一种基于离群点检测的光伏阵列实时监控与故障检测方法与流程

本发明涉及一种基于离群点检测的光伏阵列实时监控与故障检测方法，属于光伏发电技术领域。

背景技术：

目前针对于sp结构的光伏阵列的故障检测方法已经有好多种，大多都是基于传感器检测，通过传感器获得的值相比较以判断故障，但是，该方法传感器众多，限于小型的光伏阵列，实时性，智能化程度不高，且不能够判断出故障的程度，没有相对明确的指标。

技术实现要素：

本发明的目的在于利用本发明的一种基于离群点检测的光伏阵列实时监控与故障检测方法，来对sp型拓扑结构光伏阵列实施监控与故障检测，并判断出故障位置，以解决现阶段我国人工判别故障出现的时间点的不准确性，随机性，不经济性的问题。

为了解决上述技术问题，本发明提供基于一种离群点检测的光伏阵列实时监控与故障检测方法，包括以下步骤：

步骤a：实时采集光伏阵列各个组串的电流，获取所有组串的电流数据。

步骤b：考虑到lof方法应用于小型光伏阵列的不适用性，对步骤a中的电流进行扩充处理。

对获取的电流i＝{i1，i2，…ii}，如果i小于20，则需对上述电流数组进行扩充；否则不变；i表示电流的组串数。构造电流扩充矩阵e，如果一个光伏阵列的组串数小于20，则需要对组串进行扩充，则需要构造扩充矩阵e。

式中，j＝max(i)；u＝20modj+1；

其中，j表示光伏阵列组串数，u表示该光伏阵列需要扩充的组数，若j＝6,则u＝4,以此类推。

最后获取用于离群点检测新的iv’，iv’表示扩充之后的所有串电流的集合。

iv’＝i*e(2)

步骤c：对上述扩充后的电流值应用lof方法

设数据集x∈rn×m，其中n为样本数，m为变量数。

定义1.k距离——各观察对象距离其最近的观察对象之间的距离。观察对象p的k距离dk(p)：

dk(p)＝d(p,o)(3)

其中o为数据集x中与p邻近的k个观察对象最近的的一个观察点。

定义2.p观察对象的k距离领域nk(p)

nk(p)＝{q∈x/{p}|d(p,q)＜＝dk(p)}(4)

其中q为数据集x中的观察对象。

定义3.观察对象p相对于观察对象o的局部可达距离。

reach-distk(p,o)＝max{dk(p),d(p,o)}(5)

定义4.观察对象p的局部可达密度lrdk(p)

定义5.观察对象的局部异常因子lofk(p)。

步骤d：对lof值进行处理，获得最终用于评估光伏阵列是否异常的pvlof值。

式中，h——灵敏度调整值，通常由光伏阵列中安装的电流传感器的精度确定，如果精度很高，该值接近于1，如果精度稍低，该值可以适当放大，理论上如果光伏阵列正常，则所有组串的电流值应当相差无几，该值为1，但是由于电流传感器的检测误差，lof比1稍大，为控制检测的灵敏度，不因过于灵敏而导致误警报现象，根据实验室所采用的的电流传感器，灵敏度调整值h设定为5。

式中，pvlofi为最终第i串电流值相对应的离群因子值，w为正整数，取值从0到u。

本发明的有益效果为：

(1)、对sp型拓扑结构光伏阵列实施监控与故障检测，能够准确判断出附着物阴影遮挡与迁移物阴影遮挡，能够实现故障位置定位，并发出故障预警，以解决现阶段我国人工判别故障出现的时间点的不准确性，随机性，不经济性的问题；

(2)相比于光伏仿真模型，该方法具有实时性，能够适用于各种天气情况下，各种规模的光伏电站进行实时监控与故障检测。

附图说明

图1为本发明的流程图；

图2为阴影1故障图；

图3为阴影2故障图；

图4为故障检测结果图；

图5为实时电流图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如图1所示，本发明的基于离群点检测的光伏阵列实时监控与故障检测方法，包括以下步骤：

步骤a：通过传感器实时采集光伏阵列各组串的电流值，获取光伏阵列各组串实时电流数据。

步骤b:考虑到lof方法应用于小型光伏阵列的不适用性，对步骤a中的电流进行扩充处理。

判断整个光伏阵列的组串数是否大于20，大于20则直接应用离群点lof方法进行检测，若是小于20，按照式(1)构造扩充矩阵，对原始电流矩阵通过与扩充矩阵相乘获得新的电流矩阵。

即，对获取的电流i＝{i1，i2，…ii}，如果i小于20，则需对上述电流数组进行扩充；否则不变；i表示电流的组串数。构造电流扩充矩阵e，当一个光伏阵列的组串数小于20，则需要对组串进行扩充，才需要构造扩充矩阵e。

式中，j＝max(i)；u＝20modj+1；

其中，j表示光伏阵列组串数，u表示该光伏阵列需要扩充的组数，若j＝6,则u＝4,以此类推。

最后获取用于离群点检测新的iv’，iv’表示扩充之后的所有串电流的集合。

iv’＝i*e(2)

步骤c：对上述扩充后的电流值应用lof方法

设数据集x∈rn×m，其中n为样本数，m为变量数。

定义1.k距离——各观察对象距离其最近的观察对象之间的距离。观察对象p的k距离dk(p)：

dk(p)＝d(p,o)(3)

其中o为数据集x中与p邻近的k个观察对象最近的的一个观察点。

定义2.p观察对象的k距离领域nk(p)

nk(p)＝{q∈x/{p}|d(p,q)＜＝dk(p)}(4)

其中q为数据集x中的观察对象。

定义3.观察对象p相对于观察对象o的局部可达距离。

reach-distk(p,o)＝max{dk(p),d(p,o)}(5)

定义4.观察对象p的局部可达密度lrdk(p)

定义5.观察对象的局部异常因子lofk(p)。

对新的电流矩阵按照式式(3)-(7)编写离群点检测程序获得最终的lof值，作为评估光伏阵列是否出现故障的检测标准。在此过程中，确定i即故障串的序号，定位到串，以实施定位。

步骤d：对lof值进行处理，获得最终用于评估光伏阵列是否异常的pvlof值。

式中，h——灵敏度调整值，通常由光伏阵列中安装的电流传感器的精度确定，如果精度很高，该值接近于1，如果精度稍低，该值可以适当放大，理论上如果光伏阵列正常，则所有组串的电流值应当相差无几，该值为1，但是由于电流传感器的检测误差，lof比1稍大，为控制检测的灵敏度，不因过于灵敏而导致误警报现象，根据实验室所采用的的电流传感器，灵敏度调整值h设定为5。

式中，pvlofi为最终第i串电流值相对应的离群因子值，w为正整数，取值从0到u。

根据lof值，为尽可能降低误警报率。通过调节灵敏度确定故障阈值，对lof值按照式(8)-(9)进行处理，确定最后用于评估光伏系统运行的参考数据pvlof。

为说明本算法的可行性，在多云天气中，给出两种不同程度的阴影故障，两种阴影故障分别如图2所示的大阴影故障(应用透光率为0.2的遮光板对整个一块光伏电池板进行遮挡)和如图3所示的小阴影故障(应用透光率为0.2的遮光板对一块电池板的一半进行遮挡)，故障检测结果如图4所示，实际电流如图5所示。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。