CN114915261A - 光伏电站的故障监测方法和装置 - Google Patents

光伏电站的故障监测方法和装置 Download PDF

Info

Publication number
CN114915261A
CN114915261A CN202210538164.4A CN202210538164A CN114915261A CN 114915261 A CN114915261 A CN 114915261A CN 202210538164 A CN202210538164 A CN 202210538164A CN 114915261 A CN114915261 A CN 114915261A
Authority
CN
China
Prior art keywords
photovoltaic power
power station
power
data
photovoltaic
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.)
Pending
Application number
CN202210538164.4A
Other languages
English (en)
Inventor
许一川
钱宇轩
俞鑫
谈诚
柴婷逸
刘畅
邵林
吴国奇
路纯
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 Jiangsu Electric Power Co Ltd
Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Changzhou Power Supply Co of State Grid Jiangsu 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 State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210538164.4A priority Critical patent/CN114915261A/zh
Publication of CN114915261A publication Critical patent/CN114915261A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种光伏电站的故障监测方法和装置，其中，所述方法包括以下步骤：获取光伏电站的输出功率数据；根据输出功率数据得到光伏电站的历史时间序列；根据历史时间序列建立灰色预测模型；根据灰色预测模型得到光伏电站的预测功率拟合数据集；采用集合卡尔曼滤波算法处理预测功率拟合数据集以得到光伏电站的预测功率最优拟合值；根据光伏电站的预测功率最优拟合值判断光伏电站是否发生故障。本发明能够为电网调度提供准确的信息参考，以保证电网调度的合理性，从而能够降低光伏接入对电网的影响，此外，还能够提高电力***的稳定性和安全性，并能够改善电能质量。

Description

光伏电站的故障监测方法和装置
技术领域
本发明涉及光伏发电技术领域，具体涉及一种光伏电站的故障监测方法和一种光伏电站的故障监测装置。
背景技术
随着光伏发电在电网中的使用越来越广泛，其稳定性对电网安全的影响也受到越来越多的重视和研究，尤其是，由于光伏面板的发电特性受环境、温度、光照强度等多重因素影响，光伏电站的输出功率往往呈现较大的波动性和随机性，导致其故障频发，因此，如何对光伏电站进行实时监测、在其发生故障前及时预警以保证电网供电质量是其研究的重点。
发明内容
本发明为解决上述技术问题，提供了一种光伏电站的故障监测方法，能够为电网调度提供准确的信息参考，以保证电网调度的合理性，从而能够降低光伏接入对电网的影响，此外，还能够提高电力***的稳定性和安全性，并能够改善电能质量。
本发明采用的技术方案如下：
一种光伏电站的故障监测方法，包括以下步骤：获取光伏电站的输出功率数据；根据所述输出功率数据得到所述光伏电站的历史时间序列；根据所述历史时间序列建立灰色预测模型；根据所述灰色预测模型得到所述光伏电站的预测功率拟合数据集；采用集合卡尔曼滤波算法处理所述预测功率拟合数据集以得到所述光伏电站的预测功率最优拟合值；根据所述光伏电站的预测功率最优拟合值判断所述光伏电站是否发生故障。
根据本发明的一个实施例，所述根据所述光伏电站的预测功率最优拟合值判断所述光伏电站是否发生故障，具体包括以下步骤：根据所述预测功率最优拟合值计算所述光伏电站的输出功率相对残差指标；获取所述光伏电站的输出功率参考指标；判断所述输出功率相对残差指标与所述输出功率参考指标的差值是否超过预测阈值；若是，则判断所述光伏电站发生故障。
根据本发明的一个实施例，所述输出功率数据为所述光伏电站并网关口的功率数据。
根据本发明的一个实施例，所述历史时间序列的表达式为：
X(0)＝(x(0)(1),x(0)(2),...,x(0)(n))。
根据本发明的一个实施例，所述根据所述历史时间序列建立灰色预测模型，具体包括以下步骤：采用一次累加算法根据所述历史时间序列产生生成序列；根据所述生成序列得到邻均值序列；根据所述邻均值序列构建数据矩阵和数据向量；根据所述数据矩阵和所述数据向量计算建立所述灰色预测模型所需的发展系数和灰色作用量；根据所述发展系数和所述灰色作用量确定所述灰色预测模型。
根据本发明的一个实施例，其中，
所述生成序列的表达式为：
X(1)＝(x(1)(1),x(1)(2),...,x(1)(n))
其中，x(1)(1)＝x(0)(1)，x(1)(2)＝x(0)(1)+x(0)(2)，...，x(1)(n)＝x(0)(n-1)+x(0)(n)；
所述邻均值序列的表达式为：
Z(1)(k)＝(x(1)(k)+x(1)(k+1))/2
其中，k＝2,3,...,n。
根据本发明的一个实施例，所述根据所述灰色预测模型得到所述光伏电站的预测功率拟合数据集，具体包括以下步骤：根据所述灰色预测模型的时间响应函数计算所述光伏电站的预测功率数据；采用一次累减算法处理所述光伏电站的预测功率数据，以得到所述光伏电站的预测功率拟合数据；根据所述光伏电站的预测功率拟合数据构成所述光伏电站的预测功率拟合数据集。
根据本发明的一个实施例，其中，
所述灰色预测模型的时间响应函数的具体表达式为：
Figure BDA0003647248440000031
所述光伏电站的预测功率拟合数据具体为：
Figure BDA0003647248440000032
一种光伏电站的故障监测装置，包括：获取模块，所述获取模块用于获取光伏电站的输出功率数据；第一数据处理模块，所述第一数据处理模块用于根据所述输出功率数据得到所述光伏电站的历史时间序列；建模模块，所述建模模块用于根据所述历史时间序列建立灰色预测模型；第二数据处理模块，所述第二数据处理模块用于根据所述灰色预测模型得到所述光伏电站的预测功率拟合数据集；第三数据处理模块，所述第三数据处理模块用于采用集合卡尔曼滤波算法处理所述预测功率拟合数据集以得到所述光伏电站的预测功率最优拟合值；故障判断模块，所述故障判断模块用于根据所述光伏电站的预测功率最优拟合值判断所述光伏电站是否发生故障。
根据本发明的一个实施例，所述故障判断模块用于根据所述预测功率最优拟合值计算所述光伏电站的输出功率相对残差指标，并获取所述光伏电站的输出功率参考指标，判断所述输出功率相对残差指标与所述输出功率参考指标的差值是否超过预测阈值，若是，则判断所述光伏电站发生故障。
本发明的有益效果如下：
本发明通过预测光伏电站的输出功率，能够为电网调度提供准确的信息参考，以保证电网调度的合理性，从而能够降低光伏接入对电网的影响，此外，还能够提高电力***的稳定性和安全性，并能够改善电能质量。
附图说明
图1为本发明实施例的光伏电站的故障监测方法的流程图；
图2为本发明一个实施例的光伏电站的故障监测方法的具体流程图；
图3(a)为本发明一个具体实施例的光伏电站在发生故障时的预测发电量与实际发电量的折线图；
图3(b)为本发明一个具体实施例的光伏电站在发生故障时的预测发电量与实际发电量之间的绝对差、相对差以及阈值线之间的折线图；
图4为本发明实施例的光伏电站的故障监测装置的方框示意图。
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。
图1为本发明实施例的光伏电站的故障监测方法的流程图。
如图1所示，本发明实施例的光伏电站的故障监测方法，包括以下步骤：
S1，获取光伏电站的输出功率数据。
具体地，可通过智能电表采集光伏电站的输出功率数据。其中，智能电表可为三相智能电表，光伏电站的输出功率数据可为为光伏电站并网关口的功率数据，即光伏电站向电网输入的功率数据。
S2，根据输出功率数据得到光伏电站的历史时间序列。
具体地，可根据光伏电站并网关口的功率数据，即光伏电站向电网输入的功率数据形成光伏电站的历史时间序列。其中，光伏电站的历史时间序列的表达式可为：
X(0)＝(x(0)(1),x(0)(2),...,x(0)(n))。
S3，根据历史时间序列建立灰色预测模型。
具体地，可采用一次累加算法根据历史时间序列产生生成序列，并可根据生成序列得到邻均值序列，进而可根据邻均值序列构建数据矩阵和数据向量，然后可根据数据矩阵和数据向量计算建立灰色预测模型所需的发展系数和灰色作用量，最后可根据发展系数和灰色作用量确定灰色预测模型。
在本发明的一个实施例中，一次累加算法的序列生成规则如下所示：
x(1)(1)＝x(0)(1)，
x(1)(2)＝x(0)(1)+x(0)(2)，
，......，
x(1)(n)＝x(0)(n-1)+x(0)(n)。
进一步地，可根据上述一次累加算法的序列生成规则产生生成序列，并且该生成序列的表达式可为：
X(1)＝(x(1)(1),x(1)(2),...,x(1)(n))
其中，x(1)(1)＝x(0)(1)，x(1)(2)＝x(0)(1)+x(0)(2)，...，x(1)(n)＝x(0)(n-1)+x(0)(n)。
进一步地，可对上述生成序列X(1)进行邻均值生成，以得到邻均值序列，并且该邻均值序列的表达式可为：
Z(1)(k)＝(x(1)(k)+x(1)(k+1))/2
其中，k＝2,3,...,n。
进一步地，可根据上述邻均值序列Z(1)(k)构建数据矩阵B和数据向量Y，并可根据数据矩阵B和数据向量Y计算建立灰色预测模型所需的发展系数a和灰色作用量b。
其中，数据矩阵B的具体表达式为：
Figure BDA0003647248440000061
数据向量Y的具体表达式为：
Figure BDA0003647248440000062
发展系数a和灰色作用量b的具体表达式为：
Figure BDA0003647248440000063
进一步地，根据上述发展系数a和灰色作用量b可确定灰色预测模型具体为GM(1，1)模型。
S4，根据灰色预测模型得到光伏电站的预测功率拟合数据集。
具体地，可根据灰色预测模型的时间响应函数计算光伏电站的预测功率数据，并可采用一次累减算法处理光伏电站的预测功率数据，以得到光伏电站的预测功率拟合数据，然后可根据光伏电站的预测功率拟合数据构成光伏电站的预测功率拟合数据集。
在本发明的一个实施例中，灰色预测模型的时间响应函数的具体表达式为：
Figure BDA0003647248440000064
进一步地，可根据上述时间响应函数计算光伏电站的预测功率数据，即下一时刻光伏电站的输出功率值。
在本发明的一个实施例中，一次累减算法的序列生成规则如下：
x(0)(1)＝x(1)(1)，
x(0)(2)＝x(1)(2)-x(1)(1)，
，......，
x(0)(n)＝x(1)(n)-x(1)(n-1)。
进一步地，可根据上述一次累减算法的序列生成规则处理光伏电站的预测功率数据，即下一时刻光伏电站的输出功率值
Figure BDA0003647248440000071
以得到光伏电站的预测功率拟合数据，即光伏电站的预测功率拟合数据，即下一时刻光伏电站的输出功率值的拟合值
Figure BDA0003647248440000072
并且该拟合值
Figure BDA0003647248440000073
的具体表达式为：
Figure BDA0003647248440000074
综上，可通过多次调用灰色预测模型生成多个光伏电站的预测功率拟合数据，即下一时刻光伏电站的输出功率拟合值
Figure BDA0003647248440000075
例如，可生成q个光伏电站的预测功率拟合数据，即下一时刻光伏电站的输出功率拟合值
Figure BDA0003647248440000076
并可将该q个光伏电站的预测功率拟合数据，即下一时刻光伏电站的输出功率拟合值
Figure BDA0003647248440000077
组成光伏电站的预测功率拟合数据集。
S5，采用集合卡尔曼滤波算法处理预测功率拟合数据集以得到光伏电站的预测功率最优拟合值。
具体地，可采用集合卡尔曼滤波算法处理预测功率拟合数据集以得到下一时刻光伏电站的预测功率最优拟合值，由此，通过集合卡尔曼滤波算法能够适应光伏电站的预测功率拟合数据的时间序列的非线性特性，从而能够滤除其包含的采样噪声和背景噪声。
更具体地，可先求取光伏电站在当前时刻，例如k时刻的预测状态误差协方差Pk a、预测状态误差与观测误差之间的协方差Pk xy、观测误差协方差Pk y，然后可采用集合卡尔曼滤波算法得到下一时刻，例如k+1时刻光伏电站的预测功率最优拟合值。
其中，光伏电站在当前时刻，例如k时刻的预测状态误差协方差Pk a、预测状态误差与观测误差之间的协方差Pk xy、观测误差协方差Pk y计算公式具体如下：
Figure BDA0003647248440000081
其中，
Figure BDA0003647248440000082
为预测状态的预测值，
Figure BDA0003647248440000083
为观测预估值，Q、R分别为模型噪声的协方差和量测噪声的协方差，并且均为零均值白噪声。
S6，根据光伏电站的预测功率最优拟合值判断光伏电站是否发生故障。
具体地，可先根据预测功率最优拟合值计算光伏电站的输出功率相对残差指标，并可获取光伏电站的输出功率参考指标，然后可判断输出功率相对残差指标与输出功率参考指标的差值是否超过预测阈值，若是，则判断光伏电站发生故障。
更具体地，可采用下列公式计算光伏电站的输出功率相对残差指标：
Figure BDA0003647248440000084
其中，δ(k+1)表示光伏电站的输出功率相对残差指标，x(0)(k+1)表示光伏电站在k+1时刻输出功率数据，
Figure BDA0003647248440000085
光伏电站在k+1时刻预测功率最优拟合值。
更具体地，光伏电站的输出功率参考指标δref可为光伏电站中发生不通种类故障时输出功率与正常运行时输出功率的输出功率相对残差指标。
进一步地，可计算光伏电站的输出功率相对残差指标δ(k+1)与光伏电站的输出功率参考指标δref之间的差值Δδ，并可判断输出功率相对残差指标δ(k+1)与输出功率参考指标δref之间的差值Δδ是否超过预测阈值±δth，其中，若输出功率相对残差指标δ(k+1)与输出功率参考指标δref之间的差值Δδ超过预测阈值±δth，则可判断光伏电站发生故障。
下面将结合图2阐述本发明实施例的光伏电站的故障监测方法的具体流程。
如图2所示，本发明实施例的光伏电站的故障监测方法的具体流程如下：
S1，获取光伏电站的输出功率数据；
S2，根据输出功率数据得到光伏电站的历史时间序列；
S301，进行1-AGO累加，即采用一次累加算法根据历史时间序列产生生成序列；
S302，计算发展系数a和灰色作用量b，即根据生成序列得到邻均值序列，进而根据邻均值序列构建数据矩阵B和数据向量Y，然后根据数据矩阵B和数据向量Y计算建立灰色预测模型所需的发展系数a和灰色作用量b；
S303，确定灰色预测模型GM(1，1)，即根据发展系数a和灰色作用量b确定灰色预测模型具体为GM(1，1)模型；
S401，计算光伏电站的预测功率拟合数据，具体根据灰色预测模型的时间响应函数计算光伏电站的预测功率数据，并可采用一次累减算法处理光伏电站的预测功率数据，以得到光伏电站的预测功率拟合数据；
S402，构成光伏电站的预测功率拟合数据集，具体通过多次调用灰色预测模型生成多个光伏电站的预测功率拟合数据以构成光伏电站的预测功率拟合数据集；
S403，判断预测功率拟合数据集中的元素数量是否为q，若否，则返回执行步骤S401，若是，则执行步骤S5；
S5，采用集合卡尔曼滤波算法处理预测功率拟合数据集以得到光伏电站的预测功率最优拟合值；
S601，计算光伏电站的输出功率相对残差指标δ(k+1)；
S602，计算输出功率相对残差指标δ(k+1)与输出功率参考指标δref之间的差值Δδ；
S603，判断差值Δδ是否超过预测阈值±δth，若否，则返回执行步骤S602；若是，则执行步骤S604；
S604，判断光伏电站发生故障。
本发明的有益效果如下：
本发明通过预测光伏电站的输出功率，能够为电网调度提供准确的信息参考，以保证电网调度的合理性，从而能够降低光伏接入对电网的影响，此外，还能够提高电力***的稳定性和安全性，并能够改善电能质量。
下面将以装机容量为1MW的光伏电站为例，具体说明本发明实施例的光伏电站的故障监测方法的应用效果。
在本发明的一个具体实施例中，参照图3(a)，可先获取装机容量为1MW的光伏电站三天的历史输出功率数据，即历史第一天、历史第二天、历史第三天发电量，并可根据前两天的历史输出功率数据，即历史第一天、历史第二天发电量形成历史时间序列，进而建立相应的灰色预测模型，以得到第三天的预测功率数据，即第三天预测发电量。其中，在第三天设置故障降低光伏电站的发电量。
进一步地，可根据历史相似日数据和当日天气、环境、光照条件从故障诊断专家***中提取参考作为预测阈值线，并计算第三天实际发电量与预测发电量之间的相对差，即光伏发电站的输出功率相对残差指标，以及第三天实际发电量与预测发电量之间的绝对差，即光伏发电站的输出功率参考指标，具体如图3(b)所示，从而可判断光伏电站在采样点133-157时段发生故障。由此，可看出本发明实施例的光伏电站的故障监测方法能够准确预测光伏电站是否发生故障。
对应上述实施例的光伏电站的故障监测方法，本发明还提出了一种光伏电站的故障监测装置。
如图4所示，本发明实施例的光伏电站的故障监测装置包括获取模块10、第一数据处理模块20、建模模块30、第二数据处理模块40、第三数据处理模块50和故障判断模块60。其中，获取模块10用于获取光伏电站的输出功率数据；第一数据处理模块20用于根据输出功率数据得到光伏电站的历史时间序列；建模模块30用于根据历史时间序列建立灰色预测模型；第二数据处理模块40用于根据灰色预测模型得到光伏电站的预测功率拟合数据集；第三数据处理模块50用于采用集合卡尔曼滤波算法处理预测功率拟合数据集以得到光伏电站的预测功率最优拟合值；故障判断模块60用于根据光伏电站的预测功率最优拟合值判断光伏电站是否发生故障。
在本发明的一个实施例中，获取模块10可通过智能电表采集光伏电站的输出功率数据。其中，智能电表可为三相智能电表，光伏电站的输出功率数据可为为光伏电站并网关口的功率数据，即光伏电站向电网输入的功率数据。
在本发明的一个实施例中，第一数据处理模块20可具体用于根据光伏电站并网关口的功率数据，即光伏电站向电网输入的功率数据形成光伏电站的历史时间序列。
其中，光伏电站的历史时间序列的表达式可为：
X(0)＝(x(0)(1),x(0)(2),...,x(0)(n))。
在本发明的一个实施例中，建模模块30可具体采用一次累加算法根据历史时间序列产生生成序列，并可根据生成序列得到邻均值序列，进而可根据邻均值序列构建数据矩阵和数据向量，然后可根据数据矩阵和数据向量计算建立灰色预测模型所需的发展系数和灰色作用量，最后可根据发展系数和灰色作用量确定灰色预测模型。
在本发明的一个实施例中，一次累加算法的序列生成规则如下所示：
x(1)(1)＝x(0)(1)，
x(1)(2)＝x(0)(1)+x(0)(2)，
，......，
x(1)(n)＝x(0)(n-1)+x(0)(n)。
进一步地，可根据上述一次累加算法的序列生成规则产生生成序列，并且该生成序列的表达式可为：
X(1)＝(x(1)(1),x(1)(2),...,x(1)(n))
其中，x(1)(1)＝x(0)(1)，x(1)(2)＝x(0)(1)+x(0)(2)，...，x(1)(n)＝x(0)(n-1)+x(0)(n)。
进一步地，可对上述生成序列X(1)进行邻均值生成，以得到邻均值序列，并且该邻均值序列的表达式可为：
Z(1)(k)＝(x(1)(k)+x(1)(k+1))/2
其中，k＝2,3,...,n。
进一步地，可根据上述邻均值序列Z(1)(k)构建数据矩阵B和数据向量Y，并可根据数据矩阵B和数据向量Y计算建立灰色预测模型所需的发展系数a和灰色作用量b。
其中，数据矩阵B的具体表达式为：
Figure BDA0003647248440000131
数据向量Y的具体表达式为：
Figure BDA0003647248440000132
发展系数a和灰色作用量b的具体表达式为：
Figure BDA0003647248440000133
进一步地，根据上述发展系数a和灰色作用量b可确定灰色预测模型具体为GM(1，1)模型。
在本发明的一个实施例中，第二数据处理模块40可具体根据灰色预测模型的时间响应函数计算光伏电站的预测功率数据，并可采用一次累减算法处理光伏电站的预测功率数据，以得到光伏电站的预测功率拟合数据，然后可根据光伏电站的预测功率拟合数据构成光伏电站的预测功率拟合数据集。
在本发明的一个实施例中，灰色预测模型的时间响应函数的具体表达式为：
Figure BDA0003647248440000134
进一步地，可根据上述时间响应函数计算光伏电站的预测功率数据，即下一时刻光伏电站的输出功率值。
在本发明的一个实施例中，一次累减算法的序列生成规则如下：
x(0)(1)＝x(1)(1)，
x(0)(2)＝x(1)(2)-x(1)(1)，
，......，
x(0)(n)＝x(1)(n)-x(1)(n-1)。
进一步地，可根据上述一次累减算法的序列生成规则处理光伏电站的预测功率数据，即下一时刻光伏电站的输出功率值
Figure BDA0003647248440000141
以得到光伏电站的预测功率拟合数据，即光伏电站的预测功率拟合数据，即下一时刻光伏电站的输出功率值
Figure BDA0003647248440000142
的拟合值
Figure BDA0003647248440000143
并且该拟合值
Figure BDA0003647248440000144
的具体表达式为：
Figure BDA0003647248440000145
综上，可通过多次调用灰色预测模型生成多个光伏电站的预测功率拟合数据，即下一时刻光伏电站的输出功率拟合值
Figure BDA0003647248440000146
例如生成q个光伏电站的预测功率拟合数据，即下一时刻光伏电站的输出功率拟合值
Figure BDA0003647248440000147
并可将该q个光伏电站的预测功率拟合数据，即下一时刻光伏电站的输出功率拟合值
Figure BDA0003647248440000148
组成光伏电站的预测功率拟合数据集。
在本发明的一个实施例中，第三数据处理模块50可具体采用集合卡尔曼滤波算法处理预测功率拟合数据集以得到下一时刻光伏电站的预测功率最优拟合值，由此，通过集合卡尔曼滤波算法能够适应光伏电站的预测功率拟合数据的时间序列的非线性特性，从而能够滤除其包含的采样噪声和背景噪声。
更具体地，可先求取光伏电站在当前时刻，例如k时刻的预测状态误差协方差Pk a、预测状态误差与观测误差之间的协方差Pk xy、观测误差协方差Pk y，然后可采用集合卡尔曼滤波算法得到下一时刻，例如k+1时刻光伏电站的预测功率最优拟合值。
其中，光伏电站在当前时刻，例如k时刻的预测状态误差协方差Pk a、预测状态误差与观测误差之间的协方差Pk xy、观测误差协方差Pk y计算公式具体如下：
Figure BDA0003647248440000151
其中，
Figure BDA0003647248440000152
为预测状态的预测值，
Figure BDA0003647248440000153
为观测预估值，Q、R分别为模型噪声的协方差和量测噪声的协方差，并且均为零均值白噪声。
在本发明的一个实施例中，故障判断模块60可具体用于根据预测功率最优拟合值计算光伏电站的输出功率相对残差指标，并可获取光伏电站的输出功率参考指标，然后可判断输出功率相对残差指标与输出功率参考指标的差值是否超过预测阈值，若是，则判断光伏电站发生故障。
更具体地，可采用下列公式计算光伏电站的输出功率相对残差指标：
Figure BDA0003647248440000154
其中，δ(k+1)表示光伏电站的输出功率相对残差指标，x(0)(k+1)表示光伏电站在k+1时刻输出功率数据，
Figure BDA0003647248440000155
光伏电站在k+1时刻预测功率最优拟合值。。
更具体地，光伏电站的输出功率参考指标δref可为光伏电站中发生不通种类故障时输出功率与正常运行时输出功率的输出功率相对残差指标。
进一步地，可计算光伏电站的输出功率相对残差指标δ(k+1)与光伏电站的输出功率参考指标δref之间的差值Δδ，并可判断输出功率相对残差指标δ(k+1)与输出功率参考指标δref之间的差值Δδ是否超过预测阈值±δth，其中，若输出功率相对残差指标δ(k+1)与输出功率参考指标δref之间的差值Δδ超过预测阈值±δth，则可判断光伏电站发生故障。
下面将结合图2阐述本发明实施例的光伏电站的故障监测装置的具体工作过程。
如图2所示，本发明实施例的光伏电站的故障监测装置的具体工作过程如下：
S1，获取光伏电站的输出功率数据；
S2，根据输出功率数据得到光伏电站的历史时间序列；
S301，进行1-AGO累加，即采用一次累加算法根据历史时间序列产生生成序列；
S302，计算发展系数a和灰色作用量b，即根据生成序列得到邻均值序列，进而根据邻均值序列构建数据矩阵B和数据向量Y，然后根据数据矩阵B和数据向量Y计算建立灰色预测模型所需的发展系数a和灰色作用量b；
S303，确定灰色预测模型GM(1，1)，即根据发展系数a和灰色作用量b确定灰色预测模型具体为GM(1，1)模型；
S401，计算光伏电站的预测功率拟合数据，具体根据灰色预测模型的时间响应函数计算光伏电站的预测功率数据，并可采用一次累减算法处理光伏电站的预测功率数据，以得到光伏电站的预测功率拟合数据；
S402，构成光伏电站的预测功率拟合数据集，具体通过多次调用灰色预测模型生成多个光伏电站的预测功率拟合数据以构成光伏电站的预测功率拟合数据集；
S403，判断预测功率拟合数据集中的元素数量是否为q，若否，则返回执行步骤S401，若是，则执行步骤S5；
S5，采用集合卡尔曼滤波算法处理预测功率拟合数据集以得到光伏电站的预测功率最优拟合值；
S601，计算光伏电站的输出功率相对残差指标δ(k+1)；
S602，计算输出功率相对残差指标δ(k+1)与输出功率参考指标δref之间的差值Δδ；
S603，判断差值Δδ是否超过预测阈值±δth，若否，则返回执行步骤S602；若是，则执行步骤S604；
S604，判断光伏电站发生故障。
本发明的有益效果如下：
本发明通过预测光伏电站的输出功率，能够为电网调度提供准确的信息参考，以保证电网调度的合理性，从而能够降低光伏接入对电网的影响，此外，还能够提高电力***的稳定性和安全性，并能够改善电能质量。
下面将以装机容量为1MW的光伏电站为例，具体说明本发明实施例的光伏电站的故障监测装置的应用效果。
在本发明的一个具体实施例中，参照图3(a)，可先获取装机容量为1MW的光伏电站三天的历史输出功率数据，即历史第一天、历史第二天、历史第三天发电量，并可根据前两天的历史输出功率数据，即历史第一天、历史第二天发电量形成历史时间序列，进而建立相应的灰色预测模型，以得到第三天的预测功率数据，即第三天预测发电量。其中，在第三天设置故障降低光伏电站的发电量。
进一步地，可根据历史相似日数据和当日天气、环境、光照条件从故障诊断专家***中提取参考作为预测阈值线，并计算第三天实际发电量与预测发电量之间的相对差，即光伏发电站的输出功率相对残差指标，以及第三天实际发电量与预测发电量之间的绝对差，即光伏发电站的输出功率参考指标，具体如图3(b)所示，从而可判断光伏电站在采样点133-157时段发生故障。由此，可看出本发明实施例的光伏电站的故障监测装置能够准确预测光伏电站是否发生故障。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

Claims (10)

1.一种光伏电站的故障监测方法，其特征在于，包括以下步骤：
获取光伏电站的输出功率数据；
根据所述输出功率数据得到所述光伏电站的历史时间序列；
根据所述历史时间序列建立灰色预测模型；
根据所述灰色预测模型得到所述光伏电站的预测功率拟合数据集；
采用集合卡尔曼滤波算法处理所述预测功率拟合数据集以得到所述光伏电站的预测功率最优拟合值；
根据所述光伏电站的预测功率最优拟合值判断所述光伏电站是否发生故障。
2.根据权利要求1所述的光伏电站的故障监测方法，其特征在于，所述根据所述光伏电站的预测功率最优拟合值判断所述光伏电站是否发生故障，具体包括以下步骤：
根据所述预测功率最优拟合值计算所述光伏电站的输出功率相对残差指标；
获取所述光伏电站的输出功率参考指标；
判断所述输出功率相对残差指标与所述输出功率参考指标的差值是否超过预测阈值；
若是，则判断所述光伏电站发生故障。
3.根据权利要求1所述的光伏电站的故障监测方法，其特征在于，所述输出功率数据为所述光伏电站并网关口的功率数据。
4.根据权利要求1所述的光伏电站的故障监测方法，其特征在于，所述历史时间序列的表达式为：
X(0)＝(x(0)(1),x(0)(2),...,x(0)(n))。
5.根据权利要求1所述的光伏电站的故障监测方法，其特征在于，所述根据所述历史时间序列建立灰色预测模型，具体包括以下步骤：
采用一次累加算法根据所述历史时间序列产生生成序列；
根据所述生成序列得到邻均值序列；
根据所述邻均值序列构建数据矩阵和数据向量；
根据所述数据矩阵和所述数据向量计算建立所述灰色预测模型所需的发展系数和灰色作用量；
根据所述发展系数和所述灰色作用量确定所述灰色预测模型。
6.根据权利要求5所述的光伏电站的故障监测方法，其特征在于，其中，
所述生成序列的表达式为：
X(1)＝(x(1)(1),x(1)(2),...,x(1)(n))
其中，x(1)(1)＝x(0)(1)，x(1)(2)＝x(0)(1)+x(0)(2)，...，x(1)(n)＝x(0)(n-1)+x(0)(n)；
所述邻均值序列的表达式为：
Z(1)(k)＝(x(1)(k)+x(1)(k+1))/2
其中，k＝2,3,...,n。
7.根据权利要求1所述的光伏电站的故障监测方法，其特征在于，所述根据所述灰色预测模型得到所述光伏电站的预测功率拟合数据集，具体包括以下步骤：
根据所述灰色预测模型的时间响应函数计算所述光伏电站的预测功率数据；
采用一次累减算法处理所述光伏电站的预测功率数据，以得到所述光伏电站的预测功率拟合数据；
根据所述光伏电站的预测功率拟合数据构成所述光伏电站的预测功率拟合数据集。
8.根据权利要求7所述的光伏电站的故障监测方法，其特征在于，其中，
所述灰色预测模型的时间响应函数的具体表达式为：
Figure FDA0003647248430000031
所述光伏电站的预测功率拟合数据具体为：
Figure FDA0003647248430000032
9.一种光伏电站的故障监测装置，其特征在于，包括：
获取模块，所述获取模块用于获取光伏电站的输出功率数据；
第一数据处理模块，所述第一数据处理模块用于根据所述输出功率数据得到所述光伏电站的历史时间序列；
建模模块，所述建模模块用于根据所述历史时间序列建立灰色预测模型；
第二数据处理模块，所述第二数据处理模块用于根据所述灰色预测模型得到所述光伏电站的预测功率拟合数据集；
第三数据处理模块，所述第三数据处理模块用于采用集合卡尔曼滤波算法处理所述预测功率拟合数据集以得到所述光伏电站的预测功率最优拟合值；
故障判断模块，所述故障判断模块用于根据所述光伏电站的预测功率最优拟合值判断所述光伏电站是否发生故障。
10.根据权利要求9所述的光伏电站的故障监测装置，其特征在于，所述故障判断模块用于根据所述预测功率最优拟合值计算所述光伏电站的输出功率相对残差指标，并获取所述光伏电站的输出功率参考指标，判断所述输出功率相对残差指标与所述输出功率参考指标的差值是否超过预测阈值，若是，则判断所述光伏电站发生故障。
CN202210538164.4A 2022-05-17 2022-05-17 光伏电站的故障监测方法和装置 Pending CN114915261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210538164.4A CN114915261A (zh) 2022-05-17 2022-05-17 光伏电站的故障监测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210538164.4A CN114915261A (zh) 2022-05-17 2022-05-17 光伏电站的故障监测方法和装置

Publications (1)

Publication Number Publication Date
CN114915261A true CN114915261A (zh) 2022-08-16

Family

ID=82768834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210538164.4A Pending CN114915261A (zh) 2022-05-17 2022-05-17 光伏电站的故障监测方法和装置

Country Status (1)

Country Link
CN (1) CN114915261A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116418293A (zh) * 2023-04-21 2023-07-11 攀枝花中电光伏发电有限公司 一种基于物联网大数据的光伏电站智慧诊断***
CN118040910A (zh) * 2024-04-12 2024-05-14 国网山东省电力公司菏泽供电公司 一种偏远地区的微电网储能异常状态在线监测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116418293A (zh) * 2023-04-21 2023-07-11 攀枝花中电光伏发电有限公司 一种基于物联网大数据的光伏电站智慧诊断***
CN116418293B (zh) * 2023-04-21 2024-02-27 攀枝花中电光伏发电有限公司 一种基于物联网大数据的光伏电站智慧诊断***
CN118040910A (zh) * 2024-04-12 2024-05-14 国网山东省电力公司菏泽供电公司 一种偏远地区的微电网储能异常状态在线监测方法

Similar Documents

Publication Publication Date Title
CN109146093B (zh) 一种基于学习的电力设备现场勘查方法
CN114915261A (zh) 光伏电站的故障监测方法和装置
CN102930356B (zh) 基于气象因素敏感度的短期负荷预测方法
EP2537222B1 (en) Energy generating system and control thereof
Leva et al. PV module fault diagnosis based on microconverters and day-ahead forecast
CN102737286A (zh) 一种地区电网在线风险分析***和方法
CN102708411A (zh) 一种地区电网在线风险评估方法
CN113988273A (zh) 基于深度学习的冰灾环境主动配电网态势预警及评估方法
CN102426674A (zh) 一种基于马尔科夫链的电力***负荷预测方法
CN113036913B (zh) 一种综合能源设备状态监测方法及装置
CN115528817A (zh) 一种用户端智能配用电***、方法、介质、设备及终端
CN103246939A (zh) 基于安全稳定裕度的电网运行安全风险事件在线辨识方法
CN116845878B (zh) 一种用于微电网用电负荷预测方法
US11551323B2 (en) Ensuring safe servicing in a low-voltage network of the electric power distribution system
CN116341919B (zh) 一种数据与模型联合驱动的安全风险评估预警方法
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和***
KR20200119371A (ko) 모델 기반의 태양광발전 통합 관리 시스템 및 방법
CN112001569A (zh) 一种基于多电压等级故障下的电网运行风险分析方法
CN105958474B (zh) 一种电网调控***用输电线路动态增容方法和***
CN117477558A (zh) 一种基于电网负荷的预测方法及其***
CN117200223A (zh) 日前电力负荷预测方法和装置
US11451053B2 (en) Method and arrangement for estimating a grid state of a power distribution grid
CN102095953A (zh) 一种蓄电池充电机性能在线检测方法
CN114460890B (zh) 一种无人值守配电房的远程监控***及方法
CN115310839A (zh) 一种光伏电站积灰预警评估方法和***

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