新能源发电系统基础数据监控及核查方法

唐亮, 隋仕伟, 梁晓伟, 刘单华, 吴轲

(1. 国网安徽省电力有限公司, 安徽, 合肥 230000;2. 国电南瑞南京控制系统有限公司, 江苏, 南京 210000;3. 国网安徽省电力有限公司营销服务中心, 安徽, 合肥 230000)

0 引言

近年来,全球光伏发电装机容量不断增加。在大多数太阳能光伏系统的安装中,光伏电池组件被置于恶劣的户外环境中,这种环境条件可能导致光伏电池组件发生故障。为此,需要通过对光伏发电产生的各种数据进行监控和核查,进而分析故障产生的原因[1-3]。现有技术分析方法仍旧局限于常规设备监测,这就造成数据信息监控力度不够,核查能力落后。

文献[4]提出了一种故障检测方法,该方法通过比较测得的光伏发电数据与相应的预测数据之间的差异来检测故障,但该方法只能检测故障的发生,无法识别具体的故障信息。文献[5]提出了一种概率神经网络故障检测方法,以历史数据中的样本建立模型,从而实现故障的检测与诊断,但该方法数据监控及计算机分析能力落后。

1 数据核查服务平台设计

鉴于上述文献存在的不足,本文提出一种数据核查服务平台[6],该平台架构如图1所示。

图1 数据核查服务平台架构图

从图1可以看出,新能源发电的基础数据大部分源自国家电网系统,这些数据经过采集后,被妥善地存储起来,为数据特征提取模型提供充足的样本信息。利用大数据分析技术对这些数据进行合理分析,并将分析结果传递至上层管理中心。用户管理人员则根据相关数据核查算法,借助可视化分析技术,深入挖掘新能源发电基础数据中隐藏的信息,并通过多维度数据展示,实现对光伏发电系统的故障检测[7]。

2 关键技术

2.1 新能源发电系统监控方案设计

在本文方法中,新能源发电系统监控方案包括监控单元、组串监控和电站监控。本文方法给出了以2.5 MW箱式逆变房为例的新能源发电监控系统,如图2所示。

图2 新能源发电系统监控方案设计

在本文监控方案中,监控单元的监控包括电网应用设备电压监控、高压监控。通过设置继电器线圈电压采集模块,对电网高压电路中的继电器电压进行数据信息采集,控制方法采用MC9S12G48的单片机即可满足需求[8]。在对电网设备中运行的中低压信息进行监测时,通过中低压电压监测电路实现电压数据信息的监测,如图3所示。

图3 中低压电压监测电路

在图3中,中低压电压监测电路在硬件模块上设置用于监测电网运行电力设备AN051A电压检测器IC1、AN051A电压检测器IC2、STP11250低压差稳压集成电路IC3。其中,电路中还设置有偶7805稳压芯片、7812稳压芯片,以起到稳定电路中电压的目的,能够提高中低压电压监测过程中的安全能力。为了便于监测需要,还设置了中间继电器KA[9],以适时进行电路信息通断,其中设置欠电压报警单元能够实现监测电路预警。当电路中的电力设备运行电压高于设定阈值时,监测电路能够发出警示性语音信号,并自动切断电路中的电压,以保证电力设备健康、良性运行。

在进行组串监控时,通过在电网设备中逆变器组件或者发电站高压点输入端设置电流传感器和电压检测装置,能够检测到通过每个组串的电压和电流信息值,并对这些数据信息进行分析与计算,避免电路异常造成网络故障。

在电站监控时,由于电站是一个庞大且危险性比较高的客体,可通过巡检机器人、遥感技术或者无人机技术携带监控装置实现,也可结合工业控制特点、安防管理需求以及数字视频技术,实现信息化、网络化、远程化管理。

2.2 新能源发电系统数据核查方法

新能源发电系统在运行过程中,容易产生大量的数据信息,如何分析、挖掘和应用这些数据信息就显得尤为必要。本文采用方法是改进型BP神经网络模型,因为BP神经网络模型要解决的是一个复杂非线性化问题,BP神经网络对初始网络权重非常敏感,收敛时,局部极小。在常规技术中,BP 神经网络算法的收敛速度慢、结构选择不一、训练精度低下,因此加入经验模态分解(EMD) 算法,以提高数据分析能力。算法模型如图4所示。

图4 改进型BP神经网络模型

下面通过分步骤说明。

步骤一:输入新能源发电数据信息,并进行初始化处理,使输入的数据信息为纯净数据信息。

步骤二:将EMD算法模型设置在BP神经网络模型的输入端,将输入的数据信息通过EMD算法模型进行一级计算。

步骤三:假设将输入EMD算法模型中的数据信息记作X(t)。为了方便计算,在输入数据信息时,按照数据属性将同一数据属性的数据信息最小值和最大值分别记作Xmin(t)、Xmax(t)。为了确保输入的数据信息符合计算属性,借助曲线插值算法对其进行拟合后再计算。数据输出可以为

(1)

通过式(1),再对采集电力数据信息中的剩余信息进行计算,则有:

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

(2)

式(2)中,d1(t)表示电力数据信息输出的剩余信号,该信息反映采集数据信息占整个电力系统数据信息的比例。当电力系统输出的数据信息门限值大于筛分门限值(SD)时,EMD算法模型输出的数据信息可以分解为第一阶模态分量c1(t)(第一IMF),SD可以通过以下公式表示:

(3)

对电力系统输出数据信息的第一阶残差量r1(t)继续进行计算,以提高数据计算精度。则有:

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

(4)

为了提高数据计算的精度,设置反复数据信息为n次,最终输出的第n阶模拟函数cn(t)、残差量rn(t)满足以下关系式:

(5)

步骤四:通过EMD算法模型输出的数据信息集合记作{X1、X2、Xn} ,假设故障数据信息集合为W,则通过拟合函数f(W×Xi)×Xi对模型输出值,进行最大限度地逼近。假设在数据函数中输入激励函数f,则BP神经网络算法模型对新能源发电基础数据信息的误差输出函数记作:

(6)

式中,Yi为模型的输出值,Y为数据信息的真实值。

为了提高误差数据计算的精度,需要对误差e值进行调节,当数据信息e值调节到最小,则误差诊断出的故障数据信息为最小,这通过下降梯度来表示,则有:

(7)

式(7)中,存在以下关系式:

(8)

在经过反复的学习和训练中,还可以调节隐层节点数据信息,多次修改权重矩阵W,以实现最佳的数据输出经度。

3 试验与分析

在试验过程中,使用的操作系统为Windows 10,开发工具为Pycharm和Visual Studio。仿真模型采用MATLAB软件进行构建。试验室环境下模拟如图5所示。

图5 试验室环境下模拟图

3个不同光伏发电设施实时电压电流测量值如表1所示。

表1 不同光伏发电设施电压电流测量值

为了提高数据计算的精度,将电压、电流、纹波等数据信息进行实验分析,样本数据集如表2所示。

在验证改进型BP神经网络算法模型时,采用以下数据参数进行,精度值:

(9)

召回率计算公式:

(10)

查全率计算公式:

(11)

式(11)能够衡量终端设备能否全部考察情况,最终输出的数据公式可以表示FI,则FI数据公式模型可以为

(12)

通过5次的迭代反复计算,输出如表3所示的数据信息集合。

表3 计算数据表

利用上述公式进行数据验证后,则输出数据信息示意图如图6所示。

图6 试验数据输出数据信息图

运行MATLAB软件, 将上述改进型BP神经网络算法模型对输入的数据样本进行逐次遍历,设置迭代次数为10次,误差精度目标为0.001, 设置BP神经网络算法模型的学习速率为0.012,启动仿真程序,如图7所示。

图7 仿真数据信息输出示意图

在图7中,直线表示目标数据值,曲线表示运行数据值。再经过20 s后,发现BP神经网络模型计算出的时间结果分别为6.5 s、7.2 s、6.3 s、7.1 s和7.5 s,则输出数据信息的召回率分别为93.1%、92.8%、92.7%、93.3%和92.7%。BP神经网络模型运行正确率分别为95.8%、95.4%、94.9%、95.3%和96.1%,具有较小的误差精度。

将改进型BP神经网络模型与常规的BP神经网络模型进行对比,输出如图8所示的对比示意图。

图8 方案对比示意图

通过图8可以看出,本文方法耗时远远小于常规BP神经网络模型,说明本文方法计算时间更快、精度更高。

4 总结

本文提出了一种新能源发电系统基础数据监控及核查方法,能够实现新能源发电系统不同形式的数据监测,提高了数据监测精度和监控能力。本文设计了改进型BP神经网络算法模型,使新能源发电系统故障诊断中人工特征提取耗时变短、成本降低,大大提高了数据故障诊断能力。但是,该研究仍旧存在一些不足,比如计算的精度问题、数据输出受外界影响等。在今后的工作中,本文方法将继续对该研究课题进行探讨和修改,尝试用更好的方法进一步提高性能。