CN105024645B

CN105024645B - 一种基于矩阵进化的光伏阵列故障定位方法

Info

Publication number: CN105024645B
Application number: CN201510417763.0A
Authority: CN
Inventors: 常生强; 陈洪雨; 屈国旺; 陈贺; 袁玉宝; 高胜国; 赵宏杰; 侯志卫; 李春海; 翟志国; 武拴娥; 杜晓刚; 郝磊; 范嘉煜; 赵鹏; 安志国; 牛培莹; 刘彩坤; 屈爱艳
Original assignee: Shijiazhuang Kelin Electric Co Ltd
Current assignee: Shijiazhuang Kelin Electric Co Ltd
Priority date: 2015-07-16
Filing date: 2015-07-16
Publication date: 2017-03-08
Anticipated expiration: 2035-07-16
Also published as: CN105024645A

Abstract

本发明公开了一种基于矩阵进化的光伏阵列故障定位方法，属于光伏阵列故障诊断技术领域，采用的技术方案是，以矩阵进化算法为核心，通过对光伏板两两比较，并以其相对值进行权值处理转变为线性求解，进一步通过评价函数及进化函数不断迭代，一步步优化最终求得解。本发明的优点是，定位快速高效、准确、误差小，可行性高；在进一步改进的技术方案中，提供了评价光伏板性能的设定属性及判断值的计算方法，对每块光伏板综合性能的评价合理、全面；光伏板数据采集系统中的采集器借助无线局域网与多组光伏板的逆变器连接，简化了实现该方法的系统的结构，适用范围广。

Description

一种基于矩阵进化的光伏阵列故障定位方法

技术领域

本发明涉及光伏阵列故障诊断技术领域，具体涉及一种基于矩阵进化的光伏阵列故障定位方法。

背景技术

近年来随着光伏发电项目的快速发展，光伏电站的规模也在不断提升，通常使用大量光伏发电板组件构成数量多、分布面积大的光伏阵列，如果其中一块光伏板组件发生故障，需要耗费大量人力和时间去定位故障到组件，从而及时排除故障。随着计算机技术和飞速发展，人们开始尝试用智能控制算法来完成光伏系统故障的智能判断和定位，然而一个光伏电站中动辄就十几万块的光伏板，每块光伏板大体有十几个基础数据，一个光伏电站就要几十万、上百万个数据同时处理，那么如何从这些海量数据中快速挖掘出我们需要关心的数据，目前，还没有一个比较成熟的方法，较为常用的求解优化算法主要有粒子群算法、遗传算法等。

粒子群算法是从随机解出发，通过适应度模型对每个解进行评价，根据评价结果进行迭代，来不断进化解群，从而找到最优解。采用粒子群算法查找最优解具有一定的随机性，如果评价函数设计的不好，很容易造成局部最优解，并且为了适应光伏行业的应用，评价函数设计的非常复杂，迭代次数较多、算法收敛较慢、耗时长、误差大。遗产算法也是从随机初始化的群体出发，以适应度函数为评价依据，通过对群体中的每个解个体不断进行选择、交叉、变异等操作，实现个体之间的信息重组，从而提高个体解的品质，来逐渐逼近最优解。由于遗传算法操作的并不是数据量本身，而是待求解变量，所以需要对解变量进行编码，因此，增加了计算复杂度，并且由于也采用随机求解方式，当数据量过大时，迭代次数也会呈指数级增长，所以算法的收敛速度也较慢。

可见，开发计算简单、快速，准确定位光伏阵列中故障组件的方法及算法对光伏发电站的高效工作至关重要。

发明内容

为解决目前光伏阵列中对故障组件定位不准确及定位耗时长的技术问题，本发明提供一种基于矩阵进化的光伏阵列故障定位方法，其核心是矩阵进化算法，通过对光伏板两两比较，并以其相对值进行权值处理转变为线性求解，进一步通过评价函数及进化函数不断迭代，一步步优化最终求得解的技术方案，实现了对发生故障的光伏板位置快速而准确的定位。

本发明采用的技术方案是，一种基于矩阵进化的光伏阵列故障定位方法，基于光伏阵列定位系统实现，所述系统中包括用于采集环境数据和光伏阵列中每块光伏板性能数据的数据采集系统和借助网络接口模块与数据采集系统连接的主处理器，所述主处理器中存储有每块光伏板所有性能的额定值，所述数据采集系统实时采集环境数据和每块光伏板预设性能的数据并传输至主处理器，所述主处理器在此基础上进行以下步骤：

（1）数据预处理：对每块光伏板，根据采集的数据和该光伏板所有性能的额定值，计算得该光伏板的判断值Y；

判断所有光伏板的Y值，对Y≤50%的光伏板，直接判断该光伏板存在故障，不参与后续计算；对Y>50%的光伏板，两两对比其判断值Y，得相对值M_ij， M_ij表示第i块光伏板与第j块光伏板的判断值Y的比值；

(2)以步骤(1)所得的相对值M _ij组成判断矩阵P，

P=，

式中，，n为光伏板的个数；

(3) 将（2）中判断矩阵P每行的相对值相加计算得每块光伏板的权值R，以权值R组成列矩阵U，U=，式中，R _i表示第i块光伏板的权值，，，n为光伏板的个数，若U中最大权值项R_最大值与最小权值项R_最小值之差小于期望误差k，则判定所有光伏板正常，运算结束；若最大权值项R_最大值与最小权值项R_最小值大于等于期望误差k，则进行下述步骤（4）-（6）；

(4)利用评价函数计算步骤（3）矩阵U中R _i的正常评价值F _正常（R _i ）和异常评价值F _异常（R _i ），所述评价函数的数学表达式为：，R _i正常 ^* =R _最大值 -V _正常，R _i异常 ^* = R _最小值 +V _异常，

将F _异常（R _i ）<F _正常（R _i ）的R _i组建为异常集合S，暂定为故障光伏板的个体组合，其余的R _i组建为正常集合（U-S），暂定为正常光伏板的个体组合，

式中，为步骤（3）U中所有权值项的数值的平均值，表示权系数，0≤＜1，R _i为第i块光伏板的权值，R _i正常 ^* 、 R _i异常 ^*分别为第i块光伏板期望的正常权值、异常权值，R _最大值、 R _最小值分别为U中的最大权值项、最小权值项，V _正常、V _异常分别为正常适应值、异常适应值，初始时V _正常 =0，V _异常 =0；

（5）利用进化函数和步骤（4）所得的F _正常、F _异常计算正常适应值V _正常和异常适应值V _异常，所述进化函数的数学表达式为，式中，R_i为第i块光伏板的权值，S表示步骤（3）中的异常集合，（U-S）表示步骤（3）中的正常集合，F _正常（R _i）、F _异常（R _i）分别为第i块光伏板的权值R _i的正常评价值、异常评价值，n_s、n_U-S分别表示异常集合S中元素的个数、正常集合（U-S）中元素的个数；

(6)设定最大迭代次数为T，将（5）中V _正常和V _异常代入步骤（4）中计算R _i正常 ^*和R _i异常 ^*，若R _i正常 ^* -R _i异常 ^*<k，则运算结束，异常集合S即为故障光伏板的个体组合；若R _i正常 ^* -R _i异常 ^*≥k，则去掉最大异常评价值对应的权值项，剩余权值项重新组成权值列矩阵，返回至步骤（3）；当迭代t+1次后的异常集合S与迭代t次后的异常集合S相同，或者迭代次数>T，运算结束，异常集合S即为故障光伏板的个体组合。

优选的，所述主处理器中存储的每块光伏板所有性能的额定值包括每块光伏板的电池板面积A、额定转换效率B、年损耗率C和额定电压D，所述步骤（1）中采集的数据包括输出功率E、日照强度F、开路电压G、短路电流H、电池板温度I、开路电流J、投运时间K和当前时间L中的一种或两种以上。

进一步的，所述步骤（1）中采集的数据为输出功率E、日照强度F、开路电压G、短路电流H、电池板温度I、开路电流J、投运时间K和当前时间L时，根据该光伏板的电池板面积A、额定转换效率B、年损耗率C和额定电压D，计算该光伏板的判断值Y的过程如下：

①计算每块光伏板当前的额定输出功率X=(B*(1-C)^(L-K)*A*F)*(1-(I-60)*0.0004)；

②光伏板当前的判断值Y = (1+ (X-E)/X)*p + (1+(D-G*J/H)/D)*(1-p)，其中，若X<E则取X=E，若G*J/H > D则取G*J/H = D，0<p<1。

优选的，所述P的取值范围是30%-50%。

更优选的，所述P的取值是40%。

优选的，所述的取值范围是10^-10~10^-6。

优选的，所述k的取值范围是不大于0.5。

所述光伏板数据采集系统结构中包括借助无线局域网与多组光伏板的逆变器连接的采集器及其配套电路。

上述技术方案中，本发明所提供的故障定位方法，用于对由大量光伏板构成的光伏阵列进行故障定位，该方法基于光伏阵列定位系统实现，所述系统中包括数据采集系统和主处理器，数据采集系统用于实时采集当前环境条件的数据和光伏阵列中每块光伏板各种性能的实际数据，其中，采集的环境条件的数据主要包括日照强度，采集的每块光伏板各种性能的实际数据包括输出功率、开路电压、短路电流、电池板温度、开路电流、投运时间和当前时间，主处理器中存储有每块光伏板的额定值，包括电池板面积、额定转换效率、年损耗率和额定电压，实际运用中，为判断一块光伏板是否存在故障，可预先设定采集其部分性能或全部性能的数据，采集的数据传输至主处理器，主处理器中存储有与每块光伏板对应的厂家及厂家提供的所有属性的额定值，如额定电流、额定转换效率、额定年损耗率、额定电压、额定输出功率、额定温度、额定运行时间等，主处理器借助网络接口模块接收数据采集系统输出的数据，将采集的数据，结合存储的该光伏板的额定值按照一定的运算方式得到该块光伏板的判断值Y，此时若Y≤50%，则直接判断该光伏板存在故障，筛选出来，不参与后续计算；若Y>50%，则将所有的Y>50%的光伏板的判断值Y采用近似比较法和最差点法比较两种方式进行两两相比，并定义第i块光伏板的判断值Y_i与第j块光伏板的判断值Y_j的比值为相对值M_ij，进一步以相对值组成如上的判断矩阵P，再对P中每块光伏板与其它光伏板比较的相对值相加得到每块光伏板的权值，即对P中每行的数据分别相加，从而转变为线性求解，进一步通过评价函数及进化函数进行不断迭代，一步步优化最终求解，实现对发生故障的光伏板进行精确定位。

其中，步骤（4）中利用评价函数得到第i块光伏板的权值R _i对应的正常评价值F _正常（R _i）和异常评价值F _异常（R _i），若F _异常（R _i）<F _正常（R _i）,则暂定第i块光伏板存在故障，将其R_i组建为异常集合S，矩阵U减去S后所剩余的权值项组建为正常集合（U-S），例如，通过计算，U中的R₁，R₄，R₁₁，R₃₀，R₅₂，R₁₀₂，R₁₁₃，R₁₉₀的异常评价值小于正常评价值，则暂定第1、4、11、30、52、102、113、190块光伏板存在故障，其它正常，此时S={R₁，R₄，R₁₁，R₃₀，R₅₂，R₁₀₂，R₁₁₃，R₁₉₀}；评价函数中的表示U中小于平均值的权值项的总和与权系数的乘积，是为了快速收敛而设置，0≤＜1，=0时表示不采用快速收敛，越大，正常适应值V _正常及异常适应值V _异常会变化越快，其取值与光伏板个数有关，如个数较多可以尽量大一点，但如取值过大可能会造成收敛过度而得不到最优值，在收敛速度可接受的情况下，取尽可能小的值，实际应用中，一般取10^-10 ~10^-6；步骤（5）中V _异常为异常集合S中所有权值项对应的异常评价值的平均值，V _正常为正常集合(U-S) 中所有权值项对应的正常评价值的平均值；步骤（6）中运算结束有三种情况，①若迭代t次后，异常集合S={R ₁，R ₄₁，R ₁₂₀}，将（5）中V _正常和V _异常代入至步骤（4）计算得到异常期望值R _i异常 ^*=0.9782，正常期望值R _i正常 ^*=1.0272，R _i正常 ^* - R _i异常 ^*=1.0272-0.9782 < 0.5, 此时运算结束，判定有故障的光伏板为第1、41、120块；②若迭代t次后，异常集合S_t={R ₁，R ₄₁，R ₁₂₀}，迭代t+1次后，异常集合S_t+1={R ₁，R ₄₁，R ₁₂₀},异常期望值R _i异常 ^*=0.8782，正常期望值R _i正常 ^*=1.0272, R _i正常 ^* -R _i异常 ^* =1.0272-0.8782 > 0.5, 但S_t+1和S_t相同，此时仍运算结束，判定有故障的光伏板为第1、41、120块；③若设定最大迭代次数为T，实际迭代次数t>T时，运算结束，迭代t次时的异常集合S中的权值项对应的光伏板即为故障的光伏板。

本发明的有益效果是：本发明所提供的基于矩阵进化的光伏阵列故障定位方法定位快速高效、准确、误差小，可行性高；在进一步改进的技术方案中，提供了评价光伏板性能的设定属性及判断值的计算方法，对每块光伏板综合性能的评价合理、全面；光伏板数据采集系统中的采集器借助无线局域网与多组光伏板的逆变器连接，简化了实现该方法的系统的结构，适用范围广。

下面结合附图及实施例对本发明进行详细说明。

附图说明

图1是实施例1中第4组数据以矩阵进化算法经matlab仿真后得到误差曲线结果图；

图2是实施例1中第4组数据以粒子群算法经matlab仿真后得到误差曲线结果图。

具体实施方式

为更好的理解本发明的方法，以下通过试验数据具体说明。

实施例1

为了验证本方法中作为核心的矩阵进化算法在实际应用中的可行性和高效性，以粒子群算法作为对照，利用Matlab对两种算法进行仿真比较，仿真过程如下：

（1）采集了实际应用中5个光伏阵列中光伏板的数据，分别经过预处理后，得到如下表所示的5组判断矩阵P：

（2）将上述判断矩阵P作为输入数据分别代入到本发明中的矩阵进化算法和粒子群算法中，经过matlab仿真后结果如下表：

从仿真结果数据中也可以看出，本发明的矩阵进化算法比粒子群算法所用计算所用时间更短，收敛更快速。

对数据组4以矩阵进化算法和粒子群算法计算，经matlab仿真得到的误差曲线结果图分别见附图1和2，由图可见，本发明中的矩阵进化算法比粒子群算法在实际运算中误差更小，收敛更稳定，由此也充分验证了多变量矩阵进化算法的可行性和高效性。

实施例2

本实施例以实施例1中的数据组1为例，说明本发明的矩阵进化算法的具体过程，本实施例中设定期望误差k为0.5。

步骤（1），数据采集系统采集光伏阵列中每块光伏板的输出功率E、日照强度F、开路电压G、短路电流H、电池板温度I、开路电流J、投运时间K和当前时间L，根据主处理器中存储的每块光伏板的电池板面积A、额定转换效率B、年损耗率C和额定电压D，

按下述公式计算每块光伏板的判断值，额定输出功率X=(B*(1-C)^(L-K)*A*F)*(1-(I-60)*0.0004)，判断值Y = (1+ (X-E)/X)*40% + (1+(D-G*J/H)/D)*(1-40%)，若X<E则取X=E，若G*J/H > D则取G*J/H = D，；

此时若Y≤50%，则直接判断该光伏板存在故障，筛选出来，不参与后续计算；Y>50%的光伏板有7块，将该7块光伏板的判断值Y进行两两相比，并定义第i块光伏板的判断值Y_i与第j块光伏板的判断值Y_j的比值为相对值M_ij，

步骤（2），经过步骤（1）的预处理后，有7块光伏板参与筛选计算，以相对值M _ij组成如下的判断矩阵P，

P= ，

步骤（3），将判断矩阵P每行的相对值相加计算得每块光伏板的权值R，以权值R组成列矩阵U，U=，U中最大权值项R_最大值为8.1134，最小权值项R_最小值为6.2208，8.1134-6.2208=1.8926>0.5, 故进行下述步骤（4）-（6）计算；

步骤（4），利用评价函数计算步骤（3）矩阵U中每项的正常评价值F _正常和异常评价值F _异常，矩阵U中所有项的平均值为7.177243，低于平均值的权值项为7.0366、6.2208、6.7563、6.9751，低于平均值的权值项的总和为26.9888，取=0.000001，此时为首次进行评价值计算，适应值V _正常=0，V _异常=0，期望的正常权值R _i正常 ^*=R _最大值= 8.1134，期望的异常权值R _i异常 ^*=R _最小值=6.2208，保留四位小数的正常评价值F _正常和异常评价值F _异常结果见下表：

可见，R₁、R₃、R₄、R₅的F _异常<F _正常，异常集合S={7.0366，6.2208，6.7563，6.9751}，暂定第1、3、4、5块光伏板为发生故障，（U-S） ={8.1134，7.2682 ，7.8703 }，暂定第2、6、7块光伏板为正常光伏板；

步骤（5），利用进化函数和步骤（4）中的评价值数据，计算此时的适应值V _异常=[ F _异常（R ₁）+ F _异常（R ₃）+ F _异常（R ₄）+ F _异常（R ₅）]/4= (0.8158+0+0.5355+0.7543)/4=0.5264，V _正常= [F _正常（R ₂）+ F _正常（R ₆）+ F _正常（R ₇）]/3= (0+0.8452+0.2431)/3=0.3628；

步骤（6），设定最大迭代次数T=10，将（5）中V _异常=0.5264，V _正常=0.3628代入至步骤（4），计算得光伏板期望的正常权值R _i正常 ^*=R _最大值-V _正常= 8.1134-0.3628= 7.7506，期望的异常权值R _i异常 ^*= R _最小值+V _异常= 6.2208+ 0.5264= 6.7472，R _i正常 ^* -R _i异常 ^*=1.0034>k，则去掉最大异常评价值(1.8926)对应的权值项R ₂，剩余权值项重新组成权值列矩阵，U=，回到步骤（3）开始新一次的评价和迭代计算，直至R _i正常 ^* -R _i异常 ^*<k，则运算结束，异常集合S即为故障光伏板的个体组合；或在运算过程中出现迭代t+1次后的异常集合S与迭代t次后的异常集合S相同，异常集合S即为故障光伏板的个体组合；或者迭代次数t=11>10时仍没出现上述两种情况，则运算结束，第11次迭代时的异常集合S即为故障光伏板的个体组合。

Claims

1.一种基于矩阵进化的光伏阵列故障定位方法，基于光伏阵列定位系统实现，所述光伏阵列定位系统中包括用于采集环境数据和光伏阵列中每块光伏板性能数据的数据采集系统和借助网络接口模块与数据采集系统连接的主处理器，其特征在于，所述主处理器中存储有每块光伏板所有性能的额定值，额定值包括每块光伏板的电池板面积A、额定转换效率B、年损耗率C和额定电压D，所述数据采集系统实时采集环境数据和每块光伏板预设性能的数据并传输至主处理器，所述主处理器在此基础上进行以下步骤：

（1）数据预处理：对每块光伏板，根据采集的数据和该光伏板所有性能的额定值，计算得该光伏板的判断值Y；采集的数据为输出功率E、日照强度F、开路电压G、短路电流H、电池板温度I、开路电流J、投运时间K和当前时间L时，根据该光伏板的电池板面积A、额定转换效率B、年损耗率C和额定电压D，计算该光伏板的判断值Y的过程如下：

②光伏板当前的判断值Y = (1+ (X-E)/X)*p + (1+(D-G*J/H)/D)*(1-p)，其中，若X<E则取X=E，若G*J/H > D则取G*J/H = D，0<p<1；

（2）以步骤（1）所得的相对值M _ij组成判断矩阵P，

P=，

式中，，n为Y>50%的光伏板的个数；

(3) 将（2）中判断矩阵P每行的相对值相加计算得每块光伏板的权值R，以权值R组成列矩阵U，U=，式中，R _i表示第i块光伏板的权值，，，n为Y>50%的光伏板的个数，若U中最大权值项R_最大值与最小权值项R_最小值之差小于期望误差k，则判定所有光伏板正常，运算结束；若最大权值项R_最大值与最小权值项R_最小值之差大于等于期望误差k，则进行下述步骤（4）-（6）；

(4)利用评价函数计算步骤（3）矩阵U中R _i的正常评价值F _正常（R _i ）和异常评价值F _异常（R _i ），所述评价函数的数学表达式为：，R _i正常 ^* =R _最大值 -V _正常， R _i异常 ^* = R _最小值 +V _异常，

式中，为步骤（3）U中所有权值项的数值的平均值，表示权系数，0≤＜1，R _i为第i块光伏板的权值，R _i正常 ^* 、 R _i异常 ^*分别为第i块光伏板期望的正常权值、异常权值，R _最大值、R _最小值分别为U中的最大权值项、最小权值项，V _正常、V _异常分别为正常适应值、异常适应值，初始时V _正常 =0，V _异常 =0；

（5）利用进化函数和步骤（4）所得的F _正常、F _异常计算正常适应值V _正常和异常适应值V _异常，所述进化函数的数学表达式为，式中，R _i为第i块光伏板的权值，S表示步骤（3）中的异常集合，（U-S）表示步骤（3）中的正常集合，F _正常（R _i）、F _异常（R _i）分别为第i块光伏板的权值R _i的正常评价值、异常评价值，n_s、n_U-S分别表示异常集合S中元素的个数、正常集合（U-S）中元素的个数；

(6)设定最大迭代次数为T，将（5）中V _正常和V _异常代入步骤（4）中计算R _i正常 ^*和R _i异常 ^*，若R _i正常 ^* -R _i异常 ^*<k，则运算结束，异常集合S即为故障光伏板的个体组合；若R _i正常 ^* -R _i异常 ^*≥k，则去掉最大异常评价值对应的权值项，剩余权值项重新组成权值列矩阵，返回至步骤（3）；当迭代t+1次后的异常集合S与迭代t次后的异常集合S相同，或者迭代次数t>T，运算结束，迭代t次时的异常集合S即为故障光伏板的个体组合。

2.根据权利要求1所述的一种基于矩阵进化的光伏阵列故障定位方法，其特征在于，所述p的取值范围是30%-50%。

3.根据权利要求1或2所述的一种基于矩阵进化的光伏阵列故障定位方法，其特征在于，所述p的取值是40%。

4.根据权利要求1所述的一种基于矩阵进化的光伏阵列故障定位方法，其特征在于，所述权系数的取值范围是10^-10~10^-6。

5.根据权利要求1所述的一种基于矩阵进化的光伏阵列故障定位方法，其特征在于，所述期望误差k的取值范围是不大于0.5。

6.根据权利要求1所述的一种基于矩阵进化的光伏阵列故障定位方法，其特征在于，所述数据采集系统结构中包括借助无线局域网与多组光伏板的逆变器连接的采集器及其配套电路。