CN108964606A - 一种光伏系统热斑故障检测方法 - Google Patents

Abstract

本发明技术方案公开了一种光伏系统热斑故障检测方法，包括以下步骤：S1：建立光伏系统各阵列各组串理论电流模型；S2：根据所述理论电流模型预测各组串的理论电流输出值；S3：实时监测各组串电流输出值；S4：对所述各组串电流输出值进行预处理，筛选出可能存在热斑的阵列；S5：判断所筛选可能存在热斑的阵列是否存在热斑，获得热斑阵列；S6：进一步判断所述热斑阵列中的热斑组串；S7：确定所述热斑组串中故障组件的位置。本发明技术方案的光伏系统热斑故障检测方法具有可行性高、经济性好、有效应用于各规模光伏系统的热斑故障诊断中，实际投入生产应用的可行性较高。

Description

一种光伏系统热斑故障检测方法

技术领域

本发明涉及光伏系统故障诊断技术领域，尤其涉及一种光伏系统热斑故障检测方法。

背景技术

近年来，光伏发电产业迅猛发展，太阳能发电技术应用越来越广泛。然而，光伏热斑故障是一种光伏组件的常见故障，在组件运行过程中，因局部阴影导致部分电池片自身特性的改变而与其他正常工作的电池性能失配，从而作为负载消耗其他有光照的太阳电池组件所产生的能量并持续发热的现象称为热斑，热斑长期发展可能会烧毁该光伏组件，影响整个光伏发电系统的正常运行。

现有对光伏系统热斑故障诊断的研究主要有红外热成像仪检测法、光伏组件I-V曲线扫描法。红外线热成像仪检测法根据不同工作状态下的光伏电池具有显著温差的原理，利用红外线热成像仪拍摄热成像照片查找热斑故障，通过人工手持、定点设置、无人机搭载红外线热成像仪等方式进行故障检测，可以准确定位热斑故障位置，但采购、维护设备成本较高，对拍摄设备性能依赖性强，有一定的人力工作量，耗时费力。传统光伏组件I-V曲线扫描法需要停机拆卸组串，人工接入检测仪单独扫描光伏组件的I-V曲线，利用组件输出特性的变化判断是否存在热斑故障，需针对单个光伏组件扫描，工作量大、检测成本高，无法实现自动化检测，难以应用于实际光伏电站的阵列结构，实际投入生产应用的可行性低。

发明内容

本发明技术方案所要解决的技术问题是提供一种可行性高、经济性好、可以有效应用于各规模光伏系统的热斑故障检测方法，实现对光伏系统热斑故障的诊断与预警。

为解决上述技术问题，本发明技术方案提供了一种光伏系统热斑故障检测方法，包括以下步骤：

S1：建立光伏系统各阵列各组串理论电流模型；

S2：根据所述理论电流模型预测各组串的理论电流输出值；

S3：实时监测各组串电流输出值；

S4：对所述各组串电流输出值进行预处理，筛选出可能存在热斑的阵列；

S5：判断所筛选可能存在热斑的阵列是否存在热斑，获得热斑阵列；

S6：进一步判断所述热斑阵列中的热斑组串；

S7：确定所述热斑组串中故障组件的位置。

可选的，所述步骤S1具体为：分别针对组串电流监控数据和环境监测数据，除去异常数据并取平均值后，采用模糊神经网络训练建立样本数据库，建立光伏系统各阵列各组串理论电流模型。

可选的，在步骤S2中，向所述理论电流模型输入环境监测数据，所述理论电流模型输出预测的理论电流输出值。

进一步可选的，所述环境监测数据包括光照强度、温度及湿度中的至少一种。

其中，理论电流模型预测理论电流输出值的过程如下：输入样本(光照强度、温度、湿度、历史电流监测数据)，记为(n，l为自然数)，设网络误差函数E为：

其中，y＝[y₁......y_L]^T表示神经网络的实际输出；d＝[d₁.......d_L]^T表示神经网络的期望输出；||*||₂表示向量的2范数；

设隶属度函数为：

其中，为隶属度函数的宽度；为输入样本(光照强度、温度、湿度、历史电流监测数据)；为隶属度函数中心；

神经网络输出函数为：

其中，为隶属度函数值；为常数线性系数；为输入样本(光照强度、温度、湿度、历史电流监测数据)；

从而得出各种环境因素下光伏系统正常运行时各组串的理论电流输出值。

可选的，在步骤S4中，所述预处理具体为：分别计算各组串电流输出值与理论电流输出值的曼哈顿距离，选取曼哈顿距离大于第一预设值时对应的阵列作为可能存在热斑的阵列。

可选的，步骤S5具体包括如下步骤：

S51：模拟单个光伏阵列中某单体电池被局部阴影遮挡的情形，得到被遮挡电池消耗功率P_x与组串电流方差V之间的关系，选取P_x为第二预设值对应的组串电流的方差作为参考方差值V_def；

S52：分别计算S4中可能存在热斑的阵列的各组串电流值的方差；

S53：比较V与V_def的大小，若V>V_def，则判定该阵列为热斑阵列，存在热斑组串。

进一步可选的，在步骤S51中采用Matlab进行仿真模拟。

可选的，步骤S6具体包括如下步骤：

S61：设定电流判定标准值I_s，其计算公式如下：

I_s＝α·max[I_k],(k＝1...n)

其中，α为电流判定标准值整定系数，I_k为第k条组串的电流值，n为自然数；

S62：比较I_s与I_k的大小，若I_k<I_s时，则判定该条组串为热斑组串，存在故障组件。

进一步可选的，所述α大于0.995且小于0.996。

可选的，步骤S7包括如下步骤：

S71：计算正常情况下组串中各传感器的电压，计算方法如下：

其中，U_kj,def代表第k组第j个的传感器的参考电压值；n、t为自然数；r为每个传感器监测的光伏组件的个数，m为每个组串的光伏组件个数；U为光伏阵列中所有组串并联连接的总电压；

S72：监测热斑组串中各电压传感器的电压值U_kj；

S73：比较U_kj,def与U_kj的大小，若U_kj,def>U_kj，确定故障组件的位置在第k组串第j个电压传感器的范围内。

与现有技术相比，本发明技术方案的光伏系统热斑故障检测方法具有可行性高、经济性好、有效应用于各规模光伏系统的热斑故障诊断中，实际投入生产应用的可行性较高。

附图说明

图1为本发明实施例的光伏系统热斑故障检测方法的流程示意图；

图2为本发明实施例的模糊神经网络的训练过程示意图；

图3为本发明实施例的判断热斑阵列的流程示意图；

图4为本发明实施例的参考方差值V_def整定示意图；

图5为本发明实施例的判断热斑组串的流程示意图；

图6为本发明实施例的电流判定标准系数α整定示意图；

图7为本发明实施例的判断故障组件位置的流程示意图；

图8为本发明另一实施例的光伏系统的结构示意图；

图9为本发明另一实施例的电压传感器的分配方式示意图。

具体实施方式

实施例1

如图1所示，本发明实施例的光伏系统热斑故障检测方法，包括以下步骤：

S1：建立光伏系统各阵列各组串理论电流模型；

S2：根据所述理论电流模型预测各组串的理论电流输出值；

S3：实时监测各组串电流输出值；

S4：对所述各组串电流输出值进行预处理，筛选出可能存在热斑的阵列；

S5：判断所筛选可能存在热斑的阵列是否存在热斑，获得热斑阵列；

S6：进一步判断所述热斑阵列中的热斑组串；

S7：确定所述热斑组串中故障组件的位置。

需要说明的是，在其他实施例中不限于先进行S1和S2，再进行S3，即S3所述的实时监测各组串电流输出值这一步骤可在S4之前的任意时间点开始并持续至S4。

光伏发电系统中有数个光伏阵列，每个光伏阵列由多条组串并联组成，每条组串的电流是可监测的，在本实施例中，分别针对光伏电站历史组串电流监控数据和光伏电站历史环境监测数据的光照强度、温度、湿度，分成不同季节下晴天、阴天、雨天等多种天气类型，筛选除去异常数据，取平均值后采用模糊神经网络训练建立样本数据库(本实施例示例性的示出训练过程如图2)，建立光伏系统各阵列各组串理论电流模型。

采用不同环境条件下的电流模型对光伏系统中所有组串正常运行的电流进行预估，输入样本(光照强度、温度及湿度)，从而得出各种环境因素下光伏系统正常运行时各组串的理论电流输出值。

当某组串发生热斑故障时，故障组串所在光伏阵列中所有组串电流输出值均会较正常情况有所偏离，单个光伏阵列中所有组串电流偏差程度越大说明该光伏阵列中出现热斑故障的可能性越大。在步骤S4中，采用如下方式对各组串电流输出值进行预处理：

分别计算各组串电流输出值与理论电流输出值的曼哈顿距离，计算公式如下：

d(I_k,I_stk)＝∑|I_k-I_stk|

其中，I_k为实际监测的各组串电流值；I_stk为相同环境条件下理论电流输出值；d(I_k,I_stk)为曼哈顿距离。

由上式可知，距离d(I_k,I_stk)越大，则监测值与理论预估值相关程度越低，由此对所有组串电流输出值与其相同环境条件下理论预估值纵向对比，作为所采集数据的预处理，筛选与理论预估值相关程度低的光伏阵列进行下一步故障判定。选取曼哈顿距离大于第一预设值时对应的阵列作为可能存在热斑的阵列。第一预设值根据实际情况设定。

如图3所示，本实施例采用如下方式判断所筛选可能存在热斑的阵列是否存在热斑：

S51：模拟单个光伏阵列中某单体电池被局部阴影遮挡的情形，得到被遮挡电池消耗功率P_x与组串电流方差V之间的关系，选取P_x为第二预设值对应的组串电流的方差作为参考方差值V_def；其中，第二预设值根据实际情况进行设置。在本实施例中，P_x选取25W。在本实施例中，采用Matlab进行仿真模拟。

当光伏组件被局部阴影遮挡，被遮挡单体电池作为负载消耗功率P_x>25W时将发生热斑故障，通过Matlab仿真模拟单个光伏阵列中某单体电池被局部阴影遮挡的情形，被遮挡单体电池消耗功率P_x与所有组串电流方差V之间的关系为正相关，如图4所示。参考方差值V_def将根据不同规模结构的光伏系统而调整。

S52：分别计算S4中可能存在热斑的阵列的电流值的方差，假设可能存在热斑的阵列个数为n，计算公式如下：

其中，V为方差；I_k为第k条组串电流值，为n个组串电流的平均值。

S53：比较V与V_def的大小，若V>V_def，则判定该阵列为热斑阵列，存在热斑组串。

确定热斑阵列后，需要进一步确定具有热斑的组串，如图5所示，本实施例通过以下方法进行确定：

S61：设定电流判定标准值I_s，其计算公式如下：

I_s＝α·max[I_k],(k＝1...n)

其中，α为电流判定标准值整定系数，此值大于0.995且小于0.996，I_k为第k条组串的电流值；

S62：比较I_s与I_k的大小，若I_k<I_s时，则判定该条组串为热斑组串，存在故障组件。

系数α通过如下方式进行整定：通过Matlab仿真模拟单体电池被局部阴影遮挡的情形，得到被遮挡单体电池所承受功率P_x与其所在组串电流I_x及所有组串中最大组串电流值I_max的关系，如图6所示。

光伏电池P_x>25W时，存在热斑故障隐患，此时存在系数α∈(0.995,0.996)使得该组串电流值

I_x<α·I_max

其中I_x为消耗功率电池所在组串电流，I_max为存在故障的光伏阵列中最大组串电流值。

由此对系数α进行整定，其数值将根据不同规模结构的光伏系统而调整。

最后确定所述热斑组串中故障组件的位置。如图7所示，包括如下步骤：

S71：计算正常情况下组串中各传感器的电压，计算方法如下：

其中，U_kj,def代表第k组第j个的传感器的参考电压值；n、t为自然数；r为每个传感器监测的光伏组件的个数，m为每个组串的光伏组件个数；U为光伏阵列中所有组串并联连接的总电压；需要注意的是，采用该计算方法的前提是采用以下布置方式：在每个组串中交叉设置若干电压传感器，每个电压传感器监测r(r＝1,2…,m)个光伏组件的电压。

S72：监测热斑组串中各电压传感器的电压值U_kj；

S73：比较U_kj,def与U_kj的大小，若U_kj,def>U_kj，确定故障组件的位置在第k组串第j个电压传感器的范围内。

实施例2

以图8所示光伏系统为例。该光伏系统共有3个光伏阵列，每个光伏阵列由3条组串并联而成，每条组串由12个光伏组件串联而成。其热斑故障的检测方法如下：

步骤1：针对不同光照强度、温度、湿度等环境条件下光伏系统中所有9个组串电流历史样本，建立正常状态下基于模糊神经网络的光伏系统中所有组串电流输出值专家数据库，根据专家数据库确定不同环境条件状态下光伏系统中所有组串电流理论输出值。

步骤2：实时监测光伏系统运行时所有光伏阵列各组串电流值I_k，与上述模糊神经网络专家数据库中相同环境条件下正常运行理论电流输出值I_stk对比，对所有组串电流输出值与其相同环境条件下理论预估值纵向对比，作为所采集数据的预处理，筛选与理论预估值相关程度低的光伏阵列进行下一步故障判定。

步骤3：根据该光伏系统的结构，通过Matlab仿真探究该光伏系统中某单体电池被局部阴影遮挡的情形下被遮挡单体电池消耗功率P_x与所有组串电流方差V之间的关系，设定P_x＝25W时所有组串电流方差V为参考方差值V_def。

步骤4：读取经步骤2所筛选出的可能存在热斑故障的光伏阵列中的各组串监测电流数据，为I₁，I₂，I₃，计算这3个组串电流的方差V，与设定的参考方差值V_def进行比较，当V>V_def，即判断该光伏阵列中存在热斑故障，热斑故障存在于该光伏阵列的3个组串中。

步骤5：根据该光伏系统的结构，通过Matlab仿真探究该光伏系统中某单体电池被局部阴影遮挡的情形下被遮挡单体电池所承受功率P_x与其所在组串电流I_x及所有组串中最大组串电流值I_max的关系，以此整定电流判定标准值系数α以及判定标准值I_s＝α·max[I₁,I₂,I₃]。

步骤6：读取步骤4所判定存在热斑故障的光伏阵列中各组串监测电流数据I_k(k＝1,2,3)，与步骤5中所设定电流判定标准值I_s比较，存在热斑故障的组串电流值会较其他正常组串有所下降，当某组串电流I_k小于判定标准值满足I_s，即判定该组串为热斑故障组串。

步骤7：该光伏系统中光伏阵列为3×12型(每个光伏阵列由3个组串并联而成，每个组串由12个光伏组件串联而成)，交叉设置电压传感器，令每个电压传感器所监测的光伏组件数r＝m/2，即为6，可以按规律平均配置电压传感器，取得最优的监测精度及经济性，如图9所示，分别为r＝m/2＝6时，分辨率L为1、2、3的配置方式。依次比较该故障组串中各电压传感器测量的电压值U_kj(k＝1,2,3；j＝1,2,…,t)与全组串总电压的二分之一U/2，若U_kj<U/2，则可确定发生故障的光伏模块的位置在第k组串第j个电压传感器的范围内，远程终端发出热斑故障预警信号，提醒光伏电站运维人员需立即对热斑故障进行处理。

以上详细描述了本发明的具体实施例，应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种光伏系统热斑故障检测方法，其特征在于，包括以下步骤：

S1：建立光伏系统各阵列各组串理论电流模型；

S2：根据所述理论电流模型预测各组串的理论电流输出值；

S3：实时监测各组串电流输出值；

S4：对所述各组串电流输出值进行预处理，筛选出可能存在热斑的阵列；

S5：判断所筛选可能存在热斑的阵列是否存在热斑，获得热斑阵列；

S6：进一步判断所述热斑阵列中的热斑组串；

S7：确定所述热斑组串中故障组件的位置。

2.如权利要求1所述的光伏系统热斑故障检测方法，其特征在于，所述步骤S1具体为：分别针对组串电流监控数据和环境监测数据，采用模糊神经网络训练建立样本数据库，建立光伏系统各阵列各组串理论电流模型。

3.如权利要求1所述的光伏系统热斑故障检测方法，其特征在于，在步骤S2中，向所述理论电流模型输入环境监测数据，所述理论电流模型输出预测的理论电流输出值。

4.如权利要求2或3所述的光伏系统热斑故障检测方法，其特征在于，所述环境监测数据包括光照强度、温度及湿度中的至少一种。

5.如权利要求1所述的光伏系统热斑故障检测方法，其特征在于，在步骤S4中，所述预处理具体为：分别计算各组串电流输出值与理论电流输出值的曼哈顿距离，选取曼哈顿距离大于第一预设值时对应的阵列作为可能存在热斑的阵列。

6.如权利要求1所述的光伏系统热斑故障检测方法，其特征在于，步骤S5具体包括如下步骤：

S51：模拟单个光伏阵列中某单体电池被局部阴影遮挡的情形，得到被遮挡电池消耗功率P_x与组串电流方差V之间的关系，选取P_x为第二预设值对应的组串电流的方差作为参考方差值V_def；

S52：分别计算S4中可能存在热斑的阵列的各组串电流值的方差；

S53：比较V与V_def的大小，若V>V_def，则判定该阵列为热斑阵列，存在热斑组串。

7.如权利要求6所述的光伏系统热斑故障检测方法，其特征在于，在步骤S51中采用Matlab进行仿真模拟。

8.如权利要求1所述的光伏系统热斑故障检测方法，其特征在于，步骤S6具体包括如下步骤：

S61：设定电流判定标准值I_s，其计算公式如下：

I_s＝α·max[I_k],(k＝1...n)

其中，α为电流判定标准值整定系数，I_k为第k条组串的电流值，n为自然数；

S62：比较I_s与I_k的大小，若I_k<I_s时，则判定该条组串为热斑组串，存在故障组件。

9.如权利要求8所述的光伏系统热斑故障检测方法，其特征在于，所述α大于0.995且小于0.996。

10.如权利要求1所述的光伏系统热斑故障检测方法，其特征在于，步骤S7包括如下步骤：

S71：计算正常情况下组串中各传感器的电压，计算方法如下：

其中，U_kj,def代表第k组第j个的传感器的参考电压值；n、t为自然数；r为每个传感器监测的光伏组件的个数，m为每个组串的光伏组件个数；U为光伏阵列中所有组串并联连接的总电压；

S72：监测热斑组串中各电压传感器的电压值U_kj；

S73：比较U_kj,def与U_kj的大小，若U_kj,def>U_kj，确定故障组件的位置在第k组串第j个电压传感器的范围内。