[发明专利]基于格拉布斯准则及离群点检测光伏阵列故障检测方法

说明书

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。

技术领域

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

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。

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

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。

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：

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；

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。

上述步骤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。

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G_i，并将G_i与G_lim值相比较，若G_i>G_lim，则故障特征值为1，否则为0；