一种基于Hopfield神经网络的光伏电站故障诊断方法技术

一种基于Hopfield神经网络的光伏电站故障诊断方法，其特征在于包括：光伏组件阵列、测量模块、控制模块、通讯模块、环境温度测量仪、照度测量仪构成；根据当前照度测量仪输出的照度值、环境温度测量仪输出的温度值、光伏阵列的电流和电压值，采用Hopfield神经网络的计算方法，检测出光伏阵列是否出现光伏热斑、阴影遮挡、异常老化三种故障类型。异常老化三种故障类型。异常老化三种故障类型。

【技术实现步骤摘要】
..., G
m
，环境温度值T1, T2, ..., T
m
，光伏组件的电压值V1, V2, ..., V
m
，电流值I1, I2, ..., I
m
，采集100天以上的样本值，作为Hopfield神经网络的Hebb学习检测样本,步骤2采用Hebb学习算法进行经验学习1）选定输入和输出检测样本采集经验学习检测样本，将采集到的时间t、环境温度T、照度G、光伏组件的电压V和电流I的值转换成二进制；当光伏阵列发电正常时，输出d等于00；当光伏阵列出现光伏热斑故障时，输出d等于01；当光伏阵列出现阴影遮挡故障时，输出d等于10；当光伏阵列出现异常老化故障时，输出d等于11,则：输入样本为：=，输出样本为: 2）进行Hebb经验学习设给定个需要记忆的检测样本向量 且 ,则可得权矩阵：在一定条件下，
…
可为Hopfield网络的个稳定点，当输入某一向量时网络能找到与此向量hamming距离最近的那个稳态，终止迭代；步骤3获取当前的照度值、环境温度值、光伏组件的电压值、电流值读取照度测量仪的照度值；温度测量仪的环境温度值；通过电压采样模块获取光伏组件的电压值V；通过电流采样模块获取电流值I，送入控制模块。
[0005]步骤4采用Hopfield神经网络进行联想记忆1）采用Hopfield神经网络进行迭代计算，各神经元之间的连接权矩阵由上述的Hebb学习得到，为其阈值，为神经元的状态，取值为+1或
‑
1，网络采用并行工作方式, 将可视激励向量作为Hopfield网络的初始向量进行迭代，迭代公式如下：
ꢀꢀ
(2.18)其中： ，；当某一有限时刻以后网络状态不再变化，即, ，则网络
达到稳态, 如果此稳定状态对应于网络已存储的个样本中的一个,，即=，则称是由联想起来的，2）将当前的时间t、环境温度值T、照度值G、光伏组件的电压值V和电流值I作为输入向量u，输入到上述的Hopfield神经网络中，则可以计算出网络的输出值d，当输出值d等于00时认为光伏组件正常，当d等于01时认为光伏组件出现光伏热斑故障，当d等于10时认为光伏组件出现阴影遮挡故障，当d等于11时认为光伏组件出现异常老化故障。
[0006]本专利技术的有益之处在于可以根据一个环境照度测量仪和环境温度的测量值加之当前的光伏组件的电流、电压参数实现对光伏组件进行故障类型和异常老化现象检测判断。
附图说明
[0007]附图1是一种基于Hopfield神经网络的光伏电站故障诊断方法结构示意图。
[0008]附图2是一种基于Hopfield神经网络的光伏电站故障诊断方法的流程图，根据采样当前的电流值和第k个光伏组件的电压值结合获取当前的照度值判断光伏组件是否出现隐裂、热斑、异常老化等故障。
[0009]实施方式如附图1, 一种基于Hopfield神经网络的光伏电站故障诊断方法，其特征在于包括：光伏阵列、测量模块、控制模块、通讯模块、环境温度测量仪，照度测量仪构成；所述光伏阵列由多个光伏组件串联构成；所述光伏阵列的输出端与所述测量模块的输入端连接；所述测量模块的输出端与所述控制模块的输入端连接；所述控制模块的输出端与所述通讯模块的输入端连接；所述测量模块包括电压采样模块和电流采样模块，所述电压采样模块个数与光伏组件的个数相同，所述每个电压采样模块的输入端分别与相应光伏组件的输出端连接，所述电流采样模块的输入端与任意一块光伏组件的输出端连接，用于实时采集光伏阵列的输出电压和输出电流；所述通讯模块用于将当前系统状态以及故障检测结果传出,所述环境温度和照度测量仪安装在光伏组件场附近，其输出端与所述控制模块的输入端连接，用于测量当前环境场的环境温度和太阳能辐照量；所述控制模块根据当前所述环境温度和照度测量仪输出的照度值、光伏组件的电流和电压值，采用Hopfield神经网络的计算方法，检测出光伏组件是否出现热斑、遮挡、异常老化故障。
[0010]如附图2具体步骤如下：步骤1获取检测样本数据选择阳光充足的天气，将早上6点到晚间6点的时间段进行整点划分，分别选择光伏组件正常运行、光伏热斑、阴影遮挡、异常老化四种情况下，设T为环境温度，G为照度，V为光伏组件的电压，I为电流，t为时间，其中t=1,2,...,m，获取不同时间段的照度值G1, G2, ..., G
m
，环境温度值T1, T2, ..., T
m
，光伏组件的电压值V1, V2, ..., V
m
，电流值I1, I2, ..., I
m
，采集100天以上的样本值，作为Hopfield神经网络的Hebb学习检测样本,步骤2采用Hebb学习算法进行经验学习
1）选定输入和输出检测样本采集经验学习检测样本，将采集到的时间t、环境温度T、照度G、光伏组件的电压V和电流I的值转换成二进制；当光伏阵列发电正常时，输出d等于00；当光伏阵列出现光伏热斑故障时，输出d等于01；当光伏阵列出现阴影遮挡故障时，输出d等于10；当光伏阵列出现异常老化故障时，输出d等于11,则：输入样本为： =， 输出样本为: 2）进行Hebb经验学习设给定个需要记忆的检测样本向量 且 ,则可得权矩阵：在一定条件下，
…
可为Hopfield网络的个稳定点，当输入某一向量时网络能找到与此向量hamming距离最近的那个稳态，终止迭代；步骤3获取当前的照度值、环境温度值、光伏组件的电压值、电流值读取照度测量仪的照度值；温度测量仪的环境温度值；通过电压采样模块获取光伏组件的电压值V；通过电流采样模块获取电流值I，送入控制模块。
[0011]步骤4采用Hopfield神经网络进行联想记忆1）采用Hopfield神经网络进行迭代计算，各神经元之间的连接权矩阵由上述的Hebb学习得到，为其阈值，为神经元的状态，取值为+1或
‑
1，网络采用并行工作方式, 将可视激励向量作为Hopfield网络的初始向量进行迭代，迭代公式如下：
ꢀꢀ
(2.18)其中： ，；当某一有限时刻以后网络状态不再变化，即, ，则网络达到稳态, 如果此稳定状态对应于网络已存储的个样本中的一个,，即=，则称是由联想起来的，
2）将当前的时间t、环境温度值T、照度值G、光伏组件的电压值V和电流值I作为输入向量u，输入到上述的Hopfield神经网络中，则可以计算出网络的输出值d，当输出值d等于00时认为光伏组件正常，当d等于01时认为光伏组件出现光伏热斑故障，当d等于10时认为光伏组件出现阴影遮挡故障，当d等于11时认为光伏组件出现异常老化故障。
[0012]从而区分出光伏组件各个位置的状态，正常发电的位置照度正常，阴影遮挡的位置照度会降低，出现热斑和隐裂的位置照度会升高。
[0013]本实施实例没有详细叙述的部件、工艺及字母均属本行业的公知部件和常用手段及常识，这里不一一叙述。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Hopfield神经网络的光伏电站故障诊断方法，其特征在于包括：光伏阵列、测量模块、控制模块、通讯模块、环境温度测量仪，照度测量仪构成；所述光伏阵列由多个光伏组件串联构成；所述光伏阵列的输出端与所述测量模块的输入端连接；所述测量模块的输出端与所述控制模块的输入端连接；所述控制模块的输出端与所述通讯模块的输入端连接；所述测量模块包括电压采样模块和电流采样模块，所述电压采样模块个数与光伏组件的个数相同，所述每个电压采样模块的输入端分别与相应光伏组件的输出端连接，所述电流采样模块的输入端与任意一块光伏组件的输出端连接，用于实时采集光伏阵列的输出电压和输出电流；所述通讯模块用于将当前系统状态以及故障检测结果传出,所述环境温度和照度测量仪安装在光伏组件场附近，其输出端与所述控制模块的输入端连接，用于测量当前环境场的环境温度和太阳能辐照量；所述控制模块根据当前所述环境温度和照度测量仪输出的照度值、光伏组件的电流和电压值，采用Hopfield神经网络的计算方法，检测出光伏组件是否出现热斑、遮挡、异常老化故障。2.根据权利要求1所述的一种基于Hopfield神经网络的光伏电站故障诊断方法，具体步骤如下：步骤1获取检测样本数据选择阳光充足的天气，将早上6点到晚间6点的时间段进行整点划分，分别选择光伏组件正常运行、光伏热斑、阴影遮挡、异常老化四种情况下，设T为环境温度，G为照度，V为光伏组件的电压，I为电流，t为时间，其中t=1,2,...,m，获取不同时间段的照度值G1, G2, ..., G
m
，环境温度值T1, T2, ..., T
m
，光伏组件的电压值V1, V2, ..., V
m
，电流值I1, I2, ..., I
m
，采集100天以上的样本值，作为Hopfield神经网络的Hebb学习检测样本,步骤2采用Heb...

【专利技术属性】
技术研发人员：夏之秋，魏子麒，王春鹏，李潇潇，白建波，赵婷婷，
申请(专利权)人：江苏戴日光控能源科技有限公司，
类型：发明
国别省市：