一种逆变器容配比电量损失分析模型.pdf

18技术交流 Technical Exchanges0引言在光伏系统发展早期，光伏电站一般按照 1:1的容配比进行系统设计1。随着光伏“领跑者”计划和分布式电站的快速发展，我国光资源较差的三类地区的光伏装机容量也得到了大力发展。由于光伏系统受光资源影响的发电特性、系统损耗，以及光伏组件存在性能衰减，易造成逆变器无法达到额定甚至最大出力，所以在一定程度上，提高系统容配比，可以提升电站的经济效益。通过深入研究发现，在一定程度上提高光伏电站组件容量与逆变器交流侧额定输出容量比例，即适当提高系统容配比，可以提高逆变器、箱变等设备的利用率，同时还可以摊薄光伏电站的投资成本，对光伏度电成本（LCOE）的下降具有积极意义2。另一方面，随着系统容配比的提高，光伏电站的功率变化幅度也在同步降低，电站功率输出更加平滑稳定，电网友好性随之提高。虽然在一定程度上提高系统容配比可以提升系统效率，但容配比配置过高，一方面可能导致逆变器弃光限电的发生、另一方面使逆变器长期处于高负荷工况下容易导致设备可靠性下降3。因此，建立逆变器容配比电量损失的量化评估分析对于光伏电站设计与运维有着重要的意义。针对此问题，本文提出了一种因逆变器容配比配置过高导致电量损失的评估分析方法。通过该评估分析方法的应用，可精准计算逆变器在较高辐照强度下由于高容配比导致的弃光损失电量，并可为后续光伏电站容配比设计提供数据支持。1容配比电量损失分析模型 逆变器容配比电量损失，指由于逆变器高容配比设计导致在光资源充足的情况下造成的弃光电量损失。一种逆变器容配比电量损失分析模型秦海军龙源（北京）风电工程技术有限公司，北京100032摘要：目前我国新建光伏电站普遍存在容量超配的情况。在一定程度上提高系统容配比，可以提高逆变器、箱变设备利用率，降低工程造价，同时还可以摊薄光伏电站的投资成本。但容配比配置过高，一方面可能导致逆变器弃光限电的发生，另一方面逆变器长期处于高负荷运转下容易导致设备可靠性下降。针对此问题，本文提出了一种因逆变器容配比配置过高导致电量损失评估分析方法。通过该评估分析方法的应用，可精准计算逆变器在较高辐照强度下由于高容配比导致的弃光损失电量。可为光伏电站容配比设计提供数据支持。关键词：容配比；电量损失；光伏逆变器正文.indd 182023-5-13 16:26:44191.1模型基本原理该模型共分为逆变器限功率区间段识别、逆变器理论应发功率拟合学习，以及限功率区间内电量损失估计等三部分。该模型的限功率区间识别基于统计学方法来计算，逆变器理论应发功率曲线拟合将通过多项式回归算法对逆变器实际有功功率与辐照强度、环境温度进行拟合学习后预测得出，限功率区间内电量损失估计将通过逆变器理论应发功率与实际有功功率的差值通过积分的方式预估逆变器因高容配比在限功率区间内造成的电量损失。该模型的运行流程如图 1 所示，主要包括数据获取、数据清洗、限功率区间识别、理论应发功率曲线拟合、限功率区间内损失电量预估等 5 个主要部分。开始获取设备时序数据数据清洗与处理限电区间识别是否存在限电区间拟合逆变器有功功率与辐照强度、环境温度关系曲线估算限电区间内电量损失结束否是图 1模型运行流程1.2数据获取该部分主要为获取研究对象的特征数据。本模型将按时间序列的方式，从笔者单位自建的光伏监控系统中获取光伏逆变器的有功功率、额定功率、组串电流、组串电压、功率因数、机内温度和光伏电站环境气象站的辐照强度、环境温度等 8 项特征数据。该模型将按逆变器、日期两个维度进行数据处理。数据计算的基本单元为单台逆变器一整天的运行数据为遍历一次的基本单元。该模型获取的逆变器运行数据为 1 分钟级数据，来自监控系统的Kafka 订阅数据。1.3数据清洗光伏逆变器限电的一般原因包括 AGC 调度限电、AVC 无功补偿、组件容量超配、逆变器内重要元件的温度过高等因素。不同的限电原因对应的运行工况也各不相同。AGC 调度限电一般会导致逆变器在高辐照下输出功率却达不到额定容量的情况；AVC 无功补偿一般由于逆变器需要参与电站的无功补偿，导致逆变器的功率因数偏低；逆变器内功率模块温度较高也会引发逆变器控制系统进行自降功率运行。因此，在该模型的数据清洗阶段需要将上述逆变器的限功率的工况进行过滤清理。模型输入特征包括逆变器有功功率、额定功率、各支路电流、各支路电压、功率因数、机内温度、辐照强度、环境温度等。数据清洗过程如下：（1）缺失值处理：除时间字段外，过滤含有缺失值的数据。即数据如果在某一时刻缺失了重要特征的数据，将清洗掉该时刻的所有数据。通过该清洗规则可以保证模型能够正确完成分析计算。（2）重复值处理：除时间字段外，如果其他值都一样则过滤。如果时序数据中存在除时间外所有特征数据均相同的数据，则清洗掉第二次及以上出现的数据。通过该清洗规则可以清洗掉大部分晚上不发电的无效数据。（3）数据合并：将逆变器运行数据与气象数据按时间字段进行连接合并。由于本文中该模型获取到的逆变器运行数据中不包含气象数据，且气象站数据一般为全站逆变器共用。因此，数据处理过程中需要将逆变器实际运行数据与电站气象数据进行连接合并处理。（4）实时功率时序数据中包含不小于逆变器额正文.indd 192023-5-13 16:26:4420技术交流 Technical Exchanges定功率的数据。通过该清洗规则可以确保该台逆变器在当天有可能存在限功率的工况，否则可以直接结束计算。（5）功率因数不小于 0.95，通过该清洗规则可以确保逆变器未在 AVC 无功补偿等工况下运行。（6）机内温度不高于逆变器工作温度阈值上限，通过该清洗规则可以确保逆变器未因温度过高导致逆变器出现自降额发电运行的工况。1.4限功率区间识别限功率区间识别主要是通过分析逆变器的有功功率曲线，找出逆变器有功功率在无调度限功率的情况下，达到顶部区域且稳定在顶部区域不再增长的运行区间段。限功率区间识别的过程如下：（1）找出逆变器有功功率大于等于逆变器额定功率的所有点，总数计为 n。逆变器有功功率大于等于额定功率说明此时逆变器已处于满发状态，如果此时辐照强度继续升高，逆变器的有功功率也不再随辐照强度升高而增加，此时便为弃光限电的工况。（2）将找到的所有点按时间顺序形成 n-1 个时间序列区间。根据上一步找到的所有大于等于额定功率的有功功率点，按对应的时间点对清洗后的时间序列切割为 n-1 个时间序列区间。（3）按顺序遍历所有待计算的时间序列区间。将每一个时间序列区间都将作为是否限功率的待检验区间进行遍历检验。（4）计算时间序列区间是否为平稳区间。首先计算该时间序列区间内逆变器的有功功率的标准差。如果逆变器有功功率标准差不大于设定的平稳性阈值，则认为该区间为平稳区间，否则为非平稳区间。逆变器有功功率在平稳区间内将基本保持在均值上下有限范围的波动，反之在非平稳区间内，逆变器有功功率将不恒定为一个值。（5）计算待检验的区间是否为限功率区间：1）如果第 4 步得到的区间为平稳区间，则将该区间与下一个待检区间合并为一个待计算的新区间；2）重复第 4 步重新计算合并后的新区间是否为平稳区间；3）如果新区间判定为平稳区间，则继续合并下一个待检区间再次判定；如果合并后的区间为非平稳区间，则取消合并，合并之前的平稳区间判定为限功率区间；（6）继续遍历剩余的时间序列区间；1）得到一个或几个限功率区间后，判断是否还有待检验的时间序列区间；2）如果仍有待检验的时间序列区间，则将剩余时间序列区间按第4步和第5步的计算方法进行计算；3）直至遍历完所有待检验的时间序列区间为止。（7）如果没有找到限功率区间则直接结束该逆变器的计算。限功率区间识别流程如图 2 所示。开始找出逆变器有功功率大于等于额定功率的所有数据点，数量为n结束将上述得到的n个点按时间收尾相连形成n1个待检测区是否有未检测的待测区间待测区间相连的上个区间是否为限电区间是是是将待测区间与上一个限电区间合并形成新的待测区间判断待测区间平稳性是否越限判定为限电区间，并修改原限电区间原限电区间保持不变否否否图 2限电时段识别流程正文.indd 202023-5-13 16:26:44211.5理论应发功率曲线拟合影响光伏组件出力的因素较多，但主要的影响因子为太阳辐照强度和环境温度。本文中的逆变器有功功率与瞬时辐照强度、环境温度的关系模型将基于多项式回归模型进行拟合4，模型的目标输出为逆变器有功功率，模型输入变量包括辐照强度和组件环境温度两个特征5，6。逆变器有功功率模型将按如下公式进行二项式拟合：P=A+BTcellH+CH+DH2式中，P 为逆变器有功功率，Tcell是 PV 模块阵列的环境温度，H 为太阳辐照强度，A、B、C、D 为模型参数。（1）逆变器有功功率曲线拟合将在非限功率区间通过机器学习的方法进行二项式回归学习，因此，首先需将逆变器的运行时间段切分为非限功率区间段与限功率区间段。根据 2.4 中计算得到的限功率区间，将 2.3 得到的时间序列切分为限功率区间与非限功率区间。（2）在逆变器非限功率区间内，利用多项式回归技术进行逆变器有功功率与辐照强度（见图 3）、环境温度进行拟合学习建模。（3）将学习后的二项式回归模型，在逆变器限功率区间内，通过输入限功率区间的辐照强度和环境温度输入特征，预测得到逆变器在限功率区间（见图 4 和图 5）内的理论应发功率曲线。1.6限功率区间内损失电量预估限功率区间内损失电量的预估将基于积分的计算方法进行预估计算。（1）将 2.5 得到的限功率区间内的逆变器理论应发功率与逆变器的实际有功功率做差值得到逆变器电量损失功率曲线，见图 6。（2）将得到的损失功率曲线通过积分的方式估算该逆变器在限功率区间内的电量损失。将得到的电量损失功率时序数据每相连的两个数据求取均值，然后再乘以该区间的时间长度则得到每一小块区间的损失电量，然后进行累加便得到逆变器在限功率区间内的损失电量。2案例分析本文阐述的逆变器容配比电量损失分析模型的应用案例以笔者单位所辖甘肃省某光伏电站为案例进行分析研究。该电站采用华为组串式逆变器，大部分逆变器的容配比均超过 1.2 进行配置，且存在直流支路通过 Y 型接线方式将两路组串并联后接入逆变器的一路直流侧的接线方式。10008006004002000WST.Radiation10:0012:0014:0016:0018:00Mar1,2022datetime图 3瞬时辐照强度05010015020010:0012:0014:0016:0018:00Mar1,2022datetimevalue图 4逆变器交流输出功率及限功率区间10:0012:0014:0016:0018:00Mar1,2022datetime151050value图 5逆变器组串电流及限功率区间10:0012:0014:0016:0018:00Mar1,2022datetime200150150500value图 6逆变器实际功率与理论应发功率曲线正文.indd 212023-5-13 16:33:4222技术交流 Technical Exchanges图 3 为该案例电站 2022 年 3 月某天的瞬时辐照强度；图 4 为该案例电站某台典型逆变器的有功功率，以及模型识别的限功率区间；图 5 为该台逆变器组串电流，以及模型识别的限功率区间；图 6为该台逆变器实际输出功率曲线与模型预测的理论应发功率曲线。经过该模型在案例电站的逆变器发电运行数据进行分析计算后，发现该案例电站大部分逆变器均存在因高容配比配置的原因导致的限功率运行及因此造成电量损失的情况。具体计算结果如下：（1）从电站整体来看，在辐照比较好的工况下，逆变器容配比电量损失全电站平均损失占比4.20%，月综合电量损失占比 2.15%。（2）从逆变器来看，损失电量占比超过 5%的逆变器数量占比为 35.38%，损失电量占比超过 2%且低于 5%的逆变器数量占比为 57.14%，损失电量占比低于 2%的逆变器数量占比为 7.47%。部分逆变器容配比电量损失占比数据见表 1。表 1部分逆变器损失电量占比数据逆变器名称实际电量损失电量损失占比4-8#逆变器1508.33102.90346.39%1-1#逆变器1494.24100.77086.32%1-8#逆变器1489.7395.27286.01%4-16#逆变器1500.6695.87596.01%9-8#逆变器1503.0895.79735.99%3-11#逆变器1495.1494.92675.97%3-8#逆变器1496.3294.9225.97%12-9#逆变器1484.2181.58235.21%22-8#逆变器1485.1281.15715.18%9-15#逆变器1485.5280.89535.16%11-3#逆变器1479.5380.435.16%9-12#逆变器1482.9480.43615.15%8-12#逆变器1483.3980.31985.14%8-4#逆变器1477.3879.83585.13%13-3#逆变器1481.9180.09985.13%22-9#逆变器1482.5279.92475.12%8-14#逆变器1481.8380.02535.12%13-13#逆变器1483.7379.99265.12%续表逆变器名称实际电量损失电量损失占比8-11#逆变器1479.6979.18525.08%22-10#逆变器1484.0579.18455.07%13-15#逆变器1483.0178.96265.06%22-15#逆变器1483.5978.69445.04%13-10#逆变器1479.6878.14545.02%13-12#逆变器1481.2678.17825.01%22-13#逆变器1480.8777.87615.00%12-13#逆变器1476.7177.65235.00%12-4#逆变器1478.5777.7785.00%13-14#逆变器1480.3277.77794.99%13-11#逆变器1481.3177.59674.98%10-8#逆变器1499.3877.22054.90%12-15#逆变器1475.9675.49914.87%12-10#逆变器1476.8775.4154.86%15-9#逆变器1501.4476.44534.84%22-11#逆变器1479.9475.16194.83%13-16#逆变器1478.95 74.90354.82%10-16#逆变器1496.8975.63534.81%3结语从模型的案例应用结果来看，高容配比配置的电站确实存在弃光限电的情况。且随着容配比的提升，电量损失比例也会有所增加。该模型提供了一种针对高容配比配置电站的电量损失定量评估的一种方法。通过该评估分析方法的应用，可精准计算逆变器在较高辐照强度下由于高容配比导致的弃光损失电量。可为业主未来光伏电站容配比设计提供数据支持。参考文献1 梅文广光伏发电系统最优容配比分析J 建筑电气，2017，10.2 高翔光伏电站容配比及提高容配比对光伏电站的影响J 河北能源职业技术学院学报，2022，3.3 翁建云，李小杰光伏电站容配比优化改造-光伏组件与光伏逆变器选型和配比浅谈J 上海电力，2018，2：80-844 任惠等基于建筑光伏功率控制的模型研究J 电测与仪表，2017，1.正文.indd 222023-5-13 16:26:45235 Didier Mayer.Performance Prediction of Grid-Connected Photovoltaic Systems Using Remote Sensing.6 Ross，R.G.Electricity from photovoltaic solar cells：Flat-Plate Solar Array Project final report.Volume VI：Engineering sciences and reliability.秦海军（1984）男，硕士研究生，从事新能源故障预警、光伏数据分析研究。E-mail：Analysis Model of Power Loss of Inverter With High Capacity RatioQIN HaijunLongyuan(Beijing)Wind Power Engineering Technology Co.,Ltd.,100032,Beijing,ChinaAbstract:At present,the capacity of newly built photovoltaic power stations is generally over matched.To a certain extent,increasing system capacity ratio can improve the utilization rate of inverter and box transformer equipment,reduce the project cost,and also can dilute the investment cost of photovoltaic power station.However,if the capacity ratio is too high,on the one hand,the inverter may abandon light and limit power,and on the other hand,the inverter is easy to reduce the reliability of the equipment under high load operation for a long time.To solve this problem,this paper proposes an algorithm to detect the power loss caused by inverter capacity ratio.Through the application of this evaluation and analysis method,the power loss of light abandonment caused by high capacity ratio of the inverter can be accurately calculated under high irradiation intensity.It can provide data support for the capacity ratio design of photovoltaic power stations.Keywords:capacity configuration ratio;power loss;photovoltaic inverter参考文献1 赵洪山，胡庆春，李志为基于统计过程控制的风机齿轮箱故障预测J 电力系统保护与控制，2012，40（13）：67-732 吕安强，魏伦基于光纤传感技术的风机叶片故障检测技术研究进展J 高压电器，2022，58（07）：83-923 刘小峰，史长振，晏锐，柏林基于 SCADA 参量关联互信息自编码的风电机组故障检测方法J 控制与决策，2022：1-9.4 耿珊油液监测在风机故障诊断中的应用J 甘肃科技，2020，36（11）：50-545 朱虎明，李佩，焦李成，杨淑媛，侯彪深度神经网络并行化研究综述J 计算机学报，2018，41（08）：1861-1881朱孟喆（1989）电力电子专业，从事新能源场站系统研究，邮箱：Research on Fault Monitoring Algorithm for Large Components of Wind Turbine Based on Deep Neural NetworkZHU Mengzhe,WANG Long,ZHUANG Weiting,LIU Ruihua(Longyuan Power Group Co.,Ltd.,Beijing 100034,China)Abstract:With the increase of the service life of wind farms,the control of operation and maintenance costs of wind farms becomes more important.Several main subsystems of the fan,such as gearbox,generator and bearing,are the main application objects of condition monitoring and fault warning.With the early warning of faults,wind farm operators can effectively adjust the operation mode and carry out equipment maintenance and replacement in advance,which can significantly reduce the operating costs.For the gearbox,which accounts for the majority of the cost of wind turbines,the failure will cause too much downtime.Therefore,the development of accurate and efficient gearbox fault monitoring and early warning model is essential.This paper introduces the similar neural network fault monitoring method and system of gearbox and blade based on SCADA data.Keywords:wind power generation,gearbox,blades,neural network,fault monitoring,intelligent prediction（上接 31 页）正文.indd 232023-5-13 16:26:45