一种概率融合式光伏电站的多维全状态数据建模方法技术

本发明专利技术公开了一种概率融合式光伏电站的多维全状态数据建模方法，针对光伏电站内电压、电流、温度、辐照度传感器采样获得的多源、异构、大量、动态数据，进行数据相关性分组、组内当前数据与历史数据的联合计算，获得电站内各组设备状态的特征量，再根据特征量计算结果，利用设备各状态的概率分布对异构数据源进行数据融合，从而建立高数据利用率、低数据复杂度的光伏电站数据模型，实现复杂传感器网络下采样数据的融合分析，达到降低系统数据负担，提升光伏电站运维监控系统性能的目的。

【技术实现步骤摘要】
一种概率融合式光伏电站的多维全状态数据建模方法
本专利技术涉及一种光伏电站数据建模技术，属于光伏电站运维监控

技术介绍
光伏发电作为太阳能利用的重要手段之一，近年来取得了快速发展，而光伏电站数据模型作为电站实时监控与运行维护的数据基础，对确保电站监控系统高效、可靠和发电系统稳定运行具有重要意义。工程实践中，光伏电站的实时监测总是依靠各类传感器网络进行的，布设于光伏电站中的各类传感器采集并发送数据，数据终端接收数据后根据数据模型进行数据处理和分析，但光伏电站场区广阔，设备种类众多，不论是自然环境还是设备状态都较为复杂，因而为了完整地感知光伏电站运行状态，实际中监测网络必须使用诸如电压、电流传感器，温度传感器，辐照度传感器等多类采集设备，并同时采集、发送大量类型各异的数据，这使得数据终端获得的数据呈现出多源、异构、大量、动态的特点。对于此类较为复杂的数据源，为了确保数据终端分析时数据利用的充分、高效，必须依靠电站的基础模型进行数据融合处理。现有针对光伏电站数据模型与建模方法主要包括以下几种：(1)环节建模，即针对光伏发电系统各组成环节分别建模，此种方式最为常见，研究成果也较多，例如：针对直流光伏阵列环节，根据不同的光伏组件材料，给出了光伏组件的双二极管机理模型及单二极管机理模型；针对直流逆变环节，考虑逆变器的“黑箱”特性，根据逆变器的输入输出信息，采用NARX模型和Wiener模型，对光伏并网逆变器进行了辨识建模。此类方式获得的模型常表现为多变量、多参数的微分方程组，此类建模最大的特点是针对性强且参数划分精细，缺点是光伏电站设备环节较多，若对每个环节均分别进行精细化的建模后再组合，最终构成光伏电站模型的阶数将很高，变量参数众多，监控系统数据分析计算量大，效率低下。(2)参数聚合建模，即在分环节建模的基础上，将部分环节结合为一个整体，达到结构参数简化的目的，例如：以参数聚合模型和原模型间有功功率损耗、无功功率损耗相等为原则，获得的集电网络等值阻抗模型；以及考虑到光伏逆变器及其控制环节的型号及参数基本相同，据此根据对光伏逆变器及其控制环节进行参数融合，采用按容量加权法获得其等效参数模型的方法。此类方法一定程度上减少了模型的阶数，降低了数据分析的运算量，但由于从基础模型向参数聚合模型简化时常需要设定简化的近似条件，因此聚合模型难免存在近似误差，从而削弱了模型的通用性和精确性。(3)整体聚合建模，即将光伏电站所有内部结构与细节略去，将电站视为一个不可分割的整体发电单元，这样建立的整体聚合模型可以准确反映出光伏电站在PCC点出口处的电压和输出功率等动态性能，但不再表现发电单元内部环节的具体特性。此种建模方法常应用于分析电站与电网间相互作用，包括电站对电网稳定性影响的研究和电网特性变化对电站状态影响的研究等，但由于电站内部环节在模型中被隐去，此类建模方法与所获模型并不满足电站运维监控的要求，也不适用于监测数据的分析。综上所述，如何进行科学、可靠地光伏电站数据建模，提升处理终端对电站中复杂数据源利用的充分性和合理性，确保电站监控系统高效、可靠，成为亟待解决的问题。
技术实现思路
本专利技术为克服现有光伏电站数据建模方法存在的不足之处，提出一种概率融合式光伏电站的全状态数据建模方法，以期能利用设备状态的概率分布为转化媒介，将光伏电站内各类传感器采集获得的多源、异构数据进行融合建模，从而能在充分利用采集信息的前提下，完成数据融合，降低电站状态模型的结构复杂度，最终达到降低光伏监控系统数据负担，提升光伏监控系统的性能的目的。本专利技术为达到上述专利技术目的，采用的技术方案如下：本专利技术一种概率融合式光伏电站的多维全状态数据建模方法的特点包括以下步骤：步骤1、假设被监测的光伏电站中包含H路逆变器，其中任意第h路逆变器连接一个含有J串光伏组串的光伏阵列；光伏电站内所有传感器所获得的采集数据包括：辐照度s、环境温度t、第h路逆变器所连的光伏阵列中第j串光伏组串电压Uhj和光伏组串电流Ihj、第h路逆变器A,B,C相电流IhA,IhB,IhC和输出有功功率Ph，公共连接点PCC上A,B,C相电压UA,UB,UC，AB,BC,CA线电压UAB,UBC,UCA，其中，h＝1,2,…,H；j＝1,2,…,J；步骤2、采集数据归类：首先，将电站环境检测仪和全部光伏阵列相关传感器的采集数据归为阵列状态组Qpv，其中包括：辐照度s、环境温度t、任意第h路第j串光伏组串电压Uhj、光伏组串电流Ihj的采样数据；其次，将H路逆变器以及公共连接点PCC相关传感器的采集数据归为电站状态组Qgs，其中包括：第h路逆变器的A,B,C相电流IhA,IhB,IhC，输出有功功率Ph，无功功率Qh，公共连接点PCC上A,B,C相电压UA,UB,UC，AB,BC,CA线电压UAB,UBC,UCA；步骤3、在所述阵列状态组Qpv中，利用式(1)计算当前数据与去年同月内历史数据间的欧式距离di：式(1)中，t,s分别为当前采集的环境温度和辐照度数据，ti,si为历史数据库中历史时刻i的环境温度和辐照度数据，并将所有计算结果中欧式距离最短的时刻记为k时刻；步骤4、利用式(2)计算第h路逆变器所接的第j串光伏组串的当前采样数据与k时刻历史数据之间的功率偏移从而遍历每一路逆变器中每一组串，并获得第h个功率偏移序列Nh如式(3)所示：式(2)中，Uhj、Ihj为第h路逆变器所接的第j串光伏组串的当前电压、电流值，为第h路逆变器所接的第j串光伏组串在k时刻电压、电流值；Nh＝[ΔPh1,ΔPh2,…,ΔPhJ](3)依据光伏组串的功率特性，判断序列中所有ΔPhj≤0的元素代表第h路逆变器中第j个组串出现异常功率散失，并通过式(4)对第h个功率偏移序列Nh中所有ΔPhj≤0元素进行求和，得到第h路逆变器对应光伏阵列功率散失Δeh：Δeh＝∑|ΔPhj|(4)式(4)中，ΔPhj表示第h路逆变器所接阵列中第j个组串的异常功率散失值；根据第h路逆变器对应光伏阵列功率散失Δeh和光伏阵列运行状态转移的概率分布spreadpv，获得任意第h路逆变器中阵列状态的概率融合参数vh；步骤5、在所述电站状态组Qgs中进行极端数据提取；当满足等式(5)，则表明第h路逆变器的A,B,C相电流IhA,IhB,IhC和输出有功功率Ph中存在极端数据，对应第h路逆变器处于故障状态，从而令当前第h路逆变器对应的逆变状态概率融合参数uh为“0”：IhA·IhB·IhC·Ph＝0(5)当满足方程(6)或(7)，则表明公共连接点PCC上A,B,C相电压UA,UB,UC以及AB,BC,CA线电压UAB,UBC,UCA中存在极端数据，并网点存在异常，从而令当前第h路逆变器对应的逆变状态概率融合参数uh为“0”：UAB·UBC·UCA＝0(6)UA·UB·UC＝0(7)步骤6、对所述电站状态组Qgs中的非极端数据进行概本文档来自技高网...

【技术保护点】
1.一种概率融合式光伏电站的多维全状态数据建模方法，其特征包括以下步骤：/n步骤1、假设被监测的光伏电站中包含H路逆变器，其中任意第h路逆变器连接一个含有J串光伏组串的光伏阵列；光伏电站内所有传感器所获得的采集数据包括：辐照度s、环境温度t、第h路逆变器所连的光伏阵列中第j串光伏组串电压U

【技术特征摘要】
1.一种概率融合式光伏电站的多维全状态数据建模方法，其特征包括以下步骤：
步骤1、假设被监测的光伏电站中包含H路逆变器，其中任意第h路逆变器连接一个含有J串光伏组串的光伏阵列；光伏电站内所有传感器所获得的采集数据包括：辐照度s、环境温度t、第h路逆变器所连的光伏阵列中第j串光伏组串电压Uhj和光伏组串电流Ihj、第h路逆变器A,B,C相电流IhA,IhB,IhC和输出有功功率Ph，公共连接点PCC上A,B,C相电压UA,UB,UC，AB,BC,CA线电压UAB,UBC,UCA，其中，h＝1,2,…,H；j＝1,2,…,J；
步骤2、采集数据归类：
首先，将电站环境检测仪和全部光伏阵列相关传感器的采集数据归为阵列状态组Qpv，其中包括：辐照度s、环境温度t、任意第h路第j串光伏组串电压Uhj、光伏组串电流Ihj的采样数据；
其次，将H路逆变器以及公共连接点PCC相关传感器的采集数据归为电站状态组Qgs，其中包括：第h路逆变器的A,B,C相电流IhA,IhB,IhC，输出有功功率Ph，无功功率Qh，公共连接点PCC上A,B,C相电压UA,UB,UC，AB,BC,CA线电压UAB,UBC,UCA；
步骤3、在所述阵列状态组Qpv中，利用式(1)计算当前数据与去年同月内历史数据间的欧式距离di：



式(1)中，t,s分别为当前采集的环境温度和辐照度数据，ti,si为历史数据库中历史时刻i的环境温度和辐照度数据，并将所有计算结果中欧式距离最短的时刻记为k时刻；
步骤4、利用式(2)计算第h路逆变器所接的第j串光伏组串的当前采样数据与k时刻历史数据之间的功率偏移从而遍历每一路逆变器中每一组串，并获得第h个功率偏移序列Nh如式(3)所示：



式(2)中，Uhj、Ihj为第h路逆变器所接的第j串光伏组串的当前电压、电流值，为第h路逆变器所接的第j串光伏组串在k时刻电压、电流值；
Nh＝[ΔPh1,ΔPh2,…,ΔPhJ](3)
依据光伏组串的功率特性，判断序列中所有ΔPhj≤0的元素代表第h路逆变器中第j个组串出现异常功率散失，并通过式(4)对第h个功率偏移序列Nh中所有ΔPhj≤0元素进行求和，得到第h路逆变器对应光伏阵列功率散失Δeh：
Δeh＝∑|ΔPhj|(4)
式(4)中，ΔPhj表示第h路逆变器所接阵列中第j个组串的异常功率散失值；
根据第h路逆变器对应光伏阵列功率散失Δeh和光伏阵列运行状态转移的概率分布spreadpv，获得任意第h路逆变器中阵列状态的概率融合参数vh；
步骤5、在所述电站状态组Qgs中进行极端数据提取；
当满足等式(5)，则表明第h路逆变器的A,B,C相电流IhA,IhB,IhC和输出有功功率Ph中存在极端数据，对应第h路逆变器处于故障状态，从而令当前第h路逆变器对应的逆变状态概率融合参数uh为“0”：
IhA·IhB·IhC·Ph＝0(5)
当满足方程(6)或(7)，则表明公共连接点PCC上A,B,C相电压UA,UB,UC以及AB,BC,CA线电压UAB,UBC,UCA中存在极端数据，并网点存在异常，从而令当前第h路逆变器对应的逆变状态概率融合参数uh为“0”：
UAB·UBC·UCA＝0(6)
UA·UB·UC＝0(7)
步骤6、对所述电站状态组Qgs中的非极端数据进行概率融合：
利用式(8)计算第h路逆变器的当前直流侧输入功率数据与历史数据库中历史时刻i功率数据间的欧式距离lhi：



式(8)中，Uhj、Ihj为当前第h路逆变器所接的光伏阵列中第j串组串电压、电流采样值，为历史时刻i第h路逆变器所接的光伏阵列中第j串组串电压、电流采样值，从而得到欧式距离矩阵并分别取欧式距离矩阵中第h行元素中的最小值lhmin，同时将最小值lhmin对应时刻记为kh时刻；进而获得H路逆变器H个历史时刻k1,k2,…,kH；
步骤7、利用式(9)计算第h路逆变器的当前输...

【专利技术属性】
技术研发人员：汪海宁，陈昱明，张长志，李浩然，张健，苏建徽，
申请(专利权)人：合肥工业大学，国网天津市电力公司，
类型：发明
国别省市：安徽;34