一种基于数字孪生的光伏电站故障预测与自主巡检方法与流程

摘要: 本发明涉及光伏发电系统智能运维,具体涉及一种基于数字孪生的光伏电站故障预测与自主巡检方法。背景技术:1、随着全球能源转型进程持续推进,光伏发电凭借清洁可再生、部...
一种基于数字孪生的光伏电站故障预测与自主巡检方法与流程

本发明涉及光伏发电系统智能运维,具体涉及一种基于数字孪生的光伏电站故障预测与自主巡检方法。

背景技术:

1、随着全球能源转型进程持续推进,光伏发电凭借清洁可再生、部署灵活的优势,成为新能源电力系统的核心组成部分,国内外光伏电站装机规模逐年攀升。由于光伏组件数量庞大、分布广泛,且长期处于户外温变、辐照、沙尘、外力等复杂工况下,易出现热斑、性能衰减、接线松动、玻璃破损等各类电气与非电气故障,若未能及时排查处置,不仅会造成发电量损失,还可能引发安全隐患。因此,高效精准的故障检测与巡检运维,是保障电站发电效益与运行安全的关键环节。

2、当前光伏电站运维技术中,故障诊断多是限于运行参数检测,无法进行全方位多维度检测,尚未构建基于统一虚实映射载体的一体化闭环运维体系。故障预测结果无法直接转化为靶向巡检指令,巡检获取的现场数据也难以反向迭代优化诊断模型,导致故障响应滞后、巡检资源利用率偏低。

技术实现思路

1、为解决上述技术问题,本发明提供一种基于数字孪生的光伏电站故障预测与自主巡检方法,实现高精度发电量预测、多维度协同故障判定与故障驱动的无人机自主巡检闭环,显著提升光伏电站故障发现的及时性、诊断准确性与巡检效率。所述基于数字孪生的光伏电站故障预测与自主巡检方法包括:

2、s1、多源异构数据采集与时空标准化处理;实时采集光伏电气运行、环境气象、场站视觉三类多源参数,经异常值剔除、缺失值插补与降噪平滑预处理后,以统一时间戳与电站空间坐标系为基准完成时空对齐,生成标准化多源数据矩阵。

3、s2、四级分层数字孪生构建与双机制虚实映射;按照电气拓扑搭建组件层、汇流箱层、逆变器层、电站层四级数字孪生虚拟模型,采用周期式数据驱动更新与即时式事件触发更新相结合的双映射机制,实现虚拟模型与物理电站的运行状态实时同步。

4、s3、基于环境参数与发电特性的计算预测发电量;采用物理机理为主、数据驱动残差补偿的两阶段架构,基于单二极管等效电路模型耦合多维度损耗计算物理预测功率,通过因果约束的长短期记忆神经网络拟合非线性残差并叠加修正,输出高精度预测发电量。

5、s4、根据发电量偏差、多源数据矩阵进行四个维度故障判定;分别从发电量偏差、运行参数特征、统计过程控制、视觉识别四个独立维度开展故障判定,全面覆盖电气、热学、外观类故障,突破传统阈值法局限,检出波动型与渐进漂移型隐性故障。

6、s5、多源信息融合故障决策;根据各维度历史诊断准确率动态归一化调整决策权重,通过概率乘积证据融合计算综合故障概率,划分故障等级并实现组件级精准定位,同步在数字孪生模型中完成可视化标注。

7、s6、故障驱动的自主巡检路径规划与执行;基于故障概率分布生成巡检热力图,采用密度聚类缩减解空间与改进遗传算法全局寻优的两阶段策略,以最大化巡检故障加权价值为目标、以无人机续航为约束动态规划最优路径,经虚实坐标映射后调度无人机执行自主巡检并回传巡检结果。

8、s7、多时间尺度全链条闭环自优化;依托巡检确认结果,按月度、季度、实时、半年度多时间尺度,分别对残差预测模型、物理模型参数、故障判定阈值、维度权重与孪生模型静态属性进行自适应更新,结合无故障数据训练约束保障收敛性,实现系统性能持续迭代提升。

9、优选的:多源数据预处理包括:(1)异常值剔除。(2)缺失值插补。(3)降噪平滑。(4)时空对齐。生成以时间为行、参数通道为列的多源数据矩阵xt。

10、优选的:数字孪生模型采用组件层、汇流箱层、逆变器层与电站层四层架构。

11、优选的:数字孪生模型构建方法包括:1、四级数字孪生模型构建输入数据源;2、分层建模;3、模型初始校准。

12、优选的:四级数字孪生模型构建输入数据源包括:空间地理数据、设备台账数据、电气拓扑数据和初始校准数据。

13、优选的:分层建模实施步骤包括:采用自下而上的层级化建模方式,依次构建四级虚拟实体,级虚拟实体分别是:组件层虚拟实体构建、汇流箱层虚拟实体构建、逆变器层虚拟实体构建和电站层虚拟实体构建。

14、优选的:组件层虚拟实体构建包括:以单块光伏组件为最小建模单元,为每一块组件创建独立的虚拟实体,首先基于空间坐标在三维场景中生成与物理组件尺寸一致的几何模型,绑定组件编号与空间三维坐标;其次为虚拟实体挂载静态属性集,包括额定功率、开路电压、短路电流、最大功率点参数、功率/电压/电流温度系数、串联电阻初始值、并联电阻初始值、二极管理想因子;最后为虚拟实体定义可实时更新的动态状态变量集,包括输出电压、输出电流、输出功率、组件表面温度、预测功率、故障概率、故障类型标签。

15、优选的:汇流箱层虚拟实体构建包括:以单台汇流箱为单元创建虚拟实体,在三维场景中匹配其物理安装位置。静态属性包括汇流箱编号、空间坐标、支路数量、各支路对应的组件编号列表;动态状态包括各支路电流、总输入电流、总输入功率、支路故障概率、箱体整体故障概率。构建时依据电气拓扑数据,建立汇流箱支路与下属组件的聚合关联:单支路所有组件的输出功率求和值,对应该支路的输入功率;所有支路功率求和值,对应该汇流箱的总输入功率,实现层级间数据的自动聚合传递。

16、优选的:逆变器层虚拟实体构建包括:以单台逆变器为单元创建虚拟实体,匹配物理安装位置。静态属性包括逆变器编号、空间坐标、额定容量、最大效率、欧洲效率、输入电压范围、接入的汇流箱编号列表;动态状态包括直流侧输入电压/电流/功率、交流侧输出电压/电流/功率、当前运行效率、故障概率。构建时建立逆变器与下属汇流箱的拓扑关联:所有接入汇流箱的总功率扣除线路损耗后,对应该逆变器的直流输入功率,实现电气层级的功率传递映射。

17、优选的:电站层虚拟实体构建包括:以整个光伏电站为单元构建顶层虚拟实体,静态属性包括总装机容量、组件总数、汇流箱总数、逆变器总数、电站地理边界坐标;动态状态包括全站总预测功率、总实际功率、综合发电效率、故障组件数量统计、各等级故障分布统计。

18、优选的:模型初始校准包括:模型构建完成后,采用电站投运初期无故障工况下的运行数据进行初始校准:以实测运行数据为基准,通过非线性最小二乘法微调组件层虚拟实体的串联电阻、并联电阻等参数,使虚拟模型的输出功率与物理电站实测功率偏差小于2%,完成模型初始状态的虚实一致性校准。

19、优选的:实时映射机制包括:数据驱动映射以1分钟为周期批量更新状态变量;事件触发映射在故障判定结果输出或巡检任务完成时立即更新。状态变量更新采用指数平滑。

20、优选的:预测发电量采用物理机理模型与数据驱动残差修正模型相结合的两阶段方法。第一阶段:物理机理模型计算基准预测功率。第二阶段:数据驱动残差修正。

21、优选的:物理机理模型计算基准预测功率采用标称工作电池温度模型计算组件工作温度tcell,j(t)。其次,计算温度修正后的光生电流与反向饱和电流;然后,基于单二极管等效电路模型,在最大功率点处通过牛顿-拉夫逊迭代法求解最大功率点电压vmpp,j(t)与电流impp,j(t),得到基准预测功率。最后,考虑系统损耗,计算物理机理预测功率。

22、优选的:数据驱动残差修正包括:定义物理模型预测残差ej(t),以当前时刻残差ej(t)为输出,训练长短期记忆神经网络。训练完成后网络输出残差预测值,最终组件预测功率为。

23、优选的:四个维度故障判定包括:根据发电量偏差对比,进行发电量偏差故障判定(第一维度)、运行参数多维故障分析(第二维度)、基于数据波动与数值统计的故障判定(第三维度)和场景视频参数分析与故障识别(第四维度)。

24、优选的:根据发电量偏差对比,进行发电量偏差故障判定包括:(1)发电量偏差率计算,(2)两级阈值与持续时间判定,(3)同支路统计分布判定。

25、优选的:两级阈值与持续时间判定包括:一级预警:偏差率<-5%且持续超10分钟,标记“疑似性能衰减”;二级告警:偏差率<-15%,立即标记“确认故障”。持续时间采用滑动窗口计数器:偏差超阈值则计数加1,未超则清零,计数乘以周期达10分钟则预警成立。

26、优选的:同支路统计分布判定包括:计算同一汇流箱支路内所有组件偏差率的均值与标准差,若某组件满足均值<-3,判定为相对于同支路的显著性能异常,若全站偏差率均值<-5%,判定为系统性异常(如辐照仪校准偏差),不触发个体故障判定,改为触发系统校准提醒。

27、优选的:运行参数多维故障分析(第二维度)包括:(1)伏安特性曲线特征分析、(2)组件温度分布分析、(3)电气不平衡度分析、(4)逆变器效率分析。

28、优选的:伏安特性曲线特征分析包括:每小时通过逆变器或组件级优化器扫描获取伏安特性曲线,提取开路电压voc、短路电流isc、最大功率点参数,计算填充因子,判定规则:短路电流下降超10%且曲线出现多台阶→遮挡故障;开路电压下降超10%→旁路二极管故障或电池片裂纹;填充因子下降超10%且串联电阻增大→组件老化或接线接触不良。各故障概率按参数下降比例线性映射。

29、优选的:组件温度分布分析。计算组件温度与同支路平均温度的差值δtj(t),若δtj(t)>10℃且持续超5分钟,判定为热斑或异常发热。

30、优选的:电气不平衡度分析包括:计算三相电压不平衡度vunb,若vunb>2%或电流不平衡度iunb>5%,判定为电气不平衡故障。

31、优选的:逆变器效率分析包括:计算实时效率,若低于当前负载率下预期效率2%以上,判定为逆变器性能衰减,故障概率按效率偏差比例映射(偏差5%以上取1.0),第二维度综合故障概率取各子项最大值,并记录对应故障类型标签。

32、优选的:基于数据波动与数值统计的故障判定(第三维度)包括:(1)变异系数分析(波动型故障检测)、(2)加权移动平均控制图分析、(3)数值越限分析。

33、优选的:变异系数分析包括:计算30分钟滑动窗口内功率的变异系数cvj(t);在稳定辐照前提条件下(窗口内辐照度变异系数<0.05),正常组件功率变异系数应小于0.03。若cvj(t)>0.08,判定为功率波动异常,对应连接器接触不良或接线松动故障,故障概率按超标比例线性映射。稳定辐照前提条件可排除云层移动导致的正常功率波动,确保检出的是设备故障。

34、优选的:加权移动平均控制图分析包括:定义加权移动平均值zj(t);控制限(随时间收敛);若zj(t)

35、优选的:数值越限分析包括:组件输出电压低于10伏→严重故障或断开(概率1.0);组件温度超85摄氏度→过热故障(概率按超标比例线性映射);逆变器输入电压超保护阈值→逆变器故障(概率1.0)。

36、优选的:场景视频参数分析与故障识别(第四维度)包括:(1)热成像视频分析、(2)可见光视频分析。

37、优选的:多源信息融合故障决策包括:(1)动态加权证据融合。(2)概率乘积融合。(3)故障等级与定位。

38、优选的:自主巡检路径规划与执行包括:(1)巡检热力图生成。(2)两阶段路径规划。(3)虚实映射与巡检执行。

39、优选的:巡检热力图生成包括:在数字孪生模型电站平面视图中,以每个组件故障概率pj为像素值生成热力图(蓝→红渐变),单一维度异常pm,j>0.3但未触发融合判定的组件标记为“关注区域”(黄色)。

40、优选的:两阶段路径规划包括:第一阶段采用密度聚类将空间邻近的高故障概率组件聚为若干巡检簇,以簇中心为关键节点缩减搜索空间;第二阶段采用改进遗传算法求解最优路径。

41、优选的:虚实映射与巡检执行包括:将数字孪生模型中规划的组件编号序列转换为物理空间航点序列(组件中心坐标加5~10米飞行高度),航点间飞行速度3~5m/s。无人机按航点自主巡检,实时位置与视频流回传至数字孪生模型同步显示。巡检完成后将确认结果反馈更新组件状态,确认故障则生成维修工单,排除故障则标记误报用于模型修正。

42、优选的:闭环优化与模型自更新包括:(1)月度更新,(2)季度更新,(3)实时更新,(4)半年度更新。

43、本发明的技术效果和优点:

44、一、发电量预测兼顾可靠性与精准性。采用物理机理与数据驱动残差修正的层级融合架构,依托单二极管等效电路模型保障发电规律的可解释性与极端工况外推稳定性,通过长短期记忆神经网络补偿非线性未建模残差;辅以因果约束设计避免数据泄露,为故障判定提供无偏、可靠的基准依据。

45、二、故障诊断全面准确、鲁棒性强。构建发电量偏差、运行参数特征、统计过程控制、视觉识别四个独立判定维度,覆盖电气、热学、外观全类型故障,可检出传统阈值法难以识别的波动型、渐进漂移型隐性故障;采用动态加权证据融合机制,多维度交叉印证,可自适应调整各维度决策权重,有效降低误报与漏报,且单维度数据缺失不影响系统整体运行。

46、三、巡检调度靶向高效、智能联动。突破传统固定航线或最短路径的规划局限,以故障概率加权价值最大化为优化目标,将有限续航资源优先投向高风险组件;密度聚类与改进遗传算法结合的两阶段策略,兼顾大规模电站的计算效率与全局寻优能力,实现故障预测到巡检执行的无缝联动。

47、四、系统具备持续自进化能力。构建多时间尺度全链条闭环优化机制,依托巡检确认结果反向迭代更新模型参数与判定阈值;无故障数据训练约束从机制上保障自更新的收敛性,避免传统固定模型随运行时间精度衰减的缺陷,系统性能随运维数据积累持续提升。

48、五、四级数字孪生模型提供统一虚实载体。双机制分层映射架构兼顾状态更新的实时性与模型运行稳定性,为故障可视化、路径规划与运维决策提供一体化的虚实融合支撑。