【技术实现步骤摘要】
本专利技术涉及光伏故障检测，具体为一种分布式光伏的故障检测方法。
技术介绍
1、光伏技术是利用太阳能将光能转化为电能的一种技术，利用半导体材料的光伏效应，将太阳辐射能转化为电能的一种发电系统。光伏发电系统的能量来源于取之不尽、用之不竭的太阳能，是一种清洁、安全和可再生的能源。光伏发电过程不污染环境，不破坏生态。
2、公开号为cn116865669a的中国专利公布了一种基于分布式光伏故障检测系统，通过设置区域光伏分布划区模块、区域光伏板基本参数获取模块、区域光伏板运行参数获取模块、区域运行参数检测分析模块、云端数据库、区域智能显示终端，在传统光电输出检测上利用云端更加高效快捷，利用无人机对各区域分布式光伏板进行高清热成像图像采集，利用现代新颖图像处理和云端对比分析，同时考虑到各区域分布式光伏板的光电，温度，热斑，环境，阴影，尘埃和极端天气综合影响，相比较传统检测在极端天气下有明显优势，提高了光伏系统的全面性和准确率，通过区域智能显示终端实时直观了解系统的各项状态，提高了系统可观测性和检测效率。
3、但是现有技术方案主要是利用视觉技术对光伏板的表面进行检测，并没有对光伏系统中电缆部分的电力传输线路可能形成的早期故障进行检测。
4、基于此，本专利技术提出一种分布式光伏的故障检测方法。
技术实现思路
1、为实现上述目的，本专利技术提供一种分布式光伏的故障检测方法，具体技术方案如下：一种分布式光伏的故障检测方法，包括，
2、构建光伏系统正常工作
3、监测工作时间内光伏系统的电气数据和环境数据，将电气数据和环境数据与光电关联模型数据进行比对，判断光伏系统是否出现故障；
4、当光伏系统出现故障时，对光电池板进行检测，获取光电池板的红外特征，构建机器学习模型，识别光电池板是否存在故障；
5、在光伏系统的电力传输线路中输入扰动，检测光伏系统的电力传输线路是否存在故障，并通过扰动对电能传输故障进行定位。
6、优选的，构建环境数据与电气数据的光电关联模型：
7、
8、其中，是光伏系统的输出电流；是光生电流，与光照强度g成正比；是二极管饱和电流；a是光伏板的面积；g 是光照强度；k是光伏板的光电转换效率；是二极管反向饱和电流；v是光伏系统的输出电压；是光伏系统的开路电压；是串联电阻；是温度；kb是玻耳兹曼常数；p是光伏系统输出功率；q是元电荷。
9、优选的，在构建的光伏系统环境数据与电气数据的光电关联模型中，输入当前的环境数据和光伏系统的系统参数，计算出标准输出功率，，是光伏系统的输出电流,是光伏系统的输出电压；并设定标准输出功率的误差范围<mi>[</mi><mi>p-</mi><msub><mi>p</mi><mi>ε</mi></msub><mi>,p+</mi><msub><mi>p</mi><mi>ε</mi></msub><mi>]</mi>，是误差功率；
10、若光伏系统工作时的输出功率<mi>p</mi><mi>∈</mi><mi>[</mi><mi>p-</mi><msub><mi>p</mi><mi>ε</mi></msub><mi>,p+</mi><msub><mi>p</mi><mi>ε</mi></msub><mi>]</mi>，则当前光伏系统不存在故障；
11、若光伏系统工作时的输出功率<mi>p</mi><mi>∉</mi><mi>[</mi><mi>p-</mi><msub><mi>p</mi><mi>ε</mi></msub><mi>,p+</mi><msub><mi>p</mi><mi>ε</mi></msub><mi>]</mi>，则当前光伏系统存在故障；
12、当光电池板存在故障时，对光电池板的故障进行检测和定位。
13、优选的，在通过光电关联模型检测到光伏系统存在故障时，启动红外传感器获取区域内光电池板受到光照时的红外特征图像，并通过训练的机器学习模型，识别是否存在异常红外特征图像，检测光伏系统中光电池板是否存在故障，所述机器学习模型为卷积神经网络模型；
14、所述机器学习模型的训练步骤如下：收集光电池板的在不同光照强度下的红外特征图像，并对红外特征图像进行预处理，所述红外特征图像为灰度图，所述灰度图是通过灰度颜色表达红外特征分布；根据灰度图中灰度颜色分布均匀程度，划分出光电池板的正常红外特征图像和异常红外特征图像；
15、将正常红外特征图像标记为1，异常红外特征图像标记为0；将红外特征图像和对应的标签构建为机器学习的数据集，所述数据包括训练集、验证集和测试集；
16、将训练集作为机器学习模型的输入，机器学习模型以异常红外特征图像为输出；在最小化机器学习模型中的损失函数值为训练目标，当机器学习模型损失函数值收敛时停止训练。
17、优选的，在启动红外传感器对光电池板进行红外特征检测后，红外传感器实时获取所有区域内的光电池板红外特征图像，并将光电池板的红外特征图像传输给机器学习模型，机器学习模型检测所有红外特征图像，并识别是否存在红外异常特征图像；
18、当机器学习模型识别到光电池板的异常红外特征图像时，对红外异常的光电池板进行定位，同时关闭异常光电池板，根据光电关联模型重新计算关闭异常光电池板后光伏系统新的理论输出功率范围<mi>[p</mi><mi>'-</mi><msub><mi>p</mi><mi>ε</mi></msub><mi>',</mi><mi>p</mi><mi>'</mi><mo>+</mo><本文档来自技高网...
【技术保护点】
1.一种分布式光伏的故障检测方法，其特征在于，包括，
2.根据权利要求1所述的一种分布式光伏的故障检测方法，其特征在于，构建环境数据与电气数据的光电关联模型：
3.根据权利要求2所述的一种分布式光伏的故障检测方法，其特征在于，在构建的光伏系统环境数据与电气数据的光电关联模型中，输入当前的环境数据和光伏系统的系统参数，计算出标准输出功率，；并设定标准输出功率的误差范围，是误差功率；
4.根据权利要求3所述的一种分布式光伏的故障检测方法，其特征在于，在通过光电关联模型检测到光伏系统存在故障时，启动红外传感器获取区域内光电池板受到光照时的红外特征图像，并通过训练的机器学习模型，识别是否存在异常红外特征图像，检测光伏系统中光电池板是否存在故障，所述机器学习模型为卷积神经网络模型；
5.根据权利要求4所述的一种分布式光伏的故障检测方法，其特征在于，在启动红外传感器对光电池板进行红外特征检测后，红外传感器实时获取所有区域内的光电池板红外特征图像，并将光电池板的红外特征图像传输给机器学习模型，机器学习模型检测所有红外特征图像，并识别是否存在红外异
6.根据权利要求5所述的一种分布式光伏的故障检测方法，其特征在于，输入扰动是对光伏系统的电力传输线路输入扰动信号，通过检测扰动信号变化，定位光伏系统中的电力传输线路故障；
7.根据权利要求6所述的一种分布式光伏的故障检测方法，其特征在于，对光伏系统的电力传输线路输入扰动后，在扰动的输出端接收扰动信号，根据扰动信号的变化判断电力传输线路是否故障；
8.根据权利要求7所述的一种分布式光伏的故障检测方法，其特征在于，在光伏系统的逆变器的线缆端输入扰动信号后，在输入端部署传感器接收扰动信号的反射信号；
9.根据权利要求8所述的一种分布式光伏的故障检测方法，其特征在于，构建扰动信号在传输线路的传输方程：
10.一种分布式光伏的故障检测系统，其基于权利要求1～9任一项所述的一种分布式光伏的故障检测方法实现，其特征在于，包括光电关联模块、光伏故障判断模块、光电池板故障检测模块以及线路传输故障检测模块；
11.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
12.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～9任一项所述的一种分布式光伏的故障检测方法。
...【技术特征摘要】
1.一种分布式光伏的故障检测方法，其特征在于，包括，
2.根据权利要求1所述的一种分布式光伏的故障检测方法，其特征在于，构建环境数据与电气数据的光电关联模型：
3.根据权利要求2所述的一种分布式光伏的故障检测方法，其特征在于，在构建的光伏系统环境数据与电气数据的光电关联模型中，输入当前的环境数据和光伏系统的系统参数，计算出标准输出功率，；并设定标准输出功率的误差范围，是误差功率；
4.根据权利要求3所述的一种分布式光伏的故障检测方法，其特征在于，在通过光电关联模型检测到光伏系统存在故障时，启动红外传感器获取区域内光电池板受到光照时的红外特征图像，并通过训练的机器学习模型，识别是否存在异常红外特征图像，检测光伏系统中光电池板是否存在故障，所述机器学习模型为卷积神经网络模型；
5.根据权利要求4所述的一种分布式光伏的故障检测方法，其特征在于，在启动红外传感器对光电池板进行红外特征检测后，红外传感器实时获取所有区域内的光电池板红外特征图像，并将光电池板的红外特征图像传输给机器学习模型，机器学习模型检测所有红外特征图像，并识别是否存在红外异常特征图像；
6.根据权利要求5所述的一种分布式光伏的故障检测方法，其特...
【专利技术属性】
技术研发人员：吴林河，王会武，张永丽，晋颖，高志鑫，
申请(专利权)人：西安中创新能网络科技有限责任公司，
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。