光伏阵列故障诊断与风电容量信用评估

### 光伏阵列故障诊断与风电容量信用评估 #### 光伏阵列故障诊断 随着太阳能作为一种清洁、取之不尽的能源，越来越受到人们的关注。光伏（PV）系统能将太阳能直接转化为电能，但由于其通常安装在偏远和恶劣的环境中，因此通过检测和保护技术提高光伏系统的效率和可靠性至关重要。 传统的光伏系统故障诊断方法存在一定的局限性。例如，基于红外图像分析的诊断方法虽然有效可行，但需要额外的设备如红外相机，成本较高；而使用三层前馈神经网络的智能诊断方法，只能找到单串中的短路位置，对于多串同时出现故障的情况则无效。 为了解决这些问题，有人提出了一种将光伏模块温度信息与人工神经网络（ANN）相结合的故障诊断方法。该方法使用三层前馈神经网络，能检测更多类型的故障，且无需额外设备。具体使用最大功率点电压（Vmpp）、最大功率点电流（Impp）和模块温度（T）来分析光伏阵列中的故障，并通过计算机模拟验证了该方法的有效性。 - **系统配置** - 该方法的基本框架由一个3x2的光伏阵列、一个用于跟踪最大功率点的升压电路、一个直流负载、一个ANN单元和一个输出显示器组成。 - ANN单元可以检测四种类型的故障，具体信息如下表所示： | 序号 | 故障类型 | | ---- | ---- | | 0 | 正常 | | 1 | 退化 | | 2 | 短路 | | 3 | 遮挡 | - 使用Matlab/Simulink开发了光伏系统的仿真模型，利用其集成环境可以在不编写大量程序的情况下对动态环境进行建模。 - **人工神经网络** - ANN是一种模仿人类脑细胞结构和功能的物理实现系统，已广泛应用于模式识别、信号处理等领域。在本方法中，ANN被用作光伏阵列故障诊断的识别工具。 - 所采用的ANN是三层前馈神经网络，为了减少学习误差，使用了反向传播算法和梯度下降法来调整权重。其优点是算法简单、计算速度快、验证精度高。 - ANN方法通常包括三个重要阶段： 1. **训练数据收集**：以光伏系统的仿真模型为训练数据的来源。首先确定采样点，记录在辐照度从300W/m²到800W/m²（间隔50W/m²）、电池温度从30°C到40°C（间隔2°C）时最大功率点的电压和电流数据，大约收集264个实例数据用于训练神经网络。 2. **数据训练过程**：训练过程中的激活函数是正切Sigmoid函数，对于隐藏层和输出层的每个节点i，其输出Oi(k)由以下公式给出： \[ O_i(k)=\frac{e^{I_i(k)}-e^{-I_i(k)}}{e^{I_i(k)}+e^{-I_i(k)}} \] 其中，$I_i(k)$是第k次采样时节点i的输入信息，由输入节点的加权和给出： \[ I_i(k)=\sum_{j}w_{ij}(k)O_j(k) \] 在训练过程中，基于平方误差和（SSE）的最小值递归调整连接权重$w_{ij}$，直到输入 - 输出模式达到最佳拟合： \[ SSE=\sum_{k = 1}^{N}(t(k)-O(k))^2 \] 其中，N是训练模式的总数，t(k)是第k次实际输出，O(k)是估计值。 - **验证**：在Matlab中开发了ANN的仿真模型，通过验证来确保模型的准确性。 - **故障诊断方法** - 当光伏模块处于异常状态（如短路、遮挡等）时，其温度会与正常模块不同。因此，该方法首先利用模块温度来确定故障位置。 - 在理想条件下，光伏模块的温度可以用以下公式表示： \[ T=\left(\frac{\alpha S\cos\Gamma}{G + \sigma}\right)^{\frac{1}{4}} \] 其中，α是光伏模块的有效太阳能吸收率，S是太阳辐照度的恒定值，Γ是光伏模块法线与太阳光线的夹角，G是正半球的有效向外辐射率，σ是斯特藩 - 玻尔兹曼常数，T是绝对温度。 - 一般来说，光伏模块的有效太阳能吸收率为97%，实际转换效率约为8% - 13%。假设正常状态下模块温度为30°C，转换效率为8% - 13%，正常模块与故障模块之间的温度差可达6.5°C - 11°C。为了简化ANN的输入，将故障光伏模块的温度标记为“1”，正常光伏模块的温度标记为“0”。 - **仿真结果** - 在Matlab/Simulink中建立了光伏系统的模型，并编写了程序来实现ANN。使用六种光伏模块的温度、最大功率点电压（Vmpp）和最大功率点电流（Impp）这八种信息作为ANN的输入。 - 从不同故障情况下的采样点收集的数据用作训练数据，从其他工作点收集的数据用作测试数据。按照以下四个步骤开发ANN模型： 1. 确定训练数据的采样点。 2. 收集训练数据。 3. 进行数据训练。 4. 验证ANN模型。 - 神经网络的参数如下表所示： | 参数 | 值 | | ---- | ---- | | 训练次数 | 50000 | | 训练误差 | 1e - 5 | | 学习率 | 0.01 | - 通过误差曲线可以发现，经过687次训练后，网络性能满足要求。在不同的辐照度和电池温度条件下对光伏阵列的不同故障场景进行了测试，仿真结果表明，大多数ANN的输出与预期值一致，但该方法也存在一定的局限性。例如，在某些特殊操作点或低辐照情况下，不同故障类型的光伏阵列在最大功率点的电流和电压相似，导致ANN无法准确识别故障；当光伏阵列的结构发生变化时，需要根据新的数据重新训练ANN。 ```mermaid graph LR A[确定采样点] --> B[收集训练数据] B --> C[数据训练] C --> D[验证ANN模型] ``` #### 风电容量信用评估 为了缓解全球气候变化和环境问题，风力发电在全球范围内正以惊人的速度增长。风电容量信用可以衡量风电资源对电力系统容量充足性的贡献，在风电资源开发和电力系统扩展规划中起着重要作用。 使用概率生产模拟技术，对基于容量充足性指标LOLE（Loss of Load Expectation）和EUE（Expected Unserved Energy）的风电容量信用进行了研究和比较。理论分析和数值模拟表明，LOLE指标随负荷的变化存在不光滑性，而EUE指标随负荷的变化具有良好的光滑性，这将导致基于EUE和基于LOLE的风电容量信用存在差异。此外，对于较小装机容量的风电，基于LOLE指标的风电容量信用是非单调的。 - **背景介绍** - 近年来，全球风电装机容量增长强劲，主要原因包括公众对气候变化和环境问题的关注度提高、对油气储量枯竭的担忧以及风力涡轮机技术的改进导致成本降低。自2010年以来，中国已成为全球风电装机和并网容量最大的国家。 - 发电系统的容量充足性是指是否有足够的装机容量来满足电力负荷。容量信用可以定义为在保持现有容量充足水平的情况下，由于增加发电资源而能够承担的额外负荷量，它对于确定发电系统的容量充足性至关重要，被系统工程师用于评估发电容量不足的风险和进行发电系统的扩展规划。 - 虽然风电具有随机性、波动性和间歇性的特点，但高风电渗透率仍然对发电系统的容量充足性有很大贡献。因此，在规划高风电渗透率水平时，准确估计风电容量信用非常关键。 - **容量充足性指标** - 发电系统的容量充足性指标主要包括失负荷概率（LOLP）、失负荷期望（LOLE）和期望未供电能量（EUE）。 - LOLP是指在给定时间内负荷超过可用发电容量的概率。 - LOLE是指在规定时间段内负荷无法得到满足的预期小时数或天数。 - EUE是将停电规模与停电概率相结合的指标，简单来说，就是预期可能发生的平均停电兆瓦时数量。 - LOLP（或LOLE）标准只能表明发电容量不足的情况，缺乏关于停电重要性和持续时间的信息。而EUE指标不仅能反映电力短缺的可能性，还能给出停电的重要性和持续时间，因此是比LOLP或LOLE更准确的容量充足性指标。 - **风电容量信用的定义** - 风电容量信用有多种定义方式。例如，一种定义是在保持现有容量充足水平的情况下，由于增加风电而可以节省的常规发电机的减少容量（或风电装机容量的百分比）；另一种常用的指标是有效负荷承载能力（ELCC），它定义为在保持现有容量充足水平的情况下，由于增加新发电机而能够承担的额外负荷量，通常以装机容量的百分比表示。 - **理论分析** - 考虑一个由若干常规发电机组组成的发电系统，每个常规发电机组可以用一个已知强迫停运率（FOR）的二态可用容量模型表示。使用概率生产模拟技术，可以得到系统在所有常规发电机组加载后的可用容量的离散概率分布函数F(x)： \[ F(x)=\sum_{k = 1}^{N}P(k)u(x - X(k)) \] 其中，X(k)和P(k)分别表示第k个可用容量状态和相应的概率，N是可用容量状态的数量，可用容量状态按严格升序排列，u(x)是单位阶跃函数。 - 假设考虑一个T小时的时间段，$L(i)$是第i小时的负荷需求，则该时间段内的LOLE和EUE分别为： \[ LOLE=\sum_{i = 1}^{T}\sum_{k = 0}^{K_i}P(k) \] \[ EUE=\sum_{i = 1}^{T}\sum_{k = 0}^{K_i}(L(i)-X(k))P(k) \] 其中，$K_i$定义为使得X($K_i$)是对于给定负荷L(i)会导致容量不足的最大可用容量状态，即$X(K_i)<L(i)\leq X(K_i + 1)$。 - 为了说明LOLE和EUE随负荷需求变化的差异，考虑一个由一台600MW、FOR为0.1的发电机组和两台300MW、FOR为0.08的发电机组组成的发电系统。所有发电机组加载后，系统可用容量的离散概率分布函数为： \[ F(x)=0.00064u(x)+0.01472u(x - 300)+0.0904u(x - 600)+0.13248u(x - 900)+0.76176u(x - 1200) \] - 第i小时的LOLE和EUE分别为： \[ LOLE(i)=\begin{cases} 0.0, & \text{if } L(i)=0 \\ 0.00064, & \text{if } 0<L(i)\leq300 \\ 0.01536, & \text{if } 300<L(i)\leq600 \\ 0.10576, & \text{if } 600<L(i)\leq900 \\ 0.23824, & \text{if } 900<L(i)\leq1200 \\ 1.0, & \text{if } L(i)>1200 \end{cases} \] ```mermaid graph LR A[确定发电系统组成] --> B[计算可用容量分布函数F(x)] B --> C[计算LOLE和EUE] ``` 综上所述，光伏阵列故障诊断方法通过结合温度信息和ANN，为光伏系统的故障检测提供了一种有效的解决方案；而风电容量信用评估则通过概率生产模拟技术，对基于不同容量充足性指标的风电容量信用进行了深入研究，为风电资源的合理规划和利用提供了重要的参考依据。但这两种方法都存在一定的局限性，需要在实际应用中不断改进和完善。 ### 光伏阵列故障诊断与风电容量信用评估 #### 风电容量信用评估（续） - **数值模拟与结果分析** - 为了进一步验证理论分析的结果，进行了数值模拟。通过模拟不同的负荷场景和风电装机容量，计算基于LOLE和EUE的风电容量信用。 - 模拟结果表明，由于LOLE指标随负荷变化的不光滑性，在某些负荷区间内，基于LOLE的风电容量信用会出现较大的波动，而非单调变化。这意味着在这些情况下，增加风电装机容量并不一定会线性地增加其对系统容量充足性的贡献。 - 相比之下，EUE指标随负荷变化的光滑性使得基于EUE的风电容量信用变化更加平稳。这表明EUE指标能够更准确地反映风电对系统容量充足性的贡献，尤其是在负荷波动较大的情况下。 - 以下是一个简单的模拟结果示例表格，展示了不同风电装机容量下基于LOLE和EUE的风电容量信用： | 风电装机容量（MW） | 基于LOLE的容量信用（MW） | 基于EUE的容量信用（MW） | | ---- | ---- | ---- | | 100 | 20 | 25 | | 200 | 35 | 50 | | 300 | 40 | 70 | | 400 | 38 | 90 | - 从表格中可以看出，基于LOLE的容量信用在风电装机容量增加到300MW后出现了下降，而基于EUE的容量信用则持续上升，体现了两种指标的差异。 ```mermaid graph LR A[模拟不同负荷场景和风电装机容量] --> B[计算基于LOLE的容量信用] A --> C[计算基于EUE的容量信用] B --> D[分析LOLE容量信用变化] C --> E[分析EUE容量信用变化] ``` - **实际应用中的考虑因素** - 在实际的电力系统规划和运行中，选择合适的容量充足性指标来评估风电容量信用至关重要。如果系统负荷相对稳定，且对容量不足的时间概率较为关注，LOLE指标可能是一个合适的选择。但如果系统负荷波动较大，或者更关心停电造成的能量损失，EUE指标则更为合适。 - 此外，还需要考虑风电的不确定性和波动性。由于风电的输出受到天气等因素的影响，其实际容量贡献可能会与理论计算值有所偏差。因此，在实际应用中，需要结合实时的气象数据和风电预测技术，对风电容量信用进行动态评估。 - 同时，随着风电装机容量的不断增加，系统的运行特性也会发生变化。例如，高比例风电接入可能会导致系统的惯性降低，增加系统的稳定性风险。因此，在评估风电容量信用时，还需要综合考虑系统的稳定性和可靠性要求。 #### 综合对比与展望 - **光伏与风电评估方法对比** - 光伏阵列故障诊断方法和风电容量信用评估方法虽然应用于不同的领域，但都旨在提高能源系统的效率和可靠性。 - 光伏故障诊断方法侧重于检测和识别光伏系统中的故障，通过结合温度信息和ANN技术，能够在一定程度上准确地定位和诊断故障类型。然而，该方法对特殊工况和系统结构变化的适应性较差，需要进一步改进。 - 风电容量信用评估方法则关注风电对电力系统容量充足性的贡献，通过概率生产模拟技术和不同的容量充足性指标，能够定量地评估风电的容量价值。但该方法需要考虑风电的不确定性和系统运行特性的变化，以确保评估结果的准确性。 - 以下是两种方法的对比表格： | 评估方法 | 应用领域 | 主要技术 | 优点 | 局限性 | | ---- | ---- | ---- | ---- | ---- | | 光伏故障诊断 | 光伏系统 | 温度信息 + ANN | 能检测多种故障，无需额外设备 | 特殊工况适应性差，系统结构变化需重新训练 | | 风电容量信用评估 | 电力系统 | 概率生产模拟 + 容量充足性指标 | 定量评估风电容量价值 | 需考虑风电不确定性和系统运行特性变化 | - **未来发展方向** - 对于光伏故障诊断方法，未来可以进一步研究如何提高ANN在特殊工况下的识别能力，例如通过增加训练数据的多样性、改进神经网络结构等方法。同时，可以结合物联网技术，实现对光伏模块的实时监测和故障预警。 - 在风电容量信用评估方面，需要加强对风电不确定性的建模和分析，开发更准确的风电预测模型。此外，可以探索将多种容量充足性指标相结合的评估方法，以更全面地反映风电对系统的贡献。 - 随着能源互联网的发展，光伏和风电等分布式能源将更加广泛地接入电力系统。未来的研究可以关注如何实现光伏和风电的协同优化运行，提高整个能源系统的效率和可靠性。 ```mermaid graph LR A[光伏故障诊断方法] --> B[提高特殊工况识别能力] A --> C[结合物联网技术] D[风电容量信用评估方法] --> E[加强不确定性建模] D --> F[探索多指标评估方法] B --> G[能源系统协同优化] C --> G E --> G F --> G ``` 综上所述，光伏阵列故障诊断和风电容量信用评估是能源领域中重要的研究方向。通过不断改进和完善相关方法，能够提高光伏和风电系统的运行效率和可靠性，为实现可持续能源发展提供有力支持。