CN103633938A - 一种光伏阵列故障定位的方法 - Google Patents

Abstract

本发明涉及一种光伏阵列故障定位的方法，该方法通过先测量不同光照强度以及温度下的电压和电流的读数，将这些数据作为程序的训练样本，并用来训练高斯算法，再将测量的电压和电流数据作为测试程序的输入数据，然后根据以前训练的情况以及输入的数据判断出现故障的光伏组件的位置。本发明可以很好的预测光伏阵列中出现故障的光伏组件的位置，解决了模糊控制需要的模糊规则及对样本数量要求比较高而导致运营过程中易陷入局部最优问题。

Description

一种光伏阵列故障定位的方法

技术领域

本发明属于光伏电站故障定位的方法，具体涉及一种高斯过程智能计算方法以及光伏阵列传感器布置方法。

背景技术

对于光伏阵列出现故障后，其诊断的方法一开始要是通过对光伏阵列的电压、电流以及功率等数据进行分析、判断，从而确定故障状态以及故障的位置，但是这种判断基本上是通过人工经验进行的，这对于数量巨大的且无人值守光伏电站而言，出现故障后第一时间进行故障的判断以及及时的检测维护是比较困难的，因此采用一些智能诊断系统并应用在光伏电站故障诊断中具有重大意义。光伏电站的智能故障诊断系统就是在此背景下发展起来的，它综合了智能控制技术与计算机技术，是智能控制技术在故障诊断及定位中的具体应用，其基本思想是利用传感器技术采集现场的电压、电流以及功率信号，通过计算机软件模拟人工经验对信号进行分析和判断，从而实现对系统的故障的判别以及定位。该方法在实际应用过程中主要存在两个问题：①应该采集哪些故障信号；②采集了信号后如何通过计算机软件融入人工经验对系统的故障进行诊断和定位。随着计算机技术和人工智能算法的飞速发展，人们开始尝试用模糊控制理论以及神经网络等智能控制算法来完成光伏系统故障的智能判断和定位。模糊控制由于不需要系统的精确数学模型，人工神经网络具有其独特的容错、联想、推测、记忆、自适应、自学习和处理复杂多模式等优点，在故障诊断中常常被使用。但是模糊控制需要根据实际情况以及人工经验制定相应的模糊规则[1]，而人工神经网络由于需要人为事先确定其结构参数（包括隐层数，神经元个数等），且对样本数量要求比较高，在运营过程中易陷入局部最优[2,3]。

在实际使用过程中，光伏发电设备故障诊断系统的各种信息变化相对比较快，在使用这些数据进行故障诊断的过程中，不能仅根据几个量就进行故障的诊断和定位，必须充分利用监测到的多个传感器信息，将单个传感器获取的单维信息融合起来形成多维的信息，可以获得比单个传感器信息或者几个传感器信息简单相加多得多的信息。在本章所使用的基于高斯过程的光伏阵列故障诊断定位系统中，将充分利用电压、电流传感器获得的信息，将这些信息作为模型的输入，对系统进行训练，然后根据现场实际输入的电压、电流传感器信息判断故障类型以及故障的定位。

发明内容

光伏阵列数量巨大，分布面积大，在其中的一个光伏组件出现问题时，很难确定出现问题的光伏阵列的位置，本发明通过合理的设置光伏阵列传感器采集电压、电流信息，通过高斯过程对这些信息进行处理，得出出现故障的光伏阵列的位置。

本发明一种光伏阵列故障定位的方法，包括以下内容：

   ①传感器的布置方法

如果一个光伏阵列为s行p列，在对光伏阵列故障进行诊断和定位的过程中需要设置大量的电压和电流传感器，本专利采用了一种将传感器全部覆盖住权值节点的传感器布置方法，这种方法所需要配置的传感器数量为s×(p-1)/2，在大规模光伏阵列中，将大大减少电压传感器的数量，节省了成本。对于一个4×4光伏阵列，采用这种权值点全覆盖的方法，其需要的电压传感器为                                                

个，电压传感器的连接方案如图1所示。

②编码表示方法

这里考虑一s行p列的光伏阵列，即阵列中共包含s×p个光伏组件。采用二进制码表示当前光伏阵列中各光伏电池的工作状态是一种最自然的方式，本文中，“0”表示光伏电池工作正常，“1”表示电池故障，那么，利用长度为s×p的二进制串组

可表示当前光伏阵列的工作状态。如对于一2×2光伏阵列，0001码串可表示第1块板子故障，1000码串可表示第4块板子故障；0011表示第1和第2个组件故障，以此类推。显然，利用上述二进制串表示光伏阵列工作状态简单直观，可采用分类方法实现故障诊断和定位。

③ 训练样本与测试样本的选择

通过测定光伏阵列电压和电流信号确定其工作状态是否正常，并在故障时，确定故障位置。首先，进行样本采集，以获得训练数据，然后，利用训练样本，训练高斯过程，进行整数回归。

在s×p光伏阵列中，共可测得s个电流信号，s×(p-1)/2个电压信号，记为

，其相应的光伏阵列工作状态的二进制码串为，其对应的十进制数为：

，记为

。

设共获得M个训练样本，即该数据集为

，为便于后续说明，简记为

。假设：

                            (1)

函数

为服从高斯分布的随机过程，关于该过程的说明，参见第5章，这里不再赘述。基于学习样本和新训练样本，可以获得拟合均值和方差，分别如式(2)和（3）所示：

  

                 (2)

                      (3)

在本章中，仍设上述两式均值函数为0，选择常用的高斯核函数，如式(4)所示：

  

                    (4)

其中， 

和l为参数。参数确定方法与第5章相同，不再赘述。

利用上述参数，代入式(2)中可获得与当前电压电流对应的光伏阵列工作状态整数值均值(对于非整数值，采用四舍五入方法取整)，再将其转换为二进制码串，则可实现故障定位。

以光伏阵列为应用平台，分别考虑有一块、两块、三块、四块电池发生故障的情况，测量支路电流和

，可以判断故障支路；测量电压值，可以确定故障的太阳能电池板。在本文中主要测量多种故障状态下的电流表读数和

，检测三个电压表的读数

、

和。对于存在的故障的预测情况如表1所示。从表中可知，采用这种方法可以很好的预测光伏阵列中出现故障的光伏组件的位置。

 

表1预测情况

附图说明

图1是电压的传感器放置方法。

具体实施方式

首先人为制造光伏阵列中某一（些）组件出现故障的情况，在出现故障的情况下，测量不同光照强度以及温度下的电压和电流的读数，将这些数据作为程序的训练样本，并用来训练高斯算法。再将测量的电压和电流数据作为测试程序的输入数据，程序将根据以前训练的情况以及输入的数据判断出现故障的光伏组件的位置。

以上的具体实施方式仅为本创作的较佳实施例，并不用以限制本创作，凡在本创作的精神及原则之内所做的任何修改、等同替换、改进等，均应包含在本创作的保护范围之内。

参考文献

[1] 张恩勤, 施颂椒, 高卫华, 翁正新. 模糊控制系统近年来的研究与发展[J]. 控制理论与应用, 2001, 18(1): 7-11.

[2] 刘永红. 神经网络理论的发展与前沿问题[J]. 信息与控制. 1999, 28(1): 31-46.

[3] 刘豹, 胡代平. 神经网络在预测中的一些应用研究[J]. 系统工程学报, 1999, 14(4): 338-344.

Claims (1)

1.一种光伏阵列故障定位的方法，其特征在于，包括步骤：

①传感器的布置方法：将传感器全部覆盖住权值节点的传感器布置方法，这种方法所需要配置的传感器数量为s×(p-1)/2；

②编码表示方法：利用二进制串表示光伏阵列工作状态简单直观，采用分类方法实现故障诊断和定位；

③训练样本与测试样本的选择：

在s×p光伏阵列中，共可测得s个电流信号，s×(p-1)/2个电压信号，记为                                                

，其相应的光伏阵列工作状态的二进制码串为

，其对应的十进制数为：，记为

；基于学习样本和新训练样本，可以获得拟合均值和方差，分别如下所示：

  

              

选择常用的高斯核函数，如下式所示：

  

                    

其中， 

和l为参数。

Images