基于海量数据挖掘的光伏逆变器故障检测方法

丁明昌， 李春来， 李红涛， 甘嘉田， 张双庆

(1.新能源与储能运行控制国家重点实验室(中国电力科学研究院有限公司)，北京 100192；2.青海省光伏发电并网技术重点实验室(国网青海省电力公司电力科学研究院)，青海 西宁 810000)

基金项目:国家科技支撑计划(2015BAA09B01)，国网公司科技项目(NY71-16-027)，青海省重点实验室建设专项(2015-Z-Y24)，青海省电力公司科技项目(52280716000D)，中国电科院青年基金项目(5242001600FG)

0 引 言

光伏逆变器是光伏直流电源和交流电源之间的纽带，其可靠性和稳定性直接影响光伏并网发电系统的运行状态[1]。光伏并网逆变器故障的诊断对于发电系统的稳定运行具有重要意义[2]。同时，由于光伏电站多处于偏远地区，占地面积大，运行环境恶劣，设备数量多，特别是随着电站运行年份增长，在电站25 年生命周期内，由于设计局限性、工程隐患、设备老化和环境影响等原因导致的故障越来越频繁，故障实时定位困难，运维工作难度增大。在现有人工运维模式下，故障很难及时被发现，进而可能影响设备寿命，发电量隐性损失增大，电站运维成本高[3]。因此，目前光伏电站设备，尤其是逆变器设备的诊断正在逐步远程化、数字化，通过在线诊断系统降低人工需求，提高诊断实时性[4]。

常见的自动诊断方法主要是针对几个特定的变量进行实时监测，并设置阈值，通过判断实际值是否超限来判断设备是否发生故障，如电池温度、输出功率。而该类方法存在两大挑战，一是阈值的自适应调节：光伏系统的物理特性会伴随气温、辐照度发生变化，诊断系统的阈值设定应伴随外界条件的变化进行有效的自我调节；二是采样数据的质量提升：要确保采样数据的精度，同时还要匹配不同部件的同步采样。

为避免上述问题对逆变器诊断带来的影响，本文引进大数据分析的方法进行故障诊断系统设计。该方法不为设备指定特定的物理量阈值，而是通过k近邻算法(knearest neighbor,kNN)在设备集群中寻找相似的设备，然后通过支持向量数据描述方法对设备性能进行比较，判断目标设备是否发生故障。

1 背景知识

1.1 支持向量数据描述

(1)

图1 支持向量数据描述

式中:a为球心;R为超球半径;C为给定的惩罚因子;ξ为误判损失。

问题可通过式(2)所示的Lagrangian式进行求解：

(2)

其中αi≥0,βi≥0为拉格朗日乘子。式(2)可化为如下对偶问题：

(3)

该问题可采用经典的二次规划(Quadratic Programming)常用方法进行求解，计算出a和R的取值。对于任意测试样本Z，若满足式(4)，则该测试样本属于目标类别。

(4)

1.2 k近邻算法

dist(xt,x′)≤dist(xt,y)

(5)

(6)

通过上述方法，可为测试样本Xt在训练集中寻找最为相似的k个样本[7-8]。

2 基于KNN-SVDD的逆变器故障检测流程

本文首先采用KNN方法根据特定特征在全局数据中找到k个最相似样本，然后采用支持向量数据描述方法对该k个数据进行学习，做出能包含全部样本在内的最小超球，构建单分类器。

当测试样本落入所建超球范围内，则样本为正常类别，反之，样本异常，设备处于故障状态。其诊断流程如图2所示，可分4步实现：

Step 1.样本生成：大数据平台中记录了各台设备中各个参数的取值，本文对各设备的输出功率、输入功率、温度、生产厂家、型号、海拔和电站平均辐照度数据进行提取，构建出训练样本集X和测试样本集xt；

Step 2.相似样本选择：采用KNN方法寻找xt中最接近的k个样本(本文中取k=5)，形成相似样本集X′；具体而言，根据式(6)计算训练样本集中所有样本点与xt的距离，取距离值最小的前5个样本构建相似样本集X′；

Step 3.构建SVDD单分类器：采用式(1)～式(3)对相似样本集X′进行学习，构建出超球Ω=(a,R)，其中a为超球球心，R为超球半径；

Step 4.测试：计算测试样本与超球球心之间的距离，若距离大于半径，则测试样本不落于超球内，测试样本对应设备处于故障状态；反之，设备正常。

图2 基于KNN-SVDD的光伏逆变器故障检测流程

3 试验验证

试验数据来源于光伏电站的实时运行参数，表1为青海省某电站9月26日上午11点16分的部分逆变器实时数据。在电站数据中，632 523 512号逆变器被人为设置开路故障，数据大多为0。

表1 逆变器实时运行数据

同时，为进一步验证诊断系统在逆变器发生缓变故障时的诊断性能，试验中对632523505数据进行修改，将其输出功率降为80 kW，模拟其转换效率因未知原因显著下降。

试验采用KNN方法分别寻找测试样本632523512和测试样本632523505的最相似样本。同时采用主元分析法(Principal Component Analysis，PCA)对数据进行降维，用于二维可视化。图3为全部样本集降纬后的两个主元(即最重要因素和次重要因素，无物理量纲)分布示意图，测试样本所对应的最相似样本用直线进行连接。采用SVDD方法分别对两组最相似样本集进行单分类器学习，构建最小超球，得到如图3中圆形1和圆形2的分类超平面。测试样本632523512和632523505均处于最小超球外部，故而均发生故障。同时，632523512极度远离球心，故而故障程度较为严重。而632523505仅越出超球一小部分距离，故而故障程度较小。算法分析结果与实际完全吻合。

图3 KNN-SVDD诊断示意图

此外，试验同时采用青海省另一电站的实时数据进行故障诊断性能测试,该电站中逆变器与上述电站的区别在于采用了组串式逆变器。该电站9月27日9点30分的部分运行数据如表2所示。

表2 逆变器部分实时运行数据(组串式逆变器)

在表2中，输入功率均小于输出功率，该现象不符合正常物理规律，常规基于机理的故障诊断方法无法进行有效判断，或会将该类样本均判为故障。而基于大数据平台进行分析，可得到如图4空间分布，采用所提KNN-SVDD方法对样本进行逐个分析，判断该电站无逆变器故障，与实际情形相符。

图4 电站2中逆变器数据分布示意图

4 结束语

逆变器为光伏发电的关键环节之一，对其进行有效诊断具有重要意义。本文基于大数据平台提出了一种远程实时智能诊断算法。该方法首先采用k近邻方法寻找训练样本集中与待测样本最接近的5个样本，然后采用支持向量数据描述方法对该5个样本进行学习，给出分类超平面，判断待测样本与该5个样本是否属于同一类，进而通过样本的一致性判断待测样本是否异常，检测其对应的逆变器是否故障。所提方法均采用青海省光伏电站实际运行数据进行试验验证，在试验中，不仅能够有效识别出故障样本，而且在部分试验中有效避免了传感器采样不精准带来的误判，诊断性能优良。