CN109004903A - 适用于光伏阵列的故障检测系统及方法 - Google Patents

Abstract

本发明公开了一种适用于光伏阵列的故障检测系统及方法，涉及光伏故障检测技术领域。所述方法包括如下步骤：仿真条件下计算出光伏阵列的最大输出功率，同时记录最大输出功率时的电流值和电压值；在当前环境下测量实际光伏阵列的I‑V特性，多次测量后由I‑V曲线得到光伏阵列的短路电流值和开路电压以及P‑V曲线峰值数；比较仿真时的理论输出功率和实际的输出功率，通过两者的比值所在区域来判断光伏阵列所处的模式；若判断出光伏阵列出现故障则进一步判断故障种类，使用阈值的方法隔离了具有不同属性的故障；通过可拓网络模型来分别辨别两组具有相同属性的故障。所述方法能够在光伏阵列发生故障时不仅能在线发现故障，并且能快速定位故障类别。

Description

适用于光伏阵列的故障检测系统及方法

技术领域

本发明涉及光伏阵列故障检测技术领域，尤其涉及一种适用于光伏阵列的故障检测系统及方法。

背景技术

太阳能是一种重要的能源，同时为了解决日益严峻的能源短缺和环境问题，并网光伏发电技术在过去十年得到迅速的发展，在未来的十年还将持续快速的发展。光伏系统没有移动部件维护成本低，但它们长时间暴露在复杂的户外环境下，经受各种恶劣环境因素的影响，会导致产生各种故障。这些故障不仅会造成功率损失，影响发电效率，还会缩短组件的使用寿命，严重时局部的过热甚至会引发火灾，给光伏电站带来不可估量的损失。而传统的故障检测通常采用人工排查非在线的形式，故障发生时反应时间很慢。

发明内容

本发明所要解决的技术问题是提供一种能够在光伏阵列发生故障时不仅能在线发现故障，并且能快速定位故障类别的系统和方法。

为解决上述技术问题，本发明所采取的技术方案是：一种适用于光伏阵列的故障检测系统，其特征在于包括：温度传感器，所述温度传感器与数据采集器的信号输入端连接，用于获取当前环境条件中的环境温度；光照强度传感器，所述光照强度传感器与数据采集器的信号输入端连接，用于获取当前环境条件中的日照强度；电流传感器串联在被测试光伏阵列的电源输出端上，且所述电流传感器的信号输出端与数据采集器的信号输入端连接，所述电流传感器用于获取光伏阵列的输出电流值；电压传感器并联在被测试光伏阵列的电源输出端上，且所述电压传感器的信号输出端与数据采集器的信号输入端连接，所述电压传感器用于获取光伏阵列的输出电压值；MPPT控制器与所述电压传感器并连接，用于使光伏阵列接近最大功率的输出；逆变器与所述光伏阵列并联，用于将所述光伏阵列输出的直流电逆变为交流电；所述AC部分与所述逆变器的电源输出端连接；所述数据采集器用于将接收所述传感器的数据并将接收的数据传输给电脑进行处理；所述电脑，用于接收数据采集器采集的数据并运行Simulink和MATLAB软件以进行仿真和计算。

本发明还公开了一种适用于光伏阵列的故障检测方法，其特征在于包括如下步骤：

S100：仿真在当前环境下光伏阵列的I-V特性，由I-V曲线得到短路电流值和开路电压以及P-V曲线峰值数，计算出光伏阵列的最大输出功率，同时记录最大输出功率时的电流值和电压值；

S200：在当前环境下测量实际光伏阵列的I-V特性，获取计算出光伏阵列的输出功率，多次测量后由I-V曲线得到光伏阵列的短路电流值和开路电压以及P-V曲线峰值数；

S300：比较仿真时的理论输出功率和实际的输出功率，通过两者的比值所在区域来判断光伏阵列所处的模式，有睡眠模式、正常工作和故障三种模式；

S400：若判断出光伏阵列出现故障则进一步判断故障种类，使用阈值的方法隔离了具有不同属性的故障；

S500：通过可拓网络模型来分别辨别两组具有相同属性的故障。

进一步的技术方案在于，所述步骤S100具体包括如下步骤：

首先，获取当前环境条件中的日照强度以及环境温度；

然后，结合已知标准PV模块数据表利用Simulink软件进行建模仿真，仿真方法具体如下：

首先作出光伏电池的等效电路图，等效模型中太阳能电池相当于一个电流为I_p的恒流源；恒流源与一个二极管并联，流经二极管的电流为I_d；U和I分别表示的是光伏电池的输出电压和输出电流；

光伏电池发电的电流方程式为：

式中：I_ph是光生电流；I₀是反向饱和电流；V为输出电压；I为输出电流；R_s是等效串联电阻；R_sh是等效并联电阻；n是光伏模块串联光伏电池数量；A是理想二极管因子，K是玻尔兹曼常数；q是电子电荷；T为绝对温度；

参考使用光伏模块的标准光伏模块的数据表，通过Newton Raphson算法求解公式(1)来求解得需要的五个参数：I_ph、I₀、R_s、R_sh、A。

进一步的技术方案在于，所述步骤S200具体包括如下步骤：

通过平均每秒采集60样本数据进行实时测量，计算出60样本的光伏阵列的输出功率，将其求和再平均作为这么一秒的功率；而绘制I-V曲线时则运用上所有的样本数据不再平均；然后用MATLAB处理获得P-V曲线峰值数以及短路电流值和开路电压值。

进一步的技术方案在于，所述步骤S300具体包括如下步骤：

计算最大输出功率P_sim和实际最大输出功率P_m的比率R_p:

其中阈值T_p1的设定是因为MPPT控制器理论上可以使光伏阵列以最大功率输出，但实际输出功率应该在最大功率附近，不能真正一直最大功率输出所以

进一步的技术方案在于，所述步骤S400具体包括如下步骤：

若判断出光伏阵列出现故障，下面进一步判断故障种类；故障种类如下表所示：

上表中涉及少量和大量电池区分，这里当故障电池数量小于一个光伏模块中光伏电池数量时我们称为少量电池故障，反之则称为大量电池故障；

在故障具有不同属性组合的情况下隔离故障；首先计算测量和仿真的光伏阵列的属性，并将相对差异与阈值进行比较；其中N是P-V曲线峰的个数，m1、m2、V1、V2分别表示短路电流I_sc、电流I、开路电压V_oc和电压V的测量值和模拟值值之间差值的绝对值；其中的阈值是基于当前环境日照强度和温度以及光伏阵列规格计算出各个属性正常情况下最大测量误差值，其中T1是正常情况下短路电流最大测量误差值，T2是开路电压正常情况下最大测量误差值；故障分类如下：

1)任何电池或模块中的开路故障：F1；

2)部分阴影效应和任何旁路二极管故障:F2；

3)开路故障:F3；

4)连接故障：F4；

5)第一组故障包括：F5、F6、F7、F8、F9、F10、F11；

6)第二组故障包括：F12、F13、F14。

进一步的技术方案在于，具有相同属性的故障组合利用如下方法加以区分：

包括ENN1和ENN2两种方法来分别辨别两组具有相同属性的故障，ENN1和ENN2都是使用同一可拓神经网络模型，可拓神经网络的学习过程如下：

在进行学习过程之前，定义样本T_N指样本的总数，每个样本包括数据特征和分类表示为其中学习样本由i＝1,2,3,...,T_N表示，n表示物元模型中的特征总数，k表示样本数据分类，并且误差率E_T被定义为

其中，T_M是指分类的错误总数。

进一步的技术方案在于，可拓神经网络的详细学习过程如下：

步骤1：输入学习数据以建立对应于不同分类的物元模型，并在输入和输出层之间建立权重，第k个物元如下：

式中m是数据分类的总数，c_j是第N_k类的第j个特征，v_kj是第N类的c_j特征的经典区域经典区域的范围可以由学习数据决定，和被定义为

其中指的是输入到可拓神经网络的学习数据；

步骤2：计算每个分类特征的中心权重，Z_k＝{Z_k1,Z_k2,Z_k3,...,Z_kn}；

其中j＝1,2,3,...,n；k＝1,2,3,...m；

步骤3：提取第k类的第i个学习样本，

步骤4：使用以下公式计算学习样本和各种类别之间的可拓距离；

其中指的是第k类的第i个学习样本的第j个特征，指第j个输入和第k个输出之间的中心权重，并且和指的是第j个输入和第k个输出之间的上限权重和下限权重；

步骤5：找到输出层中所有分类之间的最小可拓距离，如果则说明类别k^*和数据k属于同一类(k^*＝k)，表示正确地进行了识别，并且应该直接进行步骤7；如果可拓距离则表明数据类别k和类别k^*存在差异(k^*≠k)，应该进行步骤6中的学习过程

步骤6调整权重量；

步骤7：在完成所有学习样本的分类后终止学习过程；否则，请重复步骤3到6；

步骤8：当总错误率达到预期值时，终止学习分类过程；否则，重复步骤3以恢复学习和培训程序。

进一步的技术方案在于，步骤6调整权重量的方法如下：

1、修改上下权量；

1.1、修改分类k的权重：

1.2、修改分类k^*的权重

2、修改中心权重

其中η是扩展神经网络的学习率；是学习后第k个分类中第j个特征的上下权重；是学习后第k^*个分类中第j个特征的上下权重；是学习前第k个分类中第j个特征的上下权重；是学习前第k^*分类中第j个特征的上下权重；z_{kj_old}，是学习前第k和第k^*分类中第j个特征的中心权重；z_{kj_new}，是学习中第k和第k^*分类中第j个特征的中心权重.

进一步的技术方案在于，ENN1和ENN2故障识别过程在完成可拓神经网络后，可以实现学习过程，识别，诊断和分类，步骤如下：

步骤1：提取训练的扩展神经网络的权重矩阵；

步骤2：提取等待识别的样本；

步骤3：使用式(6)计算等待识别的样本与每个分类之间的可拓距离；

步骤4：找到最小可拓距离，以识别等待识别的每个数据的分类；

步骤5：在算法终止之前，检查是否测试了等待识别的所有样本；否则，

重复一遍步骤2处理等待识别的下一个样本；

ENN1中用于诊断第一组故障的特性是开路电压V_oc的测量值和模拟值之间的比率R_voc,最大功率点电流I_mpp的测量值和模拟值之间的比率R_immp,最大功率点电压V_mmp的测量值和模拟值之间的比率R_vmmp,短路电流I_sc的测量值和模拟值之间的比率R_isc；因此，有四个参数被送该可拓神经网络；使用Simulink软件仿真生成大量第一组中不同故障模式下的数据集，此后，找到输出层中所有分类之间的最小可拓距离；如果则说明类别k^*和数据k属于同一类(k^*＝k)，表示正确地进行了识别，在完成所有学习样本的分类后终止学习过程；但是如果可拓距离则表明数据类别k和类别k^*存在差异(k^*≠k)，应完成权重调整过程；

ENN2中用于诊断第二组故障的特性是R_voc、R_immp和R_vmmp；ENN2中其它步骤与ENN1相同；这样第二组故障F12、F13、F14就能被识别出来；

ENN1和ENN2训练完成，且达到高准确后，将实际故障光伏阵列输入，将其故障分类；这样通过算法1和算法2可以将光伏阵列故障精确分类。

采用上述技术方案所产生的有益效果在于：本发明所述方法及其系统，在光伏阵列或MPPT控制器发生故障时不仅能在线发现故障，并且能快速定位故障类别，便于工程人员针对具体类别故障及时进行维护，检测过程考虑多种故障种类以及其对多种特征的值的影响，具有较高的准确度。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明具体实施例的适用光伏阵列的故障检测方法流程图；

图2为本发明具体实施例的适用于光伏阵列的故障检测系统的原理框图；

图3为光伏电池的等效电路图；

图4a为光伏模块内部仿真图；

图4b为光伏电池参数输入界面图

图4c为光伏电池温度参数输入界面图，

图4d为光伏模块封装图，

图4e为光伏阵列工作仿真图；

图5为本发明判断光伏阵列存在发生故障流程图；

图6为本发明实施例所述方法中算法1的流程图；

图7为本发明实施例所述方法中算法2的流程图；

其中1、光照强度传感器 2、温度传感器 3、光伏阵列 4、电流传感器 5、电压传感器 6、MPPT控制器 7、数据采集器 8、电脑 9、逆变器 10、AC部分。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

如图2所示，本发明实施例公开了一种适用于光伏阵列的故障检测系统，包括：温度传感器2，所述温度传感器2与数据采集器7的信号输入端连接，用于获取当前环境条件中的环境温度；光照强度传感器1，所述光照强度传感器1与数据采集器7的信号输入端连接，用于获取当前环境条件中的日照强度；电流传感器4串联在被测试光伏阵列3的电源输出端上，且所述电流传感器4的信号输出端与数据采集器7的信号输入端连接，所述电流传感器4用于获取光伏阵列3的输出电流值；电压传感器5并联在被测试光伏阵列3的电源输出端上，且所述电压传感器5的信号输出端与数据采集器7的信号输入端连接，所述电压传感器5用于获取光伏阵列3的输出电压值；MPPT控制器6与所述电压传感器5并连接，用于使光伏阵列接近最大功率的输出；逆变器9与所述光伏阵列3并联，用于将所述光伏阵列3输出的直流电逆变为交流电；所述AC部分10与所述逆变器9的电源输出端连接；所述数据采集器7用于将接收所述传感器的数据并将接收的数据传输给电脑8进行处理；所述电脑8，用于接收数据采集器采集的数据并运行Simulink和MATLAB软件以进行仿真和计算。

如图1所示，为本发明具体实施例的适用于光伏阵列的故障检测方法包括以下步骤：

S100、仿真在当前环境下光伏阵列的I-V特性，由I-V曲线得到短路电流值和开路电压以及P-V曲线峰值数，计算出光伏阵列的最大输出功率，同时记录最大输出功率时的电流值和电压值。

S200、在当前环境下测量实际光伏阵列的I-V特性，获取计算出光伏阵列的输出功率，多次测量后由I-V曲线得到短路电流值和开路电压以及P-V曲线峰值数。

S300、、比较所述理论输出功率和实际输出功率，通过两者的比值所在区域来判断光伏阵列所处的模式，有睡眠模式、正常工作和故障三种模式。

S400、若判断出光伏阵列出现故障则进一步判断故障种类，通过算法1使用阈值的方法隔离了具有不同属性的故障。

S500、具有相同属性的故障组合则利用算法2加以区分。算法2包括两种可拓网络模型来分别辨别两组具有相同属性的故障。

具体的，步骤S100具体包括：首先，获取当前环境条件中的日照强度以及环境温度。然后，结合已知标准PV模块数据表利用Simulink软件进行建模仿真，仿真方法具体如下：

首先我们需要作出光伏电池的等效电路图，如图3所示。等效模型中太阳能电池相当于一个电流为I_p的恒流源。恒流源与一个二极管并联，流经二极管的电流为I_d。U和I分别表示的是太阳能电池的输出电压和输出电流。

光伏电池发电的电流方程式为：

式中：I_ph是光生电流；I₀是反向饱和电流；V为输出电压；I为输出电流；R_s是等效串联电阻；R_sh是等效并联电阻；n是光伏模块串联光伏电池数量；A是理想二极管因子，K是玻尔兹曼常数；q是电子电荷；T为绝对温度；

参考使用光伏模块的标准光伏模块的数据表，通过Newton Raphson算法求解公式(1)来求解得需要的五个参数：I_ph、I₀、R_s、R_sh、A。

如图3利用Matlab-Simulink内solar cell模块来进行光伏系统仿真光伏模块仿真图。图4为本发明仿真时特定光伏电池参数输入图.图5为本发明光伏阵列工作仿真图。

步骤S200具体包括：通过平均每秒采集60样本数据进行实时测量，计算出60样本的功率将其求和再平均作为这么一秒的功率。而绘制I-V曲线时则运用上所有的样本数据不再平均。这样我们用MATLAB处理很容易获得I-V曲线和P-V曲线以及短路电流值和开路电压。

步骤S300具体包括：计算最大输出功率P_sim和实际最大输出功率P_m的比率R_p:

其中阈值T_p1的设定是因为MPPT控制器理论上可以使光伏阵列以最大功率输出，但实际输出功率应该在最大功率附近，不能真正一直最大功率输出所以:

步骤S400具体包括:

若步骤S300判断了光伏阵列出现故障，下面进一步判断故障种类。本文涉及故障种类如表1所示

表1、本文分析故障类型以及标号

表1中涉及少量和大量电池区分，这里当故障电池数量小于一个光伏模块中光伏电池数量是我们称为少量电池故障，反之则称为大量电池故障。

算法一如图6是一种基于信号阈值的方法，在故障具有不同属性组合的情况下隔离故障。首先计算测量和仿真的光伏阵列的属性，并将相对差异与阈值进行比较。其中N是P-V曲线峰的个数，m1、m2、V1、V2分别表示短路电流I_SC、电流I、开路电压V_OC和电压V的测量值和模拟值值之间差值的绝对值。其中的阈值是基于当前环境日照强度和温度以及光伏阵列规格计算出各个属性正常情况下最大测量误差值，其中T1是正常情况下短路电流最大测量误差值，T2是开路电压正常情况下最大测量误差值。算法一流程图如图所示，它将上中14种故障隔离成以下6种情况：

1)任何电池或模块中的开路故障：F1；

2)部分阴影效应和任何旁路二极管故障:F2；

3)开路故障:F3；

4)连接故障：F4；

5)第一组故障包括：F5、F6、F7、F8、F9、F10、F11；

6)第二组故障包括：F12、F13、F14；

步骤S500具体包括：

具有相同属性的故障组合则利用算法2加以区分。算法2包括ENN1和ENN2两种算法来分别辨别两组具有相同属性的故障。ENN1和ENN2都是使用同一可拓神经网络模型。

可拓神经网络的学习过程如下：

在进行学习过程之前，定义样本T_N指样本的总数，每个样本包括数据特征和分类表示为其中学习样本由i＝1,2,3,...,T_N表示，n表示物元模型中的特征总数，k表示样本数据分类，并且误差率E_T被定义为

其中，T_M是指分类的错误总数。

可拓神经网络的详细学习过程如下

步骤1.输入学习数据以建立对应于不同分类的物元模型，并在输入和输出层之间建立权重。第k个物元如下：

式中m是数据分类的总数，c_j是第N_k类的第j个特征，v_kj是第N类的c_j特征的经典区域经典区域的范围可以由学习数据决定，和被定义为

其中指的是输入到可拓神经网络的学习数据；

步骤2：计算每个分类特征的中心权重，Z_k＝{Z_k1,Z_k2,Z_k3,...,Z_kn}；

其中j＝1,2,3,...,n；k＝1,2,3,...m；

步骤3：提取第k类的第i个学习样本，

步骤4：使用以下公式计算学习样本和各种类别之间的可拓距离；

其中指的是第k类的第i个学习样本的第j个特征，指第j个输入和第k个输出之间的中心权重，并且和指的是第j个输入和第k个输出之间的上限权重和下限权重；

步骤5：找到输出层中所有分类之间的最小可拓距离，如果则说明类别k^*和数据k属于同一类(k^*＝k)，表示正确地进行了识别，并且应该直接进行步骤7；如果可拓距离则表明数据类别k和类别k^*存在差异(k^*≠k)，应该进行步骤6中的学习过程

步骤6调整权重量；

1、修改上下权量。

1.1、修改分类k的权重：

1.2、修改分类k^*的权重

2、修改中心权重

其中η是扩展神经网络的学习率；是学习后第k个分类中第j个特征的上下权重；是学习后第k^*个分类中第j个特征的上下权重；是学习前第k个分类中第j个特征的上下权重；是学习前第k^*分类中第j个特征的上下权重；z_{kj_old}，是学习前第k和第k^*分类中第j个特征的中心权重；z_{kj_new}，是学习中第k和第k^*分类中第j个特征的中心权重。

步骤7.在完成所有学习样本的分类后终止学习过程。否则，请重复步骤3到6。

步骤8.当总错误率达到预期值时，终止学习分类过程。否则，重复步骤3以恢复学习和培训程序。

ENN1和ENN2故障识别算法过程。在完成可拓神经网络后，可以实现学习过程，识别，诊断和分类。步骤如下

步骤1.提取训练的扩展神经网络的权重矩阵。

步骤2.提取等待识别的样本。

步骤3.使用(6)计算等待识别的样本与每个分类之间的可拓距离。

步骤4.找到最小可拓距离，以识别等待识别的每个数据的分类。

步骤5.在算法终止之前，检查是否测试了等待识别的所有样本。否则，重复一遍步骤2处理等待识别的下一个样本。

ENN1中用于诊断第一组故障的特性是开路电压(V_oc)的测量值和模拟值之间的比率(R_voc),最大功率点电流(I_mpp)的测量值和模拟值之间的比率(R_immp),最大功率点电压(V_mmp)的测量值和模拟值之间的比率(R_vmmp),短路电流(I_sc)的测量值和模拟值之间的比率(R_isc)。因此，有四个参数被送该可拓神经网络。使用Simulink软件仿真生成了大量第一组中不同故障模式下的数据集，例如光伏组件老化故障仿真使用增加串联电阻或者减少并联电阻来模拟，其他故障仿真就不一一列举了。收集的F5、F6、F7、F8、F9、F10、F11的7种不同类型的数据分为2310条，分为1155个训练数据和1155个测试数据的条目。在该研究中，(6)用于计算学习样本X与各种分类之间的可拓距离ED。此后，找到输出层中所有分类之间的最小可拓距离。如果则说明类别k^*和数据k属于同一类(k^*＝k)，表示正确地进行了识别，在完成所有学习样本的分类后终止学习过程。但是如果可拓距离则表明数据类别k和类别k^*存在差异(k^*≠k)，应完成权重调整过程。

ENN2中用于诊断第二组故障的特性是R_voc、R_immp和R_vmmp；ENN2中其它步骤与ENN1相同；这样第二组故障F12、F13、F14就能被识别出来了。

ENN1和ENN2训练完成，且达到高准确后，将实际故障光伏阵列输入，将其故障分类。这样通过算法1和算法2可以将光伏阵列故障精确分类。

Claims (10)

1.一种适用于光伏阵列的故障检测系统，其特征在于包括：温度传感器(2)，所述温度传感器(2)与数据采集器(7)的信号输入端连接，用于获取当前环境条件中的环境温度；光照强度传感器(1)，所述光照强度传感器(1)与数据采集器(7)的信号输入端连接，用于获取当前环境条件中的日照强度；电流传感器(4)串联在被测试光伏阵列(3)的电源输出端上，且所述电流传感器(4)的信号输出端与数据采集器(7)的信号输入端连接，所述电流传感器(4)用于获取光伏阵列(3)的输出电流值；电压传感器(5)并联在被测试光伏阵列(3)的电源输出端上，且所述电压传感器(5)的信号输出端与数据采集器(7)的信号输入端连接，所述电压传感器(5)用于获取光伏阵列(3)的输出电压值；MPPT控制器(6)与所述电压传感器(5)并连接，用于使光伏阵列接近最大功率的输出；逆变器(9)与所述光伏阵列(3)并联，用于将所述光伏阵列(3)输出的直流电逆变为交流电；所述AC部分(10)与所述逆变器(9)的电源输出端连接；所述数据采集器(7)用于将接收所述传感器的数据并将接收的数据传输给电脑(8)进行处理；所述电脑(8)，用于接收数据采集器采集的数据并运行Simulink和MATLAB软件以进行仿真和计算。

2.一种适用于光伏阵列的故障检测方法，其特征在于包括如下步骤：

S100：仿真在当前环境下光伏阵列的I-V特性，由I-V曲线得到短路电流值和开路电压以及P-V曲线峰值数，计算出光伏阵列的最大输出功率，同时记录最大输出功率时的电流值和电压值；

S200：在当前环境下测量实际光伏阵列的I-V特性，获取计算出光伏阵列的输出功率，多次测量后由I-V曲线得到光伏阵列的短路电流值和开路电压以及P-V曲线峰值数；

S300：比较仿真时的理论输出功率和实际的输出功率，通过两者的比值所在区域来判断光伏阵列所处的模式，有睡眠模式、正常工作和故障三种模式；

S400：若判断出光伏阵列出现故障则进一步判断故障种类，使用阈值的方法隔离了具有不同属性的故障；

S500：通过可拓网络模型来分别辨别两组具有相同属性的故障。

3.如权利要求2所述的适用于光伏阵列的故障检测方法，其特征在于，所述步骤S100具体包括如下步骤：

首先，获取当前环境条件中的日照强度以及环境温度；

然后，结合已知标准PV模块数据表利用Simulink软件进行建模仿真，仿真方法具体如下：

首先作出光伏电池的等效电路图，等效模型中太阳能电池相当于一个电流为I_p的恒流源；恒流源与一个二极管并联，流经二极管的电流为I_d；U和I分别表示的是光伏电池的输出电压和输出电流；

光伏电池发电的电流方程式为：

式中：I_ph是光生电流；I₀是反向饱和电流；V为输出电压；I为输出电流；R_s是等效串联电阻；R_sh是等效并联电阻；n是光伏模块串联光伏电池数量；A是理想二极管因子，K是玻尔兹曼常数；q是电子电荷；T为绝对温度；

参考使用光伏模块的标准光伏模块的数据表，通过Newton Raphson算法求解公式(1)来求解得需要的五个参数：I_ph、I₀、R_s、R_sh、A。

4.如权利要求2所述的适用于光伏阵列的故障检测方法，其特征在于，所述步骤S200具体包括如下步骤：

通过平均每秒采集60样本数据进行实时测量，计算出60样本的光伏阵列的输出功率，将其求和再平均作为这么一秒的功率；而绘制I-V曲线时则运用上所有的样本数据不再平均；然后用MATLAB处理获得P-V曲线峰值数以及短路电流值和开路电压值。

5.如权利要求2所述的适用于光伏阵列的故障检测方法，其特征在于，所述步骤S300具体包括如下步骤：

计算最大输出功率P_sim和实际最大输出功率P_m的比率R_p:

其中阈值T_p1的设定是因为MPPT控制器理论上可以使光伏阵列以最大功率输出，但实际输出功率应该在最大功率附近，不能真正一直最大功率输出所以:

6.如权利要求2所述的适用于光伏阵列的故障检测方法，其特征在于，所述步骤S400具体包括如下步骤：

若判断出光伏阵列出现故障，下面进一步判断故障种类；故障种类如下表所示：

上表中涉及少量和大量电池区分，这里当故障电池数量小于一个光伏模块中光伏电池数量时我们称为少量电池故障，反之则称为大量电池故障；

在故障具有不同属性组合的情况下隔离故障；首先计算测量和仿真的光伏阵列的属性，并将相对差异与阈值进行比较；其中N是P-V曲线峰的个数，m1、m2、V1、V2分别表示短路电流I_sc、电流I、开路电压V_oc和电压V的测量值和模拟值值之间差值的绝对值；其中的阈值是基于当前环境日照强度和温度以及光伏阵列规格计算出各个属性正常情况下最大测量误差值，其中T1是正常情况下短路电流最大测量误差值，T2是开路电压正常情况下最大测量误差值；怎故障分类如下：

1)任何电池或模块中的开路故障：F1；

2)部分阴影效应和任何旁路二极管故障:F2；

3)开路故障:F3；

4)连接故障：F4；

5)第一组故障包括：F5、F6、F7、F8、F9、F10、F11；

6)第二组故障包括：F12、F13、F14。

7.如权利要求6所述的适用于光伏阵列的故障检测方法，其特征在于，具有相同属性的故障组合利用如下方法加以区分：

包括ENN1和ENN2两种方法来分别辨别两组具有相同属性的故障，ENN1和ENN2都是使用同一可拓神经网络模型，可拓神经网络的学习过程如下：

在进行学习过程之前，定义样本X＝{X₁,X₂,X₃,...,X_TN}，T_N指样本的总数，每个样本包括数据特征和分类表示为其中学习样本由i＝1,2,3,...,T_N表示，n表示物元模型中的特征总数，k表示样本数据分类，并且误差率E_T被定义为

其中，T_M是指分类的错误总数。

8.如权利要求7所述的适用于光伏阵列的故障检测方法，其特征在于，可拓神经网络的详细学习过程如下：

步骤1：输入学习数据以建立对应于不同分类的物元模型，并在输入和输出层之间建立权重，第k个物元如下：

式中m是数据分类的总数，c_j是第N_k类的第j个特征，v_kj是第N类的c_j特征的经典区域经典区域的范围可以由学习数据决定，和被定义为

其中指的是输入到可拓神经网络的学习数据；

步骤2：计算每个分类特征的中心权重，Z_k＝{Z_k1,Z_k2,Z_k3,...,Z_kn}；

其中j＝1,2,3,...,n；k＝1,2,3,...m；

步骤3：提取第k类的第i个学习样本，

步骤4：使用以下公式计算学习样本和各种类别之间的可拓距离；

其中指的是第k类的第i个学习样本的第j个特征，指第j个输入和第k个输出之间的中心权重，并且和指的是第j个输入和第k个输出之间的上限权重和下限权重；

步骤5：找到输出层中所有分类之间的最小可拓距离，如果则说明类别k^*和数据k属于同一类(k^*＝k)，表示正确地进行了识别，并且应该直接进行步骤7；如果可拓距离则表明数据类别k和类别k^*存在差异(k^*≠k)，应该进行步骤6中的学习过程

步骤6调整权重量；

步骤7：在完成所有学习样本的分类后终止学习过程；否则，请重复步骤3到6；

步骤8：当总错误率达到预期值时，终止学习分类过程；否则，重复步骤3以恢复学习和培训程序。

9.如权利要求8所述的适用于光伏阵列的故障检测方法，其特征在于，步骤6调整权重量的方法如下：

1、修改上下权量；

1.1、修改分类k的权重：

1.2、修改分类k^*的权重

2、修改中心权重

其中η是扩展神经网络的学习率；是学习后第k个分类中第j个特征的上下权重；是学习后第k^*个分类中第j个特征的上下权重；是学习前第k个分类中第j个特征的上下权重；是学习前第k^*分类中第j个特征的上下权重；z_{kj_old}，是学习前第k和第k^*分类中第j个特征的中心权重；z_{kj_new}，是学习中第k和第k^*分类中第j个特征的中心权重。

10.如权利要求9所述的适用于光伏阵列的故障检测方法，其特征在于，ENN1和ENN2故障识别过程在完成可拓神经网络后，可以实现学习过程，识别，诊断和分类，步骤如下

步骤1：提取训练的扩展神经网络的权重矩阵；

步骤2：提取等待识别的样本；

步骤3：使用式(6)计算等待识别的样本与每个分类之间的可拓距离；

步骤4：找到最小可拓距离，以识别等待识别的每个数据的分类；

步骤5：在算法终止之前，检查是否测试了等待识别的所有样本；否则，

重复一遍步骤2处理等待识别的下一个样本；

ENN1中用于诊断第一组故障的特性是开路电压V_oc的测量值和模拟值之间的比率R_voc,最大功率点电流I_mpp的测量值和模拟值之间的比率R_immp,最大功率点电压V_mmp的测量值和模拟值之间的比率R_vmmp,短路电流I_sc的测量值和模拟值之间的比率R_isc；因此，有四个参数被送该可拓神经网络；使用Simulink软件仿真生成大量第一组中不同故障模式下的数据集，此后，找到输出层中所有分类之间的最小可拓距离；如果则说明类别k^*和数据k属于同一类(k^*＝k)，表示正确地进行了识别，在完成所有学习样本的分类后终止学习过程；但是如果可拓距离则表明数据类别k和类别k^*存在差异(k^*≠k)，应完成权重调整过程；

ENN2中用于诊断第二组故障的特性是R_voc、R_immp和R_vmmp；ENN2中其它步骤与ENN1相同；这样第二组故障F12、F13、F14就能被识别出来；

ENN1和ENN2训练完成，且达到高准确后，将实际故障光伏阵列输入，将其故障分类；这样通过算法1和算法2可以将光伏阵列故障精确分类。