CN109670652A - 一种光伏组件的故障预测方法 - Google Patents

Abstract

本发明属于光伏发电技术领域，提供一种光伏组件的故障预测方法，采用的技术方案是：一种光伏组件的故障预测方法，所述方法包括以下步骤：（1）收集光伏组件在标准条件下的历史功率数据；（2）建立GM（1,1）灰度模型，计算光伏组件功率数据预测序列；（3）基于灰色模型进行边值优化，得到修正后的预测序列；（4）将所得修正后的预测序列与对应额定数据比对，两者相对误差大于2%时，预警该故障。有益效果是：本发明提供的光伏组件的故障预测方法可根据较少的历史数据准确预测，模型清晰、优化科学，不仅可以对光伏组件的发展规律进行预测，还能精确预测其发生故障的时段，预测精度高。

Description

一种光伏组件的故障预测方法

技术领域

本发明涉及光伏发电技术领域，具体涉及一种光伏组件的故障预测方法。

背景技术

近年来，随着石油，煤炭等不可再生能源的日益减少，开发以光伏发电为代表的清洁能源成为了国家政策性扶持的产业方向。

光伏发电属于波动性和间歇性电源，相对于传统发电来说是一个不可控电源，光伏组件常年处于室外环境中，甚至恶劣环境中，其运营效率受环境影响因素较大，光伏组件的的寿命周期为25年左右，组件效率、电气元件性能会逐渐降低，事实上，光伏组件在刚生产出来之后就会开始衰减，只是在还未拆封时的衰减比较慢，一旦拆封受到光照之后衰减就会加快，除了这些自然衰减的因素之外，还有组件、逆变器的质量问题，线路布局、灰尘、串并联损失、线缆损失等多种因素，如日趋严重的雾霾天气，均不可避免地影响光伏发电的效率，组件的效率和性能也会出现效率衰减，逐年降低；还甚至引发异常衰减，异常的衰减可能意味着光伏组件可能出现了故障，而当光伏组件出现故障时，容易导致整个阵列因组件失配而产生二次效率下降等诸多问题。因此，如果对光伏系统运行状态进行评估及对对光伏组件的衰减曲线进行预测，可以实现光伏组件的故障预测，从而方便我们提前做好光伏组件检修或者更换准备，进而有效提高和保证光伏发电的效益最大化，保证光伏系统的安全可靠。

CN106204332A的发明专利公开了一种光伏电站效率衰减预测方法，通过采集实测样本和仿真样本，再用EMD方法处理，通过效率衰减预测模型计算最终的预测值。对于光伏组件的故障预测问题，通常是基于统计分析的时间序列预测方法对光伏组件的损耗率趋势进行预测，但该方法要求数据是按照时间序列排列的且数据具有相同的时间间隔，而故障预测需要标准条件(1000W/m²，25℃)下的功率数据，一年中一般6-8 月才能达到标准条件，因此适用并不合理。由于条件限制，当光伏组件运行后的样本数据较少、信息不完全情形下对未来事件发展规律或对异常状态发生的时段进行预测，则困难较大，准确度帝，因此，急需根据光伏组件的特定运行环境和特定选择模型、科学运用看，以达到精确预测，从而避免光伏组件异常故障带来的损失。

发明内容

为解决现有光伏组件故障易异常故障引起发电效率降低的技术问题，本发明提供一种光伏组件的故障预测方法，采用合理选择历史数据，利用灰色模型对光伏组件的损耗率情况进行预测，并进一步优化边值形成拟合曲线的技术方案，实现了精确预测光伏组件出故障的时段，有效保障了发电效率。

本发明采用的技术方案是：一种光伏组件的故障预测方法，所述方法包括以下步骤：

(1)收集光伏组件在标准条件下的历史功率数据；

(2)建立GM(1,1)灰度模型，计算光伏组件功率数据预测序列；

(3)基于灰色模型进行边值优化，得到修正后的预测序列；

(4)将所得修正后的预测序列与对应额定数据比对，两者相对误差大于2％时，预警该故障。

进一步的，所述步骤(1)收集光伏组件在标准条件下的历史功率数据是首先对一定时间周期内光伏组件在标准条件下的历史功率数据提取整理为集合；然后去除集合中异常值，所述异常值大于或小于去除该异常值后集合内其余数据平均值的30％。

进一步的，所述步骤(2)建立GM(1,1)灰度模型，计算光伏组件功率数据预测序列方法为：

设光伏组件出厂时的额定功率为P，在标准条件下采集的历史功率为P_实，光伏组件额定功率百分比记为p，则p＝P_实/P (1)

设p⁽⁰⁾为光伏组件历史额定功率百分比的非负数列：

p⁽⁰⁾＝(p⁽⁰⁾(1),p⁽⁰⁾(2),…,p⁽⁰⁾(n)) (2)

p⁽⁰⁾做1次累加生成数列p⁽¹)：

p⁽¹⁾＝(p⁽¹⁾(1),p⁽¹⁾(2),…,p⁽¹⁾(n)) (3)

其中：

p⁽¹⁾建立GM(1，1)模型的白化微分方程为：

其中，a为发展系数，b为灰色作用量；

设p⁽¹⁾近邻均值生成的数列为z⁽¹⁾：

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n)) (6)

其中：

z⁽¹⁾(k)＝0.5p⁽¹⁾(k)+0.5p⁽¹⁾(k-1),k＝2,3,…,n (7)

p⁽⁰⁾(k)+az⁽¹⁾(k)＝b,k＝2,3,…,n (8)

建立灰微分方程

记u＝[a,b]^T是参数列，且Y＝(p⁽⁰⁾(2),p⁽⁰⁾(3),…p⁽⁰⁾(n))^T (9)

根据灰微分方程的最小二乘估计参数列求出参数a和b；

GM(1，1)模型的白化微分方程的解，即时间响应函数为

GM(1,1)模型的灰微分方程的时间响应序列为：

其中：

对上式进行累减，可得到光伏组件额定功率百分比数列的预测序列：

其中：

其中k≤(n-1)得到光伏组件历史额定功率百分比数列的预测拟合值，当k>(n-1)时，得到未来的预测值。

进一步的，由GM(1，1)模型中(9)和(10)可知B和Y的构造中不包含p⁽⁰⁾(1)，由(14)和(16)可知预测模型的参数求解与p⁽⁰⁾(1)无关。由于灰色GM(1，1)模型的预测结果是基于最小二乘的拟合曲线，该曲线不经过(1,p⁽⁰⁾(1))点。因此，强行将拟合曲线的边值取值为p⁽⁰⁾(1)，使拟合曲线一定经过(1,p⁽⁰⁾(1))点是没有根据的，因此 p⁽⁰⁾(1)的取值与模型精度的计算有关，为提高建立的光伏组件故障预测模型的准确度，需要对边值进行优化，所述步骤(3)基于灰色模型进行边值优化，设边值修正为：

其中，δ为边值的修正项，即GM(1,1)模型的灰微分方程的时间响应函数修正为：

光伏组件额定功率百分比数列的预测函数修正为：

进而有：

进一步的，所述方法还包括关联度检验法检验预测函数序列的精度，方法如下：光伏组件历史额定功率百分比的非负数列为：

p⁽⁰⁾＝(p⁽⁰⁾(1),p⁽⁰⁾(2),…,p⁽⁰⁾(n))

光伏组件额定功率百分比数列的预测序列为式(15)：

则以x⁽⁰⁾为参考序列的关联度为：

关联度计算为：

进一步的，所述r>0.6。

进一步的，所述方法还包括残差检验法检验预测函数序列的精度，方法如下：

光伏组件历史额定功率百分比的非负数列为：

p⁽⁰⁾＝(p⁽⁰⁾(1),p⁽⁰⁾(2),…,p⁽⁰⁾(n))

光伏组件额定功率百分比数列的预测序列为式(15)：

则残差数列为原始序列与预测序列的差，记为E：其中：

相对误差为：

平均相对误差为：

进一步的，所述平均相对误差≤1％时，光伏组件额定功率百分比的预测精度为优；1％＜平均相对误差≤5％，光伏组件额定功率百分比的预测精度为良；5％＜平均相对误差≤10％，光伏组件额定功率百分比的预测精度为合格；平均相对误差＞10％，重新预测。

上述技术方案中，提供一种光伏组件的故障预测方法，该方法利用灰色模型对故障进行预测，步骤如下：(1)收集光伏组件在标准条件下的历史功率数据：数据的选取既要考虑模型的发展规律，还要结合不规则变化的情况，样本数据的选取以及数量对灰色模型都有不同程度的影响，数据点取多了会受旧数据的影响，数据点取少了受不规则变化影响较大，在根据所选定历史数据进行预测后，可根据预测的准确性是否合适验证所选数据是否合适，是否需要重新筛选；(2)建立GM(1,1)灰度模型，计算光伏组件功率数据预测序列；灰色理论建立的灰色预测模型是利用数据本身的发展规律进行预测，其实质是将“随机过程”作为“灰色过程”，“随机变量”作为“灰色变量”，其主要特点是当原始数据较少时，可以根据已知数据进行预测。因此运用灰色理论模型对光伏组件的损耗率情况进行拟合预测，当灰色模型预测值与实际测量值相对误差较小时，认为有较高的精度。并利用此模型对未来三年的光伏组件损耗率进行预测，当发现与厂家给定的光伏组件损耗率曲线相差较大时，可预测在未来某一时段光伏组件可能出现故障。(3)基于灰色模型进行边值优化，得到修正后的预测序列；(4)将所得修正后的预测序列与对应额定数据比对，两者相对误差大于2％时，预警该故障。进一步改进的技术方案中，在获得预测函数、序列后，尤其是边值修正前后，以关联度检验法或残差检验法检验预测函数序列的精度，从而进一步验证预测数据的合理性，如关联度大，或相对误差小，则说明预测准确度高。

本发明的有益效果是：本发明提供的光伏组件的故障预测方法可根据较少的历史数据准确预测，模型清晰、优化科学，不仅可以对光伏组件的发展规律进行预测，还能精确预测其发生故障的时段，预测精度高。

附图说明

图1为不同型号光伏组件衰减曲线；

图2为光伏组件故障预警过程；

图3为光伏组件损耗率趋势图。

具体实施方式

以下以具体实施例详细说明本发明所提供的光伏组件的故障预测方法，但不以任何形式限制本发明的保护范围，所属领域技术人员根据技术方案所进行的改善修改或者类似替换，均应包含在本发明的保护范围之内。

实施例1

首先，对购买的三种不同型号的光伏组件在理想状态下的损耗率衰减情况进行统计，结果如图1所示，虽然不同型号的光伏组件损耗率不同，但在相同年限内的损耗相差不是很明显。由于光伏组件的损耗对电站的发电量影响较大，因此为了保障光伏电站的发电量，就要对可能会发生故障的光伏组件提前做好检修和更换准备。

本方法的光伏组件故障预警过程如图2所示，首先对光伏组件在标准条件下的历史功率数据进行提取和筛选，本实施例中以光伏组件的额定功率百分比为指标进行故障预测。

Ⅰ、收集光伏组件在标准条件下的历史功率数据：

本实施例以英利绿色能源控股有限公司2010年1月生产并投入使用的YGE 60 CELL型号的光伏组件为试验样品进行光伏组件的故障预测。由于光伏组件的额定功率通常是在标准条件(1000W/m2，25℃)下测试的，因此采集2010年至2016年中每年6至8月的光伏组件在标准条件下的功率数据即实际功率数据。由于并不是每天的天气状态都能达到标准条件以及还会存在一些环境因素的影响，因此我们计算每月的平均实际功率和平均额定功率百分比，将每月平均额定功率百分比作为一个样本数据，样本数据如表1 所示：

表1为光伏组件损耗率样本数据

(2)建立GM(1,1)灰度模型，计算光伏组件功率数据预测序列；

为了实现对光伏组件故障的预测，利用表1中的数据，在Matlab中建立GM(1,1)灰度模型，通过预测未来的光伏组件损耗率，从而对光伏组件的故障进行预测。用前7年的损耗率数据去预测后3年的损耗率数据。

以表1中的数据为例，光伏故障预测算法的计算过程为：

第一步前7年的光伏组件损耗率数据表示为：

p⁽⁰⁾＝(98.41 98.11 97.70 96.45 96.33 … 91.79 91.62)

第二步进行1次累加生成数列：

p⁽¹⁾＝(98.41 196.52 294.22 390.67 487.00 … 1898.49 1990.11)

第三步由最小二乘求出参数a，b

其中：Y＝(p⁽⁰⁾(2),p⁽⁰⁾(3),…p⁽⁰⁾(21))^T＝(98.41 98.11 … 91.62)

由灰微分方程的最小二乘估计参数列求得：a＝0.0035,b＝98.23。

第四步白化微分方程的响应序列为：

第五步光伏组件额定功率百分比数列的预测序列为：

(3)基于灰色模型进行边值优化

对边值修正项赋值，多次验证可得，当边值的修正项δ＝0.02时，用关联度检验法检验预测函数序列的精度，关联度为r＝0.7013，相比未优化边值时的关联度r＝0.6603，证明上述灰色模型在边值优化后的拟合曲线与原始曲线更为相似。

或利用残差检测法检验预测函数的精度，计算残值为：

相对误差为：

平均相对误差为：

通过计算前7年历史数据与拟合数据的相对误差，可以判断上述预测函数模型的适用度，进而对后3年的损耗率数据进行预测，精度计算结果如表2所示。

表2残差检测法精度分析

从表2中可以看出，光伏组件的损耗率预测值与实际值的平均相对误差为根据灰色模型精度检测标准可知，平均相对误差≤1％时，光伏组件额定功率百分比的预测精度为优；1％＜平均相对误差≤5％，光伏组件额定功率百分比的预测精度为良；5％＜平均相对误差≤10％，光伏组件额定功率百分比的预测精度为合格；平均相对误差＞10％，重新预测。因此，本预测函数的精度等级为优，用于光伏组件的故障预测时精度高。

通过上述边值优化的灰色预测模型计算出2010-2016年光伏组件损耗率拟合曲线以及未来三年的损耗率趋势见图3所示：其中标号1的实线代表前7年的历史数据，标号2的实线代表拟合预测数据，表面拟合曲线与原始曲线相似度高，预测精度高、效果优异。

光伏组件未来三年的6至8月的损耗率数据分析如表4所示，

表4光伏组件未来三年的6至8月的损耗率数据分析

然后与厂家给定的损耗率数据进行对比，当两者相差大于一定数值时，即上述的相对误差大于一定数值时，可认为光伏组件发生故障的可能性高。根据一般工程实践经验可知，损耗率相对误差大于2％，认为光伏组件可能发生了故障，因此预测到2019年6-7月期间光伏组件可能会发生故障。

上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (8)

1.一种光伏组件的故障预测方法，其特征在于，所述方法包括以下步骤：

(1)收集光伏组件在标准条件下的历史功率数据；

(2)建立GM(1,1)灰度模型，计算光伏组件功率数据预测序列；

(3)基于灰色模型进行边值优化，得到修正后的预测序列；

(4)将所得修正后的预测序列与对应额定数据比对，两者相对误差大于2％时，预警该故障。

2.根据权利要求1所述的故障预测方法，其特征在于，所述步骤(1)收集光伏组件在标准条件下的历史功率数据是首先对一定时间周期内光伏组件在标准条件下的历史功率数据提取整理为集合；然后去除集合中异常值，所述异常值大于或小于去除该异常值后集合内其余数据平均值的30％。

3.根据权利要求1所述的故障预测方法，其特征在于，所述步骤(2)建立GM(1,1)灰度模型，计算光伏组件功率数据预测序列方法为：

设光伏组件出厂时的额定功率为P，在标准条件下采集的历史功率为P_实，光伏组件额定功率百分比记为p，则p＝P_实/P (1)

设p⁽⁰⁾为光伏组件历史额定功率百分比的非负数列：

p⁽⁰⁾＝(p⁽⁰⁾(1),p⁽⁰⁾(2),…,p⁽⁰⁾(n)) (2)

p⁽⁰⁾做1次累加生成数列p⁽¹⁾：

p⁽¹⁾＝(p⁽¹⁾(1),p⁽¹⁾(2),…,p⁽¹⁾(n)) (3)

其中：

p⁽¹⁾建立GM(1，1)模型的白化微分方程为：

其中，a为发展系数，b为灰色作用量；

设p⁽¹⁾近邻均值生成的数列为z⁽¹⁾：

z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n)) (6)

其中：

z⁽¹⁾(k)＝0.5p⁽¹⁾(k)+0.5p⁽¹⁾(k-1),k＝2,3,…,n (7)

p⁽⁰⁾(k)+az⁽¹⁾(k)＝b,k＝2,3,…,n (8)

建立灰微分方程

记u＝[a,b]^T是参数列，且Y＝(p⁽⁰⁾(2),p⁽⁰⁾(3),…p⁽⁰⁾(n))^T (9)

根据灰微分方程的最小二乘估计参数列求出参数a和b；GM(1，1)模型的白化微分方程的解，即时间响应函数为

GM(1，1)模型的灰微分方程的时间响应序列为：

其中：

对上式进行累减，可得到光伏组件额定功率百分比数列的预测序列：

其中：

其中k≤(n-1)得到光伏组件历史额定功率百分比数列的预测拟合值，当k>(n-1)时，得到未来的预测值。

4.根据权利要求3所述的故障预测方法，其特征在于，所述步骤(3)基于灰色模型进行边值优化，设边值修正为：其中，δ为边值的修正项，即GM(1，1)模型的灰微分方程的时间响应函数修正为：

光伏组件额定功率百分比数列的预测函数修正为：

进而有：

5.根据权利要求3所述的故障预测方法，其特征在于，所述方法还包括关联度检验法检验预测函数序列的精度，方法如下：

光伏组件历史额定功率百分比的非负数列为：

p⁽⁰⁾＝(p⁽⁰⁾(1),p⁽⁰⁾(2),…,p⁽⁰⁾(n))

光伏组件额定功率百分比数列的预测序列为式(15)：

则以x⁽⁰⁾为参考序列的关联度为：

关联度计算为：

6.根据权利要求5所述的故障预测方法，其特征在于，所述r>0.6。

7.根据权利要求3所述的故障预测方法，其特征在于，所述方法还包括残差检验法检验预测函数序列的精度，方法如下：

光伏组件历史额定功率百分比的非负数列为：

p⁽⁰⁾＝(p⁽⁰⁾(1),p⁽⁰⁾(2),…,p⁽⁰⁾(n))

光伏组件额定功率百分比数列的预测序列为式(15)：

则残差数列为原始序列与预测序列的差，记为E：其中：相对误差为：平均相对误差为：

8.根据权利要求7所述的故障预测方法，其特征在于，所述平均相对误差≤1％时，光伏组件额定功率百分比的预测精度为优；1％＜平均相对误差≤5％，光伏组件额定功率百分比的预测精度为良；5％＜平均相对误差≤10％，光伏组件额定功率百分比的预测精度为合格；平均相对误差＞10％，重新预测。