一种智能化光伏组件复合故障诊断方法技术

本发明专利技术公开了一种智能化光伏组件复合故障诊断方法，涉及光伏组件运维技术领域，该方法包括以下步骤：数据预处理；局部关键点搜索；局部关键区域区间选取；局部关键区域插值重构；以及构建全局

【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准确地反映光伏组件的健康状况，从而导致故障难以被发现以及维修不及时。因此，针对实际光伏阵列数据特点研究一种新的光伏复合故障诊断方法，在单一故障和多种故障同时发生的情况下快速准确地识别各种故障类型十分必要，对于降低光伏运营发电损失和维护成本具有重要意义。
[0004]现有光伏故障诊断方案中，有的是基于参数辨识方法建立物理模型，将理论计算值与实际测试情况进行对比分析故障类型。具体来说，该方案首先需要搭建与实际光伏阵列结构相近的仿真模型，并通过仿真模型采集得到实际阵列中相应故障类型的I
‑
V曲线数据。之后，构建能够描述仿真模型输出值的待辨识参数集合并利用进化算法不断调整阵列仿真模型的待辨识参数，让仿真模型输出的I
‑
V曲线不断地逼近实测I
‑
V曲线，最终使得两者误差达到最小，从而辨识出故障参数判断故障类型。虽然该方案能够辨识出多种故障同时发生时的故障参数，但仅仅适用小规模、拓扑结构简单以及少量故障类型诊断的光伏阵列。该方案所采用的参数辨识方法实质上是一种机理建模方法，需要先搭建相应的仿真模型，然而对于实际光伏电站来说，光伏阵列不仅规模巨大而且各种串并联拓扑结构复杂，事先搭建与实际电站结构相近的仿真模型是十分困难且成本高昂的，无论现有方案如何优化待辨识参数，仿真模型输出的I
‑
V曲线都会与实际I
‑
V曲线具有显著差异，这意味着该方案所采用的参数辨识方法在大型光伏电站中是无法实施应用的。同时，该方案应用到不同故
障类型故障诊断或者不同拓扑结构和不同规模的实际光伏阵列时，都需要重新根据实际阵列的结构重新搭建故障仿真模型并进行参数辨识，这意味着该方案不具备可迁移性，模型的泛化性和准确性差，建模效率低。此外，该方案所搭建的仿真模型不可避免地存在误差，即使该方案也相应扩大了参数搜索范围，但其所采用的故障判断依据是自行定义的且大多是基于经验判断的，这种经验判断容易受到实际光伏系统的规模、结构以及所处地理环境等因素的干扰导致辨识参数精度不高、诊断结果易受模型误差的影响不够准确。
[0005]现有技术中，还有的方案是基于多级故障诊断思想实现光伏复合故障诊断。具体来说，该方案在第一级故障诊断中通过计算功率增量比来判别光伏并网逆变器所在支路是否发生故障并判断部分故障类型；在第二级故障诊断中通过电流电压相似度法判别光伏并网逆变器支路下的各光伏组串是否发生故障；在第三级故障诊断过程，基于训练完成的三层BP故障诊断神经网络进行光伏组串内部故障组件定位。虽然，该方案可以区分光伏组件的单一故障和复合故障，但是该方案只是简单地将两种或两种以上同时发生的单一故障都归类到多重故障，也即该方案只能粗略地识别各种类型的单一故障以及整个大类的多重故障，无法对多重故障的具体类型进行诊断。这意味着该方法在实际应用中只能给出一个模糊笼统的复合故障提示(只知道系统同时发生了多种类型的故障，但并不知道具体是哪几种)，运维人员还需要进一步针对各种单一故障类型逐一进行判断，这对于实际现场的维护检修是极其不便的。显然，为了尽可能地降低组件故障对系统造成的发电损失，光伏运营商不仅希望知道阵列发生了多重故障，更需要具体准确地知道是哪几种单一故障同时发生了，以便实现快速检修恢复系统运行。同时，该方案所能识别的故障类型是短路、开路、遮挡以及多重故障，不具备识别老化故障的能力，而本专利技术则可以实现，本专利技术方法能诊断故障类型更多，而且对多重故障也能进一步给出具体是哪些单一故障类型同时发生。此外，该方案将故障诊断过程分为三级执行，且第一级和第二级均是基于机理模型计算实际数值再与对应的参考变量和阈值进行比较来判别故障类型，在分析实际数据时效率较低。此外，机理模型的准确性将极大影响该方法的判断准确率，例如一旦第一级或者第二级诊断过程中机理模型计算的结果有偏差，就会导致最终模型诊断错误。同时，机理模型还需要配合实际光伏阵列的拓扑结构来使用，模型的泛化性和迁移性较差。
[0006]此外，现有涉及全局和局部信息融合思想的专利技术方案都是针对图像识别领域(人脸图像)或者机械轴承领域(振动时序性数据)，而光伏组件复合故障诊断问题所采用的数据是I
‑
V曲线以及对应的温度和辐照度信息(非图像也非时序性数据)，现有图像领域方案所采用的图像分割、特征图融合等图像处理方法以及快速傅里叶变换、小波变换等时序性数据时域频域变换方法都无法应用于光伏数据。同时，现有专利技术方法大多需要构建多个不同结构的模型分别训练全局和局部信息，忽略了各种单一故障之间的隐含联系，而且建模成本更高且模型稳定性降低。此外，现有专利技术所采用的信息融合方案是将多个子模型的预测概率向量加权得到融合预测向量，然而这种加权方式需要手动调节，对操作人员的先验知识(事先积累的经验)要求较高，而且每次调节后模型都需要重新训练，导致该训练过程的可解释性较差往往不能达到预期的精度。
[0007]综上，现有技术的缺点至少包括以下几点：
[0008]1、现有光伏故障诊断技术大多都是针对单一故障类型识别建模的，没有考虑多种故障类型同时发生的复合故障诊断情形。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会同时发生两个或两个以上相互关联、相互影响的故障，然而现有技术建立的单一故障类型诊断模型只能预报出一种故障，无法准确全面地反映光伏组件的健康状况，从而导致故障难以被发现以及维修不及时。...

【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：