[发明专利]一种基于K-Means-HMM模型的分布式光伏电站故障预警算法

说明书

本发明涉及光伏发电技术领域，具体为一种基于K‑Means‑HMM模型的分布式光伏电站故障预警算法，采集生产记录N条，从这N条数据筛选出发电功率在1kw以上的数据M条，对采集的数据进行分档离散化，并以输出电流和电压两个维度进行K‑Means聚类；利用聚类后的光伏电站的工作状态样本数据训练HMM模型；采集光伏组件的实时生产数据，以输出电流和电压两个维度进行K‑Means聚类，计算出聚类结果；输入训练后的HMM模型，得到预警结果。本发明将光伏组件的发电功率按照功率区间进行离散化，采用K‑Means对输出电流、输出电压分为不同的类别，利用HMM对时间序列的学习和预测能力，对正常状态和各种故障状态进行学习，进而对光伏组件的工作状态进行判断和预警。

技术领域

本发明涉及光伏发电技术领域，具体为一种基于K-Means-HMM模型的分布式光伏电站故障预警算法。

背景技术

随着光伏发电在我国的普及，光伏面板的故障率高的特点逐渐显现出来。由于光伏面板长期在室外环境工作，面板不可避免的发生受损，老化等问题，导致热斑，裂纹等故障，影响了光伏面板的稳定运行，缩短了面板的使用寿命。因此光伏组件的故障诊断成为业界所关注的重点话题。

光伏组件常见的缺陷有热斑，玻璃开裂，闪电纹等。热斑是由于在室外环境中灰尘，落叶等遮挡物或由电池内部缺陷造成的局部功率增大，导致局部温度上升。玻璃开裂是由外界高空坠物或其他外力造成的玻璃破碎。闪电纹与电池的隐裂，背板透过的水汽等多因素有关，其具体成因尚不清楚，有研究指出闪电纹可能会造成输出功率的衰减。

对于光伏组件的故障检测，传统的方法是测试人员使用IV检测仪对组件的电流，电压数据进行检测，并由专业人员进行分析。其缺点在于操作性较差，由于电厂的组件数量极大，只能对特定设备进行点检，而无法实时的对所有设备进行在线监控，且依赖专家知识，对分析人员的专业水平要求较高。

现阶段光伏发电厂的信息化系统已经十分完善，光伏组件实时的生产数据被系统采集和储存，因此基于数据驱动的光伏组件故障诊断方法开始流行。但当前的光伏组件故障诊断算法多为学术研究机构在试验环境下进行研究，甚至采用软件进行模拟产生试验数据，可以获得大量故障样本，与真实的光伏电站的情况相差较大。且算法每次运行仅对单个时间点进行诊断分析，当故障发生时才发出警告，未有效利用时间维度上的信息。

检索到现有技术有基于隐马尔科夫模型的分布式光伏电站故障预警算法（CN111124840A），其对数据的预处理方式仅论述其缺失值处理和数据编码。因此，其如何编码，编码的原则是否有利于模型预测的精度不得而知，如果进行大量的手动动态编码，或者制定不合理的编码规则，不利于样本扩大，模型动态更新的需求，因此预警模型在后期维护和可扩展性较差，预测精度也可能无法得到保证，为此，我们提出一种基于K-Means-HMM模型的分布式光伏电站故障预警算法。

发明内容

本发明的目的在于提供一种基于K-Means-HMM模型的分布式光伏电站故障预警算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于K-Means-HMM模型的分布式光伏电站故障预警算法，包括如下步骤：

S1、采集生产记录N条，从这N条数据筛选出发电功率在1kw以上的数据M条，对采集的数据进行分档离散化，并以输出电流和电压两个维度进行K-Means聚类；

S2、利用聚类后的光伏电站的工作状态样本数据训练HMM模型；

S3、采集光伏组件的实时生产数据，以输出电流和电压两个维度进行K-Means聚类，计算出聚类结果；

S4、将聚类后的光伏组件的实时生产数据输入训练后的HMM模型，得到预警结果。