CN113191075B - 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法，属于光伏发电领域。包括：基于改进型樽海鞘群算法的光伏阵列参数辨识模块和基于内部参数变化的光伏阵列故障诊断模块。光伏阵列参数辨识模块根据光伏阵列输出的电压和电流，辨识出光伏阵列单二极管模型的五个参数值。光伏阵列故障诊断模块根据基于故障前后光伏阵列五个参数的变化范围进行光伏阵列故障诊断。本发明基于改进型樽海鞘群优化算法，相较于传统的樽海鞘群算法与其他智能算法，进行光伏阵列参数辨识的速度更快，精度更高；光伏阵列故障诊断模块通过故障前后光伏阵列的参数变化进行故障诊断，相较于其他光伏阵列故障诊断方法，所需成本低，诊断速度快。

Description

一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法

技术领域

本发明属于光伏发电领域，具体涉及一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法。

背景技术

近年来，光伏发电在全球范围内得到了大力的发展，光伏阵列作为光伏发电系统的核心组成部分，由于各种自然条件或者人为因素的影响，会遇到各种故障，快速准确判断出光伏阵列的故障类型，对于光伏发电系统快速切除故障，提高光伏发电系统的稳定性有着重要的意义。

目前进行光伏阵列故障诊断的方法主要为传统诊断法和模型算法诊断法两种，传统诊断法为采用热成像仪器、红外分析仪、传感器、摄像机等仪器直接进行光伏阵列内部的故障诊断方法。传统诊断法能够快速定位到故障发生的位置，但其所使用的仪器一般较为昂贵，投入成本高。模型算法诊断法主要为当光伏阵列发生故障时，光伏阵列的电压、电流输出特性会发生变化，首先对光伏阵列进行故障诊断建模，将故障前后光伏阵列的输出电压、输出电流、光照强度和温度等数据输入到建立好的模型中，通过分析输出量的偏差来判断是否发生故障。

由于采用传统诊断方法进行光伏阵列的故障诊断需要使用到特殊仪器，投入成本高，模型算法诊断法通常采用BP神经网络模型，将光伏阵列各种工作状态下的最大功率点电压、最大功率点电流输入模型进行训练，但是训练所需时间长，准确性低，在工程中难以使用。

针对现有光伏阵列故障诊断技术所存在的上述缺陷，本发明提供了一种结合光伏阵列参数进行光伏阵列故障诊断的方法。辨识出故障前后光伏阵列的参数，通过参数变化进行故障诊断的方法，解析法和数值计算方法在求解光伏阵列模型参数时对初值的选取较为敏感，且求解精度不高，容易陷入局部最优，因而较少采用。智能算法因其计算速度快，全局寻优能力强，不依赖于待求解系统的数学模型，被广泛应用于光伏电池的参数辨识中。本发明在传统樽海鞘群算法的基础上，提出了一种基于改进型樽海鞘群算法的光伏阵列参数辨识方法。

发明内容

针对现有光伏阵列故障诊断技术和光伏阵列参数辨识方法所存在的上述缺陷，本发明提供了一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法。该方法基于改进型樽海鞘群算法，可以实现对光伏阵列参数的精确求解，通过比较故障前后光伏阵列参数的变化，诊断光伏阵列开路故障、短路故障、阴影遮挡和老化故障等四种典型的故障类型，能够低成本，准确地诊断出光伏阵列故障。

为了实现上述目的，本发明采用的技术方案如下：

一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法，包括基于改进型樽海鞘群算法的光伏阵列参数辨识模块和基于内部参数变化的光伏阵列故障诊断模块；

所述的基于改进型樽海鞘群算法的光伏阵列参数辨识模块获取在特定光照强度下光伏阵列故障前后的输出电压V、输出电流I，使用改进型樽海鞘群算法进行参数辨识，输出故障前后光伏阵列单二极管模型的理想电流源I_ph、二极管的反向饱和电流I_sd、二极管理想因子A、等效并联电阻R_sh、等效串联电阻R_s五个参数；

所述的基于内部参数变化的光伏阵列故障诊断模块获取基于改进型樽海鞘群算法的光伏阵列参数辨识模块输出故障前后光伏阵列单二极管模型的五个参数，根据故障前后五个参数的变化范围，判断出光伏阵列的开路故障、短路故障、阴影遮挡和老化故障四种故障类型。

与现有技术相比，本发明的优势在于：

(1)与传统诊断法中采用热成像仪器、红外分析仪、传感器、摄像机等仪器进行光伏阵列故障诊断方法相比，该诊断方法的故障诊断成本低，只需要一块硬件单板和一个可调负载即可以完成，不需要购买昂贵的高精密诊断仪器。

(2)与传统诊断法中采用热成像仪器、红外分析仪等仪器进行光伏阵列故障诊断方法相比，传统诊断法只能诊断出产生热量的光伏阵列故障类型；本诊断方法除此之外，还可以诊断出不产生热量的光伏阵列故障类型。

(3)与基于BP神经网络模型的光伏阵列故障诊断方法相比，该方法诊断所需要的电压、电流数据样本少，无需进行长时间的训练，同时该方法的成本与基于BP神经网络模型的光伏阵列故障诊断方法基本相当。

附图说明

图1为光伏阵列故障诊断流程图；

图2为进行故障诊断的光伏阵列内部接线图；

图3为光伏阵列基于单二极管模型的等效电路图；

图4为基于内部参数变化的光伏阵列故障诊断模块执行流程图；

图5为光伏阵列故障诊断整体示意图。

具体实施方式

为了更为具体地描述本发明，下面对本发明的技术方案及其相关工作原理进行详细说明。

一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法，包括基于改进型樽海鞘群算法的光伏阵列参数辨识模块与基于内部参数变化的光伏阵列故障诊断模块；整个方法执行流程图如图1所示，主要包括：

(1)测量故障前后光伏阵列U-I数据；

(2)辨识故障前后光伏阵列参数；

(3)分析不同故障情况下光伏阵列参数变化规律；

(4)根据光伏阵列参数变化规律进行光伏阵列故障诊断。

诊断的光伏阵列内部接线图如图2所示，以2*2光伏阵列为例，每一个光伏阵列设有一个并联二极管D。光伏阵列的等效电路图如图3所示，包括一个并联二极管、等效并联电阻R_sh、等效串联电阻R_s和可调负载R_L。所述的基于改进型樽海鞘群算法的光伏阵列参数辨识模块获取在特定光照强度下光伏阵列故障前后的输出电压(V)、输出电流(I)，使用改进型樽海鞘群算法进行参数辨识，输出故障前后光伏阵列单二极管模型的理想电流源I_ph、二极管的反向饱和电流I_sd、二极管理想因子A、等效并联电阻R_sh、等效串联电阻R_s五个参数。其中图3中流经二极管的电流I_D与二极管反向饱和电流I_sd存在如下对应关系：

其中，T为光伏电池的绝对温度，25℃为298K，q为电子电荷,q＝1.6×10^-19C；k为玻耳兹曼常量,k＝1.38×10^-23J/K。

如图5所示，所述基于改进型樽海鞘群算法的光伏阵列参数辨识模块包括电压采样模块、电流采样模块、可调负载、照度计和使用DSP芯片的改进型樽海鞘群算法参数辨识模块。

其中，电压采样模块用于获取输出电压(V)，电流采样模块用于获取输出电流(I)，照度计用于获取光照强度数据，得到的电压数据、电流数据和光照强度数据传输至改进型樽海鞘群算法参数辨识模块。本实施例中，电压采样模块电压采样范围为0～100V，所述电流采样范围为0～20A，可调负载阻值范围为0～60Ω。

所述的基于改进型樽海鞘群算法的光伏阵列参数辨识模块采样光伏阵列正常工作状态与故障状态时的输出电压V和输出电流I的过程具体为：

光伏阵列正常工作状态时，调节可调负载阻值从0Ω至60Ω均匀增大，电压采样模块、电流采样模块每隔2ms采样一次电压、电流数据。使用DSP芯片的改进型樽海鞘群算法参数辨识模块对采样得到的电压、电流数据进行处理。数据处理过程为：对于所有电压、电流数据，按照1V的间隔保留电压数据，以及电压数据时刻对应的电流数据，并使用照度计记录电压、电流采样时光伏阵列表面的光照强度，设为S1。

当光伏阵列发生故障时，同时当光伏阵列表面的光照强度为S1时，调节可调负载阻值从0Ω至60Ω均匀增大，电压采样模块、电流采样模块每隔2ms采样一次电压、电流数据。使用DSP芯片的基于改进型樽海鞘群算法参数辨识模块对采样得到的电压、电流数据进行处理，数据处理过程为：对于所有电压、电流数据，按照1V的间隔保留电压数据，以及电压数据时刻对应的电流数据。

此外需要说明的是，在进行光伏阵列故障诊断时，需要采样光伏阵列正常工作状态与故障状态下的输出电压、输出电流信号。对于正常工作状态下光伏阵列的输出电压、输出电流信号，对于特定的光伏阵列，在使用该方法初，只需在光照强度为S1时采样一次，并进行光伏阵列参数辨识即可，此后无需再采样光伏阵列正常工作状态下的输出电压、输出电流，此后只需要采样故障状态时光伏阵列的输出电压、输出电流数据以及对应的光照强度S1即可。

所述的基于改进型樽海鞘群算法的光伏阵列参数辨识模块辨识光伏阵列故障前后的理想电流源I_ph、二极管的反向饱和电流I_sd、二极管理想因子A、等效并联电阻R_sh、等效串联电阻R_s五个参数的过程具体为：

在光照强度为S1时，测得K组光伏阵列输出电压V、输出电流I数据[V I]，选取一组最优的光伏阵列单二极管模型的五个参数，使得光伏阵列的计算电流与实测电流的差值最少，光伏阵列计算电流与实测电流的差值表达式f(V_k,I_k,θ)为：

其中θ＝[I_ph,I_sd,A,R_sh,R_s]，为待辨识的光伏阵列五个参数，I_k、V_k为第k组测量得到的输出电流和输出电压；T为光伏电池的绝对温度，25℃为298K，q为电子电荷,q＝1.6×10^-19C；k为玻耳兹曼常量,k＝1.38×10^-23J/K。

对于K组光伏阵列输出电压V、输出电流I数据[V I]，求出K组数据光伏阵列计算电流与实测电流的差值均方根误差，得到适应度函数RMES的表达式如式：

RMES的值越小，计算电流与实测电流拟合程度越高，求解得到的光伏阵列参数越精确。

基于改进型樽海鞘群算法的光伏阵列参数辨识模块以适应度函数RMES为目标函数，对光伏阵列的五个参数进行寻优，等效为一个函数求最值问题：

s.t.θ_imin≤θ_i≤θ_imax(i＝1,2,3,4,5)

其中，θ_imin为5个光伏阵列参数的下限、θ_imax为5个光伏阵列参数的上限，i＝1、2、3、4、5；表达式分别为：

θ＝[I_ph,I_sd,A,R_sh,R_s]

θ_min＝[I_phmin,I_sdmin,A_min,R_shmin,R_smin]

θ_max＝[I_phmax,I_sdmax,A_max,R_shmax,R_smax]

I_ph为理想电流源、I_sd为二极管的反向饱和电流、A为二极管理想因子、R_sh为等效并联电阻、R_s为等效串联电阻，下标min为参数下限，下标max为参数上限。

基于改进型樽海鞘群算法的光伏阵列参数辨识模块根据光伏阵列输出电压V、输出电流I使用改进型樽海鞘群算法进行光伏阵列的参数辨识，以5个参数的组合(I_ph,I_sd,A,R_sh,R_s)作为樽海鞘个体的位置信息，适应度函数RMES表征每个樽海鞘个体位置好坏程度，RMES的值越小，樽海鞘个体的位置越好，求解得到的参数越好。

达到迭代结束条件后，停止优化，输出故障后光伏阵列的参数、辨识故障后光伏阵列参数对应的光照强度S1，以及光伏阵列正常工作状态下光照强度为S1时光伏阵列的参数。

所述的基于改进型樽海鞘群算法的光伏阵列参数辨识模块使用改进型樽海鞘群算法进行光伏阵列的参数辨识步骤如下：

每个樽海鞘个体的位置为：

x_i＝(I_ph,I_sd,A,R_sh,R_s)

对光伏阵列进行参数辨识的步骤如下：

Step1：初始化樽海鞘群中樽海鞘个体的位置x_i以及数目N，最大迭代次数T，维度空间D；

Step2:根据适应度函数RMES，计算每个樽海鞘个体的适用度函数值。

Step3：对计算好的适应度函数值从小到大进行排序，选取适用度函数值最小的樽海鞘个体的位置，即第一个樽海鞘个体的位置x¹为当前辨识的参数最优值。

Step4：选取前N/2个樽海鞘个体为领导者，后N/2个樽海鞘个体为跟随者,确定樽海鞘领导者的位置。

Step5：计算改进后收敛因子c₁的值。

Step6：更新樽海鞘群领导者的位置。

Step7：更新樽海鞘群追随者的位置。

Step8：对更新后的樽海鞘个体进行边界处理。

Step9：计算所有樽海鞘个体的适应度函数值，选取适应度函数值最小的樽海鞘个体的位置值赋给当前辨识的参数最优值。

Step10：判断是否满足迭代次数，若是则输出结果，否则，跳转到Step5继续迭代。

基于改进型樽海鞘群算法的光伏阵列参数辨识模块使用的是改进型樽海鞘群算法，樽海鞘群算法中的收敛因子c₁是樽海鞘群算法中最重要的一个参数，c₁的表达式为：

l为当前迭代次数，L为最大迭代次数。

改进型樽海鞘群算法在传统樽海鞘群算法的基础上进行改进，将收敛因子c₁的表达式进行改进，变为：

通过对樽海鞘群算法中最重要的一个参数收敛因子进行改进，得到改进型樽海鞘群算法，由于传统的樽海鞘群算法的收敛因子前期的值过大，每次迭代步长变化过大，导致前期寻优迭代求解的过程中，容易陷入局部最优，故在此对收敛因子的值就行改进处理，使得收敛因子前期的值变小，从而使得樽海鞘群算法在求解的前期能够快速摆脱局部最优，提高前期寻优的速度，进而提高整个求解过程的精度。因此，相对于传统的群智能算法，拥有更快的收敛速度和求解精度，基于樽海鞘群优化算法的光伏阵列参数辨识模块相较于基于传统群智能算法的光伏阵列参数辨识模块，能够更快、更精确的辨识光伏阵列参数，使得进行光伏阵列故障诊断的效率大大提高。

所述的基于内部参数变化的光伏阵列故障诊断模块获取基于改进型樽海鞘群算法的光伏阵列参数辨识模块输出的光伏阵列故障前后基于单二极管模型的理想电流源I_ph、二极管的反向饱和电流I_sd、二极管理想因子A、等效并联电阻R_sh、等效串联电阻R_s五个参数。所述的基于内部参数变化的光伏阵列故障诊断模块包括基于DSP芯片的信息分析模块和显示模块。由信息分析模块分析故障前后光伏阵列这五个参数的变化情况、判断光伏阵列的开路故障、短路故障、阴影遮挡和老化故障，并由显示模块显示分析结果，具体判断过程流程图如图4所示。光伏阵列正常工作状态时，在光照强度为S1时，基于改进型樽海鞘群算法的光伏阵列参数辨识模块输出光伏阵列的五个参数的值分别为理想电流源I_ph_1、二极管的反向饱和电流I_sd_1、二极管理想因子A_1、等效并联电阻R_sh_1、等效串联电阻R_s_1，求得的适应度函数值为RMES_1。

光伏阵列故障运行状态时，在光照强度为S1时，基于改进型樽海鞘群算法的光伏阵列参数辨识模块输出光伏阵列的五个参数的值分别为理想电流源I_ph_2、二极管的反向饱和电流I_sd_2、二极管理想因子A_2、等效并联电阻R_sh_2、等效串联电阻R_s_2，求得的适应度函数值为RMES_2。

根据基于改进型樽海鞘群算法的光伏阵列参数辨识模块输出的故障前后光伏阵列的参数，基于内部参数变化的光伏阵列故障诊断模块执行步骤为：

Step1：假如RMES_2＞10*RMES_1，判断为阴影遮挡故障，跳转到Step5，否则，执行下一步。

Step2：假如I_ph_1＞1.6*I_ph_2，判断为开路故障，跳转到Step5，否则，执行下一步。

Step3：假如A_1＞3*A_2，判断为短路故障，跳转到Step5，否则，执行下一步。

Step4：假如R_s_2＞R_s_1，判断为老化故障，跳转到Step5，否则，没有判断出有任何故障，执行下一步。

Step5：诊断结果输出至显示模块显示，诊断结束。

以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (3)

1.一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法，其特征在于：包括基于改进型樽海鞘群算法的光伏阵列参数辨识模块和基于内部参数变化的光伏阵列故障诊断模块；

所述的基于改进型樽海鞘群算法的光伏阵列参数辨识模块获取在特定光照强度下光伏阵列故障前后的输出电压V、输出电流I，使用改进型樽海鞘群算法进行参数辨识，输出故障前后光伏阵列单二极管模型的理想电流源I_ph、二极管的反向饱和电流I_sd、二极管理想因子A、等效并联电阻R_sh、等效串联电阻R_s五个参数；

所述的基于改进型樽海鞘群算法的光伏阵列参数辨识模块是通过改进樽海鞘群算法实现的，改进型樽海鞘群算法的收敛因子c₁的表达式为：

其中，l为当前迭代次数，L为最大迭代次数；

所述的基于内部参数变化的光伏阵列故障诊断模块获取基于改进型樽海鞘群算法的光伏阵列参数辨识模块输出故障前后光伏阵列单二极管模型的五个参数，根据故障前后五个参数的变化范围，判断出光伏阵列的开路故障、短路故障、阴影遮挡和老化故障四种故障类型；

基于内部参数变化的光伏阵列故障诊断模块进行光伏阵列的故障诊断具体过程为：

光伏阵列正常工作状态时，在光照强度为S1时，基于改进型樽海鞘群算法的光伏阵列参数辨识模块输出光伏阵列的五个参数的值分别为理想电流源I_ph_1、二极管的反向饱和电流I_sd_1、二极管理想因子A_1、等效并联电阻R_sh_1、等效串联电阻R_s_1，求得的适应度函数值为RMES_1；

光伏阵列故障运行状态时，在光照强度为S1时，基于改进型樽海鞘群算法的光伏阵列参数辨识模块输出光伏阵列的五个参数的值分别为理想电流源I_ph_2、二极管的反向饱和电流I_sd_2、二极管理想因子A_2、等效并联电阻R_sh_2、等效串联电阻R_s_2，求得的适应度函数值为RMES_2；

根据基于改进型樽海鞘群算法的光伏阵列参数辨识模块输出的故障前后光伏阵列的参数，基于内部参数变化的光伏阵列故障诊断模块执行步骤为：

Step1：假如RMES_2＞10*RMES_1，判断为阴影遮挡故障，跳转到Step5，否则，执行下一步；

Step2：假如I_ph_1＞1.6*I_ph_2，判断为开路故障，跳转到Step5，否则，执行下一步；

Step3：假如A_1＞3*A_2，判断为短路故障，跳转到Step5，否则，执行下一步；

Step4：假如R_s_2＞R_s_1，判断为老化故障，跳转到Step5，否则，没有判断出有任何故障，执行下一步；

Step5：诊断结果输出至显示模块显示，诊断结束。

2.根据权利要求1所述的基于改进型樽海鞘群算法的光伏阵列故障诊断方法，其特征在于：所述的基于改进型樽海鞘群算法的光伏阵列参数辨识模块辨识光伏阵列故障前后的理想电流源I_ph、二极管的反向饱和电流I_sd、二极管理想因子A、等效并联电阻R_sh、等效串联电阻R_s五个参数的过程具体为：

在光照强度为S1时，测得K组光伏阵列输出电压V、输出电流I，得到数据[VI]，选取一组最优的光伏阵列单二极管模型的五个参数，使得光伏阵列计算电流与实测电流的差值最少，光伏阵列计算电流与实测电流的差值表达式f(V_k,I_k,θ)为：

其中，θ＝[I_ph,I_sd,A,R_sh,R_s]为待辨识的光伏阵列五个参数，I_k、V_k为第k组测量得到的输出电流和输出电压；T为光伏电池的绝对温度，25℃为298K，q为电子电荷,q＝1.6×10^{- 19}C；k为玻耳兹曼常量,k＝1.38×10^-23J/K；

对于K组光伏阵列输出电压V、输出电流I的数据[VI]，求出K组数据光伏阵列计算电流与实测电流的差值均方根误差，得到适应度函数RMES的表达式如下：

RMES的值越小，计算电流与实测电流拟合程度越高，求解得到的光伏阵列参数越精确；

基于改进型樽海鞘群算法的光伏阵列参数辨识模块以适应度函数RMES为目标函数，对光伏阵列的五个参数进行寻优，等效为一个函数求最值问题：

s.t.θ_imin≤θ_i≤θ_imax(i＝1,2,3,4,5)

其中，θ_imin为5个光伏阵列参数的下限、θ_imax为5个光伏阵列参数的上限，i＝1、2、3、4、5；表达式分别为：

θ＝[I_ph,I_sd,A,R_sh,R_s]

θ_min＝[I_phmin,I_sdmin,A_min,R_shmin,R_smin]

θ_max＝[I_phmax,I_sdmax,A_max,R_shmax,R_smax]

I_ph为理想电流源、I_sd为二极管的反向饱和电流、A为二极管理想因子、R_sh为等效并联电阻、R_s为等效串联电阻，下标min为参数下限，下标max为参数上限；

基于改进型樽海鞘群算法的光伏阵列参数辨识模块根据光伏阵列输出电压V、输出电流I，使用改进型樽海鞘群算法进行光伏阵列的参数辨识，以5个参数的组合(I_ph,I_sd,A,R_sh,R_s)作为樽海鞘个体的位置信息，适应度函数RMES表征每个樽海鞘个体位置好坏程度，RMES的值越小，樽海鞘个体的位置越好，求解得到的参数越精确；

达到迭代结束条件后，停止优化，输出故障后光伏阵列的参数、辨识故障后光伏阵列参数对应的光照强度S1，以及光伏阵列正常工作状态下光照强度为S1时光伏阵列的参数。

3.根据权利要求2所述的基于改进型樽海鞘群算法的光伏阵列故障诊断方法，其特征在于：所述的基于改进型樽海鞘群算法的光伏阵列参数辨识模块使用改进型樽海鞘群算法进行光伏阵列的参数辨识，将每个樽海鞘个体的位置x_i表示为：

x_i＝(I_ph,I_sd,A,R_sh,R_s)

对光伏阵列进行参数辨识的步骤如下：

Step1：初始化樽海鞘群中樽海鞘个体的位置x_i以及数目N，最大迭代次数T，维度空间D；

Step2:根据适应度函数RMES，计算每个樽海鞘个体的适用度函数值；

Step3：对计算好的适应度函数值从小到大进行排序，选取适用度函数值最小的樽海鞘个体的位置，即第一个樽海鞘个体的位置x¹为当前辨识的参数最优值；

Step4：选取前N/2个樽海鞘个体为领导者，后N/2个樽海鞘个体为跟随者，确定樽海鞘领导者的位置；

Step5：计算改进后收敛因子c₁的值；

Step6：更新樽海鞘群领导者的位置；

Step7：更新樽海鞘群追随者的位置；

Step8：对更新后的樽海鞘个体进行边界处理；

Step9：计算所有樽海鞘个体的适应度函数值，选取适应度函数值最小的樽海鞘个体的位置值赋给当前辨识的参数最优值；

Step10：判断是否满足迭代次数，若是则输出结果，否则，跳转到Step5继续迭代。

Images