唐亮, 隋仕偉, 梁曉偉, 劉單華, 吳軻

(1. 國網安徽省電力有限公司, 安徽, 合肥 230000;2. 國電南瑞南京控制系統(tǒng)有限公司, 江蘇, 南京 210000;3. 國網安徽省電力有限公司營銷服務中心, 安徽, 合肥 230000)

0 引言

近年來,全球光伏發(fā)電裝機容量不斷增加。在大多數(shù)太陽能光伏系統(tǒng)的安裝中,光伏電池組件被置于惡劣的戶外環(huán)境中,這種環(huán)境條件可能導致光伏電池組件發(fā)生故障。為此,需要通過對光伏發(fā)電產生的各種數(shù)據(jù)進行監(jiān)控和核查,進而分析故障產生的原因[1-3]?，F(xiàn)有技術分析方法仍舊局限于常規(guī)設備監(jiān)測,這就造成數(shù)據(jù)信息監(jiān)控力度不夠,核查能力落后。

文獻[4]提出了一種故障檢測方法,該方法通過比較測得的光伏發(fā)電數(shù)據(jù)與相應的預測數(shù)據(jù)之間的差異來檢測故障,但該方法只能檢測故障的發(fā)生,無法識別具體的故障信息。文獻[5]提出了一種概率神經網絡故障檢測方法,以歷史數(shù)據(jù)中的樣本建立模型,從而實現(xiàn)故障的檢測與診斷,但該方法數(shù)據(jù)監(jiān)控及計算機分析能力落后。

1 數(shù)據(jù)核查服務平臺設計

鑒于上述文獻存在的不足,本文提出一種數(shù)據(jù)核查服務平臺[6],該平臺架構如圖1所示。

圖1 數(shù)據(jù)核查服務平臺架構圖

從圖1可以看出,新能源發(fā)電的基礎數(shù)據(jù)大部分源自國家電網系統(tǒng),這些數(shù)據(jù)經過采集后,被妥善地存儲起來,為數(shù)據(jù)特征提取模型提供充足的樣本信息。利用大數(shù)據(jù)分析技術對這些數(shù)據(jù)進行合理分析,并將分析結果傳遞至上層管理中心。用戶管理人員則根據(jù)相關數(shù)據(jù)核查算法,借助可視化分析技術,深入挖掘新能源發(fā)電基礎數(shù)據(jù)中隱藏的信息,并通過多維度數(shù)據(jù)展示,實現(xiàn)對光伏發(fā)電系統(tǒng)的故障檢測[7]。

2 關鍵技術

2.1 新能源發(fā)電系統(tǒng)監(jiān)控方案設計

在本文方法中,新能源發(fā)電系統(tǒng)監(jiān)控方案包括監(jiān)控單元、組串監(jiān)控和電站監(jiān)控。本文方法給出了以2.5 MW箱式逆變房為例的新能源發(fā)電監(jiān)控系統(tǒng),如圖2所示。

圖2 新能源發(fā)電系統(tǒng)監(jiān)控方案設計

在本文監(jiān)控方案中,監(jiān)控單元的監(jiān)控包括電網應用設備電壓監(jiān)控、高壓監(jiān)控。通過設置繼電器線圈電壓采集模塊,對電網高壓電路中的繼電器電壓進行數(shù)據(jù)信息采集,控制方法采用MC9S12G48的單片機即可滿足需求[8]。在對電網設備中運行的中低壓信息進行監(jiān)測時,通過中低壓電壓監(jiān)測電路實現(xiàn)電壓數(shù)據(jù)信息的監(jiān)測,如圖3所示。

圖3 中低壓電壓監(jiān)測電路

在圖3中,中低壓電壓監(jiān)測電路在硬件模塊上設置用于監(jiān)測電網運行電力設備AN051A電壓檢測器IC1、AN051A電壓檢測器IC2、STP11250低壓差穩(wěn)壓集成電路IC3。其中,電路中還設置有偶7805穩(wěn)壓芯片、7812穩(wěn)壓芯片,以起到穩(wěn)定電路中電壓的目的,能夠提高中低壓電壓監(jiān)測過程中的安全能力。為了便于監(jiān)測需要,還設置了中間繼電器KA[9],以適時進行電路信息通斷,其中設置欠電壓報警單元能夠實現(xiàn)監(jiān)測電路預警。當電路中的電力設備運行電壓高于設定閾值時,監(jiān)測電路能夠發(fā)出警示性語音信號,并自動切斷電路中的電壓,以保證電力設備健康、良性運行。

在進行組串監(jiān)控時,通過在電網設備中逆變器組件或者發(fā)電站高壓點輸入端設置電流傳感器和電壓檢測裝置,能夠檢測到通過每個組串的電壓和電流信息值,并對這些數(shù)據(jù)信息進行分析與計算,避免電路異常造成網絡故障。

在電站監(jiān)控時,由于電站是一個龐大且危險性比較高的客體,可通過巡檢機器人、遙感技術或者無人機技術攜帶監(jiān)控裝置實現(xiàn),也可結合工業(yè)控制特點、安防管理需求以及數(shù)字視頻技術,實現(xiàn)信息化、網絡化、遠程化管理。

2.2 新能源發(fā)電系統(tǒng)數(shù)據(jù)核查方法

新能源發(fā)電系統(tǒng)在運行過程中,容易產生大量的數(shù)據(jù)信息,如何分析、挖掘和應用這些數(shù)據(jù)信息就顯得尤為必要。本文采用方法是改進型BP神經網絡模型,因為BP神經網絡模型要解決的是一個復雜非線性化問題,BP神經網絡對初始網絡權重非常敏感,收斂時,局部極小。在常規(guī)技術中,BP 神經網絡算法的收斂速度慢、結構選擇不一、訓練精度低下,因此加入經驗模態(tài)分解(EMD) 算法,以提高數(shù)據(jù)分析能力。算法模型如圖4所示。

圖4 改進型BP神經網絡模型

下面通過分步驟說明。

步驟一:輸入新能源發(fā)電數(shù)據(jù)信息,并進行初始化處理,使輸入的數(shù)據(jù)信息為純凈數(shù)據(jù)信息。

步驟二:將EMD算法模型設置在BP神經網絡模型的輸入端,將輸入的數(shù)據(jù)信息通過EMD算法模型進行一級計算。

步驟三:假設將輸入EMD算法模型中的數(shù)據(jù)信息記作X(t)。為了方便計算,在輸入數(shù)據(jù)信息時,按照數(shù)據(jù)屬性將同一數(shù)據(jù)屬性的數(shù)據(jù)信息最小值和最大值分別記作Xmin(t)、Xmax(t)。為了確保輸入的數(shù)據(jù)信息符合計算屬性,借助曲線插值算法對其進行擬合后再計算。數(shù)據(jù)輸出可以為

(1)

通過式(1),再對采集電力數(shù)據(jù)信息中的剩余信息進行計算,則有:

d1(t)=X(t)-m1(t)

(2)

式(2)中,d1(t)表示電力數(shù)據(jù)信息輸出的剩余信號,該信息反映采集數(shù)據(jù)信息占整個電力系統(tǒng)數(shù)據(jù)信息的比例。當電力系統(tǒng)輸出的數(shù)據(jù)信息門限值大于篩分門限值(SD)時,EMD算法模型輸出的數(shù)據(jù)信息可以分解為第一階模態(tài)分量c1(t)(第一IMF),SD可以通過以下公式表示:

(3)

對電力系統(tǒng)輸出數(shù)據(jù)信息的第一階殘差量r1(t)繼續(xù)進行計算,以提高數(shù)據(jù)計算精度。則有:

r1(t)=X(t)-c1(t)

(4)

為了提高數(shù)據(jù)計算的精度,設置反復數(shù)據(jù)信息為n次,最終輸出的第n階模擬函數(shù)cn(t)、殘差量rn(t)滿足以下關系式:

(5)

步驟四:通過EMD算法模型輸出的數(shù)據(jù)信息集合記作{X1、X2、Xn} ,假設故障數(shù)據(jù)信息集合為W,則通過擬合函數(shù)f(W×Xi)×Xi對模型輸出值,進行最大限度地逼近。假設在數(shù)據(jù)函數(shù)中輸入激勵函數(shù)f,則BP神經網絡算法模型對新能源發(fā)電基礎數(shù)據(jù)信息的誤差輸出函數(shù)記作:

(6)

式中,Yi為模型的輸出值,Y為數(shù)據(jù)信息的真實值。

為了提高誤差數(shù)據(jù)計算的精度,需要對誤差e值進行調節(jié),當數(shù)據(jù)信息e值調節(jié)到最小,則誤差診斷出的故障數(shù)據(jù)信息為最小,這通過下降梯度來表示,則有:

(7)

式(7)中,存在以下關系式:

(8)

在經過反復的學習和訓練中,還可以調節(jié)隱層節(jié)點數(shù)據(jù)信息,多次修改權重矩陣W,以實現(xiàn)最佳的數(shù)據(jù)輸出經度。

3 試驗與分析

在試驗過程中,使用的操作系統(tǒng)為Windows 10,開發(fā)工具為Pycharm和Visual Studio。仿真模型采用MATLAB軟件進行構建。試驗室環(huán)境下模擬如圖5所示。

圖5 試驗室環(huán)境下模擬圖

3個不同光伏發(fā)電設施實時電壓電流測量值如表1所示。

表1 不同光伏發(fā)電設施電壓電流測量值

為了提高數(shù)據(jù)計算的精度,將電壓、電流、紋波等數(shù)據(jù)信息進行實驗分析,樣本數(shù)據(jù)集如表2所示。

在驗證改進型BP神經網絡算法模型時,采用以下數(shù)據(jù)參數(shù)進行,精度值:

(9)

召回率計算公式:

(10)

查全率計算公式:

(11)

式(11)能夠衡量終端設備能否全部考察情況,最終輸出的數(shù)據(jù)公式可以表示FI,則FI數(shù)據(jù)公式模型可以為

(12)

通過5次的迭代反復計算,輸出如表3所示的數(shù)據(jù)信息集合。

表3 計算數(shù)據(jù)表

利用上述公式進行數(shù)據(jù)驗證后,則輸出數(shù)據(jù)信息示意圖如圖6所示。

圖6 試驗數(shù)據(jù)輸出數(shù)據(jù)信息圖

運行MATLAB軟件, 將上述改進型BP神經網絡算法模型對輸入的數(shù)據(jù)樣本進行逐次遍歷,設置迭代次數(shù)為10次,誤差精度目標為0.001, 設置BP神經網絡算法模型的學習速率為0.012,啟動仿真程序,如圖7所示。

圖7 仿真數(shù)據(jù)信息輸出示意圖

在圖7中,直線表示目標數(shù)據(jù)值,曲線表示運行數(shù)據(jù)值。再經過20 s后,發(fā)現(xiàn)BP神經網絡模型計算出的時間結果分別為6.5 s、7.2 s、6.3 s、7.1 s和7.5 s,則輸出數(shù)據(jù)信息的召回率分別為93.1%、92.8%、92.7%、93.3%和92.7%。BP神經網絡模型運行正確率分別為95.8%、95.4%、94.9%、95.3%和96.1%,具有較小的誤差精度。

將改進型BP神經網絡模型與常規(guī)的BP神經網絡模型進行對比,輸出如圖8所示的對比示意圖。

圖8 方案對比示意圖

通過圖8可以看出,本文方法耗時遠遠小于常規(guī)BP神經網絡模型,說明本文方法計算時間更快、精度更高。

4 總結

本文提出了一種新能源發(fā)電系統(tǒng)基礎數(shù)據(jù)監(jiān)控及核查方法,能夠實現(xiàn)新能源發(fā)電系統(tǒng)不同形式的數(shù)據(jù)監(jiān)測,提高了數(shù)據(jù)監(jiān)測精度和監(jiān)控能力。本文設計了改進型BP神經網絡算法模型,使新能源發(fā)電系統(tǒng)故障診斷中人工特征提取耗時變短、成本降低,大大提高了數(shù)據(jù)故障診斷能力。但是,該研究仍舊存在一些不足,比如計算的精度問題、數(shù)據(jù)輸出受外界影響等。在今后的工作中,本文方法將繼續(xù)對該研究課題進行探討和修改,嘗試用更好的方法進一步提高性能。