基于海量數(shù)據(jù)挖掘的光伏逆變器故障檢測方法

丁明昌， 李春來， 李紅濤， 甘嘉田， 張雙慶

(1.新能源與儲能運行控制國家重點實驗室(中國電力科學(xué)研究院有限公司)，北京 100192；2.青海省光伏發(fā)電并網(wǎng)技術(shù)重點實驗室(國網(wǎng)青海省電力公司電力科學(xué)研究院)，青海 西寧 810000)

基金項目:國家科技支撐計劃(2015BAA09B01)，國網(wǎng)公司科技項目(NY71-16-027)，青海省重點實驗室建設(shè)專項(2015-Z-Y24)，青海省電力公司科技項目(52280716000D)，中國電科院青年基金項目(5242001600FG)

0 引 言

光伏逆變器是光伏直流電源和交流電源之間的紐帶，其可靠性和穩(wěn)定性直接影響光伏并網(wǎng)發(fā)電系統(tǒng)的運行狀態(tài)[1]。光伏并網(wǎng)逆變器故障的診斷對于發(fā)電系統(tǒng)的穩(wěn)定運行具有重要意義[2]。同時，由于光伏電站多處于偏遠地區(qū)，占地面積大，運行環(huán)境惡劣，設(shè)備數(shù)量多，特別是隨著電站運行年份增長，在電站25 年生命周期內(nèi)，由于設(shè)計局限性、工程隱患、設(shè)備老化和環(huán)境影響等原因?qū)е碌墓收显絹碓筋l繁，故障實時定位困難，運維工作難度增大。在現(xiàn)有人工運維模式下，故障很難及時被發(fā)現(xiàn)，進而可能影響設(shè)備壽命，發(fā)電量隱性損失增大，電站運維成本高[3]。因此，目前光伏電站設(shè)備，尤其是逆變器設(shè)備的診斷正在逐步遠程化、數(shù)字化，通過在線診斷系統(tǒng)降低人工需求，提高診斷實時性[4]。

常見的自動診斷方法主要是針對幾個特定的變量進行實時監(jiān)測，并設(shè)置閾值，通過判斷實際值是否超限來判斷設(shè)備是否發(fā)生故障，如電池溫度、輸出功率。而該類方法存在兩大挑戰(zhàn)，一是閾值的自適應(yīng)調(diào)節(jié)：光伏系統(tǒng)的物理特性會伴隨氣溫、輻照度發(fā)生變化，診斷系統(tǒng)的閾值設(shè)定應(yīng)伴隨外界條件的變化進行有效的自我調(diào)節(jié)；二是采樣數(shù)據(jù)的質(zhì)量提升：要確保采樣數(shù)據(jù)的精度，同時還要匹配不同部件的同步采樣。

為避免上述問題對逆變器診斷帶來的影響，本文引進大數(shù)據(jù)分析的方法進行故障診斷系統(tǒng)設(shè)計。該方法不為設(shè)備指定特定的物理量閾值，而是通過k近鄰算法(knearest neighbor,kNN)在設(shè)備集群中尋找相似的設(shè)備，然后通過支持向量數(shù)據(jù)描述方法對設(shè)備性能進行比較，判斷目標(biāo)設(shè)備是否發(fā)生故障。

1 背景知識

1.1 支持向量數(shù)據(jù)描述

(1)

圖1 支持向量數(shù)據(jù)描述

式中:a為球心;R為超球半徑;C為給定的懲罰因子;ξ為誤判損失。

問題可通過式(2)所示的Lagrangian式進行求解：

(2)

其中αi≥0,βi≥0為拉格朗日乘子。式(2)可化為如下對偶問題：

(3)

該問題可采用經(jīng)典的二次規(guī)劃(Quadratic Programming)常用方法進行求解，計算出a和R的取值。對于任意測試樣本Z，若滿足式(4)，則該測試樣本屬于目標(biāo)類別。

(4)

1.2 k近鄰算法

dist(xt,x′)≤dist(xt,y)

(5)

(6)

通過上述方法，可為測試樣本Xt在訓(xùn)練集中尋找最為相似的k個樣本[7-8]。

2 基于KNN-SVDD的逆變器故障檢測流程

本文首先采用KNN方法根據(jù)特定特征在全局數(shù)據(jù)中找到k個最相似樣本，然后采用支持向量數(shù)據(jù)描述方法對該k個數(shù)據(jù)進行學(xué)習(xí)，做出能包含全部樣本在內(nèi)的最小超球，構(gòu)建單分類器。

當(dāng)測試樣本落入所建超球范圍內(nèi)，則樣本為正常類別，反之，樣本異常，設(shè)備處于故障狀態(tài)。其診斷流程如圖2所示，可分4步實現(xiàn)：

Step 1.樣本生成：大數(shù)據(jù)平臺中記錄了各臺設(shè)備中各個參數(shù)的取值，本文對各設(shè)備的輸出功率、輸入功率、溫度、生產(chǎn)廠家、型號、海拔和電站平均輻照度數(shù)據(jù)進行提取，構(gòu)建出訓(xùn)練樣本集X和測試樣本集xt；

Step 2.相似樣本選擇：采用KNN方法尋找xt中最接近的k個樣本(本文中取k=5)，形成相似樣本集X′；具體而言，根據(jù)式(6)計算訓(xùn)練樣本集中所有樣本點與xt的距離，取距離值最小的前5個樣本構(gòu)建相似樣本集X′；

Step 3.構(gòu)建SVDD單分類器：采用式(1)～式(3)對相似樣本集X′進行學(xué)習(xí)，構(gòu)建出超球Ω=(a,R)，其中a為超球球心，R為超球半徑；

Step 4.測試：計算測試樣本與超球球心之間的距離，若距離大于半徑，則測試樣本不落于超球內(nèi)，測試樣本對應(yīng)設(shè)備處于故障狀態(tài)；反之，設(shè)備正常。

圖2 基于KNN-SVDD的光伏逆變器故障檢測流程

3 試驗驗證

試驗數(shù)據(jù)來源于光伏電站的實時運行參數(shù)，表1為青海省某電站9月26日上午11點16分的部分逆變器實時數(shù)據(jù)。在電站數(shù)據(jù)中，632 523 512號逆變器被人為設(shè)置開路故障，數(shù)據(jù)大多為0。

表1 逆變器實時運行數(shù)據(jù)

同時，為進一步驗證診斷系統(tǒng)在逆變器發(fā)生緩變故障時的診斷性能，試驗中對632523505數(shù)據(jù)進行修改，將其輸出功率降為80 kW，模擬其轉(zhuǎn)換效率因未知原因顯著下降。

試驗采用KNN方法分別尋找測試樣本632523512和測試樣本632523505的最相似樣本。同時采用主元分析法(Principal Component Analysis，PCA)對數(shù)據(jù)進行降維，用于二維可視化。圖3為全部樣本集降緯后的兩個主元(即最重要因素和次重要因素，無物理量綱)分布示意圖，測試樣本所對應(yīng)的最相似樣本用直線進行連接。采用SVDD方法分別對兩組最相似樣本集進行單分類器學(xué)習(xí)，構(gòu)建最小超球，得到如圖3中圓形1和圓形2的分類超平面。測試樣本632523512和632523505均處于最小超球外部，故而均發(fā)生故障。同時，632523512極度遠離球心，故而故障程度較為嚴(yán)重。而632523505僅越出超球一小部分距離，故而故障程度較小。算法分析結(jié)果與實際完全吻合。

圖3 KNN-SVDD診斷示意圖

此外，試驗同時采用青海省另一電站的實時數(shù)據(jù)進行故障診斷性能測試,該電站中逆變器與上述電站的區(qū)別在于采用了組串式逆變器。該電站9月27日9點30分的部分運行數(shù)據(jù)如表2所示。

表2 逆變器部分實時運行數(shù)據(jù)(組串式逆變器)

在表2中，輸入功率均小于輸出功率，該現(xiàn)象不符合正常物理規(guī)律，常規(guī)基于機理的故障診斷方法無法進行有效判斷，或會將該類樣本均判為故障。而基于大數(shù)據(jù)平臺進行分析，可得到如圖4空間分布，采用所提KNN-SVDD方法對樣本進行逐個分析，判斷該電站無逆變器故障，與實際情形相符。

圖4 電站2中逆變器數(shù)據(jù)分布示意圖

4 結(jié)束語

逆變器為光伏發(fā)電的關(guān)鍵環(huán)節(jié)之一，對其進行有效診斷具有重要意義。本文基于大數(shù)據(jù)平臺提出了一種遠程實時智能診斷算法。該方法首先采用k近鄰方法尋找訓(xùn)練樣本集中與待測樣本最接近的5個樣本，然后采用支持向量數(shù)據(jù)描述方法對該5個樣本進行學(xué)習(xí)，給出分類超平面，判斷待測樣本與該5個樣本是否屬于同一類，進而通過樣本的一致性判斷待測樣本是否異常，檢測其對應(yīng)的逆變器是否故障。所提方法均采用青海省光伏電站實際運行數(shù)據(jù)進行試驗驗證，在試驗中，不僅能夠有效識別出故障樣本，而且在部分試驗中有效避免了傳感器采樣不精準(zhǔn)帶來的誤判，診斷性能優(yōu)良。