【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及故障檢測領域，具體涉及一種光伏配電網(wǎng)故障檢測系統(tǒng)及方法。
技術(shù)介紹
1、隨著可再生能源的廣泛應用，光伏發(fā)電作為其中的重要組成部分，其在電力系統(tǒng)中的比例逐年增加；光伏配電網(wǎng)作為連接光伏發(fā)電設備與電網(wǎng)的關(guān)鍵環(huán)節(jié)，其穩(wěn)定性和可靠性對整個電力系統(tǒng)的安全運行至關(guān)重要；然而，由于光伏配電網(wǎng)的特殊性，如環(huán)境因素的多變性、設備運行的復雜性等，其故障檢測和診斷面臨著一系列挑戰(zhàn)。
2、傳統(tǒng)的配電網(wǎng)故障檢測方法主要依賴于電氣運行數(shù)據(jù)，如電壓、電流和功率等參數(shù)的監(jiān)測；這些方法雖然在一定程度上能夠?qū)崿F(xiàn)故障的檢測，但往往存在以下局限性：環(huán)境因素影響大，光伏配電網(wǎng)的運行受到環(huán)境因素的影響較大，如溫度、濕度、風速等，這些因素的變化會影響設備的性能和故障發(fā)生的概率；傳統(tǒng)的故障檢測方法往往忽視了這些環(huán)境因素的影響，導致故障檢測的準確性和可靠性不足；故障類型復雜多樣，光伏配電網(wǎng)可能發(fā)生的故障類型多樣，包括短路故障、接地故障、過載故障和諧波故障等；傳統(tǒng)的故障檢測方法往往是進行整體的檢測，缺乏針對性；故障檢測的自動化和智能化水平低，傳統(tǒng)的故障檢測方法大多依賴于人工經(jīng)驗和定期巡檢，缺乏自動化和智能化的處理能力，導致故障檢測的效率和準確性受限。
3、為了解決上述問題，提高光伏配電網(wǎng)的故障檢測能力，本專利技術(shù)提出了一種光伏配電網(wǎng)故障檢測系統(tǒng)及方法；該系統(tǒng)及方法通過綜合考慮環(huán)境監(jiān)測數(shù)據(jù)、電氣運行數(shù)據(jù)以及歷史故障數(shù)據(jù)，利用先進的數(shù)據(jù)挖掘和機器學習技術(shù)，建立了一個全面的故障風險評估模型；該模型能夠?qū)崟r動態(tài)地評估光伏配電網(wǎng)的故障風險，并根據(jù)風險評
技術(shù)實現(xiàn)思路
1、本專利技術(shù)通過對各個故障類型的風險概率進行評估，并根據(jù)故障類型的風險概率執(zhí)行相應的檢測措施，這種針對性故障檢測能力可以使本專利技術(shù)根據(jù)不同故障類型的特點和風險水平，采取更為精確和有效的檢測策略；這種針對性的檢測方法不僅提高了故障檢測的準確性，還優(yōu)化了資源分配，確保了在最需要關(guān)注的地方投入更多的監(jiān)測資源，從而顯著提升了光伏配電網(wǎng)的可靠性和安全性。
2、一種光伏配電網(wǎng)故障檢測方法，包括：
3、獲取環(huán)境監(jiān)測數(shù)據(jù)、電氣運行數(shù)據(jù)和歷史故障數(shù)據(jù)；利用歷史故障數(shù)據(jù)以及與其相應的環(huán)境監(jiān)測數(shù)據(jù)和電氣運行數(shù)據(jù)，建立故障風險評估模型；
4、設置風險評估時間窗口，基于在風險評估時間窗口內(nèi)獲取的環(huán)境監(jiān)測數(shù)據(jù)和電氣運行數(shù)據(jù)，計算獲取環(huán)境特征數(shù)據(jù)和電氣特征數(shù)據(jù)；在當前風險評估時間窗口結(jié)束時將當前獲取的環(huán)境監(jiān)測數(shù)據(jù)、電氣運行數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電氣特征數(shù)據(jù)輸入至故障風險評估模型，輸出光伏配電網(wǎng)的若干個故障類型的風險概率；
5、針對任意一個故障類型的風險概率，將其風險概率與預設第一閾值和預設第二閾值進行對比，根據(jù)對比結(jié)果執(zhí)行相應的故障檢測操作。
6、優(yōu)選地，基于獲取的環(huán)境監(jiān)測數(shù)據(jù)，計算獲取環(huán)境特征數(shù)據(jù)，具體操作如下：
7、獲取的環(huán)境監(jiān)測數(shù)據(jù)包括太陽輻照強度數(shù)據(jù)、溫度數(shù)據(jù)、濕度數(shù)據(jù)、風速數(shù)據(jù)和降雨量數(shù)據(jù)；基于在風險評估時間窗口內(nèi)獲取的溫度數(shù)據(jù)和濕度數(shù)據(jù)，利用公式計算獲取溫濕度特征數(shù)據(jù)，其中為風險評估時間窗口結(jié)束時的濕度，為風險評估時間窗口結(jié)束時的溫度；
8、基于在風險評估時間窗口內(nèi)獲取的風速數(shù)據(jù)、溫度數(shù)據(jù)和濕度數(shù)據(jù)，利用公式計算獲取冷卻效應特征數(shù)據(jù)，其中為風險評估時間窗口結(jié)束時的風速，為風險評估時間窗口結(jié)束時的溫度，為風險評估時間窗口結(jié)束時的濕度，為風險評估時間窗口開始時的風速，t為風險評估時間窗口的時長；
9、基于在風險評估時間窗口內(nèi)獲取的溫度數(shù)據(jù)，利用公式計算獲取溫度變化特征數(shù)據(jù)，其中為風險評估時間窗口開始時的溫度，為風險評估時間窗口結(jié)束時的溫度，t為風險評估時間窗口的時長；
10、將計算獲取的溫濕度特征數(shù)據(jù)、冷卻效應特征數(shù)據(jù)和溫度變化特征數(shù)據(jù)組成環(huán)境特征數(shù)據(jù)。
11、優(yōu)選地，基于獲取的電氣運行數(shù)據(jù)，計算獲取電氣特征數(shù)據(jù)，具體操作如下：
12、獲取的電氣運行數(shù)據(jù)包括電壓數(shù)據(jù)、電流數(shù)據(jù)、功率數(shù)據(jù)、功率因數(shù)數(shù)據(jù)、諧波含量數(shù)據(jù)、相電流不平衡度數(shù)據(jù)和漏電流數(shù)據(jù)；
13、電流的標準差：基于在風險評估時間窗口內(nèi)獲取的電流數(shù)據(jù)，利用公式；計算獲取電流波動特征數(shù)據(jù)，其中為在風險評估時間窗口內(nèi)被選取進行計算電流波動特征數(shù)據(jù)的電流值，i=1，2，…，n；n表示被選取的電流值數(shù)量，表示被選取電流值的平均值；
14、功率的滑動均方根值：基于在風險評估時間窗口內(nèi)獲取的功率數(shù)據(jù)，利用公式計算獲取功率特征數(shù)據(jù)，其中為在風險評估時間窗口內(nèi)被選取進行計算功率特征數(shù)據(jù)的功率值；
15、電流的峰值，基于在風險評估時間窗口內(nèi)獲取的電流數(shù)據(jù)，利用公式計算獲取電流峰值特征數(shù)據(jù)；
16、將計算獲取的電流波動特征數(shù)據(jù)、功率特征數(shù)據(jù)和電流峰值特征數(shù)據(jù)組成電氣特征數(shù)據(jù)。
17、優(yōu)選地，故障風險評估模型基于隨機森林模型建立，模型參數(shù)由遺傳算法進行調(diào)優(yōu)。
18、優(yōu)選地，針對故障風險評估模型的訓練，具體操作如下：
19、在光伏配電網(wǎng)的歷史運行數(shù)據(jù)中選取若干個故障樣本，一個故障樣本包括一次歷史故障數(shù)據(jù)以及對應的環(huán)境監(jiān)測數(shù)據(jù)、電氣運行數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電氣特征數(shù)據(jù)；將所有故障樣本劃分為訓練集和驗證集，將訓練集輸入至參數(shù)初始化的故障風險評估模型進行訓練，并使用驗證集對故障風險評估模型進行驗證，獲取驗證結(jié)果；判斷驗證結(jié)果是否滿足預設的訓練條件，若滿足，則輸出訓練好的故障風險評估模型；若不滿足，則使用訓練集繼續(xù)對故障風險評估模型進行訓練。
20、優(yōu)選地，利用遺傳算法對模型參數(shù)進行調(diào)優(yōu)，具體操作如下：
21、步驟一：設置種群大小，隨機生成x個模型參數(shù)組合，將隨機生成的x個模型參數(shù)組合組成初始種群，并設置最大迭代次數(shù)；
22、步驟二：針對任意一個模型參數(shù)組合，利用公式計算獲取該模型參數(shù)組合的適應度值f，其中，precision為應用該模型參數(shù)組合的精確率，recall表示應用該模型參數(shù)組合的召回率，計算獲取的適應度值f越高，則說明模型參數(shù)組合的表現(xiàn)越好；
23、步驟三：應用輪盤賭選擇方法，以預設的選擇比例選擇表現(xiàn)最好的相應數(shù)量的模型參數(shù)組合，將選擇出的模型參數(shù)組合組成選擇個體集；
24、步驟四：應用預設的交叉概率對選擇個體集中的模型參數(shù)組合進行交叉操作，產(chǎn)生相應數(shù)量的新模型參數(shù)組合，將獲取的新模型參數(shù)組合組成交叉?zhèn)€體集；在交叉?zhèn)€體集中隨機選擇模型參數(shù)組合，按照預設的變異概率對模型參數(shù)組合進行小幅度調(diào)整，經(jīng)過調(diào)整后的交叉?zhèn)€體集即為變異個體集；
25、步驟五：將選擇個體集和變異個體集進行合并，獲取合并個體集，計算合并個體集中所有模型參數(shù)組合的適應度，將適應度表現(xiàn)最好的x個模型參數(shù)組合作為新一代種群；
26、步驟六：重復執(zhí)行步驟三-步驟五，對種群進行迭代更新，直至達到最大迭代次數(shù)，最后一代種群中適應度表現(xiàn)最好的即本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種光伏配電網(wǎng)故障檢測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種光伏配電網(wǎng)故障檢測方法，其特征在于，基于獲取的環(huán)境監(jiān)測數(shù)據(jù)，計算獲取環(huán)境特征數(shù)據(jù)，具體操作如下：
3.根據(jù)權(quán)利要求2所述的一種光伏配電網(wǎng)故障檢測方法，其特征在于，基于獲取的電氣運行數(shù)據(jù)，計算獲取電氣特征數(shù)據(jù)，具體操作如下：
4.根據(jù)權(quán)利要求3所述的一種光伏配電網(wǎng)故障檢測方法，其特征在于，故障風險評估模型基于隨機森林模型建立，模型參數(shù)由遺傳算法進行調(diào)優(yōu)。
5.根據(jù)權(quán)利要求4所述的一種光伏配電網(wǎng)故障檢測方法，其特征在于，針對故障風險評估模型的訓練，具體操作如下：
6.根據(jù)權(quán)利要求5所述的一種光伏配電網(wǎng)故障檢測方法，其特征在于，利用遺傳算法對模型參數(shù)進行調(diào)優(yōu)，具體操作如下：
7.根據(jù)權(quán)利要求6所述的一種光伏配電網(wǎng)故障檢測方法，其特征在于，故障檢測操作，具體包括：
8.一種光伏配電網(wǎng)故障檢測系統(tǒng)，其特征在于，所述系統(tǒng)應用于上述權(quán)利要求1-7任一項所述的光伏配電網(wǎng)故障檢測方法，包括：
【技術(shù)特征摘要】
1.一種光伏配電網(wǎng)故障檢測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種光伏配電網(wǎng)故障檢測方法，其特征在于，基于獲取的環(huán)境監(jiān)測數(shù)據(jù)，計算獲取環(huán)境特征數(shù)據(jù)，具體操作如下：
3.根據(jù)權(quán)利要求2所述的一種光伏配電網(wǎng)故障檢測方法，其特征在于，基于獲取的電氣運行數(shù)據(jù)，計算獲取電氣特征數(shù)據(jù)，具體操作如下：
4.根據(jù)權(quán)利要求3所述的一種光伏配電網(wǎng)故障檢測方法，其特征在于，故障風險評估模型基于隨機森林模型建立，模型參數(shù)由遺傳算法進行調(diào)優(yōu)。
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李彪，陳雪峰，陳雪龍，鄧建芳，
申請(專利權(quán))人：深圳明譽信息技術(shù)有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。