基于格拉布斯准则及离群点检测光伏阵列故障检测方法专利检索-电阻带传感器与探测器专利检索查询-专利查询网

基于格拉布斯准则及离群点检测光伏阵列故障检测方法

阅读：678发布：2024-02-10

专利汇可以提供基于格拉布斯准则及离群点检测光伏阵列故障检测方法专利检索，专利查询，专利分析的服务。并且本发明公开了基于格拉布斯准则及离群点检测光伏阵列故障检测方法，其特征在于，包括以下步骤：步骤A：每5秒获取光伏阵列各组串的实时电流、电压和光伏阵列的辐照、温度；步骤B：建立光伏阵列仿真模型，将采集的辐照、温度带入到模型获得参考电流、电压；步骤C：由实际电流与参考电流做差，并将光伏阵列各组串的差值组合成一个阵列，应用格拉布斯准则检测出异常数据点，记录异常数据的故障特征值为1，否则为0；步骤D：将电流差值每隔20秒按照顺序组合一次形成一个一维数组，应用离群点算法获得各个电流差值的LOF，最后将LOF因子按时间分配给各个组串；步骤E：最后根据步骤C与D的结果综合判断是否出现故障。本发明能够实时检测光伏组件的故障，尤其是早期故障。，下面是基于格拉布斯准则及离群点检测光伏阵列故障检测方法专利的具体信息内容。

权利要求

1.基于格拉布斯准则及离群点检测光伏阵列故障检测方法，其特征在于，包括以下步骤：
步骤A：实时获取光伏阵列各组串的输出特征参数和光伏阵列的气象参数，每5秒采集一次；
步骤B：建立光伏阵列仿真模型，将所述步骤A中采集的辐照、温度带入到光伏阵列仿真模型获得参考电流、电压；
步骤C：由实际电流与参考电流做差，并将光伏阵列各组串的差值组合成一个阵列，应用格拉布斯准则检测出异常数据点，并记录异常数据的故障特征值为1，否则为0；
步骤D：将上述电流差值每隔20秒按照顺序组合一次形成一个一维数组，应用离群点算法获得各个电流差值的离群因子值LOF，最后将LOF因子按时间分配给各个组串；
步骤E：最后根据所述步骤C与D的结果综合判断是否出现故障；
所述步骤C中应用格拉布斯准则检测出异常数据点，并记录异常数据的故障特征值为
1，否则为0；对电流差值一维数组，首先按照式(1)对各个电流差值求均值，再按照式(2)求得电流一维数组的标准差；最后按照式(3)求得格拉布斯值Gi，并将Gi与Glim值相比较，若Gi>Glim，则故障特征值为1，否则为0；
其中，xi表示电流差值一维数组中第i个元素的电流差值，表示电流差值一维数组中的平均电流差值，S表示电流一维数组的标准差，Gi表示格拉布斯值，Glim表示95％置信度下的格拉布斯值，n表示电流一维组数中个元素个数。
2.根据权利要求1所述的基于格拉布斯准则及离群点检测光伏阵列故障检测方法，其特征在于，所述步骤B具体包括以下步骤：B1)建立光伏电池5参数模型；
B2)基于MATLAB中simulink工具箱构建光伏阵列的仿真模型。
3.根据权利要求1所述的基于格拉布斯准则及离群点检测光伏阵列故障检测方法，其特征在于，所述步骤D中离群点检测的具体方法为：
首先每隔20秒将前4个5秒的电流差值数据取出，按照时间进行排序，形成一个一维数组，然后，对这个一维数组应用如下算法获得最终的LOF值；
设数据集I∈Rn×m，其中n为电流一维组数中个元素个数，m为变量数；
定义k距离为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)  (4)
其中，o为数据集I中与p邻近的k个观察对象最近的一个观察点；
定义p观察对象的k距离领域Nk(p)：
Nk(p)＝{Q∈X/{p}|d(p,Q)＜＝dk(p)}  (5)
其中Q为数据集I中的观察对象；
定义观察对象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)}  (6)
定义观察对象p的局部可达密度lrdk(p)：
定义观察对象的局部异常因子LOFk(p)。
4.根据权利要求1所述的基于格拉布斯准则及离群点检测光伏阵列故障检测方法，其特征在于，步骤E中具体方法如下：若故障特征值为0，LOF值大于5，则LOF值取5，若LOF值小于等于5，则LOF值不变；若故障特征值为1，无论LOF值大于还是小于5，LOF值不变。
5.根据权利要求2所述的基于格拉布斯准则及离群点检测光伏阵列故障检测方法，其特征在于：所述步骤B1的5参数物理模型为：
式中：UPV为组件输出电压，IPV为组件输出电流，Iph为光生电流，Io为反向饱和电流，q为电子电荷1.602×10-19C，n'为理想因子，K为波尔兹曼常数1.38×10-23J/K，T为光伏组件K氏温度，Rs为等效串联电阻，Rsh为等效并联电阻。

说明书全文

基于格拉布斯准则及离群点检测光伏阵列故障检测方法

技术领域

[0001] 本发明涉及基于格拉布斯准则及离群点检测光伏阵列故障检测方法，属于光伏发电技术领域。

背景技术

[0002] 近年来，我国光伏产业发展迅猛，截止到2015年，累计光伏装机容量达到43GW，跃居光伏装机容量世界第一位，并且最近光伏产品有着向小型化，家用化的趋势发展。光伏发电系统的发电性能与辐照度、温度有着很大的关联性，由于室外的光伏产品经常处于高温的曝晒，雨水侵蚀，运行环境恶劣，从而导致光伏产品的出现运行故障比较常见。因此对光伏电站的智能检测与维护越来越成为一个比较现实的问题，为提高光伏产品的运维便捷性，各类光伏产品的智能故障诊断的方法应运而生。

[0003] 光伏组件的常见运行故障有阴影遮挡，组件老化，组件旁路，短路，热斑，系统故障，也包括隐裂，脱胶等。由于光伏产品受辐照度、温度的影响很大，一般的方法对早期的故障很难检测到，从国外文献上可知，目前常采用神经网络、模糊算法等知识判别故障类型，然而对于神经网络，是需要给有故障的特征数据进行训练的，而对光伏产品何时出现故障的定义不尽相同，且很难检测到早期故障，因此神经网络的方法有着不确定性，只能检测到比较严重的故障。如何实时检测到光伏产品的故障，尤其是早期故障显得比较重要。

发明内容

[0004] 本发明的目的在于利用基于格拉布斯准则及离群点检测光伏阵列故障检测方法来实时检测光伏组件的故障，尤其是早期故障，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。

[0005] 为了解决上述技术问题，本发明提供基于格拉布斯准则及离群点检测光伏阵列故障检测方法，包括以下步骤：

[0006] 步骤A：实时获取光伏阵列各组串的输出特征参数(电流、电压)和光伏阵列的气象参数(辐照、温度)，每5秒采集一次；

[0007] 步骤B：建立光伏阵列仿真模型，将所述步骤A中采集的辐照、温度带入到光伏阵列仿真模型获得参考电流、电压；

[0008] 步骤C：由实际电流与参考电流做差，并将光伏阵列各组串的差值组合成一个阵列，应用格拉布斯准则检测出异常数据点，并记录异常数据的故障特征值为1，否则为0；

[0009] 步骤D：将上述电流差值每隔20秒按照顺序组合一次形成一个一维数组，应用离群点算法获得各个电流差值的离群因子值LOF，最后将LOF因子按时间分配给各个组串。

[0010] 步骤E：最后根据所述步骤C与D的结果综合判断是否出现故障。

[0011] 上述步骤B具体包括以下步骤：

[0012] B1)建立光伏电池5参数模型。

[0013] B2)基于MATLAB中simulink工具箱构建光伏阵列的仿真模型。

[0014] 上述步骤C中应用格拉布斯准则检测出异常数据点，并记录异常数据的故障特征值为1，否则为0；对电流差值一维数组，首先按照式(1)对各个电流差值求均值，再按照式(2)求得电流一维数组的标准差；最后按照式(3)求得格拉布斯值Gi，并将Gi与Glim值相比较，若Gi>Glim，则故障特征值为1，否则为0；

[0015]

[0016]

[0017]

[0018] 表1 95％置信度下的格拉布斯准则参考表

[0019]

[0020] 其中，xi表示电流差值一维数组中第i个元素的电流差值，表示电流差值一维数组中的平均电流差值，S表示电流一维数组的标准差，Gi表示格拉布斯值，Glim表示95％置信度下的格拉布斯值，n表示电流一维组数中个元素个数。

[0021] 比如，如果该光伏阵列有六个组串，则电流一维数组有6个元素，则对应的n为6，在0.95置信概率下，查表1获得的Glim为1.822。

[0022] 上述步骤D中离群点检测的具体方法为：

[0023] 首先每隔20秒将前4个5秒的电流差值数据取出，按照时间进行排序，形成一个一维数组，然后，对这个一维数组应用如下算法获得最终的LOF值。

[0024] 设数据集I∈Rn×m，其中n为电流一维组数中个元素个数，m为变量数；

[0025] 定义k距离为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)：

[0026] dk(p)＝d(p,o) (4)

[0027] 其中，o为数据集I中与p邻近的k个观察对象最近的一个观察点；

[0028] 定义p观察对象的k距离领域Nk(p)：

[0029] Nk(p)＝{Q∈X/{p}|d(p,Q)＜＝dk(p)} (5)

[0030] 其中Q为数据集I中的观察对象；

[0031] 定义观察对象p相对于观察对象o的局部可达距离：

[0032] reach-distk(p,o)＝max{dk(p),d(p,o)} (6)

[0033] 定义观察对象p的局部可达密度lrdk(p)：

[0034]

[0035] 定义观察对象的局部异常因子LOFk(p)。

[0036]

[0037] 上述步骤E中具体方法如下表：

[0038] 表2最终LOF值表

[0039]

[0040] 若故障特征值为0，LOF值大于5，则LOF值取5，若LOF值小于等于5，则LOF值不变；若故障特征值为1，无论LOF值大于还是小于5，LOF值不变。

[0041] 上述步骤B1的5参数物理模型为：

[0042]

[0043] 式中：UPV为组件输出电压，IPV为组件输出电流，Iph为光生电流，Io为反向饱和电流，q为电子电荷(1.602×10-19C)，n'为理想因子，K为波尔兹曼常数(1.38×10-23J/K)，T(K氏温度)为光伏组件温度，Rs为等效串联电阻，Rsh为等效并联电阻。

[0044] 本发明的有益效果为：

[0045] (1)、本发明利用基于格拉布斯准则及离群点检测光伏阵列故障检测方法来实时检测光伏组件的故障，尤其是早期故障，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；

[0046] (2)、本发明摆脱了用传感器检测故障的方法，运用格拉布斯准则与离群点检测方法相结合实施对光伏阵列的实时监控与故障检测，有效地解决复杂天气条件下的故障检测，能够尽可能的降低误检率，具有较高的时效性和较好的经济性。

[0047] (3)、此外，还可以同时解决神经网络所需要的历史数据搜集，选取的困难。附图说明

[0048] 图1为本发明的流程图；

[0049] 图2为4串组件的实时电流；

[0050] 图3为格拉布斯准则检测结果；

[0051] 图4为离群点检测结果；

[0052] 图5为综合检测结果。

具体实施方式

[0053] 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。

[0054] 如图1所示的本发明的流程图，本发明的光伏组件故障诊断方法，包括以下步骤：

[0055] 步骤A：实时获取光伏阵列各组串的输出特征参数(电流、电压)和光伏阵列的气象参数(辐照、温度)，每5秒采集一次；

[0056] 步骤B：建立光伏阵列仿真模型，将步骤A中所采集的辐照、温度带入到光伏阵列仿真模型获得参考电流、电压；具体为：

[0057] B1)建立光伏电池5参数模型。

[0058] B2)基于MATLAB中simulink工具箱构建光伏阵列的仿真模型。

[0059] 步骤C：由实际电流与参考电流做差，并将光伏阵列各组串的差值组合成一个阵列，应用格拉布斯准则检测出异常数据点，并记录异常数据的故障特征值为1，否则为0；对电流差值一维数组，首先按照式(1)对各个电流值求均值，再按照式(2)求得电流一维数组的标准差；最后按照式(3)求得格拉布斯值Gi，并将Gi与表中的对应的Glim值相比较，若Gi>Glim，则故障特征值为1，否则为0；

[0060]

[0061]

[0062]

[0063] 表1 95％置信度下的格拉布斯准则参考表

[0064]

[0065]

[0066] 其中，xi表示电流差值一维数组中第i个元素的电流差值，表示电流差值一维数组中的平均电流差值，S表示电流一维数组的标准差，Gi表示格拉布斯值，Glim表示95％置信度下的格拉布斯值，n表示电流一维组数中个元素个数。

[0067] 比如，如果该光伏阵列有六个组串，则电流一维数组有6个元素，则对应的n为6，在0.95置信概率下，查表1获得的Glim为1.822。

[0068] 步骤D：将上述电流差值每隔20秒按照顺序组合一次形成一个一维数组，应用离群点算法获得各个电流差值的离群因子值(LOF)，最后将LOF因子按时间分配给各个组串。如图2所示的4串组件的实时电流，首先每隔20秒将前4个5秒的电流差值数据取出，按照时间进行排序，形成一个一维数组，如前4个5秒的数据为I1＝{0.01,0.1,0.02,0.01}，I2＝{0.01,0.01,0.02,0.01}，I3＝{0.01,0.01,0.01,0.01}，I4＝{0.01,0.6,0.02,0.01}。则新组成的I＝{0.01,0.1,0.02,0.01,0.01,0.01,0.02,0.01,0.01,0.01,0.01,0.01,0.01,0.6,0.02,0.01}。对该一维数组应用如下算法获得最终的LOF值。

[0069] 设数据集I∈Rn×m，其中n为电流一维组数中个元素个数，m为变量数。

[0070] 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)：

[0071] dk(p)＝d(p,o) (4)

[0072] 其中o为数据集I中与p邻近的k个观察对象最近的的一个观察点。

[0073] 定义2.p观察对象的k距离领域Nk(p)

[0074] Nk(p)＝{Q∈X/{p}|d(p,Q)＜＝dk(p)} (5)

[0075] 其中Q为数据集I中的观察对象。

[0076] 定义3.观察对象p相对于观察对象o的局部可达距离。

[0077] reach-distk(p,o)＝max{dk(p),d(p,o)} (6)

[0078] 定义4.观察对象p的局部可达密度lrdk(p)

[0079]

[0080] 定义5.观察对象的局部异常因子LOFk(p)。

[0081]

[0082] 步骤E：最后根据步骤C与D的结果综合判断是否出现故障。具体步骤见表2：若故障特征值为0，LOF值大于5，则LOF值取5，若LOF值小于等于5，则LOF值不变；若故障特征值为1，无论LOF值大于还是小于5，LOF值不变。

[0083] 表2最终LOF值表

[0084]

[0085] 具体可见图3-图5为2017年3月14日故障实验结果，图2中横坐标表示时间，纵坐标表示实时电流；图3中横坐标表示时间，纵坐标表示格拉布斯值，signal-fault表示故障信号；图4中横坐标表示时间，纵坐标表示离群因子值LOF；图5中横坐标表示时间，纵坐标表示离群因子值LOF，threshold为临界值。

[0086] 步骤B1中的5参数物理模型为：

[0087]

[0088] 式中：UPV为组件输出电压，IPV为组件输出电流，Iph为光生电流，Io为反向饱和电流，q为电子电荷(1.602×10-19C)，n'为理想因子，K为波尔兹曼常数(1.38×10-23J/K)，T(K氏温度)为光伏组件温度，Rs为等效串联电阻，Rsh为等效并联电阻。

[0089] 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。

标题	发布/更新时间	阅读量
基于任务剖面与老化分析的金属化膜电容器寿命预测方法	2020-05-08	228
基于新型扩展矢量的永磁同步电机模型预测磁链控制	2020-05-11	693
一种适用于连续变量量子随机数产生的探测模块	2020-05-08	166
一种可见光通信系统发射模块的集成电路	2020-05-08	357
一种异步电机定子磁链与转矩多时间尺度双层级电压控制方法	2020-05-11	975
一种带指示照明功能的美式插座	2020-05-08	665
一种贴片电阻用陶瓷基板的上料装置	2020-05-08	487
一种列车通讯线缆分析设备	2020-05-08	233
一种热处理用台车炉	2020-05-08	594
一种带夹角的电阻焊焊棒	2020-05-08	733

基于格拉布斯准则及离群点检测光伏阵列故障检测方法

基于格拉布斯准则及离群点检测光伏阵列故障检测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：