CN110011618B - 基于模糊c均值聚类神经网络的光伏阵列故障的诊断装置 - Google Patents

Abstract

本发明公开了基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置，光伏组件输出的直流电通过转换电路转换为交流电输送至电网，传感器模块与转换电路连接，用于采集转换电路的交流电输出端的信息，并将采集到的交流电输出端的信息传输至数据处理存储模块进行数据处理，经处理后的数据输入模糊C均值聚类神经网络进行训练，训练完成后，交流电输出端的信息数据传输至故障诊断模块进行诊断，所得故障诊断结果由通讯模块传输至上位机主控模块。本发明解决了现有技术中诊断过程复杂繁琐，诊断结果可信度不高，实用性差等缺点，提供一种结构简单，诊断过程简洁明了，诊断结果可行度较高，实用性较好。

Description

基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置

技术领域

本发明涉及基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置，属于光伏电站数据监测、故障诊断领域。

背景技术

光伏发电技术是21世纪极具发展潜力的新技术，其具有清洁、无污染、可再生等特点。随着科学技术的日新月异，光伏行业也顺应潮流，逐步走向自动化、网络化、智能化。现如今光伏电站的装机量逐年攀升，光伏发电在电网中所占的比重越来越大。光伏组件一般长期运行于室外环境中，光伏发电系统发电性能受气象因素影响极大，尤其是受太阳辐照度与环境温度影响较为明显，易出现模型老化、光伏组件遮挡、光伏组件连接错误、热斑效应等故障，导致系统的发电效率降低。

目前，从国内外文献可知，大部分光伏系统故障诊断方法利用仿真软件，在创建这些仿真模型时，要保证模型较高的精确度和可扩展性，仍然很难实现，而且建立的模型在很大程度上也很难和实际的工作条件一致，一旦模型较复杂时，建模难度也将大大提高。相对于国外，我国在光伏系统故障诊断方面的研究起步较晚，目前很多落后的地方都还要依靠人工来诊断故障，效率较低，人力、物力易受到限制，因此利用人工智能技术来诊断故障具有极大的发展空间。

发明内容

为了解决上述问题，本发明提出基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置，解决现有技术中诊断过程复杂繁琐，诊断结果可信度不高，实用性差等缺点，提供一种结构简单，诊断过程简洁明了，诊断结果可行度较高，实用性较好。

本发明中主要采用的技术方案为：

基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置，包括转换电路、传感器模块、数据处理存储模块、故障诊断模块和通讯模块，光伏组件输出的直流电通过转换电路转换为交流电输送至电网，所述传感器模块与转换电路连接，用于采集转换电路的交流电输出端的信息，并将采集到的交流电输出端的信息传输至数据处理存储模块，经处理后的数据输入模糊C均值聚类神经网络进行训练，训练完成后，交流电输出端的信息数据传输至故障诊断模块进行诊断，所得故障诊断结果由通讯模块传输至上位机主控模块。

优选地，所述转换电路包括第一滤波器、第二滤波器、逆变桥、第一整流器、第二整流器、第一变压器、第二变压器和继电器，光伏组件输出的直流电首先通过第一滤波器进行平波，再经第一变压器升压并由第一整流器整流至逆变器额定输入后输入逆变器中，由逆变器中的逆变桥进行高频脉宽调制振荡形成一个脉冲波列，将直流电转换为交流电，所述脉冲波列通过第二滤波器形成正弦波，并依次经过第二变压器调压和第二整流器整流至电网额定输入后，通过继电器控制开关直接输送至电网。

优选地，所述通讯模块通过RS485通讯总线与上位机主控模块的硬件连接，并采用Pcomm通讯软件包且结合通讯协议实现通讯模块与上位机主控模块的通讯，将逆变器实时发电信息与预测信息传输至上位机主控模块。

优选地，所述诊断装置的诊断方法为利用已知的故障数据集对模糊C均值聚类神经网络进行训练，定义一个有c个聚类的故障样本数据集X，设定最大迭代次数，迭代截止条件为隶属度不再变化或小于隶属度最小变化量时则模糊C均值聚类算法收敛，或者达到最大迭代次数时，模糊C均值聚类算法结束，同时利用各类故障数据求均值获取各类故障分类中心，具体诊断步骤如下：

步骤1：将有c个聚类各类故障的特征集X作为模糊C均值聚类神经网络训练样本，即为原始样本；

步骤2：利用步骤1得到的模糊C均值聚类神经网络训练样本获取最小分类误差率的分类结果并计算分类中心v_i，其中i＝1，2，...，c；

步骤3：计算在高维核空间内诊断样本数据集x_new与分类中心v_i的距离，并根据诊断样本数据集x_new的相似度函数求出相似度ρ_i，其中，诊断样本数据集x_new的相似度函数定义为：

公式(1)中，θ为类别归属阈值，为自定义值，当ρ_i值越大代表x_new归属于某类的可信度越高，则x_new为归属于ρ_i取最大值时所对应的故障类型，输出诊断结果，当ρ_i值小于任一类别归属阈值θ时，进入步骤4；

步骤4：当ρ_i值小于任一类别归属阈值θ时，x_new属于一个未知的故障类，则分析该故障产生的原因，将新故障作为第c+1个类更新到各类故障的特征集X中。

优选地，所述步骤2中模糊C均值聚类神经网络训练样本的具体建立步骤如下：

步骤1-1：选择数据样本，逆变器交流端可采集的数据包括电压V_mpp、电流I_mpp和功率FF这三个特征量，并将者三个特征量作为故障信号特征表征量，并对其进行归一化处理：

步骤1-2：归一化最大功率点电压V_mpp，如公式(2)所示：

式(2)中，V_oc-ref表示参考光伏阵列的开路电压；M为每个光伏阵列支路的电池板数量；

归一化最大功率点电流I_mpp，如公式(3)所示，

式(3)中，I_sc-ref表示参考光伏阵列短路电流；N为阵列的支路数；

填充因子FF，计算公式如(4)所示，

步骤1-3：建立各类故障的特征集X，如公式(5)所示：

式(5)中，X表示各类故障的特征集，n表示每类故障中的样本数。

优选地，所述步骤2的具体步骤如下：

步骤2-1：指定聚类数c，2≤c≤n，设定迭代停止阈值ε，以及随机初始c个聚类中心v_i，0≤i≤c；设定初始迭代数b为0以及最大迭代次数为H；

步骤2-2：将各类故障的特征集X利用高斯核函数变换到高维空间F，定义非线性映射如式(6)所示：

Φ：x_k→Φ(x_k)∈F (6)；式(6)中，x_k∈X；

步骤2-3：定义聚类目标函数如式(7)所示：

||Φ(x_k)-Φ(v_i)||²＝K(x_k，x_k)+K(v_i，v_i)-2K(x_k，v_i) (8)；

式(7)和(8)中，v_i为原始样本空间的聚类中心；c为聚类数；n为每类故障中的样本数；μ_ik为第k个样本相对于第i个类之间的隶属度，k∈[1，n]，i∈{1，2...c}，且满足μ_ik∈[0，1]；m为权重因子；

定义高斯核函数如式(9)所示：

K(x_k，v_i)＝exp[-||x_k，v_i||/(2σ²)] (9)

式(9)中，σ为高斯核函数因子；

步骤2-4：根据步骤2-3中的公式(7)和(8)更新隶属度μ_ik和聚类中心v_i，其计算公式分别如公式(10)和(11)所示：

步骤2-5：当

且0≤b≤H-1时，或算法达到最大迭代次数H，即b＝H-1时，则算法停止，输出隶属度μ_ik和聚类中心vi，否则令b＝b+1，i＝i+1，转向执行步骤2-3。

有益效果：本发明提供了一种基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置，结合逆变器的数据监测功能与模糊C均值聚类神经网络算法，给电站工作人员提供参考，解决了用户需要自主完成光伏阵列故障诊断问题，具实用价值。

附图说明

图1为基于模糊C均值聚类神经网络的光伏阵列故障诊断流程图；

图2为基于模糊C均值聚类神经网络的光伏阵列故障诊断结构图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

下面结合附图对本发明的技术方案做了进一步的详细说明：

基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置，包括转换电路、传感器模块、数据处理存储模块、故障诊断模块和通讯模块，光伏组件输出的直流电通过转换电路转换为交流电输送至电网，所述传感器模块与转换电路连接，用于采集转换电路的交流电输出端的信息，并将采集到的交流电输出端的信息传输至数据处理存储模块，经处理后的数据输入模糊C均值聚类神经网络进行训练，训练完成后，交流电输出端的信息数据传输至故障诊断模块进行诊断，所得故障诊断结果由通讯模块传输至上位机主控模块。

优选地，所述转换电路包括第一滤波器、第二滤波器、逆变桥、第一整流器、第二整流器、第一变压器、第二变压器和继电器，光伏组件输出的直流电首先通过第一滤波器进行平波，再经第一变压器升压并由第一整流器整流至逆变器额定输入后输入逆变器中，由逆变器中的逆变桥进行高频脉宽调制振荡形成一个脉冲波列，将直流电转换为交流电，所述脉冲波列通过第二滤波器形成正弦波，并依次经过第二变压器调压和第二整流器整流至电网额定输入后，通过继电器控制开关直接输送至电网。本发明中提及的转换电路属于本领域技术人员掌握的常规技术手段故而未加详述。

优选地，所述通讯模块通过RS485通讯总线与上位机主控模块的硬件连接，并采用Pcomm通讯软件包且结合通讯协议实现通讯模块与上位机主控模块的通讯，将逆变器实时发电信息与预测信息传输至上位机主控模块。

优选地，所述诊断装置的诊断方法为利用已知的故障数据集对模糊C均值聚类神经网络进行训练，定义一个有c个聚类的故障样本数据集X，设定最大迭代次数，迭代截止条件为隶属度不再变化或小于隶属度最小变化量时则模糊C均值聚类算法收敛，或者达到最大迭代次数时，模糊C均值聚类算法结束，同时利用各类故障数据求均值获取各类故障分类中心，具体诊断步骤如下：

步骤1：将有c个聚类各类故障的特征集X作为模糊C均值聚类神经网络训练样本，即为原始样本；

步骤2：利用步骤1得到的模糊C均值聚类神经网络训练样本获取最小分类误差率的分类结果并计算分类中心v_i，其中i＝1，2，...，c；

步骤3：计算在高维核空间内诊断样本数据集x_new与分类中心v_i的距离，并根据诊断样本数据集x_new的相似度函数求出相似度ρ_i，其中，诊断样本数据集x_new的相似度函数定义为：

公式(1)中，θ为类别归属阈值，为自定义值，当ρ_i值越大代表x_new归属于某类的可信度越高，则x_new为归属于ρ_i取最大值时所对应的故障类型，输出诊断结果，当ρ_i值小于任一类别归属阈值θ时，进入步骤4；

步骤4：当ρ_i值小于任一类别归属阈值θ时，x_new属于一个未知的故障类，则分析该故障产生的原因，将新故障作为第c+1个类更新到各类故障的特征集X中。

优选地，所述步骤2中模糊C均值聚类神经网络训练样本的具体建立步骤如下：

步骤1-1：选择数据样本，逆变器交流端可采集的数据包括电压V_mpp、电流I_mpp和功率FF这三个特征量，并将者三个特征量作为故障信号特征表征量，并对其进行归一化处理：

步骤1-2：归一化最大功率点电压V_mpp，如公式(2)所示：

式(2)中，V_oc-ref表示参考光伏阵列的开路电压；M为每个光伏阵列支路的电池板数量；

归一化最大功率点电流I_mpp，如公式(3)所示，

式(3)中，I_sc-ref表示参考光伏阵列短路电流；N为阵列的支路数；

填充因子FF，计算公式如(4)所示，

步骤1-3：建立各类故障的特征集X，如公式(5)所示：

式(5)中，X表示各类故障的特征集，n表示每类故障中的样本数。

优选地，所述步骤2的具体步骤如下：

步骤2-1：指定聚类数c，2≤c≤n，设定迭代停止阈值ε，以及随机初始c个聚类中心v_i，0≤i≤c；设定初始迭代数b为0以及最大迭代次数为H；

步骤2-2：将各类故障的特征集X利用高斯核函数变换到高维空间F，定义非线性映射如式(6)所示：

Φ：x_k→Φ(x_k)∈F (6)

式(6)中，x_k∈X；

步骤2-3：定义聚类目标函数如式(7)所示：

||Φ(x_k)-Φ(v_i)||²＝K(x_k，x_k)+K(v_i，v_i)-2K(x_k，v_i) (8)；

式(7)和(8)中，v_i为原始样本空间的聚类中心；c为聚类数；n为每类故障中的样本数；μ_ik为第k个样本相对于第i个类之间的隶属度，k∈[1，n]，i∈{1，2...c}，且满足μ_ik∈[0，1]；m为权重因子；

定义高斯核函数如式(9)所示：

K(x_k，v_i)＝exp[-||x_k，v_i||/(2σ²)] (9)

式(9)中，σ为高斯核函数因子；

步骤2-4：根据步骤2-3中的公式(7)和(8)更新隶属度μ_ik和聚类中心v_i，其计算公式分别如公式(10)和(11)所示：

步骤2-5：当

且0≤b≤H-1时，或算法达到最大迭代次数H，即b＝H-1时，则算法停止，输出隶属度μ_ik和聚类中心v_i，否则令b＝b+1，i＝i+1，转向执行步骤2-3。

所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置，其特征在于，包括转换电路、传感器模块、数据处理存储模块、故障诊断模块和通讯模块，光伏组件输出的直流电通过转换电路转换为交流电输送至电网，所述传感器模块与转换电路连接,用于采集转换电路的交流电输出端的信息，并将采集到的交流电输出端的信息传输至数据处理存储模块，经处理后的数据输入模糊C均值聚类神经网络进行训练，训练完成后，交流电输出端的信息数据传输至故障诊断模块进行诊断，所得故障诊断结果由通讯模块传输至上位机主控模块；

所述诊断装置的诊断方法为利用已知的故障数据集对模糊C均值聚类神经网络进行训练，定义一个有c个聚类的故障样本数据集X，设定最大迭代次数，迭代截止条件为隶属度不再变化或小于隶属度最小变化量时则模糊C均值聚类算法收敛，或者达到最大迭代次数时，模糊C均值聚类算法结束，同时利用各类故障数据求均值获取各类故障分类中心，具体诊断步骤如下：

步骤1：将有c个聚类各类故障的特征集X作为模糊C均值聚类神经网络训练样本，即为原始样本；

步骤2：利用步骤1得到的模糊C均值聚类神经网络训练样本获取最小分类误差率的分类结果并计算分类中心v_i,其中i＝1,2,…,c；

步骤3：计算在高维核空间内诊断样本数据集x_new与分类中心v_i的距离，并根据诊断样本数据集x_new的相似度函数求出相似度ρ_i，其中，诊断样本数据集x_new的相似度函数定义为：

公式(1)中，θ为类别归属阈值，为自定义值，当ρ_i值越大代表x_new归属于某类的可信度越高，则x_new为归属于ρ_i取最大值时所对应的故障类型，输出诊断结果，当ρ_i值小于任一类别归属阈值θ时，进入步骤4；

步骤4：当ρ_i值小于任一类别归属阈值θ时，x_new属于一个未知的故障类，则分析该故障产生的原因，将新故障作为第c+1个类更新到各类故障的特征集X中。

2.根据权利要求1所述的基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置，其特征在于，所述转换电路包括第一滤波器、第二滤波器、逆变桥、第一整流器、第二整流器、第一变压器、第二变压器和继电器，光伏组件输出的直流电首先通过第一滤波器进行平波，再经第一变压器升压并由第一整流器整流至逆变器额定输入后输入逆变器中，由逆变器中的逆变桥进行高频脉宽调制振荡形成一个脉冲波列，将直流电转换为交流电，所述脉冲波列通过第二滤波器形成正弦波，并依次经过第二变压器调压和第二整流器整流至电网额定输入后，通过继电器控制开关直接输送至电网。

3.根据权利要求1所述的基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置，其特征在于，所述通讯模块通过RS485通讯总线与上位机主控模块的硬件连接，并采用Pcomm通讯软件包且结合通讯协议实现通讯模块与上位机主控模块的通讯，将逆变器实时发电信息与预测信息传输至上位机主控模块。

4.根据权利要求1所述的基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置，其特征在于，所述步骤1中模糊C均值聚类神经网络训练样本的具体建立步骤如下：

步骤1-1：选择数据样本，逆变器交流端可采集的数据包括电压V_mpp、电流I_mpp和填充因子FF这三个特征量，并将这三个特征量作为故障信号特征表征量，并对其进行归一化处理：

步骤1-2：归一化最大功率点电压V_mpp，如公式(2)所示：

式(2)中，V_oc-ref表示参考光伏阵列的开路电压；M为每个光伏阵列支路的电池板数量；

归一化最大功率点电流I_mpp，如公式(3)所示，

式(3)中，I_sc-ref表示参考光伏阵列短路电流；N为阵列的支路数；

填充因子FF，计算公式如(4)所示，

步骤1-3：建立各类故障的特征集X，如公式(5)所示:

式(5)中，X表示各类故障的特征集，n表示每类故障中的样本数。

5.根据权利要求4所述的基于模糊C均值聚类神经网络的光伏阵列故障的诊断装置，其特征在于，所述步骤2的具体步骤如下：

步骤2-1：指定聚类数c，2≤c≤n，设定迭代停止阈值ε，以及随机初始c个聚类中心v_i，0≤i≤c；设定初始迭代数b为0以及最大迭代次数为H；

步骤2-2：将各类故障的特征集X利用高斯核函数变换到高维空间F，定义非线性映射如式(6)所示：

Ф:x_k→Ф(x_k)∈F (6)；

式(6)中，x_k∈X；

步骤2-3：定义聚类目标函数如式(7)所示：

||Ф(x_k)-Ф(v_i)||²＝K(x_k,x_k)+K(v_i,v_i)-2K(x_k,v_i) (8)；

式(7)和(8)中，v_i为原始样本空间的聚类中心；c为聚类数；n为每类故障中的样本数；μ_ik为第k个样本相对于第i个类之间的隶属度，k∈[1,n]，i∈{1,2…c}，且满足μ_ik∈[0,1]；m为权重因子；

定义高斯核函数如式(9)所示：

K(x_k,v_i)＝exp[-||x_k,v_i||/(2σ²)] (9)；

式(9)中，σ为高斯核函数因子；

步骤2-4：根据步骤2-3中的公式(7)和(8)更新隶属度μ_ik和聚类中心v_i，其计算公式分别如公式(10)和(11)所示：

步骤2-5：当

且0≤b≤H-1时，或算法达到最大迭代次数H，即b＝H-1时，则算法停止，输出隶属度μ_ik和聚类中心v_i，否则令b＝b+1，i＝i+1，转向执行步骤2-3。

Images