【技术实现步骤摘要】
本专利技术涉及基于内部参数的光伏阵列故障诊断方法，属于光伏发电。
技术介绍
1、随着化石能源的消耗，低碳节能的观念深入人心，目前各个国家都大力开展可再生新能源技术研究。其中，光伏发电因为具有稳定安全、噪声小、受地域限制小等优点，得到广泛的应用，光伏阵列作为关键设备也得到关注。但长期在复杂环境中作业，易出现各种故障如变形、热斑等，从而导致发电效率降低、使用寿命缩短、输出功率不理想等等，影响光伏发电系统可靠稳定的运行和经济效益。
2、针对上述问题，通过提高光伏阵列故障诊断的准确率可有效解决。传统的光伏阵列故障诊断方法有红外图像法、传感器法、电结构法，其中，红外图像法根据光伏阵列组件正常和故障时工作温度差异，通过红外成像仪诊断。此方法未直接接触光伏阵列，对阵列结构无影响，但依赖于设备，存在成像较差的问题，且成本较高，抗干扰能力差，适用性差。传感器法通过诸多传感器检测光伏阵列运行数据，与历史数据比较分析，实现故障诊断。此方法原理简单，但所需传感器较多，且测量过程复杂，存在测试值离散的问题，故障定位较难。电结构法根据连接方式的差异和传感器结合完成故障诊断和定位，此类方法可定位故障的范围，但增加了系统安装的成本和复杂度，大型光伏电站并不适用。
3、随着人工智能技术的进步，光伏阵列智能检测方法发展迅速，利用大量数据分类识别，避免单一因素和环境变化的影响，当前主要的诊断方法有神经网络、支持向量机、模糊控制及其他智能算法。贾嵘等提出一种改进bp神经网络算法，一定程度提高了故障诊断的准确率(贾嵘，李云桥，张惠智，等.基于改进
4、appiah a y提出一种基于长短期记忆神经网络的算法，采用光伏阵列不同故障下的特征值作为训练数据集，诊断准确率比传统神经网路更高。张晓鹏等提出一种基于高斯核的svm诊断方法，可实现多元分类(appiah a y,zhang x,ayawli b b k,et al.longshort-termmemory networks based automatic feature extraction for photovoltaicarray fault diagnosis[j].ieee access,2019,7:30089-30101.)。毕锐等基于模糊c均值聚类(fcm)对光伏阵列故障诊断，采用聚类分析对不同故障类型的特征量进行分析，隶属度函数计算故障模型与故障特征量的隶属度进行故障类型的识别(毕锐，丁明，徐志成，等.基于模糊c均值聚类的光伏阵列故障诊断方法[j].太阳能学报，2016，37(3)：730-736.)。还有大量群智能优化算法被应用于光伏阵列故障诊断，例如tao c利用遗传算法优化深度置信网络(dbn)的偏差和权重，提高诊断准确率和收敛速度(tao c,wang x,gao f,et al.faultdiagnosis of photovoltaic array based on deep belief network optimized bygenetic algorithm[j].chinese journal of electrical engineering,2020,6(3):106-114.)；wu y使用模拟退火法(sa)优化径向基函数-核极值学习机模型(rbf-svm)的参数，提高四种常见故障类型的检测准确度(wu y,chen z,wu l,et al.an intelligent faultdiagnosis approach for pv array based on sa-rbf kernel extreme learningmachine[j].energy procedia,2017,105:1070-1076.)；li y通过差分进化算法(de)识别最优故障参数，夏季和早春的数据证明最多可同时识别三种故障(li y,ding k,zhang j,et al.a fault diagnosis method for photovoltaic arrays based on faultparameters identification[j].renewable energy,2019,143:52-63.)。
5、然而，诸多智能算法应用于故障诊断仍存在收敛速度慢、收敛精度低、故障准确率不高等问题。
技术实现思路
1、为了进一步提升光伏阵列故障诊断准确率，本专利技术提供一种基于内部参数的光伏阵列故障诊断方法，技术方案包括：
2、步骤1：建立光伏阵列模型，模拟故障情况，通过实验采集所述光伏阵列的输出电压和输出电流数据；
3、步骤2：设置优化目标函数，并确定光伏阵列模型的待辨识参数，输入实验数据和待辨识各参数的取值范围，作为改进蜣螂算法的光伏阵列参数辨识的已知条件；
4、步骤3：设置bp神经网络各参数；
5、步骤4：利用改进蜣螂算法对光伏阵列模型进行参数辨识，根据所辨识出的参数和rmse值，建立故障数据集；
6、步骤5：在数据集中随机抽取训练集和测试集，进行归一化处理；
7、步骤6：输入训练集，训练故障诊断模型；
8、步骤7：引入测试集，对故障状态进行诊断；
9、步骤8：进行反归一化处理，输出诊断结果；
10、所述改进蜣螂算法采用tent混沌映射初始化种群，并引入levy飞行策略，更新蜣螂滚球行为时的个体位置；采用自适应t分布和动态选择策略，以迭代次数为t分布的自由度参数对蜣螂位置进行扰动。
11、可选的，所述步骤4中利用改进蜣螂算法对光伏阵列模型进行参数辨识的过程包括：
12、步骤4-1：首先利用tent混沌映射初始化种群，在参数寻优空间中随机生成d个不同的初始值[x01,x02,…,x0d]，其中d表示搜索维度，即待辨识参数个数；
13、然后，用tent混沌映射公式进行n次混沌映射产生n行d列的初始化矩阵，其每一行表示一组光伏阵列i-v特性方程的参数可行解，tent混沌映射公式如下：
14、
15、其中，u为(0,1)的随机数，当0<u<1，0≤xn＜1时，系统处于混沌状态，初始化的蜣螂种群位置矩阵如下：
16、
17、步骤4-2：将每个蜣螂种群分为：滚球蜣螂、繁殖蜣螂、觅食蜣螂和偷窃蜣螂，一个蜣螂种群包括n个本文档来自技高网...
【技术保护点】
1.一种基于内部参数的光伏阵列故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤4中利用改进蜣螂算法对光伏阵列模型进行参数辨识的过程包括：
3.根据权利要求1所述的方法，其特征在于，所述目标函数为：
4.根据权利要求1所述的方法，其特征在于，所述步骤3利用改进蜣螂算法优化BP神经网络的初始阈值和权重，优化后的BP神经网络权重和初始阈值如下：
5.根据权利要求1所述的方法，其特征在于，所述光伏阵列模型中对应的单二极管模型的I-V特性方程如下：
6.根据权利要求5所述的方法，其特征在于，所述待辨识参数包括：光生电流Iph、二极管反向饱和电流Isd、二极管理想因子n、等效串联电阻Rs和等效并联电阻Rsh。
7.根据权利要求2所述的方法，其特征在于，所述步骤4利用改进蜣螂算法对光伏阵列模型进行参数辨识过程中，蜣螂算法种群数量为N＝50，最大迭代次数为Tmax＝200。
8.根据权利要求1所述的方法，其特征在于，所述故障状态包括：组件正常、组件开路、局部阴影、组件老
9.根据权利要求1所述的方法，其特征在于，所述步骤4中采集辨识参数和RMSE值共5000组，组件正常、组件开路、局部阴影、组件老化、组件短路各1000组。
10.根据权利要求1所述的方法，其特征在于，所述步骤5中选取4375组特征量作为训练样本，625组作为测试集。
...【技术特征摘要】
1.一种基于内部参数的光伏阵列故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤4中利用改进蜣螂算法对光伏阵列模型进行参数辨识的过程包括：
3.根据权利要求1所述的方法，其特征在于，所述目标函数为：
4.根据权利要求1所述的方法，其特征在于，所述步骤3利用改进蜣螂算法优化bp神经网络的初始阈值和权重，优化后的bp神经网络权重和初始阈值如下：
5.根据权利要求1所述的方法，其特征在于，所述光伏阵列模型中对应的单二极管模型的i-v特性方程如下：
6.根据权利要求5所述的方法，其特征在于，所述待辨识参数包括：光生电流iph、二极管反向饱和电流isd...
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。