据在采集时刻y的储能数据的偏差得分,是第c种储能数据中最大偏差得分值,/>是采集时刻y的采集数据向量,/>是第m个储能系统发电历史时刻的历史发电向量,/>是计算采集数据向量和历史发电向量之间的DTW距离,/>是归一化函数。其中,采集数据向量为采集时刻获取的光伏数据和储能数据组成的向量。
当储能因素占比强度越大、偏差得分越最大值越接近、偏差增势比例因子越大,即越大、/>越小、/>越大,说明第c种储能数据越能体现整个微电网储能系统的工作状态、微电网储能系统中根据光伏条件获取的光伏评估趋势值与实际储能趋势值差异越大,且后续受到影响的采集时刻个数越多,采集时刻y越可能是微电网储能系统的异常数据点;同时当采集时刻与储能系统历史发电向量的数据差异越小,即/>越小,说明数据异常越不可能是由于微电网储能系统放电引起的,越可能是微电网储能状态出现异常导致的,/>越大。
步骤S003,获取偏远地区微电网储能系统中各个采集时刻的修正储能异常指数,改进INFLO异常检测算法,提高异常检测算法的精度。
根据上述步骤,可得偏远地区微电网储能系统中各个采集时刻的修正储能异常指数。进一步的,将微电网储能系统的每种储能数据都作为一个维度,构建三维特征空间,将各个采集时刻的储能数据映射到三维特征空间中获取各储能数据点,如图4所示。
进一步的,根据所有储能数据点对应采集时刻的修正储能异常指数改进INFLO异常检测算法。具体为将三维特征空间上的所有储能数据点作为INFLO异常检测算法的输入,采用交叉验证法获取邻居数量,所述INFLO异常检测算法的输出为各储能数据点的原始INFLO分数,其中,INFLO异常检测算法和交叉验证法为公知技术,具体过程不再赘述。
获取改进改进INFLO分数,公式为:
是偏远地区微电网储能系统中采集时刻y的储能数据的改进INFLO分数,/>偏远地区微电网储能系统中采集时刻y的修正储能异常指数,/>使用传统INFLO异常检测算法获取的采集时刻y的储能数据的原始INFLO分数;/>为归一化函数。
当修正储能异常指数越大,即越大,说明从偏远地区微电网储能系统的采集时刻数据之间的特征感知而言,越有可能是储能系统处于异常状态,导致光伏条件获取的光伏评估趋势值与实际储能趋势值具有高差异,同时INFLO异常检测算法获取的INFLO分数越高,即/>越大,越综合说明采集时刻y是偏远地区微电网储能系统中的异常时刻,此时越有可能处于微电网储能异常状态。改进INFLO分数获取流程图如图5所示。
本实施例设置一个阈值,本实施例取0.7,将的改进INFLO分数大于阈值/>的采集时刻判定为储能异常点,如果存在连续5个采集时刻属于储能异常点,则此时说明不是噪声点引起的异常,属于偏远地区微电网储能异常状态。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种偏远地区的微电网储能异常状态在线监测方法,其特征在于,该方法包括以下步骤:
采集偏远地区微电网储能系统的光伏数据和储能数据;
根据光伏数据构建光伏数据向量,根据光伏数据向量获取各光伏状态类,根据光伏状态类获取各采集时刻的同类邻近时刻;根据光伏数据向量之间的余弦相似度获取各光伏状态类在各采集时刻的光伏邻近偏离因子;根据各光伏状态类中采集时刻的差异获取各光伏状态类的各采集时刻之间的光伏时刻对比价值;根据光伏邻近偏离因子、光伏时刻对比价值和光伏数据向量的局部密度获取各光伏状态类在各采集时刻的光伏状态决策指数;根据储能数据在各光伏状态类中的光伏状态决策指数之间的关系获取偏差得分和每种储能数据的偏差得分序列;根据偏差得分序列中元素之间的一阶差分值获取任意两种储能数据的偏差得分序列之间的同步关联系数;根据同步关联系数获取每种储能数据的储能因素占比强度,根据偏远地区微电网的历史数据库获取各储能系统发电历史时刻的历史发电向量;根据储能因素占比强度和储能数据的偏差得分获取偏远地区微电网储能系统在各采集时刻的修正储能异常指数;
根据修正储能异常指数获取偏远地区微电网储能系统中各采集时刻的改进INFLO分数,根据改进INFLO分数对偏远地区微电网储能异常状态进行监测。
2.如权利要求1所述的一种偏远地区的微电网储能异常状态在线监测方法,其特征在于,所述根据光伏数据构建光伏数据向量,根据光伏数据向量获取各光伏状态类,根据光伏状态类获取各采集时刻的同类邻近时刻,包括:
对于各采集时刻,将距离采集时刻最近的预设个数的其他采集时刻作为各采集时刻的邻近时刻;
将各采集时刻的光伏数据按照光照强度、温度、光伏电压和逆变器效率的顺序组成各采集时刻的光伏数据向量,将光伏数据向量中的各数据元素作为各维度,将光伏数据向量投影到四维数据空间中,获取各光伏数据向量的数据点,将所有所述数据点组成的集合作为光伏数据集合;
将光伏数据集合作为密度峰值DPC聚类算法的输入,所述密度峰值DPC聚类算法的输出为各聚类簇和各数据点对应的光伏数据向量的局部密度,将各聚类簇作为各光伏状态类;
将与各采集时刻在同一光伏状态类的邻近时刻作为各采集时刻的同类邻近时刻。
3.如权利要求1所述的一种偏远地区的微电网储能异常状态在线监测方法,其特征在于,所述根据光伏数据向量之间的余弦相似度获取各光伏状态类在各采集时刻的光伏邻近偏离因子,包括:
对于各光伏状态类的各采集时刻,计算采集时刻的光伏数据向量与采集时刻的各同类邻近时刻的光伏数据向量之间的余弦相似度,计算所述余弦相似度与预设调整因子的和值的倒数,计算光伏状态类中所有所述倒数的和值;
计算以自然常数为底、以采集时刻的同类邻近时刻的个数的负值为指数的指数函数的计算结果,将所述计算结果与所述和值的乘积作为各光伏状态类的各采集时刻的光伏邻近偏离因子。
4.如权利要求1所述的一种偏远地区的微电网储能异常状态在线监测方法,其特征在于,所述根据各光伏状态类中采集时刻的差异获取各光伏状态类的各采集时刻之间的光伏时刻对比价值,包括:
对于各光伏状态类,计算光伏状态类中的所有光伏数据向量的采集时刻的均值作为各光伏状态类的采集均值,计算光伏状态类中所有采集时刻与光伏状态类的采集均值之间差值绝对值的均值作为各光伏状态类的采集时刻距离阈值;
光伏时刻对比价值的表达式为:
式中,是光伏状态类k中采集时刻x、b之间的光伏时刻对比价值,/>为采集时刻x的时刻值,/>为是采集时刻b的时刻值,/>是光伏状态类k的采集时刻距离阈值;e为自然常数。
5.如权利要求2所述的一种偏远地区的微电网储能异常状态在线监测方法,其特征在于,所述根据光伏邻近偏离因子、光伏时刻对比价值和光伏数据向量的局部密度获取各光伏状态类在各采集时刻的光伏状态决策指数,包括:
对于各光伏状态类,计算采集时刻x的光伏数据向量的局部密度与采集时刻b的光伏数据向量的局部密度之间的差值,计算采集时刻x的光伏邻近偏离因子与采集时刻b的光伏邻近偏离因子的差值绝对值,计算所述差值绝对值与预设调整因子的和值,计算所述差值与所述和值的比值;
计算采集时刻x与采集时刻b之间的光伏时刻对比价值与所述比值的乘积,将光伏状态类中所有所述乘积的和值作为光伏状态类在采集时刻x的光伏状态决策指数。
6.如权利要求1所述的一种偏远地区的微电网储能异常状态在线监测方法,其特征在于,所述获取偏差得分和每种储能数据的偏差得分序列,包括:
对于各光伏状态类,将光伏状态类中所有采集时刻的光伏状态决策指数作为大津法的输入,所述大津法的输出为最佳分割阈值,将光伏状态决策指数大于最佳分割阈值的所有采集时刻作为各光伏状态类的光伏状态代表时刻;
对于每种储能数据,计算光伏状态代表时刻与相邻下一时刻的储能数据之间的差值作为每种储能数据在各光伏状态代表时刻的代表趋势值,将光伏状态类中所有光伏状态代表时刻的代表趋势值的均值作为每种储能数据在光伏状态类中的光伏评估趋势值;计算各采集时刻与下一相邻采集时刻的储能数据之间的差值作为每种储能数据在各采集时刻的储能趋势值;计算储能数据在各光伏状态类中的各采集时刻的储能趋势值与各光伏状态类的光伏评估趋势值的差值绝对值,作为每种储能数据在各采集时刻的趋势偏差值;
将各采集时刻的所有种类的储能数据趋势偏差值排列组成的向量作为各采集时刻的趋势偏差向量,将各采集时刻的趋势偏差向量按照采集时刻的顺序作为趋势偏差矩阵的行向量构建趋势偏差矩阵;
将趋势偏差矩阵中的各列数据分别作为TOPSIS算法的输入,输出趋势偏差矩阵中各个数据元素的评价得分,使用线性归一化函数对所有数据元素的评价得分进行归一化处理,将归一化后的评价得分作为偏差得分;
对于每种储能数据,将各采集时刻的储能数据的偏差得分,按照采集时刻的先后顺序组成序列,记为每种储能数据的偏差得分序列。
7.如权利要求1所述的一种偏远地区的微电网储能异常状态在线监测方法,其特征在于,所述获取任意两种储能数据的偏差得分序列之间在各采集时刻的同步差分振幅,根据同步差分振幅和偏差得分序列中元素之间的一阶差分值获取任意两种储能数据的偏差得分序列之间的同步关联系数,包括:
对于每种储能数据,计算储能数据的偏差得分序列中在各采集时刻与后一相邻采集时刻的偏差得分之间的一阶差分值作为每种储能数据在各采集时刻的一阶差分值;
对于各采集时刻,获取采集时刻任意两种储能数据的一阶差分值之间的最大值的负值,计算以自然常数为底、以所述负值为指数的指数函数的计算结果,将数字1与所述计算结果之间的差值作为各采集时刻任意两种储能数据之间的同步差分振幅;
计算各采集时刻任意两种储能数据的一阶差分值之间的差值绝对值,计算所述差值绝对值与预设调整因子的和值,计算所述同步差分振幅与所述和值的比值,将任意两种储能数据的偏差得分序列之间的所有所述比值的均值作为任意两种储能数据的偏差得分序列之间的同步关联系数。
8.如权利要求1所述的一种偏远地区的微电网储能异常状态在线监测方法,其特征在于,所述根据同步关联系数获取每种储能数据的储能因素占比强度,根据偏远地区微电网的历史数据库获取各储能系统发电历史时刻的历史发电向量,包括:
计算第c种储能数据与所有其他各种储能数据之间的同步关联系数的和值作为第一和值,计算所有任意两种储能数据之间的同步关联系数的和值与预设调整因子的求和结果,计算所述第一和值与所述求和结果的比值作为第c种储能数据的储能因素占比强度;
从偏远地区微电网的历史数据库中获取预设个数的储能系统发电历史时刻的光伏数据和储能数据,将各储能系统发电历史时刻的光伏数据和储能数据组成的向量作为各储能系统发电历史时刻的历史发电向量。
9.如权利要求1所述的一种偏远地区的微电网储能异常状态在线监测方法,其特征在于,所述获取偏远地区微电网储能系统在各采集时刻的修正储能异常指数,包括:
将各采集时刻获取的光伏数据和储能数据组成的向量作为各采集时刻的采集数据向量;
对于每种储能数据,获取储能数据的偏差得分序列第y个采集时刻的向后连续预设个数的采集时刻中,偏差得分大于第y个采集时刻的偏差得分的个数,计算所述个数与第y个采集时刻与其向后连续预设个数的采集时刻的总个数的比值作为第y个采集时刻的偏差增势比例因子;
计算第c种储能数据中偏差得分的最大值与第c种储能数据在第y个采集时刻的储能数据的偏差得分的差值,计算所述差值与预设调整因子的和值,计算所述偏差增势比例因子与所述和值的比值,计算第c种储能数据的储能因素占比强度与所述比值的乘积,计算所有种类的储能数据的所述乘积的和值作为第二和值;
计算第y个采集时刻的采集数据向量与所有其他各储能系统发电历史时刻的历史发电向量之间的DTW距离的和值作为第三和值,计算所述第三和值与预设调整因子的和值作为第四和值,将所述第二和值与所述第四和值的比值的归一化值作为偏远地区微电网储能系统在第y个采集时刻的修正储能异常指数。
10.如权利要求1所述的一种偏远地区的微电网储能异常状态在线监测方法,其特征在于,所述获取偏远地区微电网储能系统中各采集时刻的改进INFLO分数,根据改进INFLO分数对偏远地区微电网储能异常状态进行监测,包括:
将每种储能数据都作为一个维度,构建多维特征空间,将各个采集时刻的储能数据映射到多维特征空间中获取各储能数据点;
将所有储能数据点作为INFLO异常检测算法的输入,所述INFLO异常检测算法的输出为各储能数据点的原始INFLO分数;
计算各采集时刻的修正储能异常指数与数字1的和值,计算所述和值与各采集时刻的储能数据点的原始INFLO分数的乘积的归一化值作为偏远地区微电网储能系统中各采集时刻的储能数据的改进INFLO分数;
将改进INFLO分数大于预设阈值的采集时刻作为储能异常点,当连续出现预设个数储能异常点时,则偏远地区微电网储能状态异常;反之偏远地区微电网储能状态正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410437456.8A CN118040910B (zh) | 2024-04-12 | 一种偏远地区的微电网储能异常状态在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410437456.8A CN118040910B (zh) | 2024-04-12 | 一种偏远地区的微电网储能异常状态在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118040910A true CN118040910A (zh) | 2024-05-14 |
CN118040910B CN118040910B (zh) | 2024-06-28 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160202693A1 (en) * | 2015-01-09 | 2016-07-14 | Hitachi Power Solutions Co., Ltd. | Anomaly Diagnosis System and Anomaly Diagnosis Method |
CN106777984A (zh) * | 2016-12-19 | 2017-05-31 | 福州大学 | 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 |
CN111428772A (zh) * | 2020-03-19 | 2020-07-17 | 南京邮电大学 | 基于k-近邻自适应投票的光伏系统深度异常检测方法 |
CN111694879A (zh) * | 2020-05-22 | 2020-09-22 | 北京科技大学 | 一种多元时间序列异常模式预测方法及数据采集监控装置 |
CN113361737A (zh) * | 2020-03-05 | 2021-09-07 | 中国电力科学研究院有限公司 | 一种光伏组件的异常预警方法及系统 |
CN113887705A (zh) * | 2021-09-22 | 2022-01-04 | 宁波大学科学技术学院 | 一种基于稀疏rbf神经网络的光伏电板运行状态监测方法 |
CN114915261A (zh) * | 2022-05-17 | 2022-08-16 | 国网江苏省电力有限公司常州供电分公司 | 光伏电站的故障监测方法和装置 |
CN116205508A (zh) * | 2022-07-21 | 2023-06-02 | 国网福建省电力有限公司营销服务中心 | 一种分布式光伏发电异常诊断方法和系统 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160202693A1 (en) * | 2015-01-09 | 2016-07-14 | Hitachi Power Solutions Co., Ltd. | Anomaly Diagnosis System and Anomaly Diagnosis Method |
CN106777984A (zh) * | 2016-12-19 | 2017-05-31 | 福州大学 | 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 |
CN113361737A (zh) * | 2020-03-05 | 2021-09-07 | 中国电力科学研究院有限公司 | 一种光伏组件的异常预警方法及系统 |
CN111428772A (zh) * | 2020-03-19 | 2020-07-17 | 南京邮电大学 | 基于k-近邻自适应投票的光伏系统深度异常检测方法 |
CN111694879A (zh) * | 2020-05-22 | 2020-09-22 | 北京科技大学 | 一种多元时间序列异常模式预测方法及数据采集监控装置 |
CN113887705A (zh) * | 2021-09-22 | 2022-01-04 | 宁波大学科学技术学院 | 一种基于稀疏rbf神经网络的光伏电板运行状态监测方法 |
CN114915261A (zh) * | 2022-05-17 | 2022-08-16 | 国网江苏省电力有限公司常州供电分公司 | 光伏电站的故障监测方法和装置 |
CN116205508A (zh) * | 2022-07-21 | 2023-06-02 | 国网福建省电力有限公司营销服务中心 | 一种分布式光伏发电异常诊断方法和系统 |
Non-Patent Citations (1)
Title |
---|
SEYED MAHDI MIRAFTABZADEH ET AL.: "Anomaly Detection in Photovoltaic Systems via Deep Learning Autoencoder", 《2023 INTERNATIONAL CONFERENCE ON SMART ENERGY SYSTEMS AND TECHNOLOGIES (SEST)》, 27 September 2023 (2023-09-27), pages 1 - 6, XP034432028, DOI: 10.1109/SEST57387.2023.10257517 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103135009B (zh) | 基于使用者回馈信息的电器侦测方法与系统 | |
CN111401460B (zh) | 一种基于限值学习的异常电量数据辨识方法 | |
CN113312413B (zh) | 基于电力大数据的企业碳排放异常监测方法 | |
CN116011686B (zh) | 基于多数据融合的充电棚光伏发电储量预测方法 | |
CN103559540A (zh) | 基于自适应神经模糊推理系统的风速超短期在线预测方法 | |
CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
CN117411189B (zh) | 一种微电网协调控制器的监测数据增强方法 | |
CN114971048A (zh) | 一种零碳园区综合能源规划仿真方法、系统和计算机设备 | |
Jain et al. | A clustering framework for residential electric demand profiles | |
CN117200241B (zh) | 一种新能源并网智能调压系统 | |
CN118040910B (zh) | 一种偏远地区的微电网储能异常状态在线监测方法 | |
CN118040910A (zh) | 一种偏远地区的微电网储能异常状态在线监测方法 | |
CN113505909A (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN117251672A (zh) | 基于电力数据的区域行业多维能源碳排放计算方法和装置 | |
CN116914719A (zh) | 一种基于时空图网络的光伏发电站功率预测方法 | |
CN115982608A (zh) | 一种基于线损动态分析的线损异常判断方法 | |
CN113191656B (zh) | 一种基于数据关联分析的低压配电网设备负荷与拓扑联动方法 | |
CN114285086B (zh) | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 | |
CN113554203B (zh) | 基于高维网格化和LightGBM的风电预测方法及装置 | |
CN114036845A (zh) | 一种风电场群模型构建方法 | |
CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
Wang et al. | Regional wind power forecasting based on hierarchical clustering and upscaling method | |
Liao et al. | Data cleaning method of distributed photovoltaic power generation based on clustering algorithm | |
CN111815022A (zh) | 一种基于延时坐标嵌入法的电力负荷预测方法 | |
Kaushik et al. | Performance Analysis of Regression Models in Solar PV Forecasting |
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 |