[发明专利]一种光伏阵列故障诊断和预警方法

说明书

本发明为一种光伏阵列故障诊断和预警方法，采用非线性最小二乘法优化的Elman神经网络和决策树结合经验知识构建故障诊断模型，采集当前光伏阵列运行数据和气象数据，计算与历史正常状态数据的误差，当误差大于阈值表示有故障，用故障诊断模型得到相应的故障类型及可信度，最后综合评价得到最终故障类型的可信度，按可信度值大小选择进行故障预警。此后按现场实测情况对故障知识库更新。本发明LM‑Elman神经网络和决策树结合经验知识构建故障诊断模型，提高历史数据敏感性，预测效果优于BP网络，且提高了网络收敛速度和训练的精度；经验知识的补充，使本法鲁棒性更强。实时检测、及时诊断，减少故障发生率，以保光伏电站稳定运行。

技术领域

本发明属于光伏电站技术领域，具体涉及一种光伏阵列故障诊断和预警方法。

背景技术

近年来，随着能源危机问题的日益突显，各国政府开始大力推动新型可再生能源项目的研究与发展。太阳能作为新型能源的代表，其具备清洁环保、可再生、可持续等天然优点，使得光伏发电技术得以快速发展。然而，随着光伏电站规模的扩大和分布式光伏电站的普及，光伏电池组件故障常出现。目前大多数光伏电站采用串联或串并联的方式组装光伏阵列。因此当某个组件出现的故障不能及时发现并解决，串并联方式构成的系统组合的损失将会大大增加，从而严重影响光伏电站的输出功率和发电效率。

目前用于光伏发电系统故障诊断的方法很多，例如：红外图像检测分析法、多传感器检测法、基于人工神经网络的故障诊断方法、基于模糊技术的故障诊断方法、此外还包括故障决策树、专家系统、基于信号处理等方法。这些方法都各有优缺点。

(1)红外图像检测分析法

红外图像检测法利用光伏组件在正常和故障两种状态时具有明显温差的特点，通过红外摄像仪拍摄光伏组件以诊断故障；需要额外增加红外摄像仪成本较高且实现性不强。

(2)多传感器检测法：

多传感器法需要在每个光伏模块上安装电压和电流传感器，分析采集数据来诊断故障。额外增加电压和电流传感器设备，提高成本，难于实现。

(3)基于模糊技术的故障诊断方法

在解决具有不确定性、不精确性以及噪声等问题时有很大的优势。主要原理是通过建立故障与征兆的模糊规则库，再进行模糊逻辑推理的诊断。但是模糊隶属函数和模糊规则对经验知识依赖较大，且模糊逻辑系统缺少自学习能力。

(4)基于故障树分析的诊断方法

故障树分析是基于故障的层次特性，通过其故障成因和后果的关系层次形成因果链，结合一因多果或一果多因的情况构成故障树。其诊断精度关键在于故障树结构和判定规则的构建，由于树结构的特点，容易忽略属性之间的相关性，因而故障树的建立需要对系统机理深入了解。

(5)基于人工神经网络ANN的故障诊断方法，ANN因具有分类准确度高，分布存储及学习能力强，具备联想记忆功能等优点被广泛用于故障诊断领域。虽然人工神经网络是一个具有自主学习能力的计算结构，但在对于类似人类的经验知识规则的表达和解释方面具有一定的局限性，另外网络收敛速度和网络训练的精度也难以满足要求。特别是BP神经网络属于静态神经网络，收敛速度慢，且容易出现陷入局部最小值的情况。

总之，现有的光伏发电系统故障诊断方法有些对历史状态的数据敏感性低，有些处理动态信息的能力较差，有些缺乏自主学习能力，不能满足目前光伏产业的发展要求，故急需一种有效的光伏阵列故障诊断及预警的方法。

发明内容