[发明专利]一种分布式光伏电站智能运维系统和方法

权利要求书

1.一种分布式光伏电站智能运维方法，基于分布式光伏电站智能运维系统实现，分布式光伏电站智能运维系统包括用于采集各光伏电站运行数据的信息采集终端、用于接收并处理光伏电站运行数据的运维中心，运维中心包括借助互联网收集信息采集终端数据的采集认证服务器和与采集认证服务器连接的历史数据库服务器、互联网发布服务器、通过网络与互联网发布服务器连接的远程终端，所述运维中心中还包括智能运维服务器，智能运维服务器中存储各光伏电站的地理位置信息并设置诊断单元，其特征在于，智能运维服务器定时启动信息采集终端采集光伏电站的运行数据，接收并存储信息采集终端采集的运行数据，诊断单元根据接收到的数据诊断光伏电站是否存在故障及判断故障类型，如果存在故障，将故障数据发送给远程终端；

诊断单元的诊断过程包括以下步骤：

A、根据光伏电站的运行数据计算其在测定时间的额定发电数据A1，分别计算所采集的运行数据中的发电数据A与额定发电数据A1、周边数据平均值A2、历史预测数据A3的误差Q1、 Q2、 Q3，周边数据平均值A2指与被监测光伏电站处于相同地理位置的周边光伏电站的运行数据平均值，历史预测数据A3指根据被监测光伏电站历史运行中与测定时间运行环境相当时的运行数据所预测的测定时间的运行数据：

Q1=（A-A1）/A1

Q2=（A-A2）/A2

Q3=[ A-（A3-额定损耗）] /（A3-额定损耗）

Q1、Q2、Q3大于0时取值为0，小于0时取绝对值，设定上述三种算法中所允许的误差最大值分别为Q1'、Q2'和Q3'，Q1'≤30%，Q2'≤20%，Q3'≤15%，若Q1≥Q1'或Q2≥Q2'或Q3≥Q3'，则认为该光伏电站存在故障，进入步骤B，否则结束；

B、根据模糊推理算法诊断故障类型。

2.根据权利要求1所述的一种分布式光伏电站智能运维方法，其特征在于，所述运行数据包括逆变器输出功率、逆变器直流电压、逆变器直流电流、光伏组件表面温度、当日上网电量及发电数据。

3.根据权利要求1所述的一种分布式光伏电站智能运维方法，其特征在于，所述采集的运行数据中的发电数据A为光伏电站的输出功率P，所计算的额定发电数据A1为额定输出功率P1，P1= G0×（Tb +Td）×Area×K0×K1×K2×K3×K4×K5×(1-K6)^Tn，

上式P1的计算如下：每千瓦装机容量对应面积Area，光伏电站所在经度E，光伏所在纬度φ，光伏所在海拔高度AL，北京所在经度E1= 116°23′，太阳常数G=1353 W/m²，以T表示当前时间，n为从元旦算起的天数，由T的年月日得到；

（1）太阳赤纬角δ=23.45°sin[360×(284+n)/365]；

（2）地球绕太阳公转时运动和转速变化而产生的时差Ex=( 9.87sin2B－7.53cosB－1.5sinB)/60，B=360×（n-81）／364，单位为小时；

（3）当前的真太阳时H = T1 + Ex–4×（E1–E）/60，T1为当前时间,单位为小时，根据T的小时得到；

(4)太阳时角ω＝15°×(H - 12）；

(5) 当日大气层外的太阳辐射 G1 = G ×[1 + 0.033×cos(360°× n/365)];

(6)太阳高度角θ可表示如下：cosθ=cosω×cosδ×cosφ+sinδ×sinφ；

(7)当前时刻大气层外切平面上的瞬时太阳辐射G0 = G1×cosθ；

(8) 太阳直射透明系数Tb = a0+a1×exp(-ak/ cosθ)，

式中，a0 = R0×[0.4237-0.00821×( 6-AL)²]，

a1=R1×[0.5055 - 0.00595×( 6.5- AL)²]，

ak = Rk ×[0. 2711- 0. 01858×( 2.5- AL)²]，

气候类型修正列表如下：

(9)太阳散射透明系数Td = 0.2710 - 0.293×Tb；

(10)采集时刻的额定输出功率P1=G0×（Tb +Td）×Area×K0×K1×K2×K3×K4×K5×(1-K6)^Tn ，当P1小于0时，表示日落，P1取值为0，

上式中，电池组件转换效率K0，K1、K2、K3、K4为经验值常量，光电电池长期运行性能修正系数K1= 0.86，灰尘引起的性能修正系数K2= 0.9，光电电池升温导致功率下降修正系数K3= 0.9，导电损耗修正系数K4= 0.95，K5表示额定逆变效率，K6表示年逆变效率损耗修正系数，Tn表示光伏设备投运时间，单位为年；K0、K5、K6为光伏电站的固有属性，为出厂时自带数据，存储于运维中心。

4.根据权利要求1所述的一种分布式光伏电站智能运维方法，其特征在于，所述模糊推理算法过程如下：(1)定义模糊推理的模型：S、R、、、、U

S = {S₁，S₂，S_i…，S_n}为故障类型的有穷集合，既是输入也是输出；

R = {R₁，R₂，R_j…，R_m}为规则的有穷集合；

={}，i=1,…,n,j=1,…,m，∈{0，1}，为逻辑量，当S_i是R_j的输入时，=1；当S_i不是R_j的输入时，=0；

={}，i=1,…,n,j=1,…,m，∈{0，1}，为逻辑量，当S_i是R_j的输出时，=1；当S_i不是R_j的输出时，=0；

=(，，…，)^T,∈[0，1]，为模拟量，T为迭代次数，i=1,…,n；

为故障类型S_i的初始逻辑状态，表示故障类型S_i为真的程度,根据故障类型S_i对应的发电数据误差量化值F计算，= Q1/Q1'或Q2/Q2'或Q3/Q3'，在0~1之间取值；

U=(,，…,),∈[0，1]，为模拟量，i=1,…,m，为规则R_i的可信度；

(2)模糊推理的算法公式：

公式<1>pet= - =，式中,为元素全为1的m维向量，k为推理步数，pet为n维向量，其元素值表示故障类型为假的可信度；

公式<2>=(pet)=，式中，为m维向量，表示规则的前提为假的可信度；

公式<3>= pet= pet ((pet))==，式中，为m维向量，表示规则的前提为真的可信度；

公式<4> ，式中，表示故障类型的下一步状态；

公式项说明：

：取矩阵项最大值，

：取矩阵计算最大值；

（3）模糊推理步骤：

步骤1： 初始化推理步数k=0；

步骤2：根据公式<1>、<2>、<3>、<4>, 由求得；

步骤3：若，则令k = k+1，重复步骤2；若，则结束，中最大值项所对应的不可测定的故障类型S_i为模糊推理的结果输出项。