一种光伏阵列故障识别方法和装置、电子设备与流程

本发明涉及光伏发电，尤其涉及一种光伏阵列故障识别方法和装置、电子设备。

背景技术：

1、自“双碳”目标提出以来，郊区分布式光伏快速增长，光伏相关产业日益发展壮大，但光伏阵列因工作环境复杂易发生多种故障，进而影响光伏系统的运行可靠性和能量转化效率。如何将成熟、高效的人工智能算法引入光伏阵列故障诊断领域也逐渐引起学者和研究人员的重视。

2、光伏系统作为新能源重要组成部分，长时间运行于复杂、随机的环境。光伏组件电池单元内部发生氧化、不计寿命长时间运行等造成不同程度异常老化状态时，阵列输出电压和电流参数出现不同程度的降低。光伏阵列在不同程度局部阴影状态时，阵列输出特性最大功率点电压和最大功率点电流受到影响，导致光伏阵列输出功率出现畸变，影响输出稳定并降低发电效率。

3、并电网光伏阵列数量庞大，组件或阵列发生故障会导致整个光伏系统不能安全有效运行，因此迫切需要本领域技术人员提供一种过程简单、识别速度快的光伏阵列故障识别方法。

4、光伏阵列智能检测法中机器学习方法多被应用于阵列故障识别领域，将提取到的故障特征数据输入机器学习算法进行模型训练，得到智能故障识别模型，实现对光伏阵列故障模式快速、准确的智能学习分类。

5、目前常用的机器学习方法主要是神经网络以及各种神经网络的改进算法。但是，神经网络算法的中间层节点数目确定困难，导致神经网络在学习训练中易陷入局部最优问题，计算过程复杂，导致光伏阵列故障识别结果准确率降低。

技术实现思路

1、本发明实施例的目的是提供一种光伏阵列故障识别方法和装置、电子设备，能够解决现有光伏阵列故障识别方案中存在的识别结果准确率降低问题。

2、为解决上述技术问题，本发明提供如下技术方案：

3、本发明实施例提供了一种光伏阵列故障识别方法，包括：

4、基于电网运行参数，建立并网光伏发电系统拓扑结构；

5、基于所述并网光伏发电系统拓扑结构模拟光伏阵列在预设异常状况下的运行状况，得到光伏阵列的第一输出特性；

6、对比所述第一输出特性与所述光伏阵列正常运行状态下的第二输出特性，生成三维故障特征量组；

7、根据所述三维故障特征量组搭建svm故障识别模型，并对所述svm故障识别模型的惩罚因子与核函数参数进行优化，得到目标svm故障识别模型；

8、基于所述目标svm故障识别模型对目标三维故障特征量进行有效性验证，以对光伏阵列进行故障识别。

9、可选地，基于所述并网光伏发电系统拓扑结构模拟光伏阵列在预设异常状况下的运行状况，得到光伏阵列的第一输出特性的步骤，包括：

10、基于所述拓扑结构和预设仿真平台，建立仿真模型；

11、对所述仿真模型进行预设异常状况下的光伏阵列故障模拟，获取各异常状况下对应的光伏阵列的第一输出特性，其中，所述预设异常状况包括：光伏阵列发生不同程度异常老化状态、光伏阵列存在不同程度局部阴影的状态。

12、可选地，所述光伏阵列发生不同程度异常老化状态包括：所述光伏阵列中的第一组串发生第一程度老化、第二组串正常；所述光伏阵列中的第一组串发生第二程度老化、所述第二组串正常；所述光伏阵列中的第一组串、第二组串均老化；

13、所述光伏阵列存在不同程度局部阴影的状态包括：所述光伏阵列中单一组串光伏组件的辐照度为0，所述光伏阵列中多组串光伏组件的辐照度为0。

14、可选地，对比所述第一输出特性与所述光伏阵列正常运行状态下的第二输出特性，生成三维故障特征量组的步骤，包括：

15、针对每一个程度的异常老化状态，对所述异常老化状态对应的输出特性进行分析，确定所述光伏阵列的最大功率点电压和最大功率点电流；

16、将各程度的异常老化状态对应的最大功率点电压和最大功率点电流，与所述光伏阵列正常运行状态下的最大功率点电压和最大功率点电流进行比对，得到异常老化状态下的第二输出特性；

17、针对每一个程度的局部阴影的状态，对所述局部阴影状态对应的输出特性进行分析，确定所述光伏阵列的u-i曲线阶梯拐点数；

18、将各所述u-i曲线阶梯拐点数作为局部阴影状态下的第二输出特性。

19、可选地，根据所述三维故障特征量组搭建svm支持向量机故障识别模型，并对所述svm故障识别模型的惩罚因子与核函数参数进行优化，得到目标svm故障识别模型的步骤，包括：

20、对所述三维故障特征量组进行离差归一化处理，得到目标三维故障特征量组；其中，目标三维故障特征量组包括多组基于所述光伏阵列的最大功率点电压和最大功率点电流、u-i曲线阶梯拐点数组成的三维故障特征量；

21、将所述目标三维故障特征量组中的故障特征量分成训练集和测试集；

22、搭建初始svm故障识别模型，并依据所述训练集对所述初始svm故障识别模型的惩罚因子与核函数参数进行迭代优化直至满足迭代优化截止条件，得到目标svm故障识别模型。

23、本发明实施例还提供了一种光伏阵列故障识别装置，包括：

24、建立模块，用于基于电网运行参数，建立并网光伏发电系统拓扑结构；

25、模拟模块，用于基于所述并网光伏发电系统拓扑结构模拟光伏阵列在预设异常状况下的运行状况，得到光伏阵列的第一输出特性；

26、生成模块，用于对比所述第一输出特性与所述光伏阵列正常运行状态下的第二输出特性，生成三维故障特征量组；

27、模型优化模块，用于根据所述三维故障特征量组搭建svm故障识别模型，并对所述svm故障识别模型的惩罚因子与核函数参数进行优化，得到目标svm故障识别模型；

28、识别模块，用于基于所述目标svm故障识别模型对目标三维故障特征量进行有效性验证，以对光伏阵列进行故障识别。

29、可选地，所述模拟模块包括：

30、第一子模块，用于基于所述并网光伏发电系统拓扑结构和预设仿真平台，建立仿真模型；

31、第二子模块，用于对所述仿真模型进行预设异常状况下的光伏阵列故障模拟，获取各异常状况下对应的光伏阵列的第一输出特性，其中，所述预设异常状况包括：光伏阵列发生不同程度异常老化状态、光伏阵列存在不同程度局部阴影的状态。

32、可选地，所述光伏阵列发生不同程度异常老化状态包括：所述光伏阵列中的第一组串发生第一程度老化、第二组串正常；所述光伏阵列中的第一组串发生第二程度老化、所述第二组串正常；所述光伏阵列中的第一组串、第二组串均老化；

33、所述光伏阵列存在不同程度局部阴影的状态包括：所述光伏阵列中单一组串光伏组件的辐照度为0，所述光伏阵列中多组串光伏组件的辐照度为0。

34、可选地，所述生成模块包括：

35、第三子模块，用于针对每一个程度的异常老化状态，对所述异常老化状态对应的输出特性进行分析，确定所述光伏阵列的最大功率点电压和最大功率点电流；

36、第四子模块，用于将各程度的异常老化状态对应的最大功率点电压和最大功率点电流，与所述光伏阵列正常运行状态下的最大功率点电压和最大功率点电流进行比对，得到异常老化状态下的第二输出特性；

37、第五子模块，用于针对每一个程度的局部阴影的状态，对所述局部阴影状态对应的输出特性进行分析，确定所述光伏阵列的u-i曲线阶梯拐点数；

38、第六子模块，用于将各所述u-i曲线阶梯拐点数作为局部阴影状态下的第二输出特性。

39、可选地，所述模型优化模块包括：

40、第七子模块，用于对所述三维故障特性量组进行离差归一化处理，得到目标三维故障特征量组；其中，目标三维故障特征量组包括多组基于所述光伏阵列的最大功率点电压和最大功率点电流、u-i曲线阶梯拐点数组成的三维故障特征量；

41、第八子模块，用于将所述目标三维故障特征量组中的故障特征量分成训练集和测试集；

42、第九子模块，用于搭建初始svm故障识别模型，并依据所述训练集对所述初始svm故障识别模型的惩罚因子与核函数参数进行迭代优化直至满足迭代优化截止条件，得到目标svm故障识别模型。

43、本发明实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现上述任意一种光伏阵列故障识别方法的步骤。

44、本发明实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现上述任意一种光伏阵列故障识别方法的步骤。

45、本发明实施例提供的光伏阵列故障识别方案，基于电网运行参数，建立并网光伏发电系统拓扑结构；基于拓扑结构模拟光伏阵列在预设异常状况下的运行状况，得到光伏阵列的第一输出特性；对比第一输出特性与光伏阵列正常运行状态下的第二输出特性，生成三维故障特征量组；根据三维故障特征量组搭建svm故障识别模型，并对svm故障识别模型的惩罚因子与核函数参数进行优化，得到目标svm故障识别模型；基于目标svm故障识别模型对目标三维故障特征量进行有效性验证，以对光伏阵列进行故障识别。该种光伏阵列故障识别方案，svm基于结构风险最小化原则对期望风险进行估计，能够克服模型训练过程中的过拟合问题，使得基于svm故障识别模型具有良好地分类辨别能力；此外，通过三维故障特征量组对svm故障识别模型进行训练，能够提升svm故障识别模型对光伏阵列故障识别的准确率。