[发明专利]一种基于K近邻和IV曲线的光伏阵列故障诊断方法

说明书

本发明公开了一种基于K近邻和IV曲线的光伏阵列故障诊断方法，包括提取不同故障类型及不同辐照度、温度下的仿真IV特性曲线中的特征参数并进行标准化处理，得到不同故障类型及不同辐照度、温度下的仿真IV特性曲线特征向量；对仿真IV特性曲线特征向量进行降维处理；将所有故障类型下的仿真IV特性曲线降维处理后的特征向量作为训练数据集，将当前光伏阵列实测IV特性曲线降维处理后的特征向量作为实测数据集，采用K近邻分类算法对当前光伏阵列进行故障诊断。本发明可以较为准确的判断出光伏阵列故障可实现故障状态检测并及时维修，降低故障风险，保证光伏电站稳定运行。

技术领域

本发明属于光伏阵列故障诊断技术领域，特别涉及一种基于K近邻和IV曲线的光伏阵列故障诊断方法。

背景技术

光伏阵列是光伏系统中的重要组成部分，由于其长期工作在环境较为恶劣的户外，易受阳光，积雪，积尘等污染粘浊物的影响并且可能会引发光伏阵列的直流侧故障，例如旁路二极管短路故障，旁路二极管开路故障，线缆老化故障，局部阴影遮挡以及伴随阴影遮挡的旁路二极管短路，开路等多种并发故障。这将会降低光伏电站的发电效率，减少其使用寿命，甚至造成火灾引发安全问题且增加光伏系统的维护成本，因此光伏阵列的状态检测以及故障诊断技术受到许多学者的特别关注。

目前有学者已经提出了相关的故障诊断方法大致可分为以下几种：第一种基于红外热成像仪的检测，因为光伏组件在正常与故障状态时存在明显的温差特点，通常通过红外热成像仪拍摄光伏组件用于检测光伏组件中的热斑或一些结构缺陷，但是需要额外增加红外热成像仪且价格昂贵，不适用于小型的光伏电站。

第二种基于对光伏阵列的工作点电压，电流，功率的测量。主要是通过计算模拟输出与测量输出之间的偏差，以进行故障判别。例如有学者通过搭建Simulink仿真模型，计算其功率与实测功率的偏差进行故障诊断。这种方法硬件技术要求较低，但是无法较为精确的判定故障类型。

第三种目前也有学者提出基于电流-电压(IV)曲线测量的故障检测方法，常用的方法有人工神经网络，支持向量机，决策树等其选取样本特征参数有限，但是样本特征参数的选取直接影响到整个诊断模型的精度并且其无法叛别多种并发故障。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于K近邻和IV曲线的光伏阵列故障诊断方法，能够较为准确的判断出阵列阴影遮挡，旁路二极管短路，线缆老化以及伴随阴影遮挡的旁路二极管短路，旁路二极管开路等多种故障类型，可实现故障状态检测并及时维修，降低故障风险，保证光伏电站稳定运行。

为了实现上述目的，本发明采用的技术方案如下：

一种基于K近邻和IV曲线的光伏阵列故障诊断方法，包括：

获取不同故障类型及不同辐照度、温度下的仿真IV特性曲线；

提取不同故障类型及不同辐照度、温度下的仿真IV特性曲线中的特征参数；

对提取得到的特征参数进行标准化处理，得到标准化处理的不同故障类型及不同辐照度、温度下的仿真IV特性曲线特征向量；

对仿真IV特性曲线特征向量进行降维处理；

将所有故障类型下的仿真IV特性曲线特征向量降维处理后的特征向量作为训练数据集，将当前光伏阵列实测IV特性曲线提取特征参数并降维处理后的特征向量作为实测数据集，基于训练数据集和实测数据集采用K近邻分类算法对当前光伏阵列进行故障诊断。

进一步的，所述获取不同故障类型及不同辐照度、温度下的仿真IV特性曲线，包括：

获取光伏阵列监控系统中实测的前一个月的环境参数，所述环境参数包括光伏组件共面辐照度G和组件背板温度T；

对实测的前一个月的环境参数进行均匀采样，采样样本个数为m；