CN104391189B - 基于三级诊断的大型光伏阵列故障诊断定位方法 - Google Patents

Abstract

本发明公开了一种基于三级诊断的大型光伏阵列故障诊断定位方法，其特征是：在光伏阵列为串并联的构成方式下，将光伏阵列的故障分为组件短路、组件开路、阴影和多重故障四种类型，执行第一级故障诊断过程，通过功率增量比法判别光伏并网逆变器所在支路是否发生故障及故障类型；执行第二级故障诊断过程，通过电流电压相似度法判别故障光伏并网逆变器支路下各光伏组件串是否发生故障；执行第三级故障诊断过程，在故障光伏组件串中利用已训练完成的三层BP故障诊断神经网络进行光伏组件串内部故障组件的定位。本发明通过三级诊断对大型光伏阵列的运行状态进行在线实时检测，实现准确快速的识别故障类型及故障定位。

Description

基于三级诊断的大型光伏阵列故障诊断定位方法

技术领域

本发明涉及光伏阵列故障诊断技术领域，更具体地说是涉及一种大型光伏阵列的故障类型判别及故障定位的方法。

背景技术

现有技术中，针对大型光伏电站的故障诊断主要集中于是否发生故障的判别及故障类型的诊断，而对于光伏阵列的故障定位则很少研究且定位精度较低。比如在“Takashima T,Yamaguchi J,Otani K,et al.Experimental studies of failuredetection methods in PV module strings[C].Photovoltaic Energy Conversion,Conference Record of the 2006 IEEE 4th World Conference on.IEEE,2006,2:2227-2230.”的文献中公开了一种利用时域反射法TDR进行光伏组件串的故障定位，该方法具有一定的精确度，但是其诊断过程必须离线进行不能实时在线诊断，且当发生一串中有多个组件故障时则只能诊断出离诊断点最近的一块组件，不能将故障组件全部找出。在“胡义华,陈吴,徐瑞东.基于最优传感器配置的光伏阵列故障诊断[J].中国电机工程学报,2011,31(33):19-30.”的文献中公开了一种通过合理布置电压传感器，对光伏阵列进行故障定位，但是在大型光伏阵列中由于组件数目众多，进行电压传感器布置复杂且增加了成本，实用性较差。在“王培珍,郑诗程.基于红外图像的太阳能光伏阵列故障分析[J].太阳能学报,2010,31(002):197-202.”的文献中公开了一种利用故障组件和正常组件在工作时温度存在较大差异，通过安装红外摄像仪进行故障组件定位的方法，该方法定位精度高但是成本高且故障定位精度取决于红外摄像仪的精度，同时对于那些轻微故障使组件温差不明显的故障无法辨别。在“程泽，李冰峰，刘艳莉.大型光伏阵列的故障诊断：中国，CN101893678A[P].2010.11.24”的文献中公开了一种通过在交叉连接的光伏组件中分层安装电流传感器来进行故障串定位的方法。但是该方法需要对原先的光伏组件进行重新布置，将目前常见的串并联方式改造成交叉连接形式，这在实际中并不可行。

在大型光伏阵列的故障诊断中，急切需要提出一种不仅能进行故障类型判别同时还能进行故障定位的方法。

发明内容

针对现有技术的不足，本发明的目的在于，提供一种基于三级诊断的大型光伏阵列故障诊断定位方法，通过三级故障诊断对大型光伏电站中光伏并网逆变器及光伏阵列的运行状态进行在线实时的检测，准确快速的识别故障类型及故障定位。

本发明解决上述技术问题所采用的技术方案如下：

本发明基于三级诊断的大型光伏阵列故障诊断定位方法的特点是按如下步骤进行：

(1)、所述光伏阵列为串并联的构成方式，是指由各光伏组件串联构成光伏组件串，各光伏组件串互相并联构成光伏阵列，所述各光伏组件均布置有旁路二极管，各光伏组件串均安装有阻塞二极管，各光伏阵列经汇流箱与光伏并网逆变器的直流侧相连接，所述光伏阵列、汇流箱和光伏并网逆变器构成光伏电站；

(2)、将所述光伏阵列的故障类型分类为：组件短路、组件开路、阴影和多重故障共四种类型，所述多重故障是指组件短路、组件开路和阴影中任意两种或三种故障类型的组合情形，同时将所述四种故障分为硬故障和软故障，硬故障是指故障不随时间变化且需要及时排除的故障；软故障是指故障会随时间变化而自动恢复，其具有暂时性而无需排除，上述四种故障类型中组件短路、组件开路及同时发生组件短路和组件开路的多重故障为硬故障，而阴影及包含阴影的多重故障为软故障；

(3)、由光伏组件用户手册得到光伏组件在标准测试条件下的短路电流I_sc、开路电压V_oc、最大输出功率P_m、最大功率点对应的电压V_m、最大功率点对应的电流I_m，光伏组件的额定工作温度N_ot；

(4)、执行第一级故障诊断过程

按式(1)计算得到在光照强度G和环境温度T_a下、光伏并网逆变器下连接的所有光伏阵列的交流输出功率P_PVac(G,T_a)：

P_PVac(G,T_a)＝P_array·η_connect·η_mppt·η_inverter (1)

式(1)中：

P_array是根据光伏阵列直流输出功率计算模型计算获得的在光照强度G和环境温度T_a下、光伏并网逆变器下连接的所有光伏阵列的直流输出功率总和；

η_connect为光伏组件的连接效率；

η_mppt为光伏并网逆变器最大功率点跟踪效率；

η_inverter为光伏并网逆变器逆变效率；

实时测量在光照强度G和环境温度T_a下光伏并网逆变器交流侧的输出电压V_acinv和输出电流I_acinv，则由式(2)计算获得光伏并网逆变器的实测交流输出功率P_acinv为：

P_acinv＝V_acinv·I_acinv； (2)，

由式(3)计算得到光伏并网逆变器的交流输出功率增量ΔP，

ΔP＝P_PVac(G,T_a)-P_acinv (3)；

由式(4)计算光伏并网逆变器的功率增量比R_P，

式(4)中，R_P的数值范围为[0,1]，由R_P的数值大小判别光伏并网逆变器所在支路是否发生故障及故障类型，当光伏并网逆变器所在支路发生故障时转入步骤(5)，否则返回步骤(4)；

(5)、执行第二级故障诊断过程

令故障光伏并网逆变器支路下所连接的汇流箱共有M个，分别为H₁、H₂、…、H_i、…、H_M；连接在汇流箱H_i下的光伏组件串共有N串，分别为S_i1、S_i2、…、S_ij、…、S_iN，其中S_ij为连接在汇流箱H_i下的第j串光伏组件串，令连接在光伏组件串S_ij中的光伏组件共有W个，分别为L_ij1、L_ij2、…、L_ijk、…、L_ijW,其中L_ijk为连接在汇流箱H_i下的光伏组件串S_ij中的第k个光伏组件，由式(5)计算光伏组件串S_ij的电流电压相似度D_ij：

式(5)中，I_measij和V_measij分别为光伏组件串S_ij的测量电流和测量电压，所述I_measij和V_measij是由光伏组件串S_ij所连接的汇流箱H_i直接采集获得；I_seriesij和V_seriesij分别为光伏组件串S_ij的输出电流和输出电压的理论计算值，并有：

V_seriesij＝V_m·ln(e+bΔG)·(1-cΔT)·W

ΔG＝G-G_ref

ΔT＝T_cell-T_ref

式中G_ref和T_ref分别为光伏组件的参考光照强度和参考温度，取G_ref＝1kW/m²，T_ref＝25℃，e为自然对数的底数，取为2.71828，系数a、b和c为常数，取a＝0.0025、b＝0.0005和c＝0.00288；设定相似度阈值δ＝10％，当D_ij＞δ时判断光伏组件串S_ij为故障光伏组件串并转入步骤(6)，否则返回步骤(4)；

(6)、执行第三级故障诊断过程，在故障光伏组件串S_ij内利用已训练完成的三层BP故障诊断神经网络进行光伏组件串S_ij内部故障组件的定位；

(7)、循环步骤4-6，实现对大型光伏阵列的在线实时监测，并进行故障位置的准确快速定位。

本发明基于三级诊断的大型光伏阵列故障诊断定位方法的特点也在于：

所述在光照强度G和环境温度T_a下光伏并网逆变器下连接的所有光伏阵列的直流输出功率总和P_array按如下光伏阵列直流输出功率计算模型计算得到：

P_array＝P(G,n_sm)＝n_sm·FF·V_y·I_y

I_y＝G·[I_sc+k_i(T_cell-25)]

V_y＝V_oc-k_v·T_cell

其中，P(G,n_sm)表示与光伏并网逆变器相连的所有光伏阵列在光照强度G下有n_sm个光伏组件正常工作时的直流输出功率总和，k_v和k_i分别表示光伏组件的电压温度系数和电流温度系数，FF为光伏组件填充因子，k_v、k_i和FF由光伏组件用户手册得到。

本发明基于三级诊断的大型光伏阵列故障诊断定位方法的特点还在于：步骤(4)中所述光伏组件的连接效率η_connect取值为0.9～0.99；所述光伏并网逆变器最大功率点跟踪效率η_mppt和光伏并网逆变器逆变效率η_inverter由光伏并网逆变器厂家用户手册得到。

本发明基于三级诊断的大型光伏阵列故障诊断定位方法的特点还在于：所述步骤(4)中通过光伏并网逆变器的功率增量比R_P的数值大小判别光伏并网逆变器所在支路是否发生故障及故障类型是按如下方法进行：

(1)当R_P＝0时，即|P_PVac(G,T_a)-P_acinv|＝0，判断为整个系统是处于无故障的正常工作状态；

(2)当R_P＝1，即P_acinv＝0，判断为光伏并网逆变器本身发生故障；

(3)当0＜R_P＜1时，判断为光伏阵列中有故障存在，在故障诊断期间内若R_P恒定，判定发生组件短路、组件开路或同时发生组件短路和组件开路的硬故障；若R_P出现波动，则判断为光伏组件发生阴影及包含阴影的软故障。

本发明基于三级诊断的大型光伏阵列故障诊断定位方法的特点还在于：步骤(6)中所述三层BP故障诊断神经网络包含输入层、输出层和隐含层；

输入格式为(G_1～W,T_cell1～W,P_mseries,V_mseries,I_mseries,V_ocseries,I_scseries)；

输入节点分别为故障光伏组件串S_ij中W个光伏组件的光照强度构成的光照强度向量G_1～W＝[G₁,G₂,…,G_α,…,G_W]、故障光伏组件串S_ij中W个光伏组件的温度构成的温度向量T_cell1～W＝[T_cell1,T_cell2,…,T_cellα,…,T_cellW]、G_1～W和T_cell1～W条件下的故障光伏组件串S_ij的最大输出功率P_mseries、最大功率点对应的电压值V_mseries、最大功率点对应的电流值I_mseries、故障光伏组件串S_ij的开路电压V_ocseries、以及故障光伏组件串S_ij的短路电流I_scseries，其中G_α和T_cellα分别为故障光伏组件串S_ij中第α个光伏组件的光照强度和光伏组件温度，T_cellα由式(6)获得：

隐含层节点个数n_hidden按式(7)确定

式(7)中，n_in为输入层节点个数，取n_in＝7，n_out为输出层节点个数，隐含层传输函数采用双曲正切S型tansig函数，输出层传输函数采用purelin线性函数；

输出格式为(FS1,FS2,FS3,FS4；O₁,O₂,…,O_W)；

输出层共有W+4个输出节点，输出格式由故障类型和故障光伏组件具体位置两部分构成，其中，第一部分的四个输出节点FS1、FS2、FS3和FS4分别表示组件短路、组件开路、阴影和多重故障四种故障类型，其取值为“0”或为“1”，并且是以“1”表示发生了这种故障类型的故障，以“0”表示没有发生这种故障类型的故障；第二部分O₁、O₂、…、O_W表示W个光伏组件的故障位置信息，其取值为“0”或为“1”，并且是以“1”表示该位置组件发生故障，以“0”表示该位置组件没有发生故障，a为[1,10]之间的整数，取a＝8；

故障诊断神经网络的训练：按照所述输入格式和输出格式从光伏电站历史运行数据中提取数据形成所述故障诊断神经网络的训练数据集，对所述神经网络进行训练得到训练完成的故障诊断神经网络。

与已有技术相比，本发明的有益效果体现在：

1、本发明方法能实现在线实时检测、准确快速识别故障类型及故障定位，与已有技术中的大型光伏电站故障诊断方法相比具有高效快速、准确定位故障位置和可拓展性的优点。

2、本发明方法无需离线进行，通过采集光伏并网逆变器交流侧输出电压和输出电流及各汇流箱中组件串的电压电流值与理论计算值比较即可进行故障诊断，由第一级故障诊断过程控制是否执行第二级故障诊断过程，第三级故障诊断神经网络由第二级过程控制，当某一级检测结果为系统正常工作则不再进行下一级的诊断，提升故障诊断速度，效率较高。

3、本发明中准确定位故障位置是体现在第三级诊断中采用了故障诊断神经网络方法，故障诊断神经网络不仅能进行故障类型的判断还能进行故障定位，通过向故障诊断神经网络输入暗含组件连接方式的光照强度及光伏组件温度向量G_1～W和T_cell1～W可判断故障组件具体位置。

4、本发明中的可拓展性体现在故障诊断方法无需改变原先光伏阵列结构，无需增设额外测量设备，降低了故障诊断成本；神经网络具有较强的鲁棒性和容错性，当系统结构发生变化时，只需对训练样本进行变换，无需改变故障诊断神经网络的结构，具有很好的拓展性。附图说明

图1为本发明光伏并网逆变器下的光伏阵列构成图；

图2为本发明单台光伏并网逆变器功率增量比法故障诊断流程图；

图3为本发明三级诊断的大型光伏阵列故障诊断定位方法流程图；

图4为本发明光伏组件故障定位的故障诊断神经网络结构图；

具体实施方式

本实施例中基于三级诊断的大型光伏阵列故障诊断定位方法按如下步骤进行：

1、指定光伏阵列的构成方式及光伏阵列故障类型的分类

参见图1，本实施例中光伏阵列为串并联的构成方式，是指由各光伏组件串联构成光伏组件串，各光伏组件串互相并联构成光伏阵列，图1中虚线框内即为一个光伏阵列，光伏阵列经汇流箱与光伏并网逆变器的直流侧相连接，一个光伏并网逆变器下可连接多个汇流箱，光伏阵列、汇流箱和光伏并网逆变器构成光伏电站，本实施例中各光伏组件均布置有旁路二极管，各光伏组件串均安装有阻塞二极管。

2、本实施例中将光伏阵列的故障类型分类为：组件短路、组件开路、阴影和多重故障共四种类型，多重故障是指组件短路、组件开路和阴影中任意两种或三种故障类型的组合情形，同时将四种故障分为硬故障和软故障，硬故障是指故障不随时间变化且需要及时排除的故障；软故障是指故障会随时间变化而自动恢复，其具有暂时性而无需排除，上述四种故障类型中 组件短路、组件开路及同时发生组件短路和组件开路的多重故障为硬故障，而阴影及包含阴影的多重故障为软故障；

3、由光伏组件用户手册得到光伏组件在标准测试条件下的短路电流I_sc、开路电压V_oc、最大输出功率P_m、最大功率点对应的电压V_m、最大功率点对应的电流I_m，光伏组件的额定工作温度N_ot，这里标准条件是指光照强度为1kW/m²,大气质量AM为1.5，光伏组件温度为25℃，

4、通过基于功率增量比的第一级故障诊断过程判别光伏并网逆变器所在支路是否发生故障及故障类型

大型光伏电站中由于光伏组件数目众多，与光伏组件相比光伏并网逆变器数目相对较少，为了进行故障定位，需要进行细化处理以确定故障诊断单元，本实施例中以单个光伏并网逆变器为基本单位，进行故障诊断，其他光伏并网逆变器故障诊断过程类似。

图2所示为单台光伏并网逆变器功率增量比法故障诊断流程图，第一级故障诊断过程如下：

①、按如下所示的光伏阵列直流输出功率计算模型计算光照强度G和环境温度T_a下光伏并网逆变器下连接的所有光伏阵列的直流输出功率总和P_array：

P_array＝P(G,n_sm)＝n_sm·FF·V_y·I_y

I_y＝G·[I_sc+k_i(T_cell-25)]

V_y＝V_oc-k_v·T_cell

其中，P(G,n_sm)表示与光伏并网逆变器相连的所有光伏阵列在光照强度G下有n_sm个光伏组件正常工作时的直流输出功率总和，k_v和k_i分别表示光伏组件的电压温度系数和电流温度系数，FF为光伏组件填充因子，k_v、k_i和FF由光伏组件用户手册得到,这里光照强度G以kW/m²为单位；

②、按下式计算得到在光照强度G和环境温度T_a下、光伏并网逆变器下连接的所有光伏阵列的交流输出功率P_PVac(G,T_a)：

P_PVac(G,T_a)＝P_array·η_connect·η_mppt·η_inverter

式中，η_connect为光伏组件的连接效率，取值范围为0.9～0.99，η_mppt为光伏并网逆变器最大功率点跟踪效率，η_inverter为光伏并网逆变器逆变效率，η_mppt和η_inverter可由光伏并网逆变器厂家用户手册得到；实时测量光伏并网逆变器交流侧的输出电压V_acinv和输出电流I_acinv，则光伏并网逆变器的实测交流输出功率P_acinv按下式计算得到：

P_acinv＝V_acinv·I_acinv；

③、由下式计算得到光伏并网逆变器的交流输出功率增量ΔP，

ΔP＝P_PVac(G,T_a)-P_acinv

④、令光伏并网逆变器的功率增量比R_P表示如下，

式中R_P的数值范围为[0,1]，由R_P的数值大小判别光伏并网逆变器所在支路是否发生故障及故障类型，具体判别过程如下：

当R_P＝0时，即|P_PVac(G,T_a)-P_acinv|＝0，判断为整个系统处于无故障的正常工作状态，考虑实际中由于光伏阵列直流输出功率计算模型本身的误差及杂散损耗和组件连接损耗的存在，R_P＝0的情况很少出现，为了合理表示该种情况规定R_P≤0.1均判断为系统处于无故障的正常工作状态。

当R_P＝1，即P_acinv＝0，即此时光伏并网逆变器无交流功率输出，判断为光伏并网逆变器本身发生故障。

当0＜R_P＜1时，判断为光伏阵列中有故障存在，在故障诊断期间内若R_P恒定，判定发生组件短路、组件开路或同时发生组件短路和组件开路的硬故障；若R_P出现波动，则判断为组件发生阴影以及包含阴影的多重故障的软故障，当光伏并网逆变器所在支路发生故障时进入步骤5执行第二级故障诊断过程，否则返回步骤4；

5、通过基于电流电压相似度的第二级故障诊断过程进行光伏组件串的故障诊断

图3为三级诊断的大型光伏阵列故障诊断定位方法流程图，其中第二级故障诊断工作过程如下：

令故障光伏并网逆变器下所连接的汇流箱共有M个，分别为H₁、H₂、…、H_i、…、H_M；连接在汇流箱H_i下的光伏组件串共有N串，分别为S_i1、S_i2、…、S_ij、…、S_iN，其中S_ij为连接在汇流箱H_i下的第j串光伏组件串，令连接在光伏组件串S_ij中的光伏组件共 有W个，分别为L_ij1、L_ij2、…、L_ijk、…、L_ijW,其中L_ijk为连接在汇流箱H_i下的光伏组件串S_ij中的第k个光伏组件，由下式计算光伏组件串S_ij的电流电压相似度D_ij：

上式中，I_measij和V_measij分别为光伏组件串S_ij的测量电流和测量电压，I_measij和V_measij是由光伏组件串S_ij所连接的汇流箱H_i直接采集获得；I_seriesij和V_seriesij分别为光伏组件串S_ij的输出电流和输出电压的理论计算值，并有：

V_seriesij＝V_m·ln(e+bΔG)·(1-cΔT)·W

ΔG＝G-G_ref

ΔT＝T_cell-T_ref

式中G_ref和T_ref分别表示光伏组件的参考光照强度和参考温度，取G_ref＝1kW/m²，T_ref＝25℃，e为自然对数的底数，取为2.71828，系数a、b和c为常数，取a＝0.0025、b＝0.0005和c＝0.00288；设定相似度阈值δ＝10％，当D_ij＞δ时判断光伏组件串S_ij为故障光伏组件串并转入步骤6执行第三级故障诊断过程，否则返回步骤4，其它汇流箱H₁、H₂、…、H_i-1、H_i+1、…、H_M中光伏组件串的故障诊断均采用上述所述的电流电压相似度法进行诊断。

6、通过基于故障诊断神经网络的第三级故障诊断进行故障组件的定位，其实现过程如下：

如图4所示采用三层的BP神经网络用于方阵故障类型判断及故障定位，三层BP故障诊断神经网络包含输入层、输出层和隐含层。

输入格式为(G_1～W,T_cell1～W,P_mseries,V_mseries,I_mseries,V_ocseries,I_scseries)，输入节点分别为故障光伏组件串S_ij中W个光伏组件的光照强度构成的光照强度向量G_1～W＝[G₁,G₂,…,G_α,…,G_W]、故障光伏组件串S_ij中W个光伏组件的温度构成的温度向量T_cell1～W＝[T_cell1,T_cell2,…,T_cellα,…,T_cellW]、G_1～W和T_cell1～W条件下的故障光伏组件串S_ij的最大输出功率P_mseries、最大功率点对应的电压值V_mseries、最大功率点对应的电流值I_mseries、故 障光伏组件串S_ij的开路电压V_ocseries、以及故障光伏组件串S_ij的短路电流I_scseries，其中G_α和T_cellα分别为故障光伏组件串S_ij中第α个光伏组件的光照强度和光伏组件温度，T_cellα由下式获得：

隐含层节点个数n_hidden按下式确定

上式中，n_in为输入层节点个数，取n_in＝7，n_out为输出层节点个数，隐含层传输函数采用双曲正切S型tansig函数，输出层传输函数采用purelin线性函数。

输出格式为(FS1,FS2,FS3,FS4；O₁,O₂,…,O_W)，输出层共有W+4个输出节点，输出格式由故障类型和故障光伏组件具体位置两部分构成，其中，第一部分的四个输出节点FS1、FS2、FS3和FS4分别表示组件短路、组件开路、阴影和多重故障四种故障类型，其取值为“0”或为“1”，并且是以“1”表示发生了这种故障类型的故障，以“0”表示没有发生这种故障类型的故障；第二部分O₁、O₂、…、O_W表示W个光伏组件的故障位置信息，其取值为“0”或为“1”，并且是以“1”表示该位置组件发生故障，以“0”表示该位置组件没有发生故障，a为[1,10]之间的整数，取a＝8。

故障诊断神经网络的训练：按照所述输入格式和输出格式从光伏电站历史运行数据中提取数据形成所述故障诊断神经网络的训练数据集，对所述神经网络进行训练得到训练完成的故障诊断神经网络。

7、故障报警及故障位置显示

将诊断得到的故障类型及具体故障光伏组件位置进行报警及显示，以便维修人员及时排除故障，保障光伏电站的正常运行。

Claims (4)

1.一种基于三级诊断的大型光伏阵列故障诊断定位方法,其特征是按如下步骤进行：

(1)、所述光伏阵列为串并联的构成方式，是指由各光伏组件串联构成光伏组件串，各光伏组件串互相并联构成光伏阵列，所述各光伏组件均布置有旁路二极管，各光伏组件串均安装有阻塞二极管，各光伏阵列经汇流箱与光伏并网逆变器的直流侧相连接，所述光伏阵列、汇流箱和光伏并网逆变器构成光伏电站；

(2)、将所述光伏阵列的故障类型分类为：组件短路、组件开路、阴影和多重故障共四种类型，所述多重故障是指组件短路、组件开路和阴影中任意两种或三种故障类型的组合情形，同时将所述四种故障分为硬故障和软故障，硬故障是指故障不随时间变化且需要及时排除的故障；软故障是指故障会随时间变化而自动恢复，其具有暂时性而无需排除，上述四种故障类型中组件短路、组件开路及同时发生组件短路和组件开路的多重故障为硬故障，而阴影及包含阴影的多重故障为软故障；

(3)、由光伏组件用户手册得到光伏组件在标准测试条件下的短路电流I_sc、开路电压V_oc、最大输出功率P_m、最大功率点对应的电压V_m、最大功率点对应的电流I_m，光伏组件的额定工作温度N_ot；

(4)、执行第一级故障诊断过程

按式(1)计算得到在光照强度G和环境温度T_a下、光伏并网逆变器下连接的所有光伏阵列的交流输出功率P_PVac(G,T_a)：

P_PVac(G,T_a)＝P_array·η_connect·η_mppt·η_inverter (1)

式(1)中：

P_array是根据光伏阵列直流输出功率计算模型计算获得的在光照强度G和环境温度T_a下、光伏并网逆变器下连接的所有光伏阵列的直流输出功率总和；

η_connect为光伏组件的连接效率；

η_mppt为光伏并网逆变器最大功率点跟踪效率；

η_inverter为光伏并网逆变器逆变效率；

实时测量在光照强度G和环境温度T_a下光伏并网逆变器交流侧的输出电压V_acinv和输出电流I_acinv，则由式(2)计算获得光伏并网逆变器的实测交流输出功率P_acinv为：

P_acinv＝V_acinv·I_acinv； (2)

由式(3)计算得到光伏并网逆变器的交流输出功率增量△P，

△P＝P_PVac(G,T_a)-P_acinv (3)；

由式(4)计算光伏并网逆变器的功率增量比R_P，

$R_P=\left|\frac{\mathrm{\Δ}P}{P_{PVac}(G,T_a)}\right|=\left|\frac{P_{PVac}(G,T_a)-P_{acinv}}{P_{PVac}(G,T_a)}\right|\×100\%---\left(4\right);$

式(4)中，R_P的数值范围为[0,1]，由R_P的数值大小判别光伏并网逆变器所在支路是否发生故障及故障类型，当光伏并网逆变器所在支路发生故障时转入步骤(5)，否则返回步骤(4)；

所述通过光伏并网逆变器的功率增量比R_P的数值大小判别光伏并网逆变器所在支路是否发生故障及故障类型是按如下方法进行：

当R_P＝0，即|P_PVac(G,T_a)-P_acinv|＝0，判断为整个系统是处于无故障的正常工作状态；

当R_P＝1，即P_acinv＝0，判断为光伏并网逆变器本身发生故障；

当0<R_P<1，判断为光伏阵列中有故障存在，在故障诊断期间内若R_P恒定，判定发生组件短路、组件开路或同时发生组件短路和组件开路的硬故障；若R_P出现波动，则判断为光伏组件发生阴影及包含阴影的软故障；

(5)、执行第二级故障诊断过程

令故障光伏并网逆变器支路下所连接的汇流箱共有M个，分别为H₁、H₂、…、H_i、…、H_M；连接在汇流箱H_i下的光伏组件串共有N串，分别为S_i1、S_i2、…、S_ij、…、S_iN，其中S_ij为连接在汇流箱H_i下的第j串光伏组件串，令连接在光伏组件串S_ij中的光伏组件共有W个，分别为L_ij1、L_ij2、…、L_ijk、…、L_ijW,其中L_ijk为连接在汇流箱H_i下的光伏组件串S_ij中的第k个光伏组件，由式(5)计算光伏组件串S_ij的电流电压相似度D_ij：

$D_{ij}=\frac{\sqrt{{(V_{seriesij}-V_{measij})}^2+{(I_{seriesij}-I_{measij})}^2}}{\sqrt{{V_{seriesij}}^2+{I_{seriesij}}^2}}---\left(5\right)$

式(5)中，I_measij和V_measij分别为光伏组件串S_ij的测量电流和测量电压，所述I_measij和V_measij是由光伏组件串S_ij所连接的汇流箱H_i直接采集获得；I_seriesij和V_seriesij分别为光伏组件串S_ij的输出电流和输出电压的理论计算值，并有：

$I_{seriesij}=I_m\&CenterDot;\frac{G}{G_{ref}}\&CenterDot;(1+a\mathrm{\&Delta;}T)$

V_seriesij＝V_m·ln(e+b△G)·(1-c△T)·W

△G＝G-G_ref

△T＝T_cell-T_ref

$T_{cell}=T_a+G\&CenterDot;\frac{N_{ot}-20}{0.8}$

式中G_ref和T_ref分别为光伏组件的参考光照强度和参考温度，取G_ref＝1kW/m²，T_ref＝25℃，e为自然对数的底数，取为2.71828，系数a、b和c为常数，取a＝0.0025、b＝0.0005和c＝0.00288；设定相似度阈值δ＝10％，当D_ij>δ时判断光伏组件串S_ij为故障光伏组件串并转入步骤(6)，否则返回步骤(4)；

(6)、执行第三级故障诊断过程，在故障光伏组件串S_ij内利用已训练完成的三层BP故障诊断神经网络进行光伏组件串S_ij内部故障组件的定位；

(7)、循环步骤(4)–步骤(6)，实现对大型光伏阵列的在线实时监测，并进行故障位置的准确快速定位。

2.根据权利要求1所述的基于三级诊断的大型光伏阵列故障诊断定位方法，其特征是：所述在光照强度G和环境温度T_a下光伏并网逆变器下连接的所有光伏阵列的直流输出功率总和P_array按如下光伏阵列直流输出功率计算模型计算得到：

P_array＝P(G,n_sm)＝n_sm·FF·V_y·I_y

I_y＝G·[I_sc+k_i(T_cell-25)]

V_y＝V_oc-k_v·T_cell

$T_{cell}=T_a+G\&CenterDot;\frac{N_{ot}-20}{0.8}$

$FF=\frac{V_m\&CenterDot;I_m}{V_{oc}\&CenterDot;I_{sc}}$

其中，P(G,n_sm)表示与光伏并网逆变器相连的所有光伏阵列在光照强度G下有n_sm个光伏组件正常工作时的直流输出功率总和，k_v和k_i分别表示光伏组件的电压温度系数和电流温度系数，FF为光伏组件填充因子，k_v、k_i和FF由光伏组件用户手册得到。

3.根据权利要求1所述的基于三级诊断的大型光伏阵列故障诊断定位方法，其特征是：步骤(4)中所述光伏组件的连接效率η_connect取值为0.9～0.99；所述光伏并网逆变器最大功率点跟踪效率η_mppt和光伏并网逆变器逆变效率η_inverter由光伏并网逆变器厂家用户手册得到。

4.根据权利要求1所述的基于三级诊断的大型光伏阵列故障诊断定位方法，其特征是：步骤(6)中所述三层BP故障诊断神经网络包含输入层、输出层和隐含层；

输入格式为(G_1～W,T_cell1～W,P_mseries,V_mseries,I_mseries,V_ocseries,I_scseries)；

输入节点分别为故障光伏组件串S_ij中W个光伏组件的光照强度构成的光照强度向量G_1～W＝[G₁,G₂,…,G_α,…,G_W]、故障光伏组件串S_ij中W个光伏组件的温度构成的温度向量T_cell1～W＝[T_cell1,T_cell2,…,T_cellα,…,T_cellW]、G_1～W和T_cell1～W条件下的故障光伏组件串S_ij的最大输出功率P_mseries、最大功率点对应的电压值V_mseries、最大功率点对应的电流值I_mseries、故障光伏组件串S_ij的开路电压V_ocseries、以及故障光伏组件串S_ij的短路电流I_scseries，其中G_α和T_cellα分别为故障光伏组件串S_ij中第α个光伏组件的光照强度和光伏组件温度，T_cellα由式(6)获得：

$T_{cell\mathrm{\&alpha;}}=T_a+G_{\mathrm{\&alpha;}}\&CenterDot;\frac{N_{ot}-20}{0.8}---\left(6\right);$

隐含层节点个数n_hidden按式(7)确定

$n_{hidden}=\sqrt{n_{in}+n_{out}}+a---\left(7\right),$

式(7)中，n_in为输入层节点个数，取n_in＝7，n_out为输出层节点个数，隐含层传输函数采用双曲正切S型tansig函数，输出层传输函数采用purelin线性函数；

输出格式为(FS1,FS2,FS3,FS4；O₁,O₂,…,O_W)；

输出层共有W+4个输出节点，输出格式由故障类型和故障光伏组件具体位置两部分构成，其中，第一部分的四个输出节点FS1、FS2、FS3和FS4分别表示组件短路、组件开路、阴影和多重故障四种故障类型，其取值为“0”或为“1”，并且是以“1”表示发生了这种故障类型的故障，以“0”表示没有发生这种故障类型的故障；第二部分O₁、O₂、…、O_W表示W个光伏组件的故障位置信息，其取值为“0”或为“1”，并且是以“1”表示该位置组件发生故障，以“0”表示该位置组件没有发生故障，a为[1,10]之间的整数，取a＝8；

故障诊断神经网络的训练：按照所述输入格式和输出格式从光伏电站历史运行数据中提取数据形成所述故障诊断神经网络的训练数据集，对所述神经网络进行训练得到训练完成的故障诊断神经网络。