一种光伏阵列多传感器故障检测定位方法与流程

本发明属于光伏发电技术领域，具体涉及一种光伏阵列多传感器故障检测定位方法。

背景技术：

光伏阵列是光伏发电系统的核心，通常布置于气候条件恶劣的地区，使得光伏阵列在运行过程中极易出现故障。而在大规模光伏发电系统中，为了满足高电压、大电流的供电要求，需要对数量庞大的光伏组件进行串/并连接，组成一定规模的光伏阵列，这就使得在光伏阵列发生故障时，难以检测故障以及确定故障的具体位置。

现有光伏阵列故障诊断方法有预测模型法、红外热成像法、离线诊断法、智能诊断法、多传感器法等，这些方法各有优缺点。预测模型法是基于光伏发电系统各类参数，建立参数预测模型，将系统电气量的实测值与模型预测值相比较，以此判定故障。该方法无需额外硬件，但准确性受模型精度的影响。红外热成像法可基于红外成像技术，在运行过程中检测热斑现象，不需要测量电气量，但成本高，检测结果易受环境影响。离线诊断法包括信号反射法(tdr)和测量对地电容法(ecm)，tdr法是在传输线中比较输入信号与反射信号的异同来判断故障的发生，ecm是根据故障组件与正常组件之间对地电容的不同，通过测量接地电容来判断组件是否发生故障。这两种方法虽然能够定位故障位置，但需要停工进行检测。智能诊断法有较多种，例如，可以通过搭建一个三层的bp神经网络，建立故障模式与故障原因的映射关系；也可以利用小波变换将故障信号进行分解与重构，寻找出信号的奇异点；或者利用模糊c均值聚类算法使每一类故障的非相似性指标的价值函数最大，由隶属度的大小判别故障数据与故障模式的相似程度，从而诊断出光伏阵列故障；再或者可以针对光伏组件的热斑故障，利用光伏组件输出曲线斜率对遮挡个数进行诊断。这些智能诊断方法能够自主判别故障，节约人工成本，但检测准确度较低。多传感器法是基于优化传感器配置的光伏阵列故障检测定位的方法，其实质是将传感器安装于光伏阵列并对采集到的数据进行分析，从而实现故障检测定位。该方法检测准确度高，易于故障定位，但往往过多增加系统成本。

因此，寻找一种既能适用于大规模光伏阵列又不过多增加系统成本；既能够精确自主检测定位又算法简洁、易于实现的方法，成为光伏阵列故障检测定位工作中的难题。

技术实现要素：

本发明的目的是提供一种光伏阵列多传感器故障检测定位方法，融合了多传感器法与智能诊断法，形成了基于改进bp神经网络的光伏阵列多传感器故障检测定位方法，可以有效提升大规模光伏阵列故障检测定位效率。

本发明的主要思路是：首先将光伏阵列分割成若干个检测单元，将故障定位到某个检测单元；然后在检测单元内部，根据故障特征值与故障位置间的映射关系，利用一种改进bp神经网络实现故障的检测与定位。

本发明所采用的技术方案是，一种光伏阵列多传感器故障检测定位方法，包括以下步骤：

步骤1，布置光伏阵列传感器

将一个m×n的光伏阵列分割成i个检测单元，每个检测单元为一个3×3的子阵列，每个检测单元安装若干电压传感器；

步骤2，故障检测单元的确定

根据下式计算每个检测单元的残差系数θ，当残差系数超过预设的限定值时，判定该检测单元发生故障，

式中，uave——任一检测单元传感器电压均值；ui——任一检测单元各传感器电压值；

步骤3，计算故障特征值

在第i个检测单元内部，根据下列公式计算出光伏组件电在不同故障情况下传感器的故障特征值：

uia＝pvi4+pvi5-pvi1

uib＝pvi5+pvi6-pvi3

uic＝pvi7+pvi8-pvi4

uid＝pvi8+pvi9-pvi6

uunit＝pvi1+pvi2+pvi3＝pvi4+pvi5+pvi6＝pvi7+pvi8+pvi9

正常运行时，uia＝uib＝uic＝uid＝1/3uunit

式中uunit——检测单元的电压；

步骤4，故障数据的预处理

采用下式对步骤3的第i个检测单元内部的故障特征值进行归一化处理：

式中，xk——样本数据；yk——经过归一化处理后的数据；

步骤5，神经网络的改进

采用改进的bp神经网络，其数学表达式为：

式中，w(k)——总输出向量；m、n——隐含节点与输入节点数目；wz——隐含层到输出层的权值——第i个隐含层节点的输出；wb1——隐含层偏差单元权值；ξ——隐含节点层的激活函数；wy——反馈误差权值；wx——输入层到隐含层的权值；ii(k)——本网络在时间k的第i个输入；wb2——输出层偏差单元权值；

在学习的训练过程中，设k＝1，2，3，…，n；输入向量ak＝(a1,a2,…,an)；输出向量bk＝(b1,b2,…,bn)；隐含层单元输入向量ck＝(c1,c2,…,cn)；输出向量dk＝(d1,d2,…,dn)；输出层单元输入向量ek＝(e1,e2,…,en)，输出向量fk＝(f1,f2,…,fn)；隐含层各单元输出阈值{θj}，j＝1，2，…，n；输出层各单元输出阈值{γj}，j＝1，2，…，n。

则有，隐含层各单元输入输出：

dn＝f(k)(6)

输出层各单元输入及输出响应：

fn＝f(ek)(8)

输出层各单元的一般化误差：

gn＝(bn-fn)·fn·(1-fn)(9)

隐含层各单元的一般化误差：

修正连接权值：

wx(n+1)＝wx(n)+β·hn·an；0<β<1(12)

步骤6，训练神经网络

以步骤4经过归一化处理的第i个检测单元内部各传感器的故障特征值作为网络输入，以故障位置编号作为网络的输出，对改进的bp神经网络进行训练；

步骤7，实际运行情况下故障位置的确定

在实际运行情况下，对各传感器采集到的故障数据进行与步骤4相同的归一化处理，再将其输入训练好的神经网络进行识别，可以得到对应的故障位置编号，即识别出检测单元中发生故障的光伏组件。

本发明的特点还在于：

进一步的，还包括步骤8，判断是否为非硬性故障，判据为

uia＝uib＝uic＝uid。

进一步的，步骤1所述光伏阵列的分割方法为，当光伏阵列能完全分割时，第1，2，3行第1，2，3列共计9个光伏组件组成第1个检测单元；第1，2，3行第4，5，6列组成第2个检测单元；依次类推，第m-2,m-1,m行第n-2,n-1,n列组成第i个检测单元，不能完全分割时，将剩余行或列与上一检测单元的部分行列组成新的检测单元，其编号方式与之前一致。

进一步的，步骤2所述预设的限定值为6％。

进一步的，对所述改进的bp神经网络进行训练时，其输入、输出节点数均为4，隐含层节点数为12，学习速率0.1，训练次数为1000，训练目标为0.0001。

本发明的有益效果是，本发明的故障检测定位方法能适用于大规模光伏阵列又不过多增加系统成本；既能够精确自主检测定位又算法简洁、易于实现。

附图说明

图1是本发明故障检测定位方法的流程示意图；

图2是本发明传感器布置图(完全分割情况)；

图3是本发明传感器布置图(不完全分割情况)；

图4是仿真实验的故障检测定位图；

图5是网络性能比较图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的详细说明，但本发明并不限于这些实施方式。

本发明的光伏阵列多传感器故障检测定位方法，如图1所示，具体按照以下步骤实施：

步骤1，布置光伏阵列传感器

将一个m×n的光伏阵列分割成i个检测单元，每个检测单元为一个3×3的子阵列，每个检测单元安装多个电压传感器：

a.考虑完全分割情况

当光伏阵列恰好能完全分割时，第1，2，3行第1，2，3列共计9个光伏组件组成第1个检测单元；第1，2，3行第4，5，6列组成第2个检测单元；依次类推，第m-2,m-1,m行第n-2,n-1,n列组成第i个检测单元，如图2所示。

b.考虑不完全分割情况

先按完全分割情况进行分割，当出现行剩余或列剩余时，将剩余行(列)与上(前)一检测单元的部分行列组成新的检测单元，其编号方式与之前一致，如图3所示。

步骤2，故障检测单元的确定

当故障发生时，将故障先定位到某个检测单元，然后在检测单元内部判断故障的精确位置。

本方法中以各测量单元电压传感器平均值与各传感器的相对误差作为判断故障的重要依据，θ被称为残差系数，当残差系数超过限定值，判定发生故障。

式中，uave——传感器电压均值；ui——各传感器电压值。

残差系数θ的取值在很大程度上能够对故障检测定位精度产生影响，残差系数取值过大或者过小，易造成故障的误判或者漏判，故在进行整体仿真之前，进行前期实验，验证不同的残差系数取值下故障检测单元的定位精度，实验结果如下表，可以发现在残差系数取值为6％时定位精度最高，故在进行后期实验时残差系数默认取值6％。

表1残差系数的取值

步骤3，由步骤1传感器布置方式得出相应的故障特征值

在第i个检测单元内部，根据传感器放置的位置得到以下公式：

uia＝pvi4+pvi5-pvi1

uib＝pvi5+pvi6-pvi3

uic＝pvi7+pvi8-pvi4

uid＝pvi8+pvi9-pvi6

uunit＝pvi1+pvi2+pvi3＝pvi4+pvi5+pvi6＝pvi7+pvi8+pvi9

在正常运行时，

uia＝uib＝uic＝uid＝1/3uunit

式中uunit——检测单元的电压。

根据公式可以计算出光伏组件电在不同故障情况下传感器的故障特征值。以表中pvi1故障为例，当pvi1受到故障影响时被二极管短路因而其输出电压为零。uia两端的电势分别为2/3uunit和0，uib两端的电势分别为2/3uunit和1/2uunit，偏离了正常值1/3uunit，其中uic与uid不受影响。下表是单组件故障情况下的位置编号以及各电压传感器的故障特征值。表中ui为电压传感器测量值，uunit为检测单元电压值。

表2故障编号及特征值

步骤4，故障数据的预处理

为了使网络快速收敛，此处对输入输出样本进行特殊的归一化处理：

式中，xk——样本数据；yk——经过归一化处理后的数据。

步骤5，神经网络的改进

通过在bp神经网络中附加一些内部反馈通道来增加神经网络的学习能力，改进了bp神经网络收敛速度慢等缺陷。网络的数学表达式为：

式中，w(k)——总输出向量；m、n——隐含节点与输入节点数目；wz——隐含层到输出层的权值——第i个隐含层节点的输出；wb1——隐含层偏差单元权值；ξ——隐含节点层的激活函数；wy——反馈误差权值；wx——输入层到隐含层的权值；ii(k)——本网络在时间k的第i个输入；wb2——输出层偏差单元权值。

在学习的训练过程中，设k＝1，2，3，…，n；输入向量ak＝(a1,a2,…,an)；输出向量bk＝(b1,b2,…,bn)；隐含层单元输入向量ck＝(c1,c2,…,cn)；输出向量dk＝(d1,d2,…,dn)；输出层单元输入向量ek＝(e1,e2,…,en)，输出向量fk＝(f1,f2,…,fn)；隐含层各单元输出阈值{θj}，j＝1，2，…，n；输出层各单元输出阈值{γj}，j＝1，2，…，n。

则有，隐含层各单元输入输出：

dn＝f(k)(6)

输出层各单元输入及输出响应：

fn＝f(ek)(8)

输出层各单元的一般化误差：

gn＝(bn-fn)·fn·(1-fn)(9)

隐含层各单元的一般化误差：

修正连接权值：

wx(n+1)＝wx(n)+β·hn·an；0<β<1(12)

步骤6，训练神经网络

以步骤4经过归一化处理的各传感器故障特征值作为网络输入，以故障位置编号作为网络的输出，根据s函数特点，将故障位置用对应二进制编号替代以提高网络收敛速度。其输入、输出节点数均为4，隐含层节点数为12，学习速率0.1，训练次数为1000，训练目标为0.0001，完成训练。

步骤7，实际运行情况下故障位置的确定

在实际运行情况下，将各传感器采集到的故障数据通过数据通道在电站计算机监控系统的故障检测定位模块中进行汇集，然后进行与步骤4相同的归一化处理，再将经过预处理的故障数据输入步骤6已经训练好的神经网络进行识别，可以得到对应的故障位置编号，即识别出检测单元中发生故障的光伏组件。

步骤8，判定是否为非硬性故障。

在实际运行中，将故障分为硬性故障与非硬性故障，硬性故障指故障特征不随时间变化而改变的故障，通常由组件自身情况异常引起，此类故障需要清除后组件才能继续正常工作；非硬性故障是指随时间而变化且无需修复的故障，如云或建筑物的阴影遮挡，组件受到阴影影响，仍有输出电压，但输出电压的幅值小于正常组件。非硬性故障会使得传感器测量数据异常，易被检测算法判定为故障。由实际运行情况可知，光伏电池的输出电压会随着光照强度的减小而降低，受非硬性故障影响的组件其输出电压会发生整体变化，使得检测单元内部的传感器测量值也随之整体变化，针对这一问题，本文提出了一种新的非硬性故障判据：

uia＝uib＝uic＝uid(13)

为了验证判据的正确性，发明人在标准测试条件的基础上，对无阴影(1000w/m²)，半阴影(500w/m²)，全阴影(0w/m²)3种不同情况，分别进行实验论证，具体光伏组件的输出电压值可由性能曲线得出，实验结果见表3。由表3可以看出本文所提出的判定条件能够较好的识别非硬性故障。

表3阴影对于故障定位精度的影响

下面通过仿真实验来验证本发明方法的有效性。

根据鲁能敦煌40mw光伏电站的实际情况，在标准测试条件下每个光伏组件的正常工作电压范围为29～31v左右。利用matlab在此范围随机生成100×100的随机数，来模拟一个无故障、组件数量为100×100的光伏阵列，手动更改20组数值作为光伏阵列中的故障点，用以验证该方法的正确性。将100×100的光伏阵列以横纵坐标为1～100自然数的点阵表示(原点无任何实际含义)，仿真结果如图4，图中4种类型的点形分别表示实际故障位置、基于bp神经网络的多传感器故障检测定位结果、基于改进bp神经网络的多传感器故障检测定位结果。

可以发现使用bp神经网络作为故障的检测定位方法，在对第68行第62列、第43行第56列、第85行第33列的光伏组件进行故障检测定位时发生了漏判或错判，而使用改进bp神经网络作为故障的检测定位方法则精确定位了全部故障组件，所以本文所用的方法在定位精确度方面远优于采用bp神经网络的多传感器故障检测定位方法，详细数据如表4所示。

表4故障检测定位方法的比较

再对于网络的性能进行比较，如图5所示，可以看出改进后的bp神经网络在收敛速度方面有明显优势。综上所述，对比于bp神经网络，使用改进bp神经网络来进行光伏阵列多传感器故障检测定位具有优异性。