分布式光伏电站故障诊断方法和装置制造方法及图纸

本申请涉及一种分布式光伏电站故障诊断方法，先收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；再根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，利用决策树方法建立分布式光伏故障诊断模型；再通过监控光伏电站的各个光伏电站的出力数据，根据出力数据输入到理论发电量的预测模型中得到理论发电量，再将出力数据和理论发电量计算相关系数，将相关系数输入到分布式光伏故障诊断诊断模型对电站状态进行判断。通过上述障诊断方法能够实现对电站状态的判断。

【技术实现步骤摘要】
分布式光伏电站故障诊断方法和装置
本申请属于光伏发电故障诊断
，尤其是涉及一种基于BP神经网络以及决策树的分布式光伏电站故障诊断方法和装置。
技术介绍
光伏价格低廉，不受地理位置限制，可满足离网系统能源需求，市场广阔。根据国际市场研究机构Technavio发布的可再生能源发电(RDEG)技术市场将在2019-2023期间增长295.15GW规模。近年来中国光伏发电发展速度惊人，2018年全国光伏发电新增装机44.06GW，全国光伏发电累计装机达到174.63GW。随着光伏装机容量的快速增长，光伏发电系统智能化运行功能)。上述功能的实现依赖于数据的质量和可靠性。目前的分布光伏电站不同与大型并网式光伏电站，其运行时收集到的数据往往缺乏电站场地的气象数据。气象信息的缺乏导致以往许多光伏电站分析方法的失效，在实际的工程应用中受到了约束。因此需要从新的角度分析评价光伏电站。另外，实际光伏的出力情况复杂，出力数据与理论数据差异较大，为了分析电站数据，需要能够有效描述光伏电站运行状态的指标，提出基于时间和空间函数的光伏电站直流侧薄弱点诊断方法。
技术实现思路
本专利技术要解决的技术问题是：为解决现有技术中的不足，从而提供一种能够对分布式光伏电站故障进行诊断方法和装置。本专利技术解决其技术问题所采用的技术方案是：一种分布式光伏电站故障诊断方法，包括以下步骤：S1：收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；<br>S2：根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，所述理论发电量的预测模型能够通过其它光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算，并建立每个光伏电站的理论发电量的时间序列；S3：将各个光伏电站的出力数据的时间序列和理论发电量的时间序列按照相同的发生时间以一定的时间段进行截取，并根据历史故障诊断记录标定每个截取段对应发生时间时的故障类型，分别计算出力数据的时间序列的截取段与理论发电量的时间序列的截取段的相关系数S4：以相关系数作为输入向量，将故障类型标记为输出向量，以输入向量和输出向量作为训练数据，利用决策树方法建立分布式光伏故障诊断模型；S5：监控光伏电站的各个光伏电站的出力数据，根据出力数据输入到理论发电量的预测模型中得到理论发电量，再将出力数据和理论发电量计算相关系数，将相关系数输入到分布式光伏故障诊断诊断模型对电站状态进行判断。优选地，本专利技术的分布式光伏电站故障诊断方法，S1步骤中还对每个光伏电站的出力数据的时间序列通过皮尔森相关系数进行相似度，得到与该光伏电站若干相似度较高的光伏电站；在S2步骤中通过选取的相似的较高的光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算。优选地，本专利技术的分布式光伏电站故障诊断方法，所述相关系数为相对欧式距离和皮尔森相关系数。优选地，本专利技术的分布式光伏电站故障诊断方法，相对欧式距离的计算公式为式中：δ(XTar,XRef)为相对欧式距离；其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；皮尔森相关系数的计算公式为其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；r为皮尔森相关系数；为出力数据的时间序列的截取段和理论发电量的时间序列的截取段的平均值。优选地，本专利技术的分布式光伏电站故障诊断方法，S3步骤中截取的时间段为2-5h。6.一种分布式光伏电站故障诊断装置，包括：数据采集模块：收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；理论发电量的预测模型：根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，所述理论发电量的预测模型能够通过其它光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算；理论发电量计算模块：用于根据收集的各个光伏电站的运行数据计算每个光伏电站的理论发电量，并依据计算的理论发电量形成理论发电量时间序列；相关性计算模块：用于将各个光伏电站的出力数据的时间序列和理论发电量的时间序列按照相同的发生时间以一定的时间段进行截取，并根据历史故障诊断记录标定每个截取段对应发生时间时的故障类型，分别计算出力数据的时间序列的截取段与理论发电量的时间序列的截取段的相关系数；故障诊断模型：以相关性计算模块得到的相关系数作为输入向量，将故障类型标记为输出向量，以输入向量和输出向量作为训练数据，利用决策树方法训练建立得到；故障诊断模块：根据监控得到的光伏电站的各个光伏电站的出力数据相关性计算模块计算相关系数，将相关系数作为输入向量输入到分布式光伏故障诊断诊断模型对电站状态进行判断。优选地，本专利技术的分布式光伏电站故障诊断方法，数据采集模块中还对每个光伏电站的出力数据的时间序列通过皮尔森相关系数进行相似度，得到与该光伏电站若干相似度较高的光伏电站；理论发电量的预测模型中通过选取的相似的较高的光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算。优选地，本专利技术的分布式光伏电站故障诊断方法，所述相关系数为相对欧式距离和皮尔森相关系数。优选地，本专利技术的分布式光伏电站故障诊断方法，相对欧式距离的计算公式为式中：δ(XTar,XRef)为相对欧式距离；其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；皮尔森相关系数的计算公式为其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；r为皮尔森相关系数；为出力数据的时间序列的截取段和理论发电量的时间序列的截取段的平均值。优选地，本专利技术的分布式光伏电站故障诊断方法，相关性计算模块中截取的时间段为2-5h。本专利技术的有益效果是：附图说明下面结合附图和实施例对本申请的技术方案进一步说明。图1为光伏电站故障诊断方法的流程图；图2为BP神经网络原理图；图3为不同故障下时间序列的相似性图；图4为不同故障下时间序列的距离性图；图5为决策树工作原理图。具体实施方式需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请的技术方案。实施例1本实施例提供一种基于BP神经网络的光伏故障诊断方法，如图1所示，具体步骤如下：S1：收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；光伏电站历史运行数据还可以进行数据预处理，去除掉空白较大的部分或者明显错误的部分；以选取中国息县10个光伏电站2018年全年的数据为例。十个光伏电站由容量分别为40MW的光伏本文档来自技高网...

【技术保护点】
1.一种分布式光伏电站故障诊断方法，其特征在于，包括以下步骤：/nS1：收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；/nS2：根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，所述理论发电量的预测模型能够通过其它光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算，并建立每个光伏电站的理论发电量的时间序列；/nS3：将各个光伏电站的出力数据的时间序列和理论发电量的时间序列按照相同的发生时间以一定的时间段进行截取，并根据历史故障诊断记录标定每个截取段对应发生时间时的故障类型，分别计算出力数据的时间序列的截取段与理论发电量的时间序列的截取段的相关系数；/nS4：以相关系数作为输入向量，将故障类型标记为输出向量，以输入向量和输出向量作为训练数据，利用决策树方法建立分布式光伏故障诊断模型；/nS5：监控光伏电站的各个光伏电站的出力数据，根据出力数据输入到理论发电量的预测模型中得到理论发电量，再将出力数据和理论发电量计算相关系数，将相关系数输入到分布式光伏故障诊断诊断模型对电站状态进行判断。/n

【技术特征摘要】
1.一种分布式光伏电站故障诊断方法，其特征在于，包括以下步骤：
S1：收集各个光伏电站历史运行数据，建立各个光伏电站的出力数据的时间序列，收集各个光伏电站的历史故障诊断记录；
S2：根据收集的各个光伏电站历史运行数据训练BP神经网络得到理论发电量的预测模型，所述理论发电量的预测模型能够通过其它光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算，并建立每个光伏电站的理论发电量的时间序列；
S3：将各个光伏电站的出力数据的时间序列和理论发电量的时间序列按照相同的发生时间以一定的时间段进行截取，并根据历史故障诊断记录标定每个截取段对应发生时间时的故障类型，分别计算出力数据的时间序列的截取段与理论发电量的时间序列的截取段的相关系数；
S4：以相关系数作为输入向量，将故障类型标记为输出向量，以输入向量和输出向量作为训练数据，利用决策树方法建立分布式光伏故障诊断模型；
S5：监控光伏电站的各个光伏电站的出力数据，根据出力数据输入到理论发电量的预测模型中得到理论发电量，再将出力数据和理论发电量计算相关系数，将相关系数输入到分布式光伏故障诊断诊断模型对电站状态进行判断。


2.根据权利要求1所述的分布式光伏电站故障诊断方法，其特征在于，S1步骤中还对每个光伏电站的出力数据的时间序列通过皮尔森相关系数进行相似度，得到与该光伏电站若干相似度较高的光伏电站；
在S2步骤中通过选取的相似的较高的光伏电站的运行数据来对特定的光伏电站的理论发电量进行计算。


3.根据权利要求1或2所述的分布式光伏电站故障诊断方法，其特征在于，所述相关系数为相对欧式距离和皮尔森相关系数。


4.根据权利要求3所述的分布式光伏电站故障诊断方法，其特征在于，相对欧式距离的计算公式为



式中：δ(XTar,XRef)为相对欧式距离；其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；
皮尔森相关系数的计算公式为



其中XTar是出力数据的时间序列的截取段，XRef是理论发电量的时间序列的截取段；r为皮尔森相关系数；为出力数据的时间序列的截取段和理论发电量的时间序列的截取段的平均值。


5.根据权利要求1-4任一项所述的分布式光伏电站故障诊断方法，其特征在于，S3步骤中截取的时间段为2-5h。


6.一种分布式光伏电站故障诊断装置，其特征在于，包...

【专利技术属性】
技术研发人员：赵健，周宁，刘昊，孙芊，王鹏，马建伟，王磊，张建宾，朱红路，
申请(专利权)人：国网河南省电力公司电力科学研究院，北京中科技达科技有限公司，国家电网有限公司，
类型：发明
国别省市：河南;41