新能源發電系統基礎數據監控及核查方法

唐亮, 隋仕偉, 梁曉偉, 劉單華, 吳軻

(1. 國網安徽省電力有限公司, 安徽, 合肥 230000;2. 國電南瑞南京控制系統有限公司, 江蘇, 南京 210000;3. 國網安徽省電力有限公司營銷服務中心, 安徽, 合肥 230000)

0 引言

近年來,全球光伏發電裝機容量不斷增加。在大多數太陽能光伏系統的安裝中,光伏電池組件被置于惡劣的戶外環境中,這種環境條件可能導致光伏電池組件發生故障。為此,需要通過對光伏發電產生的各種數據進行監控和核查,進而分析故障產生的原因[1-3]。現有技術分析方法仍舊局限于常規設備監測,這就造成數據信息監控力度不夠,核查能力落后。

文獻[4]提出了一種故障檢測方法,該方法通過比較測得的光伏發電數據與相應的預測數據之間的差異來檢測故障,但該方法只能檢測故障的發生,無法識別具體的故障信息。文獻[5]提出了一種概率神經網絡故障檢測方法,以歷史數據中的樣本建立模型,從而實現故障的檢測與診斷,但該方法數據監控及計算機分析能力落后。

1 數據核查服務平臺設計

鑒于上述文獻存在的不足,本文提出一種數據核查服務平臺[6],該平臺架構如圖1所示。

圖1 數據核查服務平臺架構圖

從圖1可以看出,新能源發電的基礎數據大部分源自國家電網系統,這些數據經過采集后,被妥善地存儲起來,為數據特征提取模型提供充足的樣本信息。利用大數據分析技術對這些數據進行合理分析,并將分析結果傳遞至上層管理中心。用戶管理人員則根據相關數據核查算法,借助可視化分析技術,深入挖掘新能源發電基礎數據中隱藏的信息,并通過多維度數據展示,實現對光伏發電系統的故障檢測[7]。

2 關鍵技術

2.1 新能源發電系統監控方案設計

在本文方法中,新能源發電系統監控方案包括監控單元、組串監控和電站監控。本文方法給出了以2.5 MW箱式逆變房為例的新能源發電監控系統,如圖2所示。

圖2 新能源發電系統監控方案設計

在本文監控方案中,監控單元的監控包括電網應用設備電壓監控、高壓監控。通過設置繼電器線圈電壓采集模塊,對電網高壓電路中的繼電器電壓進行數據信息采集,控制方法采用MC9S12G48的單片機即可滿足需求[8]。在對電網設備中運行的中低壓信息進行監測時,通過中低壓電壓監測電路實現電壓數據信息的監測,如圖3所示。

圖3 中低壓電壓監測電路

在圖3中,中低壓電壓監測電路在硬件模塊上設置用于監測電網運行電力設備AN051A電壓檢測器IC1、AN051A電壓檢測器IC2、STP11250低壓差穩壓集成電路IC3。其中,電路中還設置有偶7805穩壓芯片、7812穩壓芯片,以起到穩定電路中電壓的目的,能夠提高中低壓電壓監測過程中的安全能力。為了便于監測需要,還設置了中間繼電器KA[9],以適時進行電路信息通斷,其中設置欠電壓報警單元能夠實現監測電路預警。當電路中的電力設備運行電壓高于設定閾值時,監測電路能夠發出警示性語音信號,并自動切斷電路中的電壓,以保證電力設備健康、良性運行。

在進行組串監控時,通過在電網設備中逆變器組件或者發電站高壓點輸入端設置電流傳感器和電壓檢測裝置,能夠檢測到通過每個組串的電壓和電流信息值,并對這些數據信息進行分析與計算,避免電路異常造成網絡故障。

在電站監控時,由于電站是一個龐大且危險性比較高的客體,可通過巡檢機器人、遙感技術或者無人機技術攜帶監控裝置實現,也可結合工業控制特點、安防管理需求以及數字視頻技術,實現信息化、網絡化、遠程化管理。

2.2 新能源發電系統數據核查方法

新能源發電系統在運行過程中,容易產生大量的數據信息,如何分析、挖掘和應用這些數據信息就顯得尤為必要。本文采用方法是改進型BP神經網絡模型,因為BP神經網絡模型要解決的是一個復雜非線性化問題,BP神經網絡對初始網絡權重非常敏感,收斂時,局部極小。在常規技術中,BP 神經網絡算法的收斂速度慢、結構選擇不一、訓練精度低下,因此加入經驗模態分解(EMD) 算法,以提高數據分析能力。算法模型如圖4所示。

圖4 改進型BP神經網絡模型

下面通過分步驟說明。

步驟一:輸入新能源發電數據信息,并進行初始化處理,使輸入的數據信息為純凈數據信息。

步驟二:將EMD算法模型設置在BP神經網絡模型的輸入端,將輸入的數據信息通過EMD算法模型進行一級計算。

步驟三:假設將輸入EMD算法模型中的數據信息記作X(t)。為了方便計算,在輸入數據信息時,按照數據屬性將同一數據屬性的數據信息最小值和最大值分別記作Xmin(t)、Xmax(t)。為了確保輸入的數據信息符合計算屬性,借助曲線插值算法對其進行擬合后再計算。數據輸出可以為

(1)

通過式(1),再對采集電力數據信息中的剩余信息進行計算,則有:

d1(t)=X(t)-m1(t)

(2)

式(2)中,d1(t)表示電力數據信息輸出的剩余信號,該信息反映采集數據信息占整個電力系統數據信息的比例。當電力系統輸出的數據信息門限值大于篩分門限值(SD)時,EMD算法模型輸出的數據信息可以分解為第一階模態分量c1(t)(第一IMF),SD可以通過以下公式表示:

(3)

對電力系統輸出數據信息的第一階殘差量r1(t)繼續進行計算,以提高數據計算精度。則有:

r1(t)=X(t)-c1(t)

(4)

為了提高數據計算的精度,設置反復數據信息為n次,最終輸出的第n階模擬函數cn(t)、殘差量rn(t)滿足以下關系式:

(5)

步驟四:通過EMD算法模型輸出的數據信息集合記作{X1、X2、Xn} ,假設故障數據信息集合為W,則通過擬合函數f(W×Xi)×Xi對模型輸出值,進行最大限度地逼近。假設在數據函數中輸入激勵函數f,則BP神經網絡算法模型對新能源發電基礎數據信息的誤差輸出函數記作:

(6)

式中,Yi為模型的輸出值,Y為數據信息的真實值。

為了提高誤差數據計算的精度,需要對誤差e值進行調節,當數據信息e值調節到最小,則誤差診斷出的故障數據信息為最小,這通過下降梯度來表示,則有:

(7)

式(7)中,存在以下關系式:

(8)

在經過反復的學習和訓練中,還可以調節隱層節點數據信息,多次修改權重矩陣W,以實現最佳的數據輸出經度。

3 試驗與分析

在試驗過程中,使用的操作系統為Windows 10,開發工具為Pycharm和Visual Studio。仿真模型采用MATLAB軟件進行構建。試驗室環境下模擬如圖5所示。

圖5 試驗室環境下模擬圖

3個不同光伏發電設施實時電壓電流測量值如表1所示。

表1 不同光伏發電設施電壓電流測量值

為了提高數據計算的精度,將電壓、電流、紋波等數據信息進行實驗分析,樣本數據集如表2所示。

在驗證改進型BP神經網絡算法模型時,采用以下數據參數進行,精度值:

(9)

召回率計算公式:

(10)

查全率計算公式:

(11)

式(11)能夠衡量終端設備能否全部考察情況,最終輸出的數據公式可以表示FI,則FI數據公式模型可以為

(12)

通過5次的迭代反復計算,輸出如表3所示的數據信息集合。

表3 計算數據表

利用上述公式進行數據驗證后,則輸出數據信息示意圖如圖6所示。

圖6 試驗數據輸出數據信息圖

運行MATLAB軟件, 將上述改進型BP神經網絡算法模型對輸入的數據樣本進行逐次遍歷,設置迭代次數為10次,誤差精度目標為0.001, 設置BP神經網絡算法模型的學習速率為0.012,啟動仿真程序,如圖7所示。

圖7 仿真數據信息輸出示意圖

在圖7中,直線表示目標數據值,曲線表示運行數據值。再經過20 s后,發現BP神經網絡模型計算出的時間結果分別為6.5 s、7.2 s、6.3 s、7.1 s和7.5 s,則輸出數據信息的召回率分別為93.1%、92.8%、92.7%、93.3%和92.7%。BP神經網絡模型運行正確率分別為95.8%、95.4%、94.9%、95.3%和96.1%,具有較小的誤差精度。

將改進型BP神經網絡模型與常規的BP神經網絡模型進行對比,輸出如圖8所示的對比示意圖。

圖8 方案對比示意圖

通過圖8可以看出,本文方法耗時遠遠小于常規BP神經網絡模型,說明本文方法計算時間更快、精度更高。

4 總結

本文提出了一種新能源發電系統基礎數據監控及核查方法,能夠實現新能源發電系統不同形式的數據監測,提高了數據監測精度和監控能力。本文設計了改進型BP神經網絡算法模型,使新能源發電系統故障診斷中人工特征提取耗時變短、成本降低,大大提高了數據故障診斷能力。但是,該研究仍舊存在一些不足,比如計算的精度問題、數據輸出受外界影響等。在今后的工作中,本文方法將繼續對該研究課題進行探討和修改,嘗試用更好的方法進一步提高性能。