基于可视化和数据融合的光伏电站电气设备异常运行状态检测方法

吴 悦，张忠会，游志刚，李国栋

（国网甘肃省电力公司陇南供电公司，陇南 746000）

0 引言

进入21世纪以来，能源危机成为影响世界经济发展的主要因素，光能作为新型能源的代表，因其具有可再生、天然环保的优点，使其得到了快速地发展[1,2]。光伏发电是全球发展的趋势，当前此技术已经得到了快速发展。与此同时，光伏发电站在我国的分布范围逐渐变广，光伏发电在我国的比重逐渐增加。对于大多数分布式发电系统，其电气设备都是工作在较为恶劣的环境中，人工实地检测维修具有一定的难度。选择更加高效的设备检测方法迫在眉睫，光伏电站电气设备异常运行状态检测方法可以很好地实现对电气设备的监控与管理。

设备的状态监测是一种掌握设备在工作过程中的状态，了解设备运行能力的主要方法。近年来，人工智能技术的高度发展，推动了电气设备诊断技术的发展速度。但当前光伏电站电气设备异常运行状态检测方法主要依赖于电气设备的运行状态数据采集结果。但是设备运行数据样本较大，当前异常检测方法的数据处理能力较差。与此同时，由于实际设备检测工作的实操性较差，如何使用人工智能技术完成设备的远程检测操作成为当前光伏发电领域的燃眉之急。在对多种技术展开对比后，选择可视化技术以及数据融合技术对当前电气设备运行检测方法展开优化，提出一种新型检测方法。希望通过本次研究降低设备运行故障难度，提升设备维护效率。

1 光伏电站电气设备异常运行状态检测方法设计

1.1 光伏电站电气设备运行数据融合处理

由于光伏电站运行环境较为恶劣，气候与所处环境对电气设备均会造成一定的影响，降低电气设备异常运行状态检测结果的可靠性。为改善此情况，在本次研究中将采集光伏电站电气设备运行数据，根据处理后的数据，确定电气设备运行工况，以此完成异常运行状态的检测工作。

采集电气设备的运行数据作为基础，由于每个设备的参数与观测量单位不同。为了获取高质量数据，对采集到的数据进行归一化处理，具体公式如下：

其中，aireal表示某运行数据样本的真实数据；amin表示此样本的最小值；amax表示此样本的最大值。在对数据展开归一化处理后，汇总数据，结合自组织映射网络将数据映射到三维空间中，对采集到的参数进行聚类分析。将处理后的数据作为此网络的输入向量，记作A，各神经元的加权向量设定为ai，则有：

使用式(3)可对不同维度之间的数据进行对比，根据此对比结果对电气设备的运行数据展开度量，将此结果与式(2)相结合，得到数据输出结果：

将式(4)作为数据采集结果的最后处理环节，并将此环节输出结果作为后续设备运行状态检测的数据基础。

1.2 电气设备异常状态诊断

应用完成数据融合处理后的电气设备信息，提取电气设备的运行特征。由于电气设备数据中涵盖大量的设备运行信号，为了获取高质量异常运行特征数据，在本次研究中选择小波分析的方法完成信号数据的整理与分析过程。

根据小波分析原理，将电气设备信号表示为下述结构：

此公式为离散二进制小波函数，使用此公式进行信号分析时，时间变量为连续性变量，则此时信号离散值可表示为：

在使用式(7)完成处理后，对信号进行解构处理，得到信号特征，并根据此信号特征构建概率神经网络[4]，对设备的运行状态展开判断。假设设备的运行状态可分为异常状态κi以及正常运行状态κj两部分，其输入信息为信号矢量，则其判定过程可表示为：

其中，gi、gj表示运行状态分类模式的先验概率；hi、hj表示分类模型的错判代价因子；ki（a）、kj（a）表示此神经网络中的概率密度函数。将式(7)处理后的信号代入式(8)中，完成电气设备运行状态的识别与分类。由于设备的运行状态可分为多种形式，仅采用两种形式的概率网络无法对电气设备运行状态进行细化分析，为此，将概率密度函数优化为：

其中，i表示需检测电气设备信号；n表示信号类型；λ表示平滑处理参数；Nq表示属于分类模式κi的信号量；aqi表示分类模式κi的信号个数。根据此公式，对电气设备的多种运行状态展开分类，并确定异常类别。

1.3 构建状态诊断结果可视化模型

在上文中完成了电气设备异常运行状态的检测工作，为了实现此环节的远程控制，将可视化技术融入到最后的检测结果输出环节中。根据上述文中设定内容，在本次研究中选择递归图结构实现检测结果的可视化显示。

以电气设备的信号输出的时间序列作为基础，构建检测结果的n维相位空间，则有：

其中，电气设备的空间坐标设定为（s1，s2，…，sn）。将其信号观测时间序列相连接，得到对应的递归图[5]结构：

其中，μ表示预设的可视化范围半径；⊙表示Heaviside函数，使用此函数确定运行异常设备与正常运行设备之间的距离。即||Li-Lj||＜μ时，令（i，j）坐标位置为原点，否则其坐标位置为1。与此同时，对维数展开设定，其计算过程如下：

式(12)中，Lj+1、Li+1、Lj以及Li分别表示相位空间中的设备坐标点，di表示多个设备坐标点中的距离比。当di大于预设阈值时，说明Lj与Li存在不正确的相位关系。使用此公式对空间中全部设备位置展开计算，如此种问题出现较多，需要在空间中增加相应的维度向量，以此保证异常设备位置输出正确性。与此同时，对设备信号输出的延迟时间进行控制，避免延迟影响结果可视化输出的效果。在本次研究中使用平均互信息法确定结果输出过程的最小延迟时间：

式(13)中，Qi、Qj分别表示信号序列端点；Qij(t)表示间隔时间t序列中的两点。使用此公式可得到信号传输过程中的最小延迟时间，根据此时间确定状态异常结果输出时间间隔，并通过此间隔控制状态检测输出界面的显示时间。对上文中设定内容进行融合，将其与当前电气设备异常运行状态检测方法相结合，至此，基于可视化和数据融合的光伏电站电气设备异常运行状态检测方法设计完成。

2 实验论证分析

为验证文中提出新型电气设备异常运行状态检测方法的有效性，同时也为了证实可视化技术与数据融合技术的使用效果，构建与此方法相匹配的实验环节，证实此方法的应用效果。

2.1 实验平台构建

由于在对光伏电站电力设备进行真实实验的难度较大，在本次研究中将构建实验平台对电力设备的运行过程进行仿真处理，同时，使用仿真环境完成实验过程。

实验平台的搭建过程分为硬件调试与软件设定两部分，根据光伏电气设备的设备硬件要求以及信号发出要求，将电气设备与实验控制端进行连接，同时使用编程代码对电气设备功能进行调试，确定电气设备运行状态。而后，使用实验控制终端对电气设备的信号输出情况进行调试，如电气设备信号输出正常，则将其作为本次研究对象。

根据实验数据要求，在本次实验中，将选择20台电气设备作为实验数据来源，设备标号为XD-01至XD-20，将其安装的实验室中，按照上述设定的实验平台组装要求以及设备调试过程，完成实验平台的搭建工作。

2.2 电气设备信号采集

在本次研究中，为提升实验结果的可靠性，不再仅将数据采集结果作为实验数据来源。在电气设备运行数据中增加设备信号部分为实验提供强有力的数据支撑。故而，在本次研究中将对电气设备输出的标准正弦信号进行采集，而后通过无线传输端口将此部分数据传输到计算机，在实验控制终端对此部分信号数据进行存储。

设备运行状态数据采样周期设定为15分钟，每15分钟接收2s的电气设备运行状态数据，其中不包含控制终端数据以及设备运行实时数据，单日数据采集量为50×4×24×20=96.00MB。与此同时，对实验数据采集模块的采集内容展开设定。本次研究中，采集电气设备的运行温度、电压、电流以及稳定环境、光照强度数据，运用此部分数据对电气设备的运行状态进行判定。

2.3 电气设备运行状态划分

根据获取到的电气设备历史运行数据以及数据聚类分析结果，将电气设备运行状态划分为10种，在本次实验中将选用其中的3种异常运行状态作为验证实验。此3种运行状态中，电气设备处于高负荷运行状态，信号输出功率波动范围在50～80之间，具有明确的故障特征。在本次实验中，将上述电气状态作为异常状态检测中的目标运行状态，通过检测此状态出现频次，完成实验过程。

2.4 实验指标设定

此次研究周期设定为7天，根据上文中设定的电气设备信号采集方法，对实验目标进行数据采集，根据实时数据采集，确定电气设备在研究周期内的异常运行状态，具体内容如表1所示。

将表1中内容作为异常检测实验中的参照因素，使用文中提出的新型方法以及红外成像检测方法以及多尺度信息融合检测方法对采集的数据进行整理，并根据此数据得出检测结果，将检测结果与实测结果进行对比，确定两者之间的差异程度。根据此差异程度确定不同方法的电气设备异常状态检测能力以及使用效果。为降低实验操作难度，将三种方法的检测结果通过同一检测平台体现。

表1 电气设备异常运行状态表

2.5 实验结果输出

对图1进行分析可以看出，三种不同方法使用后所得检测结果具有一定的差异性。首先，新型方法可以根据采集到的数据对电气设备展开高精度的运行状态检测，确定实验设备中的故障设备，并对故障原因加以分析。其次，红外成像检测方法的使用效果与新型方法的使用效果较为接近，但无法对全部异常设备展开异常原因协查，没有办法在远程环境中完成异常原因可视化显示。最后，多尺度信息融合检测方法的数据处理能力较差，无法使用实验中提供的数据对电气设备的异常运行进行全面的检测与分析，说明此方法的使用效果较差。综合上述分析结果可知，在本次实验中文中提出的新型方法使用效果较好，可满足当前电气设备检修工作的相关要求。

图1 电气设备异常运行检测结果

2.6 实验结果讨论

为验证文中提出的基于可视化和数据融合的光伏电站电气设备异常运行状态检测方法具有应用价值以及推广价值，在理论方法设计完成后，构建实验论证环节对其使用效果加以分析。经实验结果表明：新型电气设备异常运行状态检测方法具有较佳的使用效果，在日后的光伏电站设备检测维修工作中可将此方法作为主要的设备管理方法。

与此同时，本次实验证实了人工智能技术以及数据处理技术在设备运行管理中的可行性。将可视化技术与数据融合技术应用到设备维修诊断工作中可有效提升设备异常诊断的效率，在一定程度上解放工作人员的双手，降低设备异常造成的经济损失。

3 结语

光伏发电以污染低、可持续的优点成为当前应用范围最为广泛的新能源之一。为保证光伏电站的稳定性，减少设备异常造成的经济损失，在本次研究中提出了一种应用可视化技术以及数据融合技术完成电气设备检测的方法，并通过实验证实了此方法具有一定的应用价值。然而，由于客观因素的限制，此方法在研究的过程中进行了一系列的简化。为使此方法具有更高的研究价值，在日后的研究中还需要对其进行完善与优化。