【技术实现步骤摘要】
一种智能化光伏组件复合故障诊断方法
[0001]本专利技术涉及光伏组件运维
,尤其涉及一种智能化光伏组件复合故障诊断方法。
技术介绍
[0002]随着科技的进步,人类社会正面临前所未有的能源挑战,例如资源短缺、环境污染、气候变化、发展不均衡等,这些问题促使国家大力发展清洁能源,新能源发电成为国家战略。光伏发电作为一种最常见的可再生能源,不仅可以被分布式利用,还具有清洁、高效、易获取等特点,正受到人们日益广泛的关注,迅速成为可持续发展和能源战略的重要组成部分。光伏组件是光伏系统运行的核心部件,光伏组件的健康状况会极大程度上影响整个系统的运行安全和发电效率。然而,由于光伏电站大多建立在戈壁或者荒漠这样的恶劣环境中,使得光伏系统组件长时间暴露于室外环境下,光伏组件在系统运行过程中不可避免地会出现一系列故障,从而导致发电经济损失甚至安全事故。此外,实际现场难以大规模部署精密传感器,现场采集的多种类、大批量检测数据也难以人工手动筛选,导致传统的机理建模方法难以应用,基于人工智能技术实现光伏系统智能故障诊断是大势所趋。
[0003]现有光伏故障智能诊断方法大多只考虑了单一故障类型诊断,也即光伏组件在同一时刻只会发生一种故障。然而,随着当今光伏电站规模的不断扩大,光伏系统的串并联拓扑结构变得十分复杂,实际光伏阵列运行时往往存在复合故障,也即多种故障同时发生的情况。如果继续采用现有方法进行诊断,即使阵列同时发生两个或两个以上相互关联、相互影响的故障,模型最终也只会预报出一种故障,这意味着现有单一故障类型诊断方法无法全面
【技术保护点】
【技术特征摘要】
1.一种智能化光伏组件复合故障诊断方法,其特征在于,包括以下步骤:步骤1、数据预处理;步骤2、局部关键点搜索;其中包括:步骤21、全局样本获取;经过所述数据预处理后的完整I
‑
V曲线记为全局样本,所述全局样本是由40个离散数据点(x
i
,y
i
)构成,并且在曲线上是均匀分布的;步骤22、局部一阶差分计算;定义I
‑
V线上相邻两采样点(x
m
,y
m
),(x
m+1
,y
m+1
)且(x
m+1
>x
m
)在(x
m
,y
m
)处的局部一阶差分值g
′
(x
m
)为:步骤23、平缓点筛选,定义完整I
‑
V曲线中局部一阶差分绝对值小于α的采样点为平缓采样点;基于所述步骤S22中依次计算出的所述全局样本中相邻两采样点的39个所述一阶差分值,筛选出所述I
‑
V曲线上的平缓点集合T:T=find(abs|g
′
(x
i
)<α|),i=2,...,39其中,find()函数的作用是筛选出满足括号内约束条件的采样点相对位置,abs||为绝对值函数,α为事先给定的常数值;S24、局部关键点搜索;其中包括:定义所述平缓采样点比相邻左侧局部一阶差分绝对值至少小β倍为第一为局部关键点,所述平缓采样点比相邻右侧局部一阶差分绝对值至少小γ倍的采样点为第二局部关键点,并筛选出I
‑
V曲线上的局部关键点集合O:O1=find(β*abs|g
′
(x
i
)|≤abs|g
′
(x
i
‑1)|),i=2,...,38O2=find(γ*abs|g
′
(x
i
)|≤abs|g
′
(x
i+1
)|),i=2,...,38O=O1∪O2其中,O1表示第一局部关键点子集,O2分别表示第二局部关键点子集,符号∪表示并集,β和γ为事先给定的常数值;步骤3、局部关键区域区间选取;其中包括:步骤31、复合故障样本分组抽样;将训练集中遮挡、老化、短路以及开路四种单一故障类型同时发生时的复合故障全局样本数T平均分为z组,每组采用不放回采样方式得到k个随机样本,即步骤32、局部关键点标记;分别对各个组中的所有样本执行所述步骤S24局部关键点筛选,执行完毕后每个全局样本的I
‑
V曲线上都会被标记相应数量的局部关键点;步骤33、局部关键点分类;其中包括:将所述局部关键点细分为局部特征头部标记点、局部特征尾部标记点和局部特征中部
标记点;其中,所述局部特征头部标记点是相对位置最靠前的局部关键点;所述局部特征尾部标记点是相对位置最靠后的局部关键点;所述局部特征中部标记点是排除所述局部特征头部标记点和所述局部特征尾部标记点的剩余标记点;步骤34、数据分布随机组分类;其中包括:将所述局部特征头部标记点的数据归为局部特征头部随机组对应的局部特征头部随机组总体样本记为X
h
,将所述局部特征尾部标记点的数据归为局部特征中部随机组对应的局部特征中部随机组总体样本记为X
m
,将所述局部特征尾部标记点的数据归为局部特征尾部随机组对应的局部特征尾部随机组总体样本记为X
l
;步骤35、数据分布转化;其中包括:假定所述头部随机组样本或者所述中部随机组样本或者所述尾部随机组样本记为{X
i
},总体样本记为X,总体样本的均值记为μ,方差记为σ2,概率分布函数记为Φ,i表示同一种类型的不同随机组,i=1,2,...,z;显然各组样本{X
i
}满足独立同分布,且其中和分别表示总体样本的均值和方差;令:同时,令为的特征函数,可得:的特征函数,可得:其中,和分别是特征函数的一阶导数和二阶导数,j为复数,故j2=
‑
1;从而可以进一步得到的特征函数在原点的泰勒展开式为:记X
z
的特征函数为可得:当分组数z较大时近似服从正态分布可得对应的期望、方差以及概率分布分别为:
将所述头部随机组样本、所述中部随机组样本以及所述尾部随机组样本三类随机组的局部关键点分布转化为近似服从正态分布,也即局部关键点分布转化为近似服从正态分布,也即步骤36、构建局部关键区域区间;即在保障至少95%置信度的前提下分别确定最终的头部局部关键区域、中部局部关键区域以及尾部局部关键区域;其中包括:步骤361、针对局部特征头部随机组依据以下公式依据以下公式依据以下公式依据以下公式得到所述头部局部关键区域区间为其中i=1,2,...,z;步骤362、针对局部特征中部随机组依据以下公式依据以下公式依据以下公式得到中部局部关键区域区间为得到中部局部关键区域区间为其中i=1,2,...,z;
步骤363、针对局部特征尾部随机组依据以下公式依据以下公式依据以下公式依据以下公式得到所述尾部局部关键区域区间为其中i=1,2,...,z;步骤4、局部关键区域插值重构;按照局部关键区域插值方法对所述头部局部关键区域、所述中部局部关键区域以及所述尾部局部关键区域进行重构;其中所述局部关键区域插值方法包括:步骤41、基于全局维度,计算出区间内每两个原始样本点之间所需的重采样点个数;步骤42、得到I
‑
V曲线上相邻两插值点x
m
,x
m+1
的函数值及局部一阶差分值分别为:y
i
=g(x
i
),t
i
=g
′
(x
i
),(i=m,m+1),步骤S43、构造局部特征插值多项式C(x),使其满足:C(x
i
)=y
i
,C
′
(x
i
)=t
i
,(i=m,m+1)引入四个指针函数r1(x),r2(x),s1(x),s2(x)来表征局部特征插值函数C(x)的两个组成部分C
i
,(i=1,2),它们都是阶次小于等于二的多项式:C1(x)=y
m
r1(x)+t
m
s1(x)C2(x)=y
m+1
r2(x)+t
m+1
s2(x)β
i
(x
j
)=0,β
′
i
(x
j
)=δ
ij
,(i=1,2),C(x
i
)=y
i
,C
′
(x
i
)=y
′0,(i=m,m+1),局部特征插值函数C(x)表示为:C(x)=C1(x)+C2(x)x
m+1
是r1(x)的二重零点,r1(x)的在x
m+1
处的指针函数值和局部差分函数值相同且均为零,令:r1(x)=px2+px
m+12
+qx2‑
2px*x
m+1
+qx
m+12
‑
2qx*x
m+1
由r1(x
m+1
)=r1′
(x
m+1
)=0可得:)=0可得:
...
【专利技术属性】
技术研发人员:刘琦,杨博,刘宇翔,于文彬,陈彩莲,关新平,
申请(专利权)人:上海交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。