一种大型并网太阳能光伏电站实时故障检测方法

技术领域

发明涉及光伏发电的领域,尤其涉及一种大型并网太阳能光伏电站实时故障检测方法。

背景技术

能源是这个现代时代的基本必需品，化石燃料仍然是主要的能源来源，化石燃料的燃烧正日益增加碳排放，并导致一种称为全球变暖的现象，全球变暖带来了严重后果，导致整个生态系统遭到破坏，此外，我们还有非常短缺的化石燃料，这两种情况都需要认真关注，并要求立即采取行动，寻找替代能源，这种能源可能持续更长时间，能够高效地生产更多的能源，并保护我们的环境，太阳能，特别是太阳能光伏发电，在探索绿色和清洁能源方面取得了重要地位。

如今，已经安装了数百座太阳能光伏发电厂，包括住宅、商业、工业和公用事业规模。由于设计简单且易于安装，尺寸超过100kW的大规模部署通常安装在电网集成拓扑中。并网或并网系统的设计和安装应与配电网同步运行，且无任何电荷存储能力。

与容量为几千瓦的小型光伏电站相比，数百千瓦的光伏电站更复杂。例如，如果我们有2-3个光伏组件在一系列具有500个光伏组件的光伏发电厂中短路，那么电站运营商首先可能不会注意到这一点，其次查找故障位置也是一项累人的工作。因此急需一种能够对大型并网太阳能光伏电站实时故障检测方法。

发明内容

为了克服现有技术存在的缺点与不足,本发明提供一种大型并网太阳能光伏电站实时故障检测方法。

本发明所采用的技术方案是，利用MATLAB/Simulink中模拟理论光伏发电站，实现理论光伏发电站，使其实时产生与实际光伏发电站相似的直流电，在Simulink中的理论光伏电站实时获取辐照度和光伏组件温度数据，并模拟产生的光伏输出，使用开发的统计工具Z-分数进行异常值检测，将实际光伏电站的单个光伏串的直流功率与理论光伏电站的平均直流功率光伏串进行比较，通过Z-分数数值和基于Z-分数阈值的比较结果，进行检测和识别故障。

本发明中，所述Z-分数得出一个数值，表明实际光伏发电站的光伏串功率与理论光伏发电站的光伏串功率平均值之间的差异，计算公式如下：

式中，Z-分数(k)是实际光伏电站中第k个光伏串的综合分数，其在给定时刻的功率为P_Str(k)，mean_P_Str_Th和stdev_Th是同时出现的理论光伏电站光伏串的平均值和标准偏差。

本发明中，所述检测和识别故障分为两个主要阶段，第一阶段初始化理论光伏发电站，确定故障下的Z-分数范围；第二阶段，每隔15分钟从实际光伏电站获取一次辐照度和温度的实时数据，Z-分数根据实际光伏电站的光伏串功率、平均光伏串功率和相应时间理论光伏电站光伏串功率的标准偏差计算得出，将给定时间的结果Z-分数与确定的范围进行比较，确定故障条件和故障类型。

本发明中，所述确定故障下的Z-分数范围，故障包括光伏组件故障，线上的部分阴影或污损，单个光伏串或多个光伏串失败。

本发明中，所述光伏组件故障，实际光伏发电站有多个光伏串联连接的光伏组件构成，在一个光伏串中，理论光伏发电站站中使用相同尺寸的光伏串，如果光伏组件停止工作，光伏串电压将降低，最终降低光伏光伏串功率，对于不同大小的光伏串，范围会有所不同，当光伏组件发生故障时，计算光伏串功率，使用以下公式：

p_Str＝(S×N)-(S×F)

式中，P_Str为故障光伏组件影响下的光伏光伏串功率，S为光伏组件尺寸，N为光伏串中光伏组件数量，F为光伏串中故障光伏组件数量。

本发明中，所述线上的部分阴影或污损，是部分遮阳或污损导致光伏串的辐照度降低。

本发明中，所述单个光伏串或多个光伏串失败，当整个光伏串停止工作，则直流功率为0kW，在这种情况下，计算Z-分数的值，同时考虑到如果一个光伏串中超过一半的光伏组件不工作，则该光伏串产生的电压为其他光伏串的一半，这将导致最大功率点跟踪模块隔离此类光伏串，致使整个并联光伏阵列的电压降低。

本发明中，所述第二阶段，每隔15分钟从实际光伏电站获取数据，算法使用每个光伏串的对应P_Str值计算Z-分数，已安装的实际光伏发电站数据记录器配置为以15分钟的间隔下载和存储电子表格，电子表格包括当时实际光伏电站所有串的辐照度、光伏组件温度和串功率，该算法的实时响应主要取决于样本到达时间和数据处理时间，一旦P_Str(k)、mean_P_Str_Th、stdev_Th、辐照度和光伏组件温度的测量值和值可用，算法将开始模拟，并在故障发生时同时突出显示结果，该阶段计算一组样本的均值和标准差，然后计算Z-分数。

本发明提出的故障检测算法可用于光伏发电厂的实时监测，该方法是一种简单的并网光伏电站直流侧故障检测方法，通过使用这种统计操作，对实际光伏发电厂和理论光伏发电厂进行了比较，比较将得出此操作的数值，确定了这些统计运算值的几个范围，用于指示不同类型的故障，光伏串级处理和实时天气条件下的成功结果使所提出的技术非常适合于大型光伏电站。

附图说明

图1为本发明确定不同故障条件下Z-分数范围的方法第一阶段流程图；

图2为本发明故障检测方法流程图。

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结合,下面结合附图和有具体实施例对本申请作进一步详细说明。

一种大型并网太阳能光伏电站实时故障检测方法，该方法在MATLAB/Simulink中模拟理论光伏发电站，实现了理论光伏发电站，使其实时产生与实际光伏发电站相似的直流电，Simulink中的理论光伏电站实时获取辐照度和光伏组件温度数据，并模拟产生的光伏输出，使用开发的统计工具Z-分数进行异常值检测，将实际光伏发电站各个光伏串的直流功率与理论光伏发电站的平均直流功率光伏串进行比较，通过Z-分数数值和基于Z-分数阈值的比较结果，可以检测和识别故障。

本发明中，实际光伏发电厂的规模为125千瓦，配有单晶光伏组件(英利YL270C-30b)和125千瓦的SunGrow逆变器。系统中总共有462个光伏组件，光伏阵列分布在21个光伏串中，每个光伏串有22个光伏组件，共有7个直流汇流箱，将3个串并联在一起，最后所有汇流箱的输出端接在逆变器的直流母线上。

Z-分数异常值检测技术，这两个光伏发电站的比较是基于异常检测原理进行的。测量了实际光伏电站和理论光伏电站的功率，实际光伏发电站的串功率与理论光伏发电站的串功率平均值之间的差值表示故障状态，差值的程度定义了故障类型，与理论光伏发电站串功率平均值存在差异的故障串为“异常值”，通过统计运算确定。

有不同的方法来检测一组样本中的异常值，如标准分数、聚类算法和孤立森林算法；标准分数也称为“Z分数”，它是偏差的数值，通过该数值，一个样本与观测值或测量值集合中的其他样本相距甚远；聚类算法是一种基于密度的方法，它将靠近的样本分组，并指出那些密度较低的样本；孤立森林算法是不同的，因为它不规范化样本集，而是使用树或类似图的方法，孤立异常节点。

这里提到的所有三种方法都有各自的适用范围，当样本可以用高斯分布表示时，标准分数是有用和有效的；聚类算法可以很好地用于多维样本；当样本分布不可用时，孤立森林算法是有效的，但其结果可视化相对困难。

在比较光伏串功率时，标准评分法在太阳能光伏发电站的故障检测中似乎是一种更好的方法，样本是已知的，可以用高斯分布表示。与样本平均值存在显著差异的样本被检测为异常值。

标准分数类似于威廉·戈塞特(学生)的T检验，即学生T检验。学生的T检验使用几个样本的平均值和标准偏差，并得出与其他样本显著不同的异常样本，学生T检验的标准形式如下所示：

其中，n是样品数量，x是被检查的样品，μ是所有样品的平均值，σ是标准偏差。

与学生T检验和标准分数“Z分数”类似，建议的故障检测系统将实际光伏发电站的光伏串功率与理论光伏发电站的光伏串功率进行比较，然后指示故障，这是一种相似但又不同的方法，因为将一个集合的样本与理想集合的样本进行比较，不能使用标准分数或T检验的确切形式，因为当一个串的功率因故障而降低时，实际光伏电站的平均值和标准偏差也会受到影响；因此，与理论光伏发电站光伏串功率的平均值相比，执行异常值检测。为拟定故障检测系统开发的统计操作被命名为Z-分数(与标准分数“Z分数”略有不同，以表明其与实际分数的差异)。

Z-分数得出一个数值，表明实际光伏发电站的光伏串功率与理论光伏发电站的光伏串功率平均值之间的差异，计算公式如下：

式中，Z-分数(k)是实际光伏电站中第k个串的综合分数，其在给定时刻的功率为P_Str(k)，mean_P_Str_Th和stdev_Th是同时出现的理论光伏电站串的平均值和标准偏差。

故障检测方法分为两个主要阶段，第一阶段初始化理论光伏发电站，并计算Z-分数的范围，在第二阶段，每隔15分钟从实际光伏电站获取一次辐照度和温度的实时数据，Z-分数根据实际光伏电站的光伏串功率、平均光伏串功率和相应时间理论光伏电站光伏串功率的标准偏差计算得出，将给定时间的结果Z-分数与确定的范围进行比较，确定故障条件和故障类型。

确定故障条件下的Z-分数范围，故障包括光伏组件故障，线上的部分阴影或污损，单个光伏串或多个光伏串失败，对于光伏串中出现的任何错误，该特定光伏串的Z-分数的值应在特定范围之间，由于光伏串的大小和功率不同，不同发电站的范围会有所不；为了确定这些范围，采用光伏组件标准试验条件下的串功率(即1000W/m2辐照度和25℃组件温度)，通过MATLAB模拟得出的所有理论光伏电站串的平均功率(平均功率)为5.939，标准偏差(标准偏差)为0.001。在故障条件下，实际光伏电站串k的串功率P_Str(k)计算如下：

光伏组件故障，实际光伏发电站有22个串联连接的270W(30.61V和8.82A)光伏组件，在一个光伏串中，理论光伏发电站中使用相同尺寸的光伏串，如果光伏组件停止工作，串电压将降低，最终降低光伏串功率，当光伏串在正常条件下工作且串中没有故障光伏组件时，理想情况下，串功率应为270W乘以22，从而产生约5.94kW直流功率。如果一个光伏组件在串中不工作，则直流功率将降至5.67kW。此外，如果串受到3个故障光伏组件的影响，则串直流功率将降低至5.13kW。

对于不同大小的光伏串，这些范围会有所不同。当光伏组件发生故障时，为了计算串功率，应使用以下公式：

P_Str＝(SXN)-(S×F)

式中，P_Str为故障光伏组件影响下的光伏串功率，S为光伏组件尺寸，N为光伏串中光伏组件数量，F为串中故障光伏组件数量，例如，如果一个光伏组件在一个光伏串中出现故障，表示S＝270W，N＝22，F＝1；P_Str＝5670W＝5.670kW

同样，三个光伏组件故障的P_Str值为5.130kW，这些P_Str 5.670kW和5.130kW的值被放入Z-分数公式(4)中，两个结果值给出了一到三个故障光伏组件在-270和-810之间的Z-分数范围。

线上的部分阴影或污损，是部分遮阳或污损导致光伏串的辐照度降低。在本发明中，与其他光伏阵列相比，光伏串上的辐照度降低了80％至50％，80％的辐照度或20％的部分遮光效果产生4.752kW的串功率，50％的效果产生2.970kW的串功率。这些光伏串幂次的Z-分数的值介于-1187和-2971之间。

单个光伏串或多个光伏串失败，如果整个光伏串停止工作，则直流功率为0(零)kW。在这种情况下，计算Z_分数的值得出–5940的值。同时考虑到如果一个串中超过一半的光伏组件不工作，则该串产生的电压为其他串的一半，这将导致最大功率点跟踪模块隔离此类串，因为这将导致整个并联光伏阵列的电压降低。因此，P_Str低于2.970kW也被视为光伏串故障；因此，低于–2971的Z_分数将故障识别为单个或多个光伏串故障。

图1显示了所提出的故障检测算法的第一阶段的流程图，在流程图中，理论光伏发电站根据1000W/m2辐照度和25℃模块温度。模拟后，光伏组件尺寸“S”、串中光伏组件数量“N”、理论光伏发电站所有串功率的平均值“mean_P_Str_Th”和理论光伏发电站所有串功率的标准偏差“stdev_Th”的值被转发到下一个模块，用于计算不同故障条件下的P_Str。

在本发明中，F1表示光伏组件故障，F2表示部分遮光或脏污损失故障，F3和F4分别表示单个和多个光伏串故障。

在图1中，P_Str_F1_1模块是当1个模块发生故障时光伏组件故障时光伏组件串的串功率，P_Str_F1_3模块是当3个模块发生故障时光伏组件故障时光伏组件串的串功率，P_Str_F2_0.2PS是当与理论光伏电站的串功率平均值相比，串上有20％的部分阴影时，P_Str_F2_0.5PS是指当串50％的辐照度可用时，P_Str_F3&4_0.5psr是指在单个或多个光伏串的故障条件下，当串功率比理论光伏电站的串功率平均值降低50％时，串功率降低，术语Z-分数F1_1模块、Z-分数F1_3模块、Z-分数F2_0.2PS、Z-分数F 2_0.5PS和Z-分数F 3&4_0.5PSR用于使用上段所述的光伏串幂值计算的Z-分数的相应值。

在第二阶段，每隔15分钟从实际光伏电站获取数据，算法使用每个光伏串的对应P_Str值计算Z-分数。

已安装的实际光伏发电站数据记录器配置为以15分钟的间隔下载和存储电子表格，电子表格包括当时实际光伏电站所有串的辐照度、光伏组件温度和串功率。

该方法的实时响应主要取决于样本到达时间和数据处理时间。一旦P_Str(k)、mean_P_Str_Th、stdev_Th、辐照度和光伏组件温度的测量值和值可用，算法将开始模拟，并在故障发生时同时突出显示结果。该算法计算一组样本的均值和标准差，然后计算Z-分数，这是一种算术运算。没有执行可能导致处理时间过长的冗长计算。

对MATLAB代码和Simulink设计进行编程，以便在指定位置提供新条目时，检索电子表格文件中的数据，并模拟理论光伏发电站，以计算相应辐照度和模块温度的Z-评分值。故障检测规则如下所示：

·如果–810≤Z-分数(k)≤–270，则有一系列有故障的光伏组件。k值表示光伏串处于故障状态If–2971≤Z-分数(k)≤–1187，则管柱上存在部分阴影或脏污损失故障。k值表示光伏串处于故障状态。

·如果Z_分数(k)<-2971。当一个样本的Z-分数值低于-2971时，N_Str_故障的值增加1，该值最初设置为零。如果N_stru_Fault值为1，则一个光伏串有故障，如果该值大于1，则表示多个光伏串有故障。

方法第二阶段的流程图如图2所示，在流程图中，数据记录器向数据存储器发送辐照度、光伏组件温度和串功率P_Str(k)，其中还存储了第一阶段确定的Z-分数范围，天气条件数据被转发至Simulink，以根据实时条件模拟理论光伏发电站，类似地，P_Str(k)用于计算Z-分数(k)值，随后将Z-分数(k)与预先确定的范围进行比较，以识别和检测故障状况，如果出现故障，它将显示在GUI上，在实际光伏电站运行期间，该过程每15分钟重复一次。

尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。