一种光伏阵列的故障诊断方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种光伏阵列的故障诊断方法、装置、设备及存储介质，所述方法包括：根据故障特征变量采集故障诊断数据；将故障诊断数据输入训练好的故障诊断模型，故障诊断模型的输出为故障诊断结果。本发明专利技术提供的光伏阵列的故障诊断方法，建立并训练了优化的故障诊断模型，利用优化模型实现了对光伏阵列故障的精确诊断。诊断。诊断。

【技术实现步骤摘要】
一种光伏阵列的故障诊断方法、装置、设备及存储介质


[0001]本专利技术涉及光伏发电
，尤其涉及一种光伏阵列的故障诊断方法、装置、设备及存储介质。

技术介绍

[0002]随着光伏产业规模的不断扩大，大规模光伏电站中的故障检测问题逐渐成为国内外众多专家学者研究的热门问题。光伏发电系统的主要组成部分包括光伏阵列、控制器、逆变器等，由于太阳能光伏发电站大多数都是建立在戈壁、沙漠和山区等人流密度很小的地区，且光伏组件上的灰尘和阴影遮挡等均会对光伏阵列运行产生较大的影响，如果不能快速对故障进行排除，就会影响整个光伏系统的发电效率，甚至还会引起火灾。而根据现场电站的历史故障类型来看，光伏阵列发生的故障往往比较多，是造成光伏发电系统故障的主要原因。因此，对光伏阵列进行准确的故障诊断，迅速地对故障组件进行定位和故障排除对整个光伏发电系统具有重要意义。
[0003]目前对于光伏阵列故障诊断的技术在国内外可大致分为三类：传统诊断算法、模型诊断法以及智能诊断算法。传统诊断算法包括红外线检测法、多传感器法、时域反射法、对地电容法，优点是方便快捷，容易定位，缺点是成本高。模型诊断法通过建立数学模型，仅通过测量易得的电信号即可对系统状态进行诊断，并进行有关参数的预测，难点是如何建立精确的数学模型。智能诊断算法具有普适性、独立性和可迁移性的特点，相比于其他两类算法来说，成本低且诊断精度高，极限学习机作为常见的智能诊断算法，用于故障诊断能得到较好的效果，但存在网络训练中可能会陷入局部最优或出现过拟合等现象的问题。

技术实现思路

[0004]本专利技术提供了一种光伏阵列的故障诊断方法、装置、设备及存储介质，以实现对光伏阵列的故障进行快速精确的诊断。
[0005]根据本专利技术的一方面，提供了一种光伏阵列的故障诊断方法，包括：
[0006]根据故障特征变量采集故障诊断数据；
[0007]将所述故障诊断数据输入训练好的故障诊断模型，所述故障诊断模型的输出为故障诊断结果。
[0008]进一步地，所述故障特征变量包括：短路电流、开路电压、最大功率点电流、最大功率点电压和最大功率。
[0009]进一步地，所述故障诊断模型的输出包括：短路故障、开路故障、老化故障、一个组件阴影、两个组件阴影、老化阴影、短路阴影和开路阴影。
[0010]进一步地，所述故障诊断模型包括哈里斯鹰优化
‑
极限学习机算法模型。
[0011]进一步地，根据故障特征变量采集故障诊断数据之前，还包括：
[0012]建立所述光伏阵列的仿真模型，利用所述仿真模型进行故障模拟，确定所述故障特征变量。
[0013]进一步地，利用所述仿真模型进行故障模拟，确定所述故障特征变量，包括：
[0014]利用所述仿真模型模拟所述光伏阵列在设定故障下的运行状态，并生成相应的故障特性曲线；
[0015]改变预设变量的大小，根据所述故障特性曲线的变化情况确定所述预设变量中的所述故障特征变量。
[0016]进一步地，所述故障诊断模型的训练方法包括：
[0017]建立初始故障诊断模型，并获取原始数据；
[0018]对所述原始数据进行归一化处理，将处理后的数据划分为训练集和测试集；
[0019]将所述训练集输入所述初始故障诊断模型，根据输出结果调整所述初始故障诊断模型的参数，直到输出结果符合预设精度阈值；
[0020]将所述测试集输入所述初始故障诊断模型，若所述初始故障诊断模型的输出结果符合所述预设精度阈值，则将所述初始故障诊断模型确定为所述训练好的故障诊断模型。
[0021]根据本专利技术的另一方面，提供了一种光伏阵列的故障诊断装置，包括：
[0022]故障诊断数据采集模块，用于根据故障特征变量采集故障诊断数据；
[0023]故障诊断结果获取模块，用于将所述故障诊断数据输入训练好的故障诊断模型，所述故障诊断模型的输出为故障诊断结果。
[0024]可选的，所述故障特征变量包括：短路电流、开路电压、最大功率点电流、最大功率点电压和最大功率。
[0025]可选的，所述故障诊断模型的输出包括：短路故障、开路故障、老化故障、一个组件阴影、两个组件阴影、老化阴影、短路阴影和开路阴影。
[0026]可选的，所述故障诊断模型包括哈里斯鹰优化
‑
极限学习机算法模型。
[0027]可选的，光伏阵列的故障诊断装置还包括故障特征变量确定模块，用于建立所述光伏阵列的仿真模型，利用所述仿真模型进行故障模拟，确定所述故障特征变量。
[0028]可选的，故障特征变量确定模块还用于：
[0029]利用所述仿真模型模拟所述光伏阵列在设定故障下的运行状态，并生成相应的故障特性曲线；
[0030]改变预设变量的大小，根据所述故障特性曲线的变化情况确定所述预设变量中的所述故障特征变量。
[0031]可选的，光伏阵列的故障诊断装置还包括故障诊断模型训练模块，用于：
[0032]建立初始故障诊断模型，并获取原始数据；
[0033]对所述原始数据进行归一化处理，将处理后的数据划分为训练集和测试集；
[0034]将所述训练集输入所述初始故障诊断模型，根据输出结果调整所述初始故障诊断模型的参数，直到输出结果符合预设精度阈值；
[0035]将所述测试集输入所述初始故障诊断模型，若所述初始故障诊断模型的输出结果符合所述预设精度阈值，则将所述初始故障诊断模型确定为所述训练好的故障诊断模型。
[0036]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0037]至少一个处理器；以及
[0038]与所述至少一个处理器通信连接的存储器；其中，
[0039]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序
被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的光伏阵列的故障诊断方法。
[0040]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的光伏阵列的故障诊断方法。
[0041]本专利技术公开的光伏阵列的故障诊断方法，首先根据故障特征变量采集故障诊断数据；然后将故障诊断数据输入训练好的故障诊断模型，故障诊断模型的输出为故障诊断结果。本专利技术提供的光伏阵列的故障诊断方法，建立并训练了优化的故障诊断模型，利用优化模型实现了对光伏阵列故障的精确诊断。
[0042]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0043]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏阵列的故障诊断方法，其特征在于，包括：根据故障特征变量采集故障诊断数据；将所述故障诊断数据输入训练好的故障诊断模型，所述故障诊断模型的输出为故障诊断结果。2.根据权利要求1所述的方法，其特征在于，所述故障特征变量包括：短路电流、开路电压、最大功率点电流、最大功率点电压和最大功率。3.根据权利要求1所述的方法，其特征在于，所述故障诊断模型的输出包括：短路故障、开路故障、老化故障、一个组件阴影、两个组件阴影、老化阴影、短路阴影和开路阴影。4.根据权利要求1所述的方法，其特征在于，所述故障诊断模型包括哈里斯鹰优化
‑
极限学习机算法模型。5.根据权利要求1所述的方法，其特征在于，根据故障特征变量采集故障诊断数据之前，还包括：建立所述光伏阵列的仿真模型，利用所述仿真模型进行故障模拟，确定所述故障特征变量。6.根据权利要求5所述的方法，其特征在于，利用所述仿真模型进行故障模拟，确定所述故障特征变量，包括：利用所述仿真模型模拟所述光伏阵列在设定故障下的运行状态，并生成相应的故障特性曲线；改变预设变量的大小，根据所述故障特性曲线的变化情况确定所述预设变量中的所述故障特征变量。7.根据权利要求1所述的方法，其特征在于，所述故障诊断模型的训练方法包括：建立初始故障诊断模型...

【专利技术属性】
技术研发人员：王尊，王亚顺，杨建卫，曹晟磊，穆啸天，刘睿晨，钱亮，李宇豪，
申请(专利权)人：中电华创苏州电力技术研究有限公司，
类型：发明
国别省市：