CN113221068B - 一种基于sstdr的光伏阵列故障检测方法 - Google Patents

Abstract

本发明公开了一种基于SSTDR的光伏阵列故障检测方法，所述方法包括以下步骤：步骤一：采集计算互相关值，并与线缆距离构成检测波形图；步骤二：将故障情况下的检测波形与正常情况下的检测波形相减；步骤三：计算得出数据特征；步骤四：将数据特征输入至训练好的BP神经网络；步骤五：计算各个分类结果的适应度值；步骤六：将最大适应度值的类别作为故障类型。本发明相比于常规电气检测方法，它通过向光伏阵列支路发送高频检测信号，分析入射信号与反射信号的互相关性来实现故障检测；而无需额外增加传感器来测量光伏阵列输出电压、电流、温度、辐照度等参数，并可以进行在线检测；并结合BP神经网络实现光伏阵列故障诊断。

Description

一种基于SSTDR的光伏阵列故障检测方法

技术领域

本发明属于光伏阵列故障检测领域，尤其涉及一种基于SSTDR的光伏阵列故障检测方法。

背景技术

光伏***常常安装在光照充足、自然条件相对恶劣的场所，组件和电缆线路会由于老化、动物抓咬等现象使得线路破损、连接头腐蚀，从而导致光伏***发电效率、电气性、可靠性和安全性降低，最终可能发生安全事故。以往的事故分析表明：光伏***故障中很大一部分是光伏***直流侧发生的故障。因此随着分布式光伏***的普及和应用，实现光伏***直流侧的故障在线诊断，是很有必要的。

对于光伏阵列短路故障，传统的检测与保护方法仍然是通过过流保护装置(OCPDs)与光伏组串串联，然而由于光伏阵列的非线性输出特性、限流特性甚至是最大功率点***(MPPT)等原因，光电阵列中的某些故障，如短路故障、开路故障、局部阴影等，OCPDs可能无法区分并加以清除。尤其是对于局部阴影和短路故障的区分，直接通过电压电流的变化情况一般难以进行区分，这对于故障的判定带来了很大的挑战。

虽然短路故障发生的概率比相比于接地故障小很多，但是一旦发生，可能会引起电流在故障串中反向流动，也会引起很严重的后果。

对于光伏阵列的开路故障，最常见的检测方法是采集光伏***的输出电流电压信号等进行分析并做出故障诊断，但是由于光伏组件使用时间久容易产生组件老化、线路老化等原因导致容易产生误判。

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，提供一种基于SSTDR的光伏阵列故障检测方法，基于扩频时域反射法的光伏阵列故障检测与诊断方法。相比于常规电气检测方法，它通过向光伏阵列支路发送高频检测信号，分析入射信号与反射信号的互相关性来实现故障检测；而无需额外增加传感器来测量光伏阵列输出电压、电流、温度、辐照度等参数，并可以进行在线检测；并结合BP神经网络实现光伏阵列故障诊断。

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：

一种基于SSTDR的光伏阵列故障检测方法，所述方法包括以下步骤：

步骤一：采集计算互相关值，并与线缆距离构成检测波形图；

步骤二：将故障情况下的检测波形与正常情况下的检测波形相减；

步骤三：计算得出数据特征；

步骤四：将数据特征输入至训练好的BP神经网络；

步骤五：计算各个分类结果的适应度值；

步骤六：将最大适应度值的类别作为故障类型。

进一步地，所述步骤一中采集计算互相关值包括以下步骤：

S101：PN序列经正弦波调制后形成高频检测信号；

S102：高频检测信号经过模数转换后，作为入射信号注入到待测电缆中；

S103：入射信号在电缆中传输遇到阻抗不匹配点形成反射信号；

S104：将反射信号经过模数转换后，与高频检测信号进行相关运算并输出。

进一步地，所述S104中相关运算的输出结果如式所示：

进一步地，所述步骤四中BP神经网络具体包括以下步骤：

S201：初始化：随机给定各连接层的权重和偏置一个非零值，并确定激励函数；

S202：确定各层的输入输出；

S203：正向传播：计算网络的输出和神经元误差；

S204：反向传播：根据神经元误差更新各层权值和阈值，若误差或循环次数满足要求则停止，否则转入步骤S203。

进一步地，所述步骤三种数据特征包括峰值、绝对平均值、方根幅值、平均值。

本发明的有益效果是：

1、本发明基于扩频时域反射法的光伏阵列故障检测与诊断方法，相比于常规电气检测方法，它通过向光伏阵列支路发送高频检测信号，分析入射信号与反射信号的互相关性来实现故障检测；而无需额外增加传感器来测量光伏阵列输出电压、电流、温度、辐照度等参数，并可以进行在线检测；并结合BP神经网络实现光伏阵列故障诊断。

2、在光伏阵列的不同故障条件下，基于SSTDR的测试波形和幅值存在明显差异，可以作为故障诊断算法的输入判据，且具有较强的抗干扰性通过仿真研究。

3、在基于SSTDR对光伏阵列进行故障检测的基础上，结合BP神经网络可以实现光伏阵列的故障诊断。

4、可以为基于SSTDR的光伏阵列健康状态检测提供理论与技术上的参考。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明光伏阵列故障检测与诊断流程图；

图2是本发明中SSTDR检测框图；

图3是本发明中BP神经网络基本结构；

图4是本发明中BP神经网络诊断光伏阵列故障结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示的一种基于SSTDR的光伏阵列故障检测方法，所述方法包括以下步骤：

步骤一：采集计算互相关值，并与线缆距离构成检测波形图；

步骤二：将故障情况下的检测波形与正常情况下的检测波形相减；

步骤三：计算得出峰值、绝对平均值、方根幅值、平均值数据特征；

步骤四：将数据特征输入至训练好的BP神经网络；

步骤五：计算各个分类结果的适应度值；

步骤六：将最大适应度值的类别作为故障类型。

如图2所示，基于扩频时域反射(SSTDR：Spread Spectrum Time DomainReflectometry)法，步骤一中采集计算互相关值包括以下步骤：

S101：PN序列经正弦波调制后形成高频检测信号；

S102：高频检测信号经过模数转换后，作为入射信号注入到待测电缆中；

S103：入射信号在电缆中传输遇到阻抗不匹配点形成反射信号；

S104：将反射信号经过模数转换后，与高频检测信号进行相关运算并输出。

S104中相关运算的输出结果如式所示：

其中s(t)为入射信号；反射信号r(t)＝∑a_ks(t-t_d)+n(t),a_k为衰减系数，n(t)为噪声信号，t_d为反射信号的延迟时间。若背景噪声为高斯白噪声时，则s(t)与n(t)无关，即计算结果R(t)只与入射信号和反射信号互相关值有关。

BP神经网络算法属于有监督式的学习算法，也是目前最成功的一种神经网络学习算法。其主要思想是：对于给定的训练集，无需确定其输入与输出之间的映射关系，只需要根据预定选择的学习算法对输入样本进行计算使得到的结果与输出样本之间的误差尽可能的小，然后进行的误差反向传播，当最终得到的结果与样本输出满足误差值或达到预设训练次数即表示训练完成。BP神经网络主要应用在函数逼近、模式识别、分类问题、数据压缩四个方面。

步骤四中BP神经网络具体包括以下步骤：

S201：初始化：随机给定各连接层的权重和偏置a_j、b_j一个非零值，并确定激励函数为Sigmoid函数：

g(x)＝1/(1+e^-x)；

S202：确定各层的输入输出:

如设X_k＝[x_k1,x_k2,…,x_kM],(k＝1,2,…,N)为输入向量，N为训练样本的个数，H_k(n)＝[h_k1(n),h_k2(n),…,h_kM(n)]为隐含层的输出，其中

为输出层的输出，其中

为期望输出，图3表示一个典型的3层的前向网络，共有4个输入和4个输出；

S203：正向传播：计算网络的输出和神经元误差；

S204：反向传播：根据神经元误差更新各层权值和阈值，若误差或循环次数满足要求则停止，否则转入步骤S203。

光伏阵列的故障检测问题可以看作一个四值分类问题，为了得到更好的区分效果，经过综合比较，选择峰值、绝对平均值、方根幅值、平均值作为输入样本：

1、峰值：

X_peak＝max{x₁,x₂,x₃…x_N}

2、绝对平均值：

3、方根幅值：

4、平均值：

输出参数也是4个，分别为健康状态、接地故障、短路故障和开路故障。输入参数归一化公式为：

考虑到得到的实验波形光伏板端的数据主要发生在距离首端x米左右(即入射端距汇流箱的距离)，根据实验波形来看，其余地方的波形若考虑到计算中可能反而会对实验结果造成误差，实验入射端距光伏板26米左右，因此取前5-150个数据(正是汇流箱附近的波形)进行处理(注：前5个数据不取主要因为靠近入射端，入射端本身就是阻抗不匹配点，需要排除这个干扰)，以光伏组件串故障参数为例，经过归一化后得到的结果如下表所示：

综上分别取样光伏阵列健康、接地故障、短路故障、开路故障四种状态下每种类型数十组数据进行数据分析，将光伏组件串和光伏阵列故障诊断正确率分开计算进行平均，得到的结果综合后如图4所示可知，通过BP神经网络对光伏阵列的几种故障诊断的平均正确率达到85％以上，而对于健康状态和接地故障的判定正确率几乎可以达到100％，实验结果表明该方法具有较好的检测效果。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (2)

1.一种基于SSTDR的光伏阵列故障检测方法，其特征在于：所述方法包括以下步骤：

步骤一：采集计算互相关值，并与线缆距离构成检测波形图；

步骤二：将故障情况下的检测波形与正常情况下的检测波形相减；

步骤三：计算得出数据特征，所述数据特征包括峰值、绝对平均值、方根幅值和平均值；

步骤四：将数据特征输入至训练好的BP神经网络，所述BP神经网络的输出参数是4个，分别为健康状态、接地故障、短路故障和开路故障；

步骤五：计算各个分类结果的适应度值；

步骤六：将最大适应度值的类别作为故障类型；

步骤一中采集计算互相关值包括以下步骤：

S101：PN序列经正弦波调制后形成高频检测信号；

S102：高频检测信号经过模数转换后，作为入射信号注入到待测电缆中；

S103：入射信号在电缆中传输遇到阻抗不匹配点形成反射信号；

S104：将反射信号经过模数转换后，与高频检测信号进行相关运算并输出；

S104中相关运算的输出结果如式所示：

其中s(t)为入射信号；反射信号r(t)＝∑a_ks(t-t_d)+n(t),a_k为衰减系数，n(t)为噪声信号，t_d为反射信号的延迟时间；若背景噪声为高斯白噪声时，则s(t)与n(t)无关，即计算结果R(t)只与入射信号和反射信号互相关值有关；

其中，所述峰值的计算公式为：

X_peak＝max{x₁,x₂,x₃…x_N}

所述绝对平均值的计算公式为：

所述方根幅值的计算公式为：

所述平均值的计算公式为：

2.根据权利要求1所述的一种基于SSTDR的光伏阵列故障检测方法，其特征在于：所述步骤四中BP神经网络具体包括以下步骤：

S201：初始化：随机给定各连接层的权重和偏置一个非零值，并确定激励函数；

S202：确定各层的输入输出；

S203：正向传播：计算网络的输出和神经元误差；

S204：反向传播：根据神经元误差更新各层权值和阈值，若误差或循环次数满足要求则停止，否则转入步骤S203。