[发明专利]一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法

说明书

本发明涉及一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，首先采集日常工作中光伏发电阵列最大功率点的若干个电气参数，得到每一日的电气参数样本组合；接着将每个电气参数样本进行归一化得到测试样本组合；然后根据归一化后的测试样本组合进行计算得到距离矩阵；接着采用基于密度的聚类算法对这些测试样本进行自动的聚类，获得若干个聚类；接着基于预先通过仿真模型获得的参考数据，分别计算每组参考数据和每个聚类之间的最小距离，形成一个距离向量；最后通过将距离向量中每个元素与聚类算法中的截断距离进行对比，识别每个聚类所属的工作类别。本发明可直接通过对光伏系统日常运行数据的聚类操作实现故障的准确诊断。

技术领域

本发明涉及并网光伏发电系统工作状态分析及光伏阵列故障诊断技术领域，特别是一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法。

背景技术

光伏发电系统装机容量的日益增加对光伏系统的工作状态的分析和光伏阵列的故障诊断提出了需求。作为系统的核心部件，光伏阵列通常工作在复杂的户外环境中，易受到各种环境因素的影响，导致开路、短路、硬性阴影、热斑等各种故障。故障的产生会降低电站的发电效率，严重时甚至发生火灾。目前，常规的光伏阵列故障检测和保护方式是通过增加保护器件，例如过电流保护器和对地故障断路器进行故障的防护。然而，由于光伏阵列输出的非线性、高故障阻抗、低照度运行及逆变器中最大功率跟踪等功能影响，一些故障的发生并不能由保护器件进行消除。

目前，光伏阵列的故障检测方法主要有红外图像检测法、时域反射分析法和对地电容法。正常工作与非正常工作的太阳能电池板之间存在一定的温差，红外图像检测法利用被测物体的温度特性进行检测。时域反射分析法的原理为向光伏串联电路注入一个脉冲，分析和观察返回波形，就可判断得到组件的故障类型和位置。对地电容测量法通过分析测量得到的电容值来判断光伏串联电路中是否存在断路故障。但这些方案存在一些不足之处：红外图像检测法不能区分温度相差不明显的状态，故障检测的精度和效率取决于检测设备(红外热像仪)的等级，费用较大，实时性较差；基于时域反射分析法不能对运行中的光伏阵列进行在线操作，不具有实时性，并且对设备要求较高，诊断的精度有限；多传感器的故障检测方法存在所用传感器较多、检测结构在大规模光伏阵列应用中难以推广等缺点。

近些年来，人工智能被广泛应用到各种系统的故障诊断中。部分学者也将智能算法引入到光伏发电阵列的故障诊断中，例如神经网络算法、决策树算法、支持向量机等等。这些算法可以模拟任意的非线性关系而无需去建立精确模型，实现故障的判断和分类，但是这些方法同时具有需要大量人工标定样本、不同的季节下训练的诊断模型并不通用、不同光伏发电系统需要重新训练模型等不足。

目前，云平台广泛用于各种光伏发电系统的监控，不同光伏系统每日的运行数据都发送至云平台中进行存储，这使得通过日常的运行数据对光伏系统的工作状态和故障进行分析成为了可能。通过对光伏日常归一化数据的分析，发现数据的分布具明显的非球状聚类、聚类的中心具有最高的密度并与其他更高的密度点有相当的距离等特性，因此适合采用一种新型的基于密度峰值的聚类算法(CFSFDP)对数据进行分析，然后进一步实现工作状态的分析和故障诊断。目前，公开发表的文献及专利中尚未见有将基于密度聚类算法应用于光伏阵列工作状态分析与故障诊断中。

发明内容

有鉴于此，本发明的目的是提出一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，采用基于密度的聚类算法，以此模型进行光伏发电阵列的故障诊断和分类，可精确的识别出光伏发电系统的运行状况。

本发明采用以下方案实现：一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，具体包括以下步骤：

步骤S1：采集日常工作中光伏发电阵列最大功率点的若干个电气参数，得到每一日的电气参数样本组合；

步骤S2：将每个电气参数样本进行归一化得到测试样本组合；

步骤S3：根据归一化后的测试样本组合进行计算得到距离矩阵；