王宗滿,胡振坤,李 玲,馬俊杰

(中核坤華能源發(fā)展有限公司,浙江 杭州 311113)

0 引言

光伏電站是利用太陽能發(fā)電的重要設(shè)施,其運(yùn)行狀態(tài)的監(jiān)測和維護(hù)對于保障電站高效穩(wěn)定運(yùn)行至關(guān)重要。隨著人工智能技術(shù)的不斷發(fā)展,基于智能算法的自主可重構(gòu)光伏電站檢測系統(tǒng)成為了一種新興的趨勢。傳統(tǒng)的光伏電站檢測方法主要依賴人工巡檢,存在檢測效率低、準(zhǔn)確性不足、人力成本高等問題。此外,由于環(huán)境因素和設(shè)備老化,電站設(shè)備的性能容易出現(xiàn)波動(dòng),導(dǎo)致電站的運(yùn)行效率降低。隨著人工智能技術(shù)的不斷進(jìn)步,基于智能算法的光伏電站檢測系統(tǒng)將主要包括以下優(yōu)勢:更高效的算法,研究更加高效、精確的算法,提高檢測速度和準(zhǔn)確性;系統(tǒng)集成,實(shí)現(xiàn)檢測系統(tǒng)與電站管理系統(tǒng)的集成,實(shí)現(xiàn)全面智能化管理;定制化檢測,根據(jù)不同電站的特點(diǎn),定制化開發(fā)檢測系統(tǒng),提高檢測的針對性和實(shí)用性;廣泛應(yīng)用,隨著光伏電站的普及,智能檢測系統(tǒng)將在更多電站得到應(yīng)用,提高整個(gè)行業(yè)的運(yùn)行效率和穩(wěn)定性[1-3]。

本文提出了用于光伏發(fā)電場故障檢測的自動(dòng)智能系統(tǒng),它基于對光伏發(fā)電場逆變器中提取的直流電壓和電流的分析。檢測系統(tǒng)使用功率估計(jì)器模塊,能夠以準(zhǔn)確的方式描述復(fù)雜的系統(tǒng)行為,而無需精確的數(shù)學(xué)模型,并處理噪聲和模糊數(shù)據(jù)。功率估計(jì)器利用溫度和輻照度的輸入信號(hào)來評估光伏電站理論產(chǎn)生的直流功率。然后,將估計(jì)的功率與光伏電站提供的實(shí)際功率進(jìn)行比較,并最終在明顯不同的情況下產(chǎn)生警報(bào)信號(hào)。

1 智能系統(tǒng)分析

1.1 智能系統(tǒng)組成

智能系統(tǒng)由3個(gè)主要模塊組成:數(shù)據(jù)采集模塊、檢測模塊和診斷模塊。數(shù)據(jù)采集模塊獲取光伏電站上的溫度(T)和太陽輻照度(S)的瞬時(shí)測量值,提供給檢測模塊,并從每個(gè)最大功率點(diǎn)跟蹤(Maximum Power Point Tracking, MPPT)中提取在相應(yīng)陣列上測量的直流電流和電壓。假設(shè)處理利用多陣列逆變器,即包括k個(gè)最大功率跟蹤點(diǎn)的逆變器,每個(gè)MPPT連接到不同的陣列。溫度和太陽輻照度可以通過安裝在光伏場上的傳感器進(jìn)行測量,或者它們可以由連接到氣象站的遠(yuǎn)程數(shù)據(jù)庫提供。提取的電流和電壓的集合分別表示為:

IM=[I1I2…Ik]

(1)

VM=[V1V2…Vk]

(2)

其中,k為最大功率跟蹤(MPPT)的總數(shù);IM為最大功率時(shí)的電流;VM為最大功率時(shí)的電壓,利用它們來計(jì)算由每個(gè)陣列提供的MPPT時(shí)直流(Direct Current, DC)功率的集合,并表示為:

PM=[P1P2…Pk]

(3)

1.2 檢測模塊

如前所述,檢測模塊基于直流功率估計(jì)器,該估計(jì)器獲得溫度和太陽輻射作為輸入并提供估計(jì)的直流功率。本文使用TSK-FRBS實(shí)現(xiàn)了估計(jì)器功能,此系統(tǒng)由規(guī)則庫(Rule Base,RB)、數(shù)據(jù)庫(Data Base,DB)以及推理機(jī)構(gòu)成。

設(shè)X=X1,X2,…,XF是輸入變量的集合,XF+1是輸出變量。設(shè)Uf具有f=1,2,…,F,f-th輸入變量的單元,且Pf=Af,1,Af,2,…,Af,Tf在輸入變量XF上具有Tf模糊集的模糊劃分。

為了構(gòu)建功率估計(jì)器,使用了智能訓(xùn)練算法,該算法基于一種生成模糊輸入分區(qū)和規(guī)則前因的減法聚類算法,以確定每個(gè)規(guī)則的結(jié)果方程的線性最小二乘估計(jì)算法。關(guān)于規(guī)則前因的生成,主要是將數(shù)據(jù)空間劃分為模糊聚類,每個(gè)聚類代表系統(tǒng)行為的一個(gè)特定部分。將聚類投影到輸入空間后,可以找到模糊規(guī)則的先行部分。通過此方式,一個(gè)集群對應(yīng)于模糊規(guī)則模型的一個(gè)規(guī)則。其基本思想是通過使用由元組形成的訓(xùn)練集來訓(xùn)練估計(jì)器,元組包含溫度和輻射值以及相應(yīng)的直流功率值。訓(xùn)練數(shù)據(jù)可以記錄在最近安裝的無故障的發(fā)電場上。

基于模糊規(guī)則系統(tǒng)的智能訓(xùn)練算法具有以下特點(diǎn)。(1)非線性:模糊規(guī)則系統(tǒng)本身具有非線性特性,使得訓(xùn)練算法需要處理非線性方程組,增加了求解難度。(2)復(fù)雜性:模糊規(guī)則系統(tǒng)的結(jié)構(gòu)復(fù)雜,包括輸入變量、輸出變量、模糊集、模糊規(guī)則等多個(gè)部分。這使得訓(xùn)練算法需要考慮各部分之間的關(guān)系,以達(dá)到全局最優(yōu)解。(3)參數(shù)優(yōu)化:基于優(yōu)化算法的訓(xùn)練方法需要對模糊規(guī)則系統(tǒng)的參數(shù)進(jìn)行優(yōu)化,如隸屬函數(shù)的形狀和中心、模糊規(guī)則的權(quán)重等。這些參數(shù)對模糊規(guī)則系統(tǒng)的性能具有重要影響,需要進(jìn)行細(xì)致調(diào)整。(4)適應(yīng)性:模糊規(guī)則系統(tǒng)需要具有較強(qiáng)的適應(yīng)性,以應(yīng)對不同環(huán)境和輸入數(shù)據(jù)的變化?；趦?yōu)化算法的訓(xùn)練方法能夠使模糊規(guī)則系統(tǒng)具有較強(qiáng)的自適應(yīng)能力。(5)實(shí)時(shí)性:在實(shí)際應(yīng)用中,模糊規(guī)則系統(tǒng)需要實(shí)時(shí)更新和調(diào)整規(guī)則,以適應(yīng)不斷變化的環(huán)境。因此,訓(xùn)練算法需要具有較快的收斂速度和實(shí)時(shí)性?；谀：?guī)則系統(tǒng)的智能訓(xùn)練算法在實(shí)際應(yīng)用中具有重要意義。通過合理選擇和調(diào)整訓(xùn)練算法,可以提高模糊規(guī)則系統(tǒng)的性能,使其在光伏發(fā)電場領(lǐng)域發(fā)揮重要作用[4-5]。

2 實(shí)驗(yàn)分析

2.1 功率估算器訓(xùn)練階段分析

光伏發(fā)電場功率估計(jì)器的訓(xùn)練階段主要包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征提取和模型訓(xùn)練4個(gè)階段。(1)數(shù)據(jù)采集。在光伏發(fā)電場功率估計(jì)器的訓(xùn)練階段,首先需要進(jìn)行數(shù)據(jù)采集。這些數(shù)據(jù)包括光伏發(fā)電場的實(shí)時(shí)功率、環(huán)境參數(shù)(如氣溫、濕度、風(fēng)速等)、光伏組件參數(shù)(如開路電壓、短路電流等)等。這些數(shù)據(jù)可以從歷史數(shù)據(jù)記錄、實(shí)時(shí)監(jiān)測系統(tǒng)或?qū)I(yè)數(shù)據(jù)采集設(shè)備中獲取。(2)數(shù)據(jù)預(yù)處理。采集到的數(shù)據(jù)往往存在噪聲、缺失值等問題,需要進(jìn)行預(yù)處理。常見的數(shù)據(jù)預(yù)處理方法包括濾波、插值、歸一化等。此外,還需要對數(shù)據(jù)進(jìn)行清洗,去除異常值、錯(cuò)誤數(shù)據(jù)等。(3)特征提取。特征提取是將原始數(shù)據(jù)轉(zhuǎn)化為具有代表性的特征向量的過程。在光伏發(fā)電場功率估計(jì)中,常用的特征包括滑動(dòng)平均值、自相關(guān)系數(shù)、傅里葉變換系數(shù)等。通過對特征進(jìn)行分析,可以發(fā)現(xiàn)光伏發(fā)電功率與不同特征之間的關(guān)系。(4)模型訓(xùn)練。模型訓(xùn)練是光伏發(fā)電場功率估計(jì)器的核心階段。常用的模型包括線性回歸、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等。訓(xùn)練過程中,需要選取合適的算法和參數(shù),并進(jìn)行交叉驗(yàn)證和調(diào)整,以提高模型的預(yù)測精度。

本文使用6個(gè)月的數(shù)據(jù)訓(xùn)練了6種不同的功率估計(jì)器,然后使用剩余的數(shù)據(jù)測試了它們的泛化能力。如表1所示展示了功率估計(jì)器訓(xùn)練階段的結(jié)果。對于每個(gè)模型,在訓(xùn)練集和測試集上都顯示了平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)。MAPE計(jì)算如下:

(4)

表1 功率估計(jì)器訓(xùn)練階段的結(jié)果 單位:%

此外,為了在測量輻照度時(shí)考慮傳感器的不確定性,在測試集和故障數(shù)據(jù)的輻照度樣本中添加了2%的均勻分布噪聲。在表1的最后一列中,還顯示了在噪聲測試集上計(jì)算的百分比誤差。

除了用6月和7月的數(shù)據(jù)訓(xùn)練的估計(jì)量之外,所獲得的百分比誤差總是低于3%,這證實(shí)了功率估計(jì)量的高泛化能力。在有噪聲的測試集上獲得的百分比誤差并不比在原始測試集上得到的高,從而證實(shí)了所選估計(jì)器模型的穩(wěn)健性。最后,驗(yàn)證了訓(xùn)練的TSK-FRBS擁有非常簡單的模型。

2.2 故障檢測結(jié)果

在檢測系統(tǒng)的實(shí)驗(yàn)期間,根據(jù)功率估計(jì)器訓(xùn)練階段所使用的月份,所分析的樣本總數(shù)約為1700。在所有情況下,描述故障條件的樣本總數(shù),即表示陽性情況的樣本總數(shù)為763。其余樣本為陰性。

關(guān)于在將估計(jì)功率與實(shí)際功率進(jìn)行比較時(shí)使用的閾值,基于在測試集上獲得的MAPE,將其設(shè)置為高于3%的值,即5%。則有下式,其中i=1,2,…,K。

(5)

為了分析故障檢測程序的有效性,在表2中,實(shí)驗(yàn)顯示了系統(tǒng)實(shí)現(xiàn)的真陽性率(TPR)和真陰性率(TNR)。同樣,在這種情況下,顯示了用于訓(xùn)練功率估計(jì)器的每個(gè)月的結(jié)果。TPR和TNR分別表示正確檢測到的故障的百分比和由于與故障無關(guān)而不產(chǎn)生警報(bào)信號(hào)的樣本百分比。如表2所示,在有噪聲的樣本的情況下,TPR和TNR的值幾乎總是接近90%,從而再次證實(shí)了系統(tǒng)處理含有噪聲及模糊數(shù)據(jù)的能力。事實(shí)上,驗(yàn)證了即假陽性情況,與冬季清晨或下午記錄的樣本有關(guān)。

表2 檢測程序的結(jié)果 單位:%

另外,在某時(shí)間段內(nèi),輻照度非常低,產(chǎn)生的功率也不客觀,因此估計(jì)器產(chǎn)生較高的估計(jì)誤差。由于該系統(tǒng)全天監(jiān)測光伏場,通過分析一天中的中心時(shí)間的警報(bào)信號(hào),可以很容易地了解故障情況是否準(zhǔn)確。

3 結(jié)語

該研究利用模糊規(guī)則系統(tǒng)對光伏發(fā)電場的故障進(jìn)行了檢測,通過建立故障特征和輸出結(jié)果之間的映射關(guān)系,實(shí)現(xiàn)了對故障的自動(dòng)識(shí)別和預(yù)警。研究結(jié)果表明,模糊規(guī)則系統(tǒng)在光伏發(fā)電場故障檢測中具有較好的性能和適用性。通過對故障數(shù)據(jù)的分析,提取出具有代表性的特征,并將這些特征轉(zhuǎn)化為模糊規(guī)則系統(tǒng)的輸入。通過對輸入的推理和判斷,實(shí)現(xiàn)了對故障的自動(dòng)識(shí)別和預(yù)警。該方法具有實(shí)時(shí)性好、準(zhǔn)確度高、適應(yīng)性強(qiáng)等優(yōu)點(diǎn),能夠及時(shí)發(fā)現(xiàn)并處理光伏發(fā)電場的故障,提高發(fā)電效率和穩(wěn)定性。