CN107451600A - 一种基于隔离机制的在线光伏热斑故障检测方法 - Google Patents
一种基于隔离机制的在线光伏热斑故障检测方法 Download PDFInfo
- Publication number
- CN107451600A CN107451600A CN201710533930.7A CN201710533930A CN107451600A CN 107451600 A CN107451600 A CN 107451600A CN 201710533930 A CN201710533930 A CN 201710533930A CN 107451600 A CN107451600 A CN 107451600A
- Authority
- CN
- China
- Prior art keywords
- hot spot
- photovoltaic
- mrow
- sample
- iforest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000012360 testing method Methods 0.000 title claims description 8
- 238000002955 isolation Methods 0.000 title abstract description 13
- 241001269238 Data Species 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 27
- 238000012544 monitoring process Methods 0.000 claims description 25
- 239000000178 monomer Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Abstract
本发明公开了一种光伏电池板热斑故障检测方法,属于光伏发电系统故障检测领域。通过采集光伏阵列中光伏板的一系列实时运行数据,并利用热斑故障数据“少而不同”的特点,建立一个基于隔离森林的光伏阵列热斑故障评估模型。最后,遍历森林中每条记录的平均路径长度从而得到热斑故障评分,可以在线的对光伏阵列中任意一块光伏板的热斑故障进行测量。
Description
技术领域
本发明涉及光伏发电系统故障检测领域,尤其是一种光伏电池板热斑故障检测方法。
背景技术
太阳能作为一种可再生、无污染的新能源,越来越受到人们的重视,每年光伏电站的装机容量增长迅速。随着光伏产业的快速发展,光伏电站工作状态的自动监控和故障诊断成为维护电站正常工作的首要任务。而光伏电站的运行与每一块光伏阵列的工作状态息息相关。当光伏组件发生局部遮阴或组件老化时,产生的热斑效应会使光伏转换受到影响,如果不能及时发现,情况严重时会造成光伏电池的永久性损坏,影响光伏电站的安全运行及经济效益。
为了保障光伏系统的安全运行,光伏热斑效应保护与检测方法主要有:1)并联二极管法,该方法主要是通过旁路二极管将被遮挡的光伏组件进行短路,防止光伏组件因发热被烧毁,该方法可以一定程度上延长光伏电池板的寿命,但不能避免热斑效应的发生;2)多传感器检测法,通过设计检测结构,采集一些电气参数进行故障诊断和故障组件定位,该方法安装复杂,成本高;3)电气测量法,该方法利用故障状态下光伏阵列的电流、电压的变化,并建立相应的故障检测模型或规则库,进行光伏故障诊断。该方法的主要难点是需要考虑温度、光照和风速等外界环境的变化,诊断模型的建立困难,而诊断模型直接影响了故障检测精度和效率;4)红外图像法,红外图像能够直观的反映被测物体的温度特性,现已被广泛应用于工业、建筑和电力监控等领域的故障检测。根据不同工作状态下的光伏组件存在明显温差的特征,光伏系统中通过对红外图像的处理与分析,可以提取可能的热斑现象故障区域及区域的特征信息,从而能够实现对光伏电池单体工作状态正常与否进行识别。
近年来,随着信息化技术的不断扩展,能源技术革命与大数据理念的深度融合,光伏大数据就像一座逐渐被挖掘的金矿,通过对其进行获取、处理、分析及应用,其潜在的价值正逐步为光伏行业的发展注入新的动力,如中国专利申请号CN201510929580.7公开的一种基于数据挖掘的光伏发电量预测方法;中国专利申请号CN201510038794.5基于理论计算和数据分析的光伏故障诊断系统和诊断方法。利用数据挖掘技术对光伏热斑效应进行诊断,能够弥补电气测量法考虑不到环境因素的缺陷,又能够改进红外图像法实时性较差和成本较高的缺点,从而减少经济损失。
另一方面,随着机器学习算法的研究发展,新的算法被不断的提出来。聚类和分类是对异常数据诊断的传统方法。然而,他们主要是对正常的数据进行分析,挖掘的是大量数据中的共性,而异常数据往往是作为原始算法的副产物出现的。这样会导致两大缺陷:一是传统方法对异常数据不具有针对性,性能欠佳,往往会发生误诊或漏诊的情况,另一方面,由于原始方法的遗留问题,往往对数据维度和数据规模都有约束,有很大的局限性。隔离森林(Isolation Forest,iForest)基于隔离机制的概念,没有利用距离或密度的测量,且是一种无监督学习方法,无需人工标记信息。iForest根据异常数据“少而不同”且对隔离机制更加敏感的特点,利用采样技术,不仅显著提高了定位异常状态的精确率和召回率,而且只需要线性时间的时间复杂度和较小的内存消耗。
发明内容
针对现有技术的不足,本发明的目的是提供一种新的光伏电池板热斑故障检测方法。通过采集光伏阵列中光伏板的一系列实时运行数据,并利用热斑故障数据“少而不同”的特点,建立一个基于隔离森林的光伏阵列热斑故障评估模型。最后,遍历森林中每条记录的平均路径长度从而得到热斑故障评分,可以在线的对光伏阵列中任意一块光伏板的热斑故障进行测量。
本发明提供的一种光伏电池板热斑故障检测方法,包括以下步骤:
S1:采集最近若干个月的光伏阵列中所有光伏板的一系列实时运行数据;
S2:将采集到的实时运行数据进行预处理,得到训练集X;
S3:初步建立基于iForest的热斑故障检测模型,预设好相应的参数;
S4:运用训练样本对iForest热斑故障检测模型进行训练;
S5:得到训练完成的iForest热斑故障检测模型,可在线实时的给出任意电池板的热斑故障评分;
S6:将实时采集的每块光伏板的监测数据向量化,作为待检测样本输入到训练好的iForest热斑故障检测模型中,进行热斑故障检测,从而得到该光伏电池板热斑故障评分,根据阈值判断该光伏板是否发生热斑故障;
进一步,所述步骤S1中采集最近若干个月的光伏阵列中所有电池板的一系列实时运行数据的具体方法为:以单体光伏板为单位,每隔一定的时间t将该光伏板的监测数据上传至服务器,共采集最近m个月的历史监测数据。时间间隔t和月份间隔m需由专家根据当地环境给出,一般t为5~30分钟,m为3~12个月,环境变化快可适当减小t,缩短m。采集的光伏板监测数据包括:单体光伏板输出电流、单体光伏板输出电压,单体光伏板正板工作温度、所在地区的环境温度、光照强度和当前时间(转化为距零点相距多少秒)。
进一步,所述S2中监测数据预处理,包括以下步骤:
S21:将6类监控的数据作为特征向量;
S22:利用最近临插补进行缺失值填补,得到训练样本X;
进一步,所述S22中缺失值填补的具体方法为:计算有缺失的记录与其他无缺失记录的欧氏距离,找到欧式距离最小的样本的该属性值插补;
进一步,所述步骤S3中初步建立基于iForest的故障检测模型包括以下具体步骤:
S31:确定iForest中基树的数量t。根据专家经验,t不大于100,每条记录的路径长度都可以有效收敛,如无特殊情况,一般取100作为默认值。
S32:确定iForest中的二次抽样的容量ψ。ψ控制训练基树的训练集大小,根据专家经验,ψ通常设为28或256就足以检测较大数据集的异常。
进一步,所述步骤S4中运用训练样本对iForest热斑故障检测模型进行训练,包括以下具体步骤:
S41:初始化一个空集合Forest;
S42:从训练样本X中采集大小为ψ的子样本X';
S43:用子样本X'来训练一个基树iTree;
S44:将训练好的基树iTree并入集合Forest;
S45:重复步骤S42~S44,直到将t个基树全部训练完成;
进一步,所述步骤S43用子样本X’来训练一个基树iTree,包括以下具体步骤:
S431:如果X'无法被划分,返回一个大小为|X'|的叶子节点,否则进入步骤S432;
S432:Q为X'的所有属性集合,从Q中随机的选取一个属性q∈Q;
S433:在q的最大值与最小值之间随机的选取一个划分点p;
S434:将X'中,q<p的记录划分为Xl,q≥p的记录划分为Xr;
S435:返回一个以p划分的大小为|X'|非叶子节点,将Xl和Xr分别作为新的X',重复步骤S431,直到全部划分完毕。
进一步,所述步骤S6将实时采集的每块光伏电池板的监测数据向量化,作为待检测样本输入到训练好的iForest热斑故障检测模型中,进行热斑故障检测,从而得到该光伏电池板热斑故障评分,根据阈值判断该光伏电池板是否发生热斑故障,包括以下具体步骤:
S61:如S1中所述,每隔时间t将每块光伏板的实时运行数据上传至服务器。将实时的光伏电池板监测数据向量化作为待测样本;
S62:将待检测样本输入到iForest热斑故障检测模型中,得到故障分数;
S63:根据专家经验定义阈值-0.5<θ<0,若故障分数小于阈值,则该光伏板此刻发生了热斑故障。
进一步,所述步骤S62将待检测样本输入到iForest热斑故障检测模型中,得到故障分数,包括以下具体步骤:
S621:初始化当前路径长度e=0,树T∈Forest;
S622:输入检测样本x、树T、最大遍历高度hlim、当前路径长度e;
S623:如果T是叶子节点或e大于hlim,返回h(x)=e+c(T.size)。其中T.size为树的大小,c(.)表示树中样本的平均遍历长度,定义如下:
式中H(i)表示谐波分量,估值为ln(i)+0.5772156649,ψ表示采集的子样本的大小。
否则,进入步骤S624;
S624:a∈T.splitAtt表示当前节点的划分属性,e=e+1。如果xa<T.splitValue,则将T的左子树T.left作为输入,重复步骤S622;否则,将T的右子树T.right作为输入,重复步骤S622。
S625:重复步骤S621,直到遍历完Forest中所有的基树,得到样本x在所有基树中的平均路径长度E(h(x))。
S626:为了方便比较,定义如下公式标准化故障值:
式中E(h(x))为样本x在所有基树中的平均路径长度,ψ为二次抽样的子样本大小,c(.)表示树中样本的平均遍历长度。分数越接近-0.5说明该记录与其他记录的差异较大,该光伏板发生热斑故障的可能性就越大,越接近0.5说明该记录与其他记录的差异较小发生热斑故障的可能性就越小。
本发明的优点在于:其一,提供了一种光伏电池板热斑故障检测方法,能够有效的实现热斑故障的检测,并给出热斑故障的评分;其二,结合环境因素用数据挖掘的方法对光伏测量数据进行分析,一方面弥补了传统测量法考虑不到环境因素的缺陷,提高了准确率;另一方面解决了红外图像法需额外的红外摄像头导致成本过高和因计算复杂度过高导致实时性差的问题;其三,利用iForest算法对光伏数据进行分析,改进了传统聚类和分类方法的不足,降低了误诊和漏诊的概率;其四,提出的故障检测方法可以扩展运用到其他电力系统设备的故障检测,具有广泛的工程应用价值。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为一种光伏电池板热斑故障检测方法流程图;
图2为光伏数据预处理流程图;
图3为iForest故障检测模型建立流程图;
图4为遍历隔离森林的流程图。
具体实施方式
以下将结合附图,对本发明的具体实施方式进行详细的描述。
图1为一种光伏电池板热斑故障检测方法流程图,图2为光伏数据预处理流程图;图3为iForest故障检测模型建立流程图,图4为遍历隔离森林的流程图。如图所示:本发明提供的一种光伏电池板热斑故障检测方法,包括以下步骤:
S1:采集最近若干个月的光伏阵列中所有光伏板的一系列实时运行数据;
S2:将采集到的实时运行数据进行预处理,得到训练集X;
S3:初步建立基于iForest的热斑故障检测模型,预设好相应的参数;
S4:运用训练样本对iForest热斑故障检测模型进行训练;
S5:得到训练完成的iForest热斑故障检测模型,可在线实时的给出任意电池板的热斑故障评分;
S6:将实时采集的每块光伏板的监测数据向量化,作为待检测样本输入到训练好的iForest热斑故障检测模型中,进行热斑故障检测,从而得到该光伏电池板热斑故障评分,根据阈值判断该光伏板是否发生热斑故障;
进一步,所述步骤S1中采集最近若干个月的光伏阵列中所有电池板的一系列实时运行数据的具体方法为:以单体光伏板为单位,每隔一定的时间t将该光伏板的监测数据上传至服务器,共采集最近m个月的历史监测数据。时间间隔t和月份间隔m需由专家根据当地环境给出,一般t为5~30分钟,m为3~12个月,环境变化快可适当减小t,缩短m。采集的光伏板监测数据包括:单体光伏板输出电流、单体光伏板输出电压,单体光伏板正板工作温度、所在地区的环境温度、光照强度和当前时间(转化为距零点相距多少秒)。
进一步,所述S2中监测数据预处理,包括以下步骤:
S21:将6类监控的数据作为特征向量;
S22:利用最近临插补进行缺失值填补,得到训练样本X;
进一步,所述S22中缺失值填补的具体方法为:计算有缺失的记录与其他无缺失记录的欧氏距离,找到欧式距离最小的样本的该属性值插补;
进一步,所述步骤S3中初步建立基于iForest的故障检测模型包括以下具体步骤:
S31:确定iForest中基树的数量t。根据专家经验,t不大于100,每条记录的路径长度都可以有效收敛,如无特殊情况,一般取100作为默认值。
S32:确定iForest中的二次抽样的容量ψ。ψ控制训练基树的训练集大小,根据专家经验,ψ通常设为28或256就足以检测较大数据集的异常。
进一步,所述步骤S4中运用训练样本对iForest热斑故障检测模型进行训练,包括以下具体步骤:
S41:初始化一个空集合Forest;
S42:从训练样本X中采集大小为ψ的子样本X';
S43:用子样本X'来训练一个基树iTree;
S44:将训练好的基树iTree并入集合Forest;
S45:重复步骤S42~S44,直到将t个基树全部训练完成;
进一步,所述步骤S43用子样本X’来训练一个基树iTree,包括以下具体步骤:
S431:如果X'无法被划分,返回一个大小为|X'|的叶子节点,否则进入步骤S432;
S432:Q为X'的所有属性集合,从Q中随机的选取一个属性q∈Q;
S433:在q的最大值与最小值之间随机的选取一个划分点p;
S434:将X'中,q<p的记录划分为Xl,q≥p的记录划分为Xr;
S435:返回一个以p划分的大小为|X'|非叶子节点,将Xl和Xr分别作为新的X',重复步骤S431,直到全部划分完毕。
进一步,所述步骤S6将实时采集的每块光伏电池板的监测数据向量化,作为待检测样本输入到训练好的iForest热斑故障检测模型中,进行热斑故障检测,从而得到该光伏电池板热斑故障评分,根据阈值判断该光伏电池板是否发生热斑故障,包括以下具体步骤:
S61:如S1中所述,每隔时间t将每块光伏板的实时运行数据上传至服务器。将实时的光伏电池板监测数据向量化作为待测样本;
S62:将待检测样本输入到iForest热斑故障检测模型中,得到故障分数;
S63:根据专家经验定义阈值-0.5<θ<0,若故障分数小于阈值,则该光伏板此刻发生了热斑故障。
进一步,所述步骤S62将待检测样本输入到iForest热斑故障检测模型中,得到故障分数,包括以下具体步骤:
S621:初始化当前路径长度e=0,树T∈Forest;
S622:输入检测样本x、树T、最大遍历高度hlim、当前路径长度e;
S623:如果T是叶子节点或e大于hlim,返回h(x)=e+c(T.size)。其中T.size为树的大小,c(.)表示树中样本的平均遍历长度,定义如下:
式中H(i)表示谐波分量,估值为ln(i)+0.5772156649,ψ表示采集的子样本的大小。
否则,进入步骤S624;
S624:a∈T.splitAtt表示当前节点的划分属性,e=e+1。如果xa<T.splitValue,则将T的左子树T.left作为输入,重复步骤S622;否则,将T的右子树T.right作为输入,重复步骤S622。
S625:重复步骤S621,直到遍历完Forest中所有的基树,得到样本x在所有基树中的平均路径长度E(h(x))。
S626:为了方便比较,定义如下公式标准化故障值:
式中E(h(x))为样本x在所有基树中的平均路径长度,ψ为二次抽样的子样本大小,c(.)表示树中样本的平均遍历长度。分数越接近-0.5说明该记录与其他记录的差异较大,该光伏板发生热斑故障的可能性就越大,越接近0.5说明该记录与其他记录的差异较小发生热斑故障的可能性就越小。
本实施例利用机器学习方法提出了一种光伏电池板热斑故障检测方法,弥补了传统电测量法和红外图像法的不足。该方法能有效的进行光伏电池板热斑故障的检测,并给出热斑故障的评分,而且可以降低故障检测成本,从而促进光伏发电系统安全有效运行。
以上实施例仅用于帮助理解本发明的核心思想,不能以此限制本发明,对于本领域的技术人员,凡是依据本发明的思想,对本发明进行修改或者等同替换,在具体实施方式及应用范围上所做的任何改动,均应包含在本发明的保护范围之内。
Claims (1)
1.一种光伏电池板热斑故障检测方法,其特征在于:包括以下步骤:
S1:采集最近若干个月的光伏阵列中所有光伏板的一系列实时运行数据;
S2:将采集到的实时运行数据进行预处理,得到训练集X;
S3:初步建立基于iForest的热斑故障检测模型,预设好相应的参数;
S4:运用训练样本对iForest热斑故障检测模型进行训练;
S5:得到训练完成的iForest热斑故障检测模型,可在线实时的给出任意电池板的热斑故障评分;
S6:将实时采集的每块光伏板的监测数据向量化,作为待检测样本输入到训练好的iForest热斑故障检测模型中,进行热斑故障检测,从而得到该光伏电池板热斑故障评分,根据阈值判断该光伏板是否发生热斑故障;
进一步,所述步骤S1中采集最近若干个月的光伏阵列中所有电池板的一系列实时运行数据的具体方法为:以单体光伏板为单位,每隔一定的时间t将该光伏板的监测数据上传至服务器,共采集最近m个月的历史监测数据。时间间隔t和月份间隔m需由专家根据当地环境给出,一般t为5~30分钟,m为3~12个月,环境变化快可适当减小t,缩短m。采集的光伏板监测数据包括:单体光伏板输出电流、单体光伏板输出电压,单体光伏板正板工作温度、所在地区的环境温度、光照强度和当前时间(转化为距零点相距多少秒)。
进一步,所述S2中监测数据预处理,包括以下步骤:
S21:将6类监控的数据作为特征向量;
S22:利用最近临插补进行缺失值填补,得到训练样本X;
进一步,所述S22中缺失值填补的具体方法为:计算有缺失的记录与其他无缺失记录的欧氏距离,找到欧式距离最小的样本的该属性值插补;
进一步,所述步骤S3中初步建立基于iForest的故障检测模型包括以下具体步骤:
S31:确定iForest中基树的数量t。根据专家经验,t不大于100,每条记录的路径长度都可以有效收敛,如无特殊情况,一般取100作为默认值。
S32:确定iForest中的二次抽样的容量ψ。ψ控制训练基树的训练集大小,根据专家经验,ψ通常设为28或256就足以检测较大数据集的异常。
进一步,所述步骤S4中运用训练样本对iForest热斑故障检测模型进行训练,包括以下具体步骤:
S41:初始化一个空集合Forest;
S42:从训练样本X中采集大小为ψ的子样本X';
S43:用子样本X'来训练一个基树iTree;
S44:将训练好的基树iTree并入集合Forest;
S45:重复步骤S42~S44,直到将t个基树全部训练完成;
进一步,所述步骤S43用子样本X’来训练一个基树iTree,包括以下具体步骤:
S431:如果X'无法被划分,返回一个大小为|X'|的叶子节点,否则进入步骤S432;
S432:Q为X'的所有属性集合,从Q中随机的选取一个属性q∈Q;
S433:在q的最大值与最小值之间随机的选取一个划分点p;
S434:将X'中,q<p的记录划分为Xl,q≥p的记录划分为Xr;
S435:返回一个以p划分的大小为|X'|非叶子节点,将Xl和Xr分别作为新的X',重复步骤S431,直到全部划分完毕。
进一步,所述步骤S6将实时采集的每块光伏电池板的监测数据向量化,作为待检测样本输入到训练好的iForest热斑故障检测模型中,进行热斑故障检测,从而得到该光伏电池板热斑故障评分,根据阈值判断该光伏电池板是否发生热斑故障,包括以下具体步骤:
S61:如S1中所述,每隔时间t将每块光伏板的实时运行数据上传至服务器。将实时的光伏电池板监测数据向量化作为待测样本;
S62:将待检测样本输入到iForest热斑故障检测模型中,得到故障分数;
S63:根据专家经验定义阈值-0.5<θ<0,若故障分数小于阈值,则该光伏板此刻发生了热斑故障。
进一步,所述步骤S62将待检测样本输入到iForest热斑故障检测模型中,得到故障分数,包括以下具体步骤:
S621:初始化当前路径长度e=0,树T∈Forest;
S622:输入检测样本x、树T、最大遍历高度hlim、当前路径长度e;
S623:如果T是叶子节点或e大于hlim,返回h(x)=e+c(T.size)。其中T.size为树的大小,c(.)表示树中样本的平均遍历长度,定义如下:
式中H(i)表示谐波分量,估值为ln(i)+0.5772156649,ψ表示采集的子样本的大小。
否则,进入步骤S624;
S624:a∈T.splitAtt表示当前节点的划分属性,e=e+1。如果xa<T.splitValue,则将T的左子树T.left作为输入,重复步骤S622;否则,将T的右子树T.right作为输入,重复步骤S622。
S625:重复步骤S621,直到遍历完Forest中所有的基树,得到样本x在所有基树中的平均路径长度E(h(x))。
S626:为了方便比较,定义如下公式标准化故障值:
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>&Psi;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0.5</mn>
<mo>-</mo>
<msup>
<mn>2</mn>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>&psi;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中E(h(x))为样本x在所有基树中的平均路径长度,ψ为二次抽样的子样本大小,c(.)表示树中样本的平均遍历长度。分数越接近-0.5说明该记录与其他记录的差异较大,该光伏板发生热斑故障的可能性就越大,越接近0.5说明该记录与其他记录的差异较小发生热斑故障的可能性就越小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710533930.7A CN107451600B (zh) | 2017-07-03 | 2017-07-03 | 一种基于隔离机制的在线光伏热斑故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710533930.7A CN107451600B (zh) | 2017-07-03 | 2017-07-03 | 一种基于隔离机制的在线光伏热斑故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451600A true CN107451600A (zh) | 2017-12-08 |
CN107451600B CN107451600B (zh) | 2020-02-07 |
Family
ID=60487703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710533930.7A Expired - Fee Related CN107451600B (zh) | 2017-07-03 | 2017-07-03 | 一种基于隔离机制的在线光伏热斑故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451600B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777873A (zh) * | 2018-06-04 | 2018-11-09 | 江南大学 | 基于加权混合孤立森林的无线传感网络异常数据检测方法 |
CN109086891A (zh) * | 2018-06-15 | 2018-12-25 | 重庆大学 | 基于模糊逻辑推理的热斑故障诊断方法 |
CN109506767A (zh) * | 2018-10-24 | 2019-03-22 | 西北工业大学 | 一种对水下入侵目标引起声场异常的实时检测方法 |
CN109743019A (zh) * | 2018-12-21 | 2019-05-10 | 中国计量大学 | 基于气象因素的热斑温度预测及热斑定位的系统和方法 |
CN109783481A (zh) * | 2018-12-19 | 2019-05-21 | 新华三大数据技术有限公司 | 数据处理方法和装置 |
CN110243599A (zh) * | 2019-07-02 | 2019-09-17 | 西南交通大学 | 多维离群列车动车组轴箱轴承温度异常状态监测方法 |
CN110289061A (zh) * | 2019-06-27 | 2019-09-27 | 黎檀实 | 一种创伤失血性休克伤情的时间序列预测方法 |
CN111815560A (zh) * | 2020-06-09 | 2020-10-23 | 理光软件研究所(北京)有限公司 | 光伏电站故障检测方法、装置、便携检测设备及存储介质 |
JP2023508759A (ja) * | 2020-03-13 | 2023-03-03 | エンヴィジョン デジタル インターナショナル ピーティーイー.エルティーディー. | 太陽光発電アレイの動作状態を決定する方法および装置、デバイス並びに記憶媒体 |
CN117150244A (zh) * | 2023-10-30 | 2023-12-01 | 山东凯莱电气设备有限公司 | 基于电参数分析的智能配电柜状态监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104601109A (zh) * | 2014-12-25 | 2015-05-06 | 重庆大学 | 一种电-图模型的光伏热斑效应检测方法 |
CN105720917A (zh) * | 2016-01-28 | 2016-06-29 | 天津理工大学 | 基于红外图像处理的光伏阵列热斑快速检测系统及方法 |
CN106230377A (zh) * | 2016-07-01 | 2016-12-14 | 重庆大学 | 一种光伏电池板热斑故障检测方法 |
WO2017053710A1 (en) * | 2015-09-23 | 2017-03-30 | Abb Schweiz Ag | Electrical system with arc fault detection |
-
2017
- 2017-07-03 CN CN201710533930.7A patent/CN107451600B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104601109A (zh) * | 2014-12-25 | 2015-05-06 | 重庆大学 | 一种电-图模型的光伏热斑效应检测方法 |
WO2017053710A1 (en) * | 2015-09-23 | 2017-03-30 | Abb Schweiz Ag | Electrical system with arc fault detection |
CN105720917A (zh) * | 2016-01-28 | 2016-06-29 | 天津理工大学 | 基于红外图像处理的光伏阵列热斑快速检测系统及方法 |
CN106230377A (zh) * | 2016-07-01 | 2016-12-14 | 重庆大学 | 一种光伏电池板热斑故障检测方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777873A (zh) * | 2018-06-04 | 2018-11-09 | 江南大学 | 基于加权混合孤立森林的无线传感网络异常数据检测方法 |
WO2019233189A1 (zh) * | 2018-06-04 | 2019-12-12 | 江南大学 | 一种传感网络异常数据检测方法 |
CN108777873B (zh) * | 2018-06-04 | 2021-03-02 | 江南大学 | 基于加权混合孤立森林的无线传感网络异常数据检测方法 |
CN109086891A (zh) * | 2018-06-15 | 2018-12-25 | 重庆大学 | 基于模糊逻辑推理的热斑故障诊断方法 |
CN109506767A (zh) * | 2018-10-24 | 2019-03-22 | 西北工业大学 | 一种对水下入侵目标引起声场异常的实时检测方法 |
CN109506767B (zh) * | 2018-10-24 | 2020-12-08 | 西北工业大学 | 一种对水下入侵目标引起声场异常的实时检测方法 |
CN109783481A (zh) * | 2018-12-19 | 2019-05-21 | 新华三大数据技术有限公司 | 数据处理方法和装置 |
CN109743019A (zh) * | 2018-12-21 | 2019-05-10 | 中国计量大学 | 基于气象因素的热斑温度预测及热斑定位的系统和方法 |
CN109743019B (zh) * | 2018-12-21 | 2023-09-19 | 中国计量大学 | 基于气象因素的热斑温度预测及热斑定位的系统和方法 |
CN110289061A (zh) * | 2019-06-27 | 2019-09-27 | 黎檀实 | 一种创伤失血性休克伤情的时间序列预测方法 |
CN110289061B (zh) * | 2019-06-27 | 2022-04-01 | 黎檀实 | 一种创伤失血性休克伤情的时间序列预测方法 |
CN110243599A (zh) * | 2019-07-02 | 2019-09-17 | 西南交通大学 | 多维离群列车动车组轴箱轴承温度异常状态监测方法 |
JP2023508759A (ja) * | 2020-03-13 | 2023-03-03 | エンヴィジョン デジタル インターナショナル ピーティーイー.エルティーディー. | 太陽光発電アレイの動作状態を決定する方法および装置、デバイス並びに記憶媒体 |
JP7312919B2 (ja) | 2020-03-13 | 2023-07-21 | エンヴィジョン デジタル インターナショナル ピーティーイー.エルティーディー. | 太陽光発電アレイの動作状態を決定する方法および装置、デバイス並びに記憶媒体 |
US11829902B2 (en) | 2020-03-13 | 2023-11-28 | Envision Digital International Pte. Ltd. | Method and apparatus for determining operating state of photovoltaic array, device and storage medium |
CN111815560A (zh) * | 2020-06-09 | 2020-10-23 | 理光软件研究所(北京)有限公司 | 光伏电站故障检测方法、装置、便携检测设备及存储介质 |
CN111815560B (zh) * | 2020-06-09 | 2024-04-05 | 理光软件研究所(北京)有限公司 | 光伏电站故障检测方法、装置、便携检测设备及存储介质 |
CN117150244A (zh) * | 2023-10-30 | 2023-12-01 | 山东凯莱电气设备有限公司 | 基于电参数分析的智能配电柜状态监测方法及系统 |
CN117150244B (zh) * | 2023-10-30 | 2024-01-26 | 山东凯莱电气设备有限公司 | 基于电参数分析的智能配电柜状态监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107451600B (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451600A (zh) | 一种基于隔离机制的在线光伏热斑故障检测方法 | |
CN107453709B (zh) | 一种隔离机制与交叉测量融合的光伏热斑故障诊断方法 | |
CN104601108B (zh) | 一种小型光伏电站的故障诊断方法 | |
Hasselbrink et al. | Validation of the PVLife model using 3 million module-years of live site data | |
CN105337575B (zh) | 光伏电站状态预测及故障诊断方法和系统 | |
CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
CN106100578A (zh) | 一种适用于光伏并网系统的故障检测方法及其系统 | |
Yurtseven et al. | Sensorless fault detection method for photovoltaic systems through mapping the inherent characteristics of PV plant site: Simple and practical | |
CN107634719A (zh) | 集中式逆变器方案新型光伏组串在线故障诊断系统及方法 | |
Liu et al. | Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I–V curves | |
CN113404655A (zh) | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 | |
CN113780375A (zh) | 一种基于数字孪生的虚实交互风电场风力监测系统及应用 | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
CN103795145A (zh) | 分布式电源节点实时监测与分析系统装置及分析方法 | |
CN105021221A (zh) | 一种分布式多终端同期数据采集分析系统 | |
Tao et al. | Early fault warning of wind turbine based on BRNN and large sliding window | |
CN116800172B (zh) | 一种光电转换方法及储能系统 | |
Liu et al. | Hierarchical context-aware anomaly diagnosis in large-scale PV systems using SCADA data | |
CN117332920A (zh) | 一种新能源场站运行故障演化分析方法 | |
CN117036103A (zh) | 基于lstm循环神经网络的电力系统运行态势预测方法 | |
CN207559945U (zh) | 集中式逆变器方案新型光伏组串在线故障诊断系统 | |
Liu et al. | FSR‐SSL: A fault sample rebalancing framework based on semi‐supervised learning for PV fault diagnosis | |
Sun et al. | Data preprocessing of wind turbine based on least squares support vector machine and neighbor model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200207 Termination date: 20200703 |