CN111680820B - 分布式光伏电站故障诊断方法和装置 - Google Patents

分布式光伏电站故障诊断方法和装置 Download PDF

Info

Publication number
CN111680820B
CN111680820B CN202010381231.7A CN202010381231A CN111680820B CN 111680820 B CN111680820 B CN 111680820B CN 202010381231 A CN202010381231 A CN 202010381231A CN 111680820 B CN111680820 B CN 111680820B
Authority
CN
China
Prior art keywords
photovoltaic power
power station
theoretical
power generation
fault diagnosis
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
CN202010381231.7A
Other languages
English (en)
Other versions
CN111680820A (zh
Inventor
赵健
周宁
刘昊
孙芊
王鹏
马建伟
王磊
张建宾
朱红路
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.)
Beijing Sinokey Technology Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
Beijing Sinokey Technology Co ltd
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Henan Electric Power 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 Beijing Sinokey Technology Co ltd, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Henan Electric Power Co Ltd filed Critical Beijing Sinokey Technology Co ltd
Priority to CN202010381231.7A priority Critical patent/CN111680820B/zh
Publication of CN111680820A publication Critical patent/CN111680820A/zh
Application granted granted Critical
Publication of CN111680820B publication Critical patent/CN111680820B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种分布式光伏电站故障诊断方法，先收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；再根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，利用决策树方法建立分布式光伏故障诊断模型；再通过监控光伏电站的各个光伏电站的出力数据，根据出力数据输入到理论发电量的预测模型中得到理论发电量，再将出力数据和理论发电量计算相关系数，将相关系数输入到分布式光伏故障诊断诊断模型对电站状态进行判断。通过上述障诊断方法能够实现对电站状态的判断。

Description

分布式光伏电站故障诊断方法和装置
技术领域
本申请属于光伏发电故障诊断技术领域，尤其是涉及一种基于BP神经网络以及决策树的分布式光伏电站故障诊断方法和装置。
背景技术
光伏价格低廉，不受地理位置限制，可满足离网***能源需求，市场广阔。根据国际市场研究机构Technavio发布的可再生能源发电(RDEG)技术市场将在2019-2023期间增长295.15GW规模。近年来中国光伏发电发展速度惊人，2018年全国光伏发电新增装机44.06GW，全国光伏发电累计装机达到174.63GW。随着光伏装机容量的快速增长，光伏发电***智能化运行功能)。上述功能的实现依赖于数据的质量和可靠性。
目前的分布光伏电站不同与大型并网式光伏电站，其运行时收集到的数据往往缺乏电站场地的气象数据。气象信息的缺乏导致以往许多光伏电站分析方法的失效，在实际的工程应用中受到了约束。因此需要从新的角度分析评价光伏电站。
另外，实际光伏的出力情况复杂，出力数据与理论数据差异较大，为了分析电站数据，需要能够有效描述光伏电站运行状态的指标，提出基于时间和空间函数的光伏电站直流侧薄弱点诊断方法。
发明内容
本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种能够对分布式光伏电站故障进行诊断方法和装置。
本发明解决其技术问题所采用的技术方案是：
一种分布式光伏电站故障诊断方法，包括以下步骤：
S1：收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；
S2：根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，所述理论发电量的预测模型能够通过其它光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算，并建立每个光伏电站的理论发电量的时间序列；
S3：将各个光伏电站的出力数据的时间序列和理论发电量的时间序列按照相同的发生时间以一定的时间段进行截取，并根据历史故障诊断记录标定每个截取段对应发生时间时的故障类型，分别计算出力数据的时间序列的截取段与理论发电量的时间序列的截取段的相关系数
S4：以相关系数作为输入向量，将故障类型标记为输出向量，以输入向量和输出向量作为训练数据，利用决策树方法建立分布式光伏故障诊断模型；
S5：监控光伏电站的各个光伏电站的出力数据，根据出力数据输入到理论发电量的预测模型中得到理论发电量，再将出力数据和理论发电量计算相关系数，将相关系数输入到分布式光伏故障诊断诊断模型对电站状态进行判断。
优选地，本发明的分布式光伏电站故障诊断方法，S1步骤中还对每个光伏电站的出力数据的时间序列通过皮尔森相关系数进行相似度，得到与该光伏电站若干相似度较高的光伏电站；
在S2步骤中通过选取的相似的较高的光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算。
优选地，本发明的分布式光伏电站故障诊断方法，所述相关系数为相对欧式距离和皮尔森相关系数。
优选地，本发明的分布式光伏电站故障诊断方法，相对欧式距离的计算公式为
Figure BDA0002482057770000031
式中：δ(XTar,XRef)为相对欧式距离；其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；
皮尔森相关系数的计算公式为
Figure BDA0002482057770000032
其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；r为皮尔森相关系数；
Figure BDA0002482057770000033
为出力数据的时间序列的截取段和理论发电量的时间序列的截取段的平均值。
优选地，本发明的分布式光伏电站故障诊断方法，S3步骤中截取的时间段为2-5h。
6.一种分布式光伏电站故障诊断装置，包括：
数据采集模块：收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；
理论发电量的预测模型：根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，所述理论发电量的预测模型能够通过其它光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算；
理论发电量计算模块：用于根据收集的各个光伏电站的运行数据计算每个光伏电站的理论发电量，并依据计算的理论发电量形成理论发电量时间序列；
相关性计算模块：用于将各个光伏电站的出力数据的时间序列和理论发电量的时间序列按照相同的发生时间以一定的时间段进行截取，并根据历史故障诊断记录标定每个截取段对应发生时间时的故障类型，分别计算出力数据的时间序列的截取段与理论发电量的时间序列的截取段的相关系数；
故障诊断模型：以相关性计算模块得到的相关系数作为输入向量，将故障类型标记为输出向量，以输入向量和输出向量作为训练数据，利用决策树方法训练建立得到；
故障诊断模块：根据监控得到的光伏电站的各个光伏电站的出力数据相关性计算模块计算相关系数，将相关系数作为输入向量输入到分布式光伏故障诊断诊断模型对电站状态进行判断。
优选地，本发明的分布式光伏电站故障诊断方法，数据采集模块中还对每个光伏电站的出力数据的时间序列通过皮尔森相关系数进行相似度，得到与该光伏电站若干相似度较高的光伏电站；
理论发电量的预测模型中通过选取的相似的较高的光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算。
优选地，本发明的分布式光伏电站故障诊断方法，所述相关系数为相对欧式距离和皮尔森相关系数。
优选地，本发明的分布式光伏电站故障诊断方法，相对欧式距离的计算公式为
Figure BDA0002482057770000051
式中：δ(XTar,XRef)为相对欧式距离；其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；
皮尔森相关系数的计算公式为
Figure BDA0002482057770000052
其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；r为皮尔森相关系数；
Figure BDA0002482057770000053
为出力数据的时间序列的截取段和理论发电量的时间序列的截取段的平均值。
优选地，本发明的分布式光伏电站故障诊断方法，相关性计算模块中截取的时间段为2-5h。
本发明的有益效果是：
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1为光伏电站故障诊断方法的流程图；
图2为BP神经网络原理图；
图3为不同故障下时间序列的相似性图；
图4为不同故障下时间序列的距离性图；
图5为决策树工作原理图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例1
本实施例提供一种基于BP神经网络的光伏故障诊断方法，如图1所示，具体步骤如下：
S1：收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；
光伏电站历史运行数据还可以进行数据预处理，去除掉空白较大的部分或者明显错误的部分；
以选取中国息县10个光伏电站2018年全年的数据为例。十个光伏电站由容量分别为40MW的光伏发电***、光伏电站监控***组成，数据采样间隔为10分钟，10个电站的出力数据按照时间形成出力数据的时间序列。
S2：根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，所述理论发电量的预测模型能够通过其它光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算，并建立每个光伏电站的理论发电量的时间序列；
理论发电量的预测模型的作用是计算每个光伏电站的理论发电量，计算特定电站(比如电站1)的理论发电量时，是用不包括该特定电站的其它光伏电站(电站2-9)的出力数据来计算得出的。
BP神经网络是一个多层的向前反馈的神经网络，BP神经网络的主要特点是输入信号的正向传播以及误差的反向传播。在正向传输中，输入信号从输入层通过隐含层逐层处理直至输出层。每层的神经元状态只会对下一层神经元的状态产生影响。如果输出层没有得到期望的输出，则它进行反向传播并基于预测误差来调整网络权重与阈值，使得BP神经网络的判断不断接近期望的输出。
X1,X2,X3,…,Xn为BP神经网络的输入变量(此处为不包括该特定电站的其它光伏电站的出力数据)形成输入系列X,Y1,Y2,…,Ym为BP神经网络的输出变量(即特定的光伏电站的理论发电量)形成输出系列Y,ωij和ωjk为BP神经网络的权重值。将BP神经网络认为是一个非线性函数,假如输入变量为a,输出变量为b,那么BP神经网络即反映了一个从a个自变量到b个因变量的非线性映射关系。
在预测BP的神经网络预测之前，必须先训练网络。训练后的神经网络具有预测和判断能力。一般来说，BP神经网络的训练过程如以下步骤所示。
步骤1:网络的初始化。根据***输入输出序列(X,Y)确定网络输入变量数n、隐含层节点数l,输出变量数m,初始化输入层、隐含层和输出层神经元之间的网络权重ωij,ωjk,初始化隐含层阈值a,输出层阈值b,给定学习步长和隐含层的刺激函数。
步骤2:隐含层输出计算。根据输入序列X,输入层和隐含层间连接权值ωij以及隐含层阈值a,计算隐含层输出G。
Figure BDA0002482057770000081
式中,l为隐含层节点数；f为隐含层激励函数,该函数有多种表达形式,本章所选函数为:
Figure BDA0002482057770000082
步骤3:输出层输出计算。根据隐含层输出H,连接权值ωjk和阈值b,计算BP神经网络预测输出P。
Figure BDA0002482057770000083
步骤4:误差计算。根据网络预测输出P和期望输出序列Y,计算网络预测误差e。
ek＝Yk-Pk (4)
步骤5:权值更新。根据之前步骤计算出的网络预测误差e来更新网络的网络权重ωij，ωjk。
Figure BDA0002482057770000084
ωij＝ωjk+ηekGj (6)
式中,η为学习步长。
步骤6:阈值的更新。根据之气计算出的网络预测误差e来生成新的网络节点阈值a,b。
Figure BDA0002482057770000091
bk＝bk+ek (8)
步骤7:判断算法迭代是否结束,若没有结束，返回步骤2。
优选地，可以选取相关性较高的部分电站的出力数据来进行训练，以降低计算量加快训练过程
选取电站1作为目标电站，从剩余电站中随机选取n(n＝2,3,……,9)个电站作为参考电站进行拟合，计算拟合误差。分别选取电站2-9重复上述过程。最后将每次拟合电站个数为n的误差进行平均。一般选择3个电站或按照计算结果确定输入源个数。
比如根据中国息县2018年10个光伏电站的历史运行数据，得出皮尔逊相关系数如下表1所示。因此可以选择电站1、电站4、电站3、电站7作为计算的电站，对电站1的光伏电站的理论发电量进行计算时，可以选择电站4、电站3、电站7的来进行理论发电量的计算。
表1电站相似性分析
Figure BDA0002482057770000092
Figure BDA0002482057770000101
S3：将各个光伏电站的出力数据的时间序列和理论发电量的时间序列按照相同的发生时间以一定的时间段进行截取(截取的时间段为2-5h，比如可以是3h)，并根据历史故障诊断记录标定每个截取段对应发生时间时的故障类型，分别计算出力数据的时间序列的截取段与理论发电量的时间序列的截取段的相关系数；
所述相关系数为相对欧式距离和皮尔森相关系数。
相对欧式距离的计算公式为
Figure BDA0002482057770000102
式中：δ(XTar,XRef)为相对欧式距离；其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；
皮尔森相关系数的计算公式为
Figure BDA0002482057770000103
其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；r为皮尔森相关系数；
Figure BDA0002482057770000104
为出力数据的时间序列的截取段和理论发电量的时间序列的截取段的平均值。
S4：以相关系数作为输入向量，将故障类型标记为输出向量，以输入向量和输出向量作为训练数据，利用决策树方法建立分布式光伏故障诊断模型；
表2故障类型的输出向量
故障类型 输出向量
正常 η<sub>1</sub>＝[1 0 0 0]
异常老化 η<sub>2</sub>＝[0 1 0 0]
阴影遮挡 η<sub>3</sub>＝[0 0 1 0]
开路故障 η<sub>4</sub>＝[0 0 0 1]
决策树是以样本属性作为叶结点，用属性的取值作为分支的树型结构。决策树建树的基本原理是递归的将训练数据集拆分成子集，以便每一个包含目标变量类似的状态，这些目标是可预测属性。在拆分中利用信息理论的原则，进行拆分属性选择。设某装备的故障特征集是d＝{d1,d2,…,dn}，故障点集e＝{e1,e2,…,em}，d是测试属性集(本实施例中为相对欧式距离和皮尔森相关系数)，e是类标记集(本实施例中为代表故障类型的输出向量)。形成的故障特征决策树根节点是训练集，一个内部节点代表一个故障特征的测试，一条边代表一个测试结果，叶子代表某个故障点或某种故障处理方式。对于任一内部节点的属性值是离散的，对于每个故障该故障特征要么存在1(表示故障特征存在)，要么不存在0(表示故障特征不存在)。
将历史故障诊断记录作为训练样本，利用建立的模型产生不同故障时刻、不同故障位置下的10种不同类型故障并提取出相应的故障特征组成相应的训练样本，10种不同类型故障的有效训练样本数均为100，样本总数为1000：采用ID3算法以故障可观察特征作为测试***属性，故障点为类标号，对记录进行相应划分，采用预剪枝的方式控制树的生长来形成决策。
1)到达此节点的实例个数小于某个阈值时可停止树的生长。
2)引入替代错误率。在计算过程中，对子树的某个分支上继续划子集时，虽然所有样本并不属于同一类，但是不同类别的记录数如果相差很大时，就引入错误替代率公式：
Figure BDA0002482057770000121
式中：n表示分支的记录数；n′表示该分支中多数类别的记录数；m表示训练集的记录总数。利用该公式计算的值，如果小于某个阈值时，则将子树转化为叶结点，否则就继续调用第1步进行进一步分解。算法递归以上操作，直到无故障特征属性可用于划分当前样本子集或满足树停止生长的条件。
本实例所使用的数据来源于某设备故障记录，目的是利用这些数据建立决策树发现故障特征和故障点之间的关联。第1步：抽取320条数据，取其数据中的70％为训练元组，30％数据为测试数据。统计测试属性故障特征集及故障点集。第2步：按以上分析对数据预处理在这224条记录的中故障点的计数统计如。第3步：通过逐个计算故障特征信息增益度，选取最能划分训练集中实例的属性。由表3可知该方法对各类故障诊断的准确率都在97％以上，因此该故障诊断方法在实际的光伏电站故障诊断中具有很高的准确率，具有实际应用价值。
表3故障诊断准确率统计
Figure BDA0002482057770000131
S5：监控光伏电站的各个光伏电站的出力数据，根据出力数据输入到理论发电量的预测模型中得到理论发电量，再将出力数据和理论发电量计算相关系数，将相关系数输入到分布式光伏故障诊断诊断模型对电站状态进行判断。
理论发电量计算将监控到的各个光伏电站的出力数据输入到理论发电量的预测模型中进行，如果理论发电量的预测模型使用了部分相似度高的光伏电站进行训练的话，此时也同样使用相应的光伏电站进行计算。
判断时，也需要将光伏电站的出力数据的时间序列和计算的理论发电量的时间序列按照S3步骤相同的时间段长度进行截取，为2-5h。
实施例2
本实施提供一种分布式光伏电站故障诊断装置，与实施例1的方法相对应，包括：
数据采集模块：收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；
理论发电量的预测模型：根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，所述理论发电量的预测模型能够通过其它光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算；
理论发电量计算模块：用于根据收集的各个光伏电站的运行数据计算每个光伏电站的理论发电量，并依据计算的理论发电量形成理论发电量时间序列；
相关性计算模块：用于将各个光伏电站的出力数据的时间序列和理论发电量的时间序列按照相同的发生时间以一定的时间段进行截取，并根据历史故障诊断记录标定每个截取段对应发生时间时的故障类型，分别计算出力数据的时间序列的截取段与理论发电量的时间序列的截取段的相关系数；
故障诊断模型：以相关性计算模块得到的相关系数作为输入向量，将故障类型标记为输出向量，以输入向量和输出向量作为训练数据，利用决策树方法训练建立得到；
故障诊断模块：根据监控得到的光伏电站的各个光伏电站的出力数据相关性计算模块计算相关系数，将相关系数作为输入向量输入到分布式光伏故障诊断诊断模型对电站状态进行判断。
数据采集模块中还对每个光伏电站的出力数据的时间序列通过皮尔森相关系数进行相似度，得到与该光伏电站若干相似度较高的光伏电站；
理论发电量的预测模型中通过选取的相似的较高的光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算。
所述相关系数为相对欧式距离和皮尔森相关系数。
相对欧式距离的计算公式为
Figure BDA0002482057770000151
式中：δ(XTar,XRef)为相对欧式距离；其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；
皮尔森相关系数的计算公式为
Figure BDA0002482057770000152
其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；r为皮尔森相关系数；
Figure BDA0002482057770000153
为出力数据的时间序列的截取段和理论发电量的时间序列的截取段的平均值。
相关性计算模块中截取的时间段为2-5h，优选为3h。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种分布式光伏电站故障诊断方法，其特征在于，包括以下步骤：
S1：收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；
S2：根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，所述理论发电量的预测模型能够通过其它光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算，并建立每个光伏电站的理论发电量的时间序列；
S3：将各个光伏电站的出力数据的时间序列和理论发电量的时间序列按照相同的发生时间以一定的时间段进行截取，并根据历史故障诊断记录标定每个截取段对应发生时间时的故障类型，分别计算出力数据的时间序列的截取段与理论发电量的时间序列的截取段的相关系数；
S4：以相关系数作为输入向量，将故障类型标记为输出向量，以输入向量和输出向量作为训练数据，利用决策树方法建立分布式光伏故障诊断模型；
S5：监控光伏电站的各个光伏电站的出力数据，根据出力数据输入到理论发电量的预测模型中得到理论发电量，再将出力数据和理论发电量计算相关系数，将相关系数输入到分布式光伏故障诊断模型对电站状态进行判断。
2.根据权利要求1所述的分布式光伏电站故障诊断方法，其特征在于，S1步骤中还对每个光伏电站的出力数据的时间序列通过皮尔森相关系数进行相似度，得到与该光伏电站若干相似度较高的光伏电站；
在S2步骤中通过选取的相似度较高的光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算。
3.根据权利要求1所述的分布式光伏电站故障诊断方法，其特征在于，所述相关系数为相对欧式距离和皮尔森相关系数。
4.根据权利要求3所述的分布式光伏电站故障诊断方法，其特征在于，相对欧式距离的计算公式为
Figure FDA0003706131770000021
式中：δ(XTar,XRef)为相对欧式距离；其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；
皮尔森相关系数的计算公式为
Figure FDA0003706131770000022
其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；r为皮尔森相关系数；
Figure FDA0003706131770000023
为出力数据的时间序列的截取段和理论发电量的时间序列的截取段的平均值。
5.根据权利要求1-4任一项所述的分布式光伏电站故障诊断方法，其特征在于，S3步骤中截取的时间段为2-5h。
6.一种分布式光伏电站故障诊断装置，其特征在于，包括：
数据采集模块：收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；
理论发电量的预测模型：根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，所述理论发电量的预测模型能够通过其它光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算；
理论发电量计算模块：用于根据收集的各个光伏电站的运行数据计算每个光伏电站的理论发电量，并依据计算的理论发电量形成理论发电量时间序列；
相关性计算模块：用于将各个光伏电站的出力数据的时间序列和理论发电量的时间序列按照相同的发生时间以一定的时间段进行截取，并根据历史故障诊断记录标定每个截取段对应发生时间时的故障类型，分别计算出力数据的时间序列的截取段与理论发电量的时间序列的截取段的相关系数；
故障诊断模型：以相关性计算模块得到的相关系数作为输入向量，将故障类型标记为输出向量，以输入向量和输出向量作为训练数据，利用决策树方法训练建立得到；
故障诊断模块：根据监控得到的光伏电站的各个光伏电站的出力数据相关性计算模块计算相关系数，将相关系数作为输入向量输入到分布式光伏故障诊断模型对电站状态进行判断。
7.根据权利要求6所述的分布式光伏电站故障诊断装置，其特征在于，数据采集模块中还对每个光伏电站的出力数据的时间序列通过皮尔森相关系数进行相似度，得到与该光伏电站若干相似度较高的光伏电站；
理论发电量的预测模型中通过选取的相似度较高的光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算。
8.根据权利要求6或7所述的分布式光伏电站故障诊断装置，其特征在于，所述相关系数为相对欧式距离和皮尔森相关系数。
9.根据权利要求8所述的分布式光伏电站故障诊断装置，其特征在于，相对欧式距离的计算公式为
Figure FDA0003706131770000041
式中：δ(XTar,XRef)为相对欧式距离；其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；
皮尔森相关系数的计算公式为
Figure FDA0003706131770000042
其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；r为皮尔森相关系数；
Figure FDA0003706131770000043
为出力数据的时间序列的截取段和理论发电量的时间序列的截取段的平均值。
10.根据权利要求6或7任一项所述的分布式光伏电站故障诊断装置，其特征在于，相关性计算模块中截取的时间段为2-5h。
CN202010381231.7A 2020-05-08 2020-05-08 分布式光伏电站故障诊断方法和装置 Active CN111680820B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010381231.7A CN111680820B (zh) 2020-05-08 2020-05-08 分布式光伏电站故障诊断方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010381231.7A CN111680820B (zh) 2020-05-08 2020-05-08 分布式光伏电站故障诊断方法和装置

Publications (2)

Publication Number Publication Date
CN111680820A CN111680820A (zh) 2020-09-18
CN111680820B true CN111680820B (zh) 2022-08-19

Family

ID=72433396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010381231.7A Active CN111680820B (zh) 2020-05-08 2020-05-08 分布式光伏电站故障诊断方法和装置

Country Status (1)

Country Link
CN (1) CN111680820B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200464B (zh) * 2020-10-14 2023-04-28 国网山东省电力公司聊城供电公司 计及空间相关性的光伏电站出力数据的修正方法及***
CN112731022B (zh) * 2020-12-18 2023-06-23 阳光智维科技股份有限公司 光伏逆变器故障检测方法、设备及介质
CN113992153B (zh) * 2021-11-19 2023-03-14 珠海康晋电气股份有限公司 一种光伏电站可视化实时监测分布式管理***
CN114070198B (zh) * 2021-12-06 2023-11-07 北京中电普华信息技术有限公司 分布式光伏发电***的故障诊断方法、装置和电子设备
CN114757097B (zh) * 2022-04-07 2023-09-26 国网河北省电力有限公司邯郸供电分公司 一种线路故障诊断方法及装置
CN114899949B (zh) * 2022-06-01 2022-12-23 深圳博浩远科技有限公司 一种适用于商用型光伏逆变器的数据采集方法及装置
CN114841081A (zh) * 2022-06-21 2022-08-02 国网河南省电力公司郑州供电公司 一种电力设备异常事故控制方法及***
CN115587642B (zh) * 2022-06-22 2023-07-11 大唐海南能源开发有限公司 一种基于bp神经网络的光伏***故障告警方法
CN116628608B (zh) * 2023-04-23 2024-06-21 华能国际电力江苏能源开发有限公司 一种光伏发电故障诊断方法及***
CN117630579A (zh) * 2023-12-06 2024-03-01 海南电力产业发展有限责任公司 一种基于分布式行波检测的配电网故障精确定位方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8682585B1 (en) * 2011-07-25 2014-03-25 Clean Power Research, L.L.C. Computer-implemented system and method for inferring operational specifications of a photovoltaic power generation system
CN105846780B (zh) * 2016-03-19 2018-04-03 上海大学 一种基于决策树模型的光伏组件故障诊断方法
CN106961249B (zh) * 2017-03-17 2019-02-19 广西大学 一种光伏阵列故障诊断和预警方法
CN107516145A (zh) * 2017-07-27 2017-12-26 浙江工业大学 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法
CN109842373B (zh) * 2019-04-15 2020-04-28 国网河南省电力公司电力科学研究院 基于时空分布特性的光伏阵列故障诊断方法及装置
CN110336534B (zh) * 2019-07-15 2022-05-03 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

Also Published As

Publication number Publication date
CN111680820A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN111680820B (zh) 分布式光伏电站故障诊断方法和装置
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN108199795B (zh) 一种设备状态的监测方法和装置
CN112818604A (zh) 一种基于风功率预测的风电机组风险度评估方法
CN110070228B (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN110570122A (zh) 一种计及风速季节特性及集电***元件故障的海上风电场可靠性评估方法
CN114006369B (zh) 区域风光场站功率联合预测方法、装置、电子设备和存储介质
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN112181706A (zh) 一种基于对数区间隔离的电力调度数据异常检测方法
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN113379116A (zh) 基于聚类和卷积神经网络的台区线损预测方法
CN116432123A (zh) 一种基于cart决策树算法的电能表故障预警方法
CN113127464B (zh) 农业大数据环境特征处理方法、装置及电子设备
CN114595762A (zh) 一种光伏电站异常数据序列提取方法
CN113449920A (zh) 一种风电功率预测方法、***及计算机可读介质
CN111428821A (zh) 一种基于决策树的资产分类方法
CN117060353A (zh) 基于前馈神经网络高压直流输电***故障诊断方法及***
CN116664098A (zh) 一种光伏电站的异常检测方法及***
CN114997475B (zh) 一种基于Kmeans的融合模型光伏发电短期预测方法
CN116663393A (zh) 一种基于随机森林的配电网持续高温下故障风险等级预测方法
CN116317937A (zh) 一种分布式光伏电站运行故障诊断方法
CN113496255B (zh) 基于深度学习与决策树驱动的配电网混合观测布点方法
CN113986636B (zh) 一种基于硬盘自适应报告数据的数据中心硬盘故障预测方法
CN116070458A (zh) 基于rac-gan的新建风电场场景生成方法
CN115496264A (zh) 一种风电机组发电功率的预测方法

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