[發明專利]一種光伏陣列的故障診斷方法

有效

• 申請號: 201910669063.9
• 申請日: 2019-07-24
• 公開（公告）號: CN110417350B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 楊奕;陳建波;顧菊平;顧海勤;梅天祥;任曉琳;高龍;于婧雅;韓青青
• 申請（專利權）人: 南通大學
• 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

本發明涉及一種光伏陣列的故障診斷方法，屬于光伏陣列故障診斷領域。本發明包括以下步驟：(1)對各預設工況下的光伏陣列進行伏安特性曲線掃描，采集短路電流、開路電壓、最大功率點處的電流與電壓，組成樣本數據；(2)根據樣本數據，采用改進的蝙蝠算法計算出KELM模型中的懲罰因子C和核函數中的核參數σ；(3)采用訓練集中的每個樣本對KELM模型進行訓練，得到IBA?KELM故障診斷模型；采集短路電流、開路電壓、最大功率點處的電流與電壓，利用所述IBA?KELM故障診斷模型，對所述實際待測工況的參數進行檢測，判斷光伏陣列是否處于故障狀態；若處于故障狀態，則給出故障類型。本發明提供的故障診斷方法能對光伏陣列常見故障進行更準確地診斷。

技術領域

本發明涉及光伏陣列故障診斷技術領域，特別涉及一種光伏陣列的故障診斷方法。

背景技術

太陽能作為一種分布廣、可再生的清潔能源，已成為當新能源領域的重要研究方向，且頗具發展前景。但由于光伏陣列安裝在戶外環境中，易受環境因素影響導致故障頻發。如不能及時對發生的故障進行診斷與處理，會導致光伏陣列的發電效率降低，使用壽命縮短，嚴重時甚至會出現設備損壞、火災等問題。為提高光伏陣列的發電效率以及安全性，光伏陣列的故障診斷技術成為當前的研究熱點之一。

近年來，多種故障診斷方法與技術相繼被提出。窗口電壓檢測法通過計算組件串的窗口工作電壓可檢測出開路和短路故障數量。基于參數模型的故障診斷方法通過耦合數學方程和能量守恒方程建立模型，利用光伏組件與環境的總熱交換系數進行故障診斷。由于光伏組件故障具有多元、多層次、模糊態等特點，為了更準確地識別故障，人工智能算法被引入其中。基于BP神經網絡的組件在線診斷方法，將光伏組件的開路電壓、短路電流、最大功率點電壓電流作為神經網絡的輸入向量，以此區分出組件正常、短路或者異常老化三種狀態。基于RBF神經網絡的故障診斷方法則首先對光伏組件進行參數辨識，獲取到各工況下組件內部等效參數作為故障訓練網絡的輸入向量，該方法能更為客觀、有效地識別出故障類型。但該方法受參數設置與故障樣本數據的影響較大，同時其故障模型的診斷精度和訓練時間還有較大提升空間，另外，該方法不能對局部固有陰影故障進行檢測。

因此，如何解決對光伏陣列局部陰影進行檢測的問題，同時提高光伏陣列故障模型的診斷精度和診斷速率，是本領域技術人員亟待解決的問題。

發明內容

有鑒于此，本發明的目的在于提供一種光伏陣列的故障診斷方法，本發明方法采用改進的蝙蝠算法(IBA)對基于核極限學習機(KELM)的光伏陣列故障診斷模型的參數進行優化，并利用該模型對光伏陣列故障進行診斷，具有較高的診斷精度。

為實現以上目的，本發明提供了一種光伏陣列故障診斷方法，包括如下步驟：

S1：對各預設工況下的光伏陣列進行伏安特性曲線掃描，采集短路電流、開路電壓、最大功率點處的電流和最大功率點處的電壓，組成樣本數據；

S2：根據步驟S1得到的所述樣本數據，采用改進的蝙蝠算法計算出KELM模型中的懲罰因子C和核函數中的核參數σ；

S3：根據步驟S2計算得到的所述懲罰因子C和所述核參數σ，采用KELM模型對訓練集中的每個樣本進行訓練，得到IBA-KELM故障診斷訓練模型；

S4：對實際待測工況進行伏安特性曲線掃描，采集短路電流、開路電壓、最大功率點出的電壓、最大功率點處的電流，利用所述IBA-KELM故障診斷訓練模型，對所述實際待測工況的參數進行檢測，判斷光伏陣列是否處于故障狀態；若處于故障狀態，則給出故障類型；

其中，步驟S3中所述IBA-KELM模型采用RBF核函數K(μ,v)＝exp[-(μ-v²)/σ]，其中，μ和ν分別代表樣本數據中的任意兩個個體對應的向量值，σ為核參數。

優選的，在步驟S2中，所述改進的蝙蝠算法通過以下方式實現：