基于智能系統(tǒng)的光伏發(fā)電場(chǎng)故障檢測(cè)研究

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(yáng)能發(fā)電的重要設(shè)施,其運(yùn)行狀態(tài)的監(jiān)測(cè)和維護(hù)對(duì)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(cè)系統(tǒng)成為了一種新興的趨勢(shì)。傳統(tǒng)的光伏電站檢測(cè)方法主要依賴人工巡檢,存在檢測(cè)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(cè)系統(tǒng)將主要包括以下優(yōu)勢(shì):更高效的算法,研究更加高效、精確的算法,提高檢測(cè)速度和準(zhǔn)確性;系統(tǒng)集成,實(shí)現(xiàn)檢測(cè)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(cè),根據(jù)不同電站的特點(diǎn),定制化開發(fā)檢測(cè)系統(tǒng),提高檢測(cè)的針對(duì)性和實(shí)用性;廣泛應(yīng)用,隨著光伏電站的普及,智能檢測(cè)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(chǎng)故障檢測(cè)的自動(dòng)智能系統(tǒng),它基于對(duì)光伏發(fā)電場(chǎng)逆變器中提取的直流電壓和電流的分析。檢測(cè)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(píng)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(cè)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(yáng)輻照度(S)的瞬時(shí)測(cè)量值,提供給檢測(cè)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(cè)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(yáng)輻照度可以通過安裝在光伏場(chǎng)上的傳感器進(jìn)行測(cè)量,或者它們可以由連接到氣象站的遠(yuǎn)程數(shù)據(jù)庫(kù)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(cè)模塊

如前所述,檢測(cè)模塊基于直流功率估計(jì)器,該估計(jì)器獲得溫度和太陽(yáng)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(kù)(Rule Base,RB)、數(shù)據(jù)庫(kù)(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(duì)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(chǎng)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(duì)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(duì)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(duì)不同環(huán)境和輸入數(shù)據(jù)的變化。基于優(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。基于模糊規(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(chǎng)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(chǎng)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(chǎng)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(chǎng)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(cè)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(duì)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(chǎng)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(duì)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(chǎng)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(cè)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(cè)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(duì)于每個(gè)模型,在訓(xùn)練集和測(cè)試集上都顯示了平均絕對(duì)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(cè)量輻照度時(shí)考慮傳感器的不確定性,在測(cè)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(cè)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(cè)試集上獲得的百分比誤差并不比在原始測(cè)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(jiǎn)單的模型。

2.2 故障檢測(cè)結(jié)果

在檢測(cè)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(yáng)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(cè)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(cè)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(yáng)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(cè)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(yáng)性情況,與冬季清晨或下午記錄的樣本有關(guān)。

表2 檢測(cè)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(cè)光伏場(chǎng),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(duì)光伏發(fā)電場(chǎng)的故障進(jìn)行了檢測(cè),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(duì)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(chǎng)故障檢測(cè)中具有較好的性能和適用性。通過對(duì)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(duì)輸入的推理和判斷,實(shí)現(xiàn)了對(duì)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(chǎng)的故障,提高發(fā)電效率和穩(wěn)定性。