分布式家庭屋頂光伏異常數據識別與修復方法

呂斌斌，方勤斌，王國幫

（國網浙江長興縣供電公司，浙江省湖州市313100）

0 引言

隨著人類對化石能源枯竭、能源安全和環境惡化等問題的關注，清潔、可再生能源正受到越來越多的重視，而太陽能以其資源無限、清潔及可持續性等優點成為新能源中的佼佼者［1］。戶用光伏發電系統的應用，在國內外越來越普及，對戶用光伏發電系統的研究業已成為當下分布式光伏電站研究熱點之一。其中，光伏數據監測就是一個重要研究點。由于戶用光伏電站設備故障、通信中斷及誤碼等原因，監控系統存儲的光伏發電運行數據常常存在異常。因此，有必要對光伏異常數據進行識別修正，從而保證戶用光伏發電行業的有序健康發展。

目前，針對新能源發電數據監測的相關研究主要側重于風力發電數據監測，對于光伏數據監測的相關研究較少。文獻［2］分析了風電場歷史運行數據中存在的異常數據的主要來源，并針對該實際問題，采用基于四分位算法的數學模型對異常數據進行識別。文獻［3］則提取了不良數據的時序特性，采用分段判定方法進行識別，并基于歷史數據利用自回歸滑動平均模型對不良數據進行了修復。文獻［4］則提出一種考慮天氣和空間相關性的光伏電站輸出功率數據修復方法，將自身相似數據與空間相關數據結合，擴展了光伏電站輸出功率數據修復的應用場景。文獻［5］提出采用數據挖掘方法（包括模糊聚類、神經網絡法、k最鄰近算法等）來模擬風電曲線模型，并通過有效性檢查、數據范圍檢查和缺失數據檢查3個步驟來對原始數據中的異常情況進行篩選。

本文針對現有屋頂光伏發電裝置數據異常情況，將屋頂光伏異常數據類別劃分為三類，并提出各類數據識別方法；然后，提出利用歷史數據和相鄰用戶數據相結合的方法對異常數據進行修復；最后，基于所提光伏異常數據識別與修復方法，搭建了屋頂光伏運行數據監測系統。

1 屋頂光伏異常數據識別

1.1 光伏異常數據類別

在分布式家庭屋頂光伏運行數據中，無論是在數據采集、測量過程中引起的數據缺失，還是因一些管理問題，如用戶偽裝發電騙取補貼、分布式光伏設備發電效率低下等造成的數據異常，針對這些數據異常問題都需要對其進行識別處理，丟失的數據進行補充，偽裝發電騙取補貼的數據進行校正，光伏設備發電效率低下造成數據異常的給予用戶整修意見。針對以上分析，本文主要將屋頂光伏異常數據類別劃分為三類，分別為:

（1）數據丟失（如圖1所示），表現為數據空缺，主要由光伏數據采集裝置或由通信中斷引起。

（2）數據高于正常范圍（如圖2所示），表現為明顯超出具有相近安裝容量的相鄰用戶發電量，主要由于用戶利用其它發電手段（如柴油機發電）偽裝光伏發電騙取補貼引起。

圖2 第二類異常數據

（3）數據低于正常范圍（如圖3所示），表現為明顯低于具有相近安裝容量的相鄰用戶發電量，主要原因為是光伏設備老化或者光伏板表面灰塵積壓過多引起的發電效率低下。

圖3 第三類異常數據

1.2 光伏異常數據識別

（1）第一類異常數據識別

則表明t時段的輸出功率存在丟失情況。

（2）第二類異常數據識別

假設用戶n的具有相近光伏安裝容量的相鄰用戶m在T個時段內的發電輸出功率為Xm＝｛x1m，x2mL xTm｝，歸一化后可得

其中，kup為常系數；M為相鄰用戶的個數。

（3）第三類異常數據識別

當用戶n數據滿足式（6）條件時，則表明數據低于正常值

其中，klow為常系數。此處需要說明的是，kup和klow一般根據實際情況設定。

2 屋頂光伏異常數據修復

本文所提三類異常數據中，第三類數據由于是用戶光伏設備老化或者管理不當造成的發電效率低下引起的數據異常不在數據修復范圍之內，這類數據異?？梢酝ㄟ^指導用戶對光伏板進行除塵更換等措施來得以解決。鑒于此，本章節主要針對第一、二類異常數據進行修復處理。

2.1 異常數據修復流程

針對本文所述第一、二類異常數據，具體修復流程如圖4所示，主要步驟如下:

（1）輸入當前用戶光伏數據；

（2）依據第一類異常數據識別方法篩選出數據中空缺數據；

（3）依據第二、三類異常數據識別方法篩選出另外兩類數據；

（4）依據歷史用戶光伏數據以及當前相鄰用戶數據對第一、二類數據進行修復；同時，針對第三類數據異常情況給予用戶相應的建議。

其中，步驟（4）中異常數據修復涉及方法主要是將歷史數據和相鄰用戶數據作為訓練樣本輸入BP神經網絡模型進行模型訓練［6］，從而能夠得到異常數據的修復值。

2.2 相鄰用戶選取

圖4 屋頂光伏數據監測與修復流程

在一定區域范圍內的居民用戶可以視為具有相同的光照條件，因此當相鄰用戶具有相近光伏安裝容量時，其光伏發電功率也具有相似性。鑒于此，首先需要對區域內相鄰用戶進行篩選，選取出和需要進行數據修復用戶相似度較高的用戶，并以這些用戶數據為基礎可以提高數據修復的準確度。本文采用皮爾遜積矩相關系數來衡量用戶數據的相似度［7］。以用戶n和m歸一化后的光伏數據為例，兩個用戶的相似度為:

2.3 歷史相似日選取

3 算例仿真

為驗證本文所提出的異常數據識別、異常數據修復方法的有效性，以浙江長興某光伏村用戶屋頂光伏實測數據作為研究對象，數據采樣間隔為1個小時。

3.1 異常數據識別

為了對三類異常數據進行辨識，本節以6個相鄰用戶屋頂光伏數據為例進行說明，具體如表1所示。此處需要交代的是，為了能夠同時對三類異常數據進行識別，對表1中用戶1-3數據進行了部分改動。表1中用戶1-6光伏安裝容量分別是7.42kW，7.02kW，7.8kW，7.68kW，7.42kW，7.56kW；kup和 klow分別設為 1.4 和 0.6。

采用1.2節異常數據識別方法，可得如下結果:

（2）相鄰用戶4-6在各時段光伏發電量歸一化后的均值為［0.01 0.08 0.33 0.50 0.63 0.69 0.71 0.54 0.51 0.40 0.17 0.04 0.01］，而用戶 2 光伏數據歸一化后的值為 ［0.16 0.37 0.52 0.88 1.00 1.09 1.12 1.03 0.95 0.80 0.56 0.33 0.14］。經計算可得，用戶2在時段6-18的發電量均超過平均水平的1.3倍以上。因此，用戶2數據屬于第二類異常數據，表明該用戶存在偽裝光伏發電騙取補貼的嫌疑。

（3）用戶 3 光伏數據歸一化后的值為［0 0.01 0.06 0.15 0.16 0.26 0.33 0.27 0.24 0.16 0.11 0.02 0］。經計算可得，用戶3在時段7-17的發電量均低于平均水平的0.6倍以下。因此，用戶2數據屬于第三類異常數據，表明該用戶光伏設備發電效率低下。

表1 用戶屋頂光伏數據（kW）

3.2 異常數據修復

本節內容主要針對3.1節中用戶1和2的異常數據進行修復。為了提升異常數據修復精度，在數據修復之前首先需要對相鄰用戶和歷史相似日進行選取。根據式（7）計算可得，用戶1和用戶2-6的相關系數分別為:0.94，0.93，0.97，0.96，0.95；而用戶2和用戶1以及3-6的相關系數分別為:0.94，0.92，0.98，0.95，0.95。因此，用戶 1 和 2 的相鄰用戶均選擇用戶4-6。同理可得，相似度最高的3個歷史相似日。以上述用戶以及相似日數據作為樣本輸入，對BP神經網絡模型進行訓練，同時對異常數據進行修復。用戶1和2異常數據修復結果分別如圖5和圖6所示。從圖中可以看出，用戶1在時段10和11缺失的數據已被修正；用戶2修正后數據均低于原始數據。因此，通過本文所提數據修復方法后，可以有效堵截用戶偽裝發電騙取補貼問題，及時發現漏洞，提升光伏發電管理水平。

圖5 第一類異常數據修復

圖6 第二類異常數據修復

3.3 數據監測平臺開發

本文基于MATLAB GUI平臺，搭建了屋頂光伏運行數據監測系統，其主要包含分布式電源負荷監測和設備故障檢測兩個界面，如圖8-10所示。分布式電源負荷監測界面主要完成數據的修正以及繪圖；分布式電源設備故障檢測主要用于檢測用戶光伏設備是否異常。

圖7 屋頂光伏運行數據監測系統

圖8 分布式電源負荷監測界面

圖9 分布式電源設備檢測界面

4 結論

本文分析了戶用屋頂光伏發電數據3種常見的異常數據類型及其可能產生的原因，并將歷史相似日和相鄰相似用戶數據作為BP神經網絡的訓練樣本，對神經網絡進行訓練從而可以用于異常數據的修復工作。在算例分析中，利用浙江長興某光伏村用戶屋頂光伏實測數據作為研究對象，對本文所提方法進行了驗證，結果表明具有較好異常數據識別與修復功能。