【技術實現步驟摘要】
本專利技術屬于電力系統設備故障診斷和健康度評價，具體涉及一種光伏陣列故障診斷和健康度評價方法及系統。
技術介紹
1、太陽能作為一種具有代表性的新能源，隨著太陽能光伏發電裝機容量不斷提高，光伏陣列已不再局限于光照充足的戈壁、山地等地區，在光伏汽車、太陽能路燈、居民樓屋頂等方面均有應用，已廣泛覆蓋人類生活的方方面面。這也意味著如果光伏陣列突然故障，可能會對電力系統造成巨大的發電量損失，產生供需失配風險，另一方面也可能引發安全事故，帶來生命財產損失。因此，研究光伏陣列的故障檢測技術可以準確判斷光伏陣列的實時健康狀態，提升太陽能發電的安全性與穩定性，減少不必要的經濟損失。
2、現有光伏陣列故障檢測技術可分為紅外圖像檢測方法、數學模型檢測方法和智能算法檢測方法等。紅外圖像檢測方法利用紅外成像技術將光伏陣列工作時的熱輻射轉換為熱圖像，再對熱圖像進行分析，實現故障檢測，但是紅外設備造價高昂，技術難以普及。數學模型檢測方法是通過分析光伏陣列在不同時刻和運行狀態下的電氣參數，建立理想化數學模型檢測故障，高度依賴于數學模型的精準性，容錯率較低。智能算法檢測方法將收集到的電氣參數交由智能算法處理，通過訓練模型建立故障特征量和故障類型之間的映射關系，已受到廣泛關注。
3、然而，目前應用于光伏陣列故障檢測的智能算法檢測方法存在準確度低的問題，因此在此方面需要進一步提高。另一方面，在光伏陣列的健康度評價方面，研究表明輻照度、工作溫度、濕度、灰塵等運行條件都會影響光伏陣列的發電功率，目前對光伏陣列健康度的研究甚少，難以將所有影響因素對
4、基于上述現狀，本專利技術希望提供一種光伏陣列故障診斷和健康度評價方法及系統。
技術實現思路
1、本專利技術的目的在于提供一種光伏陣列故障診斷和健康度評價方法及系統，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種光伏陣列故障檢測模型，具體包括以下步驟：
4、步驟1.1：首先選取特征變量，建立光伏陣列仿真模型，獲得正常狀態以及短路、開路、陰影遮擋和老化四種故障類型的特征變量，即開路電壓、短路電流、輸出有功功率、最大功率點處電壓及電流。提取光伏陣列實時數據。
5、步驟1.2：數據預處理
6、數據預處理是將原始輸入量按照比例轉換為沒有量綱的標幺值，本文所搭建的網絡所需輸入變量為光伏陣列的開路電壓、短路電流、輸出有功功率、最大功率點處電壓及電流，5個典型參數，這些參數之間單位不同，需將這些典型參數數據集轉換到不受其他單位等因素影響的標幺值。本文采用的歸一化方法為最大最小均值法，所用公式如下：
7、
8、式中，xmax為樣本數據中的最大值；xmin為樣本數據中的最小值；x’為均一化之后的數據；xi為原始輸入數據中的第i個數據。
9、步驟1.3：使用基于模糊rbf神經網絡法的光伏陣列故障判定法
10、為了實現光伏陣列故障區域的判定，區域判定方法采用模糊rbf神經網絡算法，模糊rbf神經網絡的拓撲結構如圖1所示。
11、模糊rbf神經網絡共六層，為輸入層、模糊化層、推理層、歸一化層、反模糊化層及輸出層，每一層輸入層節點對應的模糊化層節點為三個。異層節點之間的連接需要依靠神經元節點，同層節點間不存在耦合，輸出的任一層神經元僅對下一層神經元的輸出產生影響，且僅對前一層神經元的輸入敏感。
12、步驟1.3.1：計算輸入層
13、輸入矩陣形式為r×q的樣本(r代表輸入層神經元個數，q代表樣本數)。輸入層各神經元連接模糊化層各神經元，所連接模糊化層中的各神經元為該維模糊子空間的代表，連接權值對應聚類中心的寬度。
14、步驟1.3.2：計算模糊化層
15、對輸入向量中的各維輸入進行分類，并歸入對應模糊子空間，通過隸屬度函數對各維分類情況進行描述。
16、模糊化層通過模糊聚類算法劃分輸入向量的維度，得到n個模糊子空間。通過模糊聚類算法將輸入的r維向量聚類成n類，得到r×n個聚類中心，對聚類寬度進行計算，其公式為：
17、
18、式中，xi代表第i維輸入向量；nj代表第j類向量的數目；cij代表第i維第j類的中心。
19、通過模糊化層的各節點對各輸入信息的模糊隸屬度值進行計算，隸屬度函數采用高斯函數，得到計算公式：
20、
21、式中，代表第q個向量的第i維第j類隸屬度值；xqj代表第q個向量的第i個分量；σij代表第i維第j類的寬度；q，i，j分別代表輸入向量、輸入向量的維數、模糊子空間的序號，其中q＝1,2,…,q；i＝1,2,…,r；j＝1,2,…,n。
22、步驟1.3.3：計算推理層
23、按照模糊規則計算完成模糊化的隸屬度值，其中隸屬度的取值范圍為[0,1]。將所得不同模糊規則下的隸屬度值輸出至歸一化層，應用連乘處理隸屬度值的推理層輸出公式為：
24、
25、式中，j＝1,2,…,n。在r維n類中每維分別取一類對其隸屬度進行計算，得到nr個推理層神經元個數。
26、步驟1.3.4：計算歸一化層
27、歸一化推理層中得到的隸屬度值并將其反饋至反模糊化層。已知歸一化層中所有神經元均直接連接推理層中對應的神經元，得到歸一化的輸出公式為：
28、
29、在進行歸一化計算時，若分母為0，則不需進行歸一化計算。
30、步驟1.3.5：計算反模糊化層
31、對隸屬度值進行變換，使分類情況的復雜度降低，將轉換后的隸屬度反饋至輸出層。則連接反模糊化層與輸出層的連接權矩陣w需要滿足的條件是：
32、
33、式中，w和的維數為r×r。已知訓練過程中的輸出矩陣y，為了求取連接權矩陣w，需要對式(6)兩端右乘
34、
35、式中，為代表完成歸一化的輸出矩陣，直接與連接權矩陣w相乘可得出整個模糊rbf神經網絡的輸出矩陣。
36、步驟1.3.6：計算輸出層
37、處理輸出向量，輸出分類情況。
38、步驟1.4：基于訓練結果進行檢測故障
39、將測試樣本輸入到訓練好的模糊rbf神經網絡中進行計算，輸出故障診斷結果。在本文中，故障檢測結果為5級制，故障狀態按照危害輕重，分別為：即無故障，陰影遮擋，老化故障，短路故障和開路故障。
40、第二方面，應用本專利技術所提出光伏陣列健康度評價方法的一種光伏陣列故障檢測模型，具體步驟如下：
41、光伏陣列健康度評價體系包含了目標層、項目層和指標層，本專利技術結合定性和定量分析，采用熵權法這一客觀權重確定法對傳統層次分析法(ahp)的評價結果進行修正，利用模糊評價理論對最終低壓配電臺區運行狀態進行綜合評價。
42、步驟2.1：首先建立光伏陣列健康度評價體本文檔來自技高網...
【技術保護點】
1.一種光伏陣列故障診斷和健康度評價方法，其特征在于，具體包括以下步驟：
2.根據權利要求1所述的一種光伏陣列故障診斷和健康度評價方法，其特征在于：所述步驟1.2中，采用的歸一化方法為最大最小均值法，所用公式如下：
3.根據權利要求1所述一種光伏陣列健康度評價方法的光伏陣列故障檢測模型，其特征在于，具體步驟如下：
4.根據權利要求1或2所述的一種計算機設備，其特征在于，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述處理器執行所述計算機程序時實現上述的計及頻率安全與充裕性風險約束的機組組合方法的任一步驟。
5.根據權利要求1或2所述的一種計算機可讀存儲介質，其特征在于，其上存儲有計算機程序，其中：所述計算機程序被處理器執行時實現上述的計及頻率安全與充裕性風險約束的機組組合方法的任一步驟。
【技術特征摘要】
1.一種光伏陣列故障診斷和健康度評價方法，其特征在于，具體包括以下步驟：
2.根據權利要求1所述的一種光伏陣列故障診斷和健康度評價方法，其特征在于：所述步驟1.2中，采用的歸一化方法為最大最小均值法，所用公式如下：
3.根據權利要求1所述一種光伏陣列健康度評價方法的光伏陣列故障檢測模型，其特征在于，具體步驟如下：
4.根據權利要求1或2所述...
【專利技術屬性】
技術研發人員：張磊，秦建松，陳浩，沈祥，章立宗，張懷勛，陸曉東，汪磊，周松，董欽，張碩彬，金鋼，顧煜明，朱杰，車艷紅，羅寧，徐達，張煉軍，裘索，金旸棟，孫余冰，
申請(專利權)人：紹興大明電力建設有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。