[发明专利]一种光伏组件智能健康状态诊断方法

说明书

本发明公开了一种光伏组件智能健康状态诊断方法，所述诊断方法包括以下步骤：步骤一：对待测光伏组件的输出I‑V特性进行采样，并使用MQPSO算法对老化参数进行辨识；步骤二：将任意工作环境下的老化参数映射至STC下；步骤三：将老化参数输入至PNN，计算每个类别的最大似然估计值，得出待测光伏组件当前的健康状况。本发明只需获取当前光伏组件的工作I‑V特性曲线，以及环境辐照和环境温度，即可以体现光伏组件当前的健康状态SoH，仿真与实验结果表明，该方法可以有效的表征光伏组件当前的健康状况，并降低工作环境对组件健康状态的影响，对光伏组件故障预警与健康管理系统的建立具有一定的参考价值。

技术领域

本发明属于光伏组件诊断领域，尤其涉及一种光伏组件智能健康状态诊断方法。

背景技术

光伏组件在户外安装后，其电气特性会随着使用时长的增加而下降，晶体硅太阳电池的功率平均每年下降0.5％左右。其原因主要由光伏组件发生黄变、腐蚀、隐裂、线缆破损、焊点老化、旁路二极管失效等现象，引起组件的健康状态(State of Health,SoH)下降。这种现象虽然暂时不会对系统造成危害，但却可能是组件发生严重故障的早期征兆，从而降低光伏电站的运行寿命与经济效益。因此，对光伏组件的SoH进行检测，是排查故障、维护系统正常工作的重要手段。

目前，国内外已经提出了一些关于组件SoH的检测方法，主要可分为基于现场在线监测与基于光伏输出特性的时域检测两大类。现场监测主要利用红外热成像与电致发光技术。Roderto Pierdicca等设计了一种光伏阵列健康监测系统，利用无人机在阵列上方拍摄热红外图像，再使用图像处理算法识别阵列中的过热点，从而诊断阵列健康状态；M.Frazao等使用消费级摄像机对光伏组件进行电致发光观测，可以精确的定位组件内的隐裂与破损。基于光伏输出特性的时域检测方法的研究则更为普遍。KUN DING等利用经验模态分解与高斯混合模型对一个5*2的光伏阵列进行健康状态检测：将一个时间窗内的电压电流进行高斯混合聚类，考察实验簇心与参考簇心的偏差情况，评估光伏阵列的健康状态。Simona-Vasilica Oprea等提出一种应用于大型光伏系统超短期输出功率预测模型：利用大数据技术与人工神经网络，预测未来一个滑动时窗内系统的输出功率，得出评估系统健康状态的关键绩效指标。除此以外，还有学者提出了基于电站的运行参数的多传感器法、基于高频信号注入的时域反射法和寄生电容估计法等等，它们都依照监测、计算数值与理论数值的偏差来评判光伏组件的健康状况。

上述的各种方法都存在不容忽视的缺点：基于现场试验的红外热成像与电致发光技术虽然具有很高的可靠性，但是需要很高的实验成本，难以进行大规模推广；基于光伏输出特性的时域检测方法易受到环境因素的干扰；检测电站运行参数的多传感器法需要采集包括环境、运维、工作数据在内的众多数据，需要许多设备辅助；高频信号注入和寄生电容估计的检测精度较低。更为重要的是，这些方法都只能评价光伏组件的健康状态发生变化，无法定量地判断光伏组件当前的SoH，难以应用在光伏电站健康管理系统之中。

发明内容

本发明的目的在于克服现有技术存在的以上问题，提供一种光伏组件智能健康状态诊断方法。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种光伏组件智能健康状态诊断方法，所述诊断方法包括以下步骤：

步骤一：对待测光伏组件的输出I-V特性进行采样，并使用MQPSO算法对老化参数进行辨识；

步骤二：将任意工作环境下的老化参数映射至STC下；

步骤三：将老化参数输入至PNN，计算每个类别的最大似然估计值，得出待测光伏组件当前的健康状况。

进一步地，所述步骤一中对老化参数进行辨识具体通过计算模型I-V与真实I-V的均方根误差，公式为：

进一步地，所述步骤二中老化参数映射公式具体如下：