基于數據挖掘的分布式光伏發電量異常檢測方法

王恭慶，娜日婭

（國網牙克石市供電公司，內蒙古 牙克石 022150）

0 引 言

盡管產業生產技術的更新在一定程度上帶動了市場經濟的發展，但隨之而來的生態破壞、資源短缺等問題也成為了社會發展不可忽視的重點關注問題。為解決此方面問題，國家電網公司在組織了數次大型會議后，提出了將發展新能源、加大可再生資源的開發與循環使用作為電力行業未來建設的核心[1]。但根據電力行業相關工作人員的反饋信息可知，光伏發電存在隨機性與不可控性，發電過程經常出現日發電量較低的問題。而出現此種問題的原因大多是光伏組件或電網構件“帶病”運行導致，因此需要及時對光伏電網發電異常進行檢測。現階段的檢測方法一般采用電壓諧波檢測方法，若總諧波失真超出規定閾值，則斷開逆變電源，當逆變電源監視電壓失真低于可檢測點，所產生的諧波電流即流向負載，通過電壓諧波的變化來判斷是否出現了孤島故障。但是該方法對于光伏發電量異常檢測范圍較小，不能夠滿足實際應用的需求[2]。

因此，本文引進數據挖掘技術，以分布式光伏電網為例，設計一種發電異常檢測方法，為電力企業用戶提供更加優質和全面的供電與保障服務。

1 基于數據挖掘的分布式光伏發電量異常檢測方法

1.1 分布式光伏發電監測與發電量信息獲取

為實現對分布式光伏發電量異常的精準檢測，應在光伏發電終端的太陽能電池上安裝傳感器，根據實際需求，布置發電監測環境[3]。監測環境布置可參照圖1。

在監測過程中，為避免環境中異常因素對監測結果造成影響，應做好對空間監測數據的強化與標注，根據標定結果，進行發電量在空間中信息的調配，以此種方式，確保監測的數據為最優路徑數據[4]。可將傳感器1～傳感器3獲取的發電量數據作為二維數據，將此部分數據放置在空間環境中，對數據進行轉換，此過程計算公式為

式中：V為分布式光伏發電監測數據的轉換過程；S為空間數據傳輸信道；Q為空間數據位置標定方式；t為轉換時間；a為調配電能數據。完成上述計算后，為獲取更多的分布式光伏發電監測數據，在現有的空間數據中選擇位于3個不同維度的數據作為代表數據，完善三維監測環境[5]。根據監測的實際需求，在環境不同位置配置監測裝置與監測設備，調試傳感器與匯流箱，提高監測范圍[6]。對分布式光伏發電監測范圍的擴大過程進行描述，計算公式為

式中：J為分布式光伏發電監測范圍擴大系數；N為光伏電網基礎配置參數；C為數據管理中心；e為初始化監測范圍；U為信息安全存儲率；S為空間維度，通常取為常數。完成對監測空間的放大后，再按照上述步驟進行分布式光伏發電監測，以此完成發電量信息的獲取。

1.2 基于數據挖掘的分布式光伏發電類型劃分

完成上述研究后，引進數據挖掘技術，利用此項技術進行監測電量信息的深度挖掘，從而實現對分布式光伏發電類型的劃分[7]。可在挖掘過程中，結合現有數組建立1個超小球形結構，將監測結果作為訓練樣本，導入結構中，設定挖掘過程中的訓練集合為X，測試數據樣本數量為n，從球形結構的邊緣進行數據的訓練[8]。對此過程進行描述，計算公式為

式中：F為分布式光伏發電監測數據訓練過程；R為超小球形結構半徑；Xi為第i個訓練樣本；ξ為訓練過程中受到外界環境等因素的影響出現的損失。完成計算后，參照二次規劃方法，設定分布式光伏發電類型共有λ種，計算現有數據在挖掘處理后，與λ的空間直線距離。計算公式為

式中：λi為第i個樣本的發電類型；z為懲罰因子；α為近鄰算法；j為空間連接線段。按照上述計算公式，完成對分布式光伏發電類型的劃分。

1.3 基于離散點分析的發電量異常檢測算法設計

對不同類型的分布式光伏發電數據在其所屬空間內進行離散化處理，通過對離散后數據的呈現與表達方式，設計發電量異常檢測算法，從而實現對異常發電數據的篩選與識別。

考慮到現有的發電數據已經經過離散處理后，在空間內呈現單維度表現方式，因此，可采用統計分析的方式，進行發電站單日正常發電量閾值的計算[9]。計算公式為

式中：E為發電站單日正常發電量閾值；?為太陽能電池板的接收光源照度；σ為分布式光伏發電裝機有效容量。假設發電站單日發電量均值為，可以通過下述計算公式，進行與實時發電標準差的計算。

式中：η為發電站單日實時發電標準差。完成上述計算后，將η作為標準，對±η進行分析，篩選±η中是否存在數據超出離散點安全閾值范圍。當篩選后發現±η中存在數據超出安全閾值范圍時，輸出數據，將其作為分布式光伏發電量異常數據。匹配數據對應的時間點，將其作為檢測結果[10]。如果篩選后發現±η中沒有存在超出安全閾值范圍的數據，則需要跳過此時間點，進行空間中其他數據的進一步篩選。完成所有數據的篩選后，輸出所有異常數據結果與此結果對應的時間點，以此完成分布式光伏發電量異常檢測方法的設計研究。

2 對比實驗

在完成基于數據挖掘的分布式光伏發電量異常檢測方法設計之后，為了檢驗所設計方法的可靠性，本文以郊區某大型發電站為例，展開如下所示的對比實驗。

考慮到分布式光伏發電數據具有龐雜性、隨機性，因此在設計實驗前先對發電站中實驗環境進行綜合部署。實驗發電站在為該區域用戶供電服務時，其終端發電板采用的是多組相同規模與瓦數的非晶體硅太陽能電池板集成構成，為避免檢測時操作步驟過于復雜，將不同發電組件采用串聯方式連接。同時，將逆變器、傳感器等監測設備按照標準集成在發電終端，獲取在發電過程中的電能數據。設置雙路數據穩定傳輸信道，進行完整數據的錄入與傳輸，為避免獲取電能數據時相關信息對檢測結果造成影響或干擾，在太陽能電池板的連接段安裝逆變器進行數據清洗。根據本次實驗需求，設計初始化檢測環境技術參數。相關內容如表1所示。

表1 檢測環境技術參數

完成對實驗環境的布置后，在該電力企業數據庫中隨機提取某天存在發電異常現象的電力數據，使用本文設計的檢測方法進行分布式光伏發電量的異常檢測。檢測前，按照上述技術參數，布置檢測環境，進行分布式光伏發電監測，獲取光伏發電量信息。在此基礎上，引進數據挖掘技術，識別分布式光伏發電類型，通過對獲取數據離散點的分析，設計發電量異常檢測算法，記錄在不同時間點下的檢測結果，按照時序進行分布式光伏發電量異常檢測結果的輸出。通過對此次研究發電站規模的分析可知，該發電站在光照充足的條件下，持續發電量應在3.0×104～4.0×104kW·h內，無論發電量超出此范圍或少于此范圍，都屬于發電量異常現象。按照此種方式，即可實現對分布式光伏發電量異常的檢測。將監測結果呈現在監測終端顯示屏幕上，截取連續時間點檢測結果，檢測結果如圖2所示。

從上述圖2所示的檢測結果可以看出，在1～2時間段、3～4時間段、7～8時間段內，存在分布式光伏發電量＜3.0×104kW·h的現象，說明在對應的3個時間點內存在發電量異常問題。通過上述實驗證明，本文此次研究設計的基于數據挖掘的分布式光伏發電量異常檢測方法具有可行性。

在完成上述研究后，引進基于擴展卡爾曼濾波器（Extended Kalman Filter，EKF）算法的檢測方法作為傳統方法，將方法有效檢測范圍作為對比指標。根據已知信息，此發電站的發電規模為15.0 km，在不同距離設置檢測點，使用本文方法與傳統方法在對應的測點位置進行發電量異常檢測，統計檢測結果如表2所示。

表2 檢測方法有效檢測距離對比

從上述表2所示的實驗結果中可以看出，在14.00 km范圍內，本文方法發電量檢測結果與傳統方法發電量檢測結果相同，說明兩種檢測方法都可以實現對分布式光伏發電量的異常檢測，但在檢測點距離＞14.00 km后，傳統方法無檢測結果輸出，而本文方法可以照常進行分布式光伏發電的檢測。因此，可以得出本文對比實驗的最終結論：相比傳統的檢測方法，本次設計的基于數據挖掘的分布式光伏發電量異常檢測方法，不僅可以實現對發電量異常的精準檢測，同時也可以提高傳統檢測方法的檢測范圍，為發電站在市場內的安全發電提供全面的保障。

3 結 論

部分電力用戶表示，分布式光伏發電并網的日發電量顯著高于或低于標準值，這些問題在不同程度上影響或干預了我國電力產業的持續化建設與發展。為優化分布式光伏發電，本文引進數據挖掘技術，以分布式光伏電網為例，開展發電異常檢測方法的設計研究。完成設計后，通過實驗證明了此次設計方法的可行性，以此種方式為我國電力行業的持續發展提供全面的技術指導與幫助。