[发明专利]一种光伏电池板热斑故障检测方法

说明书

技术领域

本发明涉及光伏发电系统故障检测领域，尤其是一种光伏电池板热斑故障检测方法。

背景技术

太阳能作为一种可再生、无污染的新能源，越来越受到人们的重视，每年光伏电站的装机容量增长迅速。随着光伏产业的快速发展，光伏电站工作状态的自动监控和故障诊断成为维护电站正常工作的首要任务。而光伏电站的运行与每一块光伏阵列的工作状态息息相关。当光伏组件发生局部遮阴或组件老化时，产生的热斑效应会使光伏转换受到影响，如果不能及时发现，情况严重时会造成光伏电池的永久性损坏，影响光伏电站的安全运行及经济效益。

为了保障光伏系统的安全运行，光伏热斑效应保护与检测方法主要有：1)并联二极管法，该方法主要是通过旁路二极管将被遮挡的光伏组件进行短路，防止光伏组件因发热被烧毁，该方法可以一定程度上延长光伏电池板的寿命，但不能避免热斑效应的发生；2)多传感器检测法，通过设计检测结构，采集一些电气参数进行故障诊断和故障组件定位，该方法安装复杂，成本高；3)电气测量法，该方法利用故障状态下光伏阵列的电流、电压的变化，并建立相应的故障检测模型或规则库，进行光伏故障诊断。该方法的主要难点是需要考虑温度、光照和风速等外界环境的变化，诊断模型的建立困难，而诊断模型直接影响了故障检测精度和效率；4)红外图像法，红外图像能够直观的反映被测物体的温度特性，现已被广泛应用于工业、建筑和电力监控等领域的故障检测。根据不同工作状态下的光伏组件存在明显温差的特征，光伏系统中通过对红外图像的处理与分析，可以提取可能的热斑现象故障区域及区域的特征信息，从而能够实现对光伏电池单体工作状态正常与否进行识别。

目前，为了直接快速的检测光伏电池板热斑效应，基于红外图像法多采用对原始图像的分割和特征提取，然后采用模糊推理的方法对光伏组件的工作状态识别，而模糊推理缺乏自我学习能力，泛化能力较差。中国专利申请201510331763.9公开了一种基于图像识别的光伏组件故障提示方法及系统，该方法仅采用阈值对比的方法对故障的识别，可靠性不高。此外，中国专利申请号201510567969.1公开了一种基于红外图像的光伏阵列故障等级划分方法，该方法基于模式识别的算法，实现了光伏故障的等级划分，该方法图像预处理繁琐，无法实现大量图像的快速分析诊断。

近年，随着机器学习算法的研究发展，应用范围不断拓宽。目前，支持向量机(Support Vector Machine，SVM)以其出色的性能和理论基础成为了继神经网络之后机器学习领域新的研究热点。它与传统的机器学习方法相比，能够解决小样本学习问题，同时可以有效的解决非线性、高维和局部极值等实际问题。目前，基于支持向量机的光伏故障诊断与分类方法多针对于电气信号，如中国专利申请号201510168541.X公开的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法；中国专利申请号201510498491.1公开了一种光伏阵列故障诊断方法。然而，这些方法需要考虑不同环境信息，前期人工数据采集繁琐，工作量大。但相关文献与专利中基于红外图像的支持向量机光伏电池板热斑故障诊断的方法研究还很少。同时，为了提高SVM的性能，引入带扩展记忆的粒子群算法(Particle Swarm Optimization with Extended Memory，PSOEM)对SVM的核函数参数和惩罚因子进行优化选择，以提高SVM模型的分类性能。

发明内容

针对现有技术的不足，本发明的目的是提供一种光伏电池板热斑故障检测方法，通过采集不同热斑故障状态下的红外图像，对红外图像预处理并分割提取热斑故障特征向量，训练SVM多类故障检测模型，并采用PSOEM优化SVM中的核函数参数g和惩罚因子c，建立光伏电池板热斑故障检测模型，实现对光伏电池板的热斑故障检测，并给出热斑损伤等级，促进光伏发电系统的安全有效运行。

本发明提供的一种光伏电池板热斑故障检测方法，包括以下步骤：

S1：采集正常以及不同热斑故障状态下的光伏电池板的红外图像信息及其温度信息；

S2：分割红外图像中的热斑区域并提取特征向量；

S3：选择径向基函数作为核函数，初步建立基于SVM的多类故障检测模型，其中核函数参数g和惩罚因子c为待定参数；

S4：运用训练样本对SVM多类故障检测模型进行训练，并采用带扩展记忆的粒子群算法优化SVM多类故障检测模型中的核函数参数g和惩罚因子c；

S5：选取训练样本分类精度最高的一组参数作为最优的核函数参数g和惩罚因子c的值，得到训练完成的SVM多类故障检测模型；