CN109409420B - 一种在非均匀辐照度下的光伏组串故障诊断方法 - Google Patents
一种在非均匀辐照度下的光伏组串故障诊断方法 Download PDFInfo
- Publication number
- CN109409420B CN109409420B CN201811168547.7A CN201811168547A CN109409420B CN 109409420 B CN109409420 B CN 109409420B CN 201811168547 A CN201811168547 A CN 201811168547A CN 109409420 B CN109409420 B CN 109409420B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- fault
- string
- fireworks
- circuit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000004880 explosion Methods 0.000 claims description 29
- 230000035772 mutation Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 101000604223 Homo sapiens Nocturnin Proteins 0.000 claims description 4
- 102100038815 Nocturnin Human genes 0.000 claims description 4
- 230000000712 assembly Effects 0.000 claims description 3
- 238000000429 assembly Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 229910002056 binary alloy Inorganic materials 0.000 claims 3
- 239000002360 explosive Substances 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000005065 mining Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Photovoltaic Devices (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明一种在非均匀辐照度下的光伏组串故障诊断方法，在多变天气引起光伏组串中辐照度不一致的情况下，首先通过多点布设的辐照度传感器和温度传感器测量不同位置的光伏组件环境参数，利用光伏电池等效电路模型对光伏电流、电压和输出功率进行理论估算。同时，在光伏组串的汇流箱处，测量实际的光伏电流、电压和输出功率。然后对开路故障和短路故障进行故障编码，得到关于故障编码的理论输出功率函数。最后以光伏组串理论输出功率与实际输出功率之差的绝对值为优化目标，利用具有快速开采和勘察性能的强化烟花算法对目标函数进行优化，实现光伏组串的故障诊断与定位。本发明能够使得光伏电站运行维护的工作人员及时对发生故障的光伏组件安排检修。
Description
技术领域
本发明涉及一种光伏组串故障诊断方法，具体涉及一种在非均匀辐照度下的光伏组串故障诊断方法。
背景技术
随着化石燃料等传统能源的日益枯竭，以及环境污染问题越来越突出，人类对新能源的需求越来迫切。太阳能具有清洁环保、安全可靠、可持续发展等优点，是比较理想的可再生新能源。目前，光伏发电是一种有效的将太阳能转化为电能的技术，能够有效地缓解能源危机和改善环境污染问题。光伏阵列作为光伏发电***的重要组成部分，理论上其平均寿命可达20～30年，但是实际的工程应用中，光伏组件会遇到诸如封装工艺、使用环境恶劣、热斑现象、机械损伤、电路故障(开路和短路)等问题，使得光伏组件正常使用寿命大大缩短。其中，光伏组串的短路(SC)故障和开路(OC)故障对光伏发电的正常运行影响严重，甚至威胁整个光伏电站的安全。因此，实时监控光伏阵列的运行状态并且及时发现故障、定位故障是十分有必要的。
在传统的光伏阵列故障检测方式中，有离线检测和在线检测。离线检测由于需要在光伏发电***整体停运之后才能实施，但是光伏电站需要持续投运来保障供电的稳定性和连续性。因此，离线故障检测在实际中很少大规模使用。在线检测一般有基于数学模型的光伏阵列故障检测方法和基于智能的光伏阵列故障诊断***，这些方法不仅数学模型复杂、计算量大、实时性能差，并且在多变的环境因素影响下，存在故障诊断准确率低和故障误报率高的缺点，从而加重了现场运维人员的工作强度，甚至发生严重的故障漏报情况，直接影响了光伏发电***的效益和安全稳定性。
工程实际中，如何高效及时地对光伏组串的工作状态进行分析，快速确定光伏故障类型和位置是一个亟待解决的问题，也是今后光伏电站运行维护的重要内容。
发明内容
为了克服上述现有故障诊断技术的不足，本发明的目的在于提供一种基于强化烟花算法的在非均匀辐照度下的光伏组串故障诊断方法。
本发明采用如下技术方案来实现的：
一种在非均匀辐照度下的光伏组串故障诊断方法，包括以下步骤：
步骤1：针对共有N块组件的光伏组串，采集光伏组串的输出功率PMeasured、电压VMeasured和电流IMeasured，以及光伏组串中组件i的辐照度Gi和组件温度Ti；
步骤2：根据光伏等效电路模型以及采集的辐照度Gi和组件温度Ti计算得到光伏组串中组件i的理论最大输出功率；
步骤3：计算光伏组串理论输出功率PArray；即光伏组串输出功率等于光伏组串中光伏组件输出功率的总和；
步骤4：确定故障阈值ε，并判断光伏组串是否有一异常；如果PMeasured+ε＜PArray，则说明组串运行异常，进行步骤5；否则说明组串无异常；
步骤5：建立故障等效模型；针对光伏发电***中的短路故障和开路故障，这两种近似为一种开关模型，短路故障发生时等效为光伏板并联二极管被短路，即等效为光伏板并联一个闭合的开关K1；开路时则等效为光伏输出串联一个断开的开关K2，切断了光伏板对外输出通路；而正常运行情况则相当于开关K1断开，开关K2闭合；
步骤6：构建适应度函数，用来表征每一朵烟花的适应度大小，该适应度的值决定了烟花散发出的火花数量和***半径；
Fitness＝f(NSC,NOC,SC,OC)＝|PMeasured-PArray|
则利用强化烟花算法优化的目标是：
minf(NSC,NOC,SC,OC)＝|PMeasured-PArray|
其中NSC为短路故障个数，NOC为开路故障个数；
步骤7：初始化烟花种群，在可行域空间中随机选择M′个烟花作为初步迭代烟花种群，并初始化最大迭代次数iter；
步骤8：计算烟花种群中烟花i的适应度大小Fitnessi；然后进行归一化处理，得到
将保留种群中
的M个群体进行下一步操作；
步骤9：设计***算子，根据每一个位置为(NSC,NOC,SC,OC)i烟花个体的适应度大小，计算该烟花的***初始半径R＝ρ·Fitness，其中ρ为***半径伸缩系数，该系数由可行域的具体大小范围确定，算式表明适应度越小的为更优的烟花，则其***范围将减小，进行细化搜索；而适应度大的烟花***半径大，进行广度开采；同理根据烟花个体适应度大小，计算***火花个数
其中θ为***火花数伸缩系数，该系数由烟花种群的大小确定，同时再添加一个0均值的正态随机数；从而每一个火花的半径为Ri＝R+N(0,σR)，增加随机数是为了提高火花的多样性，同时产生一个均匀分布生成的方向角θi＝U(0,2)；到此，得到火花i的位置为：
(NSC,NOC,SC,OC)′i＝(NSC,NOC,SC,OC)i
＋(NSC,NOC,(Ricosθi)bin,(Risinθi)bin)i
其中，(Ricosθi)bin表示将实数Ricosθi转为N位二进制形式，并提取为“1”的位号组成集合SC；同理(Risinθi)bin将实数Risinθi转为N位二进制形式，并提取为“1”的位号组成集合OC；
步骤10：设计高斯变异算子，为增加火花纵向多样性，对烟花爆发出的火花进行高斯变异操作，即选择n′＜n个火花作为变异种群进行高斯变异，也就是
Ri＝N(R,σR)；其中这里第i在火花变异种群中；从而变异的火花位置为
(NSC,NOC,SC,OC)′i＝N(R,σR)×(NSC,NOC,SC,OC)i；
步骤11：设计火花碰撞算子，强化烟花爆发过程中火花的多样性，即烟花在***过程中，不同的火花碰撞将产生新的火花；即父辈火花(NSC,NOC,SC,OC)1和(NSC,NOC,SC,OC)2碰撞产生子辈火花(NSC,NOC，SC,OC)′1和(NSC,NOC,SC,OC)′2；首先随机产生一个0到1之间的随机数n，再利用多项式概率分布生成两个随机数γ1和γ2，
其中
ηc是一个非负数；
从而得出子辈火花为：
(NSC,NOC,SC,OC)p1
＝0.5[((NSC,NOC,SC,OC)2+(NSC,NOC,SC,OC)1)
-γ1(|(NSC,NOC,SC,OC)2-(NSC,NOC,SC,OC)1|)]
(NSC,NOC,SC,OC)p2
＝0.5[((NSC,NOC,SC,OC)2+(NSC,NOC,SC,OC)1)
-γ2(|(NSC,NOC,SC,OC)2-(NSC,NOC,SC,OC)1|)]
步骤12：选择下一代火花作为下一步迭代的烟花；
步骤13：判断终止条件；如果f((NSC,NOC,SC,OC)k)≤ε，获取VArray和IArray，如果VMeasure＝VArray且IMeasure＝IArray，则终止，给出故障编码并解码，即在非均匀辐照度下产生相同功率、电流、电压的情况下，说明模型计算出的故障类型跟实际情况相一致，即诊断故障为开路故障或短路故障；否则，进行下一步迭代，转步骤8；若迭代此处超出最大迭代次数限制iter，则终止，说明故障类型为非开路故障或短路故障，即为高损耗异常。
本发明进一步的改进在于，该光伏组串故障方法采用Si-01TC-T辐照度传感器和光伏监控***收集相关数据，并对开路故障和短路故障进行二进制等效编码，利用增强烟花算法进行优化求解。
本发明进一步的改进在于，步骤2中，计算公式如下：
其中，
是组件i的输出电流，
是组件i的输出功率，
为组件i中并联的模块数，
为组件i中串联的模块数，
为组件i中模块光生电流，
为组件i中模块并联二极管反向饱和电流，
为组件i的等效串联电阻，
为组件i的等效并联电阻；
为组件i处环境温度，NOCT为电池标称工作温度。
本发明进一步的改进在于，步骤3中，计算公式如下：
其中，Pi(Ti,Gi)表示第i个组件理论输出最大功率，它是关于辐照度和温度的函数；SC表示组串中短路故障的集合，OC表示开路故障的集合；
为开路组件i的并联二极管产生的损耗，
为组件i所在组串的支路电流，
为组件i的并联二极管导通电压。
本发明具有如下有益的技术效果：
本发明通过测量和分析光伏阵列的实际电流、电压、功率、光伏板温度和辐照度这些电气参数和环境参数，建立故障等效模型，并采用基于强化烟花算法的最优化模型进行光伏组串故障诊断。该方法不仅可以进行光伏组串的短路故障和开路故障诊断，并且可以在非均匀辐照度下定位和区分开短路故障和开路故障，具有模型简单、鲁棒性好、经济实用和实时性能好的优点；使得光伏发电***在安全稳定的前提下，保障最佳运行状态，并且为运维人员提供可靠故障预警，减少漏报和误报情况。
综上所述，本发明能够使得光伏电站运行维护的工作人员及时对发生故障的光伏组件安排检修，从而实现了光伏组件持续最佳状态运行，保证了光伏电厂的经济效益。
具体实施方式
下面结合光伏组串在非均匀辐照度下故障诊断为实例对本发明作更详细的说明。
本发明提供的一种在非均匀辐照度下的光伏组串故障诊断方法，包括以下步骤：
步骤1：针对共有10块组件的光伏组串，采集光伏组串输出功率PMeasured＝1070.50W、电压VMeasured＝155.20V和电流IMeasured＝6.90A，以及光伏组串中组件i的辐照度Gi和组件温度Ti。如表1。
表1环境参数
步骤2：根据光伏等效电路模型以及采集的辐照度和温度计算第i块光伏组件理论输出最大功率。
其中，
是组件i的输出电流，
是组件i的输出功率，
为组件i中并联的模块数，
为组件i中串联的模块数，
为组件i中模块光生电流，
为组件i中模块并联二极管反向饱和电流，
为组件i的等效串联电阻，
为组件i的等效并联电阻。
为组件i处环境温度，NOCT为电池标称工作温度。
这里，NOCT＝48℃，
步骤3：计算光伏组串理论输出功率PArray。即光伏组串输出功率等于光伏组串中光伏组件输出功率的总和。
其中，Pi(Ti,Gi)表示第i个组件理论输出最大功率，它是关于辐照度和温度的函数。SC表示组串中短路故障的集合，OC表示开路故障的集合。
为开路组件i的并联二极管产生的损耗，
为组件i所在组串的支路电流，
为组件i的并联二极管导通电压。
步骤4：确定故障阈值ε＝0.1％PMeasured，并判断光伏组串是否有一异常。如果PMeasured+ε＜PArray，则说明组串运行异常，进行步骤5；否则说明组串无异常。
步骤5：建立故障等效模型。针对光伏发电***中的短路故障和开路故障，这两种可以近似为一种开关模型，短路故障发生时等效为光伏板并联二极管被短路，即等效为光伏板并联一个闭合的开关K1；开路时则等效为光伏输出串联一个断开的开关K2，切断了光伏板对外输出通路。而正常运行情况则相当于开关K1断开，开关K2闭合。
步骤6：构建适应度函数，用来表征每一朵烟花的适应度大小，该适应度的值决定了烟花散发出的火花数量和***半径。
Fitness＝f(NSC,NOC,SC,OC)＝|PMeasured-PArray|
则基于强化烟花算法的优化目标函数是：
minf(NSC,NOC,SC,OC)＝|PMeasured-PArray|
其中NSC为短路故障个数，NOC为开路故障个数。
步骤7：初始化烟花种群，在可行域空间中随机选择M′＝20个烟花作为初步迭代烟花种群，并初始化最大迭代次数iter＝50。
步骤8：计算烟花种群中烟花i的适应度大小Fitnessi。然后进行归一化处理，得到
将保留种群中
(取λ＝0.6)的M个群体进行下一步操作。
步骤9：设计***算子，根据每一个位置为(NSC,NOC,SC,OC)i烟花个体的适应度大小，计算该烟花的***初始半径R＝ρ·Fitness，其中ρ＝5为***半径伸缩系数，该系数由可行域的具体大小范围确定，算式表明适应度越小的为更优的烟花，则其***范围将减小，进行细化搜索；而适应度大的烟花***半径大，进行广度开采。同理根据烟花个体适应度大小，计算***火花个数
取σn＝30，其中θ＝8为***火花数伸缩系数，该系数由烟花种群的大小确定，同时再添加一个0均值的正态随机数。从而每一个火花的半径为Ri＝R+N(0,σR)，取σR＝12增加随机数是为了提高火花的多样性，同时产生一个均匀分布生成的方向角θi＝U(0,2π)。到此，便可以得到火花i的位置为：
(NSC,NOC,SC,OC)ii＝(NSC,NOC,SC,OC)i
+(NSC,NOC,(Ricosθi)bin,(Risinθi)bin)i
其中，(Ricosθi)bin表示将实数Ricosθi转为N位二进制形式，并提取为“1”的位号组成集合SC；同理(Risinθi)bin将实数Risinθi转为N位二进制形式，并提取为“1”的位号组成集合OC。
步骤10：设计高斯变异算子，为增加火花纵向多样性，对烟花爆发出的火花进行高斯变异操作，即选择n′＜n个火花作为变异种群进行高斯变异，也就是Ri＝N(R,σR)。其中这里第i在火花变异种群中。从而变异的火花位置为：
(NSC,NOC,SC,OC)′i＝N(R,σR)×(NSC,NOC,SC,OC)i。
步骤11：设计火花碰撞算子，强化烟花爆发过程中火花的多样性，即烟花在***过程中，不同的火花碰撞将产生新的火花。即父辈火花(NSC,NOC,SC,OC)1和(NSC,NOC,SC,OC)2碰撞产生子辈火花(NSC,NOC,SC,OC)′1和(NSC,NOC,SC,OC)′2。
首先随机产生一个0到1之间的随机数n，再利用多项式概率分布生成两个随机数γ1和γ2，
其中
ηc是一个非负数，取0.8。
从而得出子辈火花为：
(NSC,NOC,SC,OC)p1
＝0.5[((NSC,NOC,SC,OC)2+(NSC,NOC,SC,OC)1)
-γ1(|(NSC,NOC,SC,OC)2-(NSC,NOC,SC,OC)1|）]
(NSC,NOC，SC,OC)p2
＝0.5[((NSC,NOC,SC,OC)2+(NSC,NOC,SC,OC)1)
-γ2(|(NSC,NOC,SC,OC)2-(NSC,NOC,SC,OC)1|)]
步骤12：选择下一代火花作为下一步迭代的烟花。
步骤13：判断终止条件。如果f((NSC,NOC,SC,OC)k)≤ε，获取VArray和IArray，如果VMeasure＝VArray且IMeasure＝IArray，则终止，给出故障编码并解码，即在非均匀辐照度下产生相同功率、电流、电压的情况下，说明模型计算出的故障类型跟实际情况相一致，即诊断故障为开路故障或短路故障。否则，进行下一步迭代，转步骤8。若迭代此处超出最大迭代次数限制iter，则终止，说明故障类型为非开路故障或短路故障，即为高损耗异常。
经上述过程进行光伏组串故障诊断，经过31次迭代，可以得出故障信息为：第1、第8和第9号组件发生开路故障；第2和第5号组件发生短路故障。该诊断结果可以提供给光伏电站运行维护的工作人员，及时对发生故障的光伏组件安排检修，从而实现了光伏组件持续最佳状态运行，保证了光伏电厂的经济效益。
Claims (4)
1.一种在非均匀辐照度下的光伏组串故障诊断方法，其特征在于，包括以下步骤：
步骤1：针对共有N块组件的光伏组串，采集光伏组串的输出功率PMeasured、电压VMeasured和电流IMeasured，以及光伏组串中组件i的辐照度Gi和组件温度Ti；
步骤2：根据光伏等效电路模型以及采集的辐照度Gi和组件温度Ti计算得到光伏组串中组件i的理论最大输出功率；
步骤3：计算光伏组串理论输出功率PArray；即光伏组串输出功率等于光伏组串中光伏组件输出功率的总和；
步骤4：确定故障阈值ε，并判断光伏组串是否有一异常；如果PMeasured+ε＜PArray，则说明组串运行异常，进行步骤5；否则说明组串无异常；
步骤5：建立故障等效模型；针对光伏发电***中的短路故障和开路故障，这两种近似为一种开关模型，短路故障发生时等效为光伏板并联二极管被短路，即等效为光伏板并联一个闭合的开关K1；开路时则等效为光伏输出串联一个断开的开关K2，切断了光伏板对外输出通路；而正常运行情况则相当于开关K1断开，开关K2闭合；
步骤6：构建适应度函数，用来表征每一朵烟花的适应度大小，该适应度的值决定了烟花散发出的火花数量和***半径；
Fitness＝f(NSC，NOC，SC，OC)＝|PMeasured-PArray|
则利用强化烟花算法优化的目标是：
min f(NSC，NOC，SC，OC)＝|PMeasured-PArray|
其中NSC为短路故障个数，NOC为开路故障个数，SC表示组串中短路故障的集合，OC表示开路故障的集合；
步骤7：初始化烟花种群，在可行域空间中随机选择M′个烟花作为初步迭代烟花种群，并初始化最大迭代次数iter；
步骤8：计算烟花种群中烟花z的适应度大小Fitnessz；然后进行归一化处理，得到
将保留种群中
的M个群体进行下一步操作；
步骤9：设计***算子，根据每一个位置为(NSC，NOC，SC，OC)j烟花个体的适应度大小，计算该烟花的***初始半径R＝ρ·Fitness，其中ρ为***半径伸缩系数，该系数由可行域的具体大小范围确定，算式表明适应度越小的为更优的烟花，则其***范围将减小，进行细化搜索；而适应度大的烟花***半径大，进行广度开采；同理根据烟花个体适应度大小，计算***火花个数
其中θ为***火花数伸缩系数，该系数由烟花种群的大小确定，同时再添加一个0均值的正态随机数Φ(0，σm)；从而每一个火花的半径为Rj＝R+Φ(0，σR)，增加随机数是为了提高火花的多样性，同时产生一个均匀分布生成的方向角θj＝U(0，2π)；到此，得到火花j的位置为：
(NSC，NOC，SC，OC)′j＝(NSC，NOC，SC，OC)j+(NSC，NOC，(Rjcosθj)bin，(Rjsinθj)bin)
其中，(Rjcosθj)bin表示将实数Rjcosθj转为N位二进制形式，并提取该二进制数中为“1”的位的编号组成集合SC；同理(Rjsinθj)bin将实数Rjsinθj转为N位二进制形式，该二进制数中为“1”的位的编号组成集合OC；N为光伏组串的组件数量；j表示烟花种群的火花序号；
步骤10：设计高斯变异算子，为增加火花纵向多样性，对烟花爆发出的火花进行高斯变异操作，即选择m′＜m个火花作为变异种群进行高斯变异，也就是Rj＝Φ(R，σR)；其中这里第j在火花变异种群中；从而变异的火花位置为
(NSC，NOC，SC，OC)′j＝Φ(R，σR)×(NSC，NOC，SC，OC)j；
步骤11：设计火花碰撞算子，强化烟花爆发过程中火花的多样性，即烟花在***过程中，不同的火花碰撞将产生新的火花；即父辈火花(NSC，NOC，SC，OC)1和(NSC，NOC，SC，OC)2碰撞产生子辈火花(NSC，NOC，SC，OC)′1和(NSC，NOC，SC，OC)′2；首先随机产生一个0到1之间的随机数n，再利用多项式概率分布生成两个随机数γ1和γ2，
其中
ηc是一个非负数；
从而得出子辈火花为：
(NSC，NOC，SC，OC)′1
＝0.5[((NSC，NOC，SC，OC)2+(NSC，NOC，SC，OC)1)-γ1(|(NSC，NOC，SC，OC)2-(NSC，NOC，SC，OC)1|)]
(NSC，NOC，SC，OC)′2
＝0.5[((NSC，NOC，SC，OC)2+(NSC，NOC，SC，OC)1)-γ2(|(NSC，NOC，SC，OC)2-(NSC，NOC，SC，OC)1|)]
步骤12：选择下一代火花作为下一步迭代的烟花；
步骤13：判断终止条件；如果f((NSC，NOC，SC，OC)t)≤ε，获取VArray和IArray，如果VMeasure＝VArray且IMeasure＝IArray，则终止，给出故障编码并解码，即在非均匀辐照度下产生相同功率、电流、电压的情况下，说明模型计算出的故障类型跟实际情况相一致，即诊断故障为开路故障或短路故障；否则，进行下一步迭代，转步骤8；若迭代此处超出最大迭代次数限制iter，则终止，说明故障类型既不是短路故障，也不是开路故障，而是高损耗；其中(NSC，NOC，SC，OC)t是父辈烟花，t是父辈烟花个数，(NSC，NOC，SC，OC)t为父辈烟花得到的子辈烟花。
2.根据权利要求1所述的一种在非均匀辐照度下的光伏组串故障诊断方法，其特征在于，该光伏组串故障方法采用Si-01TC-T辐照度传感器和光伏监控***收集相关数据，并对开路故障和短路故障进行二进制等效编码，利用增强烟花算法进行优化求解。
3.根据权利要求1或2所述的一种在非均匀辐照度下的光伏组串故障诊断方法，其特征在于，步骤2中，计算公式如下：
其中，
是组件i的输出电流，
是组件i的输出功率，
为组件i中并联的模块数，
为组件i中串联的模块数，
为组件i中模块光生电流，
为组件i中模块并联二极管反向饱和电流，
为组件i的等效串联电阻，
为组件i的等效并联电阻；
为组件i处环境温度，NOCT为电池标称工作温度。
4.根据权利要求3所述的一种在非均匀辐照度下的光伏组串故障诊断方法，其特征在于，步骤3中，计算公式如下：
其中，Pi(Ti，Gi)表示第i个组件理论输出最大功率，它是关于辐照度和温度的函数；SC表示组串中短路故障的集合，OC表示开路故障的集合；
为开路组件i的并联二极管产生的损耗，
为组件i所在组串的支路电流，
为组件i的并联二极管导通电压。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811168547.7A CN109409420B (zh) | 2018-10-08 | 2018-10-08 | 一种在非均匀辐照度下的光伏组串故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811168547.7A CN109409420B (zh) | 2018-10-08 | 2018-10-08 | 一种在非均匀辐照度下的光伏组串故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109409420A CN109409420A (zh) | 2019-03-01 |
| CN109409420B true CN109409420B (zh) | 2022-05-03 |
Family
ID=65466089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811168547.7A Active CN109409420B (zh) | 2018-10-08 | 2018-10-08 | 一种在非均匀辐照度下的光伏组串故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109409420B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114298084A (zh) * | 2021-11-17 | 2022-04-08 | 华能大理风力发电有限公司洱源分公司 | 一种基于XGBoost的光伏组串通信异常识别方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104767482A (zh) * | 2014-01-02 | 2015-07-08 | 上海岩芯电子科技有限公司 | 一种光伏组件老化和短路故障在线诊断方法 |
| CN105652952A (zh) * | 2016-04-18 | 2016-06-08 | 中国矿业大学 | 一种基于烟花算法的光伏发电***最大功率点跟踪方法 |
| CN106776469A (zh) * | 2017-03-17 | 2017-05-31 | 沈阳航空航天大学 | 一种基于模拟退火与高斯扰动的烟花算法 |
| CN107102223A (zh) * | 2017-03-29 | 2017-08-29 | 江苏大学 | 基于改进的隐马尔可夫模型ghmm的npc光伏逆变器故障诊断方法 |
| CN107579707A (zh) * | 2017-10-13 | 2018-01-12 | 江苏大学 | 一种基于参数辨识的光伏阵列故障诊断方法 |
| CN107658840A (zh) * | 2017-09-30 | 2018-02-02 | 山东科技大学 | 基于a*算法与烟花算法的配电网故障恢复方法 |
| CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 福州大学 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6209412B2 (ja) * | 2013-09-27 | 2017-10-04 | 株式会社日立製作所 | 太陽光発電システムの故障診断システム及び故障診断方法 |
| CN106443297B (zh) * | 2016-09-07 | 2018-05-22 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
-
2018
- 2018-10-08 CN CN201811168547.7A patent/CN109409420B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104767482A (zh) * | 2014-01-02 | 2015-07-08 | 上海岩芯电子科技有限公司 | 一种光伏组件老化和短路故障在线诊断方法 |
| CN105652952A (zh) * | 2016-04-18 | 2016-06-08 | 中国矿业大学 | 一种基于烟花算法的光伏发电***最大功率点跟踪方法 |
| CN106776469A (zh) * | 2017-03-17 | 2017-05-31 | 沈阳航空航天大学 | 一种基于模拟退火与高斯扰动的烟花算法 |
| CN107102223A (zh) * | 2017-03-29 | 2017-08-29 | 江苏大学 | 基于改进的隐马尔可夫模型ghmm的npc光伏逆变器故障诊断方法 |
| CN107658840A (zh) * | 2017-09-30 | 2018-02-02 | 山东科技大学 | 基于a*算法与烟花算法的配电网故障恢复方法 |
| CN107579707A (zh) * | 2017-10-13 | 2018-01-12 | 江苏大学 | 一种基于参数辨识的光伏阵列故障诊断方法 |
| CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 福州大学 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| Parameter extraction of solar photovoltaic models using an improved whale optimization algorithm;Guojiang Xiong等;《Energy Conversion and Management》;20180820;第174卷;第388-405页 * |
| Real Time Fault Detection in Photovoltaic Systems;Mohamed Hassan Ali等;《Energy Procedia》;20171231;第111卷;第914-923页 * |
| 烟花算法研究进展;谭营等;《智能***学报》;20141031;第9卷(第5期);第515-528页 * |
| 考虑降低暂态电压失稳风险的动态无功优化配置方法;周仕豪;《电力***保护与控制》;20180401;第46卷(第7期);第68-75页 * |
| 自适应***半径和差分变异的增强烟花算法;叶雯雯等;《应用数学进展》;20180228;第7卷(第2期);第152-162页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109409420A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105134510A (zh) | 一种风力发电机组变桨***的状态监测和故障诊断方法 | |
| CN111293683B (zh) | 一种兼顾安全性与经济性的配网自愈优化方法 | |
| Chunlai et al. | Retracted: A Survey of Online Fault Diagnosis for PV Module Based on BP Neural Network | |
| WO2023103455A1 (zh) | 一种大规模海上风电场集电***拓扑结构优化方法及*** | |
| Djalab et al. | Robust method for diagnosis and detection of faults in photovoltaic systems using artificial neural networks | |
| CN109409420B (zh) | 一种在非均匀辐照度下的光伏组串故障诊断方法 | |
| CN112083270B (zh) | 一种基于相关系数的风电场集电线路单相接地故障选线方法 | |
| CN115208310A (zh) | 一种光伏发电***的监控方法 | |
| Yun et al. | Research on fault diagnosis of photovoltaic array based on random forest algorithm | |
| Li et al. | A line-fault cause analysis method for distribution network based on decision-making tree and machine learning | |
| Adouni et al. | DC-DC converter fault diagnostic in PV system | |
| Jadin et al. | A sizing tool for PV standalone system | |
| CN109725674A (zh) | 一种基于sa+pso混合算法的光伏***最大功率跟踪的优化算法 | |
| CN115117944A (zh) | 一种风电光伏联合发电的功率控制方法 | |
| CN107271916A (zh) | 一种电池板组串健康状态检测方法 | |
| CN104779907B (zh) | 一种太阳能光伏电站的工作状态监测方法及*** | |
| Ghazali et al. | A multi-scale dual-stage model for PV array fault detection, classification, and monitoring technique | |
| CN113417809A (zh) | 一种视觉雷击监测方法及*** | |
| Liu et al. | Fault diagnosis of photovoltaic array based on XGBoost method | |
| Wang et al. | Fault diagnosis method based on an improved KNN algorithm for PV strings | |
| Hu et al. | A fault diagnosis method for photovoltaic modules based on transfer long short-term memory neural network | |
| Zhang et al. | Analysis of the factors affecting the fault of photovoltaic power generation equipment | |
| Amiri et al. | Faults detection of PV systems based on extracted parameters using Modified Grey Wolf algorithm | |
| Jing et al. | On-line Diagnosis Technology of Distributed Photovoltaic Abnormal Generation Based on Output Prediction | |
| CN103425174A (zh) | 自适应多峰光伏最大功率跟踪装置及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |