一种基于差异特征分析技术的光伏电板故障检测方法与流程

[0001]
本发明涉及一种故障检测方法，特别涉及一种基于差异特征分析技术的光伏电板故障检测方法。


背景技术：

[0002]
由于自然资源的日益匮乏，再生能源技术受到了各行业的普遍重视。光伏电板是目前为数不多的可以将太阳能转变成电能的设备，从能量转换效率、制造成本、控制系统、到调度维护等方方面面皆能助推广光伏电板的广泛应用。在光伏发电厂中，定期的对光伏电板实施人工检修是常见的维护手段。然而。相比于传统定期的维护作业，若能及时的发现光伏电板的故障就能第一时间指示工作人员实施有针对性的修复或维护。这不仅能提升检修的效率，而且还能提升光伏电板产生电能的服务品质。实现故障检测的手段无外乎两种：其一，通过物理等机理知识建立模型，从而通过模型误差来判断是否出现了故障；其二，通过数据挖掘的方式，利用实时的采样数据来判断光伏电板是否出现了故障。
[0003]
由于光伏电板的产能会受到光照强度的影响，而且还有相应的控制系统伴随在光伏电板的运作中，物理模型的精度难以得到保障。因此，第一类方法技术基本上已经遇到了技术发展的瓶颈。在当前人工智能与数据挖掘广泛应用的背景下，通过光伏电板的实时采样数据来甄别是否发生了故障似乎更合乎当前的研究潮流。在现有科研文献与专利材料中，通过数据实现光伏电板的故障检测都需要“大数据”做为基础，前期的数据采集工作相当繁琐。通常情况下，光伏电板在正常工作状态下的样本数据是充裕的，而不同故障状态下的样本数据是匮乏的，很难实际去模拟光伏电板的不同故障状态。因此，数据驱动的光伏电板检测还得从单分类的特征提取角度出发，寻找合适的解决方法与技术。
[0004]
在故障检测领域，尤其是化工故障检测领域，统计分析算法(如：主成分分析，principal component analysis，缩写：pca)被广泛应用于故障检测。光伏电板的采样数据与流程工业存在较大的差异，光伏电板的运行时间歇性的，会受到太阳光照的直接影响。此外，光照强度的变化也不是人为可精准预测和控制的，这些问题给光伏电板的故障检测新增了较大的难度。从单分类的特征提取角度来看，提取的特征理应是能较好的区分正常与故障之间差异的特征，而不能单纯像主成分分析算法那样只是提取正常状态采样数据的方差变化信息，而不考虑方差特征是否有利于实施故障检测。换句话说，数据驱动的光伏电板故障检测方法理应从开发研究差异特征提取技术的角度来实现。


技术实现要素：

[0005]
本发明所要解决的主要技术问题是：如何有针对性的对在线采样数据实时提取差异特征，从而通过监测差异特征的变化情况来实现光伏电板的故障检测。具体来讲，本发明方法通过研究设计一种实时的差异特征提取技术，针对每个在线采样数据实时提取相应的差异特征，从而利用差异特征的变化来检测出光伏电板工作中出现的故障。
[0006]
本发明方法解决上述问题所采用的技术方案为：一种基于差异特征分析技术的光
伏电板故障检测方法，包括以下所示步骤：
[0007]
步骤(1)：在光伏电板正常工作状态下，每隔1分钟采集一次样本数据，具体包括9个数据，并将每次采集的这9个数据组成一个列向量；其中，列向量中的9个数据依次为：光照强度，环境温度，电板温度，最大动态直流功率，直流电流，直流电压，交流功率，交流电压，和交流电流。
[0008]
步骤(2)：将光照强度大于零的的n个列向量x
1
，x
2
，
…
，x
n
组成训练数据矩阵x＝[x
1
，x
2
，
…
，x
n
]后，再对x∈r
9
×
n
中各个行向量实施标准化处理，从而得到新数据矩阵其中，r
9
×
n
表示9
×
n维的实数矩阵，标准化处理的方式具体如步骤(2.1)至步骤(2.2)所示。
[0009]
步骤(2.1)：设z
j
∈r
1
×
n
表示矩阵x中的第j行的行向量；其中，j∈{1，2，
…
，9}；
[0010]
步骤(2.2)：计算行向量z
j
中所有元素的平均值μ
j
和标准差δ
j
后，根据计算得到新数据矩阵中第j行的行向量
[0011]
步骤(3)：根据公式计算基矩阵c；其中，上标号t表示矩阵或向量的转置。
[0012]
步骤(4)：利用光伏电板的数据采集系统采集最新采样时刻的样本数据，具体包括步骤(1)中所列的9个数据，并将这9个数据组成一个列向量x
t
∈r
9
×
1
；其中，下标号t表示最新采样时刻，r
9
×
1
表示9
×
1维的实数向量。
[0013]
步骤(5)：判断列向量x
t
中的第一个数据(即：光照强度)是否大于0；若是，则执行步骤(6)；若否，则返回步骤(4)。
[0014]
步骤(6)：根据公式对x
t
中各行的元素实施标准化处理，从而得到新数据向量其中，和分别表示x
t
和中第j行的元素。
[0015]
步骤(7)：根据公式计算矩阵g后，再求解g最大特征值所对应的特征向量p
t
∈r
9
×
1
。
[0016]
步骤(8)：根据公式w
t
＝cp
t
计算投影变换向量w
t
∈r
9
×
1
后，再根据公式计算监测指标d
t
。
[0017]
步骤(9)：根据公式计算差异特征向量s
t
∈r
1
×
n
后，再根据d＝s
t
⊙
s
t
计算监测指标向量d∈r
1
×
n
，并将d中的最大值记录为d
0
；其中，r
1
×
n
表示1
×
n维的实数向量，s
t
⊙
s
t
表示将s
t
与s
t
中相同位置的元素相乘。
[0018]
步骤(10)：根据公式判断是否满足条件：d
t
≤d
lim
；若是，则光伏电板正常运行，并返回步骤(4)继续利用最新采样时刻的样本数据实施光伏电板的故障检测；若否，则执行步骤(11)；其中，控制上限d
lim
＝α
×
d
0
，α表示大于1的放大系数。
[0019]
步骤(11)：返回步骤(4)继续利用最新采样时刻的样本数据实施光伏电板故障检测；若连续6个采样时刻的监测指标皆大于d
lim
，则触发故障警报；反之，则光伏电板正常运行，并返回步骤(4)继续利用最新采样时刻的样本数据实施光伏电板故障检测。
[0020]
值得指出的是，上述步骤(7)与步骤(8)中求矩阵g及其最大特征值来源于如下所示算法的推理过程，该算法旨在搜寻投影变换向量，从而使新数据与训练数据进行最大化区分，该算法的的目标函数及其约束条件如下所示：
s.t.w
t
xx
t
w＝1
[0021]
上式中，正常工况数据经投影变换向量w变换后，方差或长度为1。而目标函数旨在使在线采样的数据向量经同样的投影变换后，距离远点越远越好。换句话讲，就是尽可能的将在线数据与正常工况数据拉开，这样可以提取到最适合监测故障的特征成分。
[0022]
上式
①
的优化求解可通过经典的拉格朗日乘子法完成，需要先引入中间量p＝(xx
t
)
1/2
w进行过渡，并且注意其中tr()表示求括号内矩阵的迹。
[0023]
通过以上所述实施步骤，本发明方法的优势介绍如下。
[0024]
首先，本发明方法利用实时提取的差异特征来分离故障与正常状态下的采样数据，每次计算得到的投影变换向量都能考虑如何区分故障与正常之间的差异性。其次，本发明方法确定的控制上限是实时变化的，能根据不同的投影变换向量实时获得判断故障发生与否的控制上限。最后，在具体实施案例中，通过案例实施结果的对比充分的说明了本发明方法的可靠性与优越性。
附图说明
[0025]
图1为本发明方法的实施流程示意图。
[0026]
图2为故障检测结果示意图。
具体实施方式
[0027]
下面结合附图和具体实施方式对本发明进行详细说明。
[0028]
本发明公开了一种基于差异特征分析技术的光伏电板故障检测方法，下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。
[0029]
步骤(1)：在光伏电板正常工作状态下，每隔1分钟采集一次样本数据，具体包括9个数据，并将每次采集的这9个数据组成一个列向量；其中，列向量中的9个数据依次为：光照强度，环境温度，电板温度，最大动态直流功率，直流电流，直流电压，交流功率，交流电压，和交流电流。
[0030]
步骤(2)：将光照强度大于零的的n个列向量x
1
，x
2
，
…
，x
n
组成训练数据矩阵x＝[x
1
，x
2
，
…
，x
n
]后，再对x∈r
9
×
n
中各个行向量实施标准化处理，从而得到新数据矩阵其中，r
9
×
n
表示9
×
n维的实数矩阵，标准化处理的方式具体如步骤(2.1)至步骤(2.2)所示。
[0031]
步骤(3)：根据公式计算基矩阵c；其中，上标号t表示矩阵或向量的转置。
[0032]
步骤(4)：利用光伏电板的数据采集系统采集最新采样时刻的样本数据，具体包括步骤(1)中所述的9个数据，并将这9个数据组成一个列向量x
t
∈r
9
×
1
；其中，下标号t表示最新采样时刻，r
9
×
1
表示9
×
1维的实数向量。
[0033]
步骤(5)：判断列向量x
t
中的第一个元素(即：光照强度)是否大于0；若是，则执行步骤(6)；若否，则返回步骤(4)。
[0034]
步骤(6)：根据公式对x
t
中各行的元素实施标准化处理，从而得
到新数据向量其中，和分别表示x
t
和中第j行的元素。
[0035]
步骤(7)：根据公式计算矩阵g后，再求解g最大特征值所对应的特征向量p
t
∈r
9
×
1
。
[0036]
步骤(8)：根据公式w
t
＝cp
t
计算投影变换向量w
t
∈r
9
×
1
后，再根据公式计算监测指标d
t
。
[0037]
步骤(9)：根据公式计算差异特征向量s
t
∈r
1
×
n
后，再根据d＝s
t
⊙
s
t
计算监测指标向量d∈r
1
×
n
，并将d中的最大值记录为d
0
；其中，r
1
×
n
表示1
×
n维的实数向量，s
t
⊙
s
t
表示将s
t
与s
t
中相同位置的元素相乘。
[0038]
步骤(10)：根据公式判断是否满足条件：d
t
≤d
lim
；若是，则光伏电板正常运行，并返回步骤(4)继续利用最新采样时刻的样本数据实施对光伏电板的故障检测；若否，则执行步骤(11)；其中，控制上限d
lim
＝α
×
d
0
，α表示大于1的放大系数。
[0039]
返回步骤(4)继续利用最新采样时刻的样本数据实施光伏电板故障检测；若连续6个采样时刻的监测指标皆大于d
lim
，则触发故障警报；反之，则光伏电板正常运行，并返回步骤(4)继续利用最新采样时刻的样本数据实施光伏电板故障检测。
[0040]
以1500个光伏电板新采样的样本数据来测试本发明方法的故障检测效果，并将传统基于pca的故障检测方法用作对比分析，相应的故障检测详情对比如图2所示。值得指出的是，传统基于pca的故障检测方法使用两个监测指标(t
2
和q)来完成故障检测。从图2中的对比可以看出，在故障发生期间本发明方法的监测指标d
t
能持续不断的检测出故障，如图2中的图a)所示。相比之下，传统基于pca的故障检测方法却没能有效的识别出故障，如图2中的图b)所示。