CN108009730A - 一种光伏电站系统健康状态分析方法 - Google Patents

一种光伏电站系统健康状态分析方法 Download PDF

Info

Publication number
CN108009730A
CN108009730A CN201711268692.8A CN201711268692A CN108009730A CN 108009730 A CN108009730 A CN 108009730A CN 201711268692 A CN201711268692 A CN 201711268692A CN 108009730 A CN108009730 A CN 108009730A
Authority
CN
China
Prior art keywords
photovoltaic power
health
power station
state
station system
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
Application number
CN201711268692.8A
Other languages
English (en)
Other versions
CN108009730B (zh
Inventor
丁坤
陈富东
李元良
冯莉
丁汉祥
王越
吴佳兵
陈翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201711268692.8A priority Critical patent/CN108009730B/zh
Publication of CN108009730A publication Critical patent/CN108009730A/zh
Application granted granted Critical
Publication of CN108009730B publication Critical patent/CN108009730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了一种光伏电站系统健康状态分析方法，通过光伏电站系统性能测试硬件平台采集系统获取测试状态参数和气象数据，并计算得到当前辐照和温度下的参考状态参数，然后分别对测试状态和参考状态数据进行预处理和特征提取，进一步将得到的两个样本参数进行高斯混合模型训练，建立各自的GMM模型，接着通过比较参考状态模型和测试状态模型的偏差程度，获得光伏电站系统当前状态的健康指数；最后通过对健康指数进行分析，对光伏电站系统的状态是否异常做出诊断，并确定系统的健康等级和对异常健康状态进行判定。本发明的实施过程简明易实现，避免了传统评估方法存在的缺陷，能够更加科学合理的对光伏电站系统健康状态进行分析。

Description

一种光伏电站系统健康状态分析方法
技术领域
本发明属于光伏发电与运维领域，特别是涉及一种光伏电站系统健康状态分析方法。
背景技术
光伏发电系统在运行过程中，由于光伏组件裂片、老化衰减、阴影遮挡、灰尘等等因素将影响光伏电站系统的输出特性和运行效率，研究学者从长期的数据归类比较分析的角度评价了光伏发电系统的性能。而针对这些问题国内外学者一般将这些问题归结为光伏发电系统的故障问题，并对光伏电站系统的故障诊断进行了深入的研究。然而有些影响对光伏发电系统是暂时的、可恢复的，如阴影、灰尘遮挡等，而有些影响又是由于系统器件(如光伏组件)的自然衰减造成的。将这些影响定义为故障不能全面体现光伏发电系统运行状态。并且目前国内外较为主流的基于PR(Performance Ratio系统能效)的光伏电站系统性能评估方法，只能从宏观角度评定系统的发电性能，并不能对造成性能异常的因素进行判别和分析。因为在光伏电站系统实际的运行状态中，对于同一 PR，光伏电站系统的电压和电流并不一定相同，电压、电流的差异表明光伏电站系统处在不同的工作状态。此外，PR另一不足是不易识别光伏电站系统的轻微损耗。对于阵列某串中有少部分或一个组件被旁路情形，当整个系统的性能还在PR评估的正常范围内，就会误认为系统正常，评估结果与系统实际状态不符，最终因为不能及时发现系统中的问题，使得系统的能量持续损失，进而降低了系统的能量产出。因此需要寻求一种新的，更加可靠的评价方法，结合传统的PR评估，对光伏电站系统的健康状态进行可靠的分析评价。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种光伏电站系统健康状态分析方法，基于高斯混合模型给出健康状态的定义，对光伏电站系统健康状态异常进行诊断，光伏电站系统得到更高效的运维管理，提高光伏电站系统的发电效率。
为了实现上述目的，本发明是通过如下的技术方案来实现：
一种光伏电站系统健康状态分析方法，其特征在于，包括如下步骤：
步骤A:获取光伏电站系统参考状态数据和测试状态数据，具体包括：
A1)通过小型光伏电站系统性能测试硬件平台采集系统获取测试状态参数和气象数据，所述测试状态参数包括光伏阵列的各串电压数据和电流数据，所述气象数据包括共面辐照度和组件背板温度；
A2)以所述共面辐照度和组件背板温度为基本参数，利用光伏组件数学参数模型计算得到当前辐照和温度下的参考状态参数，所述参考状态参数包括参考状态的电压数据和电流数据；
步骤B：对所述步骤A获得的测试状态参数和参考状态参数分别进行预处理及特征值提取，得到测试特征参数样本和参考特征参数样本，具体包括：
B1)选取连续5min的数据，然后去除测试状态参数和参考状态参数中波动较大的异常数据点；
B2)对所述步骤B2中因去除波动较大的异常数据点而存在的不完整(有缺失值)的数据，采用拉格朗日插值法对缺失数据进行插补；
B3)采用经验模态分解(Empirical Mode Decomposition，EMD)算法对光伏电站系统的测试状态参数和参考状态参数分别进行特征提取，分别得到测试状态特征参数样本和参考状态特征参数样本的平均趋势项Rtest和Rref；剔除外界干扰因素影响，将非平稳的时间序列平稳化，更加准确地掌握原始信号的特征信号；
步骤C：分别建立光伏电站系统测试状态和参考状态的高斯混合模型 (GaussianMixture Model，GMM)；
步骤D：根据所述步骤C中得到的两个模型确定光伏电站系统的健康指数，具体包括：
D1)根据所述步骤C得到的两个GMM模型(参考状态GMM模型和测试状态 GMM模型)，提取两个GMM模型的均值作为模型的差异体现；
D2)计算参考状态GMM模型均值向量与待测状态GMM模型均值向量间的欧式距离，并将所述欧式距离定义为当前光伏电站系统的健康指数；
步骤E：根据所述步骤D中得到的健康指数判断当前光伏电站系统的健康等级；
步骤F：根据所述步骤D中得到的健康指数判断当前光伏电站系统是否异常，若异常，则进行光伏电站系统健康状态异常诊断并将诊断结果输出，若不异常，则直接将系统健康等级信息输出。
前述的一种光伏电站系统健康状态分析方法，其特征在于，
所述步骤B2中采用拉格朗日插值法对缺失数据进行插补，具体包括如下步骤：
B21)取缺失数据点前后的一共n个点，作为插补基点；
B22)找到一个n-1次多项式y＝a0+a1x+a2x2+…+an-1xn-1，其中，x表示通过步骤B21中的插补基点的曲线的横坐标，y表示通过步骤B21中的插补基点的曲线的纵坐标a0、a1…..an-1分别表示多项式自变量不同次数幂的x的系数。使此多项式曲线过步骤B21中的n个点；
B23)将n个点的坐标代入多项式，得：
步骤B24)、解式(1)中的方程：
解得：
从而得到缺失数据的近似值L(x)，将L(x)作为作为缺失数据点的纵坐标即 y值，从而达到缺失数据查补的目的。
前述的一种光伏电站系统健康状态分析方法，其特征在于，所述步骤B3中采用经验模态分解EMD算法对光伏电站系统的测试状态参数和参考状态参数分别进行特征提取，具体包括如下步骤：
B31)由于测试状态参数、参考状态参数都是通过EMD算法进行特征取值，得到其对应的特征参数样本，故，用特征参数x(t)统一代替表示所述测试状态参数、参考状态参数对应的特征参数,x(t)表示电压或者电流特征参数关于时间的数据序列；
求解特征参数x(t)全部的局部极值点，通过三次样条曲线针对全部极大值、极小值点进行插值获得极值点的上包络线E1、下包络线E2，其中上下包络线包含特征参数所有数据点；
B32)计算上下包络线平均值m1＝(E1+E2)/2,进一步求得x(t)-m1＝h1；
B33)判断h1是否满足内禀模态函数(Intrinsic Mode Function,IMF)条件；若 h1满足IMF条件，记IMF1＝h1，若h1不满足IMF条件，则将h1作为原始数据x(t)，重复步骤B31至步骤B32，再次获得上下包络线平均值m11，重新判断h11＝h1-m11是否满足IMF条件，若不满足，则继续迭代，直至最新获得的h1k满足IMF条件 (k为迭代次数)，然后记h1k为x(t)的第一个IMF分量，即IMF1＝h1k；其中,IMF 满足如下条件：
①特征参数中极值点与过零点个数相等或至多相差1个；
②任一时间点，由特征参数极小值、极大值分别确定的上下包络线间均值为0；
B34)从原特征参数x(t)中分离分量IMF1，得R1＝x(t)-IMF1，继续以R1为原特征参数，重复上述4个步骤，m次循环后，可依次获得分量IMF2，IMF3， IMF4，…，IMFm，这样就有：
直至Rm不能再提取出IMF分量为单调函数时，循环结束；原特征参数x(t) 经EMD分解为包含m个不同特征尺度的分量IMF和一个特征参数的平均趋势项 Rm：
将EMD分解处理分别得到测试状态特征参数样本和参考状态特征参数样本的平均趋势项Rtest和Rref作为输入数据分别带入到步骤C中所述的高斯混合模型 GMM模型。
前述的一种光伏电站系统健康状态分析方法，其特征在于，利用所述步骤B 中得到的测试状态特征参数样本和参考状态特征参数样本的平均趋势项Rtest和 Rref作为输入数据分别带入高斯混合模型(GMM)，分别获得参考状态GMM模型参数和测试状态GMM模型参数，建立各自的GMM模型具体步骤如下：
C1)高斯混合模型(GMM)，定义为：
式中:M—模型的混合数，即单一高斯分布概率密度函数的个数；
wk—混合模型的权重系数，0<wk<1且∑wk＝1；
N(x；μk,∑k)—第k个单一高斯概率密度函数，由式(5)求得：
其中，x表示特征参数，μk为单一高斯分布概率密度函数的均值，Σk为单一高斯分布概率密度函数的协方差矩阵；
C2)分别将测试状态特征参数样本和参考状态特征参数样本的平均趋势项 Rtest和Rref作为输入数据替换掉式(5)中的x，继而求得相关GMM模型参数，最后算出两个GMM模型的概率密度函数p(x)值及均值μk。
前述的一种光伏电站系统健康状态分析方法，其特征在于，所述步骤D中, 将健康指数HI(health index)定义为参考状态的GMM模型和测试状态的GMM模型均值间的欧式距离：
其中，μ0为参考状态GMM的均值向量，μ1为测试状态GMM的均值向量,M 为GMM模型的混合数；健康指数越接近于零，测试状态与参考状态重合度越高，光伏电站系统越健康；反之，健康指数越大，即测试状态偏移参考状态的程度越大，光伏电站系统健康状态越差。
前述的一种光伏电站系统健康状态分析方法，其特征在于，步骤E中,光伏电站系统的健康等级具体包括：
健康：指光伏电站系统及其组成电气设备(光伏阵列、并网逆变器)处于非常良好的状态，未出现性能衰减；
亚健康：指光伏电站系统所有状态参数的测试数据均在允许范围内，且部分参数值在一定范围内上下波动，但远未达到阈值，可按计划进行监测和维护；
异常：指光伏电站系统及其组成电气设备出现了潜在故障或出现了可恢复的健康状态影响因素，如阴影遮挡、组件表面积灰，或光伏组件轻微老化，性能部分降级，但系统或部件仍能正常使用；
故障：指系统或部件出现了明显的不可恢复的故障，性能大幅度降级，需进行系统和电气设备的维修或更换，才可继续运行，如组件短路、开路，组件碎裂，并网逆变器的过流、过压、主功率管开路或开路及其他电气设备故障。
前述的一种光伏电站系统健康状态分析方法，其特征在于，所述步骤E中，通过健康指数判断当前光伏电站系统的健康等级，其具体方法是根据光伏电站系统性能影响因素的类型采用健康状态等级隶属度分布函数实现系统健康指数与健康等级的匹配；具体的健康等级隶属度函数为：
其中，u1为隶属于健康状态的隶属度，u2为隶属于亚健康状态的隶属度，u3为隶属于异常状态的隶属度，u4为隶属于故障状态的隶属度。
前述的一种光伏电站系统健康状态分析方法，其特征在于，若健康指数越趋于0，则当前运行状态越健康；反之，健康指数越大，表明当前健康状态异常程度越高，需要进一步判别引起当前健康状态异常的原因；所述步骤F中对健康状态异常进行诊断，诊断基本参数定义为：
KV＝Vmea/Vth (10)
KI＝Imea/Ith (11)
其中，KV为电压比例系数，KI为电流比例系数，Vmea为实测电压，Vth为参考电压，Imea为实测电流，Ith为参考电流；
在正常条件下，KV、KI接近于1；灰尘、遮挡(未被旁路二极管旁路)；开路条件下，KV接近于1，KI小于1；阵列某串中有若干组件导线短路、旁路二极管短路条件下，KV小于1，KI接近于1；结合光伏发电系统输出特性，通过分析KV、 KI分别与1间的关联度，实现光伏电站系统上述异常健康影响因素的诊断。
本发明的有益效果为：
(1)本发明基于高斯混合模型，引入健康指数的概念，通过对测试状态和参考状态GMM模型的偏差分析；求得健康指数，并确定健康等级；同时结合健康指数和PR进行分析，对光伏电站系统健康状态异常进行诊断。更好的对光伏电站系统进行运维管理，提高光伏电站系统的发电效率；
(2)本发明的实施过程简明易实现，避免了传统评估方法存在的缺陷，能够更加科学合理的对光伏电站系统健康状态进行分析。
附图说明
图1是本发明的流程图；
图2是本发明参考状态与待测状态高斯混合模型图；
图3是本发明健康状态的特征参数提取结果图；
图4是本发明中健康指数HI隶属于4个健康等级的隶属度函数；
图5是本发明实施例一中复杂条件下10kWp电站功率曲线图；
图6是本发明实施例一中复杂条件下电站健康状态评估结果。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明基于高斯混合模型，通过引入健康状态的概念，对光伏电站系统的性能进行实时的评价。确定系统的健康等级，并对异常健康状态进行诊断。本发明利用高斯混合模型强大拟合能力，通过对参数估计、参数初始化方法和混合数选择等方面的研究，建立了光伏电站系统健康状态的高斯混合模型，提出了一种基于高斯混合模型的健康状态分析方法，用于描述光伏电站系统当前的健康状态，并对故障异常进行诊断分析。
本发明中“光伏电站系统的健康”定义为光伏电站系统持续应对环境变化，相对于预期正常发电状态的降级及偏差程度；“光伏电站系统的健康状态”定义为光伏电站及其组成系统的整体状态。
如图1所示的本发明的流程图，本发明的光伏电站系统健康状态分析方法，包括如下步骤：
步骤A:获取光伏电站系统参考状态数据和测试状态数据，具体包括：
A1)以10kWp光伏电站为研究对象，通过小型光伏电站系统性能测试硬件平台，采集获得电站08点至16点之间的数据，包括共面辐照度、组件温度、阵列输出电流、阵列输出电压等，数据间隔为5s，每组数据100条。得到测试状态的电流数据样本I1(i)(i＝0,1…99,100)、电压数据样本V1(i)(i＝0,1…99,100)。
A2)以采集的共面辐照度Irr(i)(i＝0,1…99,100)和组件背板温度 T(i)(i＝0,1…99,100)为基本参数，利用光伏组件数学参数模型并结合 MATLAB/Simulink工具箱创建的小型光伏电站系统仿真模型，计算得到当前辐照和温度下的电流I2(i)(i＝0,1…99,100)、电压值V2(i)(i＝0,1…99,100)。
步骤B：对步骤A获得的测试状态参数和参考状态参数分别进行预处理及特征值提取，得到测试特征参数样本和参考特征参数样本，具体包括：
B1)选取连续5min的数据，然后去除测试状态参数和参考状态参数中波动较大的异常数据点；
B2)对步骤B2中因去除波动较大的异常数据点而存在的不完整(有缺失值) 的数据，采用拉格朗日插值法对缺失数据进行插补，具体包括如下步骤：
B21)取缺失数据点前后的一共n个点，作为插补基点；
B22)找到一个n-1次多项式y＝a0+a1x+a2x2+…+an-1xn-1，其中，x表示通过步骤B21中的插补基点的曲线的横坐标，y表示通过步骤B21中的插补基点的曲线的横坐标a0、a1…..an-1分别表示多项式自变量不同次数幂的x的系数。使此多项式曲线过步骤B21中的n个点；
B23)将n个点的坐标代入多项式，得：
步骤B24)、解式(1)中的方程：
解得：
从而得到缺失数据的近似值L(x)，将L(x)作为作为缺失数据点的纵坐标即 y值，从而达到缺失数据查补的目的。
B3)采用经验模态分解EMD算法对光伏电站系统的测试状态参数和参考状态参数分别进行特征提取，分别得到测试状态特征参数样本和参考状态特征参数样本的平均趋势项Rtest和Rref；剔除外界干扰因素影响，将非平稳的时间序列平稳化，更加准确地掌握原始信号的特征信号，图3为本发明健康状态的特征参数提取结果图，具体包括如下步骤：
B31)由于测试状态参数、参考状态参数都是通过EMD算法进行特征取值，得到其对应的特征参数样本，故，用特征参数x(t)统一代替表示测试状态参数、参考状态参数对应的特征参数；
求解特征参数x(t)全部的局部极值点，通过三次样条曲线针对全部极大值、极小值点进行插值获得极值点的上包络线E1、下包络线E2，其中上下包络线包含特征参数所有数据点；
B32)计算上下包络线平均值m1＝(E1+E2)/2,进一步求得x(t)-m1＝h1；
B33)判断h1是否满足内禀模态函数(IMF)条件；若h1满足IMF条件，记 IMF1＝h1，若h1不满足IMF条件，则将h1作为原始数据x(t)，重复步骤B31至步骤B32，再次获得上下包络线平均值m11，重新判断h11＝h1-m11是否满足IMF条件，若不满足，则继续迭代，直至最新获得的h1k满足IMF条件(k为迭代次数)，然后记h1k为x(t)的第一个IMF分量，即IMF1＝h1k；其中,IMF满足如下条件：
①特征参数中极值点与过零点个数相等或至多相差1个；
②任一时间点，由特征参数极小值、极大值分别确定的上下包络线间均值为0；
B34)从原特征参数x(t)中分离分量IMF1，得R1＝x(t)-IMF1，继续以R1为原特征参数，重复上述4个步骤，m次循环后，可依次获得分量IMF2，IMF3， IMF4，…，IMFm，这样就有：
直至Rm不能再提取出IMF分量为单调函数时，循环结束；原特征参数x(t) 经EMD分解为包含n个不同特征尺度的分量IMF和一个特征参数的平均趋势项 Rm：
将EMD分解处理分别得到测试状态特征参数样本和参考状态特征参数样本的平均趋势项Rtest和Rref作为输入数据分别带入到步骤C中的高斯混合模型GMM 模型。
步骤C：利用步骤B中得到的测试状态特征参数样本和参考状态特征参数样本的平均趋势项Rtest和Rref作为输入数据分别带入高斯混合模型(GMM)，分别获得参考状态GMM模型参数和测试状态GMM模型参数，建立各自的GMM模型具体步骤如下：
C1)高斯混合模型(GMM)，定义为：
式中:M—模型的混合数，即单一高斯分布概率密度函数的个数；
wk—混合模型的权重系数，0<wk<1且
N(x；μk,Σk)—第k个单一高斯概率密度函数，由式(5)求得：
其中，x表示特征参数,μk为单一高斯分布概率密度函数的均值，Σk为单一高斯分布概率密度函数的协方差矩阵；
C2)分别将测试状态特征参数样本和参考状态特征参数样本的平均趋势项 Rtest和Rref作为输入数据替换掉式(5)中的x，继而求得相关GMM模型参数，最后算出两个GMM模型的概率密度函数p(x)值及均值μk，如图2所示的本发明的参考状态和测试状态的高斯混合模型图。
步骤D：根据步骤C中得到的两个模型确定光伏电站系统的健康指数，具体包括：
D1)根据步骤C得到的两个GMM模型(参考状态GMM模型和测试状态GMM 模型)，提取两个GMM模型的均值作为模型的差异体现；
D2)计算参考状态GMM模型均值向量与待测状态GMM模型均值向量间的欧式距离，并将欧式距离定义为当前光伏电站系统的健康指数；
将健康指数HI定义为参考状态的GMM模型和测试状态的GMM模型均值间的欧式距离：
其中，μ0为参考状态GMM的均值向量，μ1为测试状态GMM的均值向量；M 为GMM模型的混合数；健康指数越接近于零，测试状态与参考状态重合度越高，光伏电站系统越健康；反之，健康指数越大，即测试状态偏移参考状态的程度越大，光伏电站系统健康状态越差。
步骤E：根据步骤D中得到的健康指数判断当前光伏电站系统的健康等级；光伏电站系统的健康等级具体包括：
健康：指光伏电站系统及其组成电气设备(光伏阵列、并网逆变器)处于非常良好的状态，未出现性能衰减；
亚健康：指光伏电站系统所有状态参数的测试数据均在允许范围内，且部分参数值在一定范围内上下波动，但远未达到阈值，可按计划进行监测和维护；
异常：指光伏电站系统及其组成电气设备出现了潜在故障或出现了可恢复的健康状态影响因素，如阴影遮挡、组件表面积灰，或光伏组件轻微老化，性能部分降级，但系统或部件仍能正常使用；
故障：指系统或部件出现了明显的不可恢复的故障，性能大幅度降级，需进行系统和电气设备的维修或更换，才可继续运行，如组件短路、开路，组件碎裂，并网逆变器的过流、过压、主功率管开路或开路及其他电气设备故障。
通过健康指数判断当前光伏电站系统的健康等级，其具体方法是根据光伏电站系统性能影响因素的类型采用健康状态等级隶属度分布函数实现系统健康指数与健康等级的匹配；具体的健康等级隶属度函数为：
其中，u1为隶属于健康状态的隶属度，u2为隶属于亚健康状态的隶属度，u3为隶属于异常状态的隶属度，u4为隶属于故障状态的隶属度，如图4所示。
步骤F：根据步骤D中得到的健康指数判断当前光伏电站系统是否异常，若异常，则进行光伏电站系统健康状态异常诊断并将诊断结果输出，若不异常，则直接将系统健康等级信息输出，具体如下：
若健康指数越趋于0，则当前运行状态越健康；反之，健康指数越大，表明当前健康状态异常程度越高，需要进一步判别引起当前健康状态异常的原因；对健康状态异常进行诊断，其诊断基本参数定义为：
KV＝Vmea/Vth (10)
KI＝Imea/Ith (11)
其中，KV为电压比例系数，KI为电流比例系数，Vmea为实测电压，Vth为参考电压，Imea为实测电流，Ith为参考电流；
在正常条件下，KV、KI接近于1；灰尘、遮挡(未被旁路二极管旁路)；开路条件下，KV接近于1，KI小于1；阵列某串中有若干组件导线短路、旁路二极管短路条件下，KV小于1，KI接近于1；结合光伏发电系统输出特性，通过分析KV、 KI分别与1间的关联度，实现光伏电站系统上述异常健康影响因素的诊断。
实施例一：
以单个仿真模型为基础，建立4×10的10KW光伏阵列仿真模型，得到参考状态的GMM模型。选取适当条件进行光伏电站在复杂条件下的实验分析，测得平均辐照度为426.4W/m2，平均温度为21.9℃。
分别进行了开路和遮挡实验，其中设置了2种程度的遮挡条件，具体如下：
8:00至8:50为正常条件；
8:50至10:00为开路条件；
10:00至11:00为阵列第二串中1块组件被PVC光胶薄膜遮挡；
11:00至12:00为阵列第二串中2块组件被PVC光胶薄膜遮挡。
经过PVC光胶薄膜的辐照度大至较少200W/m2，每组数据量100条，共24 组，总数据为2400条。
图5中，细实线为参考状态的输出功率，粗实线为异常状态的输出功率。经过分析，电站的健康状态评估结果如图6所示，得知健康指数HI与PR的趋势一致，并于实际状态相符。
本试验中开路条件下系统的损失最严重，因而PR最低，HI最大。相对于不同程度遮挡条件，1块组件被遮挡的健康指数小于2块组件被遮挡的健康指数，即系统的性能前者优于后者。当系统处于健康条件下时，PR接近0.9，HI基本小于1。根据上述状态健康指数的评估结果，对健康等级及异常因素进行了判别，结果如表1所示，u1,u2,u3,u4分别同一健康指数对应的四种健康等级隶属度，根据隶属度最大原则，确定每一组健康指数的健康等级。由表1可知，由于本发明进行试验的光伏电站是在2013年建造的，电气元件工作能力随时间的推移与刚建成时相比有所下降，所以正常条件下，系统健康等级为亚健康，其他3种实验结果与实际实验条件下的系统输出特性一致，开路、遮挡分别对应故障和异常等级。
表1健康等级及异常因素判定结果
引起健康状态异常的因素进行诊断，由RV和RI分析知，正常条件下，RV、 RI都接近于1，开路条件下，RV大于RI，遮挡下，RV大于RI，且RI随着电流的不断减少而降低。因此本发明所划分的健康等级合理，所选择的等级隶属度函数能将健康指数很好的划分到4个等级中，具有较高的有效性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种光伏电站系统健康状态分析方法，其特征在于，包括如下步骤：
步骤A:获取光伏电站系统参考状态数据和测试状态数据，具体包括：
A1)通过小型光伏电站系统性能测试硬件平台采集系统获取测试状态参数和气象数据，所述测试状态参数包括光伏阵列的各串电压数据和电流数据，所述气象数据包括共面辐照度和组件背板温度；
A2)以所述共面辐照度和组件背板温度为基本参数，利用光伏组件数学参数模型计算得到当前辐照和温度下的参考状态参数，所述参考状态参数包括参考状态的电压数据和电流数据；
步骤B：对所述步骤A获得的测试状态参数和参考状态参数分别进行预处理及特征值提取，得到测试特征参数样本和参考特征参数样本，具体包括：
B1)选取连续5min的数据，然后去除测试状态参数和参考状态参数中波动较大的异常数据点；
B2)对所述步骤B2中因去除波动较大的异常数据点而存在的不完整(有缺失值)的数据，采用拉格朗日插值法对缺失数据进行插补；
B3)采用经验模态分解EMD算法对光伏电站系统的测试状态参数和参考状态参数分别进行特征提取，分别得到测试状态特征参数样本和参考状态特征参数样本的平均趋势项Rtest和Rref；
步骤C：分别建立光伏电站系统测试状态和参考状态的高斯混合模型(GMM)；
步骤D：根据所述步骤C中得到的两个模型确定光伏电站系统的健康指数，具体包括：
D1)根据所述步骤C得到的两个GMM模型(参考状态GMM模型和测试状态GMM模型)，提取两个GMM模型的均值作为模型的差异体现；
D2)计算参考状态GMM模型均值向量与待测状态GMM模型均值向量间的欧式距离，并将所述欧式距离定义为当前光伏电站系统的健康指数；
步骤E：根据所述步骤D中得到的健康指数判断当前光伏电站系统的健康等级；
步骤F：根据所述步骤D中得到的健康指数判断当前光伏电站系统是否异常，若异常，则进行光伏电站系统健康状态异常诊断并将诊断结果输出，若不异常，则直接将系统健康等级信息输出。
2.根据权利要求1所述的一种光伏电站系统健康状态分析方法，其特征在于，
所述步骤B2中采用拉格朗日插值法对缺失数据进行插补，具体包括如下步骤：
B21)取缺失数据点前后的一共n个点，作为插补基点；
B22)找到一个n-1次多项式y＝a0+a1x+a2x2+…+an-1xn-1，其中，x表示通过步骤B21中的插补基点的曲线的横坐标，y表示通过步骤B21中的插补基点的曲线的纵坐标，a0、a1…..an-1分别表示多项式自变量不同次数幂的x的系数。使此多项式曲线过步骤B21中的n个点；
B23)将n个点的坐标代入多项式，得：
步骤B24)、解式(1)中的方程：
解得：
从而得到缺失数据的近似值L(x)，将L(x)作为作为缺失数据点的纵坐标即y值，从而达到缺失数据查补的目的。
3.根据权利要求1所述的一种光伏电站系统健康状态分析方法，其特征在于，所述步骤B3中采用经验模态分解EMD算法对光伏电站系统的测试状态参数和参考状态参数分别进行特征提取，具体包括如下步骤：
B31)由于测试状态参数、参考状态参数都是通过EMD算法进行特征取值，得到其对应的特征参数样本，故，用特征参数x(t)统一代替表示所述测试状态参数、参考状态参数对应的特征参数,x(t)表示电压或者电流特征参数关于时间的数据序列；
求解特征参数x(t)全部的局部极值点，通过三次样条曲线针对全部极大值、极小值点进行插值获得极值点的上包络线E1、下包络线E2，其中上下包络线包含特征参数所有数据点；
B32)计算上下包络线平均值m1＝(E1+E2)/2,进一步求得x(t)-m1＝h1；
B33)判断h1是否满足内禀模态函数(IMF)条件；若h1满足IMF条件，记IMF1＝h1，若h1不满足IMF条件，则将h1作为原始数据x(t)，重复步骤B31至步骤B32，再次获得上下包络线平均值m11，重新判断h11＝h1-m11是否满足IMF条件，若不满足，则继续迭代，直至最新获得的h1k满足IMF条件(k为迭代次数)，然后记h1k为x(t)的第一个IMF分量，即IMF1＝h1k；其中,IMF满足如下条件：
①特征参数中极值点与过零点个数相等或至多相差1个；
②任一时间点，由特征参数极小值、极大值分别确定的上下包络线间均值为0；
B34)从原特征参数x(t)中分离分量IMF1，得R1＝x(t)-IMF1，继续以R1为原特征参数，重复上述4个步骤，m次循环后，可依次获得分量IMF2，IMF3，IMF4，…，IMFm，这样就有：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>R</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>IMF</mi> <mn>1</mn> </msub> <mo>=</mo> <msub> <mi>R</mi> <mn>2</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>R</mi> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>IMF</mi> <mi>m</mi> </msub> <mo>=</mo> <msub> <mi>R</mi> <mi>m</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
直至Rm不能再提取出IMF分量为单调函数时，循环结束；原特征参数x(t)经EMD分解为包含m个不同特征尺度的分量IMF和一个特征参数的平均趋势项Rm：
<mrow> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>IMF</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>R</mi> <mi>m</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
将EMD分解处理分别得到测试状态特征参数样本和参考状态特征参数样本的平均趋势项Rtest和Rref作为输入数据分别带入到步骤C中所述的高斯混合模型GMM模型。
4.根据权利要求3所述的一种光伏电站系统健康状态分析方法，其特征在于，利用所述步骤B中得到的测试状态特征参数样本和参考状态特征参数样本的平均趋势项Rtest和Rref作为输入数据分别带入高斯混合模型(GMM)，分别获得参考状态GMM模型参数和测试状态GMM模型参数，建立各自的GMM模型具体步骤如下：
C1)高斯混合模型(GMM)，定义为：
<mrow> <mi>p</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>w</mi> <mi>k</mi> </msub> <msub> <mi>p</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>w</mi> <mi>k</mi> </msub> <mi>N</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>;</mo> <msub> <mi>&amp;mu;</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;Sigma;</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
式中:M—模型的混合数，即单一高斯分布概率密度函数的个数；
wk—混合模型的权重系数，0<wk<1且∑wk＝1；
N(x；μk,∑k)—第k个单一高斯概率密度函数，由式(5)求得：
<mrow> <mi>N</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>;</mo> <msub> <mi>&amp;mu;</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;Sigma;</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msup> <mrow> <mo>(</mo> <mn>2</mn> <mi>&amp;pi;</mi> <mo>)</mo> </mrow> <mrow> <mi>n</mi> <mo>/</mo> <mn>2</mn> </mrow> </msup> <mo>|</mo> <msub> <mi>&amp;Sigma;</mi> <mi>k</mi> </msub> <msup> <mo>|</mo> <mrow> <mn>1</mn> <mo>/</mo> <mn>2</mn> </mrow> </msup> </mrow> </mfrac> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>&amp;Sigma;</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
其中，x表示特征参数，μk为单一高斯分布概率密度函数的均值，∑k为单一高斯分布概率密度函数的协方差矩阵；
C2)分别将测试状态特征参数样本和参考状态特征参数样本的平均趋势项Rtest和Rref作为输入数据替换掉式(5)中的x，继而求得相关GMM模型参数，最后算出两个GMM模型的概率密度函数p(x)值及均值μk。
5.根据权利要求4所述的一种光伏电站系统健康状态分析方法，其特征在于，所述步骤D中,将健康指数HI定义为参考状态的GMM模型和测试状态的GMM模型均值间的欧式距离：
<mrow> <mi>H</mi> <mi>I</mi> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <mrow> <mo>(</mo> <mover> <msub> <mi>&amp;mu;</mi> <mn>0</mn> </msub> <mo>&amp;RightArrow;</mo> </mover> <mo>-</mo> <mover> <msub> <mi>&amp;mu;</mi> <mn>1</mn> </msub> <mo>&amp;RightArrow;</mo> </mover> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
其中，μ0为参考状态GMM的均值向量，μ1为测试状态GMM的均值向量，M为GMM模型的混合数；健康指数越接近于零，测试状态与参考状态重合度越高，光伏电站系统越健康；反之，健康指数越大，即测试状态偏移参考状态的程度越大，光伏电站系统健康状态越差。
6.根据权利要求1所述的一种光伏电站系统健康状态分析方法，其特征在于，步骤E中,光伏电站系统的健康等级具体包括：
健康：指光伏电站系统及其组成电气设备(光伏阵列、并网逆变器)处于非常良好的状态，未出现性能衰减；
亚健康：指光伏电站系统所有状态参数的测试数据均在允许范围内，且部分参数值在一定范围内上下波动，但远未达到阈值，可按计划进行监测和维护；
异常：指光伏电站系统及其组成电气设备出现了潜在故障或出现了可恢复的健康状态影响因素，如阴影遮挡、组件表面积灰，或光伏组件轻微老化，性能部分降级，但系统或部件仍能正常使用；
故障：指系统或部件出现了明显的不可恢复的故障，性能大幅度降级，需进行系统和电气设备的维修或更换，才可继续运行，如组件短路、开路，组件碎裂，并网逆变器的过流、过压、主功率管开路或开路及其他电气设备故障。
7.根据权利要求5所述的一种光伏电站系统健康状态分析方法，其特征在于，所述步骤E中，通过健康指数判断当前光伏电站系统的健康等级，其具体方法是根据光伏电站系统性能影响因素的类型采用健康状态等级隶属度分布函数实现系统健康指数与健康等级的匹配；具体的健康等级隶属度函数为：
<mrow> <msub> <mi>u</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>H</mi> <mi>I</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mi>H</mi> <mi>I</mi> <mo>=</mo> <mn>0</mn> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mfrac> <mrow> <mn>0.7</mn> <mo>-</mo> <mi>H</mi> <mi>I</mi> </mrow> <mn>0.7</mn> </mfrac> </mtd> <mtd> <mrow> <mo>(</mo> <mn>0</mn> <mo>&lt;</mo> <mi>H</mi> <mi>I</mi> <mo>&lt;</mo> <mn>0.7</mn> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mi>H</mi> <mi>I</mi> <mo>&amp;GreaterEqual;</mo> <mn>0.7</mn> <mo>)</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>u</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>H</mi> <mi>I</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mn>0</mn> <mo>&lt;</mo> <mi>H</mi> <mi>I</mi> <mo>&lt;</mo> <mn>0.2</mn> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mfrac> <mrow> <mi>H</mi> <mi>I</mi> <mo>-</mo> <mn>0.2</mn> </mrow> <mrow> <mn>0.7</mn> <mo>-</mo> <mn>0.2</mn> </mrow> </mfrac> </mtd> <mtd> <mrow> <mo>(</mo> <mn>0.2</mn> <mo>&amp;le;</mo> <mi>H</mi> <mi>I</mi> <mo>&lt;</mo> <mn>0.7</mn> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mfrac> <mrow> <mn>2.5</mn> <mo>-</mo> <mi>H</mi> <mi>I</mi> </mrow> <mrow> <mn>2.5</mn> <mo>-</mo> <mn>0.7</mn> </mrow> </mfrac> </mtd> <mtd> <mrow> <mo>(</mo> <mn>0.7</mn> <mo>&amp;le;</mo> <mi>H</mi> <mi>I</mi> <mo>&lt;</mo> <mn>2.5</mn> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mi>H</mi> <mi>I</mi> <mo>&amp;GreaterEqual;</mo> <mn>2.5</mn> <mo>)</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>u</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <mi>H</mi> <mi>I</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mn>0</mn> <mo>&lt;</mo> <mi>H</mi> <mi>I</mi> <mo>&lt;</mo> <mn>0.7</mn> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mfrac> <mrow> <mi>H</mi> <mi>I</mi> <mo>-</mo> <mn>0.7</mn> </mrow> <mrow> <mn>2.5</mn> <mo>-</mo> <mn>0.7</mn> </mrow> </mfrac> </mtd> <mtd> <mrow> <mo>(</mo> <mn>0.7</mn> <mo>&amp;le;</mo> <mi>H</mi> <mi>I</mi> <mo>&lt;</mo> <mn>2.5</mn> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mfrac> <mrow> <mn>12</mn> <mo>-</mo> <mi>H</mi> <mi>I</mi> </mrow> <mrow> <mn>12</mn> <mo>-</mo> <mn>2.5</mn> </mrow> </mfrac> </mtd> <mtd> <mrow> <mo>(</mo> <mn>2.5</mn> <mo>&amp;le;</mo> <mi>H</mi> <mi>I</mi> <mo>&lt;</mo> <mn>12</mn> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mi>H</mi> <mi>I</mi> <mo>&amp;GreaterEqual;</mo> <mn>12</mn> <mo>)</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>u</mi> <mn>4</mn> </msub> <mrow> <mo>(</mo> <mi>H</mi> <mi>I</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mn>0</mn> <mo>&amp;le;</mo> <mi>H</mi> <mi>I</mi> <mo>&lt;</mo> <mn>2.5</mn> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mfrac> <mrow> <mn>12</mn> <mo>-</mo> <mi>H</mi> <mi>I</mi> </mrow> <mrow> <mn>12</mn> <mo>-</mo> <mn>2.5</mn> </mrow> </mfrac> </mtd> <mtd> <mrow> <mo>(</mo> <mn>2.5</mn> <mo>&lt;</mo> <mi>H</mi> <mi>I</mi> <mo>&lt;</mo> <mn>12</mn> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mi>H</mi> <mi>I</mi> <mo>&amp;GreaterEqual;</mo> <mn>12</mn> <mo>)</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
其中，u1为隶属于健康状态的隶属度，u2为隶属于亚健康状态的隶属度，u3为隶属于异常状态的隶属度，u4为隶属于故障状态的隶属度。
8.根据权利要求1所述的一种光伏电站系统健康状态分析方法，其特征在于，若健康指数越趋于0，则当前运行状态越健康；反之，健康指数越大，表明当前健康状态异常程度越高，需要进一步判别引起当前健康状态异常的原因；所述步骤F中对健康状态异常进行诊断，诊断基本参数定义为：
KV＝Vmea/Vth (10)
KI＝Imea/Ith (11)
其中，KV为电压比例系数，KI为电流比例系数，Vmea为实测电压，Vth为参考电压，Imea为实测电流，Ith为参考电流；
在正常条件下，KV、KI接近于1；灰尘、遮挡(未被旁路二极管旁路)；开路条件下，KV接近于1，KI小于1；阵列某串中有若干组件导线短路、旁路二极管短路条件下，KV小于1，KI接近于1；结合光伏发电系统输出特性，通过分析KV、KI分别与1间的关联度，实现光伏电站系统上述异常健康影响因素的诊断。
CN201711268692.8A 2017-12-05 2017-12-05 一种光伏电站系统健康状态分析方法 Active CN108009730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711268692.8A CN108009730B (zh) 2017-12-05 2017-12-05 一种光伏电站系统健康状态分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711268692.8A CN108009730B (zh) 2017-12-05 2017-12-05 一种光伏电站系统健康状态分析方法

Publications (2)

Publication Number Publication Date
CN108009730A true CN108009730A (zh) 2018-05-08
CN108009730B CN108009730B (zh) 2021-08-24

Family

ID=62056787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711268692.8A Active CN108009730B (zh) 2017-12-05 2017-12-05 一种光伏电站系统健康状态分析方法

Country Status (1)

Country Link
CN (1) CN108009730B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110498314A (zh) * 2019-08-28 2019-11-26 上海电气集团股份有限公司 电梯门系统的健康评估方法、系统、电子设备及存储介质
CN111222549A (zh) * 2019-12-30 2020-06-02 航天时代飞鸿技术有限公司 一种基于深度神经网络的无人机故障预测方法
CN112836941A (zh) * 2021-01-14 2021-05-25 哈电发电设备国家工程研究中心有限公司 一种煤电机组汽轮机高加系统在线健康状况评估方法
CN113515885A (zh) * 2021-04-23 2021-10-19 上海岩芯电子科技有限公司 一种光伏组件智能健康状态诊断方法
CN113572424A (zh) * 2021-07-02 2021-10-29 清华大学 光伏电池状态异常检测方法、装置、电子设备及存储介质
WO2022174698A1 (zh) * 2021-02-20 2022-08-25 青岛特来电新能源科技有限公司 新能源设备的健康状况测评方法、装置、介质及提示终端
WO2023184252A1 (zh) * 2022-03-30 2023-10-05 京东方科技集团股份有限公司 生产过程数据相关性分析方法、设备及存储介质
CN117151696A (zh) * 2023-10-27 2023-12-01 中科华辰(山东)实业股份有限公司 一种光伏运维管理系统
CN117277962A (zh) * 2023-11-23 2023-12-22 托付保(南京)电力技术有限公司 光伏电站异常监控与识别系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106059492A (zh) * 2016-05-05 2016-10-26 江苏方天电力技术有限公司 基于功率预测的光伏组件阴影故障类型判定方法
CN107346899A (zh) * 2017-08-28 2017-11-14 国网江西省电力公司电力科学研究院 一种光伏电站系统稳定性评估方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106059492A (zh) * 2016-05-05 2016-10-26 江苏方天电力技术有限公司 基于功率预测的光伏组件阴影故障类型判定方法
CN107346899A (zh) * 2017-08-28 2017-11-14 国网江西省电力公司电力科学研究院 一种光伏电站系统稳定性评估方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGZHENG FANG等: ""The component-level and system-level satellite power system health state evaluation method"", 《2014 PROGNOSIS AND SYSTEM HEALTH MANAGEMENT CONFERENCE(PHM-2014 HUNAN)》 *
丁坤等: ""基于主成分分析和马氏距离的光伏系统健康状态研究"", 《可再生能源》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110498314A (zh) * 2019-08-28 2019-11-26 上海电气集团股份有限公司 电梯门系统的健康评估方法、系统、电子设备及存储介质
CN111222549B (zh) * 2019-12-30 2023-10-24 航天时代飞鸿技术有限公司 一种基于深度神经网络的无人机故障预测方法
CN111222549A (zh) * 2019-12-30 2020-06-02 航天时代飞鸿技术有限公司 一种基于深度神经网络的无人机故障预测方法
CN112836941A (zh) * 2021-01-14 2021-05-25 哈电发电设备国家工程研究中心有限公司 一种煤电机组汽轮机高加系统在线健康状况评估方法
CN112836941B (zh) * 2021-01-14 2024-01-09 哈电发电设备国家工程研究中心有限公司 一种煤电机组汽轮机高加系统在线健康状况评估方法
WO2022174698A1 (zh) * 2021-02-20 2022-08-25 青岛特来电新能源科技有限公司 新能源设备的健康状况测评方法、装置、介质及提示终端
CN113515885A (zh) * 2021-04-23 2021-10-19 上海岩芯电子科技有限公司 一种光伏组件智能健康状态诊断方法
CN113515885B (zh) * 2021-04-23 2023-09-12 上海岩芯电子科技有限公司 一种光伏组件智能健康状态诊断方法
CN113572424B (zh) * 2021-07-02 2023-02-28 清华大学 光伏电池状态异常检测方法、装置、电子设备及存储介质
CN113572424A (zh) * 2021-07-02 2021-10-29 清华大学 光伏电池状态异常检测方法、装置、电子设备及存储介质
WO2023184252A1 (zh) * 2022-03-30 2023-10-05 京东方科技集团股份有限公司 生产过程数据相关性分析方法、设备及存储介质
CN117151696A (zh) * 2023-10-27 2023-12-01 中科华辰(山东)实业股份有限公司 一种光伏运维管理系统
CN117151696B (zh) * 2023-10-27 2024-01-23 中科华辰(山东)实业股份有限公司 一种光伏运维管理系统
CN117277962A (zh) * 2023-11-23 2023-12-22 托付保(南京)电力技术有限公司 光伏电站异常监控与识别系统
CN117277962B (zh) * 2023-11-23 2024-01-30 托付保(南京)电力技术有限公司 光伏电站异常监控与识别系统

Also Published As

Publication number Publication date
CN108009730B (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN108009730B (zh) 一种光伏电站系统健康状态分析方法
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN109873610B (zh) 基于iv特性和深度残差网络的光伏阵列故障诊断方法
CN109766952B (zh) 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法
CN109660206B (zh) 一种基于Wasserstein GAN的光伏阵列故障诊断方法
Das et al. Diagnosis of power quality events based on detrended fluctuation analysis
CN109828184B (zh) 一种基于互近似熵的电压暂降源识别方法
CN113011481B (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN110726898B (zh) 一种配电网故障类型识别方法
Badr et al. Fault identification of photovoltaic array based on machine learning classifiers
CN110455827A (zh) 一种智能新能源电池板合格检测系统及方法
Abd el-Ghany et al. A new monitoring technique for fault detection and classification in PV systems based on rate of change of voltage-current trajectory
Davarifar et al. Partial shading fault diagnosis in PV system with discrete wavelet transform (DWT)
CN114139614B (zh) 一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和系统
CN115905904A (zh) 一种配电网馈线的线损异常评估方法及装置
Hernandez et al. Development of a non-intrusive load monitoring (nilm) with unknown loads using support vector machine
CN114139820A (zh) 一种用于非侵入式电能负荷预测的改进模态分解方法
CN113537080A (zh) 一种级联h桥多电平逆变器的故障诊断方法
Xie et al. Scintillation detector fault diagnosis based on wavelet packet analysis and multi-classification support vector machine
CN116502149A (zh) 基于电流特征传导的低压配电网户变关系识别方法及系统
CN115902557A (zh) 开关柜故障诊断处理方法、装置及非易失性存储介质
Jalil et al. Development of nottingham arc model for DC series arc modeling in photovoltaic panels
CN114397569A (zh) 基于vmd参数优化、样本熵的断路器故障电弧检测方法
CN113537821A (zh) 一种电力系统状态的快速评估方法及系统
Hao et al. Transmission line fault diagnosis based on machine learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant