基于物聯(lián)網大數(shù)據AI技術的智能運維診斷平臺

基于物聯(lián)網大數(shù)據AI技術的智能運維診斷平臺摘要：截至2020年末，我國光伏并網裝機量容量253.43GW?！笆奈濉逼陂g，預計年均光伏新增裝機規(guī)模將達70-90吉瓦，光伏行業(yè)將進入一個蓬勃發(fā)展的時代。但是面對光伏電站存在的問題，例如光伏發(fā)電效率低、數(shù)據分析不到位、產品質量把控難，安全隱患等，對電站人員的運維檢修能力、生產管理水平提出了更高的要求。以前粗放式、被動化的管理模式必將被精細化、數(shù)字化的管理模式所替代。然而面多光伏電站設備種類繁多，設備數(shù)量龐大，設備數(shù)據海量等問題，傳統(tǒng)的電站監(jiān)控系統(tǒng)，功能簡單，無高效的數(shù)據整合、統(tǒng)計、分析能力，呈現(xiàn)方式過于單一，無法滿足客戶的多樣性的需。電站管理人員亟需一套新的軟件平臺，協(xié)助電站人員管理，以達到對設備的精確管控、提高發(fā)電量、降低度電成本的最終目的。關鍵詞：大數(shù)據；挖掘技術；光伏電站；診斷分析；模型研究一、主要內容（一）整體思路基于大數(shù)據技術的光伏電站診斷分析模型，通過現(xiàn)場的邊緣計算設備，對光伏電站數(shù)據采集、清洗、分析、挖掘等服務。實現(xiàn)多設備、多業(yè)務狀態(tài)的監(jiān)控、故障診斷預警、海量數(shù)據分析。通過收集光伏電站全設備信息，精細化管理各個發(fā)電單元。發(fā)現(xiàn)低效組串、逆變器，陰影、灰塵遮擋，組串性能不一致情況等，最大限度降低發(fā)電損失。同時，逐步建立內蒙分公司數(shù)據資產，應用大數(shù)據挖掘、人工智能等技術，形成發(fā)電、資產一體化管理能力，實現(xiàn)設備科學選型、規(guī)范安全生產、資產評估、優(yōu)化技改、科學對標、智能運維等功能。（二）采集與分析按照功能模塊類型，光伏電站診斷分析模型可以劃分為數(shù)據接入與治理、組件清洗模型、低效組串模型、逆變器效率分析模型、在線診斷模型、離散率診斷模型、IV故障分析模型。首先，通過數(shù)據挖掘、清洗、分析等手段對光伏電站的生產運行數(shù)據進行實時采集與分析，為運維人員提供全面的數(shù)據支持，然后通過預警診斷等功能及早發(fā)現(xiàn)設備缺陷，便于運維人員提前設備缺陷，完成消缺工作，提供設備故障準確判斷依據。同時，診斷分析模型收集的電站數(shù)據涵蓋不同設備配置、不同運行情況、各種突發(fā)情況、各年運行數(shù)據等全面的電站綜合運行數(shù)據，為今后電站設備選型、項目投資提供依據，不斷提升公司競爭力及可持續(xù)發(fā)展能力。1．數(shù)據接入與治理系統(tǒng)采集光伏電站全設備信息，從逆變器、采集器、箱變測控、升壓站、數(shù)據庫采集數(shù)據，并傳輸存儲到后臺系統(tǒng)中。可以進行不同數(shù)據來源、不同數(shù)據種類的數(shù)據導入。包括全部發(fā)電數(shù)據信息、故障數(shù)據、環(huán)境數(shù)據、地形圖、報表數(shù)據等結構化或非結構化數(shù)據?？梢?04、modbus、Webservics、Rest_API、高速同步等方式實時數(shù)據采集接入。從數(shù)據源側開始，統(tǒng)計整理全部輸出測點、場站設備測點。根據數(shù)據源的通訊協(xié)議，配置采集、傳輸方式，使之具備測點標準化輸入輸出、滿足電力安防要求的穿透隔離功能，啟用各區(qū)部署的數(shù)據存儲功能，啟用斷點續(xù)傳功能，防止因網絡中斷或硬件故障導致的數(shù)據中斷。在數(shù)據鏈路中的各關鍵節(jié)點加載數(shù)據質量監(jiān)控功能模塊，邊緣計算模型部署內容如下：常規(guī)數(shù)據的預處理以及特征提取異常數(shù)據識別、清洗數(shù)據統(tǒng)計計算數(shù)據質量監(jiān)控匯總設備工作狀態(tài)分析數(shù)據轉發(fā)接口為保證數(shù)據接入質量，實時了解現(xiàn)場部署軟、硬件的穩(wěn)定性，掌握場站設備的通訊狀態(tài)，監(jiān)控數(shù)據傳輸鏈路穩(wěn)定性，電力設備數(shù)據準確性，數(shù)據接入提供鏈路狀態(tài)監(jiān)控功能，提供實時的數(shù)據接入質量相關指標的監(jiān)控工具。數(shù)據接入提供監(jiān)測通訊鏈路、數(shù)據傳輸質量等關鍵性能指標的監(jiān)視功能，了解現(xiàn)場部署采集服務軟、硬件的健康程度、數(shù)據的健壯性、穩(wěn)定性、準確性。監(jiān)控方向包括：數(shù)據源數(shù)據質量、采集傳輸質量、全量數(shù)據有效性、鏈路狀態(tài)監(jiān)控等。數(shù)據傳輸?shù)母麈溌返年P鍵節(jié)點加入了數(shù)據質量監(jiān)控算法插件，實現(xiàn)對各鏈路關鍵節(jié)點處性能和數(shù)據質量評估，評估指標數(shù)據實時傳輸至監(jiān)控服務器。數(shù)據質量能從側面體現(xiàn)傳感器和設備通信的問題，并引導運維人員進行維護和修理，以減低計算的不確定性。實現(xiàn)傳感器檢測功能，識別輻照儀、環(huán)境溫度傳感器和背板溫度傳感器可能存在的問題，包括安裝存在偏差、失準和傳感器故障等。對原始SCADA數(shù)據進行預處理是實現(xiàn)準確的故障檢測和診斷的基礎。數(shù)據預處理方法包含三個步驟：數(shù)據清洗、數(shù)據濾波和數(shù)據降采樣。數(shù)據清洗，SCADA系統(tǒng)采集的數(shù)據由于傳感器和數(shù)據管理系統(tǒng)的原因往往會產生錯誤的數(shù)據或不精確的數(shù)據。這些錯誤數(shù)據可能包含無效值、不可用的值、重復值、或越界值。在建立模型之前，這些錯誤數(shù)據應該先被移除。其次，根據光伏電站的發(fā)電特性，我們使用的數(shù)據采集時間段從上午八點到下午五點，因為該時段對應較高的輻照度，通常是大于50W/m2。測量設備在這種輻照度情況下采集數(shù)據的準確率比較高。最后，電流值低于零或者大于短路電流的數(shù)值也應該被移除。數(shù)據濾波，清洗后的數(shù)據仍會存在隨機的噪音。使用中值濾波來減少噪音，即采用同樣一個小時的中值濾波。下圖展示了兩天的電流時序信號。如圖所示，受噪音的影響，原始的基于1分鐘采樣間隔的電流信號（RawData）展現(xiàn)出了較大的波動。采用一個小時的中值濾波后，電流信號則趨于穩(wěn)定(SmoothedData)。圖1數(shù)據濾波前后狀態(tài)對比數(shù)據降采樣，為了在不降低檢測準確率的前提下同時降低計算成本，采用降采樣技術對數(shù)據進一步處理。根據不同的業(yè)務場景使用這些不同的降采樣間隔對故障檢測效果進行分析，進而推薦出最適合的降采樣間隔。2．組件清洗模型組件清洗模型，針對灰塵遮擋進行分析。利用灰塵累積率數(shù)據，并考慮降雨事件及降雨強度，計算電站每日的灰塵損失情況。通過研究灰塵對發(fā)電量影響，以及與環(huán)境溫度、濕度、風速、輻照度等因素為助手，使用實際運用且優(yōu)化后的算法，直接計算出灰塵影響的電站發(fā)電量。基于機器學習的灰塵檢測方法，即減少了對設備的需求，同時也解決了復雜地形下，單個輻射表以及對照板無法代表全站的情況，大幅提高了灰塵檢測準確性。通過輸入每個電站的清洗成本，模型計算出每次清洗完成后的實際支出成本，以及提高發(fā)電量后對電站的收益，為組件清洗提供最優(yōu)化的決策支持。組件清洗模型記錄每次的清洗時間，計算平均清洗周期，記錄人工和機械的清洗次數(shù)，查詢清洗提升的區(qū)域/全站發(fā)電量，為下一次清洗及清洗效果提供數(shù)據支持。圖2組件清洗模型效果展示3．組串低效模型組串低效模型識別同一逆變器或者匯流箱下面的低性能組串，自動的將有問題的組串及其上級設備告知用戶，提供運維建議，引導用戶做進一步的現(xiàn)場排查和維修。在計算該損失的過程中，考慮了逆變器停機及限電狀態(tài)的情況。針對異常組串故障檢測和診斷方法的流程。該方法包含兩層：故障檢測層和故障診斷分類層。在故障檢測層又分為兩個階段。首先，一個基于無監(jiān)督機器學習的方法用于檢測所有潛在可能的故障。其次，所有潛在故障的特征被提取出來，在系統(tǒng)級別接受進一步的檢測，進而識別出真正的故障。故障診斷分類層把檢測出來的故障依據運維的操作被劃分為不同的類別。圖3異常組串故障檢測和診斷方法的流程該模型的本質在于它首先在局部上下文因素故障檢測階段對連向同一個匯流箱的所有組串識別其在某時刻的正常狀態(tài)和異常狀態(tài)，進而在一段連續(xù)的時間內評估每個組串的局部異常指標。接著，在全局上下文因素故障檢測階段，那些長時間與正常狀態(tài)偏離的組串，即局部異常因子明顯與大多數(shù)不同的組串被檢測為故障組串。下圖展示了所提出的故障檢測方法的流程。根據上述低效組串算法，發(fā)現(xiàn)影響組串發(fā)電量且現(xiàn)場監(jiān)控系統(tǒng)無法定位的問題，顯著提高電站的運維效率。同時，模型可準確定位組件樹木雜草遮擋、組件熱斑、組件損壞、傳感器異常等因素。4．逆變器效率分析模型逆變器效率分析模型表示逆變器在直流轉交流過程中產生的電量損失。分析每臺逆變器的真實的轉換效率，能夠發(fā)現(xiàn)性能低下的逆變器。對單個逆變器的效率可以3個角度來分析：單一逆變器功率與效率分析，用于分析該逆變器在不同功率下對應的效率值，分析不同功率該逆變器效率對應情況，查找低效位置。圖4逆變器功率異常單一逆變器功率與修正的斜面輻射關系，用于查看該逆變器在不同輻射下對應功率值，分析不同輻照下該逆變器功率對應情況，查找低效原因。圖5逆變器功率與修正的斜面輻射關系逆變器功率與修正的斜面輻射關系，用于分析該逆變器在不同輻射下對應的功率值，通過時域對比查看輻射和功率的匹配情況。5．離散率診斷模型離散率模型主要是通過組串最佳功率下電壓/電流離散率來診斷設備的一致性。以匯流箱或逆變器的組串電流為例，離散率反映了該匯流箱或逆變器所有電池組串的整體發(fā)電狀況，離散率數(shù)值越小，說明各電池組串電流曲線越集中，發(fā)電情況越穩(wěn)定。根據行業(yè)相關經驗，匯流箱或逆變器的組串電流離散率取值范圍可分為以下4個等級：若匯流箱或逆變器的組串電流離散率取值在(0，5%]以內，說明匯流箱或逆變器所帶支路電流運行穩(wěn)定；若匯流箱或逆變器的組串電流離散率取值在(5%，10%]以內，說明匯流箱或逆變器所帶支路電流運行情況良好；若匯流箱或逆變器的組串電流離散率取值在(10%，20%]以內，說明匯流箱或逆變器所帶支路電流運行情況有待提高；若匯流箱或逆變器的組串電流離散率超過20%，說明匯流箱或逆變器的支路電流運行情況較差，該匯流箱或逆變器及其所帶組串有故障，影響電站發(fā)電量，必須進行整改。6．在線診斷模型在線診斷模型，通過數(shù)據挖掘，對不同組串和逆變器數(shù)據進行橫向（不同逆變器）和縱向（時間維度）比較。如果某逆變器效率與其他逆變器的單位功率對比，在時間維度上存在突降，且維持一段時間，識別其為存在缺陷的逆變器，并給出電站存在缺陷的列表，給出相應的現(xiàn)象類型和持續(xù)時長。如何識別準真正的缺陷，設計算法的時候要盡量避免誤報。圖6逆變器數(shù)據對比分析圖在線診斷定時啟動，讀取數(shù)據庫中已入庫最新數(shù)據的時間。如果本次分析的最新數(shù)據時間比上次分析的最新數(shù)據時間大，系統(tǒng)以本次分析的最新數(shù)據時間為結束時間，以（本次分析最新數(shù)據時間–定時分析周期）時間為開始時間。系統(tǒng)獲取開始時間和結束時間之間的數(shù)據進行分析。如果本次分析的最新數(shù)據時間小于等于上次分析的最新數(shù)據時間，則意味著沒有最新數(shù)據入庫，診斷結束，不刷新告警。圖7在線診斷流程圖7．IV故障診斷模型光伏診斷分析模型結合華為逆變器，IV掃描各組串信息，在線啟動掃描、數(shù)據采集、智能分析，主動發(fā)現(xiàn)組串故障和不良運行狀態(tài)，可以及時發(fā)現(xiàn)組串問題，降低發(fā)電損失。電站運維人員在系統(tǒng)查看組串診斷報告，支持查看異常組串列表及處理建議，查看異常組串IV曲線圖；系統(tǒng)展示診斷報告及深度分析。組串中任何故障導致的組件輸出異常都會導致組串IV曲線“變形”，結合大數(shù)據分析、非線性隱式擬合和神經網絡等算法得出類似組串開路，組串電流失配，組串電壓過低等17類診斷故障結果。智能IV診斷故障類型表1組串開路10組串短路電流過低2組串存在電流失配11組串衰減過快3組串有組件電流輸出異常(陰影/玻璃碎裂/隱裂）12未接入組串4組串有電池電流輸出極低（遮擋/電池損壞）13組串有組件存在PID風險5組串有二極管通路故障(二極管短路/組件互聯(lián)條斷開)14組串配置有誤6組串電壓過低15組串無效7組串存在程度較輕的電流失配16掃描無效8組串中可能有組件存在隱裂或熱斑17組串無輸出9組串串聯(lián)電阻過高IV故障診斷功能，充分利用組串式逆變器采集的電流和電壓的特點，結合大數(shù)據挖掘和AI識別算法，來確定光伏組串的故障類型。結合經典的二極管模型，深入學習光伏組串在電站中應用場景中可能的故障失效模式，針對光伏組串不同的失效模型，建立對應的故障識別及診斷模型，并實現(xiàn)故障識別模型的迭代升級；逆變器將采集的IV曲線上報給IV故障識別算法模塊，IV算法以當前的故障識別模型，判定組串是否存在故障。另外，為了確保IV掃描曲線數(shù)據的準確性，降低掃描過程中，環(huán)境因素的影響，從逆變器IV曲線采集，到故障算法識別，以提高IV算法故障判定的魯棒性。基于對光伏組串典型IV特性參數(shù)的分析，能夠識別組串的不同缺陷信息，并用于判斷組串是否存在異常。例如，組串內存在電流失配時，IV曲線如下圖所示，圖8組串內存電流失配圖因此，組串中存在某類故障，都會在組串的IV曲線上留下特征信號，且不同類型的故障有不同的信號。通過采用大數(shù)據挖掘IV曲線特征信號，就能夠實現(xiàn)組串故障的精準判斷。（三）實施案例某光伏電站裝機容量為50MW，共計30個逆變器方陣。2020年10月份，對電站進行IV診斷分析。本次掃描任務組串總數(shù)為7920串，故障組串562串，總故障率7.1%。圖9故障統(tǒng)計圖對故障進行分類共計，故障分類占比如下圖所示：圖10故障分類圖其中：組件電流輸出異常(遮擋/玻璃碎裂/隱裂)，故障組串數(shù)為273，占比為48.58%；組串內電流失配(遮擋/灰塵/組件電流不一致)，故障組串數(shù)為218，占比為38.79%；組串電壓異常(二極管短路/組件失效/組件數(shù)配置錯誤)，故障組串數(shù)為65，占比為11.57%；組串開路(組串斷開/組串誤配入)，故障組串數(shù)為3，占比為0.53%；組串最大功率點附近曲線異常(熱斑/隱裂/玻璃碎裂)，故障組串數(shù)為3，占比為0.53%。組件的曲線如下示意圖：圖11故障、正常IV曲線圖

二、實施效果光伏電站診斷分析模型在電站的安裝部署，顯著的提供了電站的運維管理水平，通過對電站的數(shù)據分析和預警診斷，發(fā)現(xiàn)電站的隱形問題，為后續(xù)的備件管理、設備選型等提供了高貴的依據。通過數(shù)據挖掘、清洗、分析等手段