一种用于光伏系统的故障录波系统及配置自适应方法与流程

1.本发明涉及光伏发电技术领域，尤其涉及一种用于光伏系统的故障录波系统及配置自适应方法。


背景技术：

2.现有的故障录波方式，由于受硬件存储容量条件约束，所能录波采样变量数量、录波时间、采样精度都会相互制约，需要对故障录波的采样变量、采样频率等参数进行预设。当判定设置的故障触发后，按照预设配置及参数进行录波并存储。针对不同的故障类型，所需要的录波变量、时间及精度都不尽相同，采用同一套预设所得的录波波形无法支撑对所有类型故障进行分析。因而需要亟需一种故障录波自适应方法。


技术实现要素：

3.为了克服现有技术存在的不足，本发明提供一种用于光伏系统的故障录波系统及配置自适应方法，具体技术方案如下：
4.一方面，提供了一种用于光伏系统的故障录波配置自适应方法，包括以下步骤：
5.s1、针对不同故障类型的特点，设计相对应的录波配置表；
6.s2、将故障录波采集设备采样的数据打包形成运行日志并上传至云端；
7.s3、将上传的数据作为样本集，对样本集中同类型故障发生时段的运行数据进行解析，以得到与相应故障对应的特征信息；
8.s4、根据不同类型故障的触发原因，建立故障预测模型，并量化不同故障类型与对应的特征信息之间的关联关系；
9.s5、所述故障预测模型根据所述故障录波采集设备实时采集的数据，预测出下一次发生故障的故障类型；
10.s6、根据预测的故障类型，下发对应的录波配置表，以对所述故障录波采集设备进行配置。
11.进一步地，在步骤s2中，所述云端定期对上传的数据进行汇总与梳理，提取出各个故障信息，所述故障信息包括故障参数、故障时刻和故障位置，根据所述故障参数将不同的故障类型进行分类和汇总，并将故障时刻及其前后设定时间段内的运行日志进行汇总，以形成相应数据库。
12.进一步地，在步骤s3中，在解析过程中，若所述故障参数对应的数据超出预设阈值，则将其作为特征信息。
13.进一步地，在步骤s4中，采用专家经验法和/或层次分析法建立故障预测模型。
14.进一步地，所述故障预测模型建立了各故障类型与各特征信息之间的权重关系，每个故障类型赋予其关联的特征信息相应的权重；
15.当实时采集的数据经过处理得到的特征信息为单个时，若该特征信息同时对应到多个故障类型，则比较该特征信息在相应故障类型的权重大小，取权重最大值对应的故障
类型作为预测的故障类型；
16.当实时采集的数据经过处理得到的特征信息为多个时，根据所述特征信息关联到一个或者多个故障类型，计算相应故障类型中相应特征信息的权重之和，取权重之和最大值对应的故障类型作为预测的故障类型。
17.进一步地，在步骤s5中，若实时采集的数据范围在解析后没有特征信息，则需要进一步地扩大该次采集的数据范围并进行上传，直到上传的数据在解析后得到特征信息，使得所述故障预测模型能够根据所述特征信息找到关联的故障类型并进行判断预测。
18.进一步地，在步骤s6之后还包括：
19.s7、若预测的故障类型与实际的故障类型不同，则将该实际的故障类型的相关数据处理后加入样本集中，以对所述故障预测模型进行修正。
20.进一步地，所述录波配置表包括录波参数、录波时间和录波间隔。
21.另一方面，提供了一种用于光伏系统的故障录波系统，包括故障录波采集设备、本地信息上传装置和云端，所述故障录波采集设备与本地信息上传装置通信连接，所述云端与所述故障录波采集设备和本地信息上传装置通信连接，所述故障录波采集设备根据云端下发的录波配置表对光伏系统逆变侧进行采样，所述本地信息上传装置用于将所述故障录波采集设备的采样数据进行信息处理并上传至所述云端，所述云端根据上传的数据建立出故障预测模型，以预测出下一个故障类型，并下发与该故障类型对应的录波配置表。
22.进一步地，所述本地信息上传装置包括dsp单元和arm处理器，所述dsp单元用于将所述故障录波采集设备的采样数据打包形成运行日志，所述arm处理器与所述dsp单元和所述云端通信连接，所述arm处理器用于将所述运行日志透传至所述云端。
23.进一步地，所述故障录波系统还包括上位机，所述上位机与所述本地信息上传装置和云端通信连接，所述上位机用于远程监测所述光伏系统的故障录波数据，并上传至所述云端。
24.进一步地，所述故障录波系统还包括flash单元，所述flash单元与所述dsp单元通信连接，所述flash单元用于本地存储所述故障录波采集设备的采样数据。
25.本发明具有下列优点：提高了故障录波所得数据的有效性及针对性，方便了对故障问题的定位和分析。
附图说明
26.图1是本发明实施例提供的用于光伏系统的故障录波配置自适应方法的流程示意图；
27.图2是本发明实施例提供的用于光伏系统的故障录波系统的框架示意图。
具体实施方式
28.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
29.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
30.在本发明的一个实施例中，提供了一种用于光伏系统的故障录波配置自适应方法，参见图1，包括以下步骤：
31.s1、在设计阶段，结合实际工况，针对不同故障类型的特点，设计相对应的录波配置表；所述录波配置表包括录波参数、录波时间和录波间隔等等。
32.例如，对于类似逆变侧过流这样的瞬时故障，工程中除了关注与故障直接相关的物理量，如网侧电压采样值、并网电流采样值、bus电压采样值，并且对故障时刻的数据精度要求也是越高越好，因此会将录波配置表中的参数设为故障相关参数，采样频率设置为最高16k，通过录波间隔设置采样频率，通过录波时间设置故障时的采样分析时段。但针对类似于gfci这种需要相对较长时间进行判定的故障，相对网侧的各个参数，更关注gfci采样，并且希望录波时间较长，可以明显看到数据的波动趋势，因此会将录波配置表中的参数设为gfci故障相关参数，采样频率设置为1k。
33.s2、将故障录波采集设备采样的数据打包形成运行日志并上传至云端；
34.其中，所述云端定期对上传的数据进行汇总与梳理，提取出各个故障信息，所述故障信息包括故障参数、故障时刻和故障位置，根据所述故障参数将不同的故障类型进行分类和汇总，并将故障时刻及其前后设定时间段内的运行日志进行汇总，以形成相应数据库。
35.具体地，同一个现场的设备在运行期间dsp单元将所采样的各个数据(包括故障信息、故障数据等)打包形成运行日志，并通过arm进行数据透传，利用wifi或4g上传至云端，后台会定期对上传的数据进行汇总与梳理，主要是提取出各个故障信息，故障信息包括故障参数、故障时刻、故障位置，并根据故障参数将不同的故障类型进行分类及汇总，并将故障时刻及前后一段时间内的运行日志进行汇总，运行日志包括故障参数、故障位置等信息。若汇总中发生某故障类型的次数过多，次数多则表明更容易发生该种类型的故障，此时可适当增加上传该种故障类型所涉及到的参数的数据，以便能够准确预测下一次发生的该种故障类型，以此进一步形成数据库。
36.s3、将上传的数据作为样本集，对样本集中同类型故障发生时段的运行数据进行解析，以得到与相应故障对应的特征信息；
37.具体地，将上述过程中形成的数据库作为样本集，在样本集中，对同类型故障发生时刻的运行数据进行解析，对于明显变化的物理量或者信息进行提取，并将其列为与故障相关的特征信息，例如时间段、天气状况、设备温度、历史故障等等。明显变化的物理量的判断方式包括两种，一种是直接根据数据判断，找出明显异常的数据，例如超过正常值或者预设阈值一定范围的参数，该方法适合数据量较少的情形；另一种是将各时刻的数据绘制成图，根据图形判断明显异常的数据，该方法适合数据量较多的情形。
38.s4、根据不同类型故障的触发原因，建立故障预测模型，并量化不同故障类型与对应的特征信息之间的关联关系；
39.具体地，根据不同类型故障触发原因的理论经验结合样本集的数据内容，采用专
家经验法和层次分析法进行算法构建，以得到故障预测模型，故障预测模型了建立各故障类型与各特征信息之间的关联关系并进行了量化，即建立各故障类型与各特征信息之间的权重关系，因为不同的故障类型可能会涉及到同一种特征信息，这时候不仅要对此种特征信息的权重进行判断，也要结合其他特征信息的权重，综合判断出下一次发生故障类型较大。
40.具体地，所述故障预测模型建立了各故障类型与各特征信息之间的权重关系，每个故障类型赋予其关联的特征信息相应的权重。比如，故障a中，特征信息a和特征信息b权重分别为0.6和0.4，故障b中，特征信息a和特征信息c权重分别为0.7和0.3；
41.s5、所述故障预测模型根据所述故障录波采集设备实时采集的数据，预测出下一次发生故障的故障类型；
42.当实时采集的数据经过处理得到的特征信息为单个时，若该特征信息仅对应到一个故障类型，则取该故障类型为预测的故障类型；若该特征信息同时对应到多个故障类型，则比较该特征信息在相应故障类型的权重大小，取权重最大值对应的故障类型作为预测的故障类型；例如，如果得到特征信息仅有特征信息b，则预测的故障类型为a；如果得到特征信息仅有特征信息a，由于在相应的权重中0.7大于0.6，所以预测的故障类型为b。
43.当实时采集的数据经过处理得到的特征信息为多个时，根据所述特征信息关联到一个或者多个故障类型，计算相应故障类型中相应特征信息的权重之和，取权重之和最大值对应的故障类型作为预测的故障类型。例如，如果得到特征信息只有特征信息a和特征信息b，故障a中对应特征信息权重之和为1，故障b中对应特征信息权重之和为0.7，则预测的故障类型为a。需要注意的是，故障类型含有一个得到的特征信息就算关联。
44.若实时采集的数据范围在解析后没有特征信息，则需要进一步地扩大该次采集的数据范围，重复执行步骤s2-s5，直到上传的数据在解析后得到特征信息，使得所述故障预测模型能够根据所述特征信息找到关联的故障类型并进行判断预测。需要注意的是，扩大该次采集的数据范围是在原先数据区间的前后方向上进行拓展，将原先的数据范围扩大后再次上传处理。
45.在利用所述故障预测模型进行预测之前，需要对所述样本集内的总数据量进行核验，若所述样本集内的总数据量低于设定值，并且各个类型的故障都有样本录波数据，则重复执行步骤s2-s5，以补充样本数据；若所述样本集内的总数据量高于或等于所述设定值，则进行预测下一次发生故障的故障类型。
46.具体地，在进行预测的时候需要注意，若样本集中总数据量较少，会使输入到预测模型时不能够正确预测到下一次发生故障的故障类型，此时需要重复上述s2至s5的过程，扩充样本集并完善特征信息，并重新建立各故障类型与各特征信息之间的关联关系并进行量化，以提高预测结果的可靠性与正确性；若样本集总数据量足够，根据故障类型与各个特征信息之间的权重关系进行判断，将各特征信息的权重进行排序，以此来预测下一次所发生故障类型。
47.s6、根据预测的故障类型，下发对应的录波配置表，以对所述故障录波采集设备进行配置。
48.为了进一步提高后续预测的准确性，在步骤s6之后还包括：
49.s7、若预测的故障类型与实际的故障类型不同，则将该实际的故障类型的相关数
据处理后加入样本集中，以对所述故障预测模型进行修正。
50.在本发明的一个实施例中，提供了一种用于光伏系统的故障录波系统，包括故障录波采集设备、本地信息上传装置和云端，所述故障录波采集设备与本地信息上传装置通信连接，所述云端与所述故障录波采集设备和本地信息上传装置通信连接，所述故障录波采集设备根据云端下发的录波配置表对光伏系统逆变侧进行采样，所述本地信息上传装置用于将所述故障录波采集设备的采样数据进行信息处理并上传至所述云端，所述云端根据上传的数据建立出故障预测模型，以预测出下一个故障类型，并下发与该故障类型对应的录波配置表。不同现场的故障录波采集设备可通过相应的本地信息上传装置将数据上传至同一云端，云端可利用多个现场的数据来丰富数据库，完善预测模型，并且云端还可以同时对多个故障录波采集设备下发配置指令，以实现对整个区域内的录波配置，特别适用于光伏逆变器的故障录波。
51.其中，参见图2，所述本地信息上传装置包括dsp单元和arm处理器，所述dsp单元与所述arm处理器通过sci/can方式连接，所述dsp单元用于将所述故障录波采集设备的采样数据打包形成运行日志，所述arm处理器与所述云端通过gprs/wifi/lan方式通信连接，所述arm处理器用于将所述运行日志透传至所述云端。
52.所述故障录波系统还包括上位机和flash单元，所述上位机和云端通信连接，所述上位机与所述arm处理器通过485通信协议或usb进行信息传输，所述上位机用于远程监测所述光伏系统的故障录波数据，并上传至所述云端，以补充数据库内容。所述flash单元与所述dsp单元通过spi协议通信连接，所述flash单元用于本地存储所述故障录波采集设备的采样数据。
53.本发明提供的用于光伏系统的故障录波系统及配置自适应方法提高了故障录波所得数据的有效性及针对性，方便了对故障问题的定位和分析。
54.以上所述仅为本发明的优选实施例，并非因此限制其专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。