基于智能系統的光伏發電場故障檢測研究

王宗滿,胡振坤,李 玲,馬俊杰

(中核坤華能源發展有限公司,浙江 杭州 311113)

0 引言

光伏電站是利用太陽能發電的重要設施,其運行狀態的監測和維護對于保障電站高效穩定運行至關重要。隨著人工智能技術的不斷發展,基于智能算法的自主可重構光伏電站檢測系統成為了一種新興的趨勢。傳統的光伏電站檢測方法主要依賴人工巡檢,存在檢測效率低、準確性不足、人力成本高等問題。此外,由于環境因素和設備老化,電站設備的性能容易出現波動,導致電站的運行效率降低。隨著人工智能技術的不斷進步,基于智能算法的光伏電站檢測系統將主要包括以下優勢:更高效的算法,研究更加高效、精確的算法,提高檢測速度和準確性;系統集成,實現檢測系統與電站管理系統的集成,實現全面智能化管理;定制化檢測,根據不同電站的特點,定制化開發檢測系統,提高檢測的針對性和實用性;廣泛應用,隨著光伏電站的普及,智能檢測系統將在更多電站得到應用,提高整個行業的運行效率和穩定性[1-3]。

本文提出了用于光伏發電場故障檢測的自動智能系統,它基于對光伏發電場逆變器中提取的直流電壓和電流的分析。檢測系統使用功率估計器模塊,能夠以準確的方式描述復雜的系統行為,而無需精確的數學模型,并處理噪聲和模糊數據。功率估計器利用溫度和輻照度的輸入信號來評估光伏電站理論產生的直流功率。然后,將估計的功率與光伏電站提供的實際功率進行比較,并最終在明顯不同的情況下產生警報信號。

1 智能系統分析

1.1 智能系統組成

智能系統由3個主要模塊組成:數據采集模塊、檢測模塊和診斷模塊。數據采集模塊獲取光伏電站上的溫度(T)和太陽輻照度(S)的瞬時測量值,提供給檢測模塊,并從每個最大功率點跟蹤(Maximum Power Point Tracking, MPPT)中提取在相應陣列上測量的直流電流和電壓。假設處理利用多陣列逆變器,即包括k個最大功率跟蹤點的逆變器,每個MPPT連接到不同的陣列。溫度和太陽輻照度可以通過安裝在光伏場上的傳感器進行測量,或者它們可以由連接到氣象站的遠程數據庫提供。提取的電流和電壓的集合分別表示為:

IM=[I1I2…Ik]

(1)

VM=[V1V2…Vk]

(2)

其中,k為最大功率跟蹤(MPPT)的總數;IM為最大功率時的電流;VM為最大功率時的電壓,利用它們來計算由每個陣列提供的MPPT時直流(Direct Current, DC)功率的集合,并表示為:

PM=[P1P2…Pk]

(3)

1.2 檢測模塊

如前所述,檢測模塊基于直流功率估計器,該估計器獲得溫度和太陽輻射作為輸入并提供估計的直流功率。本文使用TSK-FRBS實現了估計器功能,此系統由規則庫(Rule Base,RB)、數據庫(Data Base,DB)以及推理機構成。

設X=X1,X2,…,XF是輸入變量的集合,XF+1是輸出變量。設Uf具有f=1,2,…,F,f-th輸入變量的單元,且Pf=Af,1,Af,2,…,Af,Tf在輸入變量XF上具有Tf模糊集的模糊劃分。

為了構建功率估計器,使用了智能訓練算法,該算法基于一種生成模糊輸入分區和規則前因的減法聚類算法,以確定每個規則的結果方程的線性最小二乘估計算法。關于規則前因的生成,主要是將數據空間劃分為模糊聚類,每個聚類代表系統行為的一個特定部分。將聚類投影到輸入空間后,可以找到模糊規則的先行部分。通過此方式,一個集群對應于模糊規則模型的一個規則。其基本思想是通過使用由元組形成的訓練集來訓練估計器,元組包含溫度和輻射值以及相應的直流功率值。訓練數據可以記錄在最近安裝的無故障的發電場上。

基于模糊規則系統的智能訓練算法具有以下特點。(1)非線性:模糊規則系統本身具有非線性特性,使得訓練算法需要處理非線性方程組,增加了求解難度。(2)復雜性:模糊規則系統的結構復雜,包括輸入變量、輸出變量、模糊集、模糊規則等多個部分。這使得訓練算法需要考慮各部分之間的關系,以達到全局最優解。(3)參數優化:基于優化算法的訓練方法需要對模糊規則系統的參數進行優化,如隸屬函數的形狀和中心、模糊規則的權重等。這些參數對模糊規則系統的性能具有重要影響,需要進行細致調整。(4)適應性:模糊規則系統需要具有較強的適應性,以應對不同環境和輸入數據的變化。基于優化算法的訓練方法能夠使模糊規則系統具有較強的自適應能力。(5)實時性:在實際應用中,模糊規則系統需要實時更新和調整規則,以適應不斷變化的環境。因此,訓練算法需要具有較快的收斂速度和實時性。基于模糊規則系統的智能訓練算法在實際應用中具有重要意義。通過合理選擇和調整訓練算法,可以提高模糊規則系統的性能,使其在光伏發電場領域發揮重要作用[4-5]。

2 實驗分析

2.1 功率估算器訓練階段分析

光伏發電場功率估計器的訓練階段主要包括數據采集、數據預處理、特征提取和模型訓練4個階段。(1)數據采集。在光伏發電場功率估計器的訓練階段,首先需要進行數據采集。這些數據包括光伏發電場的實時功率、環境參數(如氣溫、濕度、風速等)、光伏組件參數(如開路電壓、短路電流等)等。這些數據可以從歷史數據記錄、實時監測系統或專業數據采集設備中獲取。(2)數據預處理。采集到的數據往往存在噪聲、缺失值等問題,需要進行預處理。常見的數據預處理方法包括濾波、插值、歸一化等。此外,還需要對數據進行清洗,去除異常值、錯誤數據等。(3)特征提取。特征提取是將原始數據轉化為具有代表性的特征向量的過程。在光伏發電場功率估計中,常用的特征包括滑動平均值、自相關系數、傅里葉變換系數等。通過對特征進行分析,可以發現光伏發電功率與不同特征之間的關系。(4)模型訓練。模型訓練是光伏發電場功率估計器的核心階段。常用的模型包括線性回歸、支持向量機、神經網絡等。訓練過程中,需要選取合適的算法和參數,并進行交叉驗證和調整,以提高模型的預測精度。

本文使用6個月的數據訓練了6種不同的功率估計器,然后使用剩余的數據測試了它們的泛化能力。如表1所示展示了功率估計器訓練階段的結果。對于每個模型,在訓練集和測試集上都顯示了平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)。MAPE計算如下:

(4)

表1 功率估計器訓練階段的結果 單位:%

此外,為了在測量輻照度時考慮傳感器的不確定性,在測試集和故障數據的輻照度樣本中添加了2%的均勻分布噪聲。在表1的最后一列中,還顯示了在噪聲測試集上計算的百分比誤差。

除了用6月和7月的數據訓練的估計量之外,所獲得的百分比誤差總是低于3%,這證實了功率估計量的高泛化能力。在有噪聲的測試集上獲得的百分比誤差并不比在原始測試集上得到的高,從而證實了所選估計器模型的穩健性。最后,驗證了訓練的TSK-FRBS擁有非常簡單的模型。

2.2 故障檢測結果

在檢測系統的實驗期間,根據功率估計器訓練階段所使用的月份,所分析的樣本總數約為1700。在所有情況下,描述故障條件的樣本總數,即表示陽性情況的樣本總數為763。其余樣本為陰性。

關于在將估計功率與實際功率進行比較時使用的閾值,基于在測試集上獲得的MAPE,將其設置為高于3%的值,即5%。則有下式,其中i=1,2,…,K。

(5)

為了分析故障檢測程序的有效性,在表2中,實驗顯示了系統實現的真陽性率(TPR)和真陰性率(TNR)。同樣,在這種情況下,顯示了用于訓練功率估計器的每個月的結果。TPR和TNR分別表示正確檢測到的故障的百分比和由于與故障無關而不產生警報信號的樣本百分比。如表2所示,在有噪聲的樣本的情況下,TPR和TNR的值幾乎總是接近90%,從而再次證實了系統處理含有噪聲及模糊數據的能力。事實上,驗證了即假陽性情況,與冬季清晨或下午記錄的樣本有關。

表2 檢測程序的結果 單位:%

另外,在某時間段內,輻照度非常低,產生的功率也不客觀,因此估計器產生較高的估計誤差。由于該系統全天監測光伏場,通過分析一天中的中心時間的警報信號,可以很容易地了解故障情況是否準確。

3 結語

該研究利用模糊規則系統對光伏發電場的故障進行了檢測,通過建立故障特征和輸出結果之間的映射關系,實現了對故障的自動識別和預警。研究結果表明,模糊規則系統在光伏發電場故障檢測中具有較好的性能和適用性。通過對故障數據的分析,提取出具有代表性的特征,并將這些特征轉化為模糊規則系統的輸入。通過對輸入的推理和判斷,實現了對故障的自動識別和預警。該方法具有實時性好、準確度高、適應性強等優點,能夠及時發現并處理光伏發電場的故障,提高發電效率和穩定性。