CN110336534A - 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法，发明对历史数据数据进行预处理，对光伏阵列时间序列特征提取故障指标，利用不同故障条件下处理时间序列的特征分布建立了故障库，将相似性指标(皮尔逊相关系数)和距离指标(相对欧式距离)作为输入，采用模糊控制系统实现了光伏阵列典型故障的诊断。本发明描述了基于光伏阵列时间序列的特征提取以及基于此的故障诊断方法，为光伏电站在风险评估和系统可靠性分析方面提供支持。

Description

一种基于光伏阵列电气参数时间序列特征提取的故障诊断 方法

技术领域

本发明涉及光伏发电故障诊断领域，尤其涉及一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法。

背景技术

光伏发电发展迅猛，已经最有前途的能源之一。截至2017年底，全球光伏发电装机容量增加102GW，累计装机容量达到405GW。光伏发电受到不可控的气象和环境因素的影响，其故障产生具有较大的波动性和随机性。大型光伏电站支路数量庞大，结构配置复杂，及时准确的对故障进行定位和判断对于光伏电站安全经济运行具有重要意义。

目前，光伏电站故障主要集中于光伏阵列的直流侧，基于数据的故障识别方法得到了广泛应用，常见的是通过阈值计算或智能机器学习对故障进行检测，该类基于阈值的故障诊断方法具有一定的局限性，一方面阈值的界限多依赖于经验知识设定，另一方面该类方法对运行数据的时序信息利用不够充分，仅依赖于静态数据实现故障诊断而忽略了故障的动态特性。基于机器学习的智能故障诊断方法近几年来也得到了深入研究。

另外，光伏支路功率时间序列具有以下特征：周期性、波动性和非平稳特性，各支路之间具有高度相似性。其中，时间序列的波动性和非平稳特性导致传统故障诊断方法难以提取故障特征；而各支路之间的高度相似性导致通过支路之间的横向比较来进行故障诊断的困难。因此仅仅依靠传统静态数据特征的挖掘难以精确的完成故障的检测与诊断。

发明内容

本发明的目的在于提供一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法。

为了实现本发明的上述目的，特采用以下技术方案：

本发明包括如下步骤：

S1收集光伏电站历史运行数据和历史环境数据，进行数据预处理；

S2.根据收集到的光伏电站历史数据分析光伏功率及其波动的分布特征，计算故障特征指标；

S3设置不同故障特征得到训练数据，并根据特征指标建立故障数据库；

S4.将不同故障的特征参数代入模糊分类模型中即可实现光伏阵列故障诊断。

进一步地，所述的历史运行数据包括光伏电站历史功率数据，历史环境数据包括光伏电站所对应的历史辐照度和环境温度数据。

具体地，所述数据预处理包括对历史光伏序列数据进行归一化处理，具体公式如下所示：

式中：_G和T分别表示光伏阵列实际接收的辐照度和温度；U_oc0，U_m0，I_sc0，I_m0,P_m0分别表示标准测试条件(STC)下光伏阵列的参数值：U_{m_n}，I_{m_n}，P_{m_n}分别表示标准化后的参数值。

进一步地，所述故障特征指标的计算方法包括：

S21.通过预处理后的标准化数据分别计算皮尔森相关系数和相对欧式距离；

式中：r为两时间序列的相关系数；为两时间序列的平均值。A,B是时间序列X＝(x1,x2,…,xn)上的两个模糊子集，则为A,B之间的欧式距离。

S22.根据所述皮尔森相关系数和相对欧式距离计算出的结果，分析两个时间阵列之间的相似性特征和距离特征,提取不同故障对应的时间序列变化特征：通过皮尔森系数定义可知，皮尔森相关系数可看作为两时间序列样本所绘出的方向向量之间夹角的余弦值，在一定程度上可反应两时间序列的相似性特征，但是无法识别样本点在空间尺度上的拉伸、压缩和位移。由于皮尔森相关系数无法识别样本点在空间尺度上的改变，因此基于相对欧式距离对时间序列的偏差性进行分析。相对欧式距离能非常直观的衡量两时间序列的偏差程度，距离越大则偏离程度越高。

具体地，所述建立故障数据库的方法包括：

S31.通过在实验平台上设置不同类型对应的故障情况，对模型库以所设置的故障进行数据训练。

S32.对各种故障特征参数实现输入变量模糊化；

S33.通过各种故障与特征参数之间的对应关系，将模糊分类的输入变量与输出变量及故障类型形成映射关系以制定模糊规则进行模糊分类；

S34.经过输入模糊化以及控制规则矩阵处理后得输出变量模糊集，此时通过重心法得出该模糊集合的单值，该单值即为模糊集合中隶属度最大的元素，如下式所示：

以上即为模糊分类的输出变量。

S35.对模糊分类模型进行反向修正。

具体地，所述输入变量模糊化的方法包括将各种故障特征参数的精确值依据隶属函数归并到各模糊子集中,从而用语言变数值(大、中、小等)代替精确值，将不同的故障参数的精确值与特征进行归类划分，定义论域U到[0,1]区间的任意映射y_f都确定U的一个模糊子集F，y_f称为F的隶属函数或隶属度，它反映了模糊集合中的元素属于该集合的程度。在论域U中可把模糊子集F表示为元素u与其隶属函数y_f的序偶集合，记为：

F＝{(u_i,y_f(u_i))|u∈U}

此处输入变量U为S2步骤计算出的特征值是连续集，则模糊集F可表示为：

F＝∫_Uy_f(u)/u

进一步地，所述反向修正的方法包括利用训练故障数据运行所述模糊分类模型，利用诊断结果反过来对分类知识库进行修改后，再使用修改后的模型对数据的故障类型进行二次分类。并多次重复上述过程修正以提升分类准确度。

本发明的有益效果在于：

本发明基于光伏阵列时间序列的特征提取以及基于此的故障诊断方法，为光伏电站在风险评估和系统可靠性分析方面提供支持，提高诊断结果的准确性。

附图说明

图1为本发明的流程图；

图2为不同支路的输出时间序列(一天)；

图3为某支路连续五天的功率序列示意图；

图4为不同故障下时间序列的相似性分析示意图；

图5为不同故障下时间序列的距离性分析示意图；

图6为光伏电站及监控系统示意图；

图7为输入量的隶属度函数示意图；

图8为输出量的隶属度函数示意图；

图9为光伏电站连续8天的相关系数示意图；

图10为光伏电站连续8天的特征距离示意图；

图11为故障分析结果图；

具体实施方式

下面结合附图对本发明作进一步说明：

在本实施例中，

为了使本领域的技术人员可以更好地理解本发明，下面结合附图和实施例对本发明技术方案进一步说明。

S1收集光伏电站历史运行数据和历史环境数据，进行数据预处理；

选取华北电力大学新能源电力系统国家重点实验室光伏实证测试电站作为数据源，此电站由容量为250Kw的光伏发电系统和实验平台组成。实验平台包括测量太阳辐照度的高精度辐照仪，小型气象站，测量光伏组件运行温度的温度传感器，以及光伏组件电流、电压的数据采集器，光伏组件IV扫描仪等，电站的气象数据以及电气数据最后通过SCADA系统储存于计算机中。数据采样时间为15分钟。

整个实验过程总共记录使用了12天的数据，包括4天的训练数据以及8天的测试数据。历史运行数据包括光伏电站历史功率数据，研究采集的数据包括正常以及故障情况下的辐照度与温度数据与最大功率点的电流、电压与功率数据。历史环境数据包括光伏电站所对应的历史辐照度、环境温度。

S12.根据步骤S11所收集的数据，对时间序列性质进行分析：

设x＝(v,t)为光伏电站某支路在时间t的状态参数，根据分析的需求出发，时间序列v定义为：

v＝(U_m,I_m,P_m,S,T)

式中：U_m为光伏阵列的最大工作点电压；I_m为光伏阵列的最大工作点电流；P_m为光伏阵列的最大工作点功率；S，T为当前辐照度和运行温度。时间序列记录了分析所用信息。

光伏阵列并联多条支路，图2为各不同支路一天的输出电流、电压、功率的对比。各支路的变化趋势、幅度几乎完全一致。正午时刻，其输出功率达到最大值，而向两边逐渐递减，而其输出电压由于最大功率跟踪系统的调节，多数时间保持在较为稳定的水平。光伏电站各支路的输出时间序列具有高度相似性。

该电站某支路连续5天的功率时间序列如图3所示。输出电流、输出功率与辐照度和运行温度的变化趋势相一致，而输出电压保持稳定。从时间尺度上看，时间序列具有明显的周期性，其输出大小随着外界环境参数的变化而波动。光伏输出时间序列具有明显的周期性和波动性。

为了消除环境参数的干扰，更为准确的描述不同故障条件下光伏时间序列的时序特征，首先应将历史时间序列数据进行归一化处理；

式中：_G和T分别表示光伏阵列实际接收的辐照度和温度；U_oc0，U_m0，I_sc0，I_m0,P_m0分别表示标准测试条件(STC)下光伏阵列的参数值：U_{m_n}，I_{m_n}，P_{m_n}分别表示标准化后的参数值。

S2.根据收集到的光伏电站历史数据分析光伏功率及其波动的分布特征，计算故障特征指标；

利用已经标准化的数据分别计算皮尔森相关系数和相对欧式距离，从而分析两个时间阵列之间的相似性特征和距离特征；

皮尔森相关系数被广泛用来度量两个变量(样本)之间线性相关性的强弱，其取值范围为[-1,1]之间

式中：r为两时间序列的相关系数；为两时间序列的平均值。其中X是参考的正常运行条件下的时间序列，Y是故障条件下的时间序列。

图4表示不同故障条件下光伏输出序列与正常输出序列的相似性分析。通过皮尔森系数定义可知，皮尔森相关系数可看作为两时间序列样本所绘出的方向向量之间夹角的余弦值，在一定程度上可反应两时间序列的相似性特征，但是无法识别样本点在空间尺度上的拉伸、压缩和位移。由图4可以得到如下结论：

老化故障(积灰)：各输出时间序列的皮尔森相关系数均稳定在1左右，这是因为皮尔森相关系数主要表征两时间序列的相似性特征。而老化故障(积灰)下，虽然光伏阵列输出功率和电流会下降，但是其波动趋势与正常条件下一致。因此，仅依靠皮尔森相关系数无法对老化故障进行识别。

阴影故障：图4对光伏阵列早晚局部阴影情况进行了分析，当发生阴影故障时，光伏电流/电压/功率时间序列的皮尔森相关系数均下降，阴影消失后恢复正常。

局部短路故障：当光伏阵列发生局部短路故障时，会造成电压序列的皮尔森相关系数下降，但是并不影响电流序列。而功率序列的皮尔森相关系数在发生故障时出现突变，尔后恢复正常。

开路故障：当光伏阵列中某一支路发生开路故障时，该支路完全从阵列中断开，电压、电流、功率输出为0。此时，该支路输出时间序列的皮尔森相关系数由正常条件下的1骤减为0.

本专利选择相对欧式距离对时间序列的偏差性进行分析。相对欧式距离能非常直观的衡量两时间序列的偏差程度，距离越大则偏离程度越高。其定义如下：

设A,B是时间序列X＝(x1,x2,…,xn)上的两个模糊子集，则A,B之间的欧式距离可用下式进行描述：

A,B之间的相对欧式距离为：

若A,B取同一闭区间[α,β]时，欧式距离可表示为：

由以上可得到：

相对欧式距离可理解为两时间序列之间的面积，能直观的表示两时间序列在空间尺度上的偏离程度。图6表示不同故障条件下光伏输出时间序列的偏差性分析。有图6可知，老化故障/局部阴影故障/开路故障条件下，均会造成电压、电流、功率序列的相对欧式距离增大。但是由于局部短路故障并不影响光伏阵列的电流序列，因此此时电压/功率序列的相对欧式距离增大，而电流序列的距离保持不变。

通过皮尔森系数定义可知，皮尔森相关系数可看作为两时间序列样本所绘出的方向向量之间夹角的余弦值，在一定程度上可反应两时间序列的相似性特征，但是无法识别样本点在空间尺度上的拉伸、压缩和位移。由于皮尔森相关系数无法识别样本点在空间尺度上的改变，因此基于相对欧式距离对时间序列的偏差性进行分析。相对欧式距离能非常直观的衡量两时间序列的偏差程度，距离越大则偏离程度越高。根据计算出的结果，将不同故障对应的时间序列变化特征总结出来。

通过上述分析，不同故障对光伏阵列输出时间序列的影响各不相同，其总结如表1所示。有表可知：开路故障条件下，光伏输出电流，电压，功率时间序列的相关系数为0，而特征距离增大；短路故障条件下，光伏输出电流时间序列的相关系数和特征距离不变，而电压、功率序列的相关系数下降，特征距离增大；阴影故障条件下，电流、电压、功率时间序列的相关系数下降但不为0，而特征距离增大；老化故障条件下，电流、电压、功率序列的相关系数不变，但是特征距离增大。

表1不同故障条件下光伏阵列的时序特征

S3设置不同故障特征得到训练数据，并根据特征指标建立故障数据库；

需要通过在实验平台上设置不同类型对应的故障情况。对模型库以训练数据所设置的故障作举例说明进行训练并对专利方法有效性进行分析：短路故障将一支路末端两组件短路，开路故障设置为一条串联支路中一块电池板开路，阴影遮挡则设置为4片光伏组件一半面积受到不均匀光线的阴影遮挡，异常老化故障使用电阻箱增加4欧姆的并联电阻。具体故障设置与光伏实验平台如图7所示

输入变量模糊化实现首先需要将各种故障特征参数的精确值依据隶属函数归并到各模糊子集中,从而用语言变数值(大、中、小等)代替精确值。这个过程是利用人的经验将不同的故障参数的精确值与特征进行归类划分。常用的方法是：定义论域U到[0,1]区间的任意映射y_f都确定U的一个模糊子集F，y_f称为F的隶属函数或隶属度，它反映了模糊集合中的元素属于该集合的程度。在论域U中可把模糊子集F表示为元素u与其隶属函数y_f的序偶集合，记为：

F＝{(u_i,y_f(u_i))|u∈U}

此处输入变量U为S2步骤计算出的特征值是连续集，则模糊集F可表示为：

F＝∫_Uy_f(u)/u

对于采集到的数据进行的是数据模糊化过程，为了进行模糊化过程需要引入一些非线性描述例如‘H’对应数值高，‘MH’对应数值较高，‘M’对应数值呈中位数，‘L’对应数值较低，先根据训练数据的数值分布来划分各个变量的区域，确定隶属度函数，确定的6个输入变量的隶属度函数如图8所示。

制定模糊规则模糊分类规则同样是基于上文中分析提取的各种故障与特征参数之间的对应关系，将模糊分类的输入变量与输出变量及故障类型对应起来。上述两者合称为知识库。为了得到完整的模糊知识库还需将前文所述的不同故障条件下光伏阵列的时序特征转化为模糊规则矩阵。模糊规则矩阵是根据前文表2总结出的规则转化而来。

表2模糊分类控制规则

故障类型	r1	r2	r3	d1	d2	d3	Output
								开路故障	4	4	3	3	2	2	1
阴影故障	2	3	2	3	1	1	2
								短路故障	4	2	3	1	3	2	3
老化故障	1	1	1	4	4	3	4
								正常情况	4	4	3	1	1	1	5

经过输入模糊化以及控制规则矩阵处理后得输出变量模糊集，经过上述操作的得到是一个矩阵，并不能直接应用在工程上，因此需要将中间变量解释为特定的故障类型，即反模糊化操作。为了使数据输出更加平滑，这里使用重心法反模糊数据输出量来得到一个具体值。重心法解得一个最能代表该模糊集合的单值，该单值即为模糊集合中隶属度最大的元素，如下式所示：

以上即为模糊分类的输出变量。输出量的隶属度函数如图9所示：最终输出的变量从1到5分别对应开路故障，阴影遮挡，短路故障，老化故障，正常情况。模糊分类的输出并不会是精确的整数值，可以认为数值分布在整数+-0.5范围内都为同一种故障。

模糊分类模型的各个参数的初始设置不能达到令人满意的分类效果，需要进行迭代运行并不断修改参数来提高分类精度。首先利用训练故障数据运行模型，利用诊断结果反过来对分类知识库进行修改。再使用修改后的模型对数据的故障类型进行分类。重复上述过程即可使模型得到修正，使得分类准确度提升。

S4.将不同故障的特征参数代入模糊分类模型中即可实现光伏阵列故障诊断。

将采集得到的电站信息输入所述的故障特征计算模型，得到不同故障的特征参数。

故障设置情况从day 0到day 7。分别为2个组件短路，4个组件短路，阴影遮挡4个组件，阴影遮挡6个组件，两条支路开路，一条支路开路，异常老化4欧，6欧。使用时间序列特征分析，计算时间序列的6个特征参数。3种电气参数的相关系数与特征距离连续8天的计算结果如图10与11所示：

将计算得到的6个参数当作模糊控制的6个输入量，使用上文中训练出的模糊分类函数对连续8天的阵列状况进行分析：

由图10和图11可以看出，连续8天的相关系数与特征距离两个参数在不同的故障条件下分布差异明显，而同一天内3种电气特征对应的参数分布差异也十分明显。同种故障情况不同设置条件下所对应的参数分布相似度较高但是数值上有所区别，以上特征可以有效的应用于光伏故障诊断。

将不同故障的特征参数代入步骤S3所述的模糊分类模型，即可得到光伏阵列故障诊断模型。

由图10得到的分类结果可以看出各种故障都被很好的识别。可以得出以下结论：

不同类型故障基本可以有效识别。同时提取某种故障下一种情况下的特征，同类型故障也可以检测出来，这证明了基于时间序列方法宽容度很大，可以有效检测出各种故障程度不同的情况。

早晚低辐照度时会导致诊断结果精度下降。这是因为由于早晚的辐照度较低，数据的故障特征不够明显，分类系统进行分类比较困难，由图中也可以看出，各种故障的误判点多分布在早晚时间段。

同种故障不同情况输出存在差异。在图的左下角是阴影情况下分类结果放大图，由于训练分类函数所用的是阴影遮挡4个组件的数据，所以可以在测试结果中看到，同样为阴影遮挡了4个组件的数据识别结果为2.00，而阴影遮挡为6个组件的数据输出情况分布在准确值2的附近。

阴影故障识别结果分布稀疏。图的右下角为老化情况分类结果放大，输出结果并未呈现稳点的1数值，但是依旧较为紧密的分布在1数值的周边，并且数据都分步在1-1.5区间内，可以被划分为老化故障。

为了进一步量化测试结果，引入4个参数来评价数据的验证情况。e₁代表了整个分类器的准确度，即总的正确识别故障精度。e₂代表了单项的分类精确度,其定义为:对于给定某种故障，分类器正确分类的样本数与总样本数之比。e₃计算的是负例灵敏度，其定义为正确识别出的负例占所有识别出的负例的比例.e₄计算的是召回率，其定义为对于给定某种故障，正确分类的情况占实际上分类到此故障的情况的比例

其中TC是正确分类的样本数；TC是错误分类的样本数；TN是理论上和实际上不属于fault(x)的样本数；FN是理论上不属于fault(x)的样本数，但实际上属于fault(x)；D是样本总数。

具体计算结果总结在表3中。

表3各故障识别准确度

总的故障识别准确率为89.75％，各种故障与正常情况的识别率都在90％左右，识别结果良好。对于开路故障和异常老化故障识别准确率相对较低，但是没有别的故障被误判为这两类故障。对于阴影遮挡故障，包含此为故障的情形全部被识别，但是也有别的故障被误判为阴影遮挡。而正常情况和短路故障情况较为类似，三种参数都保持比较高的水平，识别情况更加理想。

本发明的特定实施例以对本发明的内容作出了详尽的说明，但不局限本实施例，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围内。

Claims (7)

1.一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法，其特征在于：包括如下步骤：

S1收集光伏电站历史运行数据和历史环境数据，进行数据预处理；

S2.根据收集到的光伏电站历史数据分析光伏功率及其波动的分布特征，计算故障特征指标；

S3设置不同故障特征得到训练数据，并根据特征指标建立故障数据库；

S4.将不同故障的特征参数代入模糊分类模型中即可实现光伏阵列故障诊断。

2.根据权利要求1所述的基于光伏阵列电气参数时间序列特征提取的故障诊断方法，其特征在于：所述的历史运行数据包括光伏电站历史功率数据，历史环境数据包括光伏电站所对应的历史辐照度和环境温度数据。

3.根据权利要求1所述的基于光伏阵列电气参数时间序列特征提取的故障诊断方法，其特征在于：所述数据预处理包括对历史光伏序列数据进行归一化处理，具体公式如下所示：

式中：G和T分别表示光伏阵列实际接收的辐照度和温度；U_oc0，U_m0，I_sc0，I_m0,P_m0分别表示标准测试条件(STC)下光伏阵列的参数值：U_{m_n}，I_{m_n}，P_{m_n}分别表示标准化后的参数值。

4.根据权利要求1所述的基于光伏阵列电气参数时间序列特征提取的故障诊断方法，其特征在于：所述故障特征指标的计算方法包括：

S21.通过预处理后的标准化数据分别计算皮尔森相关系数和相对欧式距离；

式中：r为两时间序列的相关系数；为两时间序列的平均值。A,B是时间序列X＝(x1,x2,…,xn)上的两个模糊子集，则为A,B之间的欧式距离

S22.根据所述皮尔森相关系数和相对欧式距离计算出的结果，分析两个时间阵列之间的相似性特征和距离特征,提取不同故障对应的时间序列变化特征：通过皮尔森系数定义可知，皮尔森相关系数可看作为两时间序列样本所绘出的方向向量之间夹角的余弦值，在一定程度上可反应两时间序列的相似性特征，但是无法识别样本点在空间尺度上的拉伸、压缩和位移。由于皮尔森相关系数无法识别样本点在空间尺度上的改变，因此基于相对欧式距离对时间序列的偏差性进行分析。相对欧式距离能非常直观的衡量两时间序列的偏差程度，距离越大则偏离程度越高。

5.根据权利要求1所述的基于光伏阵列电气参数时间序列特征提取的故障诊断方法，其特征在于：所述建立故障数据库的方法包括：

S31.通过在实验平台上设置不同类型对应的故障情况，对模型库以所设置的故障进行数据训练。

S32.对各种故障特征参数实现输入变量模糊化；

S33.通过各种故障与特征参数之间的对应关系，将模糊分类的输入变量与输出变量及故障类型形成映射关系以制定模糊规则进行模糊分类；

S34.经过输入模糊化以及控制规则矩阵处理后得输出变量模糊集，此时通过重心法得出该模糊集合的单值，该单值即为模糊集合中隶属度最大的元素，如下式所示：

以上即为模糊分类的输出变量。

S35.对模糊分类模型进行反向修正。

6.根据权利要求1所述的基于光伏阵列电气参数时间序列特征提取的故障诊断方法，其特征在于：所述输入变量模糊化的方法包括将各种故障特征参数的精确值依据隶属函数归并到各模糊子集中,从而用语言变数值(大、中、小等)代替精确值，将不同的故障参数的精确值与特征进行归类划分，定义论域U到[0,1]区间的任意映射y_f都确定U的一个模糊子集F，y_f称为F的隶属函数或隶属度，它反映了模糊集合中的元素属于该集合的程度。在论域U中可把模糊子集F表示为元素u与其隶属函数y_f的序偶集合，记为：

F＝{(u_i,y_f(u_i))|u∈U}

此处输入变量U为S2步骤计算出的特征值是连续集，则模糊集F可表示为：

F＝∫_Uy_f(u)/u

7.根据权利要求1所述的基于光伏阵列电气参数时间序列特征提取的故障诊断方法，其特征在于：所述反向修正的方法包括利用训练故障数据运行所述模糊分类模型，利用诊断结果反过来对分类知识库进行修改后，再使用修改后的模型对数据的故障类型进行二次分类，并多次重复上述过程修正以提升分类准确度。