CN115208315A - 一种基于多故障特征值的光伏智能故障诊断方法 - Google Patents

一种基于多故障特征值的光伏智能故障诊断方法 Download PDF

Info

Publication number
CN115208315A
CN115208315A CN202211112391.7A CN202211112391A CN115208315A CN 115208315 A CN115208315 A CN 115208315A CN 202211112391 A CN202211112391 A CN 202211112391A CN 115208315 A CN115208315 A CN 115208315A
Authority
CN
China
Prior art keywords
fault
photovoltaic
feature vector
photovoltaic module
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211112391.7A
Other languages
English (en)
Inventor
张进智
王市委
张方旭
孔令新
孙艳彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shengshi Huatong Shandong Electrical Engineering Co ltd
Original Assignee
Shengshi Huatong Shandong Electrical Engineering Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shengshi Huatong Shandong Electrical Engineering Co ltd filed Critical Shengshi Huatong Shandong Electrical Engineering Co ltd
Priority to CN202211112391.7A priority Critical patent/CN115208315A/zh
Publication of CN115208315A publication Critical patent/CN115208315A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • H02S50/15—Testing of PV devices, e.g. of PV modules or single PV cells using optical means, e.g. using electroluminescence
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Photovoltaic Devices (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

本发明提供一种基于多故障特征值的光伏智能故障诊断方法，涉及光伏发电系统中数据处理相关技术领域，包括如下步骤：由光伏逆变器扫描光伏组件获取光伏组件输出特性I‑V（电流‑电压）曲线上的电流‑电压数据；对获取的电流‑电压数据进行预处理，对预处理后的电流‑电压数据进行数据处理，以得到对光伏故障更为敏感的故障特征值，故障特征值包括：等效热电压、I‑V曲线拐点因子、最大功率点因子、等效串联电阻、填充因子五个，将获得的五个故障特征值归一化为无量纲的相对单位值，将归一化的故障特征向量进行故障诊断。本方法经过了数据处理形成了对故障更敏感的故障特征向量，对故障的类型诊断更加准确，存取在故障样本库中的数据更少。

Description

一种基于多故障特征值的光伏智能故障诊断方法
技术领域
本发明主要涉及光伏发电系统中数据处理相关技术领域，具体的是一种基于多故障特征值的光伏智能故障诊断方法。
背景技术
光伏电池是太阳能光伏系统中的核心组件，担任着将光能转换成电能的职能。大量的光伏电池相互组合形成光伏阵列。光伏阵列的正常运行是为光伏系统提供电能的前提条件。光伏阵列的故障类型分为光伏阵列的老化、光伏电池板的碎裂、热斑现象。据目前的数据显示，热斑现象最为普遍，且对光伏阵列造成的危害最大。当光伏阵列部分被阴影遮盖时，被阴影遮盖的电池单体产生的电流小于其他的无阴影电池，阴影电池就会被作为负载，带负电压，产生的热量长时间积累会破坏光伏电池，影响光伏阵列工作，严重时甚至失效，这就是热斑现象的危害。
随着新能源发电的进一步发展，依靠人工来检测光伏组件故障的方法已经难以满足日益增大的光伏装机容量、光伏组件数量。因此，实现光伏组件故障的智能故障诊断，对于降低人工光伏运维的成本，提高光伏发电的效率和可靠性，以及对光伏组件故障引发问题的预防等具有重要意义。目前的光伏智能故障诊断系统还存在着以下难题：对光伏的I-V曲线进行分析，通过曲线波形来判断故障类型，没有得到对各类故障更加敏感的故障特征值；在智能诊断中需要大量的I-V曲线作为训练数据，所需数据库容量较大，成本较高；光伏组件的建模复杂，故障诊断结果依赖于模型精度。
发明内容
为解决目前技术的不足，本发明结合现有技术，从实际应用出发，提供一种基于多故障特征值的光伏智能故障诊断方法，与直接采用I-V曲线数据的故障诊断方法相比，此方法经过了数据处理形成了对故障更敏感的故障特征向量，对故障的类型诊断更加准确，存取在故障样本库中的数据更少。
为实现上述目的，本发明的技术方案如下：
一种基于多故障特征值的光伏智能故障诊断方法，包括如下步骤：
S1、由光伏逆变器扫描光伏组件获取光伏组件输出特性I-V曲线上的电流-电压数据；
S2、对获取的电流-电压数据进行预处理，以消除光伏逆变器在获取电流-电压数据过程中产生的谐波噪声；
S3、对预处理后的电流-电压数据进行数据处理，以得到对光伏故障更为敏感的故障特征值，故障特征值包括：等效热电压
Figure 68085DEST_PATH_IMAGE001
、I-V曲线拐点因子
Figure 325891DEST_PATH_IMAGE002
、最大功率点因子
Figure 677107DEST_PATH_IMAGE003
、等效串联电阻
Figure 653153DEST_PATH_IMAGE004
、填充因子
Figure 600381DEST_PATH_IMAGE005
五个；
S4、将获得的五个故障特征值归一化为无量纲的相对单位值；
S5、将归一化的故障特征向量进行故障诊断，并依据历史故障特征数据库，基于K均值聚类法，生成该故障特征向量的故障诊断结果。
进一步，步骤S3中，等效热电压
Figure 227540DEST_PATH_IMAGE006
、I-V曲线拐点因子
Figure 234810DEST_PATH_IMAGE007
、最大功率点因子
Figure 150683DEST_PATH_IMAGE008
、等效串联电阻
Figure 698339DEST_PATH_IMAGE009
、填充因子
Figure 930737DEST_PATH_IMAGE010
五个故障特征值的计算公式如下，
等效热电压
Figure 623755DEST_PATH_IMAGE001
为：
Figure 43235DEST_PATH_IMAGE011
I-V曲线拐点因子
Figure 660161DEST_PATH_IMAGE002
为：
Figure 934017DEST_PATH_IMAGE012
最大功率点因子
Figure 610986DEST_PATH_IMAGE003
为：
Figure 721024DEST_PATH_IMAGE013
等效串联电阻
Figure 125330DEST_PATH_IMAGE004
为：
Figure 66741DEST_PATH_IMAGE014
填充因子
Figure 852294DEST_PATH_IMAGE015
为：
Figure 501494DEST_PATH_IMAGE016
上述公式中，
Figure 460222DEST_PATH_IMAGE017
和
Figure 193823DEST_PATH_IMAGE018
为光伏组件的端电压和电流，
Figure 461862DEST_PATH_IMAGE019
和
Figure 343231DEST_PATH_IMAGE020
为光伏组件在最大功率点处的电压和电流，
Figure 43333DEST_PATH_IMAGE021
和
Figure 943025DEST_PATH_IMAGE022
为光伏组件的开路电压和短路电流，
Figure 867119DEST_PATH_IMAGE023
和
Figure 439045DEST_PATH_IMAGE024
是光伏组件
Figure 988844DEST_PATH_IMAGE025
（电流变换率-电压）曲线上的任意两个极值点，
Figure 962617DEST_PATH_IMAGE026
和
Figure 792032DEST_PATH_IMAGE027
分别为实际情况下和标准测试条件下的光伏组件辐照度。
进一步，最大功率点因子
Figure 162840DEST_PATH_IMAGE028
的光伏组件辐照度
Figure 204745DEST_PATH_IMAGE026
，可直接从光伏组件配置的辐照度传感器获得或通过如下公式计算：
Figure 564182DEST_PATH_IMAGE029
其中，
Figure 344925DEST_PATH_IMAGE030
为标准测试条件下光伏组件的短路电流，
Figure 625865DEST_PATH_IMAGE031
为电流温度系数，
Figure 533778DEST_PATH_IMAGE032
为电池温度传感器数据，
Figure 262569DEST_PATH_IMAGE033
为光伏阵列中并联连接的光伏串数。
进一步，步骤S4中，归一化公式如下所示：
Figure 902629DEST_PATH_IMAGE034
其中，
Figure 733181DEST_PATH_IMAGE035
是步骤S3中获得的五个故障特征值构成的故障特征向量，
Figure 162894DEST_PATH_IMAGE036
是故障特征向量的基准值，
Figure 700186DEST_PATH_IMAGE037
是归一化后的故障特征向量。
进一步，故障特征向量基准值
Figure 307885DEST_PATH_IMAGE036
的获取在系统调试阶段获得，在光伏组件所处地区的最典型的光照幅度值下，由光伏逆变器获取正常运行的光伏组件I-V曲线，该过程会一直持续到获得足够显著和有代表性的高辐照度I-V数据集，将这些数据用来计算出五个故障特征值构成的故障特征向量，并取其均值来作为故障特征向量基准值，公式如下：
Figure 892580DEST_PATH_IMAGE038
其中，
Figure 814399DEST_PATH_IMAGE039
为I-V数据集的数量，
Figure 268514DEST_PATH_IMAGE040
为每组I-V数据集对应的故障特征向量。
进一步，对于典型辐照度随季节变化较大的地区，可分别在不同季节进行调试，采用各个季节的故障特征向量基准值来进行归一化处理。
进一步，步骤S5中，历史故障特征数据库用于储存光伏组件在不同故障情况下的故障特征向量、故障类型标签、详细故障原因描述以及处理方法；
基于K均值聚类法将历史故障特征数据库中的故障特征向量进行分类，基于五个故障特征值对光伏组件不同故障类型的敏感度不同，选择K均值聚类法的初始质心，并对质心迭代n次，以获得可靠的故障类型分类；
进一步，历史故障特殊数据库故障类型分类方法具体包括如下步骤：
S511、根据五个故障特征值对光伏组件不同故障类型的敏感度不同，选择n种不同故障类型下的某个故障特征向量作为对应故障类型的初始质心；
S512、对历史故障特征数据库进行聚类，计算库中所有历史故障特征向量到每个故障类型质心的距离，将每个历史故障特征向量聚集到与其最近的质心的故障类型中，形成故障分类结果；
S513、重新计算每个故障类型的质心，即每个故障类型中历史故障特征向量的均值，作为新的故障类型质心；
S514、然后重新执行步骤S512、S513，直到每个故障类型的质心不再发生改变。
进一步，在新的故障特征向量进入故障诊断环节时，其分类诊断步骤如下：
S521、计算新故障特征向量到每个故障类型质心的距离，将其聚集到与其最近的质心的故障类型中，形成故障分类结果；
S522、新故障特征向量为中心在一定范围内搜寻最近似故障特征向量，若存在最近似故障特征向量，则取其详细故障原因描述以及处理方法，并与其故障类型一起生成光伏组件故障诊断的结果；
S523、去光伏组件现场验证以及处理故障，校正其伏组件故障诊断的结果；
S524、将新故障特征向量录入历史故障特征数据库，并重新计算故障类型的质心。
进一步，步骤S522中，若不存在最近似故障特征向量则生成仅含有故障类型的光伏组件故障诊断结果，其详细故障原因描述和处理方法经现场判断验证后补全数据，同样收录于历史故障特征数据库中。
本发明的有益效果：
本发明涉及一种基于多故障特征值的光伏智能故障诊断方法，通过采集光伏组件的I-V数据并进一步的处理得到五个对光伏组件各种故障类型更为敏感的故障特征值，并进行归一化处理，并基于K均值聚类法判断故障类型并生成历史故障特征数据库，并记录详细故障原因描述，以及处理方法。该发明技术方案，具有如下优点：
1.与直接采用I-V曲线数据的故障诊断方法相比，此方法经过了数据处理形成了对故障更敏感的故障特征向量，对故障的类型诊断更加准确，精度较高。
2.无需在历史数据库中存放IV曲线的数据，存取在故障样本库中的数据更少，大大降低了构建数据库的成本。
3.判断故障类型简单迅速，适用性较好。
4.可实际应用于具有光伏组件I-V扫描功能的光伏阵列，提高光伏系统的安全性和可靠性。
附图说明
图1为实施例中进行故障诊断的光伏系统结构图；
图2为基于多故障特征值的光伏智能故障诊断方法的流程框图；
图3为五个故障特征值对各种情况下敏感度图；
图4为各种情况下的光伏组件部分遮荫示意图；
图5为各类部分遮荫情况故障特征值敏感度图。
具体实施方式
结合附图和具体实施例，对本发明作进一步说明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
如图1所示，为本实施例进行故障诊断的光伏系统结构。其中作为诊断对象的光伏组件由三个结构相同的光伏子串串联而成，而每个光伏子串由20个结构相同的光伏电池单元串联以后并联一个旁路二极管构成。
图2为本实施例中，基于多故障特征值的光伏智能故障诊断方法的流程框图。由图可知，本实施例的诊断方法主要包括如下步骤：
步骤S1，首先由光伏逆变器扫描光伏组件获取光伏组件输出特性I-V曲线上的电流-电压数据，以及通过光伏组件配置的辐照度传感器获得光伏组件的辐照度和组件温度，其中，光伏组件的辐照度和组件温度的获取是非必须项，对光伏组件的数据采集方式也不做具体限制，根据实际情况做选择；
步骤S2，对获取的电流-电压数据进行预处理，利用小波去噪以及波形平滑处理，以消除光伏逆变器在获取电流-电压数据过程中产生的谐波噪声，避免在以后的故障特征值计算中产生误差，以影响之后光伏组件故障存在与否以及故障类型的判断；
步骤S3，通过预处理后的电流-电压数据进行数据处理，以得到对光伏故障更为敏感的故障特征值，分别为：等效热电压
Figure 561961DEST_PATH_IMAGE041
、I-V曲线拐点因子
Figure 304789DEST_PATH_IMAGE042
、最大功率点因子
Figure 92617DEST_PATH_IMAGE043
、等效串联电阻
Figure 650506DEST_PATH_IMAGE044
、填充因子
Figure 803270DEST_PATH_IMAGE045
五个，具体公式如下所示：
其中等效热电压
Figure 830132DEST_PATH_IMAGE046
为
Figure 405338DEST_PATH_IMAGE011
I-V曲线拐点因子
Figure 771729DEST_PATH_IMAGE042
为
Figure 892131DEST_PATH_IMAGE012
最大功率点因子
Figure 921136DEST_PATH_IMAGE047
为
Figure 988449DEST_PATH_IMAGE013
等效串联电阻
Figure 6084DEST_PATH_IMAGE048
为
Figure 77814DEST_PATH_IMAGE014
填充因子
Figure 16951DEST_PATH_IMAGE045
为
Figure 684693DEST_PATH_IMAGE016
式中，
Figure 71681DEST_PATH_IMAGE049
和
Figure 2728DEST_PATH_IMAGE050
为光伏组件的端电压和电流，
Figure 225899DEST_PATH_IMAGE051
和
Figure 946599DEST_PATH_IMAGE052
为光伏组件在最大功率点处的电压和电流，
Figure DEST_PATH_IMAGE053
和
Figure 610929DEST_PATH_IMAGE054
为光伏组件的开路电压和短路电流，
Figure 30321DEST_PATH_IMAGE055
和
Figure 475209DEST_PATH_IMAGE056
是光伏组件
Figure DEST_PATH_IMAGE057
（电流变换率-电压）曲线上的任意两个极值点，
Figure 406125DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE059
分别为实际情况下和标准测试条件下（StandardTesting Conditions，STC，辐照度1000W/m2，温度25℃，大气质量1.5）的光伏组件辐照度(W/m2)。
其中，最大功率点因子
Figure 456121DEST_PATH_IMAGE043
的计算过程中需要参数光伏组件辐照度。该参数可由光伏组件的短路电流来估计，还可以使用太阳能电池温度传感器(Tc)来改进估计，如下式所示。
Figure 509396DEST_PATH_IMAGE029
其中，
Figure 972739DEST_PATH_IMAGE060
为标准测试条件下光伏组件的短路电流，
Figure DEST_PATH_IMAGE061
为电流温度系数(%/℃)，
Figure 707345DEST_PATH_IMAGE062
为光伏阵列中并联连接的光伏串数。若光伏组件配置了辐照度传感器，则可直接从辐照度传感器获得光伏组件的辐照度
Figure 674164DEST_PATH_IMAGE063
，以增加故障特征值的计算精度。
步骤S4，将步骤3中获得的五个故障特征值归一化为无量纲的相对单位值，以便于兼顾不同环境不同光伏系统配置下光伏组件输出特性的差异，以及方便接下来的智能故障诊断，其归一化公式如下所示：
Figure DEST_PATH_IMAGE064
其中，
Figure 570445DEST_PATH_IMAGE065
是步骤S3中获得的五个故障特征值构成的故障特征向量，而
Figure DEST_PATH_IMAGE066
是故障特征向量的基准值，
Figure 193187DEST_PATH_IMAGE067
是归一化后的故障特征向量。
作为优选，
Figure 59381DEST_PATH_IMAGE066
的获取在系统调试阶段获得，在光伏组件所处地区的最典型的光照幅度值下，由光伏逆变器获取正常运行的光伏组件I-V曲线，为最大限度地减少随机测量误差的影响，该过程会一直持续到获得足够显著和有代表性的高辐照度I-V数据集（通常为几周内测量30多个数据点），这些数据均被用来计算出五个故障特征值构成的故障特征向量，并取其均值来作为故障特征向量，即有下式：
Figure 880706DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE068
为I-V数据集的数量，
Figure 479047DEST_PATH_IMAGE069
为每组I-V数据集对应的故障特征向量。
同时，为进一部提高归一化故障特征向量的准确性，对于典型辐照度随季节变化较大的地区，可分别在不同季节进行调试，采用各个季节的故障特征向量基准值来进行归一化处理。另外，由于所有光伏发电系统都会随着时间的推移而自然老化，这并不被认为是故障，因此调试阶段应该定期进行，以实现诊断参数的基数值，从而考虑这一影响，在本实例中，为计算方便，选取标准测试条件下光伏组件正常运行时得到的故障特征向量作为基准值。
步骤S5，归一化的故障特征向量进入故障诊断环节，并依据历史故障特征数据库，生成该故障特征向量的故障分类结果。
其中，历史故障特征数据库用于储存光伏组件在不同故障情况下的故障特征向量、故障类型标签、详细故障原因描述，以及处理方法。基于K均值聚类法将历史故障特征数据库中的故障特征向量进行分类。由于五个故障特征值对光伏组件不同故障类型的敏感度不同，据此选择K均值聚类法的初始质心，并对质心迭代n次，以获得可靠的故障类型分类。
在新的故障特征向量进入故障诊断环节时，计算该故障特征向量到各类故障类型的历史故障特征向量组质心的距离，找到距离最近的质心，以此确定该故障特征向量的故障类型。随后在对应故障类型下的故障特征向量中进行扫描，以新的故障特征向量为中心在一定范围内搜寻最近似故障特征向量。若存在最近似故障特征向量，则取其详细故障原因描述，以及处理方法，并与其故障类型一起生成光伏组件故障诊断的结果，并去光伏组件现场验证以及处理故障，校正后录入历史故障特征数据库。若不存在最近似故障特征向量则生成仅含有故障类型的光伏组件故障诊断结果，其详细故障原因描述和处理方法经现场判断验证后补全数据，同样收录于历史故障特征数据库中。
作为步骤S5的补充说明，本实施例中，对历史故障特征库的分类诊断算法做进一步说明。
历史故障特征数据库用于储存光伏组件在不同故障情况下的故障特征向量、故障类型标签、详细故障原因描述，以及处理方法。其分类过程如下：
S511、根据五个故障特征值对光伏组件不同故障类型的敏感度不同，选择n种不同故障类型下的某个故障特征向量作为对应故障类型的初始质心。
S512、对历史故障特征数据库进行聚类。计算库中所有历史故障特征向量到每个故障类型质心的距离，将每个历史故障特征向量聚集到与其最近的质心的故障类型中，形成故障分类结果。
S513、重新计算每个故障类型的质心，即每个故障类型中历史故障特征向量的均值，作为新的故障类型质心。
S514、然后重新执行步骤S512、S513，直到每个故障类型的质心不再发生改变。
在新的故障特征向量进入故障诊断环节时，其分类诊断过程如下：
S521、计算新故障特征向量到每个故障类型质心的距离，将其聚集到与其最近的质心的故障类型中，形成故障分类结果。
S522、新故障特征向量为中心在一定范围内搜寻最近似故障特征向量。若存在最近似故障特征向量，则取其详细故障原因描述，以及处理方法，并与其故障类型一起生成光伏组件故障诊断的结果。
S523、去光伏组件现场验证以及处理故障，校正其伏组件故障诊断的结果。
S524、将新故障特征向量录入历史故障特征数据库，并重新计算故障类型的质心。
在本实施例中，五个故障特征对各类故障敏感程度分析如下：
实施例中，为分析和验证五个故障特征值向量对光伏组件各种工作状态和故障情况中的敏感度，在此给出本实例下光伏组件在不同光照幅度，不同工作温度以及电阻损耗故障、部分遮荫情况下的五个归一化故障特征值的大小。
其中，图3为本实例下光伏组件在不同光照幅度，不同工作温度以及电阻损耗故障下的五个归一化故障特征值敏感度图表。由图3可知，在正常工作时，不同光照幅度和不同温度下，
Figure DEST_PATH_IMAGE070
、
Figure 57927DEST_PATH_IMAGE071
、
Figure DEST_PATH_IMAGE072
、
Figure 931074DEST_PATH_IMAGE073
的变换相对很小，较为稳定。其中
Figure DEST_PATH_IMAGE074
对光照幅度变化较为敏感，
Figure 787997DEST_PATH_IMAGE075
随辐照度和温度变化也有变化，但是与由于部分遮光造成的变化相比微不足道，对于电阻损耗故障，首先测出本实例中光伏组件的串联电阻
Figure DEST_PATH_IMAGE076
，然后在光伏组件上串联50%
Figure 42392DEST_PATH_IMAGE077
、100%
Figure 685732DEST_PATH_IMAGE077
、150%
Figure 644461DEST_PATH_IMAGE077
、200%
Figure 643641DEST_PATH_IMAGE077
、250%
Figure 646101DEST_PATH_IMAGE077
、300%
Figure 793048DEST_PATH_IMAGE077
的电阻来模拟光伏组件出现不同程度电阻损耗故障的情况。结果表明，
Figure 227572DEST_PATH_IMAGE078
和
Figure 392843DEST_PATH_IMAGE079
指标对电阻损耗故障敏感度较高，可以作为检测电阻损耗故障的参考指标。
Figure 520199DEST_PATH_IMAGE080
随电阻损耗故障也有变化，但是没有明显的变化趋势。
对于部分遮荫，旁路二极管安装数量的不同，阴影相对位置、大小、和遮光程度的不同，对各个故障特征量的影响情况不同。图4为本实例中给出的各种情况下的部分遮荫示意图，图5为这些情况下各个故障特征值的敏感度图。由图5可知，
Figure 154442DEST_PATH_IMAGE075
对A、B、D、E情况下的部分遮荫非常敏感，这类部分遮荫的特点是，不均匀的遮光使得一个或多个旁路二极管激活，I-V曲线中有额外的拐点，这种情况是最常见的部分遮蔽情况。而
Figure DEST_PATH_IMAGE081
在C情况的部分遮荫下没有发生显著变化，这类部分遮荫的特点是，并联二极管没有被激活，I-V曲线中没有额外的拐点而是均匀的减少。
Figure 376345DEST_PATH_IMAGE082
对两种类型的部分遮蔽均呈现出较高的敏感性，因此也作为辨别部分遮荫的参考依据。
Figure DEST_PATH_IMAGE083
对特定情况的部分遮蔽也有相应的变化，可作为辨别部分遮荫的辅助参考依据。
本实施例中，分析了几种主要故障类型下五个归一化故障特征值敏感度，对于其他故障类型，也可照上述方法进行分析，在此不做详细叙述。

Claims (10)

1.一种基于多故障特征值的光伏智能故障诊断方法，其特征在于，包括如下步骤：
S1、由光伏逆变器扫描光伏组件获取光伏组件输出特性I-V曲线上的电流-电压数据；
S2、对获取的电流-电压数据进行预处理，以消除光伏逆变器在获取电流-电压数据过程中产生的谐波噪声；
S3、对预处理后的电流-电压数据进行数据处理，以得到对光伏故障更为敏感的故障特征值，故障特征值包括：等效热电压
Figure DEST_PATH_IMAGE001
、I-V曲线拐点因子
Figure DEST_PATH_IMAGE002
、最大功率点因子
Figure DEST_PATH_IMAGE003
、等效串联电阻
Figure DEST_PATH_IMAGE004
、填充因子
Figure DEST_PATH_IMAGE005
五个；
S4、将获得的五个故障特征值归一化为无量纲的相对单位值；
S5、将归一化的故障特征向量进行故障诊断，并依据历史故障特征数据库，基于K均值聚类法，生成该故障特征向量的故障诊断结果。
2.根据权利要求1所述的基于多故障特征值的光伏智能故障诊断方法，其特征在于，步骤S3中，等效热电压
Figure 238598DEST_PATH_IMAGE001
、I-V曲线拐点因子
Figure 359001DEST_PATH_IMAGE002
、最大功率点因子
Figure 528951DEST_PATH_IMAGE003
、等效串联电阻
Figure 127423DEST_PATH_IMAGE004
、填充因子
Figure 207374DEST_PATH_IMAGE005
五个故障特征值的计算公式如下，
等效热电压
Figure 685629DEST_PATH_IMAGE001
为：
Figure DEST_PATH_IMAGE006
I-V曲线拐点因子
Figure 687083DEST_PATH_IMAGE002
为：
Figure DEST_PATH_IMAGE007
最大功率点因子
Figure 473599DEST_PATH_IMAGE003
为：
Figure DEST_PATH_IMAGE008
等效串联电阻
Figure DEST_PATH_IMAGE009
为：
Figure DEST_PATH_IMAGE010
填充因子
Figure 798270DEST_PATH_IMAGE005
为：
Figure DEST_PATH_IMAGE011
上述公式中，
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
为光伏组件的端电压和电流，
Figure DEST_PATH_IMAGE014
和
Figure DEST_PATH_IMAGE015
为光伏组件在最大功率点处的电压和电流，
Figure DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
为光伏组件的开路电压和短路电流，
Figure DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
是光伏组件
Figure DEST_PATH_IMAGE020
电流变换率-电压曲线上的任意两个极值点，
Figure DEST_PATH_IMAGE021
和
Figure DEST_PATH_IMAGE022
分别为实际情况下和标准测试条件下的光伏组件辐照度。
3.根据权利要求2所述的基于多故障特征值的光伏智能故障诊断方法，其特征在于，最大功率点因子
Figure DEST_PATH_IMAGE023
的光伏组件辐照度
Figure 211540DEST_PATH_IMAGE021
，可直接从光伏组件配置的辐照度传感器获得或通过如下公式计算：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
为标准测试条件下光伏组件的短路电流，
Figure DEST_PATH_IMAGE026
为电流温度系数，
Figure DEST_PATH_IMAGE027
为电池温度传感器数据，
Figure DEST_PATH_IMAGE028
为光伏阵列中并联连接的光伏串数。
4.根据权利要求1所述的基于多故障特征值的光伏智能故障诊断方法，其特征在于，步骤S4中，归一化公式如下所示：
Figure DEST_PATH_IMAGE029
其中，
Figure DEST_PATH_IMAGE030
是步骤S3中获得的五个故障特征值构成的故障特征向量，
Figure DEST_PATH_IMAGE031
是故障特征向量的基准值，
Figure DEST_PATH_IMAGE032
是归一化后的故障特征向量。
5.根据权利要求4所述的基于多故障特征值的光伏智能故障诊断方法，其特征在于，故障特征向量基准值
Figure 752155DEST_PATH_IMAGE031
的获取在系统调试阶段获得，在光伏组件所处地区的最典型的光照幅度值下，由光伏逆变器获取正常运行的光伏组件I-V曲线，该过程会一直持续到获得足够显著和有代表性的高辐照度I-V数据集，将这些数据用来计算出五个故障特征值构成的故障特征向量，并取其均值来作为故障特征向量基准值，公式如下：
Figure DEST_PATH_IMAGE033
其中，
Figure DEST_PATH_IMAGE034
为I-V数据集的数量，
Figure DEST_PATH_IMAGE035
为每组I-V数据集对应的故障特征向量。
6.根据权利要求5所述的基于多故障特征值的光伏智能故障诊断方法，其特征在于，对于典型辐照度随季节变化较大的地区，可分别在不同季节进行调试，采用各个季节的故障特征向量基准值来进行归一化处理。
7.根据权利要求1所述的基于多故障特征值的光伏智能故障诊断方法，其特征在于，步骤S5中，历史故障特征数据库用于储存光伏组件在不同故障情况下的故障特征向量、故障类型标签、详细故障原因描述以及处理方法；
基于K均值聚类法将历史故障特征数据库中的故障特征向量进行分类，基于五个故障特征值对光伏组件不同故障类型的敏感度不同，选择K均值聚类法的初始质心，并对质心迭代n次，以获得可靠的故障类型分类。
8.根据权利要求7所述的基于多故障特征值的光伏智能故障诊断方法，其特征在于，历史故障特殊数据库故障类型分类方法具体包括如下步骤：
S511、根据五个故障特征值对光伏组件不同故障类型的敏感度不同，选择n种不同故障类型下的某个故障特征向量作为对应故障类型的初始质心；
S512、对历史故障特征数据库进行聚类，计算库中所有历史故障特征向量到每个故障类型质心的距离，将每个历史故障特征向量聚集到与其最近的质心的故障类型中，形成故障分类结果；
S513、重新计算每个故障类型的质心，即每个故障类型中历史故障特征向量的均值，作为新的故障类型质心；
S514、然后重新执行步骤S512、S513，直到每个故障类型的质心不再发生改变。
9.根据权利要求8所述的基于多故障特征值的光伏智能故障诊断方法，其特征在于，在新的故障特征向量进入故障诊断环节时，其分类诊断步骤如下：
S521、计算新故障特征向量到每个故障类型质心的距离，将其聚集到与其最近的质心的故障类型中，形成故障分类结果；
S522、新故障特征向量为中心在一定范围内搜寻最近似故障特征向量，若存在最近似故障特征向量，则取其详细故障原因描述以及处理方法，并与其故障类型一起生成光伏组件故障诊断的结果；
S523、去光伏组件现场验证以及处理故障，校正其伏组件故障诊断的结果；
S524、将新故障特征向量录入历史故障特征数据库，并重新计算故障类型的质心。
10.根据权利要求9所述的基于多故障特征值的光伏智能故障诊断方法，其特征在于，步骤S522中，若不存在最近似故障特征向量则生成仅含有故障类型的光伏组件故障诊断结果，其详细故障原因描述和处理方法经现场判断验证后补全数据，同样收录于历史故障特征数据库中。
CN202211112391.7A 2022-09-14 2022-09-14 一种基于多故障特征值的光伏智能故障诊断方法 Pending CN115208315A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211112391.7A CN115208315A (zh) 2022-09-14 2022-09-14 一种基于多故障特征值的光伏智能故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211112391.7A CN115208315A (zh) 2022-09-14 2022-09-14 一种基于多故障特征值的光伏智能故障诊断方法

Publications (1)

Publication Number Publication Date
CN115208315A true CN115208315A (zh) 2022-10-18

Family

ID=83573374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211112391.7A Pending CN115208315A (zh) 2022-09-14 2022-09-14 一种基于多故障特征值的光伏智能故障诊断方法

Country Status (1)

Country Link
CN (1) CN115208315A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116111948A (zh) * 2022-12-07 2023-05-12 中广核贵州安顺关岭新能源有限公司 一种光伏支路设备故障预警系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021806A (zh) * 2016-06-06 2016-10-12 福州大学 一种基于核函数极限学习机的光伏组串故障诊断方法
CN111460644A (zh) * 2020-03-27 2020-07-28 河海大学常州校区 一种具有故障诊断和功率预测功能的光伏阵列监测系统
US20200358396A1 (en) * 2019-05-06 2020-11-12 Arizona Board Of Regents On Behalf Of Arizona State University Solar array fault detection, classification, and localization using deep neural nets
CN113449412A (zh) * 2021-05-24 2021-09-28 河南大学 基于K-means聚类和综合相关度的故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021806A (zh) * 2016-06-06 2016-10-12 福州大学 一种基于核函数极限学习机的光伏组串故障诊断方法
US20200358396A1 (en) * 2019-05-06 2020-11-12 Arizona Board Of Regents On Behalf Of Arizona State University Solar array fault detection, classification, and localization using deep neural nets
CN111460644A (zh) * 2020-03-27 2020-07-28 河海大学常州校区 一种具有故障诊断和功率预测功能的光伏阵列监测系统
CN113449412A (zh) * 2021-05-24 2021-09-28 河南大学 基于K-means聚类和综合相关度的故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SERGIU SPATARU ET AL.: "Diagnostic method for photovoltaic systems based on light I-V measurements", 《SOLAR ENERGY》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116111948A (zh) * 2022-12-07 2023-05-12 中广核贵州安顺关岭新能源有限公司 一种光伏支路设备故障预警系统
CN116111948B (zh) * 2022-12-07 2024-04-23 中广核贵州安顺关岭新能源有限公司 一种光伏支路设备故障预警系统

Similar Documents

Publication Publication Date Title
WO2020029327A1 (zh) 一种基于改进随机森林算法的光伏阵列故障诊断方法
CN110008628B (zh) 一种光伏阵列故障参数辨识方法
CN109766952B (zh) 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法
Ma et al. Photovoltaic module current mismatch fault diagnosis based on IV data
CN111245365B (zh) 基于动态加权深度森林的光伏组件故障诊断方法
Garoudja et al. Efficient fault detection and diagnosis procedure for photovoltaic systems
CN111327271A (zh) 基于半监督极限学习机的光伏阵列故障诊断方法
CN113037214B (zh) 一种基于s-v曲线的光伏组件阴影遮挡故障诊断方法
CN108092623A (zh) 一种光伏阵列多传感器故障检测定位方法
Kim et al. Fault detection for photovoltaic systems using multivariate analysis with electrical and environmental variables
Chen et al. A novel fault diagnosis method of PV based-on power loss and IV characteristics
CN115208315A (zh) 一种基于多故障特征值的光伏智能故障诊断方法
Djalab et al. Robust method for diagnosis and detection of faults in photovoltaic systems using artificial neural networks
Kohno et al. Fault-diagnosis architecture for large-scale photovoltaic power plants that does not require additional sensors
CN113595132B (zh) 基于最大功率点和混合优化算法的光伏在线参数辨识方法
Shukor et al. Acceptance ratio analysis: An early fault indicator for grid-connected photovoltaic system
CN117235617A (zh) 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法
KR102568590B1 (ko) 태양광 시스템의 고장 진단을 위한 인공지능 학습 데이터의 전처리 시스템 및 그 방법
CN109885856B (zh) 基于i-v曲线的光伏组件热斑功率损耗计算方法
Iles et al. Power based fault detection method for PV arrays
CN114039547A (zh) 一种光伏组件隐裂故障的诊断方法
CN107508549B (zh) 一种组串的pid衰减的检测方法
Xu et al. Review on fault characterization and diagnosis technique in photovoltaic systems
Ma et al. Identification of partial shading in photovoltaic arrays using optimal sensor placement schemes
Hasegawa et al. Iv curve differences image classification by cnn for failure factor determination in pv system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20221018

RJ01 Rejection of invention patent application after publication