本發(fā)明涉及并網(wǎng)光伏發(fā)電系統(tǒng)工作狀態(tài)分析及光伏陣列故障診斷技術(shù)領(lǐng)域，特別是一種基于密度聚類算法實(shí)現(xiàn)光伏陣列工作狀態(tài)分析與故障診斷的方法。

背景技術(shù)：

光伏發(fā)電系統(tǒng)裝機(jī)容量的日益增加對(duì)光伏系統(tǒng)的工作狀態(tài)的分析和光伏陣列的故障診斷提出了需求。作為系統(tǒng)的核心部件，光伏陣列通常工作在復(fù)雜的戶外環(huán)境中，易受到各種環(huán)境因素的影響，導(dǎo)致開路、短路、硬性陰影、熱斑等各種故障。故障的產(chǎn)生會(huì)降低電站的發(fā)電效率，嚴(yán)重時(shí)甚至發(fā)生火災(zāi)。目前，常規(guī)的光伏陣列故障檢測(cè)和保護(hù)方式是通過(guò)增加保護(hù)器件，例如過(guò)電流保護(hù)器和對(duì)地故障斷路器進(jìn)行故障的防護(hù)。然而，由于光伏陣列輸出的非線性、高故障阻抗、低照度運(yùn)行及逆變器中最大功率跟蹤等功能影響，一些故障的發(fā)生并不能由保護(hù)器件進(jìn)行消除。

目前，光伏陣列的故障檢測(cè)方法主要有紅外圖像檢測(cè)法、時(shí)域反射分析法和對(duì)地電容法。正常工作與非正常工作的太陽(yáng)能電池板之間存在一定的溫差，紅外圖像檢測(cè)法利用被測(cè)物體的溫度特性進(jìn)行檢測(cè)。時(shí)域反射分析法的原理為向光伏串聯(lián)電路注入一個(gè)脈沖，分析和觀察返回波形，就可判斷得到組件的故障類型和位置。對(duì)地電容測(cè)量法通過(guò)分析測(cè)量得到的電容值來(lái)判斷光伏串聯(lián)電路中是否存在斷路故障。但這些方案存在一些不足之處：紅外圖像檢測(cè)法不能區(qū)分溫度相差不明顯的狀態(tài)，故障檢測(cè)的精度和效率取決于檢測(cè)設(shè)備(紅外熱像儀)的等級(jí)，費(fèi)用較大，實(shí)時(shí)性較差；基于時(shí)域反射分析法不能對(duì)運(yùn)行中的光伏陣列進(jìn)行在線操作，不具有實(shí)時(shí)性，并且對(duì)設(shè)備要求較高，診斷的精度有限；多傳感器的故障檢測(cè)方法存在所用傳感器較多、檢測(cè)結(jié)構(gòu)在大規(guī)模光伏陣列應(yīng)用中難以推廣等缺點(diǎn)。

近些年來(lái)，人工智能被廣泛應(yīng)用到各種系統(tǒng)的故障診斷中。部分學(xué)者也將智能算法引入到光伏發(fā)電陣列的故障診斷中，例如神經(jīng)網(wǎng)絡(luò)算法、決策樹算法、支持向量機(jī)等等。這些算法可以模擬任意的非線性關(guān)系而無(wú)需去建立精確模型，實(shí)現(xiàn)故障的判斷和分類，但是這些方法同時(shí)具有需要大量人工標(biāo)定樣本、不同的季節(jié)下訓(xùn)練的診斷模型并不通用、不同光伏發(fā)電系統(tǒng)需要重新訓(xùn)練模型等不足。

目前，云平臺(tái)廣泛用于各種光伏發(fā)電系統(tǒng)的監(jiān)控，不同光伏系統(tǒng)每日的運(yùn)行數(shù)據(jù)都發(fā)送至云平臺(tái)中進(jìn)行存儲(chǔ)，這使得通過(guò)日常的運(yùn)行數(shù)據(jù)對(duì)光伏系統(tǒng)的工作狀態(tài)和故障進(jìn)行分析成為了可能。通過(guò)對(duì)光伏日常歸一化數(shù)據(jù)的分析，發(fā)現(xiàn)數(shù)據(jù)的分布具明顯的非球狀聚類、聚類的中心具有最高的密度并與其他更高的密度點(diǎn)有相當(dāng)?shù)木嚯x等特性，因此適合采用一種新型的基于密度峰值的聚類算法(CFSFDP)對(duì)數(shù)據(jù)進(jìn)行分析，然后進(jìn)一步實(shí)現(xiàn)工作狀態(tài)的分析和故障診斷。目前，公開發(fā)表的文獻(xiàn)及專利中尚未見有將基于密度聚類算法應(yīng)用于光伏陣列工作狀態(tài)分析與故障診斷中。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的是提出一種基于密度聚類算法實(shí)現(xiàn)光伏陣列工作狀態(tài)分析與故障診斷的方法，采用基于密度的聚類算法，以此模型進(jìn)行光伏發(fā)電陣列的故障診斷和分類，可精確的識(shí)別出光伏發(fā)電系統(tǒng)的運(yùn)行狀況。

本發(fā)明采用以下方案實(shí)現(xiàn)：一種基于密度聚類算法實(shí)現(xiàn)光伏陣列工作狀態(tài)分析與故障診斷的方法，具體包括以下步驟：

步驟S1：采集日常工作中光伏發(fā)電陣列最大功率點(diǎn)的若干個(gè)電氣參數(shù)，得到每一日的電氣參數(shù)樣本組合；

步驟S2：將每個(gè)電氣參數(shù)樣本進(jìn)行歸一化得到測(cè)試樣本組合；

步驟S3：根據(jù)歸一化后的測(cè)試樣本組合進(jìn)行計(jì)算得到距離矩陣；

步驟S4：采用基于密度的聚類算法對(duì)這些測(cè)試樣本進(jìn)行自動(dòng)的聚類，獲得若干個(gè)聚類；

步驟S5：基于預(yù)先通過(guò)仿真模型獲得的參考數(shù)據(jù)，分別計(jì)算每組參考數(shù)據(jù)和每個(gè)聚類之間的最小距離，形成一個(gè)距離向量；

步驟S6：通過(guò)將距離向量中每個(gè)元素與聚類算法中的截?cái)嗑嚯x進(jìn)行對(duì)比，識(shí)別每個(gè)聚類所屬的工作類別。

進(jìn)一步地，步驟S1中所述若干個(gè)電氣參數(shù)包括陣列的最大功率點(diǎn)下的電壓參數(shù)樣本和電流參數(shù)樣本；所述電氣參數(shù)樣本組合記為(U_j，I_j)，其中，j為樣本采集序號(hào)，j為1到N的整數(shù)，每個(gè)數(shù)字代表一種工作狀態(tài)，U_j為第j個(gè)電氣參數(shù)樣本組合中的電壓參數(shù)樣本，I_j代表第j個(gè)電氣參數(shù)樣本組合中的電流參數(shù)樣本。

進(jìn)一步地，步驟S1中所述日常工作的工作狀態(tài)包括正常工作、單支路開路、雙支路開路、單支路上1個(gè)組件短路、單支路上2個(gè)組件短路。

進(jìn)一步地，步驟S2中所述進(jìn)行歸一化具體為：將所述電氣參數(shù)樣本射到區(qū)間[0,1]內(nèi)，具體映射公式為：

式中，m為光伏陣列中串聯(lián)的太陽(yáng)能板數(shù)目，n為光伏陣列中并聯(lián)的太陽(yáng)能板數(shù)目，U_OC為參考太陽(yáng)能板的開路電壓，I_SC為參考太陽(yáng)能板的短路電流，為歸一化后的電壓參數(shù)樣本，為歸一化后的電流參數(shù)樣本，得到歸一化后的電氣參數(shù)樣本組合為：

進(jìn)一步地，步驟S3中所述距離矩陣的得到采用歐氏距離的方法進(jìn)行計(jì)算，具體采用下式計(jì)算：

d_ij＝||x_i-x_j||₂；

式中，x_i為第i個(gè)樣本向量，x_j為第j個(gè)樣本向量,||·||代表2范式操作。

進(jìn)一步地，所述步驟S4具體包括以下步驟：

步驟S41：根據(jù)步驟S3得到的距離矩陣，對(duì)其從小到大進(jìn)行排序，選擇2％處的距離值來(lái)設(shè)置樣本截?cái)嗑嚯xd_c；

步驟S42：根據(jù)截?cái)嗑嚯xd_c，計(jì)算出每個(gè)樣本點(diǎn)的局部密度值ρ_i和其與密度高于它且離它最近的樣本點(diǎn)的距離δ_i，具體的計(jì)算公式分別如下：

步驟S43：計(jì)算出每個(gè)樣本點(diǎn)的歸一化的γ_i，并對(duì)γ_i進(jìn)行排序，其中γ_i的計(jì)算采用公式如下：

式中，ρ_max表示最大ρ_i值，δ_max表示最大δ_i值；

步驟S44：根據(jù)3-σ法則，選擇超過(guò)γ_i平均值對(duì)應(yīng)的前幾個(gè)點(diǎn)作為聚類的中心點(diǎn)，并以這些中心點(diǎn)為參考，將剩余的所有樣本點(diǎn)按到最近鄰的更高密度對(duì)象的最小距離進(jìn)行劃分到各個(gè)簇，完成數(shù)據(jù)的聚類。

進(jìn)一步地，步驟S5具體為：建立光伏模型，在低照度下，通過(guò)模擬各種工作狀態(tài)及故障，仿真獲得標(biāo)定的參考數(shù)據(jù)集；計(jì)算各個(gè)聚類之間到各類數(shù)據(jù)集的最小距離，獲得距離向量：

其中c代表每個(gè)聚類的標(biāo)號(hào)，N_C為聚類總的數(shù)量，因此c∈[1,N_C]；r代表參考數(shù)據(jù)集所包含的工作狀態(tài)或故障的類別，N_R為參考數(shù)據(jù)集總的數(shù)量，因此r∈[1,N_R]。

進(jìn)一步地，所述步驟S5具體為：將距離向量中的每個(gè)元素與截?cái)嗑嚯xd_c進(jìn)行對(duì)比來(lái)對(duì)每個(gè)聚類進(jìn)行識(shí)別，如果d_c,r小于d_c，則該聚類判定為和參考數(shù)據(jù)r所對(duì)應(yīng)的類別；如果所有的元素都大于d_c，則將聚類判定為元素中最小值所對(duì)應(yīng)的類別。

與現(xiàn)有技術(shù)相比，本發(fā)明有以下有益效果：本發(fā)明將光伏發(fā)電系統(tǒng)的日常運(yùn)行狀態(tài)和故障診斷轉(zhuǎn)化為聚類問(wèn)題，采用CFSFDP算法結(jié)合參考樣本數(shù)據(jù)實(shí)現(xiàn)對(duì)光伏發(fā)電系統(tǒng)運(yùn)行狀態(tài)的判別和故障的診斷；本發(fā)明無(wú)需采集大量的樣本數(shù)據(jù)對(duì)診斷模型進(jìn)行訓(xùn)練，僅需對(duì)采集到的無(wú)標(biāo)簽的運(yùn)行數(shù)據(jù)直接進(jìn)行聚類操作，并通過(guò)仿真得到的少量帶標(biāo)簽數(shù)據(jù)進(jìn)行輔助實(shí)現(xiàn)聚類的識(shí)別，進(jìn)而完成狀態(tài)的識(shí)別和故障的診斷。通過(guò)對(duì)不同日常運(yùn)行狀態(tài)的模擬和實(shí)驗(yàn)測(cè)試，該方案均可精確的識(shí)別出光伏發(fā)電系統(tǒng)的運(yùn)行狀況。同時(shí)，該方案可直接移植到光伏監(jiān)控系統(tǒng)中，例如云平臺(tái)上，實(shí)現(xiàn)對(duì)不同光伏系統(tǒng)的監(jiān)測(cè)。

附圖說(shuō)明

圖1為本發(fā)明的方法流程示意圖。

圖2為本發(fā)明實(shí)施例中的光伏發(fā)電系統(tǒng)拓?fù)鋱D。

圖3為本發(fā)明實(shí)施例中的系統(tǒng)實(shí)驗(yàn)光伏平臺(tái)圖。

圖4(a)為本發(fā)明實(shí)施例中正常工作狀態(tài)時(shí)的原始數(shù)據(jù)分布圖。

圖4(b)為本發(fā)明實(shí)施例中正常工作狀態(tài)時(shí)的γ以降序排列圖。

圖4(c)為本發(fā)明實(shí)施例中正常工作狀態(tài)時(shí)的決策圖。

圖4(d)為本發(fā)明實(shí)施例中正常工作狀態(tài)時(shí)的聚類及識(shí)別后的數(shù)據(jù)圖。

圖5(a)為本發(fā)明實(shí)施例中正常和短路1組合工作狀態(tài)時(shí)的原始數(shù)據(jù)分布圖。

圖5(b)為本發(fā)明實(shí)施例中正常和短路1組合工作狀態(tài)時(shí)的γ以降序排列圖。

圖5(c)為本發(fā)明實(shí)施例中正常和短路1組合工作狀態(tài)時(shí)的決策圖。

圖5(d)為本發(fā)明實(shí)施例中正常和短路1組合工作狀態(tài)時(shí)的聚類及識(shí)別后的數(shù)據(jù)圖。

圖6(a)為本發(fā)明實(shí)施例中正常和開路1組合工作狀態(tài)時(shí)的原始數(shù)據(jù)分布圖。

圖6(b)為本發(fā)明實(shí)施例中正常和開路1組合工作狀態(tài)時(shí)的γ以降序排列圖。

圖6(c)為本發(fā)明實(shí)施例中正常和開路1組合工作狀態(tài)時(shí)的決策圖。

圖6(d)為本發(fā)明實(shí)施例中正常和開路1組合工作狀態(tài)時(shí)的聚類及識(shí)別后的數(shù)據(jù)圖。

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

如圖1所示，本實(shí)施例提供了一種基于密度聚類算法實(shí)現(xiàn)光伏陣列工作狀態(tài)分析與故障診斷的方法。圖2為本實(shí)施例的光伏發(fā)電系統(tǒng)拓?fù)鋱D，系統(tǒng)由m×n個(gè)光伏組件組成光伏陣列，通過(guò)并網(wǎng)逆變器與電網(wǎng)進(jìn)行連接。在不同的大氣溫度和輻照度下，模擬三種光伏發(fā)電陣列日常運(yùn)行中出現(xiàn)的不同工作狀況，進(jìn)行光伏發(fā)電系統(tǒng)的數(shù)據(jù)采集然后對(duì)數(shù)據(jù)進(jìn)行聚類處理及識(shí)別，實(shí)施例的具體操作包括以下步驟：

步驟S1：采集日常工作中光伏發(fā)電陣列最大功率點(diǎn)的若干個(gè)電氣參數(shù)，得到每一日的電氣參數(shù)樣本組合；

步驟S2：將每個(gè)電氣參數(shù)樣本進(jìn)行歸一化得到測(cè)試樣本組合；

步驟S3：根據(jù)歸一化后的測(cè)試樣本組合進(jìn)行計(jì)算得到距離矩陣；

步驟S4：采用一種新型的基于密度的聚類算法對(duì)這些測(cè)試樣本進(jìn)行自動(dòng)的聚類，獲得若干個(gè)聚類；

步驟S5：基于預(yù)先通過(guò)仿真模型獲得的參考數(shù)據(jù)，分別計(jì)算每組參考數(shù)據(jù)和每個(gè)聚類之間的最小距離，形成一個(gè)距離向量；

步驟S6：通過(guò)判斷距離向量中每個(gè)元素與聚類算法中的截?cái)嗑嚯x進(jìn)行對(duì)比，識(shí)別每個(gè)聚類所屬的工作類別。

較佳的，本實(shí)施例中采集數(shù)據(jù)所采用的光伏發(fā)電系統(tǒng)由20塊太陽(yáng)能面板組成，其中18塊為工作面板，組成6串3并的方式，通過(guò)逆變器進(jìn)行并網(wǎng)發(fā)電；另外2塊為參考太陽(yáng)能面板，1塊獲取開路電壓U_OC，另1塊獲取短路電流I_SC，系統(tǒng)詳細(xì)參數(shù)如表1所示。

表1

在本實(shí)施例中，所述步驟S1中所述若干個(gè)電氣參數(shù)包括陣列的電壓參數(shù)樣本和電流參數(shù)樣本，所述電氣參數(shù)樣本組合記為(U_k，I_k)，其中，k為樣本采集序號(hào)，其中k為1到N的整數(shù)，每個(gè)數(shù)字代表一種工作狀態(tài)，U_k為第k個(gè)電氣參數(shù)樣本組合中的電壓參數(shù)樣本，I_k代表第k個(gè)電氣參數(shù)樣本組合中的電流參數(shù)樣本。

在本實(shí)施例中，所述工作狀態(tài)包括正常工作、單光伏組串上1個(gè)組件短路(短路1)和單光伏組串上1個(gè)組件開路(開路1)。特別地，本實(shí)施例在模擬光伏發(fā)電系統(tǒng)的3種日常工作狀態(tài)進(jìn)行采集數(shù)據(jù)：正常工作、正常工作與短路1組合狀態(tài)和正常工作與開路1組合狀態(tài)，在不同的照度和溫度下進(jìn)行數(shù)據(jù)采集，采集樣本的同時(shí)采集參考太陽(yáng)能板的開路電壓U_OC和短路電流I_SC以實(shí)現(xiàn)對(duì)數(shù)據(jù)的歸一化處理。所實(shí)施的大氣溫度和輻照度及采集的光伏數(shù)據(jù)量具體信息如表2所示。

表2

在本實(shí)施例中，所述步驟S2中對(duì)樣本進(jìn)行歸一化的具體方法為：將電氣參數(shù)樣本映射到區(qū)間[0,1]內(nèi)，具體映射公式為：

式中，m為光伏陣列中串聯(lián)的太陽(yáng)能板數(shù)目，n為光伏陣列中并聯(lián)的太陽(yáng)能板數(shù)目，U_OC為參考太陽(yáng)能板的開路電壓，I_SC為參考太陽(yáng)能板的短路電流，為歸一化后的電壓參數(shù)樣本，為歸一化后的電流參數(shù)樣本，得到歸一化后的電氣參數(shù)樣本組合為：較佳的，實(shí)施例三種模擬運(yùn)行狀況歸一化后的數(shù)據(jù)分布分別如圖4(a)、圖5(a)和圖6(a)所示。

在本實(shí)施例中，所述步驟S3中得到距離矩陣的具體方法是采用歐氏距離的方法進(jìn)行計(jì)算，公式為：d_ij＝||x_i-x_j||₂，x_i為第i個(gè)樣本向量，x_j為第j個(gè)樣本向量,||·||代表2范式操作。

在本實(shí)施例中，所述步驟S4采用一種新型的基于密度的聚類算法對(duì)這些測(cè)試樣本進(jìn)行自動(dòng)的聚類，獲得若干個(gè)聚類的具體方法為：

步驟S41：根據(jù)距離矩陣，對(duì)其從小到大進(jìn)行排序，選擇2％處的距離值來(lái)設(shè)置樣本截?cái)嗑嚯xd_c；

步驟S42：根據(jù)截?cái)嗑嚯xd_c，計(jì)算出每個(gè)樣本點(diǎn)的局部密度值ρ_i和其與密度高于它且離它最近的樣本點(diǎn)的距離δ_i，具體的計(jì)算公式分別如下：和

步驟S43：計(jì)算出每個(gè)樣本點(diǎn)的歸一化的γ_i，采用公式如下:并對(duì)γ_i進(jìn)行排序；

步驟S44：根據(jù)3-σ法則，選擇超過(guò)γ_i平均值對(duì)應(yīng)的前幾個(gè)點(diǎn)作為聚類的中心點(diǎn)，并以這些中心點(diǎn)為參考，將剩余的所有樣本點(diǎn)按到最近鄰的更高密度對(duì)象的最小距離進(jìn)行劃分到各個(gè)簇，完成數(shù)據(jù)的聚類；

在本實(shí)施例中，所述步驟S5通過(guò)建立光伏模型，在低照度下，通過(guò)模擬各種工作狀態(tài)及故障，仿真獲得標(biāo)定的參考數(shù)據(jù)集。計(jì)算各個(gè)聚類之間到各類數(shù)據(jù)集的最小距離，獲得距離向量其中c代表每個(gè)聚類的標(biāo)號(hào)，N_C為聚類總的數(shù)量，因此c∈[1,N_C]；r代表參考數(shù)據(jù)集所包含的工作狀態(tài)或故障的類別，N_R為參考數(shù)據(jù)集總的數(shù)量，因此r∈[1,N_R]；

在本實(shí)施例中，所述步驟S6中將距離向量中的每個(gè)元素與截?cái)嗑嚯xd_c進(jìn)行對(duì)比來(lái)對(duì)每個(gè)聚類進(jìn)行識(shí)別，如果d_c,r小于d_c，則該聚類判定為和參考數(shù)據(jù)r所對(duì)應(yīng)的類別；如果所有的元素都大于d_c，則將聚類判定為元素中最小值所對(duì)應(yīng)的類別。

較佳的，根據(jù)步驟S4，本實(shí)施例根據(jù)數(shù)據(jù)計(jì)算局部密度值ρ_i和其與密度高于它且離它最近的樣本點(diǎn)的距離δ_i，得到γ_i的降序排列圖如圖4(b)、圖5(b)和圖6(b)所示，根據(jù)3-σ法則選出聚類中心點(diǎn)，如圖中圓圈所包含的點(diǎn)。對(duì)應(yīng)的決策圖分別如圖4(c)、圖5(c)和圖6(c)所示，圖中右上角的點(diǎn)即為聚類中心點(diǎn)。根據(jù)步驟S5和S6，實(shí)施例中數(shù)據(jù)的聚類和識(shí)別后的數(shù)據(jù)圖分別如圖4(d)、圖5(d)和圖6(d)所示，圖4(d)中的數(shù)據(jù)被判別為與正常工作狀態(tài)的參考數(shù)據(jù)歸為同一類別，圖5(d)中的兩簇?cái)?shù)據(jù)分別被判別為與正常工作狀態(tài)和短路1的參考數(shù)據(jù)歸為相同類別，圖6(d)中的兩簇?cái)?shù)據(jù)分別被判別為與正常工作狀態(tài)和開路1的參考數(shù)據(jù)歸為相同類別，因此可以得出實(shí)施例中的數(shù)據(jù)均被準(zhǔn)確的聚類和識(shí)別。

以上所述僅為本發(fā)明的較佳實(shí)施例，凡依本發(fā)明申請(qǐng)專利范圍所做的均等變化與修飾，皆應(yīng)屬本發(fā)明的涵蓋范圍。