【PVPMC】光伏电站组件智能诊断-西门子-樊雷
组件级诊断技术在光伏电站运维中的研究和应用 PV Module Level Diagnosis for PV station OM 樊 雷 lei.fan@siemens.com 西门子(中国)有限公司智能基础设施集团 分布式能源 Unrestricted © Siemens Ltd., China 2019 siemens.com.cn Unrestricted © Siemens AG 2019 2019Page 2 SI RSS MA CN EPS DES 内容 Contents • 背景介绍 Background • 问题挑战 Challenge • 解决方案 Solution • 结果分析 Analysis • 案例分享 Reference • 展望未来 Future plan Unrestricted © Siemens AG 2019 2019Page 3 SI RSS MA CN EPS DES 第一 阶段 第二 阶段 背景:中国光伏电站装机状况概述 Background: PV Installation Market Overview in China 26 40 70 104 127 142 28 49 59 19 3 0 2013 186 2016 176 8 4 2012 2019FC 1 2018201720152014 29 44 79 132 201 6 +229% +57% +52% +78% +67% +33% +14% 分布式电站累计装机量 (GW) 集中式电站累计装机量 (GW) 中国光伏年度 累计装机量 第一阶段装机特点 Centralized PV Station ▪ 装机发展速度快,组件品级逐渐提高,装机价格逐渐下降 ▪ 受政策鼓励,绝大部分为地面电站,集中在西部、华北及东北区域 ▪ 2015年及之前建成的光伏电站均已收到国补,限电情况和现金流大为改善 ▪ 受制于组件技术水平、设备质量、安装水平等原因,电站故障率相对较高 ▪ 组件工艺一致性较差,失配情况普遍,排查成本高,电站效率较低 ▪ 2016年前的电站,以集中式逆变器监测为主( ~2000片组件 /路 ),监测精度低 第二阶段装机特点 Distributed PV Station ▪ 政策影响下,屋顶分布式光伏装机发展迅猛 ▪ 组件质量改善,监测精度提升( 地面电站 ~20片 /路,屋 顶电站 ~20片 /路 ) ▪ 屋顶电站装机分散,区域分布广,运维成本相对较高 ▪ 运维涉及到高空滞留作业、机动巡检工作量大 ▪ 因项目连带损失大,对运维及时性提出较高要求 Unrestricted © Siemens AG 2019 2019Page 4 SI RSS MA CN EPS DES 无人机 +热成像 /UAV+Thermal Imagery 发电量对比 /Energy Comparison 组串电流分析 /String Comparison 现场测试分析 /Onsite Detection 问题挑战: 故障检测效率低,人员安全风险高 Challenge: Low effectiveness of fault detection, High risk of EHS Unrestricted © Siemens AG 2019 2019Page 5 SI RSS MA CN EPS DES 背景:大数据在工业领域的应用 Background: Big data in Industrial perspective Predictive Maintenance Condition Monitoring Anomaly Detection KPI Dashboard Process Monitoring Causal Analysis Data Visualization Machine Learning Dimensions Correlation Features Extraction Prevent Machine Downtime Decrease Defect Rate Save Energy Cost Optimize Resources Increase Productivity Automates PLC Machines Sensors SCADA ERP / MES 数据源 Source 分析 Analysis 功能 Function 价值 Value Unrestricted © Siemens AG 2019 2019Page 6 SI RSS MA CN EPS DES 光伏组件的大数据分析 Data Analysis Modeling for PV module ? Unrestricted © Siemens AG 2019 2019Page 7 SI RSS MA CN EPS DES 解决方案:利用 IoT和大数据分析提供组件级诊断 Solution: PV module level diagnosis with IoT and data analysis 数据源 Data Source 光伏组件是整个电 站中数量最多的设 备,每块组件都具 有 可测量的 电流、 电压功率等物理量 PV module is overwhelming majority in PV station. Each PV module produces physical data, e.g.: Voltage, Current, Power which can be measured. 数据采集 Data collection 随着物联网和通信 技术的飞速发展, 采集、传输单个组 件数据的和其它逆 变器数据一样成为 可能 With advanced IoT and IT technology, data collection from each PV module is possible. All PV module data can be transmitted to PV monitoring system together with all other inverter data. 数据存储 Data Storage 光伏电站网关数据实 时的传输并存储到云 端服务器,包括气象 仪的辐照量温度等数 据,每片组件的电流、 电压和功率等数据、 逆变器的各个组串和 发电量信息等 Cloud server get real-time PV station data from gateway incl. the data from meteorological device, PV module, inverters and other devices 数据清洗 Data Cleaning 在数据分析之前,对 存储的数据做预处理, 考虑气象条件、停电 检修、通讯故障等事 件对数据的影响,对 数据做清洗过滤,构 建数据分析模型 Data pre-proceeding to filter the noise data, e.g.: environment, power shutdown, communication failure and so on 数据分析 Data Analysis 数据可视化 Data Visualization 通过各种图形、表格 等形式在云端服务器 上显示诊断结果,用 户可通过网页或手机 端应用登录查看诊断 结果,安排后续精准 运维 Display all anomaly PV modules on the cloud server, user can login to the system via website or App to get detailed information and guide further OM activities 利用孤立森林、局部 离群分析和椭圆信封 等机器学习的方法建 模,分析电站数据, 识别工作异常、衰减 异常、表面积灰严重 等组件并给出相关诊 断建议 Apply machine learning algorithm to analyze the PV station and locate anomaly PV modules and provide relevant OM recommendations Unrestricted © Siemens AG 2019 2019Page 8 SI RSS MA CN EPS DES 快速关断器 Rapid Shutdown Device Internet Assemble easily Step1: Attach the device to the rail Step2: Connect the device to PV modules Step3: Connect output cables of the devices Unrestricted © Siemens AG 2019 2019Page 9 SI RSS MA CN EPS DES 局部离群因子 VS. 其它算法 Local Outlier Factor VS. Other algorithms 不依赖于具体数据的分布形式 It does not rely on any assumed distribution to fit PV module data. 在数据大量缺失的情况下仍然 能够保持较好的准确率 Even in the absence of large amounts of data, it can be reasonably accurate 处理低维度数据速度更快 The algorithm is fast, especially with low- dimensional data 无需用户很多干预就能得到 相对理想的精度 It produces accurate and interpretable models with relatively little user intervention Unrestricted © Siemens AG 2019 2019Page 10 SI RSS MA CN EPS DES 结果分析:现场结果分析比对( 1) Analysis: Onsite Detection Comparison (1) 诊断结果和现场检测结果具有较好的一致性 Diagnosis results are consistent with onsite detection Unrestricted © Siemens AG 2019 2019Page 11 SI RSS MA CN EPS DES 结果分析:现场结果分析比对( 2) Analysis: Onsite Detection Comparison (2) 根据清洗诊断结果 安排现场组件清洗 Plan OM PV module cleaning according to diagnosis results Unrestricted © Siemens AG 2019 2019Page 12 SI RSS MA CN EPS DES 案例分享:西门子中国数字化屋顶光伏项目 Reference: Siemens China Digital Rooftop PV Project Unrestricted © Siemens AG 2019 2019Page 13 SI RSS MA CN EPS DES 展望未来 Future Plan ❑ 积累故障数据 /Faulty Accumulation ❑ 有监督学习 /Supervised Learning ❑ 故障分类 /Faulty Classification ❑ 各种场景应用 /Various Scenario ❑ 规模应用 /Large-scale Application To be continued… 樊 雷 分布式能源 西门子(中国)智能基础设施集团 上海市杨浦区大连路 500号西门子中心 Phone: +86 21 3889 3526 Mobile: +86 180 1902 3735 Email: lei.fan@siemens.com Together we electrify China in the new era Thank you!