本发明属于光伏发电与运维领域，特别是涉及一种基于iv曲线扫描的光伏阵列故障诊断方法。
背景技术：
：光伏阵列是光伏发电系统的重要组成部分，由于其长期工作在比较恶劣的环境中，在热、电以及外部的破坏等因素作用下会引发阵列的开路、短路、热斑，以及逆变器过流、过压、功率管开路等故障，严重影响光伏系统的发电效率。此外，局部阴影遮挡不仅降低光伏组件输出功率，也会成为热斑等故障的诱因之一。为避免因故障导致的严重事故，提升系统发电效益，国内外研究机构以及企业已展开对光伏电站在线故障诊断方法的研究，包括红外图像法、模型对比法、离群点检测法等。现如今，一些逆变器厂家已在逆变器产品中增加了阵列iv曲线扫描功能，这给进一步增加故障识别类型以及提高故障诊断精度提供了机遇。技术实现要素：本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于iv曲线扫描的光伏阵列故障诊断方法，建立在具有iv扫描功能的光伏逆变器的基础上，能够较为准确的判断出阵列阴影遮挡、旁路二极管短路、阵列开路、老化、逆变器mppt(maximumpowerpointtracking最大功率点跟踪)跟踪异常等故障，并能够对故障做出较为准确的评估，从而给电站的运维提供了较为重要的信息。为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于iv曲线扫描的光伏阵列故障诊断方法，基于具有iv特性曲线扫描功能的光伏逆变器，所述光伏阵列故障诊断方法包括如下步骤：步骤a：阵列数学模型的参数整定与建立，具体包括：a1)输入组件stc下铭牌参数以及阵列配置参数，并计算stc下阵列模型优化参数θ0；a2)采集无故障状态下不同环境参数下若干组iv特性曲线，所述不同环境参数为不同辐照度以及不同环境温度；a3)iv曲线预处理，包括对曲线的平滑滤波与线性插值处理；a4)利用iv曲线短路点与开路点坐标，并利用最小二乘法拟合出实测共面辐照度和环境温度与电池片实际接受辐照度和温度函数关系；a5)利用粒子群优化算法对所述陈列数学模型的参数进行整定，并建立优化参数表θ＝table(s,t)，及不同辐照度和温度下的模型参数列表，s为实测辐照度序列，t为实测环境温度序列；a6)建立光伏阵列优化数学模型curve＝f(s,t,θ)；步骤b：在线故障的预判断，具体包括：b1)在阵列数学模型已建立的基础上判断当前环境参数是否稳定，若稳定，则进行下一步的故障预判断；b2)计算阵列功率与模型功率的偏差ea以及当前阵列与电站中功率最大阵列的功率偏差es，若其中一个偏差大于预定阈值，则标记为一次异常，并记录异常连续出现的次数，当异常连续出现3次，则认为当前阵列出故障，方进入故障识别过程；步骤c：基于iv曲线扫描的故障类型识别，具体包括：c1)扫描阵列并获取各串iv特性曲线；c2)iv曲线预处理，包括对曲线的线性插值与平滑滤波处理；c3)对预处理后的iv曲线进行特征量提取，包括短路点电流isc，开路点电压voc，电流关于电压的二阶导最大值dmax，电流关于电压的二阶导最小值dmin，开路电压点电流关于电压的一阶导数值ks，短路电流点电流关于电压的一阶导数值ksh，工作点功率与开路电压与短路电流乘积比值ff；c4)根据特征参量逻辑判断出故障类型，包括阴影遮挡，旁路二极管短路，组件老化，组串开路、阵列开路、逆变器mppt跟踪异常故障类型，若故障类型判断不出，则认为是功率异常损失故障；步骤d：故障评估；当获取故障类型后，根据特征量与模型输出曲线特征量的偏差对故障进行评估，对于局部阴影遮挡故障，估算遮挡程度；对于旁路二极管短路故障，估算旁路二极管短路个数；对于老化故障，估算老化程度；对于mppt跟踪异常现象，估算其跟踪偏差，对于无法判断出来故障类型的功率异常损失现象，估算其功率损失。上述的一种基于iv曲线扫描的光伏阵列故障诊断方法，所述步骤a1中输入组件stc下铭牌参数以及阵列配置参数包括stc下开路电压voc_stc，短路电流isc_stc，最大功率点电压vmpp_stc，最大功率点电流impp_stc，短路电流温度系数α，组件串联电池片个数ncs，组件旁路二极管个数nd，阵列组件个数ns；并计算stc下阵列模型优化参数θ0＝(a0,rs0,rsh0)t，其中a0为stc下单二极管模型的理想因子，默认为1，rs0为stc下阵列等效串联电阻，rsh0为stc下阵列等效并联电阻。上述的一种基于iv曲线扫描的光伏阵列故障诊断方法，所述步骤a4中实测辐照度和环境温度与电池片实际接受辐照度和温度的函数关系如式(1)所示：式中，s为实测共面辐照度，t为实测环境温度；β1、β2、β3、β4和β5为待拟合函数的参数；scell为电池片辐照度估计值，tcell为电池片温度估计值，两者的获取步骤如下所示：a4.1获取n条预处理后的iv曲线，获取每条曲线的开路点坐标与短路电流点坐标并获取对应的共面辐照度s(i)与环境温度t(i)，其中i代表曲线索引；a4.2将坐标和分别代入式(2)所示的基于单二极管模型的阵列iv曲线方程中，其中iph、is、is0、a0、rs0、rsh0、isc0、impp0、voc0变量和常量由式(3)求得，得式(4)所示方程组，通过求解方程组(4)求得当前环境参数下的和对于n条iv曲线，最终得s＝(s(1),s(2),...,s(n))t和t＝(t(1),t(2),...,t(n))t，以及与之对应的和其中，iph为光生电流；is为反向饱和电流；is0为stc下的反向饱和电流；isc0为stc下的短路电流；impp0为stc下最大功率点电流；voc0为stc下开路电压；s0为stc下辐照度；t0为stc下的温度；k为波尔兹曼常数，1.38×10-23j/k；q为电荷常数，1.60×10-19c；eg为禁带宽度，取值1.12；a4.3利用最小二乘法对式(1)进行函数拟合，最终求得β1、β2、β3、β4和β5，从而建立起实测辐照度和环境温度与电池片实际接受辐照度和温度的函数关系。上述的一种基于iv曲线扫描的光伏阵列故障诊断方法，所述步骤a5中利用粒子群优化算法对模型参数进行整定，并建立优化参数表θ＝table(s,t)，其步骤如下：a5.1获取n条预处理后iv特性曲线，并获取每条曲线的电流序列和电压序列其中i为曲线索引，l为每条曲线采样点个数；a5.2构建式(5)所示的适应度函数，其中和通过式(1)求得；为待优化参数，并设定每个参数区间范围如下：a5.3利用粒子群优化算法获取每条iv曲线的优化参数其步骤包括：a)初始化粒子群大小，初始位置和初始坐标，b)根据式(5)计算每个粒子的适应度，根据适应度更新每个粒子的最优解和全局最优解，并更新每个粒子的位置和速度，c)若达到预定迭代次数，则输出全局最优解，否则回到步骤b)；a5.4建立模型参数表θ＝table(s,t)，其中s＝(s(1),s(2),...,s(n))t,t＝(t(1),t(2),...,t(n))t，θ＝(θ(1),θ(2),...,θ(n))。上述的一种基于iv曲线扫描的光伏阵列故障诊断方法，所述步骤a6中建立光伏阵列优化数学模型curve＝f(s,t,θ)，首先需利用模型参数表θ＝table(s,t)估算出实测辐照度s与实测环境温度t下的模型参数再利用阵列iv曲线方程计算出实测环境参数下的iv特性曲线，具体步骤如下：a6.1根据实测环境参数(s,t)查找出表θ＝table(s,t)中st投影平面上相邻的4个点，且满足点(s,t)在4个点所构成的四边形内部，设查找的4个st投影面上的点分别为(sa,ta,)、(sb,tb)、(sc,tc)、(sd,td)，与之对应的参数为θa、θb、θc、θd，则利用最小二乘法对(sa,ta,aa)，(sb,tb,ab)，(sc,tc,ac)，(sd,td,ad)进行空间4点平面拟合，得到优化参数a关于s和t平面公式，同理获得优化参数rs关于s和t平面公式以及rsh关于s和t平面公式，最终估算出实测辐照度s与实测环境温度t下的模型参数a6.2当得到估算参数后，根据式(6)计算阵列iv曲线上的每一个点，其中scell和tcell通过式(1)求得，最终得到实测辐照度s和环境温度t下的iv曲线curve。上述的一种基于iv曲线扫描的光伏阵列故障诊断方法，所述步骤b1中在线故障预判断前需要判断的当前环境参数是否稳定的判断方法为：获取当前共面辐照度sb、环境温度tb和之前b-1个共面辐照和环境温度，构成大小为b的辐照度序列s＝(s1,s3,…,sb)t以及环境温度序列t＝(t1,t3,…,tb)t，分别计算辐照度序列的标准差σs以及温度序列的标准差σt，当σs＜50且σt＜5时，认为当前环境参数稳定，展开下一步的故障预判断。上述的一种基于iv曲线扫描的光伏阵列故障诊断方法，所述步骤c4中，通过特征量的逻辑判断来对预判断出来的故障进行故障识别，具体步骤如下：c4.1在步骤c3中获取实测iv曲线的各类特征量，包括短路点电流isc，开路点电压voc，电流关于电压的二阶导最大值dmax，电流关于电压的二阶导最小值dmin，开路电压点电流关于电压的一阶导数值ks，短路电流点电流关于电压的一阶导数值ksh，工作点功率p与开路电压与短路电流乘积比值ff，并获取阵列数学模型在当前实测环境参数下输出的iv曲线的特征量，包括模型iv曲线的开路点电压开路电压点电流关于电压的一阶导数值短路电流点电流关于电压的一阶导数值填充因子pmax为工作点功率最大值；c4.2获取实测iv曲线特征量和模型输出iv曲线特征量后，按照如下流程判断故障类型：若工作点i＝0且则为开路故障，否则排除该故障并继续判断其他类型；若dmax＞1或dmin＜-1，则为阴影遮挡故障，否则排除该故障并继续判断其他类型；若则为二极管短路故障，否则排除该故障并继续判断其他类型；若则为老化故障，否则排除该故障并继续判断其他类型；若则为逆变器mppt跟踪异常，否则标记类型为功率异常损失。上述的一种基于iv曲线扫描的光伏阵列故障诊断方法，步骤d中，根据实测iv曲线特征量与模型输出iv曲线特征量的偏差对故障进行评估，具体步骤如下：d1)若开启故障评估功能且故障类型为阴影遮挡故障，则对阴影遮挡程度进行评估，阴影遮挡程度由两个参量来描述，分别为该阴影区域所对应的等效透光率γ，被阴影区域覆盖到的子串的个数nsbs，γ和nsub的估算方法如下：γ估算方法：设实测iv曲线中电流关于电压的二阶导最大值dmax处所对应的电流电压值分别为和则nsbs的估算方法：通过求解方程组(7)求得nsbs的数值解并对其取整；d2)若开启故障评估功能且故障类型为旁路二极管短路故障，则估算旁路二极管短路个数nds，其估算公式为：d3)若开启故障评估功能且故障类型为老化故障，则对老化程度进行评估，该程度由两个量来描述，分别为用于体现等效串联电阻增大的量hs以及用于体现等效并联电阻减小的量hp，其计算方法分别为以及两者越大说明老化程度越严重；d4)若开启故障评估功能且故障类型为逆变器mppt跟踪异常，则对跟踪偏差进行估算，其由两个量来描述，分别为跟踪偏移方向dir以及功率损失δp，当工作点工作在实测iv曲线最大功率点的左边时dir为-1，右边则为1；δp为最大功率点功率与工作点功率的差；d5)若开启故障评估功能且故障类型为功率异常损失，则计算功率损失δp。本发明的有益效果为：(1)本发明的光伏阵列故障诊断方法，建立在具有iv扫描功能的光伏逆变器的基础上，并将光伏阵列故障诊断过程分为四大步骤，分别为数学模型的参数整定与建立，故障预判断，故障识别以及故障评估，通过本发明技术方案的实施，可较为准确的判断出阵列阴影遮挡、旁路二极管短路、阵列开路、老化、逆变器mppt跟踪异常等故障，并能够对故障做出较为准确的评估，从而给电站的运维提供了较为重要的信息。(2)本发明的光伏电站故障诊断方法，由于利用了逆变器的iv特性曲线扫描功能，可获得更多关于电站状态的信息，因此可增加系统故障诊断类型，且更加便于故障诊断方案的实施。(3)本发明的光伏电站故障诊断方法，其故障诊断流程采用4大步骤，首先是建立可自适应的数学模型，该步骤的实施可使得本发明应用于不同场合、不同环境条件以及不同组件型号的光伏电站中，并有效提高故障诊断精度；第二步骤为故障预判断，该方法对环境参数的稳定性提出了一定要求，且预判断只用于检测阵列是否出现故障，只有故障预警后方可进入第三步骤的故障类型识别，因此可降低故障误诊的概率；第三步骤是基于iv曲的故障识别，通过iv曲线特征量的提取，可有效判断出更多的故障类型；最后是故障评估，该步骤可提供故障程度等信息，可为电站运维决策提供有力依据。附图说明图1是本发明的流程图；图2是本发明故障类型识别过程的流程图；图3是本发明用于判断阴影遮挡的依据图。具体实施方式为了使本
技术领域：
：的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。如图1所示，本发明的光伏阵列故障诊断方法，包含四大步骤：i：阵列数学模型的参数整定与建立；ii：在线故障预判断；iii：基于iv曲线扫描的故障类型识别；iv：故障评估。其中阵列数学模型的参数整定与建立是步骤ii、iii、iv的前提，即在执行故障诊断前，首先需对阵列数学模型参数进行整定，从而建立一个准确并且可自适应的阵列数学模型。图1中标签1到6为阵列数学模型的参数整定与建立流程，具体细节如下：1.输入组件stc(标准测试条件)下铭牌参数以及阵列配置参数，包括stc下开路电压voc_stc，短路电流isc_stc，最大功率点电压vmpp_stc，最大功率点电流impp_stc，短路电流温度系数α，组件串联电池片个数ncs，组件旁路二极管个数nd，阵列组件个数ns；并计算stc下阵列模型优化参数θ0＝(a0,rs0,rsh0)t，其中a0为stc下单二极管模型的理想因子，默认为1，rs0为stc下阵列等效串联电阻，rsh0为stc下阵列等效并联电阻。特别要说明的是：本发明仅适用于组件中所有电池片都串联的组件，且包含ncs/nd个子串。2.采集无故障状态下不同环境参数下(不同辐照度以及不同环境温度)若干组iv特性曲线。3.iv曲线预处理，包括对曲线的线性插值与平滑滤波处理。4.利用iv曲线短路点与开路点坐标，并结合最小二乘法拟合出式(1)所示实测辐照度和环境温度与电池片实际接受辐照度和温度的函数关系：式中，s为实测共面辐照度，t为实测环境温度；β1、β2、β3、β4和β5为待拟合函数的参数；scell为电池片辐照度估算值，tcell为电池片温度估算值，两者的获取步骤如下所示：1)获取n条预处理后的iv曲线，获取每条曲线的开路点坐标与短路电流点坐标并获取对应的共面辐照度s(i)与环境温度t(i)，其中i代表曲线索引。2)将坐标和分别代入式(2)所示的基于单二极管模型的阵列iv曲线方程中(其中iph、is、is0、a0、rs0、rsh0、isc0、impp0、voc0变量和常量由式(3)求得)，得式(4)所示方程组，通过求解方程组(4)可求得当前环境参数下的和对于n条iv曲线，最终可得s＝(s(1),s(2),...,s(n))t和t＝(t(1),t(2),...,t(n))t，以及与之对应的和其中，iph为光生电流；is为反向饱和电流；is0为stc下的反向饱和电流；isc0为stc下的短路电流；impp0为stc下最大功率点电流；voc0为stc下开路电压；s0为stc下辐照度；t0为stc下的温度；k为波尔兹曼常数，1.38×10-23j/k；q为电荷常数，1.60×10-19c；eg为禁带宽度，取值1.12。利用最小二乘法对式(1)进行函数拟合，最终求得β1、β2、β3、β4和β5，从而建立起实测辐照度和环境温度与电池片实际接受辐照度和温度的函数关系。5.利用粒子群优化算法对模型参数进行整定，并建立模型参数表θ＝table(s,t)，其步骤如下：1)获取n条预处理后iv特性曲线，并获取每条曲线的电流序列和电压序列其中i为曲线索引，l为每条曲线采样点个数。2)构建式(5)所示适应度函数，其中和通过式(1)求得；为待优化参数，并设定每个参数区间范围如下：3)利用粒子群优化算法获取每条iv曲线的优化参数其步骤包括：a)初始化粒子群大小，初始位置和初始坐标，b)根据式(5)计算每个粒子的适应度，根据适应度更新每个粒子的最优解和全局最优解，并更新每个粒子的位置和速度，c)若达到预定迭代次数，则输出全局最优解，否则回到步骤b)。4)建立模型参数表θ＝table(s,t)，其中s＝(s(1),s(2),...,s(n))t,t＝(t(1),t(2),...,t(n))t，θ＝(θ(1),θ(2),...,θ(n))6.建立光伏阵列优化数学模型curve＝f(s,t,θ)，其步骤如下：1)根据实测环境参数(s,t)查找出表θ＝table(s,t)中st投影平面上相邻的4个点，且满足点(s,t)在4个点所构成的四边形内部，设查找的4个st投影面上的点分别为(sa,ta,)、(sb,tb)、(sc,tc)、(sd,td)，与之对应的参数为θa、θb、θc、θd，则可利用最小二乘法对(sa,ta,aa)，(sb,tb,ab)，(sc,tc,ac)，(sd,td,ad)进行空间4点平面拟合，得到优化参数a关于s和t平面公式，同理可获得优化参数rs关于s和t平面公式以及rsh关于s和t平面公式，最终可估算出实测辐照度s与实测环境温度t下的模型参数构成2)当得到估算参数后，可根据式(6)计算阵列iv曲线上的每一个点，其中scell和tcell通过式(1)求得，最终可得到实测辐照度s和环境温度t下的iv曲线curve。从而为阵列故障诊断提供了一个较为准确且可自适应的数学模型。图1中标签7到14为在线故障预判断流程，具体细节如下：7-8.若模型已建立，则获取环境参数、阵列输出功率以及电站内其他阵列的输出功率。9.判断当前环境参数是否稳定，只有环境参数稳定才可进行故障预判断，其原因是当辐照度或环境温度波动较为严重时，光伏组件输出不一定能达到稳态，并且逆变器跟踪最大功率点也具有一定的延时，从而使得当前环境参数下阵列并不能输出到最大功率状态，因此需要进行环境参数稳定性判断，其判断方法如下：获取当前共面辐照度sb、环境温度tb和之前b-1个共面辐照和环境温度，构成大小为b的辐照度序列s＝(s1,s3,…,sb)t以及环境温度序列t＝(t1,t3,…,tb)t，分别计算辐照度序列的标准差σs以及温度序列的标准差σt，当σs＜50且σt＜5时，认为当前环境参数稳定，可展开下一步的故障预判断。10-14.若当环境参数稳定，则计算阵列功率与模型功率的偏差ea以及当前阵列与电站中功率最大阵列的功率偏差es，若ea＞ea或es＞es(ea和es分别为设定的阈值)，则标记为一次异常，并记录异常连续出现的次数，若异常出现3次，则故障预警。图1中标签15到19为故障类型识别流程，具体细节如下：15-16.若故障已预警，则利用逆变器扫描阵列，并获取阵列实测iv特性曲线。17.对实测iv特性曲线进行预处理，包括线性插值和平滑滤波。18.获取实测iv曲线的各类特征量，包括短路点电流isc，开路点电压voc，电流关于电压的二阶导最大值dmax，电流关于电压的二阶导最小值dmin，开路电压点电流关于电压的一阶导数值ks，短路电流点电流关于电压的一阶导数值ksh，工作点功率p与开路电压与短路电流乘积比值并获取阵列数学模型在当前实测环境参数下输出的iv曲线的特征量，包括模型iv曲线的开路点电压开路电压点电流关于电压的一阶导数值短路电流点电流关于电压的一阶导数值填充因子pmax为工作点功率最大值。19.根据特征量逻辑判断故障类型，一般情况下，阵列出现开路时，阵列工作在开路电压点；如图3所示，阵列中出现阴影遮挡时，其iv曲线会出现台阶，且台阶点处电流对于电压的二阶导数值最大，膝点处的二阶导值最小；当出现旁路二极管短路式，阵列iv曲线的开路点电压会减小；当出现老化故障时，一般表现为阵列等效串联电阻增大，及ks增大，或等效并联电阻减小，及ksh减小；当出现逆变器mppt跟踪异常时，阵列工作点会左移或右移动，从而导致功率损失。综上，可根据如图2所示的流程来判断故障类型：若工作点i＝0且则为开路故障，否则排除该故障并继续判断其他类型；若dmax＞1或dmin＜-1，则为阴影遮挡故障，否则排除该故障并继续判断其他类型；若则为二极管短路故障，否则排除该故障并继续判断其他类型；若则为老化故障，否则排除该故障并继续判断其他类型；若则为逆变器mppt跟踪异常，否则标记类型为功率异常损失。图1中标签20到25为故障评估流程，具体细节如下：21.若开启故障评估功能且故障类型为阴影遮挡故障，则对阴影遮挡程度进行评估(假设只出现一个阴影遮挡区域，且该区域覆盖到的电池片都完整，及不存在电池片被局部遮挡的情况)，阴影遮挡程度由两个参量来描述，分别为该阴影区域所对应的等效透光率γ，被阴影区域覆盖到的子串的个数nsbs(子串为光伏组件中一个旁路二极管下的一串电池片)。γ和nsub的估算方法如下：γ估算方法：设实测iv曲线中电流关于电压的二阶导最大值dmax处所对应的电流电压值分别为和则nsbs的估算方法：通过求解方程组(7)求得nsbs的数值解并对其取整。22.若开启故障评估功能且故障类型为旁路二极管短路故障，则估算旁路二极管短路个数nds，其估算公式为：23.若开启故障评估功能且故障类型为老化故障，则对老化程度进行评估，该程度由两个量来描述，分别为用于体现等效串联电阻增大的量hs以及用于体现等效并联电阻减小的量hp，其计算方法分别为以及两者越大说明老化程度越严重。24.若开启故障评估功能且故障类型为逆变器mppt跟踪异常，则对跟踪偏差进行估算，其由两个量来描述，分别为跟踪偏移方向dir以及功率损失δp，当工作点工作在实测iv曲线最大功率点的左边时dir为-1，右边则为1。δp为最大功率点功率与工作点功率的差。25.若开启故障评估功能且故障类型为功率异常损失，则计算功率损失δp。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。当前第1页12当前第1页12