一种光伏阵列故障智能诊断方法技术

本发明专利技术涉及光伏阵列故障诊断技术领域，公开了一种光伏阵列故障智能诊断方法，包括：S1：分析光伏组件的标准数学模型，标准数学模型如式1：，建立光伏阵列仿真模型，针对不同故障状态下的光伏阵列进行故障特性分析，得到光伏阵列的故障特征参数，S2：根据S1中得到的故障特征参数建立基于SSA

【技术实现步骤摘要】
一种光伏阵列故障智能诊断方法


[0001]本专利技术涉及光伏阵列故障诊断
，特别涉及一种光伏阵列故障智能诊断方法。

技术介绍

[0002]在清洁能源占比不断提高的过程中，传统化石能源为主的高碳排放电力系统正在逐步被取代，以风电、光伏为代表的新能源发电系统已经形成不可阻挡的发展趋势。光伏阵列作为光伏发电系统中的核心组成部分，由于其本身的材料问题和外界环境因素，极易出现各种故障，不仅会导致发电系统的效率低下，还会引发漏电、火灾等安全事故。因此采取有效措施以避免光伏阵列故障导致的严重事故、提高系统发电效益具有重要意义。
[0003]目前针对光伏阵列的故障诊断方法主要有电路结构法，红外图像分析法和人工智能检测法等。电路结构法主要是在光伏阵列组件的各个支路上安装电压和电流传感器，通过多个传感器测得的数据就可以判断光伏阵列的故障类型和位置。红外图像分析法是由于光伏阵列在正常与故障状态下的温差具有明显的差异，因此可以采用热成像仪拍摄光伏阵列的红外图像来判断光伏阵列的故障现象和位置。基于人工智能的检测法主要是建立神经网络的故障诊断模型，将光伏阵列的各种故障类型与故障原因之间的映射关系反映在神经网络结构、连接权值和阈值之中，通过将故障信息输入到已经训练好的神经网络模型中，从而实现光伏阵列的故障诊断。现阶段，基于神经网络的智能检测方法已经广泛应用于电力设备故障诊断领域中，并且能较好的适用于模糊的非线性问题。相比于其他方法无需额外的传感器布置成本和高精度的红外摄像仪，也不需要依赖大量实验数据的分析。
[0004]现有针对光伏阵列的故障诊断技术都着眼于物理方法：设置传感器分布区域可以及时检测故障，难以实现规模化应用。采用红外图像法需要精密的热成像仪器，但应用成本较高，难以全面检测新型光伏阵列的故障类型。

技术实现思路

[0005]本专利技术提供一种光伏阵列故障智能诊断方法，具有良好的诊断精度和稳定的诊断效率，能够识别并诊断光伏阵列的各种故障类型，测试集最终的平均准确率达到99％以上。
[0006]本专利技术提供了一种光伏阵列故障智能诊断方法，包括：
[0007]S1：分析光伏组件的标准数学模型，标准数学模型如式1：
[0008][0009]式中：I
ph
为光生电流，I0为光伏组件中P
‑
N结的反向饱和电流，q为电荷常数q＝1.602
×
10
19
C，Rs、R
sh
分别为等效串联电阻和等效并联电阻，α为二极管理想系数，K为玻尔兹曼系(K＝1.38065
×
10
‑
23
J/K，T为光伏组件的温度，I、V分别为光伏组件的输出电流和电压，建立光伏阵列仿真模型，针对不同故障状态下的光伏阵列进行故障特性分析，得到光伏阵列的故障特征参数；
[0010]S2：根据S1中得到的故障特征参数建立基于SSA
‑
KELM的光伏阵列故障诊断模型。
[0011]可选的，S1中光伏阵列故障特性分析包括：
[0012]采用增加串联电阻的方式来实现光伏阵列老化故障的模拟，分别选取串联电阻Rs为6、8、10Ω，分别代表三种不同的老化情况，通过改变不同组件光照强度的大小，能够模拟不同遮阴模式下光伏阵列的输出特性曲线；
[0013]正常状态下，光伏阵列的I
‑
V特性曲线呈单阶梯状，P
‑
V特性曲线呈单峰状，模式1表示被遮挡组件分布在不同支路，光伏阵列处于不均匀光照中，I
‑
V特性曲线呈双阶梯状，P
‑
V特性曲线呈双峰状，模式2表示单个支路中所有组件均被遮挡，但光照强度相同，光伏阵列的I
‑
V特性依然表现为单阶梯状，P
‑
V特性曲线同样为单峰状，输出功率随着被遮挡组件数目的增加而减少，模式3表示在同一支路中，各光伏组件的光照强度不同，I
‑
V特性曲线呈多阶梯状，P
‑
V特性曲线呈多峰状；
[0014]设定光伏阵列中的每一列为一条支路，每条支路分别串联电阻R1、R2和R3，并将电阻值设为无穷大，来模拟光伏阵列在不同状况下的开路故障，通过将支路中的1、2、3个光伏组件分别短接，来模拟不同数量的组件短路的故障情况。
[0015]可选的，S2包括：
[0016]S21：在极限学习机的基础上结合核函数得到核极限学习机建立故障诊断模型；
[0017]S22：利用麻雀搜索算法对核极限学习机的关键参数进行优化；
[0018]S23：提取故障特征参数。
[0019]可选的，S21具体包括：
[0020]当训练样本D＝{(x
n
,y
n
),n＝1,2
…
,N}时，其回归函数为
[0021]y＝f(x)＝h(x)β
ꢀꢀ
(2)
[0022]式中：x为输入样本，f(x)为网络输出，h(x)为ELM的非线性映射，将上述表达式转换为矩阵形式为
[0023]Hβ＝T
ꢀꢀ
(3)
[0024]其中H为隐含层的输出矩阵，T为期望输出向量，极限学习机的最终求解目标可以等价为求解线性方程Hβ＝T的最小二乘解，即寻找最优的权值β使得代价函数最小，根据广义逆矩阵理论，其解为：
[0025][0026]式中：H
+
表示隐含层输出矩阵H的广义逆矩阵，I为对角矩阵，C为惩罚系数，通过结合支持向量机的原理提出核极限学习机，将核函数引入极限学习机，采用核函数来代替H
T
H，核函数定义如下：
[0027][0028]式中：Ω
ELM
为核矩阵，k(x
I
,x
j
)为核函数，通常选用RBF核，
[0029]K(x
i
,x
j
)＝exp(
‑
γ||x
i
,x
j
||2)
ꢀꢀ
(6)
[0030]式中γ为核参数，||x
i
,x
j
||为欧式范式，因此，核极限学习机输出函数可以表示为：
[0031][0032]核极限学习机利用核函数K(x
i
,x
j
)将输入样本从低维输入空间映射到高维隐含层特征空间，以稳定的核映射代替极限学习机中的随机映射。
[0033]可选的，S22具体包括：
[0034]通过麻雀搜索算法优化核极限学习机的关键参数，在每次迭代过程中，发现者进行位置更新的描述为：
[0035][0036]式中：t代表当前迭代次数，iter
max
是一个常数，表示最大迭代次数，α∈(0,1)是一个随机数，R2∈[0,1]和S T∈[0.5,1]分别表示预警值和安全值，Q是服从正态分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏阵列故障智能诊断方法，其特征在于，包括：S1：分析光伏组件的标准数学模型，所述标准数学模型如式1：式中：I
ph
为光生电流，I0为光伏组件中P
‑
N结的反向饱和电流，q为电荷常数q＝1.602
×
10
19
C，Rs、R
sh
分别为等效串联电阻和等效并联电阻，α为二极管理想系数，K为玻尔兹曼系(K＝1.38065
×
10
‑
23
J/K，T为光伏组件的温度，I、V分别为光伏组件的输出电流和电压，建立光伏阵列仿真模型，针对不同故障状态下的光伏阵列进行故障特性分析，得到光伏阵列的故障特征参数；S2：根据S1中得到的所述故障特征参数建立基于SSA
‑
KELM的光伏阵列故障诊断模型。2.如权利要求1所述的光伏阵列故障智能诊断方法，其特征在于，所述S1中光伏阵列故障特性分析包括：采用增加串联电阻的方式来实现光伏阵列老化故障的模拟，分别选取串联电阻Rs为6、8、10Ω，分别代表三种不同的老化情况，通过改变不同组件光照强度的大小，能够模拟不同遮阴模式下光伏阵列的输出特性曲线；正常状态下，光伏阵列的I
‑
V特性曲线呈单阶梯状，P
‑
V特性曲线呈单峰状，模式1表示被遮挡组件分布在不同支路，光伏阵列处于不均匀光照中，I
‑
V特性曲线呈双阶梯状，P
‑
V特性曲线呈双峰状，模式2表示单个支路中所有组件均被遮挡，但光照强度相同，光伏阵列的I
‑
V特性依然表现为单阶梯状，P
‑
V特性曲线同样为单峰状，输出功率随着被遮挡组件数目的增加而减少，模式3表示在同一支路中，各光伏组件的光照强度不同，I
‑
V特性曲线呈多阶梯状，P
‑
V特性曲线呈多峰状；设定光伏阵列中的每一列为一条支路，每条支路分别串联电阻R1、R2和R3，并将电阻值设为无穷大，来模拟光伏阵列在不同状况下的开路故障，通过将支路中的1、2、3个光伏组件分别短接，来模拟不同数量的组件短路的故障情况。3.如权利要求1所述的光伏阵列故障智能诊断方法，其特征在于，所述S2包括：S21：在极限学习机的基础上结合核函数得到核极限学习机建立故障诊断模型；S22：利用麻雀搜索算法对所述核极限学习机的关键参数进行优化；S23：提取故障特征参数。4.如权利要求3所述的光伏阵列故障智能诊断方法，其特征在于，所述S21具体包括：当训练样本D＝{(x
n
,y
n
),n＝1,2
…
,N}时，其回归函数为y＝f(x)＝h(x)β
ꢀꢀꢀꢀꢀꢀꢀ
(2)式中：x为输入样本，f(x)为网络输出，h(x)为ELM的非线性映射，将上述表达式转换为矩阵形式为Hβ＝T
ꢀꢀꢀꢀꢀꢀ
(3)其中H为隐含层的输出矩阵，T为期望输出向量，极限学习机的最终求解目标可以等价为求解线性方程Hβ＝T的最小二乘解，即寻找最优的权值β使得代价函数最小，根据广义逆矩阵理论，其解为：
式中：H
+
表示隐含层输出矩阵H的广义逆矩阵，I为对角矩阵，C为惩罚系数，通过结...

【专利技术属性】
技术研发人员：陈来军，薛小代，马恒瑞，金成，
申请(专利权)人：青海大学，
类型：发明
国别省市：