[發(fā)明專利]一種光伏電池板熱斑故障檢測方法

有效

• 申請?zhí)枺?/td>: 201610511747.2
• 申請日: 2016-07-01
• 公開（公告）號: CN106230377B
• 公開（公告）日: 2018-04-27
• 發(fā)明（設計）人: 段其昌;毛明軒;段盼;胡蓓;楊增瑞;李思;鐘加妙
• 申請（專利權）人: 重慶大學
• 主分類號: H02S50/10
• 分類號: H02S50/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發(fā)明涉及光伏發(fā)電系統(tǒng)故障檢測領域，尤其是一種光伏電池板熱斑故障檢測方法。

背景技術

太陽能作為一種可再生、無污染的新能源，越來越受到人們的重視，每年光伏電站的裝機容量增長迅速。隨著光伏產(chǎn)業(yè)的快速發(fā)展，光伏電站工作狀態(tài)的自動監(jiān)控和故障診斷成為維護電站正常工作的首要任務。而光伏電站的運行與每一塊光伏陣列的工作狀態(tài)息息相關。當光伏組件發(fā)生局部遮陰或組件老化時，產(chǎn)生的熱斑效應會使光伏轉換受到影響，如果不能及時發(fā)現(xiàn)，情況嚴重時會造成光伏電池的永久性損壞，影響光伏電站的安全運行及經(jīng)濟效益。

為了保障光伏系統(tǒng)的安全運行，光伏熱斑效應保護與檢測方法主要有：1)并聯(lián)二極管法，該方法主要是通過旁路二極管將被遮擋的光伏組件進行短路，防止光伏組件因發(fā)熱被燒毀，該方法可以一定程度上延長光伏電池板的壽命，但不能避免熱斑效應的發(fā)生；2)多傳感器檢測法，通過設計檢測結構，采集一些電氣參數(shù)進行故障診斷和故障組件定位，該方法安裝復雜，成本高；3)電氣測量法，該方法利用故障狀態(tài)下光伏陣列的電流、電壓的變化，并建立相應的故障檢測模型或規(guī)則庫，進行光伏故障診斷。該方法的主要難點是需要考慮溫度、光照和風速等外界環(huán)境的變化，診斷模型的建立困難，而診斷模型直接影響了故障檢測精度和效率；4)紅外圖像法，紅外圖像能夠直觀的反映被測物體的溫度特性，現(xiàn)已被廣泛應用于工業(yè)、建筑和電力監(jiān)控等領域的故障檢測。根據(jù)不同工作狀態(tài)下的光伏組件存在明顯溫差的特征，光伏系統(tǒng)中通過對紅外圖像的處理與分析，可以提取可能的熱斑現(xiàn)象故障區(qū)域及區(qū)域的特征信息，從而能夠實現(xiàn)對光伏電池單體工作狀態(tài)正常與否進行識別。

目前，為了直接快速的檢測光伏電池板熱斑效應，基于紅外圖像法多采用對原始圖像的分割和特征提取，然后采用模糊推理的方法對光伏組件的工作狀態(tài)識別，而模糊推理缺乏自我學習能力，泛化能力較差。中國專利申請201510331763.9公開了一種基于圖像識別的光伏組件故障提示方法及系統(tǒng)，該方法僅采用閾值對比的方法對故障的識別，可靠性不高。此外，中國專利申請?zhí)?01510567969.1公開了一種基于紅外圖像的光伏陣列故障等級劃分方法，該方法基于模式識別的算法，實現(xiàn)了光伏故障的等級劃分，該方法圖像預處理繁瑣，無法實現(xiàn)大量圖像的快速分析診斷。

近年，隨著機器學習算法的研究發(fā)展，應用范圍不斷拓寬。目前，支持向量機(Support Vector Machine，SVM)以其出色的性能和理論基礎成為了繼神經(jīng)網(wǎng)絡之后機器學習領域新的研究熱點。它與傳統(tǒng)的機器學習方法相比，能夠解決小樣本學習問題，同時可以有效的解決非線性、高維和局部極值等實際問題。目前，基于支持向量機的光伏故障診斷與分類方法多針對于電氣信號，如中國專利申請?zhí)?01510168541.X公開的基于粒子群優(yōu)化支持向量機的光伏發(fā)電陣列故障診斷與分類方法；中國專利申請?zhí)?01510498491.1公開了一種光伏陣列故障診斷方法。然而，這些方法需要考慮不同環(huán)境信息，前期人工數(shù)據(jù)采集繁瑣，工作量大。但相關文獻與專利中基于紅外圖像的支持向量機光伏電池板熱斑故障診斷的方法研究還很少。同時，為了提高SVM的性能，引入帶擴展記憶的粒子群算法(Particle Swarm Optimization with Extended Memory，PSOEM)對SVM的核函數(shù)參數(shù)和懲罰因子進行優(yōu)化選擇，以提高SVM模型的分類性能。

發(fā)明內(nèi)容

針對現(xiàn)有技術的不足，本發(fā)明的目的是提供一種光伏電池板熱斑故障檢測方法，通過采集不同熱斑故障狀態(tài)下的紅外圖像，對紅外圖像預處理并分割提取熱斑故障特征向量，訓練SVM多類故障檢測模型，并采用PSOEM優(yōu)化SVM中的核函數(shù)參數(shù)g和懲罰因子c，建立光伏電池板熱斑故障檢測模型，實現(xiàn)對光伏電池板的熱斑故障檢測，并給出熱斑損傷等級，促進光伏發(fā)電系統(tǒng)的安全有效運行。

本發(fā)明提供的一種光伏電池板熱斑故障檢測方法，包括以下步驟：

S1：采集正常以及不同熱斑故障狀態(tài)下的光伏電池板的紅外圖像信息及其溫度信息；

S2：分割紅外圖像中的熱斑區(qū)域并提取特征向量；

S3：選擇徑向基函數(shù)作為核函數(shù)，初步建立基于SVM的多類故障檢測模型，其中核函數(shù)參數(shù)g和懲罰因子c為待定參數(shù)；

S4：運用訓練樣本對SVM多類故障檢測模型進行訓練，并采用帶擴展記憶的粒子群算法優(yōu)化SVM多類故障檢測模型中的核函數(shù)參數(shù)g和懲罰因子c；

S5：選取訓練樣本分類精度最高的一組參數(shù)作為最優(yōu)的核函數(shù)參數(shù)g和懲罰因子c的值，得到訓練完成的SVM多類故障檢測模型；