CN106067758A - 基于参数辨识的光伏发电系统故障诊断方法及系统 - Google Patents

Abstract

本发明涉及一种基于参数辨识的光伏发电系统故障诊断方法及系统，本故障诊断方法，包括：建立光伏发电系统的故障诊断模型，并获得最优解；对故障诊断模型进行训练；通过训练后的故障诊断模型对光伏发电系统进行故障诊断；本发明首先针对光伏发电系统容易出现的问题，即光伏电池组件的开路和短路、逆变器过载、控制系统故障，建立失配条件下基于参数辨识的光伏发电系统故障诊断模型；然后根据光伏电站在不同工作状态下的数据得出I‑U曲线，并对实测的I‑U曲线进行模拟仿真得出模型参数的最优解；利用RBF神经网络对模型进行训练，得到训练好的故障诊断模型；将光伏电站的测试样本或实时样本输入到模型中进行故障诊断。

Description

基于参数辨识的光伏发电系统故障诊断方法及系统

技术领域

本发明涉及一种基于参数辨识的光伏电站故障诊断方法，属于新能源控制技术领域。

背景技术

进入21世纪以来，随着全球气候变暖，以及自然能源的不断消耗，世界的全球资源越来越紧张，世界面临着前所未有的能源危机与挑战，太阳能、风能等蕴藏量丰富的可再生新能源日益受到人们的重视。近几年国内太阳能光伏工业迅速发展，各光伏企业的光伏组件产量逐年增长，全国已建或在建的光伏电站数量也在迅速增加。

在整个光伏发电系统中难免会出现光伏组件生产过程中存在的局部缺陷、逆变器出现过载或控制系统出现故障等问题，而只要这些环节中的任意一环发生故障，就会影响到整个光伏发电系统的正常运行。因此，光伏发电系统故障诊断对及时发现光伏发电系统的潜在性故障，保证系统可靠、稳定运行具有重要意义。

发明内容

本发明的目的是提供一种基于参数辨识的光伏发电系统故障诊断方法及系统，以解决光伏发电系统故障诊断的技术问题。

为了解决上述技术问题，本发明提供了一种光伏发电系统的故障诊断方法，包括如下步骤：

步骤S1，建立光伏发电系统的故障诊断模型，并获得最优解；

步骤S2，对故障诊断模型进行训练；以及

步骤S3，通过训练后的故障诊断模型对光伏发电系统进行故障诊断。

进一步，所述步骤S1中建立光伏发电系统的故障诊断模型的方法包括：

根据光伏电站在各工作状态下的数据得出光伏发电系统的I-U曲线，建立失配条件下基于参数辨识的所述故障诊断模型，以及

对实测的I-U曲线进行模拟仿真，实现参数辨识，得出模型参数的最优解；

其中，各工作状态包括：光伏组件的开路和短路、逆变器过载、控制系统故障。

进一步，U_a，I_a是I-U曲线中任意一组电流、电压采样点；K适于表示为待求解参数，即K＝{Z₁，Z₂，Z₃，I_ph，I_SD，n，(R_s、R_sh)}，其中

光伏电池对应参数Z₁、逆变器对应参数Z₂、光伏并网控制系统对应参数Z₃、光生电流I_ph、二极管反向饱和电流I_SD、二极管理想品质因素n以及等效串并联电阻R_s、R_sh；

所述故障诊断模型的建立方法包括如下步骤：

步骤S11，根据光伏发电系统中光伏电池、逆变器以及光伏并网控制系统的关系建立光伏发电系统模型f(U_a，I_a，z)，其中

步骤S12，构造实测和仿真数据的均方根误差即为所述故障诊断模型，其中

N为实测数据的采样点总数，f_i(U_a，I_a，z)是第i组实测和仿真数据的误差。

进一步，对实测的I-U曲线进行模拟仿真，实现参数辨识，得出模型参数的最优解的步骤包括：

步骤S13，根据实测的I-U曲线假设出逼近函数的形式y＝f(x)；

步骤S14，进入MATLAB曲线拟合工具箱选择逼近类型；

步骤S15，输入假设的函数y＝f(x)，设置函数中参数的上下限，进行曲线逼近；

步骤S16，求出函数中的未知参数，完成参数辨识。

进一步，所述步骤S2中对故障诊断模型进行训练的方法，即

利用RBF神经网络对故障诊断模型进行训练，以得到训练好的故障诊断模型。

进一步，利用RBF神经网络对故障诊断模型进行训练，以得到训练好的故障诊断模型的方法包括：

所述RBF神经网络中的径向基函数为高斯函数，其激活函数如下：

$R(x_p-c_i)=\exp (-\frac{1}{2{\mathrm{\σ}}^2}||x_p-c_i|{|}^2)$

其中，x_p＝[x₁ ^p，x₂ ^p，...，x_m ^p]^T为第p个实测数据x的输入样本；||x_p-c_i||为欧氏范数；c_i和σ分别为高斯函数的中心和方差。

进一步，所述RBF神经网络的输出为：

$y_j=\underset{i=1}{\overset{h}{\Σ}}{\mathrm{\ω}}_{ij}\exp (-\frac{1}{2{\mathrm{\σ}}^2}||x_p-c_i|{|}^2),j=1,2,...,m$

其中，ω_ij为隐含层到输出层的连接权值；i＝1，2，…，h为隐含层节点数；y_j为第j个节点的实际输出值；m为隐含层神经元个数。

进一步，所述RBF神经网络训练过程如下：

步骤S21，初始化，即

对实测数据x进行归一化处理，以辨识出的参数作为输入，故障类型作为输出，任意指定ω_ij，c_i和σ值，预置允许误差，预置学习步长η₁、η₂和η₃；

步骤S22，循环，即

直至达到允许误差ε或重复次数。

进一步，所述步骤S22中循环的步骤包括如下：

步骤S221，计算e_j，j＝1，2，3，...，N；

e_j＝d_j-y_j，其中，d_j为预期输出值；e_j为预期输出值与实际输出值之间的误差；

步骤S222，计算输出单元的权重的改变量：

$\frac{\∂E\left(n\right)}{\∂{\mathrm{\ω}}_{ij}\left(n\right)}=-\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}{e}_j\exp (-\frac{1}{2{\mathrm{\σ}}^2}||x_p-c_i|{|}^2);$

改变权重：

步骤S223，计算单元的中心的改变量：

$\frac{\∂E\left(n\right)}{\∂c_i\left(n\right)}=-\frac{{\mathrm{\ω}}_{ij}}{{\mathrm{N\σ}}^2}\underset{j=1}{\overset{N}{\Σ}}{e}_j\exp (-\frac{1}{2{\mathrm{\σ}}^2}||x_p-c_i|{|}^2)\·(x_p-c_i);$

改变中心：

步骤S224，计算函数宽度的改变量：

$\frac{\∂E\left(n\right)}{\∂{\mathrm{\σ}}_i\left(n\right)}=-\frac{{\mathrm{\ω}}_{ij}}{{\mathrm{N\σ}}^3}\underset{j=1}{\overset{N}{\Σ}}{e}_j\exp (-\frac{1}{2{\mathrm{\σ}}^2}||x_p-c_i|{|}^2)\·\left(\right||x_p-c_i|{|}^2);$

改变宽度：

步骤S225，计算误差：

步骤S226，E≤ε，即达到允许误差或重复次数时，训练结束。

又一方面，本发明还提供了一种光伏发电系统的故障诊断系统。

所述故障诊断系统包括：

光伏发电系统的故障诊断模型，即对该故障诊断模型进行训练后，实现对光伏发电系统进行故障诊断。

本发明的有益效果是，本发明首先针对光伏发电系统在运营过程中出现的问题(光伏电池组件的开路和短路、逆变器过载、控制系统故障)，建立失配条件下基于参数辨识的光伏发电系统故障诊断模型；然后根据光伏电站在不同工作状态下的数据得出I-U曲线，利用MATLAB对实测的I-U曲线进行模拟仿真得出模型参数的最优解；利用RBF神经网络对模型进行训练，得到训练好的故障诊断模型；将光伏电站的测试样本或实时样本输入到模型中进行故障诊断。本发明根据故障状态下组件内部等效参数的变化，对组件故障类型进行有效、客观诊断，而不是根据光伏组件的外部特性或电气特性进行粗略的、不精确的故障判断；可以提前知道故障类型和准确定位故障点，使得维护工作及时、有效地展开，提高测试方案的故障覆盖率、降低故障模糊度、平均测试成本、平均测试时间；实现了故障定位快速准确，减少故障危害时间，减少故障停机时间，提高光伏电站发电时间，提高光伏电站发电效率；及时发现光伏发电系统的潜在性故障，保证系统可靠、稳定运行，增强光伏发电系统的安全性，延长光伏设备维修周期和设备寿命。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的光伏发电系统的故障诊断方法的流程图一；

图2是本发明的光伏发电系统的故障诊断方法的流程图二。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施例1

如图1和图2所示，本发明的一种光伏发电系统的故障诊断方法，包括如下步骤：

步骤S1，建立光伏发电系统的故障诊断模型，并获得最优解；

步骤S2，对故障诊断模型进行训练；以及

步骤S3，通过训练后的故障诊断模型对光伏发电系统进行故障诊断。

具体的，所述步骤S1中建立光伏发电系统的故障诊断模型的方法包括：根据光伏电站在各工作状态下的数据得出光伏发电系统的I-U曲线，建立失配条件下基于参数辨识的所述故障诊断模型，以及对实测的I-U曲线进行模拟仿真，实现参数辨识，得出模型参数的最优解；其中，各工作状态包括：光伏组件的开路和短路、逆变器过载、控制系统故障。

具体的，所述故障诊断模型的建立方法包括如下步骤：

步骤S11，根据光伏发电系统中光伏电池、逆变器、光伏并网控制系统的关系建立光伏发电系统模型f(U_a，I_a，K)，其中

U_a，I_a是I-U曲线中任意一组电流、电压采样点；K适于表示为待求解参数，即K＝{Z₁，Z₂，Z₃，I_ph，I_SD，n，(R_s、R_sh)}，其中

光伏电池对应参数Z₁、逆变器对应参数Z₂以及光伏并网控制系统对应参数Z₃、光生电流I_ph、二极管反向饱和电流I_SD、二极管理想品质因素n以及等效串并联电阻R_s、R_sh；其中，K可以为上述参数的任意一种组合方式代入计算，即作为故障判断的依据。

步骤S12，构造实测和仿真数据的均方根误差即为所述故障诊断模型，其中N为实测数据的采样点总数，f_i(U_a，I_a，K)是第i组实测和仿真数据的误差。

对实测的I-U曲线进行模拟仿真，实现参数辨识，得出模型参数的最优解的步骤包括：

步骤S13，根据实测的I-U曲线假设出逼近函数的形式y＝f(x)；

步骤S14，进入MATLAB曲线拟合工具箱选择逼近类型；

步骤S15，输入假设的函数y＝f(x)，设置函数中参数的上下限，进行曲线逼近；

步骤S16，求出函数中的未知参数，完成参数辨识。

所述步骤S2中对故障诊断模型进行训练的方法，即利用RBF神经网络对故障诊断模型进行训练，以得到训练好的故障诊断模型。

利用RBF神经网络对故障诊断模型进行训练，以得到训练好的故障诊断模型的方法包括：所述RBF神经网络中的径向基函数为高斯函数，其激活函数如下：其中，x_p＝[x₁ ^p，x₂ ^p，...，x_m ^p]^T为第p个实测数据x输入样本；||x_p-c_i||为欧氏范数；c_i和σ分别为高斯函数的中心和方差。

所述RBF神经网络的输出为：

其中，ω_ij为隐含层到输出层的连接权值；i＝1，2，…，h为隐含层节点数；y_j为第j个节点的实际输出值；m为隐含层神经元个数。

所述RBF神经网络训练过程如下：

步骤S21，初始化，即对实测数据x进行归一化处理，以辨识出的参数作为输入，故障类型作为输出，任意指定ω_ij，c_i和σ值，预置允许误差，预置学习步长η₁、η₂和η₃；

步骤S22，循环，即直至达到允许误差ε或重复次数。

具体的，所述步骤S22中循环的步骤包括如下：

步骤S221，计算e_j，j＝1，2，3，...，N；

e_j＝d_j-y_j，其中，d_j为预期输出值；e_j为预期输出值与实际输出值之间的误差；

步骤S222，计算输出单元的权重的改变量：

$\frac{\∂E\left(n\right)}{\∂{\mathrm{\ω}}_{ij}\left(n\right)}=-\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}{e}_j\exp (-\frac{1}{2{\mathrm{\σ}}^2}||x_p-c_i|{|}^2);$

改变权重：

步骤S223，计算单元的中心的改变量：

$\frac{\∂E\left(n\right)}{\∂c_i\left(n\right)}=-\frac{{\mathrm{\ω}}_{ij}}{{\mathrm{N\σ}}^2}\underset{j=1}{\overset{N}{\Σ}}{e}_j\exp (-\frac{1}{2{\mathrm{\σ}}^2}||x_p-c_i|{|}^2)\·(x_p-c_i);$

改变中心：

步骤S224，计算函数宽度的改变量：

$\frac{\∂E\left(n\right)}{\∂{\mathrm{\σ}}_i\left(n\right)}=-\frac{{\mathrm{\ω}}_{ij}}{{\mathrm{N\σ}}^3}\underset{j=1}{\overset{N}{\Σ}}{e}_j\exp (-\frac{1}{2{\mathrm{\σ}}^2}||x_p-c_i|{|}^2)\·\left(\right||x_p-c_i|{|}^2);$

改变宽度：

步骤S225，计算误差：

步骤S226，E≤ε，即达到允许误差或重复次数时，训练结束。

实施例2

在实施例1基础上，本实施例2还提供了一种光伏发电系统的故障诊断系统，包括：光伏发电系统的故障诊断模型，即对该故障诊断模型进行训练后，实现对光伏发电系统进行故障诊断。

其中，关于故障诊断模型的建立，训练等方法详见实施例1的相关论述，这里不再赘述。

将光伏发电系统的测试样本或实时样本输入到故障诊断模型中进行故障诊断，得到与故障诊断参数样本所对应的故障状态，判断光伏发电系统是否处于故障状态，若处于故障状态则给出相应故障类型(光伏电池组件的开路和短路、逆变器过载、控制系统故障等)。

本发明根据故障状态下组件内部等效参数的变化，对组件故障类型进行有效、客观诊断，而不是根据光伏组件的外部特性或电气特性进行粗略的、不精确的故障判断。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种光伏发电系统的故障诊断方法，其特征在于，包括如下步骤：

步骤S1，建立光伏发电系统的故障诊断模型，并获得最优解；

步骤S2，对故障诊断模型进行训练；以及

步骤S3，通过训练后的故障诊断模型对光伏发电系统进行故障诊断。

2.根据权利要求1所述的故障诊断方法，其特征在于，

所述步骤S1中建立光伏发电系统的故障诊断模型的方法包括：

根据光伏电站在各工作状态下的数据得出光伏发电系统的I-U曲线，建立失配条件下基于参数辨识的所述故障诊断模型，以及

对实测的I-U曲线进行模拟仿真，实现参数辨识，得出模型参数的最优解；

其中，各工作状态包括：光伏组件的开路和短路、逆变器过载、控制系统故障。

3.根据权利要求2所述的故障诊断方法，其特征在于，所述故障诊断模型的建立方法包括如下步骤：

步骤S11，根据光伏发电系统中光伏电池、逆变器以及光伏并网控制系统的关系建立光伏发电系统模型f(U_a,I_a,K)，其中

U_a,I_a是I-U曲线中任意一组电流、电压采样点；K适于表示为待求解参数，即K＝{Z₁,Z₂,Z₃,I_ph,I_SD,n,(R_s、R_sh)}，其中

光伏电池对应参数Z₁、逆变器对应参数Z₂、光伏并网控制系统对应参数Z₃、光生电流I_ph、二极管反向饱和电流I_SD、二极管理想品质因素n以及等效串并联电阻R_s、R_sh；

步骤S12，构造实测和仿真数据的均方根误差即为所述故障诊断模型，其中

N为实测数据的采样点总数，f(U_a,I_a,K)是第i组实测和仿真数据的误差。

4.根据权利要求3所述的故障诊断方法，其特征在于，

对实测的I-U曲线进行模拟仿真，实现参数辨识，得出模型参数的最优解的步骤包括：

步骤S13，根据实测的I-U曲线假设出逼近函数的形式y＝f(x)；

步骤S14，进入MATLAB曲线拟合工具箱选择逼近类型；

步骤S15，输入假设的函数y＝f(x)，设置函数中参数的上下限，进行曲线逼近；

步骤S16，求出函数中的未知参数，完成参数辨识。

5.根据权利要求4所述的故障诊断方法，其特征在于，

所述步骤S2中对故障诊断模型进行训练的方法，即

利用RBF神经网络对故障诊断模型进行训练，以得到训练好的故障诊断模型。

6.根据权利要求5所述的故障诊断方法，其特征在于，

利用RBF神经网络对故障诊断模型进行训练，以得到训练好的故障诊断模型的方法包括：

所述RBF神经网络中的径向基函数为高斯函数，其激活函数如下：

其中，x_p＝[x₁ ^p，x₂ ^p，...，x_m ^p]^T为第p个实测数据x的输入样本；||x_p-c_i||为欧氏范数；c_i和σ分别为高斯函数的中心和方差。

7.根据权利要求6所述的故障诊断方法，其特征在于，

所述RBF神经网络的输出为：

其中，ω_ij为隐含层到输出层的连接权值；i＝1，2，…，h为隐含层节点数；y_j为第j个节点的实际输出值；m为隐含层神经元个数。

8.根据权利要求7所述的故障诊断方法，其特征在于，

所述RBF神经网络训练过程如下：

步骤S21，初始化，即

对实测数据x进行归一化处理，以辨识出的参数作为输入，故障类型作为输出，任意指定ω_ij，c_i和σ值，预置允许误差，预置学习步长η₁、η₂和η₃；

步骤S22，循环，即

直至达到允许误差ε或重复次数。

9.根据权利要求8所述的故障诊断方法，其特征在于，

所述步骤S22中循环的步骤包括如下：

步骤S221，计算e_j，j＝1，2，3，...，N；

e_j＝d_j-y_j，其中，d_j为预期输出值；e_j为预期输出值与实际输出值之间的误差；

步骤S222，计算输出单元的权重的改变量：

改变权重：

步骤S223，计算单元的中心的改变量：

改变中心：

步骤S224，计算函数宽度的改变量：

改变宽度：

步骤S225，计算误差：

步骤S226，E≤ε，即达到允许误差或重复次数时，训练结束。

10.一种光伏发电系统的故障诊断系统，其特征在于，包括：

光伏发电系统的故障诊断模型，即

对该故障诊断模型进行训练后，实现对光伏发电系统进行故障诊断。