一种分布式光伏电站运行故障诊断方法与流程

本发明涉及电力系统运行状态故障诊断领域，尤其是一种分布式光伏电站运行故障诊断方法。

背景技术：

1、可再生能源的出现有效地解决了传统能源短缺和环境污染的问题，世界各个国家均先后出台了推进光伏发电的产业政策，我国也部署了与发展光伏发电技术相关的重点及重大示范工程项目，分布式并网光伏电站在中国得到迅速发展。光伏发电装机容量每年都在持续增长，特别是分布式光伏装机规模增长迅猛，分布式光伏大规模接入配电网已成为必然趋势。

2、在分布式光伏迅速发展的同时，电网运行人员对分布式光伏电站的运行状态监测、故障诊断以及自适应控制等问题的技术需求也愈发迫切。面对数量庞大的分布式光伏电站，其运行状态的实时监测和运行诊断是个重要且棘手的问题，这既是光伏电站运行状态监测的关键也是光伏电站多运行工况自适应控制的基础。

3、目前，现有的分布式光伏电站运行状态诊断方法存在着诸如故障诊断时间长、故障诊断准确率低和无法准确诊断故障类型等问题。因此，有必要提供一种基于人工智能技术的分布式光伏电站运行故障诊断方法以提高分布式光伏电站运行故障诊断的效果。

4、在所述背景技术部分公开的上述信息仅用于加强对本技术的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种分布式光伏电站运行故障诊断方法，针对现有光伏电站运行故障诊断方法存在的不足，基于决策树的多类型故障诊断识别能力和自适应增强学习技术的良好的提升效果，结合二者优点实现了对分布式光伏电站运行故障快速、准确的诊断。

2、第一方面，本发明实施例中提供的一种技术方案是，一种分布式光伏电站运行故障诊断方法，包括如下步骤：

3、s1、提取分布式光伏电站并网点的历史气象数据和分布式光伏电站的运行特性参数值以及故障运行状态下运行特性参数和对应故障类型信息，并对这些采集数据进行预处理；

4、s2、搭建分布式光伏运行故障诊断决策树(decision tree,dt)，根据历史气象数据和光伏电站运行数据，完成决策树的训练；

5、s3、引入自适应增强学习技术(adaptive boosting,adaboost)，构建分布式光伏运行故障诊断adaboost-dt模型，根据历史气象数据和光伏电站运行数据，完成adaboost-dt模型的训练，提高模型对光伏电站不同类型故障的诊断准确度；

6、s4、通过向模型输入任意时段的气象数据和光伏电站运行特性参数，模型即可给出该电站目前是否发生故障并且给出故障类型。

7、作为优选，步骤s1包括以下步骤：

8、s11、提取待分群的分布式光伏电站中的光伏阵列输出电压、电流，光伏电站中光伏并网逆变器的输出电压、电流，历史气象数据，包括：太阳辐照度、温度、大气湿度等；

9、s12、考虑到采集过程中存在的数据污染，首先进行数据清洗，去除可能存在的坏数据，考虑到各参量量纲数量级不一致，根据公式(1)进行归一化处理，最后对数据进行标记：

10、

11、式中表示经过归一化处理后的归一化参数值，x表示某一类型参数的实际量测值，xmin表示某一类型参数的最小值，xmax表示某一类型参数的最大值。

12、步骤s2包括以下步骤：

13、s21、提取所有采样时刻的分布式光伏电站的太阳辐照度、温度、光伏电站并网点输出电压、电流、功率数据和故障类型标签，建立相应的光伏电站运行状态诊断样本数据集

14、s＝{s1,s2,…sn}：

15、si＝{(ri,ti,…vi,ui,pi),li}  (2)

16、式中si表示光伏电站的第i条运行状态诊断样本，ri表示第i条运行状态诊断样本的太阳辐照度，ti表示第i条运行状态诊断样本的温度，vi表示第i条运行状态诊断样本的电流，ui表示第i条运行状态诊断样本的电压，pi表示第i条运行状态诊断样本的功率，li表示第i条运行状态诊断样本的标签值；

17、s22、为了计算分布式光伏电站运行故障诊断决策树每个中间节点对分布式光伏电站运行故障的诊断能力，引入如式(3)所示不纯度函数量测度量值im：

18、

19、式中φ表示不纯度函数，用于衡量决策树分类能力，c(s)表示样本s的所属故障类别，ck表示第k类故障，|s,c(s)∈ck|表示在样本集s中属于第k类故障的样本个数，|s|表示样本总数；

20、s23、为了评价所建立分布式光伏电站运行故障诊断决策树模型对运行故障诊断效果的优劣，假设将原样本空间划分为多个子空间，s＝{s1,s2,…,sm}，引入如式(4)所示不纯度变化函数δim，完成模型的搭建：

21、

22、式中im(s)代表父节点的不纯度，代表子节点不纯度的期望值；

23、s24、输入光伏电站运行诊断所需要的样本数据，并根据最大化式(4)求得决策树模型特征筛选阈值，完成决策树模型的训练。

24、步骤s3包括以下步骤：

25、s31、初始化分布式光伏电站运行状态诊断样本数据集s的权值分布，使得每一个训练样本最开始时都被赋予相同的权值：

26、

27、式中w1i表示初始样本数据集第i个样本的权值，n表示样本集的数量；

28、s32、顺序串行训练分布式光伏电站运行故障诊断决策树，选取一个当前误差率最低的决策树h作为第t个基本故障诊断器ht，并按照式(6)计算该故障诊断器在st上的误差et：

29、

30、式中i表示布尔运算，当内部表达式为真时返回1，反之，返回0；

31、并根据计算得到的误差et按照式(7)对故障诊断决策树的权重αt进行更新：

32、

33、如果某个运行状态已经被准确地分类，那么在构造下一个模型训练集中，该条运行状态数据的权值wti就被降低，反之，它的权值就得到提高，然后，权值更新过的样本数据集被用于训练下一个分类器，整个训练过程如此迭代地进行下去，具体权值更新方式如式(8)所示：

34、

35、式中st(i)表示第t次更新后的样本集中第i个样本，exp表示自然指数函数；

36、s33、通过式(9)将训练得到的各个故障诊断决策树组合成分布式光伏运行故障诊断自适应增强决策树hfinal：

37、

38、式中sign表示符号函数，t表示故障诊断决策树的总数。

39、步骤s4中，将待诊断光伏电站的运行特性数据按照adaboost-dt模型输入数据要求进行处理，并输入至训练好的adaboost-dt模型中，得到待诊断光伏电站的运行状态以及具体故障类型。

40、本发明的有益效果：提供一种分布式光伏电站运行故障诊断方法，针对现有光伏电站运行故障诊断方法存在的不足，基于决策树的多类型故障诊断识别能力和自适应增强学习技术的良好的提升效果，结合二者优点实现了对分布式光伏电站运行故障快速、准确的诊断。本方法提供的故障诊断结果可以作为分布式光伏电站多运行工况自适应控制的技术基础，为电力系统转型过程中存在的光伏电站状态诊断以及多工况运行自适应控制等问题提供技术支撑。

41、上述
技术实现要素：
仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。