CN115293372A - 基于多维度、多参量数值分析的光伏组串故障诊断方法 - Google Patents

基于多维度、多参量数值分析的光伏组串故障诊断方法 Download PDF

Info

Publication number
CN115293372A
CN115293372A CN202210921824.7A CN202210921824A CN115293372A CN 115293372 A CN115293372 A CN 115293372A CN 202210921824 A CN202210921824 A CN 202210921824A CN 115293372 A CN115293372 A CN 115293372A
Authority
CN
China
Prior art keywords
string
data
photovoltaic
group
temp
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
CN202210921824.7A
Other languages
English (en)
Inventor
朱尤省
谢小军
赵勇
童博
张都
韩斌
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.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute 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 Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202210921824.7A priority Critical patent/CN115293372A/zh
Publication of CN115293372A publication Critical patent/CN115293372A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开基于多维度、多参量数值分析的光伏组串故障诊断方法，包括以下步骤：获取光伏组串的电压UDC、电流IDC、组件温度数据Tmodel以及对应的气象数据；对数据进行数据清洗，获得有效数据；对有效数据进行计算，获得光伏组串的状态指标，同时将光伏组串的状态指标存入历史数据中；结合光伏组串状态指标数据和历史数据对状态指标进行多维度、多参量数值分析，计算光伏组串的故障特征指标；建立故障诊断模型；对光伏组串进行故障诊断。本发明利用光伏电站电量数据、气象数据、历史分析结果数据制定多故障类型的分析方法，在不增加成本的前提下，可即时、高效、准确的判断和预测光伏组串的故障，为光伏电站的提质增效提供有力的支持。

Description

基于多维度、多参量数值分析的光伏组串故障诊断方法
技术领域
本发明属于光伏发电技术领域，具体涉及基于多维度、多参量数值分析的光伏组串故障诊断方法。
背景技术
随着能源结构改革和“双碳”目标的实施，光伏发电作为清洁能源得到了大力发展，电站容量也从千瓦级不断发展到了百兆瓦级，甚至吉瓦级，大型光伏电站不仅减低了造价，同时也方便管理，然而同样也带来了电站运维的困难，一个百兆瓦级光伏电站拥有上万个光伏组串，占地上千亩，依靠传统的现场巡检运维方式难以即时、精准的发现故障，更难以对故障进行预测，而且光伏电站一般建设在远离城市的荒野地区，电站运维人员招聘难度大，人员成本高，加之随着我国经济的发展，人员劳动成本不断上升，未来光伏电站少人值守甚至无人值守将成为趋势。在此大背景下，如何做好电站运维管理非常重要。光伏电站的核心设备是光伏组件，对发电量影响最大的部件也是光伏组件，最小监测对象是光伏组串，因此，如何及时、精确地发现或预测光伏组串的故障对光伏电站的运维和提质增效将有重要意义。
目前光伏组串的故障诊断方法主要有以下几种：
一是基于电路结构的光伏组件故障诊断方法，此类方法需要依据光伏阵列的电路结构所需传感器的数量进行判断，虽然精度高，但由于应用了大量的传感器，成本也非常高，对于已经建设完成的光伏电站，增加传感器涉及到通讯、布线等一系列工程问题，经济性和适应性不强；其次是基于IV输出特性曲线的光伏组件故障诊断方法，此类方法中数据获取的前提是逆变器具备IV扫描测试功能，或现场进行IV扫描测试，已有光伏电站的逆变器鲜少配置IV扫描测试功能，而且现场实测IV的方法需要耗费大量的人力成本，且难以实现即时性；还有两种是基于数学模型的光伏组件故障诊断方法和基于人工智能算法的光伏组件故障诊断方法，但是这些方法对于环境的依赖性较强，尤其是基于人工智能算法的光伏组件故障诊断方法，理论模型十分复杂，而且受外界影响较大，在进行实际应用前需要进行大量的训练和优化，对于特定环境数据的数据量的要求较高，依赖性更强，对于实际工程诊断来说过于复杂；再有一种是基于历史数据统计分析的方法，此类分析方法均以理想辐照度条件下的数据进行统计分析，但实际光伏电站的辐照度数据变化频繁且不可预测，导致此类方法在复杂的天气环境下适应性不强。以上方法要么基于现场实测，要么基于硬件配置，总之都需要专业的设备和技术，难度大，成本高。
发明内容
为解决现有技术中存在的技术问题，本发明的目的在于提供一种基于多维度、多参量数值分析的光伏组串故障诊断方法。
为实现上述目的，达到上述技术效果，本发明采用的技术方案为：
基于多维度、多参量数值分析的光伏组串故障诊断方法，包括以下步骤：
S01：获取光伏组串的电压UDC、电流IDC、组件温度数据Tmodel以及对应的气象数据；
S02：对步骤S01获取的数据进行数据清洗，获得有效数据；
S03：对清洗后的有效数据进行计算，获得光伏组串的状态指标，同时将光伏组串的状态指标存入历史数据中；
S04：结合光伏组串状态指标数据和历史数据对状态指标进行多维度、多参量数值分析，提取光伏组串的故障特征指标；
S05：建立故障诊断模型；
S06：根据步骤S04所得指标及步骤S05所得故障诊断模型，对光伏组串进行故障诊断。
进一步的，步骤S01中，所述光伏组串的电压UDC、电流IDC、组件温度数据Tmodel以及气象数据为一个完整天数据，所述气象数据包括与光伏组串电压UDC、电流IDC、组件温度数据Tmodel对应的辐照度Ir和环境温度数据Ttemp。
进一步的，步骤S02中，对步骤S01获取的数据进行数据清洗，获得有效数据的步骤具体包括：
S02-01：按制定的日照时间区间截取一整天数据中有日照时的数据，获得日照数据片段Dday；
S02-02：根据逆变器的运行状态，获取光伏组串所接入的逆变器的并网时刻和脱网时刻，若逆变器一日内多次启停，则记录多次启停时刻，分别记为tload-k、tunload-k，k＝{1、2、3、…}；
S02-03：根据逆变器的第一次开机时间tload-1和最后一次关机时间tunload-k，从Dday数据中截取并网后的有效数据，记为Dgrid；
S02-04：对Dgrid中的电压数据UDC进行清洗；
S02-05：对Dgrid中的电流数据IDC进行清洗；
S02-06：对Dgrid中的环境温度数据Ttemp进行清洗；
S02-07：对Dgrid中的组件温度数据Tmodel进行清洗；
S02-08：对Dgrid中的辐照度数据Ir进行清洗。
进一步的，步骤S02-04中，对Dgrid中的电压数据UDC进行清洗的规则为：
按时间顺序对电压UDC进行扫描，若UDC<0或UDC>nVoc，n为光伏组串内的组件数量，Voc为单块组件的开路电压，则将UDC的时刻记录到集合Utinvalid，记为Utinvalid＝{ut1，ut2，…，utN}；若uti+1-uti>τ，τ为数据颗粒度，根据实际数据采集及计算机技术任务量确定，则UDC(uti)＝(UDC(uti-1)+UDC(uti+1))/2，若uti+1-uti＝τ，则继续往后判断，直至utj–uti+m>τ，则此区间的UDC(uti)＝(UDC(uti-1)+UDC(utj))/2。
进一步的，步骤S02-05中，对Dgrid中的电流数据IDC进行清洗的规则为：
按时间顺序对电流IDC进行扫描，若IDC<0或IDC>1.2Isc，Isc为单块组件的短路电流，则将IDC的时刻记录到集合Itinvalid，记为Itinvalid＝{it1，it2，…，itN}；若iti+1-iti>τ，则IDC(iti)＝(IDC(iti-1)+IDC(iti+1))/2，若itn+1-itn＝τ，则继续往后判断，直至itj-iti+m>τ，则此区间的IDC(iti)＝(IDC(itj)+IDC(iti-1))/2。
进一步的，步骤S02-06中，对Dgrid中的环境温度数据Ttemp进行清洗的规则为：
获取光伏电站所在地理位置过去30年最低气温和最高气温，分别记为Ttemp-L、Ttemp-H，获取当天气象数据中的最第气温和最高气温，分别记为Ttemp-l、Ttemp-h；清洗规则的最低温和最高温分别计算为Ttemp-lowest＝MIN(Ttemp-L，Ttemp-l)，Ttemp-hightest＝MAX(Ttemp-H，Ttemp-h)，为避免区域性温差导致有效数据被滤除，采用系数k＝1.1对清洗规则进行放大；此外，由于温度变化不会出现跳变，所以计算Ttemp数据系列中温度变化量δTtmp＝Ttempi-Ttempi-1，若δTtmp>5℃，则将Ttempi的时刻记录到集合Ttinvalid，记为Ttinvalid＝{t1，t2，…，tN}；若ti+1-ti>τ，则Ttemp(ti)＝(Ttemp(ti-1)+Ttemp(ti+1))/2，若ti+1-ti＝τ，则继续往后判断，直至tj-ti+m>τ，则此区间的Ttempi(ti)＝(Ttemp(ti-1)+Ttemp(tj))/2，j＝{1,2、…i-1}。
进一步的，步骤S02-07中，对Dgrid中的组件温度数据Tmodel进行清洗的规则为：
按时间顺序对Tmodel进行扫描：因为组件温度变化是连续的，出现大幅度跳变的概率非常低，对于第一个数据点，若|Tmodel1-Ttemp|>5℃，则Tmodel1＝Ttemp，否则依次计算Tmodel数据系列中温度变化量δTmodel＝|Tmodeli-Tmodeli-1|，若δTmodel>5℃，则将Tmodeli的时刻记录到集合tmodelinvalid，记为tmodelinvalid＝{t1，t2，…，tN}；若ti+1-ti>τ，则Tmodel(ti)＝(Tmodel(ti-1)+Tmodel(ti+1))/2，否则继续完后判断，直至tj-ti+m>τ，则此区间的Tmodel(ti)＝(Tmodel(tj)+Tmodel(ti-1))/2。
进一步的，步骤S02-08中，对Dgrid中的辐照度数据Ir进行清洗的规则为：
按时间顺序对Ir进行扫描：若Ir<0或Ir>1500，则将Ir对应的时刻记录到集合Irinvalid中，记为Itinvalid＝{Itt1,Itt2,…Ittn}；若Ir(ti+1)-IR(ti)>τ，则Ir(Iti)＝(Ir(Iti-1)+Ir(Iti+1))/2，否则继续往后判断，直至Itj-Iti+m>τ，则此区间的Ir(Iti)＝(Ir(Itj)+Ir(Iti-1))/2。
进一步的，步骤S03中，所述光伏组串的状态指标包括光伏组串发电量、逆变器或汇流箱接入的所有组串的离散率、组串电流与辐照度的跟随度以及组串标准状态下的功率，所述光伏组串的状态指标的获取步骤包括：
S03-01：利用步骤S02中获得的有效电压UDC和有效电流IDC计算光伏组串发电量W：
Figure BDA0003778030790000041
S03-02：计算逆变器或汇流箱接入的所有组串电流各数据点的离散率，获得各逆变器或汇流箱的组串的离散率Div，Div＝{di，i∈N*}：
Figure BDA0003778030790000042
其中，S为某个数据点所有组串电流值的标准差；Iave为某个数据点所有组串电流值的平均值；
S03-03：计算组串电流与辐照度的跟随度，获得跟随度数据FL，FL＝{flam，flpm}：
Figure BDA0003778030790000043
Figure BDA0003778030790000044
其中，IM为组件标称工作电流；Iram为上午部分的辐照度数据；Irpm为下午部分的辐照度数据；
S03-04：从有效辐照度数据Ir和有效组串电流IDC和电压UDC中获取辐照度≥700W/m2的辐照度Irmeas、电流IDcmeas、电压UDCmeas，按以下公式计算标准工作状态下的组串功率：
Figure BDA0003778030790000045
Figure BDA0003778030790000051
其中，Pstci为数据系列第i个点的标称功率；Pstc为修正后的平均标称功率；Irstc为标准测试条件下的辐照度；Tstc为标准测试条件下的组件温度；Pmstc为组件标称最大工作功率；δ为组件功率相对温度系数；
S03-05：从有效Dgrid中获取辐照度Ir≥700W/m2对应的电压UDC和组件温度数据Tmodel，按以下公式计算标准工作状态下的组串电压：
Vstci＝Vmeasi+β(Tmodeli-Tstc)Vocstc
Figure BDA0003778030790000052
其中，Vstci为数据系列第i个点的标称功率；Vstc为修正后的平均标称功率；Vmeasi为实测光伏组串工作电压；Tstc为标准测试条件下的组件温度；Pmstc为组件标称最大工作功率；β为组件电压相对温度系数；Vocstc为标准状况光伏组件开路电压，stc表示标准状况，Voc表示开路电压。
进一步的，步骤S04中，所述提取光伏组串的故障特征包括组串离散率异常识别及故障特征、组串电流跟随度异常识别及故障特征、组串功率异常识别及故障特征、组件故障识别及特征、组串朝向偏离识别及特征、组串发电量异常识别及故障特征，提取光伏组串的故障特征的步骤包括：
S04-01：组串离散率异常识别及故障特征提取按以下步骤进行：
S04-01-01：以组串式逆变器或汇流箱为单位，计算其接入的组串各数据点的离散率数据系列，记为Div＝{divi，i∈N*}；
S04-01-02：依次对Div集合中的元素进行判定，将divi>5％的数据及系列号加入集合UDiv中，记为
Figure BDA0003778030790000053
S04-01-03：若UDiv不为空，则组串存在离散率偏大的问题，进行S04-04判定；
S04-01-04：采用Hampel检验方法，识别异常组串；
S04-01-05：将组串历史记录中的Div状态字设置为Div#Times#日期，Times为记录次数，用四位16进制表示；
S04-02：组串电流跟随度异常识别及故障特征提取按以下步骤进行：
S04-02-01：根据步骤S03-03的计算公式，计算得各组串上午和下午的电流跟随度系列，分别记为FLam＝{flami，i∈N*}、FLpm＝{flpmj，j∈N*}；
S04-02-02：依次判断FLam和FLpm中各元素值，将>1.25的元素放入集合UFLam和UFLpm中，记为UFLam＝{(i，flami)，flami∈FLam}、UFLpm＝{(j，flpmj)，flpmj∈FLpm}；
S04-02-03：若仅UFLam不为空且存在连续大于30分钟的数据，则判断组串上午存在固定遮挡或组串朝向偏西，若连续时间小于30分钟，则判定为临时遮挡；若仅UFLpm不为空且存在连续大于30分钟的数据，则组串下午存在固定遮挡或组串朝向偏东；若UFLam和UFLpm均为不为空且存在连续大于30分钟的数据，则组串存在固定遮挡或其他低效问题。若UFLam、UFLpm存在不为空且且组串历史数据中FL状态字为空，则组串存在临时遮挡或新增异常；
S04-02-04：将组串历史记录中的FL状态字设置为FL#Times#日期；
S04-03：组串功率损失异识别及故障特征提取按以下步骤进行：
S04-03-01：根据步骤S03-04计算出各组串标准状态下的输出功率PWstc；
S04-03-02：以组串式逆变器或汇流箱为单位，将接入其中的组串功率记为集合PW＝{pwstci，i＝1,2，…n}，n为组串数量；
S04-03-03：将集合PW中PWstci<nkPm(其中n为组串中串联组件数量；k＝1-ξ％-λ％，ξ为组件年衰减率，λ为修正因子)的元素加入到到集合PWabnormal中；
S04-03-04：若PWabnormal元素数量小于n，则PWabnormal集合中的元素对应的组串存在损失超标问题，否则进行遮挡判断，若不存在遮挡，则所有组串均损失超标，若存在遮挡，则消除遮挡后评估；
若组件功率损失超标，则将组串历史记录中的PW状态字设置为PW#Times#日期；
S04-04：组件故障识别及故障特征提取按以下步骤进行：
S04-04-01：根据步骤S03-05计算各组串标准状态下的输出电压Vstc；
S04-04-02：以组串式逆变器或直流汇流箱为单位，将接入其中的组串输出电压记为集合V＝{Vstci，i＝1,2，…n}，n为逆变器或汇流箱接入的组串数量；
S04-04-03：将集合V中<nkVm的元素加入到集合Vabnormal中，n为组串中串联组件数量；k＝1-ξ％-λ％，ξ为组件年衰减率，λ为修正因子；
S04-04-04：若集合Vabnormal元素数量小于n，则Vabnormal集合中的组串存在组件故障问题；
S04-04-05：若集合Vabnormal数量等于n，则进行遮挡判断，若无遮挡，则改逆变器或汇流箱所有接入组串的组件均存在故障；
S04-04-06：若组件存在故障，则将组串历史记录中的V状态字设置为V#Times#日期；
S04-05：组串朝向偏离识别及故障特征提取按以下步骤进行：
S04-05-01：获取有效辐照度数据，以日中时间tmid为分界，将辐照度数据分为上午段Iram和下午段Irpm；
S04-05-02：分别计算Iram和Irpm各数据点的切线的斜率，获得斜率数据系列，记为Irslope-am＝{Isami,i∈N*}，Irslope-pm＝{Ispmi,i∈N*}；
S04-05-03：若Irslope-am中>0且Irslope-pm中<0的元素占比均>95％，则判断辐照度曲线平滑；
S04-05-04：在tmid±30分钟范围内查找辐照度Ir最大值Irmax，获取对应时刻tmax；
S04-05-05：以组串式逆变器或汇流箱为单位，计算其接入的每个组串最大电流对应的时刻，记为tmi，i＝1,2，…n，n为组串数量；
S04-05-06：判断tmi是否包含在[tmax-δ，tmax+δ]中，若不包含则进行步骤S04-05-07；
S04-05-07：若Tmi<tmax-δ，则判定组串偏东，否则偏西；
S04-05-08：若组串偏东，则将组串历史记录中的EW状态字设置为E#Times#日期(Times为记录次数，用四位16进制表示)，若组串偏西，则将组串历史记录中的EW状态字设置为W#Times#日期；
S04-06：组串发电量异常识别及故障特征提取按以下步骤进行：
S04-06-01：根据步骤S03-01中的发电量计算公式，计算每个逆变器或汇流箱接入的组串的发电量EGi，记为集合EG＝{EGi，i＝1,2,3，…n}，n为组串数量；
S04-06-02：采用Hampel检验方法，识别异常组串；
S04-06-03：将组串历史记录中的EG状态字设置为EG#Times#日期。
与现有技术相比，本发明的有益效果为：
(1)利用多参量多维度、多参量进行故障诊断和识别，排除干扰因素，抗干扰和稳定性更强，降低误诊和漏诊概率，故障类型诊断更加精准；
(2)故障诊断实时性强，实现第一时间发现故障，增加光伏电站运维即时性，协助提升电站发电量；
(3)基于电站运行数据进行组串故障诊断，可实现精准识别和定位组串故障，实用性更强。
附图说明
图1为本发明的基于多维度、多参量数值分析的光伏组串故障诊断方法的流程图；
图2为本发明的组串离散率异常识别方法的流程图；
图3为本发明的组串电流跟随度异常识别方法的流程图；
图4为本发明的组串功率异常识别方法的流程图；
图5为本发明的组件故障识别方法的流程图；
图6为本发明的组串朝向异常识别方法的流程图；
图7为本发明的组串发电量异常识别方法的流程图；
图8为本发明的组串诊断历史数据结构图；
图9为本发明的组串故障诊断模型图；
图10为本发明实施例1的组串电流辐照度数据图；
图11为本发明实施例1的组串电压与辐照度数据曲线图；
图12为本发明实施例1的环境温度与组件温度数据曲线图；
图13为本发明实施例1的清洗后的辐照度与组串电流数据曲线图；
图14为本发明实施例1的清洗后的组串电压数据曲线图；
图15为本发明实施例1的清洗后的环境温度和组件温度数据曲线图；
图16为本发明实施例1的组串电流离散率数据系列曲线图；
图17为本发明实施例1的组串电流跟随度曲线图；
图18为本发明实施例1的dk/S数据曲线图；
图19为本发明实施例1的光滑辐照度及组串电流数据；
图20为本发明实施例1的辐照度曲线切线数据斜率曲线图；
图21为本发明实施例1的光伏组串故障诊断流程图。
具体实施方式
下面对本发明进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
如图1-21所示，一种基于多维度、多参量数值分析的光伏组串故障诊断方法，包括如下步骤：
S01：获取光伏组串的电压UDC、电流IDC、组件温度数据Tmodel以及对应的气象数据；
S02：对步骤S01获取的数据进行数据清洗，获得有效数据；
S03：对清洗后的有效数据进行计算，获得光伏组串的状态指标，同时将光伏组串的状态指标存入历史数据中；
S04：结合光伏组串状态指标数据和历史数据对状态指标进行多维度、多参量数值分析，提取光伏组串的故障特征指标；
S05：建立故障诊断模型；
S06：根据步骤S04所得指标值及步骤S05所得故障诊断模型，对光伏组串进行故障诊断。
步骤S01中，光伏组串的电压UDC、电流IDC、组件温度数据Tmodel以及气象数据为一个完整天数据；数据颗粒度τ根据实际数据采集及计算机技术任务量确定，优选τ＝5分钟；气象数据包括与光伏组串电压UDC、电流IDC、组件温度数据Tmodel对应的辐照度Ir、环境温度数据Ttemp。
步骤S02中，对步骤S01获取的数据进行数据清洗，获得有效数据的步骤具体包括：
S02-01：按制定的日照时间区间截取一整天数据中有日照时的数据，获得日照数据片段Dday；
S02-02：根据逆变器的运行状态，获取光伏组串所接入的逆变器的并网时刻和脱网时刻，若逆变器一日内多次启停，则记录多次启停的时刻，记为tload-k，tunload-k，k＝{1、2、3、…}；
S02-03：根据逆变器的第一次开机时间tload-1和最后一次关机时间tunload-k，从Dday数据中截取并网后的有效数据，记为Dgrid；
S02-04：针对Dgrid中的电压数据UDC，清洗规则为：
按时间顺序对电压UDC进行扫描，若UDC<0或UDC>nVoc，n为光伏组串内的组件数量，Voc为单块组件的开路电压，则将UDC的时刻记录到集合Utinvalid，记为Utinvalid＝{ut1，ut2，…，utN}；若uti+1-uti>τ，则UDC(uti)＝(UDC(uti-1)+UDC(uti+1))/2，若uti+1-uti＝τ，则继续往后判断，直至utj–uti+m>τ，则此区间的UDC(uti)＝(UDC(uti-1)+UDC(utj))/2；
S02-05：针对Dgrid中的电流数据IDC，清洗规则为：
按时间顺序对电流IDC进行扫描，若IDC<0或IDC>1.2Isc，Isc为单块组件的短路电流，则将IDC的时刻记录到集合Itinvalid，记为Itinvalid＝{it1，it2，…，itN}；若iti+1-iti>τ，则IDC(iti)＝(IDC(iti-1)+IDC(iti+1))/2，若itn+1-itn＝τ，则继续往后判断，直至itj-iti+m>τ，则此区间的IDC(iti)＝(IDC(itj)+IDC(iti-1))/2；
S02-06：针对Dgrid中的环境温度数据Ttemp，清洗规则为：
获取光伏电站所在地理位置过去30年最低气温和最高气温，分别记为Ttemp-L、Ttemp-H，获取当天气象数据中的最第气温和最高气温，分别记为Ttemp-l、Ttemp-h；清洗规则的最低温和最高温分别计算为Ttemp-lowest＝MIN(Ttemp-L，Ttemp-l)，Ttemp-hightest＝MAX(Ttemp-H，Ttemp-h)，为避免区域性温差导致有效数据被滤除，采用系数k＝1.1对清洗规则进行放大；此外，由于温度变化不会出现跳变，所以计算Ttemp数据系列中温度变化量δTtmp＝Ttempi-Ttempi-1，若δTtmp>5℃，则将Ttempi的时刻记录到集合Ttinvalid，记为Ttinvalid＝{t1，t2，…，tN}；若ti+1-ti>τ，则Ttemp(ti)＝(Ttemp(ti-1)+Ttemp(ti+1))/2，若ti+1-ti＝τ，则继续往后判断，直至tj-ti+m>τ，则此区间的Ttempi(ti)＝(Ttemp(ti-1)+Ttemp(tj))/2，j＝{1,2、…i-1}；
S02-07：针对Dgrid中的组件温度数据Tmodel，清洗规则为：
按时间顺序对Tmodel进行扫描：因为组件温度变化是连续的，出现大幅度跳变的概率非常低，对于第一个数据点，若|Tmodel1-Ttemp|>5℃，则Tmodel1＝Ttemp，否则依次计算Tmodel数据系列中温度变化量δTmodel＝|Tmodeli-Tmodeli-1|，若δTmodel>5℃，则将Tmodeli的时刻记录到集合tmodelinvalid，记为tmodelinvalid＝{t1，t2，…，tN}；若ti+1-ti>τ，则Tmodel(ti)＝(Tmodel(ti-1)+Tmodel(ti+1))/2，否则继续完后判断，直至tj-ti+m>τ，则此区间的Tmodel(ti)＝(Tmodel(tj)+Tmodel(ti-1))/2；
S02-08：针对Dgrid中的辐照度数据Ir，清洗规则为：
按时间顺序对Ir进行扫描：若Ir<0或Ir>1500，则将Ir对应的时刻记录到集合Irinvalid中，记为Itinvalid＝{Itt1,Itt2,…Ittn}；若Ir(ti+1)-IR(ti)>τ，则Ir(Iti)＝(Ir(Iti-1)+Ir(Iti+1))/2，否则继续往后判断，直至Itj-Iti+m>τ，则此区间的Ir(Iti)＝(Ir(Iti)+Ir(Iti-1))/2。
步骤S02-01中，日照时间区间的制定规则如下：
根据光伏电站所在地理位置对应的气象数据中的日出时间和日落时间，制定电站寿命周期25年内每天的日照时间区间，定义某日的日照时间区间为Uday＝[Trise,Tset]。
步骤S03中，光伏组串的状态指标包括光伏组串发电量、逆变器或汇流箱接入的所有组串的离散率、组串电流与辐照度的跟随度以及组串标准状态下的功率。各状态指标的提取步骤如下：
S03-01：利用步骤S02中获得的有效UDC和IDC数据计算光伏组串发电量，按以下公式进行计算，获得组串发电量数据W：
Figure BDA0003778030790000111
S03-02：计算逆变器或汇流箱接入的所有组串电流各数据点的离散率，获得各逆变器或汇流箱的组串的离散率，记为Div＝{di，i∈N*}，Div按以下计算步骤计算：
S03-02-01：计算某个数据点所有组串电流值的标准差，记为S；
S03-02-02：计算某个数据点所有组串电流值的平均值，记为Iave；
S03-02-03：按以下公式计算离散率Div：
Figure BDA0003778030790000112
S03-03：计算组串电流与辐照度的跟随度，获得跟随度数据，记为FL，按以下步骤计算：
S03-03-01：根据气象数据获取日中时间tm，以tm为分界，将辐照度数据分为上午部分Iram和下午部分Irpm，同时将组串电流数据也分为IDCam，IDCpm；
S03-03-02：计算每个数据点组串电流IDC与辐照度Ir的跟随度，计算公式为：
Figure BDA0003778030790000113
Figure BDA0003778030790000114
其中，IM为组件标称工作电流；
S03-04：从有效辐照度数据Ir和有效组串电流IDC和电压UDC中获取辐照度≥700W/㎡的辐照度Irmeas、电流IDcmeas、电压UDCmeas，按以下公式计算标准工作状态下的组串功率：
Figure BDA0003778030790000115
Figure BDA0003778030790000116
其中，Pstci为数据系列第i个点的标称功率；Pstc为修正后的平均标称功率；Irstc为标准测试条件下的辐照度；Tstc为标准测试条件下的组件温度；Pmstc为组件标称最大工作功率；δ为组件功率相对温度系数；
S03-05：从有效Dgrid中获取辐照度Ir≥700W/㎡对应的电压UDC和组件温度Tmodel，按以下公式计算标准工作状态下的组串电压：
Vstci＝Vmeasi+β(Tmodeli-Tstc)Vocstc
Figure BDA0003778030790000121
其中，Vstci为数据系列第i个点的标称功率；Vstc为修正后的平均标称功率；Vmeasi为实测光伏组串工作电压；Tstc为标准测试条件下的组件温度；Pmstc为组件标称最大工作功率；β为组件电压相对温度系数。
步骤S04中，构建多维度、多参量故障识别方法，提取光伏组串故障特征指标，包括组串离散率异常识别及故障特征、组串电流跟随度异常识别及故障特征、组串功率异常识别及故障特征、组件故障识别及特征、组串朝向偏离识别及特征、组串发电量异常识别及故障特征，故障特征指标的提取步骤包括：
S04-01：组串离散率异常识别及故障特征提取按以下步骤进行，见图2：
S04-01-01：以组串式逆变器或汇流箱为单位，计算其接入的组串各数据点的离散率数据系列，记为Div＝{divi，i∈N*}；
S04-01-02：依次对Div集合中的元素进行判定，将divi>5％的数据及系列号加入集合UDiv中，记为
Figure BDA0003778030790000122
S04-01-03：若UDiv不为空，则组串存在离散率偏大的问题，进行S04-04判定；
S04-01-04：采用Hampel检验方法，识别异常组串；Hampel检验方法按以下步骤进行：
S04-01-04-01：计算UDiv集合中j时刻各组串电流的中位数IDCj0；
S04-01-04-02：计算j时刻各组串电流与IDC0的差值的绝对值，记为DIDCj＝{dk|dk＝|IDC-IDC0|}，k＝1,2,3,…n；
S04-01-04-03：计算DIDCj的中位数d0，计算值绝对偏差估量S，计算公式为：
S＝1.4826×d0；
S04-01-04-04：判断j时刻各组串电流是否为离群值，判断公式如下：
dk>αS
其中，α为检测阈值因子；
S04-01-05：将组串历史记录中的Div状态字设置为Div#Times#日期(Times为记录次数，用四位16进制表示)；
S04-02：组串电流跟随度异常识别及故障特征提取按以下步骤进行，见图3：
S04-02-01：根据S03-03的计算公式，计算得各组串上午和下午的电流跟随度系列，分别记为FLam＝{flami，i∈N*}、FLpm＝{flpmj，j∈N*}；
S04-02-02：依次判断FLam和FLpm中各元素值，将>1.25的元素放入集合UFLam和UFLpm中，记为UFLam＝{(i，flami)，flami∈FLam}、UFLpm＝{(j，flpmj)，flpmj∈FLpm}；
S04-02-03：若仅UFLam不为空且存在连续大于30分钟的数据，则判断组串上午存在固定遮挡或组串朝向偏西，若连续时间小于30分钟，则判定为临时遮挡；若仅UFLpm不为空且存在连续大于30分钟的数据，则组串下午存在固定遮挡或组串朝向偏东；若UFLam和UFLpm均为不为空且存在连续大于30分钟的数据，则组串存在固定遮挡或其他低效问题。若UFLam、UFLpm存在不为空且且组串历史数据中FL状态字为空，则组串存在临时遮挡或新增异常；
S04-02-04：将组串历史记录中的FL状态字设置为FL#Times#日期(Times为记录次数，用四位16进制表示)；
S04-03：组串功率损失异识别及故障特征提取按以下步骤进行，见图4：
S04-03-01：根据S03-04所示方法计算出各组串标准状态下的输出功率PWstc；
S04-03-02：以组串式逆变器或汇流箱为单位，将接入其中的组串功率记为集合PW＝{pwstci，i＝1,2，…n}，n为组串数量；
S04-03-03：将集合PW中PWstci<nkPm(其中n为组串中串联组件数量；k＝1-ξ％-λ％，ξ组件年衰减率，λ修正因子)的元素加入到到集合PWabnormal中；
S04-03-04：若PWabnormal元素数量小于n，则PWabnormal集合中的元素对应的组串存在衰减超标问题，否则进行遮挡判断，若不存在遮挡，则所有组串均衰减超标，若存在遮挡，则消除遮挡后评估。
S04-03-04：若组件功率损失超标，则将组串历史记录中的PW状态字设置为PW#Times#日期(Times为记录次数，用四位16进制表示)；
S04-04：组件故障识别及故障特征提取按以下步骤进行，见图5：
S04-04-01：根据S03-05所述的计算公式，计算各组串标准状态下的输出电压Vstc；
S04-04-02：以组串式逆变器或直流汇流箱为单位，将接入其中的组串输出电压记为集合V＝{Vstci，i＝1,2，…n}，n为逆变器或汇流箱接入的组串数量；
S04-04-03：将集合V中<nkVm(n为组串中串联组件数量；k＝1-ξ％-λ％，ξ组件年衰减率，λ修正因子)的元素加入到集合Vabnormal中；
S04-04-04：若集合Vabnormal元素数量小于n，则Vabnormal集合中的组串存在组件故障问题；
S04-04-05：若集合Vabnormal数量等于n，则进行遮挡判断，若无遮挡，则改逆变器或汇流箱所有接入组串的组件均存在故障；
S04-04-06：若组件存在故障，则将组串历史记录中的V状态字设置为V#Times#日期(Times为记录次数，用四位16进制表示)；
S04-05：组串朝向偏离识别及故障特征提取按以下步骤进行，见图6：
S04-05-01：获取有效辐照度数据，以日中时间tmid为分界，将辐照度数据分为上午段Iram和下午段Irpm；
S04-05-02：分别计算Iram和Irpm各数据点的切线的斜率，获得斜率数据系列，记为Irslope-am＝{Isami,i∈N*}，Irslope-pm＝{Ispmi,i∈N*}；
S04-05-03：若Irslope-am中>0且Irslope-pm中<0的元素占比均>95％，则判断辐照度曲线平滑；
S04-05-04：在tmid±30分钟范围内查找辐照度Ir最大值Irmax，获取对应时刻tmax；
S04-05-05：以组串式逆变器或汇流箱为单位，计算其接入的每个组串最大电流对应的时刻，记为tmi，i＝1,2，…n，n为组串数量；
S04-05-06：判断tmi是否包含在[tmax-δ，tmax+δ]中，若不包含则进行步骤S04-05-07；
S04-05-07：若Tmi<tmax-δ，则判定组串偏东，否则偏西；
S04-05-08：若组串偏东，则将组串历史记录中的EW状态字设置为E#Times#日期(Times为记录次数，用四位16进制表示)，若组串偏西，则将组串历史记录中的EW状态字设置为W#Times#日期(Times为记录次数，用四位16进制表示)；
S04-06：组串发电量异常识别及故障特征提取按以下步骤进行，见图7：
S04-06-01：根据S03-01所述组串发电量计算公式，计算每个逆变器或汇流箱接入的组串的发电量EGi，记为集合EG＝{EGi，i＝1,2,3，…n}，n为组串数量；
S04-06-02：采用Hampel检验方法，识别异常组串；将异常组串加入集合UEG中，记为
Figure BDA0003778030790000151
Hampel检验方法按以下步骤进行：
S04-06-02-01：计算EG集合中的中位数EG0；
S04-06-02-02：计算各组串发电量与EG0的差值的绝对值，记为DEG＝{di|di＝|EGi-EG0|}，i＝1,2,3,…n；
S04-06-02-03：计算DEGj的中位数d0，计算值绝对偏差估量S，计算公式为：
S＝1.4826×d0；
S04-06-02-04：判断是否为离群值，判断公式如下：
di>αS
其中，α为检测阈值因子；
S04-06-03：将组串历史记录中的EG状态字设置为EG#Times#日期(Times为记录次数，用四位16进制表示)。
故障诊断模型如图9所示，包括故障特征名称、故障特征参数和故障判定。
实施例1
如图1-21所示，一种基于多维度、多参量数值分析的光伏组串故障诊断方法，包括如下步骤：
S01：获取光伏组串电压UDC、电流IDC、组件温度数据Tmodel，以及对应的气象数据，气象数据包括与光伏组串电压UDC、电流IDC、组件温度数据Tmodel对应的辐照度Ir和环境温度数据Ttemp，数据曲线如图10、图11、图12所示；
S02：对获取的数据进行数据清洗，获得有效数据，清洗步骤如下：
S02-01：根据光伏电站所在地理位置对应的气象数据中的日出时间和日落时间，获得日照时间区间，记为Uday＝[06:47,17:23]；
按制定的日照时间区间截取一整天数据中有日照时的数据，获得有效日照数据数据片段Dday；
S02-02：根据逆变器的运行状态，获取光伏组串所接入的逆变器的并网时刻和脱网时刻，记为tload＝07:08，tunload＝17:07；
S02-03：根据逆变器的第一次开机时间tload和最后一次关机时间tunload，从Dday数据中截取并网后的有效数据，记为Dgrid；
S02-04：对Dgrid中的电压数据UDC进行清洗；
S02-05：对Dgrid中的电流数据IDC进行清洗；
S02-06：对Dgrid中的环境温度数据Ttemp进行清洗；
S02-07：对Dgrid中的组件温度数据Tmodel进行清洗；
S02-08：对Dgrid中的辐照度数据Ir进行清洗；
清洗后的数据曲线如图13、图14、图15所示：
S03：对清洗后的有效数据进行计算，获得光伏组串的状态指标，同时将光伏组串的状态指标存入历史数据中，具体按以下步骤进行：
S03-01：利用步骤S02中获得的有效UDC和IDC数据计算光伏组串发电量，各组串的发电量数据如下表1所示：
表1
组串编号 组串1 组串2 组串3 组串4 组串5
组串发电量/kWh 27.558 32.438 32.191 31.684 32.655
组串编号 组串6 组串7 组串8 组串9 组串10
组串发电量/kWh 33.867 33.904 33.800 32.148 9.695
S03-02：计算逆变器或汇流箱接入的所有组串电流离散率，获得各逆变器或汇流箱中组串各数据点的离散率，组串电流离散率数据系列曲线如图16所示；
S03-03：计算组串电流与辐照度的跟随度，获得上午时段辐照度跟随度FLam数据系列和下午时段辐照度跟随度FLpm数据系列，组串电流跟随度曲线如图17所示；
S03-04：从有效辐照度数据Ir和有效组串电流IDC和电压UDC中获取辐照度≥700W/㎡的辐照度Irmeas、电流IDCmeas，电压UDCmeas，按以下公式计算标准工作状态下的组串功率：
Figure BDA0003778030790000161
Figure BDA0003778030790000162
组串功率计算结果如表2所示：
表2
Figure BDA0003778030790000163
Figure BDA0003778030790000171
S03-05：从有效Dgrid中获取辐照度Ir≥700W/㎡对应的UDC和组件温度Tmodel，按以下公式计算标准工作状态下的组串电压，β＝0.32％：
Vstci＝Vmeasi+β(Tmodeli-Tstc)Vocstc
Figure BDA0003778030790000172
组串工作电压计算结果如表3所示：
表3
组串编号 组串1、2 组串3、4 组串5、6 组串7、8 组串9、10
组串电压/V 634.21 631.92 641.71 640.10 612.22
S04：结合光伏组串状态指标数据和历史数据对状态指标进行多维度数值分析，计算光伏组串的故障特征指标；
S04-01：组串离散率异常识别及故障特征提取按以下步骤和方法进行：
S04-01-01：以组串式逆变器或汇流箱为单位，计算其接入的组串的离散率数据系列，离散率数据曲线如图16所示；
S04-01-02：依次对Div集合中的元素进行判定，将divi>5％的数据及系列号加入集合UDiv中，进计算，该组串式逆变器的所有离散率系列均大于5％，全部加入到集合UDiv中：
S04-01-03：由于UDiv不为空，组串存在离散率偏大的问题，进行S04-01-04判定；
S04-01-04：采用Hampel检验方法，识别异常组串，具体步骤如下：
S04-01-04-01：计算UDiv集合中j时刻各组串电流的中位数IDC0；
S04-01-04-02：计算j时刻各组串电流与IDC0的差值的绝对值，记为DIDCj＝{dk|dk＝|IDCk-IDC0|}，k＝1,2,3,…n；
S04-01-04-03：计算DIDCj的中位数d0，计算值绝对偏差估量S，计算公式为：
S＝1.4826×d0；
S04-01-04-04：判断j时刻各组串电流是否为离群值，判断公式如下：
dk>αS
其中，α为检测阈值因子，取α＝3；
计算后各时刻的dk/S的数据曲线如图18所示；
S04-01-05：将组串历史记录中的Div状态字设置为Div#Times#日期(Times为记录次数，用四位16进制表示)；
S04-02：组串电流跟随度异常识别及故障特征提取按以下步骤和方法进行：
S04-02-01：根据S03-03所述计算公式，计算得各组串上午和下午的电流跟随度系列，分别记为FLam＝{flami，i∈N*}、FLpm＝{flpmj，j∈N*}；
S04-02-02：依次判断FLam和FLpm中各元素，将>1.25的元素放入集合UFLam和UFLpm中，FLam和FLpm异常时段如表4所示：
表4
Figure BDA0003778030790000181
S04-02-03：根据计算组串3、4、5、6、7、9的UFLam均不为空且存在连续30分钟以上的数据，判断所有组串上午存在固定遮挡或组串朝向偏西；组串1的ULam不为空且存在连续30分钟以上的数据，组串1上午下午存在固定遮挡或组串朝向偏东；组串10的UFLam和UFLpm均为不为空且存在连续30分钟以上的数据，则组串存在固定遮挡或其他低效问题；
S04-02-04：将组串历史记录中的FL状态字设置为FL#Times#日期(Times为记录次数，用四位16进制表示)；
S04-03：组串功率损失异常识别及故障特征提取按以下步骤和方法进行：
S04-03-01：根据S03-04所示方法计算出各组串标准状态下的输出功率PWstc，如表2所示；
S04-03-02：以组串式逆变器或汇流箱为单位，将接入其中的组串功率记为集合PW＝{pwstc-i，i＝1,2，…n}，n为组串数量；
S04-03-03：将集合PW中PWstci<nkPm(其中n＝22，k＝1-ξ-λ，ξ＝3.9％，λ＝2％)的元素加入到到集合PWabnormal中，nkPm计算如下：
nkPm＝22×(1-3.9％-2％)×235＝4864.97W
S04-03-04：计算后PWabnormal中含有一个元素数，元素数量小于n，PWabnormal集合中的元素对应的组串存在损失超标问题；
S04-03-04：将组串10历史记录中的PW状态字设置为PW#Times#日期(Times为记录次数，用四位16进制表示)；
S04-04：组件故障特征提取及识别按以下步骤和方法进行：
S04-04-01：根据S03-05所述的计算公式，计算各组串标准状态下的生产电压Vstc，如表3所示；
S04-04-02：以组串式逆变器或直流汇流箱为单位，将接入其中的组串输出电压记为集合V＝{Vstci，i＝1,2，…n}，n为逆变器或汇流箱接入的组串数量；
S04-04-03：将集合V中<nkVm(其中n＝22，k＝1-ξ-λ，ξ＝3.9％，λ＝2％)的元素加入到集合Vabnormal中,其中，nkVm计算如下：
nkVm＝22×(1-3.9％-2％)×30.2＝625.2W
S04-04-04：计算后Vabnormal中元素数量小于n，Vabnormal集合中的组串存在组件故障问题；
S04-04-05：将组串9、10历史记录中的V状态字设置为V#Times#日期(Times为记录次数，用四位16进制表示)；
S04-05：组串朝向偏离识别及故障特征提取按以下步骤和方法进行：
S04-05-01：获取有效辐照度数据，以日中时间tmid＝12:05为分界，将辐照度数据分为上午段Iram和下午段Irpm，辐照度数据如图19所示：
S04-05-02：分别结算Iram和Irpm各数据点的切线的斜率，获得斜率数据系列，记为Irslope-am＝{Isami,i∈N*}，Irslope-pm＝{Ispmi,i∈N*}，斜率曲线如图20所示：
S04-05-03：经计算Irslope-am中>0的比例为96.6％，Irslope-pm中<0的比例为96.7％，占比均>95％，辐照度曲线平滑；
S04-05-04：在tmid±30分钟范围内查找辐照度Ir最大值Irmax＝1048.9W/㎡，获取对应时刻tmax＝12:00；
S04-05-05：以组串式逆变器或汇流箱为单位，计算其接入的每个组串最大电流对应的时刻tmi，分别如表5所示：
表5
组串 组串1 组串2 组串3 组串4 组串5
峰值时间 12:06 12:06 12:05 12:05 12:04
组串 组串6 组串7 组串8 组串9 组串10
峰值时间 12:33 12:33 12:26 12:26 12:33
S04-05-06：判断tmi是否包含在[tmax-15，tmax+15]中，经判断，组串6、7、8、9、10若不包含在[tmax-15，tmax+15]中，进行步骤S04-05-07；
S04-05-07：组串6、7、8、9、10的Tmi>tmax-15，组串朝向偏西；
S04-05-08：将组串6、7、8、9、10历史记录中的EW状态字设置为W#Times#日期(Times为记录次数，用四位16进制表示)；
S04-06：组串发电量异常识别及故障特征提取按以下步骤和方法进行：
S04-06-01：根据S03-01所述组串发电量计算公式，计算每个逆变器或汇流箱接入的组串的发电量EGi，记为集合EG＝{EGi，i＝1,2,3，…n}，n为组串数量；
S04-06-02：采用Hampel检验方法，识别异常组串，具体步骤如下：
S04-06-02-01：计算EG集合中各组串发电量的中位数EG0；
S04-06-02-02：计算各组串发电量与EG0的差值的绝对值，记为DEG＝{degi|degi＝|EGi-EG0|}，i＝1,2,3,…n；
S04-06-02-03：计算DEGi的中位数deg0，计算值绝对偏差估量S，计算公式为：
S＝1.4826×deg0；
S04-06-02-04：判断各组串发电量是否为离群值，判断公式如下：
deg>αS
其中，α为检测阈值因子，取α＝3；
计算后各组串的deg/S如表6所示：
表6
组串 组串1 组串2 组串3 组串4 组串5
deg/S 3.03 0.08 0.08 0.40 0.22
组串 组串6 组串7 组串8 组串9 组串10
deg/S 0.99 1.01 0.95 0.11 14.42
S04-06-03：组串1和组串10判断为离群值，将组串1、组串10历史记录中的EG状态字设置为EG#Times#日期(Times为记录次数，用四位16进制表示)。
S05：将S04计算数据输入到故障诊断模型；
S06：根据故障诊断模型进行故障诊断，诊断过程如图21所示，最终可知组串1、2、8上午存在遮挡，组件10内部故障，组串10低效或衰减超标，组串6、7、8、9、10朝向偏西。
与现有技术相比，本发明至少具有以下技术效果：
利用光伏电站电量数据、气象数据、历史分析结果数据，制定了多故障类型的分析方法，故障特征参量计算考虑复杂环境影响，实现空间和时间维度的分析，特征参量计算鲁棒性更强，在不增加成本的前提下，可即时、高效、准确的判断和预测光伏组串的故障，为光伏电站的提质增效提供有力的支持。
本发明未具体描述的部分或结构采用现有技术或现有产品即可，在此不做赘述。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.基于多维度、多参量数值分析的光伏组串故障诊断方法，其特征在于，包括以下步骤：
S01：获取光伏组串的电压UDC、电流IDC、组件温度数据Tmodel以及对应的气象数据；
S02：对步骤S01获取的数据进行数据清洗，获得有效数据；
S03：对清洗后的有效数据进行计算，获得光伏组串的状态指标，同时将光伏组串的状态指标存入历史数据中；
S04：结合光伏组串状态指标数据和历史数据对状态指标进行多维度、多参量数值分析，提取光伏组串的故障特征；
S05：建立故障诊断模型；
S06：根据步骤S04所得指标及步骤S05所得故障诊断模型，对光伏组串进行故障诊断。
2.根据权利要求1所述的基于多维度、多参量数值分析的光伏组串故障诊断方法，其特征在于，步骤S01中，所述光伏组串的电压UDC、电流IDC、组件温度数据Tmodel以及气象数据为一个完整天数据，所述气象数据包括与光伏组串电压UDC、电流IDC、组件温度数据Tmodel对应的辐照度Ir和环境温度数据Ttemp。
3.根据权利要求1所述的基于多维度、多参量数值分析的光伏组串故障诊断方法，其特征在于，步骤S02中，对步骤S01获取的数据进行数据清洗，获得有效数据的步骤具体包括：
S02-01：按制定的日照时间区间截取一整天数据中有日照时的数据，获得日照数据片段Dday；
S02-02：根据逆变器的运行状态，获取光伏组串所接入的逆变器的并网时刻和脱网时刻，若逆变器一日内多次启停，则记录多次启停时刻，分别记为tload-k、tunload-k，k＝{1、2、3、…}；
S02-03：根据逆变器的第一次开机时间tload-1和最后一次关机时间tunload-k，从Dday数据中截取并网后的有效数据，记为Dgrid；
S02-04：对Dgrid中的电压数据UDC进行清洗；
S02-05：对Dgrid中的电流数据IDC进行清洗；
S02-06：对Dgrid中的环境温度数据Ttemp进行清洗；
S02-07：对Dgrid中的组件温度数据Tmodel进行清洗；
S02-08：对Dgrid中的辐照度数据Ir进行清洗。
4.根据权利要求3所述的基于多维度、多参量数值分析的光伏组串故障诊断方法，其特征在于，步骤S02-04中，对Dgrid中的电压数据UDC进行清洗的规则为：
按时间顺序对电压UDC进行扫描，若UDC<0或UDC>nVoc，n为光伏组串内的组件数量，Voc为单块组件的开路电压，则将UDC的时刻记录到集合Utinvalid，记为Utinvalid＝{ut1，ut2，…，utN}；若uti+1-uti>τ，τ为数据颗粒度，根据实际数据采集及计算机技术任务量确定，则UDC(uti)＝(UDC(uti-1)+UDC(uti+1))/2，若uti+1-uti＝τ，则继续往后判断，直至utj–uti+m>τ，则此区间的UDC(uti)＝(UDC(uti-1)+UDC(utj))/2。
5.根据权利要求3所述的基于多维度、多参量数值分析的光伏组串故障诊断方法，其特征在于，步骤S02-05中，对Dgrid中的电流数据IDC进行清洗的规则为：
按时间顺序对电流IDC进行扫描，若IDC<0或IDC>1.2Isc，Isc为单块组件的短路电流，则将IDC的时刻记录到集合Itinvalid，记为Itinvalid＝{it1，it2，…，itN}；若iti+1-iti>τ，则IDC(iti)＝(IDC(iti-1)+IDC(iti+1))/2，若itn+1-itn＝τ，则继续往后判断，直至itj-iti+m>τ，则此区间的IDC(iti)＝(IDC(itj)+IDC(iti-1))/2。
6.根据权利要求3所述的基于多维度、多参量数值分析的光伏组串故障诊断方法，其特征在于，步骤S02-06中，对Dgrid中的环境温度数据Ttemp进行清洗的规则为：
获取光伏电站所在地理位置过去30年最低气温和最高气温，分别记为Ttemp-L、Ttemp-H，获取当天气象数据中的最第气温和最高气温，分别记为Ttemp-l、Ttemp-h；清洗规则的最低温和最高温分别计算为Ttemp-lowest＝MIN(Ttemp-L，Ttemp-l)、Ttemp-hightest＝MAX(Ttemp-H，Ttemp-h)，为避免区域性温差导致有效数据被滤除，采用系数k＝1.1对清洗规则进行放大；Ttemp数据系列中温度变化量δTtmp＝Ttempi-Ttempi-1，若δTtmp>5℃，则将Ttempi的时刻记录到集合Ttinvalid，记为Ttinvalid＝{t1，t2，…，tN}；若ti+1-ti>τ，则Ttemp(ti)＝(Ttemp(ti-1)+Ttemp(ti+1))/2，若ti+1-ti＝τ，则继续往后判断，直至tj-ti+m>τ，则此区间的Ttempi(ti)＝(Ttemp(ti-1)+Ttemp(tj))/2，j＝{1,2、…i-1}。
7.根据权利要求3所述的基于多维度、多参量数值分析的光伏组串故障诊断方法，其特征在于，步骤S02-07中，对Dgrid中的组件温度数据Tmodel进行清洗的规则为：
按时间顺序对Tmodel进行扫描：对于第一个数据点，若|Tmodel1-Ttemp|>5℃，则Tmodel1＝Ttemp，否则依次计算Tmodel数据系列中温度变化量δTmodel＝|Tmodeli-Tmodeli-1|，若δTmodel>5℃，则将Tmodeli的时刻记录到集合tmodelinvalid，记为tmodelinvalid＝{t1，t2，…，tN}；若ti+1-ti>τ，则Tmodel(ti)＝(Tmodel(ti-1)+Tmodel(ti+1))/2，否则继续完后判断，直至tj-ti+m>τ，则此区间的Tmodel(ti)＝(Tmodel(tj)+Tmodel(ti-1))/2。
8.根据权利要求3所述的基于多维度、多参量数值分析的光伏组串故障诊断方法，其特征在于，步骤S02-08中，对Dgrid中的辐照度数据Ir进行清洗的规则为：
按时间顺序对Ir进行扫描：若Ir<0或Ir>1500，则将Ir对应的时刻记录到集合Irinvalid中，记为Itinvalid＝{Itt1,Itt2,…Ittn}；若Ir(ti+1)-IR(ti)>τ，则Ir(Iti)＝(Ir(Iti-1)+Ir(Iti+1))/2，否则继续往后判断，直至Itj-Iti+m>τ，则此区间的Ir(Iti)＝(Ir(Itj)+Ir(Iti-1))/2。
9.根据权利要求1所述的基于多维度、多参量数值分析的光伏组串故障诊断方法，其特征在于，步骤S03中，所述光伏组串的状态指标包括光伏组串发电量、逆变器或汇流箱接入的所有组串的离散率、组串电流与辐照度的跟随度以及组串标准状态下的功率，所述光伏组串的状态指标的获取步骤包括：
S03-01：利用步骤S02中获得的有效电压UDC和有效电流IDC计算光伏组串发电量W：
Figure FDA0003778030780000031
S03-02：计算逆变器或汇流箱接入的所有组串电流各数据点的离散率，获得各逆变器或汇流箱的组串的离散率Div，Div＝{di，i∈N*}：
Figure FDA0003778030780000032
其中，S为某个数据点所有组串电流值的标准差；Iave为某个数据点所有组串电流值的平均值；
S03-03：计算组串电流与辐照度的跟随度，获得跟随度数据FL，FL＝{flam，flpm}：
Figure FDA0003778030780000033
Figure FDA0003778030780000034
其中，IM为组件标称工作电流；Iram为上午部分的辐照度数据；Irpm为下午部分的辐照度数据；
S03-04：从有效辐照度数据Ir和有效组串电流IDC和电压UDC中获取辐照度≥700W/m2的辐照度Irmeas、电流IDcmeas、电压UDCmeas，按以下公式计算标准工作状态下的组串功率：
Figure FDA0003778030780000041
Figure FDA0003778030780000042
其中，Pstci为数据系列第i个点的标称功率；Pstc为修正后的平均标称功率；Irmeasi为实测辐照度；Irstc为标准测试条件下的辐照度；Tstc为标准测试条件下的组件温度；Pmstc为组件标称最大工作功率；δ为组件功率相对温度系数；
S03-05：从有效Dgrid中获取辐照度Ir≥700W/m2对应的电压UDC和组件温度数据Tmodel，按以下公式计算标准工作状态下的组串电压：
Vstci＝Vmeasi+β(Tmodeli-Tstc)Vocstc
Figure FDA0003778030780000043
其中，Vstci为数据系列第i个点的标称功率；Vstc为修正后的平均标称功率；Vmeasi为实测光伏组串工作电压；β为组件电压相对温度系数；Vocstc为标准状况光伏组件开路电压。
10.根据权利要求1所述的基于多维度、多参量数值分析的光伏组串故障诊断方法，其特征在于，步骤S04中，提取光伏组串的故障特征包括提取组串离散率异常识别及故障特征、组串电流跟随度异常识别及故障特征、组串功率异常识别及故障特征、组件故障识别及特征、组串朝向偏离识别及特征、组串发电量异常识别及故障特征，提取光伏组串的故障特征的步骤包括：
S04-01：组串离散率异常识别及故障特征提取按以下步骤进行：
S04-01-01：以组串式逆变器或汇流箱为单位，计算其接入的组串各数据点的离散率数据系列，记为Div＝{divi，i∈N*}；
S04-01-02：依次对Div集合中的元素进行判定，将divi>5％的数据及系列号加入集合UDiv中，记为
Figure FDA0003778030780000044
S04-01-03：若UDiv不为空，则组串存在离散率偏大的问题，进行S04-04判定；
S04-01-04：采用Hampel检验方法，识别异常组串；
S04-01-05：将组串历史记录中的Div状态字设置为Div#Times#日期，Times为记录次数，用四位16进制表示；
S04-02：组串电流跟随度异常识别及故障特征提取按以下步骤进行：
S04-02-01：根据步骤S03-03的计算公式，计算得各组串上午和下午的电流跟随度系列，分别记为FLam＝{flami，i∈N*}、FLpm＝{flpmj，j∈N*}；
S04-02-02：依次判断FLam和FLpm中各元素值，将>1.25的元素放入集合UFLam和UFLpm中，记为UFLam＝{(i，flami)，flami∈FLam}、UFLpm＝{(j，flpmj)，flpmj∈FLpm}；
S04-02-03：若仅UFLam不为空且存在连续大于30分钟的数据，则判断组串上午存在固定遮挡或组串朝向偏西，若连续时间小于30分钟，则判定为临时遮挡；若仅UFLpm不为空且存在连续大于30分钟的数据，则组串下午存在固定遮挡或组串朝向偏东；若UFLam和UFLpm均为不为空且存在连续大于30分钟的数据，则组串存在固定遮挡或其他低效问题。若UFLam、UFLpm存在不为空且且组串历史数据中FL状态字为空，则组串存在临时遮挡或新增异常；
S04-02-04：将组串历史记录中的FL状态字设置为FL#Times#日期；
S04-03：组串功率损失异识别及故障特征提取按以下步骤进行：
S04-03-01：根据步骤S03-04计算出各组串标准状态下的输出功率PWstc；
S04-03-02：以组串式逆变器或汇流箱为单位，将接入其中的组串功率记为集合PW＝{pwstci，i＝1,2，…n}，n为组串数量；
S04-03-03：将集合PW中PWstci<nkPm的元素加入到到集合PWabnormal中，其中，n为组串中串联组件数量；k＝1-ξ％-λ％，ξ为组件年衰减率，λ为修正因子；
S04-03-04：若PWabnormal元素数量小于n，则PWabnormal集合中的元素对应的组串存在衰减超标问题，否则进行遮挡判断，若不存在遮挡，则所有组串均损失超标，若存在遮挡，则消除遮挡后评估；
若组件功率损失超标，则将组串历史记录中的PW状态字设置为PW#Times#日期；
S04-04：组件故障识别及故障特征提取按以下步骤进行：
S04-04-01：根据步骤S03-05计算各组串标准状态下的输出电压Vstc；
S04-04-02：以组串式逆变器或直流汇流箱为单位，将接入其中的组串输出电压记为集合V＝{Vstci，i＝1,2，…n}，n为逆变器或汇流箱接入的组串数量；
S04-04-03：将集合V中<nkVm的元素加入到集合Vabnormal中；
S04-04-04：若集合Vabnormal元素数量小于n，则Vabnormal集合中的组串存在组件故障问题；
S04-04-05：若集合Vabnormal数量等于n，则进行遮挡判断，若无遮挡，则改逆变器或汇流箱所有接入组串的组件均存在故障；
S04-04-06：若组件存在故障，则将组串历史记录中的V状态字设置为V#Times#日期；
S04-05：组串朝向偏离识别及故障特征提取按以下步骤进行：
S04-05-01：获取有效辐照度数据，以日中时间tmid为分界，将辐照度数据分为上午段Iram和下午段Irpm；
S04-05-02：分别计算Iram和Irpm各数据点的切线的斜率，获得斜率数据系列，记为Irslope-am＝{Isami,i∈N*}，Irslope-pm＝{Ispmi,i∈N*}；
S04-05-03：若Irslope-am中>0且Irslope-pm中<0的元素占比均>95％，则判断辐照度曲线平滑；
S04-05-04：在tmid±30分钟范围内查找辐照度Ir最大值Irmax，获取对应时刻tmax；
S04-05-05：以组串式逆变器或汇流箱为单位，计算其接入的每个组串最大电流对应的时刻，记为tmi，i＝1,2，…n，n为组串数量；
S04-05-06：判断tmi是否包含在[tmax-δ，tmax+δ]中，若不包含则进行步骤S04-05-07；
S04-05-07：若Tmi<tmax-δ，则判定组串偏东，否则偏西；
S04-05-08：若组串偏东，则将组串历史记录中的EW状态字设置为E#Times#日期，若组串偏西，则将组串历史记录中的EW状态字设置为W#Times#日期；
S04-06：组串发电量异常识别及故障特征提取按以下步骤进行：
S04-06-01：根据步骤S03-01中的发电量计算公式，计算每个逆变器或汇流箱接入的组串的发电量EGi，记为集合EG＝{EGi，i＝1,2,3，…n}，n为组串数量；
S04-06-02：采用Hampel检验方法，识别异常组串；
S04-06-03：将组串历史记录中的EG状态字设置为EG#Times#日期。
CN202210921824.7A 2022-08-02 2022-08-02 基于多维度、多参量数值分析的光伏组串故障诊断方法 Pending CN115293372A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210921824.7A CN115293372A (zh) 2022-08-02 2022-08-02 基于多维度、多参量数值分析的光伏组串故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210921824.7A CN115293372A (zh) 2022-08-02 2022-08-02 基于多维度、多参量数值分析的光伏组串故障诊断方法

Publications (1)

Publication Number Publication Date
CN115293372A true CN115293372A (zh) 2022-11-04

Family

ID=83826362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210921824.7A Pending CN115293372A (zh) 2022-08-02 2022-08-02 基于多维度、多参量数值分析的光伏组串故障诊断方法

Country Status (1)

Country Link
CN (1) CN115293372A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116418293A (zh) * 2023-04-21 2023-07-11 攀枝花中电光伏发电有限公司 一种基于物联网大数据的光伏电站智慧诊断系统
CN116846331A (zh) * 2023-06-25 2023-10-03 苏州天富利新能源科技有限公司 一种光伏维护系统、方法、装置及存储介质
CN117791687A (zh) * 2024-02-28 2024-03-29 长峡数字能源科技(湖北)有限公司 一种光伏储能系统的能量管理方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116418293A (zh) * 2023-04-21 2023-07-11 攀枝花中电光伏发电有限公司 一种基于物联网大数据的光伏电站智慧诊断系统
CN116418293B (zh) * 2023-04-21 2024-02-27 攀枝花中电光伏发电有限公司 一种基于物联网大数据的光伏电站智慧诊断系统
CN116846331A (zh) * 2023-06-25 2023-10-03 苏州天富利新能源科技有限公司 一种光伏维护系统、方法、装置及存储介质
CN116846331B (zh) * 2023-06-25 2024-01-30 苏州天富利新能源科技有限公司 一种光伏维护系统、方法、装置及存储介质
CN117791687A (zh) * 2024-02-28 2024-03-29 长峡数字能源科技(湖北)有限公司 一种光伏储能系统的能量管理方法
CN117791687B (zh) * 2024-02-28 2024-05-14 长峡数字能源科技(湖北)有限公司 一种光伏储能系统的能量管理方法

Similar Documents

Publication Publication Date Title
CN115293372A (zh) 基于多维度、多参量数值分析的光伏组串故障诊断方法
CN109842373A (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
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
CN111950165B (zh) 典型环境下的电能表可靠性分析方法
CN114252103B (zh) 融合电站运行故障预测方法
CN113466520A (zh) 一种在线识别失准电能表的方法
CN117131321A (zh) 一种电能量数据采集方法
CN113746425B (zh) 光伏逆变器参数异常分析方法、系统
Huang et al. Wind turbine health assessment framework based on power analysis using machine learning method
CN112182499A (zh) 一种基于时序电量数据的低压配电网拓扑结构辨识方法
Xie et al. Data Cleaning and Modeling of Wind Power Curves
CN116796144A (zh) 一种光伏电站运行效率计算及运行状态评价方法
CN115629284A (zh) 一种光伏阵列电缆故障诊断方法
CN112347655B (zh) 一种基于机组运行性能评估的风电场理论功率计算方法
CN115310839A (zh) 一种光伏电站积灰预警评估方法和系统
CN114499409A (zh) 一种光伏组件热斑故障诊断方法
CN114710116A (zh) 一种基于模糊模型的光伏电池组件的实测建模方法及系统
CN114021838A (zh) 一种光伏发电站灰尘覆盖度预测方法
CN111983478A (zh) 一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法
CN114047372B (zh) 一种基于电压特征的台区拓扑辨识系统
Liu et al. Hierarchical identification method of household-transformer relationship based on adaptive piecewise aggregation approximation
Castellà Rodil et al. Supervision and fault detection system for photovoltaic installations based on classification algorithms
CN116859322B (zh) 基于智能量测终端的电能表计量误差监测方法
CN117808454B (zh) 基于数据集成的三相光伏逆变器生命周期管理系统及方法
Tian et al. Topology Identification of Intelligent Distribution Network Based on 1D-CNN

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