【技術實現步驟摘要】
本專利技術涉及光伏故障檢測，具體涉及一種基于iv曲線數據的光伏故障智能診斷方法及系統。
技術介紹
1、在新型電力系統不斷推進的背景下，光伏發電規模和發電量屢創新高。如何快速有效地識別故障組件，并針對性地進行維護，已經成為提高能源效率、降低投資風險的關鍵舉措，也是未來運維工作的重要方向。
2、隨著功率優化器和微型逆變器的引入，光伏發電系統可以便捷地獲取光伏陣列的i-v特性曲線，根據i-v特性曲線能夠確定光伏陣列的故障類型，并對故障組件進行定位。
3、眾多研究表明，利用i-v特性曲線進行故障識別和定位是可行的，但當曲線較為相似、故障差異性不明顯或電氣參數變化微小時，故障類型和故障位置就很難通過傳統i-v特性曲線檢測法進行精準識別。
技術實現思路
1、(一)解決的技術問題
2、針對現有技術所存在的上述缺點，本專利技術提供了一種基于iv曲線數據的光伏故障智能診斷方法及系統，能夠有效克服現有技術所存在的難以利用iv曲線對光伏陣列的故障類型和故障位置進行精準識別的缺陷。
3、(二)技術方案
4、為實現以上目的，本專利技術通過以下技術方案予以實現：
5、一種基于iv曲線數據的光伏故障智能診斷方法，包括以下步驟：
6、s1、預先獲取光伏陣列在任意溫度和輻照度下的iv曲線，并得到光伏陣列的iv曲線模型；
7、s2、根據iv曲線模型判斷光伏陣列的工作狀態是否異常，并在光伏陣列處于異常工作狀態下采集光伏陣列的
8、s3、將光伏陣列的工作數據輸入故障類型識別模型，得到光伏陣列的故障類型；
9、s4、根據光伏陣列的電壓時域信號獲得光伏陣列的有效電壓時域信號，并根據光伏陣列的電壓數據和電流數據獲得光伏陣列的有效電流時域信號；
10、s5、對光伏陣列的有效電壓時域信號和有效電流時域信號進行匹配，重構當前光伏陣列的iv曲線；
11、s6、根據光伏陣列理論模型得到參考iv曲線，并對重構iv曲線和參考iv曲線進行閾值殘差分析，進行光伏陣列的故障定位。
12、優選地，s1中預先獲取光伏陣列在任意溫度和輻照度下的iv曲線，并得到光伏陣列的iv曲線模型，包括：
13、預先獲取光伏陣列在任意溫度和輻照度下的iv曲線，并對所有iv曲線進行分析，確定光伏陣列的iv曲線模型：
14、
15、其中，i為光伏陣列的輸出電流，v為光伏陣列的輸出電壓，q為電子電荷，t為光伏陣列的絕對溫度，k為玻爾茲曼常數；
16、采用蜜蜂花朵授粉算法對iv曲線模型中的光生電流i1、二極管反向飽和電流i2、串聯電阻阻值r1、并聯電阻阻值r2和二極管理想常數ε進行求解，得到光伏陣列的iv曲線模型。
17、優選地，s2中根據iv曲線模型判斷光伏陣列的工作狀態是否異常，包括：
18、獲取光伏陣列在當前溫度和輻照度下的當前iv曲線，并確定iv曲線模型在當前溫度和輻照度下的擬合結果；
19、判斷當前iv曲線與擬合結果之間的偏差是否大于預設閾值，并在偏差大于預設閾值的情況下，確定光伏陣列處于異常工作狀態。
20、優選地，s2中在光伏陣列處于異常工作狀態下采集光伏陣列的工作數據，包括：
21、在光伏陣列處于異常工作狀態下，采集包含光伏陣列的電壓數據、電流數據和電壓時域信號在內的工作數據。
22、優選地，所述故障類型識別模型包括隨機森林分類器、xgboost分類器、多層感知分類器和元分類模型，所述元分類模型用于融合隨機森林分類器、xgboost分類器和多層感知分類器的分類結果，并輸出故障類型識別模型的分類結果；
23、其中，元分類模型為邏輯回歸模型。
24、優選地，s3中將光伏陣列的工作數據輸入故障類型識別模型，得到光伏陣列的故障類型之前，包括：
25、s31、按照預設比例將歷史數據集劃分為訓練集、驗證集和測試集；
26、s32、設定故障類型識別模型的損失函數和優化器；
27、s33、將訓練集輸入故障類型識別模型進行模型訓練；
28、s34、基于損失函數計算損失值，優化器根據損失值和網絡梯度信息更新模型參數；
29、s35、若損失值小于預設閾值，則模型訓練結束，當前故障類型識別模型即為訓練好的故障類型識別模型，否則返回s33，繼續利用訓練集進行模型訓練；
30、s36、將驗證集輸入訓練好的故障類型識別模型，通過觀察驗證集上的性能來評估模型的泛化能力，并調優模型的超參數和結構；
31、s37、將測試集輸入調優后的故障類型識別模型，進行模型性能評估。
32、優選地，s32中設定故障類型識別模型的損失函數，包括：
33、故障類型識別模型的損失函數loss為：
34、
35、其中，yi、yi’分別為樣本i的實際值、預測值，n為樣本數量。
36、優選地，s4中根據光伏陣列的電壓時域信號獲得光伏陣列的有效電壓時域信號，包括：
37、篩選光伏陣列的電壓時域信號中的最大值和最小值，選定電壓時域信號處于最大值與最小值之間的有效區間；
38、對光伏陣列的電壓時域信號的有效區間按等時間間隔進行電壓插值，獲得光伏陣列的有效電壓時域信號。
39、優選地，s4中根據光伏陣列的電壓數據和電流數據獲得光伏陣列的有效電流時域信號，包括：
40、采用電流立方插值法對光伏陣列的電流數據進行插值，獲得光伏陣列的有效電流時域信號；
41、其中，采用電流立方插值法對光伏陣列的電流數據進行插值，包括：
42、確定各電壓分段區間，在各電壓分段區間內設定電流插值函數i(v)：
43、i(v)＝a(v-vj)3+b(v-vj)2+c(v-vj)+d；
44、上式中，a、b、c、d均為待求系數，v為待插值電壓，vj為待插值電壓v附近電壓點的電壓值；
45、求解待插值電壓v附近電壓點的電壓值vj，并將其代入上式中，獲得光伏陣列的有效電流時域信號。
46、一種基于iv曲線數據的光伏故障智能診斷系統，包括數據采集模塊、iv曲線模型構建模塊、異常工作狀態判斷模塊、故障類型識別模塊、有效電壓時域信號獲取模塊、有效電流時域信號獲取模塊、iv曲線重構模塊和故障定位模塊；
47、數據采集模塊，獲取光伏陣列在任意溫度和輻照度下的iv曲線，并在光伏陣列處于異常工作狀態下采集光伏陣列的工作數據；
48、iv曲線模型構建模塊，根據光伏陣列在任意溫度和輻照度下的iv曲線構建光伏陣列的iv曲線模型；
49、異常工作狀態判斷模塊，根據iv曲線模型判斷光伏陣列的工作狀態是否異常；
50、故障類型識別模塊，將光伏陣列的工作數據輸入故障類型識別模型，得到光伏陣列的故障類型；
5本文檔來自技高網...
【技術保護點】
1.一種基于IV曲線數據的光伏故障智能診斷方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于IV曲線數據的光伏故障智能診斷方法，其特征在于：S1中預先獲取光伏陣列在任意溫度和輻照度下的IV曲線，并得到光伏陣列的IV曲線模型，包括：
3.根據權利要求2所述的基于IV曲線數據的光伏故障智能診斷方法，其特征在于：S2中根據IV曲線模型判斷光伏陣列的工作狀態是否異常，包括：
4.根據權利要求3所述的基于IV曲線數據的光伏故障智能診斷方法，其特征在于：S2中在光伏陣列處于異常工作狀態下采集光伏陣列的工作數據，包括：
5.根據權利要求4所述的基于IV曲線數據的光伏故障智能診斷方法，其特征在于：所述故障類型識別模型包括隨機森林分類器、XGBoost分類器、多層感知分類器和元分類模型，所述元分類模型用于融合隨機森林分類器、XGBoost分類器和多層感知分類器的分類結果，并輸出故障類型識別模型的分類結果；
6.根據權利要求1所述的基于IV曲線數據的光伏故障智能診斷方法，其特征在于：S3中將光伏陣列的工作數據輸入故障類型識別模型
7.根據權利要求6所述的基于IV曲線數據的光伏故障智能診斷方法，其特征在于：S32中設定故障類型識別模型的損失函數，包括：
8.根據權利要求1所述的基于IV曲線數據的光伏故障智能診斷方法，其特征在于：S4中根據光伏陣列的電壓時域信號獲得光伏陣列的有效電壓時域信號，包括：
9.根據權利要求8所述的基于IV曲線數據的光伏故障智能診斷方法，其特征在于：S4中根據光伏陣列的電壓數據和電流數據獲得光伏陣列的有效電流時域信號，包括：
10.一種基于IV曲線數據的光伏故障智能診斷系統，用于執行權利要求1所述的基于IV曲線數據的光伏故障智能診斷方法，其特征在于：包括數據采集模塊、IV曲線模型構建模塊、異常工作狀態判斷模塊、故障類型識別模塊、有效電壓時域信號獲取模塊、有效電流時域信號獲取模塊、IV曲線重構模塊和故障定位模塊；
...【技術特征摘要】
1.一種基于iv曲線數據的光伏故障智能診斷方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于iv曲線數據的光伏故障智能診斷方法，其特征在于：s1中預先獲取光伏陣列在任意溫度和輻照度下的iv曲線，并得到光伏陣列的iv曲線模型，包括：
3.根據權利要求2所述的基于iv曲線數據的光伏故障智能診斷方法，其特征在于：s2中根據iv曲線模型判斷光伏陣列的工作狀態是否異常，包括：
4.根據權利要求3所述的基于iv曲線數據的光伏故障智能診斷方法，其特征在于：s2中在光伏陣列處于異常工作狀態下采集光伏陣列的工作數據，包括：
5.根據權利要求4所述的基于iv曲線數據的光伏故障智能診斷方法，其特征在于：所述故障類型識別模型包括隨機森林分類器、xgboost分類器、多層感知分類器和元分類模型，所述元分類模型用于融合隨機森林分類器、xgboost分類器和多層感知分類器的分類結果，并輸出故障類型識別模型的分類結果；
6.根據權利要求1所述的基...
【專利技術屬性】
技術研發人員：李浩然，譚軍文，高斌，唐占達，趙佳佳，楊永明，蔡明彤，李暢，王翠波，盤杰賢，
申請(專利權)人：華潤新能源宜良有限公司，
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。