數據化是整個人類社會的大趨勢,作為未來能源主力的光伏電站更是如此。將電流轉化成信息流,隨時隨地掌控電站運行情況,動動手指就可獲悉組件的出力情況,第一時間發現問題;長遠來看,電站運行的數據是另外一筆財富,可以用來給電站做性能評估,可以為電力的交易與調峰提供數據支持,還可以為電站的資產估值、抵押、交易提供堅硬的支撐,這些都是數據化為我們帶來的便利。
一、什么是電站的數據化?
電站的數據化是一項系統的工程,中間涉及到多個環節。目前大型電站的數據采集點一般包括氣象站、匯流箱、直流柜(如有)、逆變器、箱變(如有)、電度表(計量表、關口表)等。其中匯流箱聯接組件和逆變器,是電站數據化進程中的重要環節。而近年來的智能匯流箱可以記錄每個組串的電流、電壓等數據,這為數據化電站打下堅實的基礎。下圖是某光伏電站的匯流箱實圖。
每個組串的面板數量確定后,根據匯流箱的接入串數我們就可以確定該匯流箱下究竟有多少塊光伏板,而單塊面板的容量已知,從而可以計算出該匯流箱的掛載容量:匯流箱掛載容量(PCCB)=接入組串數(N)*每串面板數*面板標稱功率對同一逆變器下不同的匯流箱進行加和,即可得到該逆變器的掛載容量:
對場站的逆變器進行加和,進而得到整個場站的實際容量:
這樣我們得到了一個清晰而準確的電站拓撲結構圖。這樣的一個清晰、準確的拓撲結構圖是電站數據化的基礎,也是所有數據統計與分析、發現問題并進行運行維護的基石。沒有這樣一個清晰的拓撲結構與容量關系,所有的數據分析與結論都是空中樓閣,經不起推敲。在電站數據化的過程中,不準確、甚至沒有拓撲結構圖會導致很多應用無法繼續進行,例如:無法準確確定電站的實際容量,無法確定匯流箱的準確離散率,數據分析時結論與實際相差較大等。而擁有一個準確的拓撲結構圖,不僅僅可以在數據化電站時得到有力的支撐,甚至還能夠提前發現安全隱患。有這樣一個實際發生的案例:某電站一匯流箱實際有13路組串接入,但在系統中顯示只有12路數據,直到后來該匯流箱被燒毀后才發現,原來是虛接惹的禍。如果之前就知道準確的電站拓撲結構圖,實際生產中采到的數據與應有的支路不同就可以設置報警,燒壞匯流箱這樣的火災隱患是完全可以避免的。
二、如何繪制電站拓撲結構圖?
在繪制電站拓撲結構圖的過程中,匯流箱環節因其數量多、顆粒小而成為最為困難的環節。目前主流的匯流箱有16路接口,由于地形、設計等實際情況的限制,匯流箱16路不一定每路都會接組串。一般情況下,在電站的設計過程中,每個匯流箱下掛載多少組串,每個組串有多少塊面板都會有一個清晰的設計與規劃。但現狀往往是,有些電站的設計草草了事,甚至沒有設計,有些電站在實際施工過程中不按圖紙施工,而監理監造也未能及時發現、糾正。那么,要如何確定哪個匯流箱接入了幾個組串,進而得到一個清晰而準確的電站拓撲結構圖?常見的解決方案是這樣的:辦法1:施工時做記錄;每接入一個匯流箱就記下來一個。方法2:如果在施工時沒能做記錄,就需要去現場一個個地數!數完后把接入的串數記錄下來。打開匯流箱,確定哪個有接入,總計接入多少串組件。每個匯流箱都要重復一次。
然而,這樣的解決方案不僅費時費力,最終的效果還得不到保障。例如:山東某地面電站的容量為40MW,整個電站呈狹長狀分布,超過10公里。匯流箱總數為553個,每個匯流箱接入的組串數為7-10串不等。面對這么多個匯流箱,一個個地去檢查哪個匯流箱接入了幾個組串,又分別接入了幾號支路,在這驕陽似火的10公里縱深面前,人工的準確性很難獲得保證。
▲板海茫茫,何時才是盡頭?這樣繁瑣、重復、沒人性的事情,有沒有一種方法,可以一勞永逸地把匯流箱的接入組串數標出來?
三、電站拓撲結構圖的數據化解決方案
數據被認為是人類目前為止發現的第五維空間,在這里,許多低緯度問題都將迎刃而解。我們堅定地相信,一切現實中的問題在數據世界都有解(第五維解)。于是我們大量觀察匯流箱數據,尤其是那些我們已經確切知道有多少組串接入的匯流箱。如下是南通某項目的匯流箱數據,我們知道第1,2,13,14,15,16路是空接,從數據上看,這6路電流都顯示為0,于是我們得到初步結論:沒有接入電流的支路顯示的都是0!并由此推及:一直顯示為0的支路沒有接入組串。
按照這個方案去確定匯流箱的接入容量,我們又遇到了新的問題。有一類匯流箱,不按理出牌,晚上居然還有值,如下圖所示。這大概是由于數據傳輸中的噪音所致。不能從源頭上解決,只能通過數據科學來進行后處理。原有的方案不能通用,我們繼續尋找新的通用方案。把匯流箱的數據一個個可視化后,一眼就可以瞄出來哪個有接入哪個沒接入。比看數據要舒服多了。如下圖,一眼就可以看出來,16路匯流箱中有1路沒有接組串。
操千曲而后曉聲,觀千劍而后識器。看過大量的電流圖像之后,我們發現,所有的接入的支路的電流形態是一個拋物線,在晴天的時候,連續而飽滿。這是由于太陽在一天的時間內,日出,正午,日落,是一個自然而連續的過程,作用在面板上之后,產生的電流同樣是自然而連續的。如下圖可以看到。
而沒有接入面板的支路則仍然處于小幅波動狀態,如下所示。
從圖片看來,最明顯的差別在于一個是有規律的、飽滿的,一個是沒有規律的、隨機波動的。人眼可以很輕易的辨別其中的差別。如果可以使用機器學習的方法把每個圖片進行識別,就能夠鑒別出是否接入。從數據看來,最明顯的差別就在于不同電流值的個數。可以看到晴天已接入的支路的電流值從0A-4.5A均勻分布,而晴天未接入的電流值則分布散亂而無規律。發現這樣的差別,我們就可以通過每路支路電流不重復的點的個數,即可判斷是否接入。
四、數據解決方案的實現與驗證
基于上述觀察與發現,我們運用機器學習的深度算法,判斷出分界點的閾值、計數點的時間區間,以及計算時采用的數據來源,終于得到一個通用的解決方案,并對方案的準確性進行了驗證。首先,我們對得到授權的匯流箱數據進行計算,得到接入的信息,并與站主提供的備案信息進行比較,得到結果如下:
從圖中可以看到,計算結果與備案結果相比,有超過90%的相同,在與線下確認之后,發現實際情況與計算結果相同。也就是說,通過對數據的分析與挖掘,我們發現了備案信息與實際情況存在不符。
五、總結
一個清晰準確的電站拓撲結構圖是電站數據化的基礎,是電站數據應用的基石。我們通過對匯流箱的接入數據進行分析與挖掘,找到了一個線上判斷匯流箱接入情況的解決方案,并且對大量的匯流箱進行了可行性驗證,可以相信,在經過不懈的努力之后,我們從數據空間里找到了一個解。即通過對匯流箱的數據進行深入的分析與挖掘,可以準確判定該匯流箱的接入路數,進而可以描繪出該電站的拓撲結構圖,為后面的數據分析提供堅固的支撐。
(審核編輯: 滄海一土)
分享