一种多点信息融合的光伏故障检测方法技术

本发明专利技术公开了一种多点信息融合的光伏故障检测方法，属于光伏发电领域。首先将光伏电池板整体建立一个多点信息融合模型，该模型同时关联了光伏电池板的输出电压信号、输出电流信号、阻抗信号以及红外热像仪采集的温度信号，通过该模型的精确诊断步骤，最终可以判断光伏电池板故障位置以及故障的轻重度，从而为光伏电池板的故障检测找到一条新的途径，提高了光伏电池板的可靠性与稳定性。

【技术实现步骤摘要】
一种多点信息融合的光伏故障检测方法
本专利技术涉及光伏发电系统故障检测领域，其是一种多点信息融合的光伏故障检测方法。
技术介绍
21世纪，人类面临着经济和社会可持续发展的双重挑战，在资源有限和环保要求的双重制约下，如何发展经济已成为全球的热点问题，这就要求替代能源必须是可再生的清洁能源。而太阳能作为一种无污染、可再生环保新能源，在全球新能源领域占据着越来越重要的地位。但在光伏发电广泛应用的同时，光伏运行效率和安全也被越来越重视了，光伏电站工作的稳定性和输出功率与每一块光伏电池板的工作状态都息息相关，因此为保证光伏发电系统安全高效运行，设计一种高效可靠的光伏故障检测方法十分重要。光伏阵列的主要故障可以分为：光伏电池板的裂片、光伏电池绝缘老化以及光伏阵列热斑效应。根据目前的统计数据和研究现状表明，在这三种光伏阵列故障中，危害最大而且发生概率最大的是第三种故障。光伏阵列热斑现象主要是光伏阵列中部分光伏电池板(或者光伏电池板中部分光伏电池单体)由于长时间被遮挡，导致其产生的电流小于其它没被遮挡的光伏电池板(或者光伏电池单体)产生的电流，根据基尔霍夫电压定律，这些被遮挡的光伏电池板(或者光伏电池单体)会带负电压，成为电路中的负载，并以热量形式消耗其他正常工作的光伏电池板(或者光伏电池单体)产生的能量，这种热量的长时间积累会损坏光伏电池板的封装材料，甚至破坏光伏电池板的物理结构，并将造成永久损坏。为了避免上述问题，通常采用在每一光伏电池的两端并联一个旁路二极管，当光伏电池未被遮蔽时该光伏电池正常工作，旁路二级管不导通；当光伏电池被遮蔽时，光伏电池两端电压的极性会与正常工作时相反，旁路二极管导通，从而保护该光伏电池，防止被遮蔽的光伏电池由于过热而烧毁。这种方法虽然可以保护被遮蔽的光伏电池，一定程度上延长光伏电池板的寿命，但仍然使得整个光伏发电系统在遮光情况下发电效率下降，并且解决不了根本的问题。目前常用的光伏故障检测方法有(a)红外图像的光伏故障检测，利用相同光照和温度条件下，光伏电池在不同的工作条件下会存在明显的温差，而利用红外图像正好可以反应这一温差特性，但它对温度差异不大的电池检测效果较差,且实时性差且不易实现在线故障分析和报警等等。(b)时域反射法，它是一种类似于雷达的检测方法，当阻抗不匹配时就会产生反射信号，再比较输入信号和反射信号就可以定位故障，但它需要在夜晚进行，因为白天光照强度的变化也会影响光伏阻抗的变化。(c)通过采集光伏阵列的电流电压参数，再检测光伏阵列的值并与预估值相比较从而判定光伏阵列是否故障，但该方法的精确度不高，所采用的传感器也较多，而且成本比较高。
技术实现思路
本专利技术的目的是提供一种多点信息融合的光伏故障检测方法，它通过多点故障信息关联，进一步提高了检测光伏故障的精度与准确度。本专利技术提供的一种多点信息融合的光伏故障检测方法，包括以下步骤：S1：采集光伏电池板输出的电信号(电压信号、电流信号)以及红外热像图；S2：观察分析红外热像图信息并对光伏电池板的故障做出初步判断；S3：输入多点信息融合模型；S4：输出故障值Y；S5：将所得Y值与给定的故障阈值比较；S6：对光伏电池板的故障进行准确检测，并且给出故障的轻重度。进一步，所述步骤S3中的多点信息融合模型通过以下步骤来构建：S31：通过I-V分析仪采集光伏电池板正常运行状态下的输出电压信号和负载电流信号；S32：用红外热像仪采集光伏电池板正常运行状态下的红外热像图；S33：运用一种新的红外图像分割算法，即首先用最大熵法确定最佳分割阈值，然后用脉冲神经网络算法对红外图像进行分割，从而可以得到分割后的光伏电池板的红外热像图；S34：运用拟合的方法，即首先基于光伏阵列等效电路模型拟合得到串联等效电阻RS1，再与该条件下光伏阵列的串联等效电阻的参考值RS作比较。S35：利用红外图像分析仪可以得到整个光伏电池板的最高温度值T；S36：将光伏电池板正常工作情况下测得的值与光伏电池板出现故障时测得的n组值进行比较分析，并且根据专家经验构建多点信息融合模型：Y＝αUn/U+βIn/I+mγTn/T+δRS1/RS其中，Y为输出的故障值，U和I分别表示正常工作时光伏电池板输出的电压有效值和电流有效值，Un和In分别表示通常情况下光伏电池板输出的电压有效值和电流有效值，Tn表示整个光伏电池板的最高温度值，α表示输出电压信号所占输出故障值的经验权重，β表示负载电流信号所占输出故障值的经验权重，δ表示光伏阵列串联等效电阻所占输出故障值得比重，γ表示红外热像图信号所占输出故障值的经验权重，m表示所监测的光伏电池板出现最高温度点的个数，其中0≤m≤N+。进一步，所述S33中的一种新型的红外图像分割算法包括以下具体步骤：S331：首先通过最大熵法确定最佳分割阈值。基于熵的算法主要是通过讨论图像的灰度级分布的熵来构造熵函数，进而寻找最优阈值来分割图像，信息源中所有的事件以相同的概率出现时，这时候信息熵大，因为信息源的不确定性大，所以信息熵大。用最大熵法求最佳阈值，就是求一个分割阈值使得目标和背景两类的信息熵之和最大，对一幅大小为M×N，灰度级为L的图像，如果设图像中灰度级为i的像素一共有Ni个，则灰度级i的概率为:图像目标区域的熵和图像背景区域的熵可以表示为：在式(2)中，Hf表示图像目标区域的熵，在式(3)中，Hb表示图像背景区域的熵，式(2)和式(3)中，Pt的表达式为：最大熵法的最佳阈值公式为：T＝argmax[Hf(T)+Hb(T)](5)遍历图像的灰度级，求目标区域的熵和背景区域的熵的和最大的灰度级，从而输出分割的最佳阈值。S332：利用脉冲神经网络算法对红外图像进行分割。PCNN是一个二维的神经网络，其模型主要由接受域、调制部分和脉冲生成器三大部分组成。在接受域通常把图像中的一个像素(i，j)依次对应一个PCNN神经元，其中每一个神经元接受来自反馈通道F和连接通道L两部分信息，并通过权重矩阵M和W与其邻域神经元相连，在迭代过程中反馈输入和连接输入将会呈指数衰减。另外，针对整个模型，只在反馈通道中接受来自外部的激励Sij，即像素对应的灰度值Iij。由图1可知，整个接受部分描述如下：其中，VF和VL分别为放大系数，αF和αL为衰减常数，Ykl(n-1)是n-1次迭代时神经元的输出。权重矩阵W，M是相邻神经元的欧氏距离的倒数，即神经元(i，j)与神经元(k,l)的连接权，由计算得到.然后通过连接系数β将反馈输入和连接输入非线性耦合，从而形成神经元的内部活动激励Uij，Uij(n)＝Fij(n)(1+βLij(n))(9)此时，脉冲生成器将Uij与先前得到的阈值Eij进行比较.当Uij超过阈值Eij时，神经元点火形成脉冲，并输出为1，即当神经元点火之后，其阈值因常数VE会瞬间增加，并在衰减因子αE的影响下阈值呈指数衰减，直到该神经元再次点火.在上述参数确定的情况下，PCNN神经元自发地发生周期性点火，因模型具有同步脉冲发放现象，即一个神经元点火，会捕获其周围与之相似的神经元同步点火，这使得在迭代次数n确定的情况下，神经元的输出Y即为所得的分割效果。S333：得到分割后的光伏电池板故障部分的红外热像图以及全部温度信息。进一步，所述S34中的一种拟合的方法包含以下本文档来自技高网...

【技术保护点】
1.一种多点信息融合的光伏故障检测方法，其特征在于：包括以下步骤：S1：采集光伏电池板输出的电信号(电压信号、电流信号)以及红外热像图；S2：观察分析红外热像图信息并对光伏电池板的故障做出初步判断；S3：输入多点信息融合模型；S4：输出故障值Y；S5：将所得Y值与给定的故障阈值比较；S6：对光伏电池板的故障进行准确检测，并且给出故障的轻重度。

【技术特征摘要】
1.一种多点信息融合的光伏故障检测方法，其特征在于：包括以下步骤：S1：采集光伏电池板输出的电信号(电压信号、电流信号)以及红外热像图；S2：观察分析红外热像图信息并对光伏电池板的故障做出初步判断；S3：输入多点信息融合模型；S4：输出故障值Y；S5：将所得Y值与给定的故障阈值比较；S6：对光伏电池板的故障进行准确检测，并且给出故障的轻重度。2.根据权利要求1所述的一种多点信息融合的光伏故障检测方法，其特征在于：所述步骤S3中的多点信息融合模型通过以下步骤来构建：S31：通过I-V分析仪采集光伏电池板正常运行状态下的输出电压信号和负载电流信号；S32：用红外热像仪采集光伏电池板正常运行状态下的红外热像图；S33：运用一种新的红外图像分割算法，即首先用最大熵法确定最佳分割阈值，然后用脉冲神经网络算法对红外图像进行分割，从而可以得到分割后的光伏电池板的红外热像图；S34:运用拟合的方法，即首先基于光伏阵列等效电路模型拟合得到串联等效电阻RS1，再与该条件下光伏阵列的串联等效电阻的参考值RS作比较；S35：利用红外图像分析仪可以得到整个光伏电池板的最高温度值T；S36：将光伏电池板正常工作情况下测得的值与光伏电池板出现故障时测得的n组值进行比较分析，并且根据专家经验构建多点信息融合模型：Y＝αUn/U+βIn/I+mγTn/T+δRS1/RS其中，Y为输出的故障值，U和I分别表示正常工作时光伏电池板输出的电压有效值和电流有效值，Un和In分别表示通常情况下光伏电池板输出的电压有效值和电流有效值，Tn表示整个光伏电池板的最高温度值，α表示输出电压信号所占输出故障值的经验权重，β表示负载电流信号所占输出故障值的经验权重，δ表示光伏阵列串联等效电阻所占输出故障值得比重，γ表示红外热像图信号所占输出故障值的经验权重，m表示所监测的光伏电池板出现最高温度点的个数，其中0≤m≤N+。3.根据权利要求2所述的一种多点信息融合模型的光伏故障检测方法，其特征在于：所述S33中的一种新型的红外图像分割算法包括以下具体步骤：S331：首先通过最大熵法确定最佳分割阈值。基于最大熵的算法主要是通过讨论图像的灰度级分布的熵来构造熵函数，进而寻找最优阈值来分割图像，信息源中所有的事件以相同的概率出现时，这时候信息熵大，因为信息源的不确定性大，所以信息熵大。用最大熵法求最佳阈值，就是求一个分割阈值使得目标和背景两类的信息熵之和最大，对一幅大小为M×N，灰度级为L的图像，如果设图像中灰度级为i的像素一共有Ni个，则灰度级i的概率为:图像目标区域的熵和图像背景区域的熵可以表示为：在式(2)中，Hf表示图像目标区域的熵，在式(3)中，Hb表示图像背景区域的熵，式(2)和式(3)中，Pt的表达式为：最大熵法的最佳阈值公式为：T＝argmax[Hf(T)+Hb(T)](5)遍历图像的灰度级，求目标区域的熵和背景区域的熵的和最大的灰度级，从而输出分割的最佳阈值；S332：利用脉冲神经网络算法对红外图像进行分割。PCNN是一个二维的神经网络，其模型主要由接受域、调制部分和脉冲生成器三大部分组成；在接受域通常把图像中的一个像素(i，j)依次对应一个PCNN神经元，其中每一个神经元接受来自反馈通道F和连接通道L两部分信息，并通过权重矩阵M和W与其邻域神经元相连，在迭代过程中反馈输入和连接输入将会呈指数衰减。另外，针对整个模型，只在反馈通道中接受来自外部的激励Sij，即像素对应的灰度值Iij。由图1可知，整个接受部分描述如下：其中，VF和VL分别为放大系数，αF和αL为衰减常数，Ykl(n-1)是n-1次迭代时神经元的输出。权重矩阵W，M是相邻神经元的欧氏距离的倒数，即神经元(i，...

【专利技术属性】
技术研发人员：郭珂，毛明轩，刘强，周林，奚鑫泽，万怡浩，周思宇，解宝，张前进，李海啸，郝高峰，吴昊，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50