CN116436405A - 一种光伏组串的热斑故障诊断方法 - Google Patents

一种光伏组串的热斑故障诊断方法 Download PDF

Info

Publication number
CN116436405A
CN116436405A CN202310507656.1A CN202310507656A CN116436405A CN 116436405 A CN116436405 A CN 116436405A CN 202310507656 A CN202310507656 A CN 202310507656A CN 116436405 A CN116436405 A CN 116436405A
Authority
CN
China
Prior art keywords
hot spot
string
photovoltaic
fault
characteristic
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
CN202310507656.1A
Other languages
English (en)
Inventor
卫东
顾鑫磊
何云霄
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.)
China Jiliang University
Original Assignee
China Jiliang University
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 China Jiliang University filed Critical China Jiliang University
Priority to CN202310507656.1A priority Critical patent/CN116436405A/zh
Publication of CN116436405A publication Critical patent/CN116436405A/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
    • 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

本发明提供一种光伏组串的热斑故障诊断方法，包括：通过分析热斑故障对光伏组串输出特性的影响作用，提出一种光伏组串热斑故障诊断方法。根据热斑产生原因、不同故障对光伏组件的正反向输出特性的影响作用和特征参数的变化规律，建立光伏组串输出特性模型，计算等效电路模型参数。结合组串工作电流和光生电流的数值大小关系，建立以光生电流、串联电阻、并联电阻和功率损耗作为输入参数的朴素贝叶斯分类器，实现高精度的热斑故障诊断、原因判定和程度估算。所提出的光伏组串等效电路模型参数计算方法能够准确地表征实验I‑V特性曲线，所提出的光伏组串热斑故障诊断方法可实现热斑故障的可靠诊断和准确程度估算。

Description

一种光伏组串的热斑故障诊断方法
技术领域：
本发明属于涉及分布式光伏电站中光伏组串故障诊断技术领域，特别涉及一种光伏组串的热斑故障诊断方法。
背景技术：
随着光伏发电技术的迅速发展，各种大规模的光伏电站陆续投入运行。光伏组串数量庞大且长期工作在复杂多变的户外，容易发生不同类别、不同程度的故障，其中热斑故障发生率最高，不仅严重影响组串输出性能还会增加火灾隐患。分析热斑故障演化机理以及对电气输出特性的影响作用，提出光伏组串热斑故障诊断、程度估算和原因判定方法，对提高组串发电效率和保证电站安全稳定运行具有重要意义。
结合光伏组串拓扑结构和热斑产生原因，研究了热斑与其他故障在I-V输出特性和模型参数的特征区别，总结了热斑故障与模型参数的对应关系，为后续实现热斑故障诊断提供了理论依据。
针对热斑故障原因判定问题，结合热斑故障的正向和反向输出特性，建立热斑光伏组串输出特性模型，综合热斑故障与模型参数的对应关系和多峰模型参数计算方法，提出了基于反向输出特性的热斑故障诊断方法和基于朴素贝叶斯的热斑原因判定方法，可实现光伏组串的热斑故障诊断、程度估算和故障原因判定，确保分布式光伏电站的安全、稳定发电。
发明内容：
本发明的意图在于提供给一种光伏组串的热斑故障诊断方法。
本发明是采用下述方案实现的，包括如下步骤：
步骤一：利用JHY-501辐照仪采集辐照度G和温度T等环境数据，利用光伏电站中配备的华为SUN2000系列逆变器，通过华为SmartLogger数据采集器下达I-V扫描指令获得的I-V曲线数据，采样周期为0.1秒/次，共100个数据点为一组光伏组串诊断数据；
步骤二：当光伏组件进入反向特性，输出电压达到旁路二极管的反向偏置电压时，二极管由截止状态改变为导通，组串P-V和I-V曲线中出现转折点，呈现多峰形式。利用这一曲线特点，把多峰曲线拆分成多条单峰曲线，得到组件的正向和反向特性区间，P-V曲线数据点(Vi,Pi),i＝1,2,......,n。多峰P-V曲线的波谷为不可导点，通过极值定理求解，从曲线起始点起依次计算ΔPi＝Pi+1-Pi和ΔPi+1＝Pi+2-Pi+1，满足ΔPi＜0且ΔPi+1≥0为波谷，满足ΔPi≥0且ΔPi+1＜0时为波峰，在光伏逆变器的控制下，组串始终保持在全局最大功率点处发电，因此最大功率的波峰则为组串的工作点(Istring,Ustring)；
步骤三：计算步骤二中分离的各峰I-V曲线数据计算出第一峰的正常组件的并联电阻Rsh、串联电阻Rs以及光生电流Iph模型参数和后续第i峰的故障组件
Figure BDA0004216100220000011
和/>
Figure BDA0004216100220000012
模型参数；
步骤四：光伏组串中发生热斑故障本质为部分组件进入反向特性Istring＜Iph，消耗功率而发热，因此利用步骤二获得的光伏组串工作电流Istring与步骤三中各故障组件的
Figure BDA0004216100220000021
参数的数值大小关系可知，当/>
Figure BDA0004216100220000022
时，则光伏组串中发生热斑故障，而当/>
Figure BDA0004216100220000023
则没有发生热斑故障。根据光伏组串工作电流Istring和故障组件的/>
Figure BDA0004216100220000024
的数值关系可以判断是否存在热斑故障；
步骤五：将步骤四中的热斑故障组件，利用步骤二和步骤三获得的光伏组串的工作电流Istring和工作电压Ustring以及正常并联电阻Rsh、串联电阻Rs、光生电流Iph、故障
Figure BDA0004216100220000025
和/>
Figure BDA0004216100220000026
计算热斑故障程度Ploss；
步骤六：构建朴素贝叶斯分类器模型，诊断光伏组串中的热斑故障组件的故障原因，其中包括热斑故障特征参数变量集的定义、条件概率P(xk|Cj)与先验概率P(Cj)的计算和基于后验概率最大原则的分类模型建立。最后通过不同类别热斑的最大发生概率实现原因判定。
附图说明：
图1本说明书一示例性实施例所述的一种光伏组串的热斑故障诊断方法流程图；
图2本说明书一示例性实施例所述的三峰光伏组串的采样点示意图；
图3本说明书一示例性实施例所述的多峰模型参数计算流程图；
图4本说明书一示例性实施例所述的朴素贝叶斯分类器输入模型模型参数分布图。
具体实施方式：
本发明提供了一种光伏组串的热斑故障诊断方法，为使本发明目的、技术方案及效果更加明晰，进行进一步说明。本发明描述的具体实例仅用于解释本发明，不用于限定本发明。
下面结合附图对本发明作进一步描述，图1所示是本说明书一示例性实施例所述的一种光伏组串的热斑故障诊断方法流程图，具体包括以下步骤：
步骤一：利用JHY-501辐照仪采集辐照度G和温度T等环境数据，利用光伏电站中配备的华为SUN2000系列逆变器，通过华为Smart Logger数据采集器下达I-V扫描指令获得的I-V曲线数据，采样周期为0.1秒/次，共100个数据点为一组光伏组串诊断数据，由于辐照度变化对模型参数具有一定影响，因此将特征参数Iph、Rs和Rsh映射至STC下，进行预处理并归一化，可提高原因判定方法的适用性和准确性，如式(1)所示。
Figure BDA0004216100220000027
式中，θ—光伏组件温度系数；Gstc—STC下光照强度1000W/m2；Tstc—STC下温度25℃；
步骤二：当光伏组件进入反向特性，输出电压达到旁路二极管的反向偏置电压时，二极管由截止状态改变为导通，组串P-V和I-V曲线中出现转折点，呈现多峰形式。利用这一曲线特点，把多峰曲线拆分成多条单峰曲线，得到组件的正向和反向特性区间，P-V曲线数据点(Vi,Pi),i＝1,2,......,n。多峰P-V曲线的波谷为不可导点，通过极值定理求解，从曲线起始点起依次计算ΔPi＝Pi+1-Pi和ΔPi+1＝Pi+2-Pi+1，满足ΔPi＜0且ΔPi+1≥0为波谷，满足ΔPi≥0且ΔPi+1＜0时为波峰，在光伏逆变器的控制下，组串始终保持在全局最大功率点处发电，因此最大功率的波峰则为组串的工作点(Istring,Ustring)。
根据图2可知，第一峰的输出特征均由正常组件输出，第二峰输出特性为第一峰正常组件正向特性和A组件的正反向特性叠加输出，第三峰为第一峰正常和A组件的正向特性叠加B组件的正反向特性叠加输出，因此多峰曲线的参数求解，需要从第一峰分离曲线，依次计算各峰参数，具体计算过程如下：
首先利用第一峰的正向输出特性计算出正常组件的模型参数，并计算出完整的第一峰曲线。其次，利用利用第二峰曲线数据减去第一峰完整曲线，进而求解出第二峰的模型参数，并获得第二峰完整曲线。最后，利用第三峰曲线数据减去第一峰和第二峰完整曲线，求解第三峰模型参数。同理第峰曲线减去前面峰的曲线数据，进而求解模型参数，如图3所示；
步骤三：计算步骤二中分离的各峰I-V曲线数据计算出第一峰的正常组件的并联电阻Rsh、串联电阻Rs以及光生电流Iph模型参数和后续第i峰的故障组件
Figure BDA0004216100220000031
和/>
Figure BDA0004216100220000032
模型参数。光伏组件正向和反向输出特性模型，如式(2)所示。
Figure BDA0004216100220000033
式中，U—输出电压，V；I—输出电流，A；Io—二极管反向饱和电流，A；n—二极管理想因子；Iph—光生电流，A；Rs—串联电阻，Ω；Rsh—并联电阻，Ω；k—玻尔兹曼常数，取1.3807e-23J/K；q—电子电荷量，取1.6022e-19C；T—组件工作温度，K；UF—组件正向输出电压，V；UR—组件反向输出电压，V；
Figure BDA0004216100220000035
W表示LambertW函数。
计算第一峰参数，以图2的三峰I-V曲线为例，所有组件都发生故障的可能性小，假设第一峰为工作在正向特性的正常组件，则第一峰输出电压U1为正向输出特性的五元方程UF1，如式(3)所示。
U1＝UF1＝Rsh1(Iph1+Io1-I)-IRs1-n1κTW(Y1)/q (3)
利用式(4)求解第一峰模型参数，获得Iph1、Rsh1、Rs1三个解析式。
Figure BDA0004216100220000034
式中，(U*，I*)为第一峰上任一点，Rso *和Rsho为(U*，I*)和短路电流处导数。
计算第二峰参数，结合首峰电压U1，在反向特性Ⅰ区间内，A组件的反向电压
Figure BDA0004216100220000041
是关于/>
Figure BDA0004216100220000042
和/>
Figure BDA0004216100220000043
的二元方程，如式(5)所示。
Figure BDA0004216100220000044
在旁路二极管导通点Ⅰ附近任取两数据点A1(Ua1，Ia1)和B1(Ub1，Ib1)，求解该方程组，得式(6)，计算方程组，解出第二峰的
Figure BDA0004216100220000045
和/>
Figure BDA0004216100220000046
Figure BDA0004216100220000047
正向特性Ⅰ区间内，代入已求解的
Figure BDA0004216100220000048
和/>
Figure BDA0004216100220000049
A组件的正向电压/>
Figure BDA00042161002200000410
是关于/>
Figure BDA00042161002200000411
和/>
Figure BDA00042161002200000412
的三元方程，如式(7)：
Figure BDA00042161002200000413
在旁路二极管导通点Ⅱ附近取三数据点C1(Uc1，Ic1)、D1(Ud1，Id1)和E1(Ue1，Ie1)，得方程组式(8)，解出第二峰的剩余参数
Figure BDA00042161002200000414
和/>
Figure BDA00042161002200000415
Figure BDA00042161002200000416
计算第三峰参数，是在前两峰的正向特性叠加后的输出特性，则在反向特性Ⅱ中B组件的反向电压
Figure BDA00042161002200000417
如式(9)。在正向特性Ⅱ中B组件的正向电压/>
Figure BDA00042161002200000418
如式(10)。
Figure BDA00042161002200000419
Figure BDA00042161002200000420
同理于第二峰计算方法，在前面峰的五参数基础上，在反向特性Ⅱ选取两数据点A2(Ua2，Ia2)和B2(Ub2，Ib2)代入式(9)，计算方程组式(11)，得
Figure BDA00042161002200000421
和/>
Figure BDA00042161002200000422
Figure BDA0004216100220000051
正向特性Ⅱ选取三数据点C2(Uc2，Ic2)、D2(Ud2，Id2)和E2(Ue2，Ie2)代入式(10)得式(12)，获得第三峰五参数
Figure BDA0004216100220000052
和/>
Figure BDA0004216100220000053
Figure BDA0004216100220000054
根据上述第三峰的计算方法，类似地可以依次计算第k峰曲线地模型参数，计算流程图如3所示。
综上所述，利用上述模型参数法计算方法可获得组串多峰曲线中的正常组件模型参数Iph、Rsh、Rs和各个故障组件的模型参数
Figure BDA0004216100220000055
设计热斑故障诊断方法，能够实现诊断热斑产生原因并评估其故障程度；
步骤四：光伏组串中发生热斑故障本质为部分组件进入反向特性Istring＜Iph，消耗功率而发热。虽然组件旁路二极管会将达到其反偏电压的组件导通而减少对其他组件的影响，但其保持反向特性，并不能真正避免热斑现象，仍有部分电流流过受影响电池片消耗功率，造成热斑故障，因此通过比较组串工作点电流Istring和组件光生电流Iph及旁路二极管导通点电流Icutoff大小，能够初步诊断出组串中的热斑故障。总结出的热斑故障诊断原则，如表1所示。
表1热斑故障诊断原则
Figure BDA0004216100220000056
以图2为例，分析热斑故障产生情况，①当Iph2＜Icutoff2＜Iph1＜Icutoff1＜Istring时，A和B组件的旁路二极管导通，均保持反向特性，产生热斑。②当Iph2＜Icutoff2＜Iph1＜Istring＜Icutoff1时，A组件工作在反向特性，产生热斑；B组件旁路二极管导通，呈反向特性，发热小于A组件的热斑。③当Iph2＜Icutoff2＜Istring＜Iph1＜Icutoff1时，A组件呈正向特性，无热斑；B组件旁路二极管导通，产生热斑。④当Iph2＜Istring＜Icutoff2＜Iph1＜Icutoff1时，A组件呈正向特性，无热斑；B组件为反向特性工作消耗功率，产生热斑。⑤当Istring＜Iph2＜Icutoff2＜Iph1＜Icutoff1时，A和B组件都呈正向特性，无热斑故障。若求得最大功率点电流Istring处于第2峰，且满足Iph2＜Icutoff2＜Istring＜Iph1＜Icutoff1，则得出结论第一峰和第二峰A组件均正常发电，第三峰B组件的旁路二极管导通，处于反向特性，存在热斑故障；
步骤五：将步骤四中的热斑故障组件，利用步骤二和步骤三获得的光伏组串的工作电流Istring和工作电压Ustring以及正常并联电阻Rsh、串联电阻Rs、光生电流Iph、故障
Figure BDA0004216100220000061
和/>
Figure BDA0004216100220000062
计算热斑故障程度，即功率损失如式(13)所示，从而计算得到的热斑故障程度值；
Figure BDA0004216100220000063
步骤六：分析不同原因造成的热斑故障组件模型参数变化规律获得表2所示的对应关系。
表2模型参数与不同类型的热斑故障关系
Figure BDA0004216100220000064
构建朴素贝叶斯分类器模型，诊断光伏组串中的热斑故障组件的故障原因。实际调研光伏发电运营企业的总容量为7.84MW的六个光伏电站，共收集到150块不同热斑故障类别的光伏组件样本，该批组件型号均为晶科能源JKM280P，实验选择辐照度800W/m2以上的晴朗天气下进行，温度25℃左右的条件，利用IT8816电子负载和JHY-501辐照仪获得组串I-V曲线数据和环境数据。
通过上述多峰模型参数计算方法获得正常模型参数Iph、Rs和Rsh及150组热斑模型参数
Figure BDA0004216100220000065
样本，其热斑故障类别和数量如表3所示。
表3热斑故障类别数量统计表
Figure BDA0004216100220000066
三个模型参数分布情况如图4所示，由于热斑故障会导致Iph减小、Rs增大和Rsh减小，因此归一化后的Iph和Rsh的数值越接近1，说明故障程度越低，越接近正常状态；Rs的数值越接近1，故障程度越深，越接近故障状态。
分别选取50％、65％和80％作为训练样本集得到四种热斑的总体识别率为97.3％、98.1％和96.7％，最终选取65％的训练集，剩余样本为测试集，具体步骤如下：
(1)设热斑故障特征参数变量集为X＝{X1,X2,X3}，Xi表示用于训练朴素贝叶斯分类模型的三个热斑故障特征参数，每个特征参数Xi有n组的取值xi，即Xi＝{x1,x2,…,xi,…,xn}。类别变量集为C＝{C1,C2,C3,C4}，其中C1为阴影遮挡型热斑，C2为晶硅缺陷型热斑，C3为隐裂型热斑，C4为严重碳化型热斑。
(2)根据贝叶斯定理可得X属于各个类别Cj(j＝1,2,3,4)的概率，如式(14)所示。
Figure BDA0004216100220000071
式中，P(Xi)对于所有类别均为常数，后验概率P(Cj|Xi)可转化为P(Xi|Cj)P(Cj)进行计算，通常各特征参数取值相互独立，先验概率由链式法则得式(15)，当计算结果最大时，则样本X对应热斑类别Cj。
Figure BDA0004216100220000072
(3)条件概率P(xk|Cj)与先验概率P(Cj)可通过训练样本进行计算，给定训练集为N组，则P(Cj)＝Nj/N，Nj是类别Cj在训练集中的个数。Xi为连续变量，采用高斯密度函数进行计算，如式(16)：
Figure BDA0004216100220000073
式中，
Figure BDA0004216100220000074
—热斑类别Cj样本方差；/>
Figure BDA0004216100220000075
—热斑类别Cj样本均值。
(4)通过上述步骤，基于后验概率最大原则获得朴素贝叶斯分类模型，如式(17)所示。
Figure BDA0004216100220000076
利用热斑故障样本训练获得的先验概率P(Cj)和P(xi|Cj)，如表4所示，从表中可看出，四种类别热斑的模型参数具有明显的不同分布，能够真实反映不同类别热斑的发生机理和演化过程。
表4朴素贝叶斯分类模型训练结果
Figure BDA0004216100220000077
综上所述，建立的朴素贝叶斯分类器能够将热斑故障判定为四种热斑产生原因。
本发明通过一种光伏组串的热斑故障诊断方法，可以有效的检测出分布式光伏电站中光伏组串中发生的热斑故障，且能够评估故障程度和判定热斑故障产生原因。本发明已在分布式光伏电站中投入试用中。
以上给出了工程运用中的具体实施方式，但本发明不局限与所描述的实施方式。本发明的基本原理方法在于上述基本方案，在不脱离本发明的原理和精神的情况下对实施方式进行变化、修改、替换和变形仍落入本发明的保护范围内。

Claims (2)

1.一种光伏组串的热斑故障诊断方法，其特征在于：利用采样获得光伏组串I-V输出特性曲线，进行多峰曲线分离计算出光伏组串工作点(Istring,Ustring)，建立光伏组串输出特性模型，计算等效电路模型参数，结合组串工作电流和光生电流的数值大小关系和功率损耗，实现高精度的热斑故障诊断和程度估算，建立以光生电流、串联电阻、并联电阻作为输入参数的朴素贝叶斯分类器，实现精确的原因判定，其具体算法步骤如下：
步骤一：利用仪器设备采集辐照度G、温度T等环境数据和光伏组串的I-V曲线数据，采样周期为0.1秒/次，共100个数据点为一组光伏组串诊断的原始数据数据；
步骤二：当光伏组件进入反向特性，输出电压达到旁路二极管的反向偏置电压时，二极管由截止状态改变为导通，组串P-V和I-V曲线中出现转折点，呈现多峰形式；利用这一曲线特点，把多峰曲线拆分成多条单峰曲线，具体步骤如下：
①首先，得到组件的正向和反向特性区间，P-V曲线数据点(Vi,Pi),i＝1,2,......,n；
②其次，由于多峰P-V曲线的波谷为不可导点，通过极值定理求解，从曲线起始点依次计算相邻两点数据差ΔPi与ΔPi+1，如式(1)与式(2)所示：
ΔPi＝Pi+1-Pi (1)
ΔPi+1＝Pi+2-Pi+1 (2)
式中满足ΔPi＜0且ΔPi+1≥0为波谷，满足ΔPi≥0且ΔPi+1＜0时为波峰；
③最后，在光伏逆变器的控制下，组串始终保持在全局最大功率点处发电，因此最大功率的波峰则为组串的工作点(Istring,Ustring)；
步骤三：计算步骤二中分离的各峰I-V曲线数据计算出第一峰的正常组件的并联电阻Rsh、串联电阻Rs以及光生电流Iph模型参数和后续第i峰的故障组件
Figure FDA0004216100210000011
和/>
Figure FDA0004216100210000012
模型参数；
步骤四：当光伏组串中发生热斑故障本质为部分组件进入反向特性Istring＜Iph，消耗功率而发热，因此利用步骤二获得的光伏组串工作电流Istring与步骤三中各故障组件的
Figure FDA0004216100210000013
参数的数值大小关系可知：当/>
Figure FDA0004216100210000014
时，则光伏组串中发生热斑故障，而当/>
Figure FDA0004216100210000015
则没有发生热斑故障。根据光伏组串工作电流Istring和故障组件的/>
Figure FDA0004216100210000016
的数值关系可以判断是否存在热斑故障；
步骤五：将步骤四中的热斑故障组件，利用步骤二和步骤三获得的光伏组串的工作电流Istring和工作电压Ustring以及正常并联电阻Rsh、串联电阻Rs、光生电流Iph、第i个故障组件的
Figure FDA0004216100210000017
Figure FDA0004216100210000018
和/>
Figure FDA0004216100210000019
计算热斑故障程度Ploss；
步骤六：构建朴素贝叶斯分类器模型，诊断光伏组串中的热斑故障组件的故障原因，其中包括热斑故障特征参数变量集的定义、条件概率P(xk|Cj)与先验概率P(Cj)的计算和基于后验概率最大原则的分类模型建立，具体步骤如下：
①建立热斑故障特征参数变量集为X＝{X1,X2,X3}，Xi表示用于训练朴素贝叶斯分类模型的三个热斑故障特征参数并联电阻、串联电阻和光生电流，每个特征参数Xi有n组的取值xi，即Xi＝{x1,x2,…,xi,…,xn}。类别变量集为C＝{C1,C2,C3,C4}，其中C1为阴影遮挡型热斑，C2为晶硅缺陷型热斑，C3为隐裂型热斑，C4为严重碳化型热斑。
②根据贝叶斯定理可得X属于各个类别Cj(j＝1,2,3,4)的概率，如式(3)所示
Figure FDA0004216100210000021
式中，P(Xi)对于所有类别均为常数，后验概率P(Cj|Xi)可转化为P(Xi|Cj)P(Cj)进行计算，通常各特征参数取值相互独立，先验概率由链式法则得式(4)，当计算结果最大时，则样本X对应热斑类别Cj。
Figure FDA0004216100210000022
③条件概率P(xk|Cj)与先验概率P(Cj)可通过训练样本进行计算，给定训练集为N组，则P(Cj)＝Nj/N，Nj是类别Cj在训练集中的个数。Xi为连续变量，采用高斯密度函数进行计算
④最后基于后验概率最大原则获得朴素贝叶斯分类模型，通过不同类别热斑的最大发生概率实现原因判定。
2.根据权利要求1所述方法，其特征在于：步骤五中，所述的的功率损失Ploss，结合光伏组串的工作点电流和电压以及正常和故障组件的模型参数，表征了热斑的故障程度；
其计算如式(5)所示：
Figure FDA0004216100210000023
CN202310507656.1A 2023-05-08 2023-05-08 一种光伏组串的热斑故障诊断方法 Pending CN116436405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310507656.1A CN116436405A (zh) 2023-05-08 2023-05-08 一种光伏组串的热斑故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310507656.1A CN116436405A (zh) 2023-05-08 2023-05-08 一种光伏组串的热斑故障诊断方法

Publications (1)

Publication Number Publication Date
CN116436405A true CN116436405A (zh) 2023-07-14

Family

ID=87089069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310507656.1A Pending CN116436405A (zh) 2023-05-08 2023-05-08 一种光伏组串的热斑故障诊断方法

Country Status (1)

Country Link
CN (1) CN116436405A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456371A (zh) * 2023-12-26 2024-01-26 浙江正泰智维能源服务有限公司 一种组串热斑检测方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456371A (zh) * 2023-12-26 2024-01-26 浙江正泰智维能源服务有限公司 一种组串热斑检测方法、装置、设备及介质
CN117456371B (zh) * 2023-12-26 2024-04-12 浙江正泰智维能源服务有限公司 一种组串热斑检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109873610B (zh) 基于iv特性和深度残差网络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
CN106126887B (zh) 一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法
CN109613841B (zh) 一种故障状态下的太阳能光伏组件参数辨识方法
Chunlai et al. Retracted: A Survey of Online Fault Diagnosis for PV Module Based on BP Neural Network
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
CN116436405A (zh) 一种光伏组串的热斑故障诊断方法
CN108509737B (zh) 一种光伏组串内各失配组件的参数提取方法
Djalab et al. Robust method for diagnosis and detection of faults in photovoltaic systems using artificial neural networks
CN108509736A (zh) 一种用于故障诊断的光伏组件参数提取方法
CN115469184A (zh) 基于卷积网络的新能源输电线路故障识别方法
CN111555714A (zh) 一种特性失配光伏组串的功率峰数测量方法
Pan et al. Research on output distribution modeling of photovoltaic modules based on kernel density estimation method and its application in anomaly identification
CN108710402B (zh) 一种太阳能光伏组串的多峰状态最大功率点跟踪方法
CN114595762A (zh) 一种光伏电站异常数据序列提取方法
CN114117921A (zh) 一种光伏阵列故障智能诊断方法
CN111950165B (zh) 典型环境下的电能表可靠性分析方法
CN109885856B (zh) 基于i-v曲线的光伏组件热斑功率损耗计算方法
Gong et al. Fault diagnosis method of photovoltaic array based on random forest algorithm
CN108280287B (zh) 一种太阳能电池参数提取的方法
Gan et al. Fault diagnosis of PV array using adaptive network based fuzzy inference system
CN111177973B (zh) 一种基于强化学习的光伏阵列在线建模方法
Ghazali et al. A multi-scale dual-stage model for PV array fault detection, classification, and monitoring technique
Basoglu et al. Comparison of Knowledge-based Feature Vector Extraction and Geometrical Parameters of Photovoltaic IV Curves.
Jiurong et al. A data-driven fault diagnosis method for photovoltaic modules

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication