一种基于反距离权重插值的分布式光伏故障诊断方法与流程

本发明属于光伏发电故障诊断技术领域，特别涉及一种基于反距离权重插值的分布式光伏故障诊断方法，具体说是一种基于反距离权重插值和时间序列特征分析的分布式光伏故障诊断方法。

背景技术：

光分布式光伏价格低廉，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发布的可再生能源分布式发电(rdeg)技术市场将在2019-2023期间增长295.15gw规模。在国民经济高度依赖电力的今天，我国经济的发展对供电可靠性与电能质量的较高需求已是不争的事实。随着分布式光伏的规模逐渐扩大，对分布式光伏电站的运行状态进行准确判断，及时发现异常状态是保障分布式光伏电站安全、经济运行的重要手段。

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分布式光伏电站。

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分布式光伏电站直流侧薄弱点诊断方法。

技术实现要素：

本发明的目的是提供一种基于反距离权重插值的分布式光伏故障诊断方法，其特征在于，包括以下步骤：

s1.收集分布式光伏各个电站历史运行数据，记录距离信息，进行数据预处理；

s2.根据反距离插值算法进行电站理论发电量的计算，优化计算参数；

s3.根据光伏电站的故障机理分析建立状态诊断模型；

s4.利用状态诊断模型对电站状态进行判断,实现光伏电站的故障诊断。

所述历史运行数据包括光伏电站历史功率数据，并且需要记录下各个电站的空间距离信息，对数据进行归一化和预处理。

所述步骤s2包括：

s21.根据步骤s1所收集的数据，筛选距离目标电站最近的10个电站，利用反距离权重插值方法对目标电站理论输出值进行计算；反距离权重插值具体计算分析如下：

步骤1：选择目标点x0，确定n个参考电站xi，读取目标电站和参考电站之间的距离d(x0,xi)；i＝1.2…n；

步骤2：计算n个参考电站的权重w(x0,xi)，权重是距离倒数的函数，

其中，p为权重下降速度，取值为2；

步骤3：利用参考电站的测量值y(xi)计算目标电站的拟合值

接下来分别计算电站数为1-10的10个电站的误差：

其中：为目标电站的输出拟合值，y(xi)为目标电站的输出测量值，以上值都经过归一化，n为参考电站个数；

s22.根据步骤s21的计算结果，统计分析光伏电站不同输入下的计算误差，选取误差最小的电站数目作为输入，接下来根据历史数据相似性和物理距离作为选择标准对输入电站类型进行确定，计算不同电站选择的拟合误差。

依据相似性分析基于两两电站之间的皮尔森相关系数，皮尔森相关系数可以定义两时间序列的相似程度，数值越接近1则相似程度越高。其定义如下：

式中：r为两个光伏电站输出的相关系数；为两电站输出时间序列的平均值；其中x是选取为电站1光伏电站电气数据时间序列，y是对照电站的电气数据时间序列；

s23.以步骤s22中的统计分析结果为依据，选取拟合误差最小的电站输入作为计算的电站。

所述步骤s3包括：

s31.对不同故障的产生机理进行分析，并对故障类型进行分类；分类为两种故障类型：

故障1型包含电站中某些阵列发生短路或者断路故障，故障阵列与主网断开，而其他阵列则不受影响，继续正常工作，此种异常状态会导致电站输出的异常跌落；

故障2型包含由于阵列的阴影遮挡，异常老化所致的故障，这种异常状态的发生会导致电站输出值无规律波动，并且引起一定的电站输出功率下降；

s32.通过上述分析，不同故障对光伏阵列输出时间序列的影响各不相同，在开路故障条件下，光伏输出功率时间序列的相关系数为0，而特征距离增大，空间pr性能指标(performanceratio)减小；在短路故障条件下，光伏输出功率序列的相关系数下降，特征距离增大，空间pr减小；在阴影故障条件下，功率时间序列的相关系数下降但不为0，而特征距离增大，空间pr减小；在老化故障条件下，功率序列的相关系数不变，但是特征距离增大，空间pr减小：

所述步骤s4包括：

s41.根据s2中进行分析的最佳输入进行计算，以3个相关性最高的电站作为输入电站，在确定目标电站后，选取距离最近的10个电站作为待选电站，通过历史相似性计算得到相关性最高的3个电站，根据3个输入电站的功率值计算目标电站的参考值；

s42.对计算获得的参考值的准确性进行验证，判断依据利用3σ准则，对之前的7天的历史拟合数据进行计算，求出数据的平均值和方差，进行判断后，如果数据位于正常范围内，可以继续进行下一步的分析计算，如果数据不在3σ范围内，则需要选取之前分析过程中次最好的结果进行计算，并再次对计算结果进行验证；如果保持在正常范围内可以进行下一步计算，还不在范围内，需要检查计算过程，并报告异常状态；其中，σ指标准差；

s43.为了对电站的运行状态进行分析，需要引入适合的评价指标，接下来从空间pr、相似性、相对距离等三个角度分别提出了3个评价指标。利用这三个指标可以对电站的运行状态进行评估；对s42步骤中计算出的理论参考值进行时间序列提取，计算3个时间序列指标：

所述空间pr指标表示的是实际发电量与理论发电量的比值：

其中：

prspatial：空间平均系统效率指标；

pidw：通过idw方法得到的功率预测值；

pr：电站实际测量得到的功率值；

所述相对距离，从相对欧式距离red(relativeeuclideandistance)直观的衡量实际功率和参考功率两个时间序列之间的偏差:

式中：δ(xtar,xref)为两时间序列的相关系数；其中xtar是目标电站的测量电气数据时间序列，xref是通过idw方法拟合得到的参考电气数据时间序列。时间分辨率为5min，时间序列长度按照经验选取为1hour。

所述相似性，以皮尔森相关系数可以定义参考测量时间序列和拟合输出时间序列的相似度；

式中：r为两时间序列的相关系数；为两时间序列的平均值。其中xtar是目标电站的测量电气数据时间序列，xref是通过idw方法拟合得到的参考电气数据时间序列。时间分辨率为5min，时间序列长度按照经验选取为3hours；

s44.根据s43中确定的状态模型诊断故障状态，主要按照以下规则：如果nspr_means-2σ<nspr<nspr_means+2σ和ndis_means-2σ<ndis<ndis_means+2σ同时存在，如不满足则属于正常状态或是需要检查计算状态，若nsim_means-2σ<nsim<nsim_means+2σ满足，则可以判断为故障2型，不满足则为故障1型。以上公式中nspr,ndis,和分别是空间pr、相对距离和相似性指标，而nspr_means,ndis_means,和nsim_means分别是以上指标的15天平均值。

本发明的有益效果是本发明以对分布式光伏电站的运行状态进行诊断，为发电企业在分布式电站的风险评估和系统可靠性分析方面提供更为丰富的诊断信息；该分布式光伏故障诊断方法的优点如下：

1.将反距离权重插值方法应用在异常诊断领域，从空间领域挖掘一个区域内分布式的电站的联系，进行理论参考值获取；

2.实现了分布式电站的故障诊断与辨识而不依靠气象信息和多余的电气信息，对于目前运行条件简陋的电站运维有工程指导意义；

3.本发明从空间信息和时间信息两个层面进行分析，利用时间序列特征指标变化，对故障进行诊断。

附图说明

图1为分布式光伏电站故障诊断流程图。

图2为线性拟合确定电站数图。

图3为不同故障下时间序列的相似性图，其中，a为电压时间序列；b为电流时间序列；c为功率时间序列；

图4为不同时间序列指标在故障情况下分布图，其中，(a)为故障序列与拟合序列之间的比较；(b)为spr比较；(c)为相似性比较；

图5为不同时间序列指标在故障情况下分布图，其中，(a)为故障序列与拟合序列之间的比较；(b)为spr比较；(c)为相似性比较；(d)为距离指标。

具体实施方式

本发明提供一种基于反距离权重插值的分布式光伏故障诊断方法，下面结合附图和具体实施例，对本发明作进一步说明。

图1所示为分布式光伏电站故障诊断流程图，分布式光伏电站故障诊断具体步骤如下：

s1.收集分布式光伏各个电站历史运行数据，记录距离信息，进行数据预处理：

s2.根据反距离插值算法进行电站理论发电量的计算，优化计算参数：

s21.根据步骤s1所收集的数据，筛选距离目标电站最近的10个电站，利用反距离权重插值方法对目标电站理论输出值进行计算。

反距离权重插值显式假设：每个参考电站都有一种局部影响，并且这种影响会随着距离的增大而减小。通过计算所有参考电站在目标电站上影响总和，可以获得一个基于地理信息的参考值。目标阵列的各项运行参数可以通过周围阵列的已知参数预测得到。反距离权重插值具体计算分析如下：

步骤1：选择目标点x0，确定n个参考电站xi，读取目标电站和参考电站之间的距离d(x0,xi)。

步骤2：计算n个参考电站的权重w(x0,xi)，权重是距离倒数的函数

步骤3：利用参考电站的测量值y(xi)计算目标电站的拟合值(如图2所示)，

接下来分别计算电站数为1-10的10个电站的误差：

其中：为目标电站的输出拟合值，y(xi)为目标电站的输出测量值，以上值都经过归一化，n为拟合值个数。

需要确定反距离权重插值方法在分布式理论发电量计算中输入源个数，，具体方案如下：首先选取电站1作为目标电站，从剩余电站中随机选取n(n＝2,3,……,9)个电站作为参考电站进行拟合，计算拟合误差。分别选取电站2-9重复上述过程。最后将每次拟合电站个数为n的误差进行平均。一般选择3个电站或按照计算结果确定输入源个数。

s22.根据步骤s21的计算结果，在得到最佳的输入电站个数后，需要进一步明确输入电站的选择依据。本发明按相关性大小选择输入电站。

s23.以步骤s22中的统计分析结果为依据，选取3个最高相关性的电站输入作为计算的电站。

s3.根据光伏电站的故障机理分析建立状态诊断模型：

s31.对不同故障的产生机理进行分析，并对故障类型进行分类。分类为两种故障类型：故障1型包含电站中某些阵列发生短路或者断路故障，故障阵列与主网断开，而其他阵列则不受影响，继续正常工作，此种异常状态会导致电站输出的异常跌落。

故障2型包含由于阵列的阴影遮挡，异常老化所致的故障，这种异常状态的发生会导致电站输出值无规律波动，并且引起一定的电站输出功率下降；

图3表示不同故障条件下光伏输出序列与正常输出序列的相似性分析，其中，a为电压时间序列；b为电流时间序列；c为功率时间序列；通过皮尔森系数定义可知，皮尔森相关系数可看作为两时间序列样本所绘出的方向向量之间夹角的余弦值，在一定程度上可反应两时间序列的相似性特征，但是无法识别样本点在空间尺度上的拉伸、压缩和位移。由图3可以得到如下结论：老化故障(积灰)：各输出时间序列的皮尔森相关系数均稳定在1左右，这是因为皮尔森相关系数主要表征两时间序列的相似性特征。而老化故障(积灰)下，虽然光伏阵列输出功率会下降，但是其波动趋势与正常条件下一致。因此，仅依靠皮尔森相关系数无法对老化故障进行识别。阴影故障：图3对光伏阵列早晚局部阴影情况进行了分析，当发生阴影故障时，光伏功率时间序列的皮尔森相关系数均下降，阴影消失后恢复正常。局部短路故障：当光伏阵列发生局部短路故障时，功率序列的皮尔森相关系数在发生故障时出现突变，尔后恢复正常。开路故障：当光伏阵列中某一支路发生开路故障时，该支路完全从阵列中断开，功率输出为0。此时，该支路输出时间序列的皮尔森相关系数由正常条件下的1骤减为0.

相对欧式距离可理解为两时间序列之间的面积，能直观的表示两时间序列在空间尺度上的偏离程度。图4表示不同故障条件下光伏输出时间序列的偏差性分析，其中，a为电压时间序列；b为电流时间序列；c为功率时间序列；从图4可知，老化故障/局部阴影故障/开路故障条件下，均会造成功率序列的相对欧式距离增大。但是由于局部短路故障并不影响光伏阵列的电流序列，因此此时功率序列的相对欧式距离增大。

s32.以步骤s31中的统计分析结果为依据，提取故障特征：通过皮尔森系数定义可知，皮尔森相关系数可看作为两时间序列样本所绘出的方向向量之间夹角的余弦值，在一定程度上可反应两时间序列的相似性特征，但是无法识别样本点在空间尺度上的拉伸、压缩和位移。由于皮尔森相关系数无法识别样本点在空间尺度上的改变，因此基于相对欧式距离对时间序列的偏差性进行分析。相对欧式距离能非常直观的衡量两时间序列的偏差程度，距离越大则偏离程度越高。根据计算出的结果，将不同故障对应的时间序列变化特征总结出来。

不同故障对光伏阵列输出时间序列的影响各不相同，其总结如表1所示。由表可知：开路故障条件下，光伏输出功率时间序列的相关系数为0，而特征距离增大，空间pr减小；短路故障条件下，光伏输出功率序列的相关系数下降，特征距离增大，空间pr减小；阴影故障条件下，功率时间序列的相关系数下降但不为0，而特征距离增大，空间pr减小；老化故障条件下，功率序列的相关系数不变，但是特征距离增大，空间pr减小：

表1故障下指标变化规则

s4.利用模型对电站状态进行判断实现光伏电站的故障诊断：

s41.根据s2中进行分析的最佳输入进行计算，以3个相关性最高的电站作为输入电站为例。在确定目标电站后，选取距离最近的10个电站作为待选电站，通过历史相似性计算得到相关性最高的3个电站，根据3个输入电站的功率值计算目标电站的参考值

实例选择电站1作为目标电站进行分析，首先计算了4天的空间插值参考值。利用参考值与实际数据进行了对比，计算了插值模拟的误差，分析模拟值的准确性。误差结果为：rmse＝0.0996,mre＝0.2410可以看出总的误差在10％以内，拟合精度很高，可以满足进一步的电站性能分析需求；

s42.对计算获得的参考值的准确性进行验证，判断依据利用3σ准则，对之前的7天的历史拟合数据进行计算，求出数据的平均值和方差，进行判断后，如果数据位于正常范围内，可以继续进行下一步的分析计算，如果数据不在3σ范围内，则需要选取之前分析过程中次最好的结果进行计算，并再次对计算结果进行验证。如果保持在正常范围内可以进行下一步计算，还不在范围内，需要检查计算过程，并报告异常状态。

s43.为了对电站的运行状态进行分析，需要引入适合的评价指标。接下来从pr、相似性、相对距离等三个角度分别提出了3个评价指标。利用这三个指标可以对电站的运行状态进行评估。对s42步骤中计算出的理论参考值进行时间序列提取，计算3个时间序列指标：

空间pr指标表示的是实际发电量与理论发电量的比值，其中实际发电量就是指一段时间内电站输入电网的电量，理论发电量是通过空间插值获得预测功率对时间积分求得的。空间pr指标也等于预测功率和实际测量功率的比值。

其中：

prspatial：空间平均系统效率指标

pidw：通过idw方法得到的功率预测值

pr：电站实际测量得到的功率值

空间pr指标直观的显示电站运行状态，理论上电站的pr值越高，说明该电站性能越好，运行效率高。

相对欧式距离直观的衡量实际功率和参考功率两个时间序列之间的偏差，欧式距离越大则两功率之间的差别越大，其定义如下：

式中：δ(xtar,xref)为两时间序列的相关系数；其中xtar是目标电站的测量电气数据时间序列，xref是通过idw方法拟合得到的参考电气数据时间序列。时间分辨率为5min，时间序列长度按照经验选取为1hour。

皮尔森相关系数可以定义参考测量时间序列和拟合输出时间序列的相似度，数值接近1则相似程度高。其定义如下：

式中：r为两时间序列的相关系数；为两时间序列的平均值。其中xtar是目标电站的测量电气数据时间序列，xref是通过idw方法拟合得到的参考电气数据时间序列。时间分辨率为5min，时间序列长度按照经验选取为3hours。

图5所示为不同时间序列指标在故障情况下分布图，其中，(a)为故障序列与拟合序列之间的比较；(b)为spr比较；(c)为相似性比较；(d)为距离指标。同时展示参考功率与测量功率计算值以及参考功率与故障功率的计算值以方便对比。

s44.根据s43中确定的状态模型诊断故障状态，主要按照以下规则：如果nspr_means-2σ<nspr<nspr_means+2σ和ndis_means-2σ<ndis<ndis_means+2σ同时存在，如不满足则属于正常状态或是需要检查计算状态，若nsim_means-2σ<nsim<nsim_means+2σ满足，则可以判断为故障2型，不满足则为故障1型。以上公式中nspr,ndis,和分别是空间pr，距离，和相似性指标，而nspr_means,ndis_means,和nsim_means分别是以上指标的15天平均值

本发明主要解决了在无气象数据条件下，分布式电站输出参考值的获取，以及分布式电站的异常状态检测。