CN105954616A - 基于外特性电气参数的光伏组件故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于外特性电气参数的光伏组件故障诊断方法，首先，对不同故障下光伏组件外特性电气参数进行特征提取；其次，分别采用BP神经网络、RBF神经网络、Elman神经网络和RVM算法建立基于外特性电气参数的4种光伏组件故障诊断模型，用于光伏组件的初步故障诊断；最后，提出了一种基于改进证据相似度的光伏组件数据融合故障诊断模型，将上述4种模型的诊断结果作为该改进数据融合算法的基本概率分配(BPA)函数值，在决策层进行融合诊断输出。本发明的基于外特性电气参数的光伏组件故障诊断方法，解决了单一故障诊断方法可靠性低的缺陷。

Description

基于外特性电气参数的光伏组件故障诊断方法

技术领域

本发明涉及一种故障诊断方法，特别是一种基于外特性电气参数的光伏组件故障诊断方法。

背景技术

光伏发电具有设计安装容易、地域限制小、扩容性强、噪声低以及寿命长等特点，日益成为新能源发电的主要形式之一。现阶段，光伏发电系统中光伏组件所占投资比重仍较大，约占总造价40％左右。通常，光伏组件的设计寿命约为25年，然而由于其长期工作在比较恶劣的环境中，各种故障情况难以避免，使得实际使用寿命大为降低。一旦光伏组件发生运行故障，直接危害是损坏组件本身，降低发电效率；间接危害则是造成整个光伏发电系统不能正常运行或对电网造成影响，进而酿成重大经济损失。

由于外界环境的复杂多变，使得光伏组件呈现故障起因复杂性和故障类型多样性，现有的故障诊断技术和方法难以适应光伏组件故障诊断的需要，因此，有待进一步完善和发展。

发明内容

本发明所要解决的技术问题是提供一种基于外特性电气参数的光伏组件故障诊断方法，能够实现对光伏组件正常、短路故障、等效串联电阻Rs异常老化故障和等效并联电阻Rsh异常老化故障的有效诊断。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于外特性电气参数的光伏组件故障诊断方法，其特征在于包含以下步骤：

步骤一：对不同故障下光伏组件外特性电气参数进行特征提取；

步骤二：分别采用BP神经网络、RBF神经网络、Elman神经网络和RVM算

法，建立基于外特性电气参数的4种光伏组件故障诊断模型；

步骤三：建立基于改进证据相似度的数据融合模型，将4种模型的诊断结果

作为该模型的基本概率分配函数值，在决策层进行融合诊断输出。

进一步地，所述不同故障下光伏组件外特性电气参数包含V_m值、V_oc值、I_m值和I_sc值。

进一步地，所述基于外特性电气参数的4种光伏组件故障诊断模型为，将外特性电气参数V_oc、I_sc、V_m和I_m作为输入变量，以组件正常、短路、R_s异常老化和R_sh异常老化等4种运行状态作为模型输出，分别用O₁、O₂、O₃及O₄表示，建立4种光伏组件外特性电气参数的故障诊断模型。

进一步地，所述基于改进证据相似度的数据融合模型建立过程为，首先，引入相容系数构造参考证据体；其次，通过相似三角函数并结合参考证据体，进行异常证据体判定；最后，依据D-S合成规则进行证据合成，得出最终融合结果。

进一步地，所述参考证据体的构造过程为，设m₁和m₂是辨识框架Θ＝{A₁,A₂,…,A_H}上两个BPA函数，其相容系数为：当系统中存在m_i(i＝1,2,...,I)个证据源，则对证据m_i的支持度为：进行归一化后，可得到证据m_i相应的权重系数为：用加权平均证据作为参考证据体，即参考证据体为：H为辨识框架中证据源数目。

进一步地，所述异常证据体判过程为，在获得参考证据体后，通过余弦相似度定义证据相似度，在获取证据的相似度后，设置判定阈值，对证据是否异常进行判定。

进一步地，所述异常证据体判的具体过程为，根据向量夹角余弦定理，定义原证据向量与参考证据体的夹角余弦为cos(m_i,m_MAE)，并将其作为证据相似度Sim_i，可知：则平均相似度为：设置阈值为Sim_avg，若Sim_i≤Sim_avg，用m_MAE替换该证据体，则有：m_i:m_i(A_h)＝m_MAE(A_h)h＝1,2,…,H。

本发明与现有技术相比，具有以下优点和效果：建立了一种基于外特性电气参数的光伏组件故障诊断方法，通过采用BP神经网络、RBF神经网络、Elman神经网络和RVM算法结合建立基于外特性电气参数的4种光伏组件故障诊断模型，能够进一步提高光伏组件故障诊断的准确性和合理性。

附图说明

图1是本发明的基于外特性电气参数的光伏组件故障诊断方法的光伏电池单体短路个数对输出电压影响图。

图2是本发明的基于外特性电气参数的光伏组件故障诊断方法的光伏组件内部阻值变化时的一幅输出特性曲线。

图3是本发明的基于外特性电气参数的光伏组件故障诊断方法的光伏组件内部阻值变化时的另一幅输出特性曲线。

图4是本发明的基于外特性电气参数的光伏组件故障诊断方法的融合模型的示意图。

具体实施方式

下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

光伏组件常见的非阴影故障类型主要有短路和异常老化2大类。针对不同的光伏组件故障进行分析，首先从数学模型中外特性电气参数方面获得不同故障下参数变化规律，为光伏组件的故障诊断提供理论基础和故障特征信息。

以TSM-250PC05A型光伏组件为研究对象，从外特性电气参数角度可知，当光伏组件中有电池单体发生短路时，输出电流基本保持不变，而电压V_m和V_oc都会相应减小。在标准测试工况下(STC)下，光伏组件中电池单体短路个数对输出电压值的影响关系，如图1所示。

由图1可知：当发生短路故障时，光伏组件中外特性电气参数V_m值或V_oc值与电池单体短路个数成一定的线性关系。当短路电池单体个数s值增加时，V_m值或V_oc值则线性减少，因此，可用如下公式表示：

$V_1=\frac{60-s}{60}{V}_0---\left(1\right)$

式中，V₀为光伏组件正常运行时输出V_m值或V_oc值；V₁为光伏组件存在短路故障时输出V_m值或V_oc值。

光伏组件的异常老化主要表现在内部等效串联电阻R_s增加、并联电阻R_sh减小。图2为在STC下，R_s逐步增加和R_sh逐步减小时，仿真所得光伏组件输出特性曲线。

由图2和图3可知，当光伏组件发生异常老化时，可得光伏组件的外特性电气参数变化规律：(1)V_m值逐渐变小，且变化幅度逐渐变大；(2)I_m值逐渐变小，但变化幅度不大；(3)I_sc变小，但幅度变化不大；(4)V_oc基本不受R_s、R_sh值的影响。

综上所述，当光伏组件发生短路故障和异常老化故障时，选取上述各参数作为故障特征信息，能够区分出不同的故障类型：当光伏组件出现短路故障时，V_oc和V_m值会发生变化；当光伏组件出现异常老化故障时，V_m和I_m值会发生变化。

光伏组件发生故障时，其外特性电气参数均有不同程度的变化，将各参数作为特征信息，则其故障诊断问题可视为一个复杂的非线性模式识别问题，本发明将BP神经网络、RBF神经网络、Elman神经网络和RVM算法应用于光伏组件的故障诊断中。

在光伏组件故障诊断时，将外特性电气参数V_oc、I_sc、V_m和I_m作为输入变量，以组件正常、短路、R_s异常老化和R_sh异常老化等4种运行状态作为模型输出，分别用O₁、O₂、O₃及O₄表示，建立上述4种光伏组件外特性电气参数故障诊断模型，表1所示为光伏组件的各运行状态与神经网络输出的对应关系。

表1光伏组件各运行状态与神经网络输出的对应关系

实际情况下，通过单一方法对光伏组件进行故障诊断时，难免会出现故障误判。因此，对多种故障诊断方法的结果进行综合考虑，可以显著降低误判率、提高故障诊断的准确性。

为实现对多个数据源信息进行综合表达，Dempster给出一种证据合成规则。D-S合成规则：设辨识框架Θ上有两个证据e₁和e₂，m₁和m₂分别为其对应BPA，A_i和B_j分别为焦元，则证据合成规则为：

其中，K为冲突系数，主要反映证据间的冲突程度，定义为：

D-S合成规则具有交换性、结合性和聚焦性。由于D-S合成规则满足结合性，所以它同样适用于多个证据的合成，公式如下：

其中，

当存在冲突证据时，D-S合成规则有时会产生与常理相悖的结果，并且D-S证据理论的聚焦性会使得信度快速向元素较少的焦元过度集中，降低合成证据结果的准确性。因此，证据理论研究的热点之一就是如何解决D-S合成规则的悖论问题。

基于此，本专利提出了一种基于改进证据相似度的证据合成规则方法，以提高融合算法的实用性。

首先，引入相容系数构造参考证据体；其次，通过相似三角函数并结合参考证据体，进行异常证据体判定；最后，依据D-S合成规则进行证据合成，得出最终融合结果。

Step1、参考证据体构造

理论上而言，参考证据体需具有全局意义，故本专利提出加权平均证据作为参考证据体。设m₁和m₂是辨识框架Θ＝{A₁,A₂,…,A_H}上两个BPA函数(basic probabilityassignment function)，其相容系数为：

$R_{12}=\frac{2\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_1\left(A_h\right)m_2\left(A_h\right)}{\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_1{\left(A_h\right)}^2+\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_2{\left(A_h\right)}^2}---\left(6\right)$

当系统中存在m_i(i＝1,2,...,I)个证据源，则对证据m_i的支持度为：

$sup\left(m_i\right)=\underset{j=1,j\≠i}{\overset{I}{\mathrm{\Σ}}}{R}_{ij}---\left(7\right)$

进行归一化后，可得到证据m_i相应的权重系数为：

$\left\{\begin{array}{c}\mathrm{\ω}\left(m_i\right)=\frac{sup\left(m_i\right)}{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}sup\left(m_j\right)}\\ \underset{j=1}{\overset{J}{\mathrm{\Σ}}}\mathrm{\ω}\left(m_j\right)=1\end{array}\right.,j=1,2,...,J---\left(8\right)$

用加权平均证据作为参考证据体，即参考证据体为：

$m_{MAE}:m_{MAE}\left(A_h\right)=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\mathrm{\ω}\left(m_i\right)\·m_i\left(A_h\right),h=1,2,...,H---\left(9\right)$

Step2、异常证据体判定

在获得参考证据体后，通过余弦相似度定义证据相似度，在获取证据的相似度后，设置判定阈值，对证据是否异常进行判定。

根据向量夹角余弦定理，定义原证据向量与参考证据体的夹角余弦为cos(m_i,m_MAE)，并将其作为证据相似度Sim_i，可知：

$\left\{\begin{array}{c}{\mathrm{Sim}}_i=cos(m_i,m_{MAE})=\frac{m_i^T{m}_{MAE}}{{\[\left(m_i^T{m}_i\right)\left(m_{MAE}^T{m}_{MAE}\right)\]}^{1/2}}\\ m_i^T{m}_{MAE}=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_i\left(A_h\right)m_{MAE}\left(A_h\right)\\ m_i^T{m}_i=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_i\left(A_h\right)m_i\left(A_h\right)\\ m_{MAE}^T{m}_{MAE}=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_{MAE}\left(A_h\right)m_{MAE}\left(A_h\right)\end{array}\right.---\left(10\right)$

则平均相似度为：

${\mathrm{Sim}}_{avg}=\frac{1}{I}\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{\mathrm{Sim}}_i---\left(11\right)$

设置阈值为Sim_avg，若Sim_i≤Sim_avg，用m_MAE替换该证据体，则有：

m_i:m_i(A_h)＝m_MAE(A_h) h＝1,2,…,H (12)

Step3、采用D-S合成规则进行数据融合

通过参考证据和证据相似度作为异常证据的判定依据，结合参考证据体对原证据源中异常证据进行处理，采用D-S合成规则对处理后的各证据进行组合。

基于上述分析结果，建立如图3所示的基于外特性电气参数的光伏组件故障诊断融合模型。由图3可知，通过可编程直流电子负载获取光伏组件的运行数据，通过MPPT算法获取光伏组件的外特性电气参数值；在此基础上，将上述数值分别输入到BP神经网络、RBF神经网络、Elman神经网络和RVM算法故障模型中，获取各自的故障诊断结果；最后，将其作为各证据源的BPA值输入至基于改进证据相似度的数据融合故障诊断模型中，获取最终的决策级融合结果。

BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。

RBF(Radial Basic Function)神经网络属于前向神经网络类型，它能够以任意精度逼近任意连续函数，特别适合于解决分类问题。

Elman神经网络是一种带有反馈的两层BP网络结构，其反馈连接是从隐含层的输出到其输入端，该反馈方式使得Elman网络能够探测和识别时变模式。

相关向量机(Relevance Vector Machine，RVM)是在贝叶斯框架的基础上提出的，基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。

对于上述四种方法，分别将实验数据分为：训练样本和测试样本。通过训练，可以确立模型的各参数，而测试样本则用于进一步检验模型的正确性。本发明专利中实验数据选为外特性电气参数Voc、Isc、Vm和Im，并将其作为输入量；模型的输出则是4种不同的运行状态。

基于此，本发明综合考虑4种基于外特性电气参数的光伏组件故障诊断方法的结果，有效减低单一方法对诊断结果所引起的误判率。

本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代，只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (7)

1.一种基于外特性电气参数的光伏组件故障诊断方法，其特征在于包含以下步骤：

步骤一：对不同故障下光伏组件外特性电气参数进行特征提取；

步骤二：分别采用BP神经网络、RBF神经网络、Elman神经网络和RVM算法，建立基于外特性电气参数的4种光伏组件故障诊断模型；

步骤三：建立基于改进证据相似度的数据融合模型，将4种模型的诊断结果作为该模型的基本概率分配函数值，在决策层进行融合诊断输出。

2.按照权利要求1所述的基于外特性电气参数的光伏组件故障诊断方法，其特征在于：所述不同故障下光伏组件外特性电气参数包含开路电压值V_oc、短路电流值I_sc、最大功率点电压值V_m和电流值I_m。

3.按照权利要求1所述的基于外特性电气参数的光伏组件故障诊断方法，其特征在于：所述基于外特性电气参数的4种光伏组件故障诊断模型为，将外特性电气参数V_oc、I_sc、V_m和I_m作为输入变量，以组件正常、短路、等效串联电阻R_s异常老化和等效并联电阻R_sh异常老化等4种运行状态作为模型输出，分别用O₁、O₂、O₃及O₄表示，建立4种光伏组件外特性电气参数的故障诊断模型。

4.按照权利要求1所述的基于外特性电气参数的光伏组件故障诊断方法，其特征在于：所述基于改进证据相似度的数据融合模型建立过程为，首先，引入相容系数构造参考证据体；其次，通过相似三角函数并结合参考证据体，进行异常证据体判定；最后，依据D-S合成规则进行证据合成，得出最终融合结果。

5.按照权利要求4所述的基于外特性电气参数的光伏组件故障诊断方法，其特征在于：所述参考证据体的构造过程为，设m₁和m₂是辨识框架Θ＝{A₁,A₂,…,A_H}上两个BPA函数，其相容系数为：当系统中存在m_i(i＝1,2,…,I)个证据源，则对证据m_i的支持度为： 进行归一化后，可得到证据m_i相应的权重系数为：

用加权平均证据作为参考证据体，即参考证据体为：H为辨识框架中证据源数目。

6.按照权利要求4所述的基于外特性电气参数的光伏组件故障诊断方法，其特征在于：所述异常证据体判过程为，在获得参考证据体后，通过余弦相似度定义证据相似度，在获取证据的相似度后，设置判定阈值，对证据是否异常进行判定。

7.按照权利要求6所述的基于外特性电气参数的光伏组件故障诊断方法，其特征在于：所述异常证据体判的具体过程为，根据向量夹角余弦定理，定义原证据向量与参考证据体的夹角余弦为cos(m_i,m_MAE)，并将其作为证据相似度Sim_i，可知：则平均相似度为： 设置阈值为Sim_avg，若Sim_i≤Sim_avg，用m_MAE替换该证据体，则有：m_i:m_i(A_h)＝m_MAE(A_h)h＝1,2,…,H。