[发明专利]一种无人机自动充电站的太阳能故障诊断方法

权利要求书

1.一种无人机自动充电站的太阳能故障诊断方法，其特征在于：所述充电站(10)的电源组件包括汇流箱，所述汇流箱与发电支路(1)的电力输出端相连，以汇聚发电支路内太阳能电池阵列的电能；所述发电支路的电力输出端处设有用于采集发电支路电压信号U的电流霍尔传感器(12)；所述电流霍尔传感器与数据采集中心相连以上传发电支路的电压信号U，数据采集中心(11)的微控制单元以数据位率变换法把电压信号U还原为发电支路的输出电流值I及发电支路的输出电压U₀；所述数据中心以发电支路的输出电流值和输出电压建立建立太阳能电池阵列电压-电流数据模型，调用极限学习机算法对数据进行分析，对太阳能电池阵列的工况进行故障诊断评估；

所述汇流箱与n条发电支路的电力输出端并联；所述发电支路以q块太阳能电池板生成电能；所述太阳能电池板串联设置形成太阳能电池阵列；所述n条发电支路汇集到汇流箱之后，汇流箱以电压霍尔传感器(15)采集发电支路并联汇集后的电路总电压；

每条发电支路在接入汇流箱前先通过电流霍尔传感器；所述电流霍尔传感器把发电支路的初始电流I转化为小电压U，并通过通讯电路把数据上传至数据采集中心；

所述微控制单元以数据位率变换法还原数据的方法包括以下步骤；

步骤A1、n条发电支路的太阳能电池阵列总输出电流I＝[I₁，I₂，...，I_i，...，I_n]^T，其中I_i表示太阳能电池阵列第i条支路太阳能电池板的输出电流，输入电流I经过压流比线性度为K的电流霍尔传感器，输入电流转为为小信号输出电压值U，其值为：

U＝K*I＝[U₁，U₂，...，U_i，...，U_n]^T

其中K为电流霍尔传感器将电流值转化为电压值的比例系数，单位为V/A；

步骤A2、所述太阳能电池阵列输出电压即为发电支路的输出电压U₀，电压霍尔传感器把初始大电压数据U₀转换为小电压数据U_p，发电支路的输出电流经过电压霍尔传感器输入端电阻R₀后，形成电压霍尔传感器输入端电流假设电压霍尔传感器输出端与输入端电流比为L，则电压霍尔传感器输出端电流I_p＝L*I₀，输出端电流I_p为经过电压霍尔传感器输出端电阻R_i的输出电流值，输出电压的计算公式为U_p＝I_p*R_i，由输入端电流与输出端电流关系可得：

因此，可求输入电压与输出电压比K_v为：

步骤A3、微控制单元采集小信号电压U后，进行数据倍率变换，还原太阳能电池阵列的电流值：实现电流采集的目的，还原输入电压U₀＝K_v*U_p，从而实现电压采集的目的；

所述极限学习机算法的训练方法为；

采集太阳能电池阵列不同状态下的样本数据，对极限学习机模型进行训练；太阳能电池不同状态的样本矩阵为(X，Y)，其中X为各发电支路电流值与电压值样本数据，Y为太阳能电池阵列状态期望样本，不同状态以不同数值代表；

所述各支路电流值与电压值样本数据包括开路电压、总电压、短路电流、下属支路电流；

所述太阳能电池阵列状态期望样本的状态类别包括正常、开路、短路、老化、阴影；

根据极限学习机神经网络模型结构，可得：

输入样本与神经元个数确定，可以由样本数据随机生成权值w和阈值b；

随机产生的w和b可以在训练模型之前就确定，后续使用中无需改变；由此，在确定了神经元的数量与神经元激活函数式后，就可以计算出神经元输出矩阵

在太阳能电池阵列故障评估系统中，由训练样本数据，确定了输入层与隐含层之间的权值w，隐含层神经元阈值b，求解出了隐含层与输出层之间的连接权值β。