基于阈值计算的光伏电站监测数据异常与程度判断方法与流程

本发明涉及一种基于阈值计算的光伏电站监测数据异常与程度判断方法，该方法具体采用马氏距离对检测数据进行处理。

背景技术：

随着光伏发电技术的进步，光伏电站的优化、改善和运行成本等问题严重制约了光伏发电的发展。为了防止因故障造成更严重的事故，降低电站的收益损失，及时检测光伏电站设备故障，有助于光伏电站稳定高效运行，方便在光伏电站设备发生故障之初采取相应的对策。通过对光伏电站设备的运行情况进行在线监测，及时分析处理故障征兆，也有利于光伏电站维护人员工作的开展。其中，基于光伏阵列的电气数据来判断异常的方法，包括人工肉眼发现和将实际数据与基于单二极管模型得到的电气数据做残差分析。但是人工肉眼发现过于费时，基于单二极管模型过于繁琐。

有鉴于此，有必要提供一种基于阈值计算的光伏电站监测数据异常与程度判断方法，以满足实际应用需求。

技术实现要素：

本发明涉及一种基于阈值计算的光伏电站监测数据异常与程度判断方法，以实现不靠肉眼发现和繁琐的模型计算，而是先对监测数据偏差率的马氏距离(md)值正态化，进而建立状态判断阈值来对监测数据进行判断。

为达到上述目的，本发明所叙述的一种基于阈值计算的光伏电站监测数据异常与程度判断方法的步骤包括健康样本集的获取，正态化数据的获取，阈值区间选择，判断异常和故障。具体内容如下：

步骤一：获取健康样本集的获取

健康集合偏差率采用正常光伏电站在天气晴朗下(9:00至15:00)的电气参数计算，计算公式为：

式(1)中，表示j时刻电气数据的平均值，n表示j时刻电气数据数量，pij表示j时刻第i个电气数据偏差率，xij表示j时刻第i个电气数据值，

步骤二：获取正态化数据

健康集合的md值计算公式为：

式(2)中，md表示马氏距离，pref表示电气数据偏差率，表示pref的平均值，s²表示pref的方差；

通过所述公式(2)得健康样本的md值后，利用box-cox幂函数变换，将md值转化为服从正态分布的变量x^(λ)，其均值为μ，方差为σ，进而得到数学期望μ和标准差σ，box-cox的转换公式为：

式(3)中λ由式(4)确定，当式(4)中f(x,λ)值最大时，选取此时的λ进行box-cox的转换

式(4)中，x用健康集合的md值代入，n为健康集合中的样本数量；

步骤三：阈值区间选择

该步骤为求解电气参数异常和故障状态判断的阈值，因为95％和99％置信水平对应的置信区间分别为μ±1.96σ和μ±2.58σ，所以求解95％置信水平对应的电气参数偏差率值作为数据异常状态判断阈值p+abnormal和p-abnormal，99％置信水平对应的电气参数偏差率值作为故障诊断阈值p+error和p-error，

首先，分别对95％和99％置信水平对应的置信区间进行box-cox逆变换，逆变换公式为：

此时xyz代表的是健康集合的md值的阈值，xyz(λ)表示box-cox变换后得到的阈值，偏差率的阈值由公式(6)确定：

pyz表示健康集合的md值的阈值对应的偏差率阈值，表示pref的平均值，σ²表示pref的方差；

步骤四：判断异常和故障

利用待测电站的实际测试样本电气数据，通过式(1)计算得到测试样本的电气参数偏差率p待测电站；利用健康样本电气数据，通过式(1)-(6)计算得到数据异常状态判断阈值p+abnormal、p-abnormal和故障诊断阈值p+error、p-error，然后进行如下比较：

若p+abnormal<p待测电站<p+error或p-error<p待测电站<p-abnormal，判定样本存在异常状态；

若p+error<p待测电站或p待测电站<p-error，判定样本存在故障；

若p-abnormal<p待测电站<p+abnormal，判定样本不存在异常状态。

附图说明：

图1为利用md值建立健康阈值的流程图

图2为box-cox变换后的正态分布图

图3为第13支路12月20日电流偏差率分布图

图4为第13支路7:50—12:45电流偏差率分布图

具体实施方式：

以下结合附图及实施例对本发明做进一步描述。应当理解的是，此处所描述的实施方式仅用于说明和解释本发明，因此不应以此具体实施例的内容限制本发明的保护范围。

以a电站为例来具体解释附图1所示的利用md值建立健康阈值的流程图，的建立过程：该电站用电类别为大工业用电，总装机容量为0.20196mwp，采用低压380v并网，自发自用、余电上网消纳模式。电站屋面为水泥，采用固定倾角，正南朝向、角度11°，每台逆变器接入6串光伏组件，每串22块光伏组件，光伏组件共计792块。

1.健康样本集的选取：检修a电站发现此电站工作正常，所以将该电站作为提取健康样本的电站。选取36个支路在9:00至15:00每5分钟的检测电流值共2628个，记做iij；i∈[1,36]为支路数，j∈[1,73]表示9:00至15:00每5分钟间隔检测时刻，1表示9:00，73表示15:00。

接下来计算j时刻各支路电流与平均值的偏差率，计算公式如下：

式中，表示j时刻36个支路电流的平均值，pij表示j时刻第i个支路电流与平均值的偏差率。

由于数据过于庞大，只举例了其中三个：

2.正态化数据的获取：将计算得到的2628个偏差率随机分成两组，成为二维数。作为健康集合pref＝[pij]^t。按照式(2)计算健康集合的md值，得到健康集合md。

将得到健康集合的md值带入式(3)和式(4)进行box-cox幂函数变换，其中，n＝2628，转化为服从正态分布的变量，得到λ＝-0.936，正态化md的均值μ＝-1.0461，均方差σ＝1.4922。box-cox变换后的正态分布图如图2所示。

3.阈值区间选择：对95％和99％置信水平对应的变换量范围进行box-cox逆变换，可以得到a电站支路电流阈值如表1所示。

表1a电站支路电流阈值表

4.判断异常和故障：具体就对a电站在冬季12月20日时期的组串电流进行状态判断。对a电站检测数据处理如下：自7:50时刻起记36个光伏支路支路的电流为i′ij，i∈[1,36]表示支路数，j∈[1,117]表示5分钟间隔检测时刻，以7:50开始记数，117表示17:30；计算36个支路不同时刻电流与平均值的偏差率，记为p′ij。最后，得到第13支路的p′13,1-p′13，117共117个偏差率，分布图如图3所示。

在图3中，依次将p′ij与异常状态判断阈值[0.073,0.072]进行比较，其中36个数据出现异常，集中分布在日出日落时刻。其中7:50—12:45(0—35)监测时刻的电流偏差率分布图如图4所示。

由图4可以看出，第13支路在8:40—9:50间电流偏差率绝对值逐步上升，这是因为此时正常支路电流随着光强变强而变大，而13支路受到阴影遮挡，电流依然很小，所以与平均值的偏差就逐步变大；在9:55左右，第13支路阴影遮挡消失，偏差率突然恢复。从电站设计信息中得到，第13支路在正南方向存在遮挡物，高度约为1.5m，组件与遮挡物间距为2.5m，间距较小。诊断结果为电站设计缺陷造成冬季9:55前出现阴影遮挡。

本发明的特征是能够实现对光伏电站各环节的异常状态和故障判断，为进一步分析异常或故障的原因提供基础。