CN114936789A - 一种基于时序特征分解技术的并网光伏发电***状态监测方法 - Google Patents
一种基于时序特征分解技术的并网光伏发电***状态监测方法 Download PDFInfo
- Publication number
- CN114936789A CN114936789A CN202210650636.5A CN202210650636A CN114936789A CN 114936789 A CN114936789 A CN 114936789A CN 202210650636 A CN202210650636 A CN 202210650636A CN 114936789 A CN114936789 A CN 114936789A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vector
- time sequence
- formula
- grid
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 99
- 239000011159 matrix material Substances 0.000 claims description 90
- 238000005259 measurement Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000036963 noncompetitive effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开一种基于时序特征分解技术的并网光伏发电***状态监测方法,旨在通过分析提取并网光伏发电***采样数据的时间序列相关特征,并同时考虑采样数据的时变特性,从而解决并网光伏发电***的运行状态监测问题。具体来讲,本发明方法设计了一种全新的时序特征分解方法技术,以并网光伏发电***配套的SCADA***提供的实时采样数据为对象,直接通过特征自回归模型的方式,挖掘出数据中蕴藏的满足时序误差最小化的时序相关特征来构建相应的监测指标。本发明方法通过监测时序特征的时序回归误差以及静态的模型误差来监测采样数据中的异常变化,从两个方面确保了并网光伏发电***运行状态监测的全面性。
Description
技术领域
本发明涉及一种并网光伏发电***运行状态监测方法,特别涉及一种基于时序特征分解技术的并网光伏发电***状态监测方法。
背景技术
随着全球对能源需求的不断增加,传统化石能源的紧缺己经成为一个不争的事实,太阳能以其自身的优越性被人们广泛的关注。把太阳能转化为大家常生活中使用的交流电能是并网光伏发电***的功能所在。由于光伏阵列发出的是不可直接使用的波动电流,因而需要光伏并网逆变器,将其转化为与电网同频同相的交流电,因而并网光伏逆变器是决定并网效率和性能的核心部件。并网光伏发电***的最大特点是光伏阵列产生的直流电经过并网逆变器转换为符合市电电网要求的交流电后接入市电网络,并网***中光伏阵列所产生的电力除了供给交流负载外,多余的电力反馈给电网。
由于和大电网相连接,不必考虑负载供电的稳定性。有大电网来接纳光伏发电***输出的电能,且输出的质量相对稳定,因而并网光伏发电***得到了越来越广泛的关注。随着目前光伏并网发电越来越多,光伏发电的建设规模越来越大,并网光伏发电***的状态监测是保证光伏发电正常运行的保证。如果使用人工巡检的方式,将消耗大量的人力和物力。此外并网发电以后,光伏发电***将作为电力***的一部分,如果配电网络出现故障,或者光伏发电***出现故障,都将会影响到整个电力***的正常运行。在自动化研究领域,并网光伏发电***是目前发展速度最快的电力技术之一。因此,如何实时监测并网光伏发电***的正常运行是保证电力持续稳定供应的重中之重。
近年来,通过利用并网光伏发电***的实时测量数据来实现对其运行状态监测已经逐渐得到了业内的认可,衍生出了一系列的基于数据特征分析与提取策略的光伏发电运行状态监测方法。其中,分析时间序列的数据往往可以挖掘出巨大的数据价值,这种数据价值可以是依据事物历史发展规律,进一步推测事物未来的发展,简言之就是时间序列预测。所谓时间序列预测就是从时间序列的数据中找出演化规律,构建数学模型,并对未来发展进行定量估计,在这其中最重要的一点就是基于数据中存在的先后顺序。在当前技术环境下,并网光伏发电***都安装有配套的监视控制与数据采集***(Supervisory ControlAnd Data Acquisition,缩写:SCADA),以固定设置的采样时间间隔,不间断的对并网光伏发电***实施数据采集与监视。SCADA***的广泛应用为实施时间序列分析的并网光伏发电***运行状态监测提供了坚实的数据基础。
发明内容
本发明所要解决的主要技术问题是:如何通过分析提取并网光伏发电***采样数据的时间序列相关特征,并同时考虑采样数据的时变特性,从而解决并网光伏发电***的运行状态监测问题。具体来讲,本发明方法设计推理出了一种新型的时间序列采样数据特征分解技术(简称:时序特征分解),以并网光伏发电***配套的SCADA***提供的实时采样数据为对象,挖掘出数据中蕴藏的时序相关特征来构建相应的监测指标。
本发明方法解决上述问题所采用的技术方案为:一种基于时序特征分解技术的并网光伏发电***状态监测方法,包括以下所示步骤:
步骤(1):在并网光伏发电***正常运行状态下,利用SCADA***获取各个采样时刻的测量数据,并按照采样时间先后依次将N个采样时刻的测量数据对应存储为N个数据向量x1,x2,…,xN;其中,第i个采样时刻的数据向量xi∈R11×1具体由第i个采样时刻的11个测量数据组成,依次分别是:光照强度,环境温度,直流电压,直流电流,直流变换器的输出电压,交流逆变器的三相电压和三相电流;下标号i∈{1,2,…,N},R11×1表示11×1维的实数向量,R表示实数集。
步骤(2):将x1,x2,…,xN组成数据矩阵X=[x1,x2,…,xN]T后,再根据对X中各列的列向量分别实施标准化处理,从而得到新矩阵其中,zj∈RN×1表示数据矩阵X中的第j列的列向量,表示新矩阵中第j列的列向量,μj和δj分别表示列向量zj中所有元素的平均值和标准差,j∈{1,2,…,11},RN×11表示N×11维的实数矩阵,上标号T表示矩阵或向量的转置。
步骤(4):按照如下所示步骤(4.1)至(4.7)为时序矩阵Y和时序扩展矩阵Z实施时序特征分解,得到特征分解矩阵W∈R11×M,回归系数矩阵P∈R11×M,时序系数矩阵B∈RD×M,和时序误差矩阵E∈R(N-D)×11;其中,M等于时序特征的个数,R(N-D)×11表示(N-D)×11维的实数矩阵。
步骤(4.1):设置时序特征的个数等于M后,再初始化m=1。
上式中,b1,b2,…,bD分别表示βm中的D个元素。
步骤(4.5):计算G的最小特征值所对应的特征向量g后,再根据公式wm=UV-0.5g计算得到分解向量wm。
步骤(4.6):根据公式更新特征向量wm后,判断wm是否收敛;若否,则返回步骤(4.3);若是,则根据pm=Lwm计算第m个回归系数向量pm,根据公式计算第m个时序误差向量em,并保留wm,pm和em后,再根据公式和分别更新Y和Z后,再执行步骤(4.7)。
步骤(4.7):判断m是否小于M;若是,则设置m=m+1后,返回步骤(4.2);若否,则将保留的M个回归系数向量p1,p2,…,pM组成回归系数矩阵P=[p1,p2,…,pM],将保留的M个分解向量w1,w2,…,wM组成特征分解矩阵W=[w1,w2,…,wM],将M个时序系数向量β1,β2,…,βM组成时序系数矩阵B=[β1,β2,…,βM],将M个时序误差向量e1,e2,…,eM组成时序误差矩阵E=[e1,e2,…,eM]后,再根据公式W=W(PTW)-1更新特征分解矩阵W。
需要说明的是,以上述步骤(4.1)至步骤(4.7)的具体实施过程是本发明方法所涉及的一种全新的时序特征分解技术,其目标为了使通过分解向量wm使得时序特征之间的时序误差最小化,即:
上式⑤和⑥分别等于0时,则上式④中的目标函数取极值,由此可得:
因此,求解分解向量wm实则求解一个典型的广义特征值问题:Gwm=λLwm。而当wm已知时,则即可根据上式⑦中的第二个公式直接计算βm。
为了避免L的奇异问题,可先对L实施奇异值分解,即:L=UVUT。然后,通过矩阵A=V-0.5UT,即可将Gwm=λLwm等价转换成AGAT(A-Twm)=λ(A-Twm)。令g=A-Twm,则可得到如下所示的标准的特征值求解问题:
V-0.5UTGUV-0.5g=λg ⑧
当求解出最小特征值对应的特征向量后,即可通过wm=ATg=UV-0.5g计算分解向量wm,这也就是上述步骤(4.4)中的最小特征值问题计算的由来。由于求解βm需要已知wm而求解wm需要已知βm,因此设计出上述步骤(4.3)至步骤(4.6)所示的循环迭代实施过程。
当求解出第一个分解向量w1后,再求解第2个分解向量w2之前,需要从时序矩阵Y与时序扩展矩阵Z中分别删除上一个分解向量的特征提取作用,因此需要通过如下所示的最小二乘计算方式求解回归系数向量pm,从而使最小化:
步骤(5):根据公式计算模型误差矩阵F,并计算时序误差矩阵E的协方差矩阵Λ=ETE/(N-D-1)后,再根据公式Qd=diag{ETΛ-1E}和Qs=diag{FTF}分别计算时序监测指标向量Qd和静态监测指标向量Qs;其中,diag{}表示将大括号内的矩阵对角线元素转变成列向量的操作。
步骤(6):分别将Qd和Qs中的最大值记录为Qd,max和Qs,max,并计算综合监测指标向量ψ=Qd/Qd,max+Qs/Qs,max后,再将ψ中的最大值记录为ψmax。
步骤(7):利用SCADA***获取并网光伏发电***在最新采样时刻的11个测量数据,并将这11个测量数据按照步骤(1)中所述顺序依次排列后组成一个11×1维的数据向量yt∈R11×1后,再根据公式对yt中的各个元素实施标准化处理,从而得到列向量其中,j∈{1,2,…,11},yt(j)和分别表示yt和中的第j个元素,t表示最新采样时刻。
步骤(8):将前D个采样时刻的数据向量依次记录为yt-1,yt-2,…,yt-D,并按照步骤(7)中的实施过程,分别对其实施标准化处理,从而对应得到列向量后,再根据如下所示步骤(8.1)至步骤(8.4)计算得到时序误差向量et∈RM×1和模型误差向量ft∈R11 ×1。
步骤(8.2):根据如下所示公式⑧计算时序误差向量et中的第m个元素et(m):
et(m)=st(m)-[st-1(m),st-2(m),…,st-D(m)]B(m) ⑩
上式中,st(m),st-1(m),st-2(m),...,st-D(m)分别表示时序特征向量st,st-1,st-2...,和st-D中的第m个元素,B(m)表示时序系数矩阵B中的第m列的列向量。
步骤(8.3):判断m是否小于M;若是,则设置m=m+1后,返回步骤(8.2);若否,则得到时序误差向量et中的所有M个元素。
步骤(11):返回步骤(7)继续利用最新采样时刻的测量数据实施状态监测,若连续A个采样时刻的综合监测指标都大于ψmax,则触发异常警报;反之,则并网光伏发电***运行正常。
在上述步骤(11)中,连续的A个采样时刻需要根据不同的场合与监测任务要求确定出参数A的具体数值。例如,若某个并网光伏发电***是按照5分钟的采样间隔采集数据,而监测任务要求在60分钟内给出并网光伏发电***是否异常的信息,则A=60÷5=12。
通过以上所述实施步骤,本发明方法的优势介绍如下。
首先,本发明方法涉及采用了一种全新的针对并网光伏发电***采样数据的时序特征分解的技术,该方法技术直接通过特征自回归模型的方式,分析提取出满足时序误差最小化的潜藏特征;其次,本发明方法通过监测时序特征的时序回归误差以及静态的模型误差来监测采样数据中的异常变化,从两个方面确保了并网光伏发电***运行状态监测的全面性。
附图说明
图1为本发明方法的实施流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明公开了一种基于时序特征分解技术的并网光伏发电***状态监测方法,下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。
步骤(1):在并网光伏发电***正常运行状态下,利用配套的SCADA***获取各个采样时刻的测量数据,并按照采样时间先后依次将N个采样时刻的测量数据分别存储为N个数据向量x1,x2,…,xN;各个数据向量中的11的测量数据需按照如下所示顺序依次排列:光照强度,环境温度,直流电压,直流电流,直流变换器的输出电压,交流逆变器的三相电压和三相电流。
通过矩阵L的计算方式可以发现,L实则是一个对角矩阵。因此,对L实施奇异值分解会得到两个相同的酉矩阵和一个由奇异值组成的对角矩阵,相应的奇异值分解形式即可表示成:L=UVUT。
此外,对L实施奇异值分解的目的是为了剔除非常接近于零的奇异值,从而使奇异值对角矩阵V可逆。在本发明方法中,剔除小于10-6的奇异值。
步骤(4):为并网光伏发电***的测量数据实施时序特征分解,得到特征分解矩阵W∈R11×M,回归系数矩阵P∈R11×M,时序系数矩阵B∈RD×M,和时序误差矩阵E∈R(N-D)×11,具体的实施过程如步骤(4.1)至步骤(4.7)所示。
步骤(5):根据公式计算模型误差矩阵F,并计算时序误差矩阵E的协方差矩阵Λ=ETE/(N-D-1)后,再根据公式Qd=diag{ETΛ-1E}和Qs=diag{FTF}分别计算时序监测指标向量Qd和静态监测指标向量Qs。
步骤(6):分别将Qd和Qs中的最大值记录为Qd,max和Qs,max,并计算综合监测指标向量ψ=Qd/Qd,max+Qs/Qs,max后,再将ψ中的最大值记录为ψmax。
步骤(7):利用并网光伏发电***配套的SCADA***获取最新采样时刻的11个测量数据,并将这11个测量数据按照步骤(1)中所述顺序依次排列后组成一个11×1维的数据向量yt∈R11×1后,再根据公式对yt中的各个元素实施标准化处理,从而得到列向量
步骤(8):将前D个采样时刻的数据向量依次记录为yt-1,yt-2,…,yt-D,并按照步骤(7)中的实施过程,分别对其实施标准化处理,从而对应得到列向量后,再利用步骤(4)中得到的特征分解矩阵W,回归系数矩阵P,和时序系数矩阵B,计算得到时序误差向量et∈RM×1和模型误差向量ft∈R11×1,具体的实施过程如步骤(8.1)至步骤(8.4)所示。
需要指出的是,下标号t表示当前采样时刻,也即是:最新采样时刻;而t-1表示当前采样时刻的前一个采样时刻,t-2表示当前采样时刻的前两个采样时刻,以此类推。
步骤(11):返回步骤(7)继续利用最新采样时刻的测量数据实施状态监测,若连续A个采样时刻的综合监测指标都大于ψmax,则触发异常警报;反之,则并网光伏发电***运行正常。
Claims (3)
1.一种基于时序特征分解技术的并网光伏发电***状态监测方法,其特征在于,具体包括以下所示步骤:
步骤(1):在并网光伏发电***正常运行状态下,利用SCADA***获取各个采样时刻的测量数据,并按照采样时间先后将N个采样时刻的测量数据依次对应存储为N个数据向量x1,x2,…,xN;其中,第i个采样时刻的数据向量xi∈R11×1具体由第i个采样时刻的11个测量数据组成,排列顺序依次是:光照强度,环境温度,直流电压,直流电流,直流变换器的输出电压,交流逆变器的三相电压和三相电流;下标号i∈{1,2,…,N},R11×1表示11×1维的实数向量,R表示实数集;
步骤(2):将x1,x2,…,xN组成数据矩阵X=[x1,x2,…,xN]T后,再根据对X中各列的列向量分别实施标准化处理,从而得到新矩阵其中,zj∈RN×1表示X中第j列的列向量,表示新矩阵中第j列的列向量,μj和δj分别表示列向量zj中所有元素的平均值和标准差,j∈{1,2,…,11},RN×11表示N×11维的实数矩阵,上标号T表示矩阵或向量的转置;
步骤(4):利用时序矩阵Y和时序扩展矩阵Z实施时序特征分解,得到特征分解矩阵W∈R11×M,回归系数矩阵P∈R11×M,时序系数矩阵B∈RD×M,和时序误差矩阵E∈R(N-D)×11;其中,M等于时序特征的个数,R(N-D)×11表示(N-D)×11维的实数矩阵;
步骤(5):根据公式计算模型误差矩阵F,并计算时序误差矩阵E的协方差矩阵Λ=ETE/(N-D-1)后,再根据公式Qd=diag{ETΛ-1E}和Qs=diag{FTF}分别计算时序监测指标向量Qd和静态监测指标向量Qs;其中,diag{}表示将大括号内的矩阵对角线元素转变成列向量的操作;
步骤(6):分别将Qd和Qs中的最大值记录为Qd,max和Qs,max,并计算综合监测指标向量ψ=Qd/Qd,max+Qs/Qs,max后,再将ψ中的最大值记录为ψmax;
步骤(7):利用SCADA***获取并网光伏发电***在最新采样时刻的11个测量数据,并将这11个测量数据按照步骤(1)中所述顺序依次排列后组成一个11×1维的数据向量yt∈R11×1后,再根据公式对yt中的各个元素实施标准化处理,从而得到列向量其中,j∈{1,2,…,11},yt(j)和分别表示yt和中的第j个元素;
步骤(8):将前D个采样时刻的数据向量依次记录为yt-1,yt-2,…,yt-D,并按照步骤(7)中的实施过程,分别对其实施标准化处理,从而对应得到列向量后,再根据如下所示步骤(8.1)至步骤(8.4)计算得到时序误差向量et∈RM×1和模型误差向量ft∈R11×1;
步骤(8.2):根据如下所示公式②计算时序误差向量et中的第m个元素et(m):
et(m)=st(m)-[st-1(m),st-2(m),…,st-D(m)]B(m) ②
上式中,st(m),st-1(m),st-2(m),…,st-D(m)分别表示时序特征向量st,st-1,st-2…,和st-D中的第m个元素,B(m)表示时序系数矩阵B中的第m列的列向量;
步骤(8.3):判断m是否小于M;若是,则设置m=m+1后,返回步骤(8.2);若否,则得到时序误差向量et中的所有M个元素;
步骤(11):返回步骤(7)继续利用最新采样时刻的测量数据实施状态监测,若连续A个采样时刻的综合监测指标都大于ψmax,则触发异常警报;反之,则并网光伏发电***运行正常。
2.根据权利要求1所述的一种基于时序特征分解技术的并网光伏发电***状态监测方法,其特征在于,所述步骤(4)的具体实施过程如下所示:
步骤(4.1):设置时序特征的个数等于M后,再初始化m=1;
步骤(4.5):计算G的最小特征值所对应的特征向量g后,再根据公式wm=UV-0.5g计算得到分解向量wm;
步骤(4.6):根据公式更新特征向量wm后,判断wm是否收敛;若否,则返回步骤(4.3);若是,则根据pm=Lwm计算第m个回归系数向量pm,根据公式计算第m个时序误差向量em,并保留wm,pm和em后,再根据公式和分别更新Y和Z后,再执行步骤(4.7);
步骤(4.7):判断m是否小于M;若是,则设置m=m+1后,返回步骤(4.2);若否,则将保留的M个回归系数向量p1,p2,…,pM组成回归系数矩阵P=[p1,p2,…,pM],将保留的M个分解向量w1,w2,…,wM组成特征分解矩阵W=[w1,w2,…,wM],将M个时序系数向量β1,β2,…,βM组成时序系数矩阵B=[β1,β2,…,βM],将M个时序误差向量e1,e2,…,eM组成时序误差矩阵E=[e1,e2,…,eM]后,再根据公式W=W(PTW)-1更新特征分解矩阵W。
3.根据权利要求1所述的一种基于时序特征分解技术的并网光伏发电***状态监测方法,其特征在于,所述步骤(3)中对矩阵L实施奇异值分解时,需删除小于10-6的奇异值,再将其余大于等于10-6的奇异值组成奇异值对角矩阵V。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650636.5A CN114936789A (zh) | 2022-04-30 | 2022-04-30 | 一种基于时序特征分解技术的并网光伏发电***状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650636.5A CN114936789A (zh) | 2022-04-30 | 2022-04-30 | 一种基于时序特征分解技术的并网光伏发电***状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936789A true CN114936789A (zh) | 2022-08-23 |
Family
ID=82866292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210650636.5A Pending CN114936789A (zh) | 2022-04-30 | 2022-04-30 | 一种基于时序特征分解技术的并网光伏发电***状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936789A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116684878A (zh) * | 2023-07-10 | 2023-09-01 | 北京中科网芯科技有限公司 | 一种5g信息传输数据安全监测*** |
-
2022
- 2022-04-30 CN CN202210650636.5A patent/CN114936789A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116684878A (zh) * | 2023-07-10 | 2023-09-01 | 北京中科网芯科技有限公司 | 一种5g信息传输数据安全监测*** |
CN116684878B (zh) * | 2023-07-10 | 2024-01-30 | 北京中科网芯科技有限公司 | 一种5g信息传输数据安全监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298138B (zh) | 一种综合能源***优化方法、装置、设备及可读存储介质 | |
Kulaksiz | ANFIS-based estimation of PV module equivalent parameters: application to a stand-alone PV system with MPPT controller | |
Kumar et al. | Estimation of MPP of a double diode model PV module from explicit I–V characteristic | |
CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及*** | |
Zhang et al. | Performance prediction of PV modules based on artificial neural network and explicit analytical model | |
CN114936789A (zh) | 一种基于时序特征分解技术的并网光伏发电***状态监测方法 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
Gao et al. | Wind speed forecast for wind farms based on ARMA-ARCH model | |
CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
CN111799843B (zh) | 一种概率融合式光伏电站的多维全状态数据建模方法 | |
CN115267409A (zh) | 一种电力设备故障检测方法、装置及设备 | |
CN114710116A (zh) | 一种基于模糊模型的光伏电池组件的实测建模方法及*** | |
Al Ameri et al. | Fast estimation method for selection of optimal distributed generation size using Kalman filter and graph theory | |
CN113095596A (zh) | 基于多级Gate-SA-TCN的光伏功率预测方法 | |
CN112232598A (zh) | 一种递进式光伏发电***输出功率组合预测方法及*** | |
CN112260650A (zh) | 一种基于差异特征分析技术的光伏电板故障检测方法 | |
Bai | Probabilistic load flow using point estimate method based on nataf transformation for active distribution network | |
CN111668828A (zh) | 一种电力***概率最优潮流计算方法及装置 | |
Velasco et al. | A hybrid model of autoregressive integrated moving average and artificial neural network for load forecasting | |
Akpolat et al. | Supervised Learning-Aided Control of a DC-DC Power Converter in Wind Energy Conversion Systems | |
CN117872038B (zh) | 一种基于图论的直流微电网失稳故障源定位方法及装置 | |
Sun et al. | Short-term PV Power Prediction Based on Data Mining and Multi-kernel SVM | |
CN115935262B (zh) | 图数据驱动的配电网拓扑辨识方法、电子设备及存储介质 | |
Liu et al. | An event-oriented reliability assessment for DC link capacitors in grid connected inverter with low voltage ride through operation |
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 |