CN115774951A - 一种光伏电站阵列的故障快速甄别方法 - Google Patents
一种光伏电站阵列的故障快速甄别方法 Download PDFInfo
- Publication number
- CN115774951A CN115774951A CN202211217218.3A CN202211217218A CN115774951A CN 115774951 A CN115774951 A CN 115774951A CN 202211217218 A CN202211217218 A CN 202211217218A CN 115774951 A CN115774951 A CN 115774951A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- data
- array
- output
- power station
- 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
Links
Images
Classifications
-
- 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
Abstract
本发明公开了一种光伏电站阵列的故障快速甄别方法，在单条支路光伏组件配置MPPT模块的内嵌传感器的拓扑结构基础上，采用深度学习的多层向前神经网络分类算法对光伏电站中阵列的运行状态进行检测，通过对一段时间内光伏组件接收到的大量太阳能辐照度、输出电流、电压及功率等数据进行多层神经元训练，对光伏电站中某个或多个光伏组件的实时输出结果进行监测并对故障数据进行甄别及定位。本发明减少了传统技术上采用的电压传感器数量，在保证光伏阵列运行检测灵敏度的同时，极大地降低了光伏电站系统的维护成本以及冗余度，有助于实现光伏阵列正常与异常运行的在线监测，可以满足实际光伏电站中的多种需求。
Description
技术领域
本发明涉及光伏发电技术领域，特别涉及一种光伏电站阵列的故障快速甄别方法。
背景技术
光伏电站需要进行的高效运行维护以及准确快速的故障排查工作；光伏发电站大多建立在光照强度充足的戈壁滩以及高山等环境较为恶劣的偏远地区，为保证其安全稳定运行，就需要对这类电站的运行状况以及可能出现故障进行实时监控并做到及时处理，并且光伏组件存在自身老化的原因，导致组件效率、电器元件性能都会逐渐降低，也会引起光伏电站发生故障。除了上述自然因素外，还存在逆变器的质量问题、串并联损失、现场线路铺设布局以及电缆损失等多种非自然老化因素带来的光伏电站发生故障的可能性。
传统的故障诊断方法主要包括设备检测法和数学建模法，其中设备检测法主要包括红外图像检测法、电信号检测法和传感器检测法。然而红外图像检测法由于成本较高且实时性较差，应用场景受限而无法大规模普及；电信号检测法基于时域反射技术，极大程度取决于注入光伏组件高频信号的反馈灵敏性，技术门槛要求极高；传感器检测法利用传感器搜集相关实时和历史数据，通过分析处理进行故障甄别，往往由于数据量庞大而识别效率低；而数学建模法利用计算机仿真软件模拟运行的太阳能光伏发现系统，建立输入与输出之间的函数关系，然后将模拟数据与光伏阵列的实时数据对比完成故障诊断，这种方法由于无法完全综合光伏电站在运行过程中的实际因素，导致仿真得到的数据可能与实际数据差异较大，具有一定的局限性。因此，为了保证光伏组件的发电量水平，就需要对光伏组件运行过程可能出现的自然和非自然损耗因素全面考虑，对光伏阵列故障点以及可能出现的情况能够及时做出定位和甄别，需要设计一种光伏电站阵列的故障快速甄别方法。
发明内容
本发明所要解决的技术问题在针对现有技术中，设备检测法受限于成本、技术门槛以及数据识别效率，难以实现高效准确排查工作，数学建模法又存在不能综合光伏电站实际运行的各种因素影响，导致数据差异较大的问题；本专利提出一种光伏阵列的故障快速甄别方法，该方法采用大量光伏组件的历史数据对深度学习模型进行训练，并对神经元权重值进行优化，以快速准确地对光伏阵列运行过程进行实时监控以及故障甄别。
为实现上述技术效果，本发明所采用的技术方案是：
一种光伏电站阵列的故障快速甄别方法，包括光伏阵列拓扑结构；光伏阵列拓扑结构包括N条光伏阵列并联支路，每条阵列支路上包括M块串联光伏组件组成N×M光伏阵列拓扑结构；每个光伏组件内嵌数据传感器作为信息系统的关键节点；光伏电站阵列的故障快速甄别方法包括以下步骤：
S1：从每条光伏阵列支路上各串联光伏组件的内嵌传感器，获取组件的太阳能辐照强度(Ir1…IrM)、输出电流(I1…IM)、输出电压(U1…UM)以及输出功率(P1…PM)；
S2：将S1所得数据作为输入层样本对深度学习网络模型进行训练和测试，并对光伏电站阵列的拓扑结构模型的各项参数进行初始化；
S3：将S2训练完成的光伏组件数据进行归一化处理，得到输出层最终的光伏阵列输出向量Y：
将输出结果限制在(0，1)之间并进行数据分类，标注为正常与异常两类；
S4：将实际光伏组件中的输入数据Xi＝[Iri、Ii、Ui、Pi]，通过S2和S3，将其整合为输出结果Y＝[Y1i、Y2i]；
S5：对S4得到的数据进行判定，结合每个光伏组件中内嵌传感器以及数据回传设备作为信息物理系统的节点，实时对传输到多层神经网络中的物理节点进行运行状态监测和故障定位预警。
优选地，步骤S1中，每条支路上各串联光伏组件内嵌MPPT功能的传感器模块，用于记录并定位该光伏组件的太阳辐照强度、电流、电压以及功率；采集的光伏阵列的每个光伏组件的数据可以描述为矩阵X：
其中xnm指的是第n条光伏支路上的第m个光伏组件的太阳能辐照强度(Ir)、输出电流(I)、输出电压(U)以及输出功率(P)数据，xnm是一个数组，可以表示为xnm＝[n,m,Ir,I,U,P]。
优选地，步骤S2中的深度学习网络模型包括信号输入层、隐藏层以及输出层；将输入层的输入向量xnm＝[n,m,Ir,I,U,P]传输到第l层，并输出为
其中ωl为第l-1层到第l层中第m个光伏组件组件的神经元权重值，f为激励函数。
优选地，步骤S3中，归一化函数如下：
其中，Xn是原始输入数据，Xmin是原始数据中的最小值，Xmax是原始数据中的最大值；所述原始输入数据中的关键参数需满足光伏效应简化模型函数如下：
用于深度学习网络模型中隐藏层物理节点处数据的加权值调整，优化神经元训练。
优选地，步骤S4中，分类的输出数据包括2类结果：(0，1)识别为正常，(1，0)识别为异常。
本发明存在以下有益效果：
1、本发明采用深度学习的方法提供了一种光伏阵列组件的故障快速甄别方法，全面综合使用了光伏电站的大量历史数据，保证训练模型的准确性，提高了光伏阵列故障甄别与定位的可靠性；
2、本发明提出的N×M的光伏阵列拓扑结构简单，只需在每个组件内嵌数据传感器，以深度学习算法对输入输出的光伏参数进行迭代分析，极大提升了光伏阵列故障甄别效率；
3、本发明采用的故障甄别方法集成了光伏电站运行过程中的真实历史数据对深度模型全面训练，极大满足了光伏组件运行过程中的所有外界环境因素，有效改善了传统数学建模法在故障预测中存在的不足问题；
4、本发明采用的深度学习方法，可以自动对训练样本进行特征提取，进而实时监测光伏组件的输入输出数据，解决了传统神经网络需要手动提取特征值的问题，操作性强，智能化程度高。
附图说明
图1为本发明提供的N×M的光伏阵列拓扑结构示意图；
图2为光伏阵列故障监测的多层神经网络模型；
图3为光伏阵列多层隐藏层神经网络训练流程示意图。
具体实施方式
实施例1：
如图1所示，本发明涉及一种N×M的光伏阵列拓扑结构，该结构包括N条光伏阵列并联支路，每条阵列支路上包括M块串联光伏组件，并且每个光伏组件内嵌数据传感器作为信息系统的关键节点；
实施例2：
如图2～图3所示，光伏电站阵列的故障快速甄别方法包括以下步骤：
S1：从每条光伏阵列支路上各串联光伏组件的内嵌传感器，获取组件的太阳能辐照强度(Ir1…IrM)、输出电流(I1…IM)、输出电压(U1…UM)以及输出功率(P1…PM)；
S2：将S1所得数据作为输入层样本对深度学习网络模型进行训练和测试，并对光伏电站阵列的拓扑结构模型的各项参数进行初始化；
S3：将S2训练完成的光伏组件数据进行归一化处理，得到输出层最终的光伏阵列输出向量Y：
将输出结果限制在(0，1)之间并进行数据分类，标注为正常与异常两类；
S4：将实际光伏组件中的输入数据Xi＝[Iri、Ii、Ui、Pi]，通过S2和S3，将其整合为输出结果Y＝[Y1i、Y2i]；
S5：对S4得到的数据进行判定，结合每个光伏组件中内嵌传感器以及数据回传设备作为信息物理系统的节点，实时对传输到多层神经网络中的物理节点进行运行状态监测和故障定位预警；针对光伏组件在不同时刻的输出数据进行监测，一旦有不满足神经网络训练的数据输出会被所在支路的MPPT模块识别，从而作为异常数据将发生故障的光伏组件的节点位置进行定位。
优选地，步骤S1中，每条支路上各串联光伏组件内嵌MPPT功能的传感器模块，用于记录并定位该光伏组件的太阳辐照强度、电流、电压以及功率；采集的光伏阵列的每个光伏组件的数据可以描述为矩阵X：
其中xnm指的是第n条光伏支路上的第m个光伏组件的太阳能辐照强度(Ir)、输出电流(I)、输出电压(U)以及输出功率(P)数据，xnm是一个数组，可以表示为xnm＝[n,m,Ir,I,U,P]。
优选地，步骤S2中的深度学习网络模型包括信号输入层、隐藏层以及输出层；将输入层的输入向量xnm＝[n,m,Ir,I,U,P]传输到第l层，并输出为
其中ωl为第l-1层到第l层中第m个光伏组件组件的神经元权重值，f为激励函数，可以为sigmoid函数、tanh函数以及Relu函数中的一种或几种，只需要满足单调可微即可。
优选地，步骤S3中，归一化函数如下：
其中，Xn是原始输入数据，Xmin是原始数据中的最小值，Xmax是原始数据中的最大值；所述原始输入数据中的关键参数需满足光伏效应简化模型函数如下：
用于深度学习网络模型中隐藏层物理节点处数据的加权值调整，优化神经元训练，根据深度学习算法的输入及输出层数据，需要不断地调整单(多)层神经元之间的阈值和权重值，再根据模型可否满足期望值误差，决定是否需要继续迭代，直至算法终止。
优选地，步骤S4中，分类的输出数据包括2类结果：(0，1)识别为正常，(1，0)识别为异常。
Claims (5)
1.一种光伏电站阵列的故障快速甄别方法，其特征在于：包括光伏阵列拓扑结构；光伏阵列拓扑结构包括N条光伏阵列并联支路，每条阵列支路上包括M块串联光伏组件组成N×M光伏阵列拓扑结构；每个光伏组件内嵌数据传感器作为信息系统的关键节点；光伏电站阵列的故障快速甄别方法包括以下步骤：
S1：从每条光伏阵列支路上各串联光伏组件的内嵌传感器，获取组件的太阳能辐照强度(Ir1…IrM)、输出电流(I1…IM)、输出电压(U1…UM)以及输出功率(P1…PM)；
S2：将S1所得数据作为输入层样本对深度学习网络模型进行训练和测试，并对光伏电站阵列的拓扑结构模型的各项参数进行初始化；
S3：将S2训练完成的光伏组件数据进行归一化处理，得到输出层最终的光伏阵列输出向量Y：
将输出结果限制在(0，1)之间并进行数据分类，标注为正常与异常两类；
S4：将实际光伏组件中的输入数据Xi＝[Iri、Ii、Ui、Pi]，通过S2和S3，将其整合为输出结果Y＝[Y1i、Y2i]；
S5：对S4得到的数据进行判定，结合每个光伏组件中内嵌传感器以及数据回传设备作为信息物理系统的节点，实时对传输到多层神经网络中的物理节点进行运行状态监测和故障定位预警。
2.根据权利要求1所述的一种光伏电站阵列的故障快速甄别方法，其特征在于：步骤S1中，每条支路上各串联光伏组件内嵌MPPT功能的传感器模块，用于记录并定位该光伏组件的太阳辐照强度、电流、电压以及功率；采集的光伏阵列的每个光伏组件的数据可以描述为矩阵X：
其中xnm指的是第n条光伏支路上的第m个光伏组件的太阳能辐照强度(Ir)、输出电流(I)、输出电压(U)以及输出功率(P)数据，xnm是一个数组，可以表示为xnm＝[n,m,Ir,I,U,P]。
3.根据权利要求1所述的一种光伏电站阵列的故障快速甄别方法，其特征在于，所述步骤S2中的深度学习网络模型包括信号输入层、隐藏层以及输出层；将输入层的输入向量xnm＝[n,m,Ir,I,U,P]传输到第l层，并输出为
其中ωl为第l-1层到第l层中第m个光伏组件组件的神经元权重值，f为激励函数。
4.根据权利要求1所述的一种光伏电站阵列的故障快速甄别方法，其特征在于，所述步骤S3中，归一化函数如下：
其中，Xn是原始输入数据，Xmin是原始数据中的最小值，Xmax是原始数据中的最大值；所述原始输入数据中的关键参数需满足光伏效应简化模型函数如下：
用于深度学习网络模型中隐藏层物理节点处数据的加权值调整，优化神经元训练。
5.根据权利要求1所述的一种光伏电站阵列的故障快速甄别方法，其特征在于，所述步骤S4中，分类的输出数据包括2类结果：(0，1)识别为正常，(1，0)识别为异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211217218.3A CN115774951A (zh) | 2022-10-02 | 2022-10-02 | 一种光伏电站阵列的故障快速甄别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211217218.3A CN115774951A (zh) | 2022-10-02 | 2022-10-02 | 一种光伏电站阵列的故障快速甄别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115774951A true CN115774951A (zh) | 2023-03-10 |
Family
ID=85388548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211217218.3A Pending CN115774951A (zh) | 2022-10-02 | 2022-10-02 | 一种光伏电站阵列的故障快速甄别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115774951A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116189396A (zh) * | 2023-04-28 | 2023-05-30 | 威利朗沃矿业设备（北京）有限公司 | 电器安全保护方法、装置、电子设备和计算机可读介质 |
| CN117792279A (zh) * | 2024-02-27 | 2024-03-29 | 鑫琪(苏州)新能源科技有限公司 | 基于神经网络的分布式光伏监控系统 |
| CN117792279B (zh) * | 2024-02-27 | 2024-05-17 | 鑫琪(苏州)新能源科技有限公司 | 基于神经网络的分布式光伏监控系统 |
-
2022
- 2022-10-02 CN CN202211217218.3A patent/CN115774951A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116189396A (zh) * | 2023-04-28 | 2023-05-30 | 威利朗沃矿业设备（北京）有限公司 | 电器安全保护方法、装置、电子设备和计算机可读介质 |
| CN117792279A (zh) * | 2024-02-27 | 2024-03-29 | 鑫琪(苏州)新能源科技有限公司 | 基于神经网络的分布式光伏监控系统 |
| CN117792279B (zh) * | 2024-02-27 | 2024-05-17 | 鑫琪(苏州)新能源科技有限公司 | 基于神经网络的分布式光伏监控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Basnet et al. | An intelligent fault detection model for fault detection in photovoltaic systems | |
| Li et al. | Application of Artificial Neural Networks to photovoltaic fault detection and diagnosis: A review | |
| Appiah et al. | Long short-term memory networks based automatic feature extraction for photovoltaic array fault diagnosis | |
| CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| WO2019214268A1 (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
| Gao et al. | A novel fault identification method for photovoltaic array via convolutional neural network and residual gated recurrent unit | |
| 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 | |
| CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
| CN109670553A (zh) | 基于自适应神经模糊推理系统的光伏阵列故障诊断方法 | |
| CN109617526A (zh) | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 | |
| CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
| CN115774951A (zh) | 一种光伏电站阵列的故障快速甄别方法 | |
| Bharath et al. | Condition monitoring of photovoltaic systems using machine leaming techniques | |
| CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
| Fu et al. | Fault diagnosis of photovoltaic array based on SE-ResNet | |
| CN115051834B (zh) | 一种基于STSA-transformer算法的新型电力系统APT攻击检测方法 | |
| CN115310351A (zh) | 一种基于无人机的光伏阵列区域故障诊断的方法及系统 | |
| Gao et al. | Fault detection of electric vehicle charging piles based on extreme learning machine algorithm | |
| CN114565051A (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
| CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
| Bharathi et al. | Enhanced Classification of Faults of Photovoltaic Module Through Generative Adversarial Network | |
| Chen et al. | A Fault Diagnosis Method for Photovoltaic Arrays Based on Dropout Optimized Stack Autoencoders | |
| CN110837932A (zh) | 基于dbn-ga模型的太阳能集热系统热功率预测方法 | |
| Compaore et al. | Analysis of the Complementarity of Two Diagnostic Methods on a PV Generator | |
| CN117633653A (zh) | 一种基于lstm的设备故障诊断方法 |
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 |