CN104504607A - 一种基于模糊聚类算法的光伏电站故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于模糊聚类算法的光伏电站故障诊断方法，属于电力工程技术领域。本发明以故障知识库系统为基础，将待测故障报警样本数据和故障知识库系统类似的已形成既定事实的多种故障类型数据样本进行匹配组合，形成故障数据矩阵，作为算法的输入量；算法根据输出的模糊隶属度矩阵，自动比较待测故障报警样本与既定事实的多种类型的故障样本之间的隶属度，隶属度最高的故障类型即为待测故障报警样本所代表的故障类型，从而完成对光伏电站故障的诊断。本发明能够快速诊断故障类型，提高故障诊断的准确度，提高光伏电站的可靠性和稳定性，为电站运维人员及时提供故障信息和检修方案，从而减小故障造成的损失，具有较高的利用价值。

Description

一种基于模糊聚类算法的光伏电站故障诊断方法

技术领域

本发明涉及一种基于模糊聚类算法的光伏电站故障诊断方法，属于电力工程技术领域。

背景技术

目前全球环境日益严重、能源问题日益突出，以煤炭、石油、天然气为代表的传统能源资源逐渐枯竭，而且这些能源的利用率低、对环境的污染大。太阳能取之不尽、用之不竭，光伏发电清洁环保、绿色健康，已经在世界多个国家得到广泛发展和利用，在一定程度上改善了人们的用电方式和周围环境。

随着光伏电站建设规模越来越大、数量越来越多，设备质量缺陷、系统设计不当、环境因素影响等往往会造成设备和系统的可靠性降低，故障发生率高，而且由于光伏电站设备庞杂、种类繁多，因而故障现象、故障原因和故障类型呈现出多样化和模糊性的特点，多种故障现象可能对应同一种故障类型，多种故障类型也可能由一种或多种故障原因引起。目前的光伏电站系统较为脆弱、自我更新和修复能力不足，使得电站的故障定性不准确，处理不及时，因而提出一种高效的光伏电站故障诊断及检修决策方法对保证光伏电站安全、稳定运行，有效减小故障损失起到十分重要的作用。

发明内容

本发明的目的是提供一种基于模糊聚类算法的光伏电站故障诊断方法，以解决现有光伏电站可靠性低、故障判定不准确以及故障维修不及时的问题。

本发明为解决上述技术问题而提供一种基于模糊聚类算法的光伏电站故障诊断方法，该故障诊断方法包括以下步骤：

1)采集光伏电站的故障报警信息作为待测故障报警样本；

2)将待测故障报警样本数据与故障知识库系统的中类似的、已知故障类型的故障报警样本数据进行匹配，以形成故障数据矩阵；

3)采用模糊聚类算法比较故障数据矩阵中待测故障报警样本与既定事实的多种类型的故障样本之间的隶属度，隶属度最高的故障类型即为待测故障报警样本所代表的故障类型。

所述故障知识库系统包括已知故障类型的故障报警样本数据及其对应的故障类型、因果联系、检修方案、专家知识、历史经验数据、实时检测数据和实验仿真数据，且随着各种类型故障数据的不断增加，故障知识库系统不断进行完善和更新。

所述步骤2)中的到故障数据矩阵需先经过知识评审，以去掉其中和待测故障报警样本数据不符的特征属性，并将故障数据矩阵以特征向量的形式表示。

所述的故障数据矩阵还需进行归一化处理，以统一各种属性数据的量纲。

所述待测故障报警样本采集于光伏电站监控系统。

所述步骤3)中判定隶属度正确与否的标志是，待测故障报警样本隶属于已知故障类型的多种故障样本的隶属度之和为1。

所述在判定待测故障报警样本数据所代表的故障类型后，再次关联故障知识库，自动匹配查询故障类型所对应的检修方案，并将故障类型及其检修方案通过人机界面进行显示。

本发明的有益效果是:本发明以故障知识库系统为基础，将待测故障报警样本数据和故障知识库系统类似的已形成既定事实的多种故障类型数据样本进行匹配组合，形成故障数据矩阵，作为算法的输入量；算法根据输出的模糊隶属度矩阵，自动比较待测故障报警样本与既定事实的多种类型的故障样本之间的隶属度，隶属度最高的故障类型即为待测故障报警样本所代表的故障类型，从而完成对光伏电站故障的诊断。本发明能够快速诊断故障类型，提高故障诊断的准确度，提高光伏电站的可靠性和稳定性，为电站运维人员及时提供故障信息和检修方案，从而减小故障造成的损失，具有较高的利用价值。

附图说明

图1是本发明实施例中故障诊断及检修决策的系统结构图；

图2是故障知识库的体系结构图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的说明。

模糊集合理论不但能够表示事物间确定的对应关系，而且当事物间存在模棱两可的隶属关系时，也能通过隶属度的形式来形象表示，这就更加符合人类的日常思维逻辑，所以它的应用范围比普通集合更广泛。基于目标函数的模糊聚类算法实际上是非线性优化问题，在约束条件下，通过目标函数的极小值实现对集合软划分的目的。而且设计简单，易在计算机上实现，所以在实际应用中受到更多欢迎，已在图像处理、信息检索和医学检测等方面得到广泛应用。

根据光伏电站故障征兆与故障类型多样化、模糊性化的特征，本发明采用模糊聚类算法对光伏电站的故障进行诊断，以故障知识库系统为基础，将待测故障报警样本数据和故障知识库系统类似的已形成既定事实的多种故障类型数据样本进行匹配组合，形成故障数据矩阵，作为算法的输入量；算法根据输出的模糊隶属度矩阵，自动比较待测故障报警样本与既定事实的多种类型的故障样本之间的隶属度，隶属度最高的故障类型即为待测故障报警样本所代表的故障类型，从而完成对光伏电站故障的诊断。该方法的具体实施过程如下：

1.以故障知识库系统为基础，通过电站的监控系统获得故障报警信息，通过手工录入或自动采集的形式将故障报警信息形成待测故障报警样本。

本发明所采用的故障知识库如图2所示，包括已知故障类型的故障报警样本数据及其对应的故障类型、因果联系、检修方案、专家知识、历史经验数据、实时监测数据和实验仿真数据等。电站监控系统发出报警信息时，采集故障报警信息作为待测故障报警样本数据。

2.将待测故障报警样本数据和故障知识库系统类似的以形成既定的事实的多种故障类型数据样本进行匹配组合，形成故障数据矩阵，作为模糊聚类算法的输入量。

由于故障知识库中的数据量庞大，为了保持故障数据矩阵具有统一的属性，故障数据矩阵需要经过知识评审，以提出故障矩阵中与待测故障报警样本数据不符的属性，其余数据用能够体现故障特性的特征向量表示，另外，为了统一各种数据的量纲，对特征向量表述的故障数据矩阵进行归一化处理，以保证数据格式的一致性，提高算法的处理速度。

以某光伏电站1#逆变器某次故障报警样本x_k为例，监控系统采集到的每条报警信息作为本次故障样本的特征属性，具体为：

直流侧三相电压(V)：x^j _D1,x^j _D2,x^j _D3；

直流侧三相电流(A)：x^j _D4,x^j _D5,x^j _D6；

交流侧三相电压(V)：x^j _A1,x^j _A2,x^j _A3；

交流侧三相电流(A)：x^j _A4,x^j _A5,x^j _A6；

有功功率(kW)：x₁ ^l；

无功功率(kvar)：x₂ ^l；

功率因数x₃ ^l；

功率曲线：x₁ ^m；

逆变器效率(％)：x₂ ^m；

机内温度(℃)：x₃ ^m；

电网累计正常运行小时数(h)：x₁ ⁿ；

逆变器累计正常运行小时数(h)：x₂ ⁿ；

逆变器累计故障小时数(h)：x₃ ⁿ

3.比较待测故障报警样本与既定事实的多种类型的故障样本之间的隶属度，隶属度最高的故障类型即为待测故障报警样本所代表的故障类型。

光伏电站运行中发生的故障，影响因素往往不是单一的，故障的每个属性都能够从不同的方面反应故障特征，其中某些属性可能是主要属性，从中可以提取到直接反应故障类型的特征向量，有些可能是次要属性，不能直接反应故障的特点。多种故障现象可能对应同一种故障类型，也有可能故障征兆和现象是多种故障类型的产物，可见电站的故障现象、故障原因和故障类型具有多样性，而且存在模型对应关系。因此通过引入隶属度的概念来表征故障样本与故障类型之间的隶属度关系是否符合电站的故障特点。算法输出隶属度矩阵的形式为：

U＝[μ_ik]_c×n          (1)

$\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ik}}=1---\left(2\right)$

其中，c表示所有故障类型的个数，n表示待测故障样本的个数，μ_ik(i＝1,2,...c；k＝1,2,...n)表示第k个故障样本x_k隶属于第i个故障类型的程度，若μ_pk(p＝1,2,...c)最大，则说明第k个故障样本隶属于第i个故障类型的可能性最大，因而算法判定第k个故障样本的故障类型即为第i种故障类型。

以故障样本的特征属性为基本匹配条件，假设故障知识库中查询到与故障样本相似的隶属于不同故障类型的故障样本有N个，样本集合可表示为：

X＝{x_q},q＝1,2,...,N

待测故障报警样本x_k与X组合形成的故障数据矩阵为：

$Y=(X,x_k)=\left\{\begin{array}{c}{x}_i\\ x_k\end{array}\right\}$

故障数据矩阵Y中共包含N+1个样本，矩阵Y经过归一化处理后，模糊聚类算法对N+1个样本进行聚类分析，迭代结束后，待测故障样本以隶属度的方式确定属于N个故障类型的一种。

根据所确定故障类型再次关联到故障知识库，查询相对应的故障解决方案，将所确定的故障类型和检修决策方案输出显示到人机界面上，以便现场维修人员及时修复故障，降低故障损发。

为了丰富和完善故障知识库，将本次待测故障报警样本特征属性、故障类型及其检修决策方案作为既定事实的故障样本信息，继续反馈到故障知识库系统，至此完成一次故障诊断及检修决策。

以上所述的具体实施例中，对于本发明的目的、技术方案进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于模糊聚类算法的光伏电站故障诊断方法，其特征在于，该故障诊断方法包括以下步骤：

1)采集光伏电站的故障报警信息作为待测故障报警样本；

2)将待测故障报警样本数据与故障知识库系统的中类似的、已知故障类型的故障报警样本数据进行匹配，以形成故障数据矩阵；

3)采用模糊聚类算法比较故障数据矩阵中待测故障报警样本与既定事实的多种类型的故障样本之间的隶属度，隶属度最高的故障类型即为待测故障报警样本所代表的故障类型。

2.根据权利要求1所述的基于模糊聚类算法的光伏电站故障诊断方法，其特征在于，所述故障知识库系统包括已知故障类型的故障报警样本数据及其对应的故障类型、因果联系、检修方案、专家知识、历史经验数据、实时检测数据和实验仿真数据，且随着各种类型故障数据的不断增加，故障知识库系统不断进行完善和更新。

3.根据权利要求2所述的基于模糊聚类算法的光伏电站故障诊断方法，其特征在于，所述步骤2)中的到故障数据矩阵需先经过知识评审，以去掉其中和待测故障报警样本数据不符的特征属性，并将故障数据矩阵以特征向量的形式表示。

4.根据权利要求3所述的基于模糊聚类算法的光伏电站故障诊断方法，其特征在于，所述的故障数据矩阵还需进行归一化处理，以统一各种属性数据的量纲。

5.根据权利要求1所述的基于模糊聚类算法的光伏电站故障诊断方法，其特征在于，所述待测故障报警样本采集于光伏电站监控系统。

6.根权利要求4所述的基于模糊聚类算法的光伏电站故障诊断方法，其特征在于，所述步骤3)中判定隶属度正确与否的标志是，待测故障报警样本隶属于已知故障类型的多种故障样本的隶属度之和为1。

7.根据权利要求4所述的基于模糊聚类算法的光伏电站故障诊断方法，其特征在于，所述在判定待测故障报警样本数据所代表的故障类型后，再次关联故障知识库，自动匹配查询故障类型所对应的检修方案，并将故障类型及其检修方案通过人机界面进行显示。