基于BP神经网络的光伏并网电站故障检测装置的制作方法
本发明涉及基于bp神经网络的光伏并网电站故障检测装置，属于太阳能光伏发电技术领域。
背景技术：
随着新能源应用的迫切需要，太阳能光伏发电的规模的不断扩大，光伏发电的运营、维护、管理等各个环节迫切需要智能转型升级以提高效率降低成本。因此需要实时准确地了解每一片光伏电池板的工作状态。目前的虽然有一些监测方法，但是都不能正确判断光伏组件的运行状态。如，专利申请号2020203163891《一种组件级的光伏电站故障检测系统》所公开的技术方法。由于光伏组件的工作状态受温度影响极大，仅仅检测输出端电压不能准确判断光伏组件的运行状态的好坏。目前的光伏电站都只能对一串光伏电池组件进行监控且不能顾及背板温度的影响，不能确定故障的类型，不能满足大规模光伏电站的运营维护要求，本技术就是为了解决这一问题而设计的。
技术实现要素：
针对上述现有技术存在的不足，本发明基于bp神经网络的光伏并网电站故障检测装置，给出了解决上述问题的方法。
基于bp神经网络的光伏并网电站故障检测装置，其特征在于包括：光伏阵列、测量模块、控制模块、通讯模块、温度传感器组构成。
光伏阵列由多个光伏组件串联构成。
光伏阵列的输出端与测量模块的输入端连接。
测量模块的输出端与控制模块的输入端连接；控制模块的输出端与通讯模块的输入端连接。
所述测量模块包括电压采样模块和电流采样模块，所述电压采样模块个数与光伏组件的个数相同，所述每个电压采样模块的输入端分别与相应光伏组件的输出端连接，所述电流采样模块的输入端与任意一块光伏组件的输出端连接，用于实时采集光伏阵列的输出电压和输出电流。
温度传感器组由多个温度传感器阵列构成，每个光伏组件的背面接触式放置一个温度传感器阵列，温度传感器阵列由多个温度传感器构成，均匀分布于光伏组件的背面，用于测量光伏组件的背板温度；每个温度传感器的输出端都与控制模块的输入端连接。
通讯模块用于将当前系统状态以及故障检测结果传出。
本发明基于bp神经网络的光伏并网电站故障检测装置，其特征在于控制模块根据检测光伏阵列的电流和第k个光伏组件的电压值和温度传感器阵列的平均温度值，采用bp神经网络的计算方法，计算出光伏阵列是否出现热斑、隐裂、遮挡等故障，步骤如下：
步骤1计算光伏组件的平均温度值
设有k个光伏组件，将每个光伏组件的温度值进行排序，选取排在中间的两个值的平均值，作为第k个光伏组件的温度均值，记作tk，其中k=1,2,...,k，则所有光伏组件的温度均值为：t1,t2,...,tk。选取第k个光伏组件的最大温度值，记作tk-max，选取第k个光伏组件的最小温度值，记作tk-min。然后再将t1,t2,...,tk从小到大进行排序，取中间的温度值（如果为偶数个，取中间两个值的平均值），作为所有光伏组件的平均温度值t。
步骤2获取一天不同时间段的平均温度值、电流值、电压值
选择阳光充足的天气，将早上6点到晚间6点的时间段进行整点划分，设t为时间，其中t=1,2,...,m，获取不同时间段的平均温度值t1,t2,...,tm，电流值i1,i2,...,im，第k个光伏组件的电压值
步骤3采用bp神经网络进行学习
1）选定输入和输出样本；
设t为平均温度，i为电流，vk为第k个光伏组件的电压，将时间t、平均温度t、电压vk和电流i的值转换成二进制；当光伏阵列发电正常时，输出d等于1；当光伏阵列出现故障时，输出d等于-1。则：
输入样本为：
2）选定初权值w；
3）重复下述过程，输入全部样本，直到收敛；
（1）输入样本x，计算各层输出：
（2）计算输出层误差：
（3）计算局部梯度
（4）修正输出层权值：
（5）修正隐层权值：
（6）输入新的样本x，设emax为阈值，直到所有样本都输入完成并且e<emax时结束。
步骤4获取当前的平均温度值、电压值、电流值
根据步骤1，计算出当前的平均温度值t；通过第k个光伏组件的电压采样模块获取电压值vk；通过电流采样模块获取电流值i。
步骤5采用bp神经网络进行检测
将当前的时间t、平均温度值t、电压值vk和电流值i作为输入向量x，输入到上述的神经网络中，当输出值d等于1时认为光伏阵列正常，当d等于-1时认为光伏阵列出现故障。
步骤6判断故障类型
当d等于-1时，计算：
设定阈值z，一般可取z=30，当ztk-max大于z%时，则认为第k个光伏组件出现热斑或隐裂故障；当ztk-min大于z%时，则认为第k个光伏组件出现阴影遮挡故障；当ztk-max和ztk-min都小于z%时，则认为无法确定第k个光伏组件的故障类型；当ztk-max和ztk-min都大于z%时，则认为第k个光伏组件同时出现热斑或隐裂以及阴影遮挡的故障。
步骤7循环上述过程
对于k=1,2,...,k进行重复上述过程，判断出所有光伏组件是否出现故障以及故障类型。
本发明优点在于可以实现对每块光伏组件更准确的判断故障点及故障类型提供有利的条件。
附图1是本发明基于bp神经网络的光伏并网电站故障检测装置的结构示意图。
附图2是bp神经网络权值计算过程图。
附图3是采用bp神经网络判断光伏组件是否出现故障以及故障类型的流程图。
具体实施方式
如附图1基于bp神经网络的光伏并网电站故障检测装置由光伏阵列、测量模块、控制模块、通讯模块、温度传感器组构成；
光伏阵列由多个光伏组件串联构成；
光伏阵列的输出端与测量模块的输入端连接；
测量模块的输出端与控制模块的输入端连接；控制模块的输出端与通讯模块的输入端连接；
所述测量模块包括电压采样模块和电流采样模块，所述电压采样模块个数与光伏组件的个数相同，所述每个电压采样模块的输入端分别与相应光伏组件的输出端连接，所述电流采样模块的输入端与任意一块光伏组件的输出端连接，用于实时采集光伏阵列的输出电压和输出电流；
温度传感器组由多个温度传感器阵列构成，每个光伏组件的背面接触式放置一个温度传感器阵列，温度传感器阵列由多个温度传感器构成，均匀分布于光伏组件的背面，用于测量光伏组件的背板温度；每个温度传感器的输出端都与控制模块的输入端连接；
通讯模块用于将当前系统状态以及故障检测结果传出。
如附图2和附图3，
本发明基于bp神经网络的光伏并网电站故障检测装置，其特征在于控制模块根据检测光伏阵列的电流和第k个光伏组件的电压值和温度传感器阵列的平均温度值，采用bp神经网络的计算方法，计算出光伏阵列是否出现热斑、隐裂、遮挡等故障，步骤如下：
步骤1计算光伏组件的平均温度值
设有k个光伏组件，将每个光伏组件的温度值进行排序，选取排在中间的两个值的平均值，作为第k个光伏组件的温度均值，记作tk，其中k=1,2,...,k，则所有光伏组件的温度均值为：t1,t2,...,tk。选取第k个光伏组件的最大温度值，记作tk-max，选取第k个光伏组件的最小温度值，记作tk-min。然后再将t1,t2,...,tk从小到大进行排序，取中间的温度值（如果为偶数个，取中间两个值的平均值），作为所有光伏组件的平均温度值t。
步骤2获取一天不同时间段的平均温度值、电流值、电压值
选择阳光充足的天气，将早上6点到晚间6点的时间段进行整点划分，设t为时间，其中t=1,2,...,m，获取不同时间段的平均温度值t1,t2,...,tm，电流值i1,i2,...,im，第k个光伏组件的电压值
步骤3采用bp神经网络进行学习
1）选定输入和输出样本；
设t为平均温度，i为电流，vk为第k个光伏组件的电压，将时间t、平均温度t、电压vk和电流i的值转换成二进制；当光伏阵列发电正常时，输出d等于1；当光伏阵列出现故障时，输出d等于-1。则：
输入样本为：
2）选定初权值w；
3）重复下述过程，输入全部样本，直到收敛；
（1）输入样本x，计算各层输出：
（2）计算输出层误差：
（3）计算局部梯度
（4）修正输出层权值：
（5）修正隐层权值：
（6）输入新的样本x，设emax为阈值，直到所有样本都输入完成并且e<emax时结束。
步骤4获取当前的平均温度值、电压值、电流值
根据步骤1，计算出当前的平均温度值t；通过第k个光伏组件的电压采样模块获取电压值vk；通过电流采样模块获取电流值i。
步骤5采用bp神经网络进行检测
将当前的时间t、平均温度值t、电压值vk和电流值i作为输入向量x，输入到上述的神经网络中，当输出值d等于1时认为光伏阵列正常，当d等于-1时认为光伏阵列出现故障。
步骤6判断故障类型
当d等于-1时，计算：
设定阈值z，一般可取z=30，当ztk-max大于z%时，则认为第k个光伏组件出现热斑或隐裂故障；当ztk-min大于z%时，则认为第k个光伏组件出现阴影遮挡故障；当ztk-max和ztk-min都小于z%时，则认为无法确定第k个光伏组件的故障类型；当ztk-max和ztk-min都大于z%时，则认为第k个光伏组件同时出现热斑或隐裂以及阴影遮挡的故障。
步骤7循环上述过程
对于k=1,2,...,k进行重复上述过程，判断出所有光伏组件是否出现故障以及故障类型。
本实施实例没有详细叙述的部件、工艺及字母均属本行业的公知部件和常用手段及常识，这里不一一叙述。
- 还没有人留言评论。精彩留言会获得点赞！