[发明专利]一种光伏阵列故障诊断方法

说明书

技术领域

本发明涉及光伏发电领域，特别是涉及一种光伏阵列故障诊断方法。

背景技术

随着全球能源问题的日益突出，人们逐渐将目光转向再生能源。太阳能作为一种清洁能源具有较大发展空间。在过去的几年里，因为光伏材料价格的下降以及各国政府的政策支持，光伏产业得到了快速的发展，预计2015年和2020年我国光伏产业年产量可达1.35亿m²和2.73亿m²。目前光伏组件的寿命大约为25年，这就要求光伏电站在这25年时间里可以稳定、持续、高效的发电。但是，光伏电站往往安装在比较恶劣的环境中，导致老化、热斑、短路等故障频发。而光伏系统通常在无人值守的情况下运行，系统故障的发生可能会导致输出功率降低甚至影响整个系统的正常运行。因此，用行之有效的方法及时地发现故障并排除故障，对延长光伏系统的维护和光伏组件使用寿命和维持光伏电站正常运行是十分有意义的。

目前，常用的光伏阵列故障诊断和定位方法可以分为视觉判断法、热性能法及电学法3种。热性能和视觉方法，都需要在阵列前面架设热成像仪或摄影机，对热成像仪或者摄像机摄制的图像进行人工观测或者进行图像处理，找出故障点。这类方法，实时性较差，且故障诊断和定位的精度和效率取决于热成像仪或者摄像机的等级，不利于在线故障诊断、定位和报警等。而电学法中，常用的对地电容检测法和时域反射法均需在系统停止工作时，对光伏系统进行检测后进行故障定位，对系统的实时运行影响较大。因此，在光伏电站的运营维护中，故障诊断具有较大的发展前景。

基于支持向量机(SupportVectorMachine,SVM)的故障诊断方法：支持向量机方法与基于模型的故障诊断相比，该方法无需复杂的数学建模，亦无需知道系统的机理，只需获取系统的运行数据即可对复杂非线性系统进行描述；同时，与经典的人工神经网络(ArtificialNeuralNetwork,ANN)方法相比，SVM只需要较少的样本即可对非线性系统进行学习。因此，该类方法更能适应故障诊断的需求，具有非常优秀的工程应用前景，也逐渐成为当前研究的一个热点。自1999年此类方法被用至故障诊断领域以来，其研究呈快速发展态势。

发明内容

针对现有技术上存在的不足，本发明的目的是基于增加的光伏系统故障诊断的可靠性，公开一种光伏阵列故障诊断方法。

为了实现上述目的，本发明是通过如下的技术方案来实现：

一种光伏阵列故障诊断方法，所述方法基于多级聚类的支持向量机SVM算法,进行光伏阵列故障诊断，所述步骤如下：

(1)、首先对训练样本集的各类中心进行分级聚类，以聚类分析的相似性测度为均值距离，并假设每一级中前两类的均值距离最小，其他相似性测度同理,将均值最小的2个样本，并为一类；

(2)、然后以(1)中得到的样本为SVM输入输出样本，对数据样本进行训练，得到各级的SVM模型,包括SVM1、SVM2、SVM3；

(3)、最后将数据测试样本输入训练好的SVM模型中，进行逐级分类诊断，进一步确定系统的故障类型。

上述步骤(1)中的分级聚类的方法如下：

(2a)、假设有四类样本集，分别为A1,A2,A3,A4；A1为硬性阴影样本,A2为软性阴影样本,A3为老化样本,A4为最大功率点失配的样本，4类样本都由电压、电流、功率数据组成；

首先完全按照原始类别划分，即各类样本自称一类；A1和A2为阴影样本集具有相似的输出特性，他们的类均值距离最小，并为B1类，并以A1,A2分别作为SVM3训练集中的输入输出样本，以此得到SVM3的各参数值，同时把A3作为B2，A4作为B3；

(2b)、阴影样本集B1和老化样本集B2，在进行二级分类时，他们二者的类均值距离最小，并为C1类，并以B1,B2分别作为SVM2训练级中的输入输出样本，以此得到SVM2的各参数值，MPPT的失配严重影响逆变器的效率，可以根据逆变器效率加于区分，把B3作为C2；

(2c)、分别以C1、C2样本集的作为SVM1训练集中的输入输出样本，以此得到SVM1的各参数值；

根据训练样本的分布情况和最近距离准则自适应构成N-1个两类SVM，由此完成光伏系统硬性阴影、软性阴影、老化、MPPT失配4种故障的分级聚类。

上述步骤(3)中的分类诊断的方法如下：