基于智能系统的光伏发电场故障检测研究

王宗满,胡振坤,李 玲,马俊杰

(中核坤华能源发展有限公司,浙江 杭州 311113)

0 引言

光伏电站是利用太阳能发电的重要设施,其运行状态的监测和维护对于保障电站高效稳定运行至关重要。随着人工智能技术的不断发展,基于智能算法的自主可重构光伏电站检测系统成为了一种新兴的趋势。传统的光伏电站检测方法主要依赖人工巡检,存在检测效率低、准确性不足、人力成本高等问题。此外,由于环境因素和设备老化,电站设备的性能容易出现波动,导致电站的运行效率降低。随着人工智能技术的不断进步,基于智能算法的光伏电站检测系统将主要包括以下优势:更高效的算法,研究更加高效、精确的算法,提高检测速度和准确性;系统集成,实现检测系统与电站管理系统的集成,实现全面智能化管理;定制化检测,根据不同电站的特点,定制化开发检测系统,提高检测的针对性和实用性;广泛应用,随着光伏电站的普及,智能检测系统将在更多电站得到应用,提高整个行业的运行效率和稳定性[1-3]。

本文提出了用于光伏发电场故障检测的自动智能系统,它基于对光伏发电场逆变器中提取的直流电压和电流的分析。检测系统使用功率估计器模块,能够以准确的方式描述复杂的系统行为,而无需精确的数学模型,并处理噪声和模糊数据。功率估计器利用温度和辐照度的输入信号来评估光伏电站理论产生的直流功率。然后,将估计的功率与光伏电站提供的实际功率进行比较,并最终在明显不同的情况下产生警报信号。

1 智能系统分析

1.1 智能系统组成

智能系统由3个主要模块组成:数据采集模块、检测模块和诊断模块。数据采集模块获取光伏电站上的温度(T)和太阳辐照度(S)的瞬时测量值,提供给检测模块,并从每个最大功率点跟踪(Maximum Power Point Tracking, MPPT)中提取在相应阵列上测量的直流电流和电压。假设处理利用多阵列逆变器,即包括k个最大功率跟踪点的逆变器,每个MPPT连接到不同的阵列。温度和太阳辐照度可以通过安装在光伏场上的传感器进行测量,或者它们可以由连接到气象站的远程数据库提供。提取的电流和电压的集合分别表示为:

IM=[I1I2…Ik]

(1)

VM=[V1V2…Vk]

(2)

其中,k为最大功率跟踪(MPPT)的总数;IM为最大功率时的电流;VM为最大功率时的电压,利用它们来计算由每个阵列提供的MPPT时直流(Direct Current, DC)功率的集合,并表示为:

PM=[P1P2…Pk]

(3)

1.2 检测模块

如前所述,检测模块基于直流功率估计器,该估计器获得温度和太阳辐射作为输入并提供估计的直流功率。本文使用TSK-FRBS实现了估计器功能,此系统由规则库(Rule Base,RB)、数据库(Data Base,DB)以及推理机构成。

设X=X1,X2,…,XF是输入变量的集合,XF+1是输出变量。设Uf具有f=1,2,…,F,f-th输入变量的单元,且Pf=Af,1,Af,2,…,Af,Tf在输入变量XF上具有Tf模糊集的模糊划分。

为了构建功率估计器,使用了智能训练算法,该算法基于一种生成模糊输入分区和规则前因的减法聚类算法,以确定每个规则的结果方程的线性最小二乘估计算法。关于规则前因的生成,主要是将数据空间划分为模糊聚类,每个聚类代表系统行为的一个特定部分。将聚类投影到输入空间后,可以找到模糊规则的先行部分。通过此方式,一个集群对应于模糊规则模型的一个规则。其基本思想是通过使用由元组形成的训练集来训练估计器,元组包含温度和辐射值以及相应的直流功率值。训练数据可以记录在最近安装的无故障的发电场上。

基于模糊规则系统的智能训练算法具有以下特点。(1)非线性:模糊规则系统本身具有非线性特性,使得训练算法需要处理非线性方程组,增加了求解难度。(2)复杂性:模糊规则系统的结构复杂,包括输入变量、输出变量、模糊集、模糊规则等多个部分。这使得训练算法需要考虑各部分之间的关系,以达到全局最优解。(3)参数优化:基于优化算法的训练方法需要对模糊规则系统的参数进行优化,如隶属函数的形状和中心、模糊规则的权重等。这些参数对模糊规则系统的性能具有重要影响,需要进行细致调整。(4)适应性:模糊规则系统需要具有较强的适应性,以应对不同环境和输入数据的变化。基于优化算法的训练方法能够使模糊规则系统具有较强的自适应能力。(5)实时性:在实际应用中,模糊规则系统需要实时更新和调整规则,以适应不断变化的环境。因此,训练算法需要具有较快的收敛速度和实时性。基于模糊规则系统的智能训练算法在实际应用中具有重要意义。通过合理选择和调整训练算法,可以提高模糊规则系统的性能,使其在光伏发电场领域发挥重要作用[4-5]。

2 实验分析

2.1 功率估算器训练阶段分析

光伏发电场功率估计器的训练阶段主要包括数据采集、数据预处理、特征提取和模型训练4个阶段。(1)数据采集。在光伏发电场功率估计器的训练阶段,首先需要进行数据采集。这些数据包括光伏发电场的实时功率、环境参数(如气温、湿度、风速等)、光伏组件参数(如开路电压、短路电流等)等。这些数据可以从历史数据记录、实时监测系统或专业数据采集设备中获取。(2)数据预处理。采集到的数据往往存在噪声、缺失值等问题,需要进行预处理。常见的数据预处理方法包括滤波、插值、归一化等。此外,还需要对数据进行清洗,去除异常值、错误数据等。(3)特征提取。特征提取是将原始数据转化为具有代表性的特征向量的过程。在光伏发电场功率估计中,常用的特征包括滑动平均值、自相关系数、傅里叶变换系数等。通过对特征进行分析,可以发现光伏发电功率与不同特征之间的关系。(4)模型训练。模型训练是光伏发电场功率估计器的核心阶段。常用的模型包括线性回归、支持向量机、神经网络等。训练过程中,需要选取合适的算法和参数,并进行交叉验证和调整,以提高模型的预测精度。

本文使用6个月的数据训练了6种不同的功率估计器,然后使用剩余的数据测试了它们的泛化能力。如表1所示展示了功率估计器训练阶段的结果。对于每个模型,在训练集和测试集上都显示了平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)。MAPE计算如下:

(4)

表1 功率估计器训练阶段的结果 单位:%

此外,为了在测量辐照度时考虑传感器的不确定性,在测试集和故障数据的辐照度样本中添加了2%的均匀分布噪声。在表1的最后一列中,还显示了在噪声测试集上计算的百分比误差。

除了用6月和7月的数据训练的估计量之外,所获得的百分比误差总是低于3%,这证实了功率估计量的高泛化能力。在有噪声的测试集上获得的百分比误差并不比在原始测试集上得到的高,从而证实了所选估计器模型的稳健性。最后,验证了训练的TSK-FRBS拥有非常简单的模型。

2.2 故障检测结果

在检测系统的实验期间,根据功率估计器训练阶段所使用的月份,所分析的样本总数约为1700。在所有情况下,描述故障条件的样本总数,即表示阳性情况的样本总数为763。其余样本为阴性。

关于在将估计功率与实际功率进行比较时使用的阈值,基于在测试集上获得的MAPE,将其设置为高于3%的值,即5%。则有下式,其中i=1,2,…,K。

(5)

为了分析故障检测程序的有效性,在表2中,实验显示了系统实现的真阳性率(TPR)和真阴性率(TNR)。同样,在这种情况下,显示了用于训练功率估计器的每个月的结果。TPR和TNR分别表示正确检测到的故障的百分比和由于与故障无关而不产生警报信号的样本百分比。如表2所示,在有噪声的样本的情况下,TPR和TNR的值几乎总是接近90%,从而再次证实了系统处理含有噪声及模糊数据的能力。事实上,验证了即假阳性情况,与冬季清晨或下午记录的样本有关。

表2 检测程序的结果 单位:%

另外,在某时间段内,辐照度非常低,产生的功率也不客观,因此估计器产生较高的估计误差。由于该系统全天监测光伏场,通过分析一天中的中心时间的警报信号,可以很容易地了解故障情况是否准确。

3 结语

该研究利用模糊规则系统对光伏发电场的故障进行了检测,通过建立故障特征和输出结果之间的映射关系,实现了对故障的自动识别和预警。研究结果表明,模糊规则系统在光伏发电场故障检测中具有较好的性能和适用性。通过对故障数据的分析,提取出具有代表性的特征,并将这些特征转化为模糊规则系统的输入。通过对输入的推理和判断,实现了对故障的自动识别和预警。该方法具有实时性好、准确度高、适应性强等优点,能够及时发现并处理光伏发电场的故障,提高发电效率和稳定性。