CN111884587A - 一种光伏组件故障诊断及预测方法 - Google Patents

Abstract

本公开揭示了一种光伏组件故障诊断及预测方法，包括：采集光伏组串输出功率和辐照度数据；将输出功率向量和辐照度向量转化为频域数据；计算频域数据中各频率点的输出功率‑辐照度幅值比，当某一故障发生时，选择输出功率‑辐照度幅值比明显增大的频段作为该故障的特征频段，并设置该故障的发生阈值；根据故障发生阈值对光伏组串进行故障状态划分，实现光伏组串故障诊断；根据光伏组串的故障状态变化计算得到不同步长的转移频数矩阵、转移频率矩阵和转移频率矩阵对应的权重；根据转移频率矩阵、转移频率矩阵对应的权重及光伏组串每天所处的故障状态计算光伏组串下一天处于不同故障状态的概率，根据该概率对光伏组串下一天的故障状态进行预测。

Description

一种光伏组件故障诊断及预测方法

技术领域

本公开属于光伏发电技术领域，具体涉及一种光伏组件故障诊断及预测方法。

背景技术

在实际情况中，光伏组件采集的数据种类少，仅为电流和电压，然而光伏组件型号相同并且数目众多，即输出功率值(电流与电压之积)随辐照度的变化具有极大的相似性；目前，在光伏组件故障诊断方面：仅能根据简单的功率阈值设定来判断光伏组件是否发生故障，比如，以所有组件的平均功率为阈值，当功率低于平均功率的50％时，可认为发生故障；该方法存在的问题是无法对故障发生的具体种类进行识别；在故障预测方面：由于光伏组件的功率输出会受到多种因素的影响，如基本环境因素：包括辐照度，环境温度，风速，环境湿度等；其他外界因素：包括遮荫，鸟类粪便，沙尘覆盖等；以及长时期运行老化不可逆因素：包括热斑，分层，脱层等；同时，由于故障发生具有很大的随机性，因此，采用传统的方法无法对光伏组件的故障进行区分及预测。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种光伏组件故障诊断及预测方法，通过为不同故障选择故障特征频段以及在故障特征频段上设定故障阈值，可以实现对不同故障的诊断。

本公开的目的是通过以下技术方案实现的：

一种光伏组件故障诊断及预测方法，包括如下步骤：

S100：采集光伏组串每日的输出电压、输出电流并根据所采集的输出电压、输出电流计算光伏组串的输出功率，同时采集光伏组串每日的辐照度数据；

S200：通过快速傅里叶变换分别将光伏组串的输出功率向量和辐照度向量转化为频域数据；

S300：计算频域数据中各频率点的输出功率与辐照度的比值，获得输出功率-辐照度幅值比，当某一故障发生时，选择所述输出功率-辐照度幅值比明显增大的频段作为该故障的特征频段，并在所述故障特征频段上设置该故障的发生阈值；

S400：根据所述故障发生阈值对光伏组串进行故障状态划分，实现光伏组件故障诊断；

S500：统计光伏组串每日所处的故障状态，根据故障状态变化计算得到不同步长的转移频数矩阵，根据所述不同步长的转移频数矩阵计算得到不同步长的转移频率矩阵，并计算不同步长的转移频率矩阵对应的权重；

S600：根据所述不同步长的转移频率矩阵、所述不同步长的转移频率矩阵对应的权重以及当前n天内光伏组串每天所处的故障状态，计算光伏组串下一天处于不同故障状态的概率；

S700：根据所述光伏组串下一天处于不同故障状态的概率对光伏组串下一天的故障状态进行预测。

优选的，步骤S300中，所述故障发生阈值表示为故障组串的输出功率-辐照度幅值比与正常组串的输出功率-辐照度幅值比的差值百分比，计算公式如下：

A_ff＝[af_i1 af_i2 … af_in]

A_f＝[a_i1 a_i2 … a_in]

其中，A_ff为故障组串在该故障特征频段上的功率-辐照度幅值比，A_f为提取故障特征时正常组串在该故障特征频段上的功率-辐照度幅值比，m_k为特征频段上第k个频率上的功率-辐照度幅值比差值百分比，即特征频段上第k个频率上设定的故障发生阈值，a_i1，a_i2，…，a_ik为特征频率上的正常组串的幅值比，af_ik表示组串发生故障特征频段第k个频率上的功率-辐照度幅值比。

优选的，步骤S400中，当故障特征频段所有频率点上的输出功率-辐照度幅值比均大于或等于故障发生阈值时，则光伏组串处于该特定故障发生状态；否则，光伏组串处于正常状态。

优选的，步骤S500中，所述转移频率矩阵表示为：

优选的，步骤S500中，所述转移频率矩阵对应的权重表示为：

且

其中，r_k表示自相关系数，n表示采集数据的总天数；k表示加权计算中的步长；

表示计算得到的幅值比至故障幅值比的距离均值，L_i表示第i天在某故障特征频段上的故障幅值比距离；L_i+k表示第i+k天在某故障特征频段上的故障幅值比距离。

优选的，步骤S600中，所述光伏组串下一天处于不同故障状态的概率表示为：

其中，k表示加权计算中的步长，w_k表示k步转移频率矩阵的权重，

为k步转移频率矩阵，i表示不同状态，m表示步长总个数。

优选的，步骤S700中，对光伏组串下一天的故障状态进行预测表示为：

P＝max(P_i)

其中，i表示不同状态，P_i表示光伏组件下一天处于i状态的概率，P表示最大P_i所对应的状态，即根据概率最大值法预测光伏组件下一天在该故障特征频段上的状态。

与现有技术相比，本公开带来的有益效果为：本公开通过将每天的组串整体输出状态作为评价基础，通过为不同故障选择故障特征频段以及在故障特征频段上设定故障阈值，在故障的特征频段上进行监测，可以实现对不同故障的诊断。根据历史数据的故障特征频段上状态转移的变化，可以实现后m天对该故障发生概率的预测。

附图说明

图1是本公开一个实施例提供的一种光伏组件故障诊断及预测方法流程图；

图2是本公开另一个实施例提供的光伏组串的曲线示意图；

图3是本公开另一个实施例提供的不同光伏组串的电流曲线示意图；

图4是本公开另一个实施例提供的故障组串和正常组串幅值比频谱图；

图5是本公开另一个实施例提供的故障状态类别示意图。

具体实施方式

下面将参照附图1至图5详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本公开的保护范围当视所附权利要求所界定者为准。

为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。

一个实施例中，如图1所示，一种光伏组件故障诊断及预测方法，包括如下步骤：

S100：采集光伏组串每日的输出电压、输出电流并根据所采集的输出电压、输出电流计算光伏组串的输出功率，同时采集光伏组串每日的辐照度数据；

该步骤中的一个具体实施例中，假设一个汇流箱内有光伏组串1至7，持续24小时采集组串的输出电流、输出电压和辐照度数据，采集时间间隔设为5分钟，则每天可采集288个数据。所采集的组串辐照度向量记为：R＝[r₁ r₂ … r_k]，辐照度曲线如图1所示。所采集的输出功率向量记为：P＝[p₁ p₂ … p_k]，输出电流曲线(光伏组串在每天运行中，由于输出电压变化较小，每日的输出电流数据和输出功率数据的变化趋势几乎完全相同，因此，此处借用电流曲线的变化表示输出功率的变化)如图2所示。

其中，R表示采集的辐照度数据序列；P表示采集的功率数据序列；k表示每天采集的数据总个数。

由图1、图2可知，组串1在采集的第125至180个数据点之间的电流输出曲线随辐照度的变化几乎不变，该组串的输出行为与常理不符，但运行人员并未记录原因，因此将该故障以故障1命名；组串4、5、6的输出曲线几乎重合，因此将该3个组串认为正常组串；组串3的输出电流曲线与组串4、5、6相比，在辐照度不为0时，组串3的输出电流偏低，将该组串的故障认为是异常老化；组串2的输出电流同样偏低，但偏低程度小于组串3，异常老化程度为初始发生阶段；已知组串7发生的故障为遮挡故障，组串的输出电流降低的程度明显更大。

基于以上分析，将该7个组串分为4组：第一组为组串1，发生了故障1；第二组为组串2、3，发生了异常老化故障；第三组为组串7，发生了遮挡故障；第四组为组串4、5、6，为正常组串。

S200：通过快速傅里叶变换分别将光伏组串的输出功率向量和辐照度向量转化为频域数据；

该步骤中，对辐照度向量R作快速傅里叶变换，获得辐照度频域数据，记为：AR＝[ar₀ ar₁ … ar_[k/2+1]]；对输出功率向量P作快速傅里叶变换，获得输出功率频域数据，记为：AP＝[ap₀ ap₁ … ap_[k/2+1]]。其中，AR表示对辐照度序列R作快速傅里叶变换后取前一半得到的幅频序列；AP表示对组串功率序列作快速傅里叶变换后取前一半得到的功率幅频序列；A表示计算得到的幅值比数据序列；a_i表示基频倍数为i时的频率功率幅值与辐照度幅值的比值，且a_i＝ap_i/ar_i，i＝0，1，…，[k/2+1]。

S300：计算频域数据中各频率点的输出功率与辐照度的比值，获得输出功率-辐照度幅值比，当某一故障发生时，选择所述输出功率-辐照度幅值比明显增大的频段作为该故障的特征频段，并在所述故障特征频段上设置该故障的发生阈值；

该步骤中，故障发生阈值定义为故障组串的输出功率-辐照度幅值比与正常组串的输出功率-辐照度幅值比的差值百分比，其计算公式如下：

A_ff＝[af_i1 af_i2 … af_in]

A_f＝[a_i1 a_i2 … a_in]

其中，A_ff为故障组串在该故障特征频段上的功率-辐照度幅值比，A_f为提取故障特征时正常组串在该故障特征频段上的功率-辐照度幅值比，m_k为特征频段上第k个频率上的功率-辐照度幅值比差值百分比，即特征频段上第k个频率上设定的故障发生阈值，a_i1，a_i2，…，a_in为特征频率上的正常组串的幅值比，af_ik表示组串发生故障特征频段第k个频率上的功率-辐照度幅值比。

下面结合图3对本实施例进行示例性说明，如图3所示，当故障1发生时，与正常组串的频谱相比，3倍频至4倍频所对应的电流幅值增大较大，7倍频至11倍频上对应的电流幅值也有一定的增长，因此将3倍频至4倍频及7倍频至11倍频作为故障1的特征频段。

故障1在直流分量和1倍频至11倍频上的电流幅值比如表1所示：

表1

由表1可知，对于正常组串4、5和6，在不同的频率上幅值比相差很小；当发生故障1时，即组串1与组串4、5和6相比，结合图3，将故障1发生的特征模型定义为特征频率上的组串1的幅值比向量与正常组串的差值百分比。即，在3倍频上阈值为114.7％，在4倍频上阈值为76.87％，在7倍频上阈值为32.11％，在8倍频上阈值为92.61％，在9倍频上阈值为65.33％，在10倍频上阈值为361.05％，在11倍频上阈值为38.86％。

S400：根据所述故障发生阈值对光伏组串进行故障状态划分，实现光伏组串故障诊断；

该步骤中，对不同故障选择其特征频段，设置故障幅值比阈值，计算实际幅值比与故障幅值比之间的距离，等分距离，进行状态分组；

故障幅值比阈值设定计算：

A_{fs tan dard}＝[a_i1×(1+m₁％) a_i2×(1+m₂％) … a_in×(1+m_n％)]

其中，A_{fs tan dard}为根据提取的故障发生阈值计算的特定组串发生该故障时的幅值比阈值，i₁，i₂，…，i_n表示故障的特征频率，m₁，m₂，…，m_n表示特征频率上第1个至第n个频率点上的故障幅值比差值百分比阈值，a_i1，a_i2，…，a_in为特征频率上的正常组串的幅值比；

计算实际幅值比与故障幅值比的距离，如果在某特征频率点上的实际幅值比大于该特征频率点上的故障幅值比阈值时，则令该距离为0，表示在该频率点上的光伏组串已经进入了故障状态；当某特征频率点上的实际幅值比小于该频率点上的故障幅值比阈值时，二者之间的距离计算如下：

l_f＝[a_i1×(1+m₁％)-a_j1 a_i2×(1+m₂％)-a_j2 … a_in×(1+m_n％)-a_jn]

其中，l_f为各特征频率点上实际组串的幅值比与故障幅值比阈值之间的距离，L_f为在特征频率上实际组串的幅值比与故障幅值比阈值之间的欧式距离最大值。

当a_j1，a_j2，…，a_jn全为0时，L_f最大，将(0，L_f]平均分为4个区间，[0，0]单独作为一个区间：

将上述区间分别记为状态1、状态2、状态3、状态4和状态5，其中，状态1即区间[0，0]，代表该故障发生；根据上述分组标准，计算每个故障特征频段上的实际幅值比及实际幅值比与故障幅值比阈值的距离，判断该距离大小处于状态1至状态5对应的区间内，确定每天幅值比所处的状态，获得状态变化序列；

下面以自然积灰实验为例：

实验设计：选取两条发电性能一致的组串，组串1和组串2，组串1在自然环境中自然积灰，组串2每隔两天进行一次清洗，使组串2始终保持洁净状态，以组串1作为实验组，组串2作为对照组。

组串选择：选择雅满苏电站中第46号方阵1号逆变器，该逆变器所接1号组串和2号组串每日功率曲线几乎处于重合状态，二者发电性能相同。

实验进行及数据采集：2019年6月13日雅满苏地区小雨天气，实验从6月13日开始，至7月12日停止，实验共持续了一个月。每天的数据采集包括组串1和组串2的电压和电流数据以及每天的辐照度数据，数据采集时间间隔为5分钟，采集持续时间24小时，每天采集数据向量长度为288。

对故障1进行阈值设置，设置的标准为第三天的幅值比增大50％，计算得到30天内的故障1特征频率上功率-辐照度幅值比与故障1发生时设定的功率-辐照度幅值比阈值之间的距离(以下以“故障距离”表示)和状态划分如表2所示：

表2

通过对历史组串数据的统计以及历史组串每天所处的状态可以实现故障诊断，以表2中状态为例，在第4天中，组串输出所处的状态为状态1，代表故障1发生，因此可以判断组串1第4天发生了故障1。经验证，故障诊断结果与实际相同。

S500：统计光伏组串每日所处的故障状态，根据故障状态变化计算得到不同步长的转移频数矩阵，根据所述不同步长的转移频数矩阵计算得到不同步长的转移频率矩阵，并计算不同步长的转移频率矩阵对应的权重；

该步骤中，根据状态变化序列，对转移频数矩阵(f_ij)i，j∈[1，m]进行统计，其中，f_ij表示状态序列中由状态i转移至状态j的频数。完成对全部状态序列的统计后，将f_ij放入矩阵中的第i行第j列中，得到转移频数矩阵，经由n步转移获得的转移频数矩阵为n步转移频数矩阵。

转移频率矩阵通过将转移频数矩阵中的每个元素与转移频数矩阵的该行和相除得到，计算公式如下：

其中，f_ij表示频数转移矩阵，m表示步长总个数。

经由n步转移获得的转移频率矩阵为n步转移频率矩阵。

一般情况下，采用各阶自相关系数对不同实际幅值比与故障发生时的幅值比阈值的距离之间的关系强弱进行表征，自相关系数r_k计算公式如下：

其中，n表示采集数据的总天数；k表示加权计算中的步长；

表示计算得到的幅值比至故障幅值比的距离均值，L_i表示第i天在某故障特征频段上的故障幅值比距离；L_i+k表示第i+k天在某故障特征频段上的故障幅值比距离。

规范化后的权重wk计算公式如下：

显然，

且w_k≥0；

w_k值越大，则该步长所对应的转移频率加权越大，不同步长的自相关系数和权重如表3所示：

表3

步长1-5的转移频数矩阵和转移频率矩阵的计算结果如下：

S600：根据所述不同步长的转移频率矩阵、所述不同步长的转移频率矩阵对应的权重以及当前n天内光伏组串每天所处的故障状态，计算光伏组串下一天处于不同故障状态的概率。

该步骤中，分别计算获得了不同步长的转移频率矩阵和不同步长转移频率矩阵对应的权重以后，根据当前n天(n为最大步长数)光伏组件所处的故障状态，计算下一天光伏组串处于各不同状态的概率，对下一天光伏组串所处故障状态的预测结果为计算概率最大所对应的状态：

其中，k表示加权计算中的步长，wk表示k步转移频率矩阵的权重，

为k步转移频率矩阵，i表示不同状态，m表示步长总个数。

S700：根据所述光伏组串下一天处于不同故障状态的概率对光伏组串下一天的故障状态进行预测。

该步骤中，对光伏组串下一天的故障状态进行预测表示为：

P＝max(P_i)

其中，i表示不同状态，P_i表示光伏组件下一天处于i状态的概率，P表示最大P_i所对应的状态，即根据概率最大值法预测光伏组件下一天在该故障特征频段上的状态。

根据表3中第25天至29天的故障距离所处状态，分别对应不同步长的转移概率矩阵极其对应的权重，对第30天的故障距离状态进行预测，并与第30天的实际状态进行对比，不同状态发生的概率如表4所示：

表4

第30天状态转移至故障不同状态的概率如图5所示，图5中，状态1发生的概率为0，状态1对应了故障1发生，因此可知，故障1在第30天发生的概率为0，即不会发生故障1；在状态1-5中，对应转移概率最大的为状态5，转移概率为53.39％，因此对第30天故障1的状态预测为状态5，与第30天的实际状态相同。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

Claims (7)

1.一种光伏组件故障诊断及预测方法，包括如下步骤：

S100：采集光伏组串每日的输出电压、输出电流并根据所采集的输出电压、输出电流计算光伏组串的输出功率，同时采集光伏组串每日的辐照度数据；

S200：通过快速傅里叶变换分别将光伏组串的输出功率向量和辐照度向量转化为频域数据；

S300：计算频域数据中各频率点的输出功率与辐照度的比值，获得输出功率-辐照度幅值比，当某一故障发生时，选择所述输出功率-辐照度幅值比明显增大的频段作为该故障的特征频段，并在所述故障特征频段上设置该故障的发生阈值；

S400：根据所述故障发生阈值对光伏组串进行故障状态划分，实现光伏组串故障诊断；

S500：统计光伏组串每日所处的故障状态，根据故障状态变化计算得到不同步长的转移频数矩阵，根据所述不同步长的转移频数矩阵计算得到不同步长的转移频率矩阵，并计算不同步长的转移频率矩阵对应的权重；

S600：根据所述不同步长的转移频率矩阵、所述不同步长的转移频率矩阵对应的权重以及当前n天内光伏组串每天所处的故障状态，计算光伏组串下一天处于不同故障状态的概率；

S700：根据所述光伏组串下一天处于不同故障状态的概率对光伏组串下一天的故障状态进行预测。

2.根据权利要求1所述的方法，其中，优选的，步骤S300中，所述故障发生阈值表示为故障组串的输出功率-辐照度幅值比与正常组串的输出功率-辐照度幅值比的差值百分比，计算公式如下：

A_ff＝[af_i1 af_i2…af_in]

A_f＝[a_i1 a_i2…a_in]

其中，A_ff为故障组串在该故障特征频段上的功率-辐照度幅值比，A_f为提取故障特征时正常组串在该故障特征频段上的功率-辐照度幅值比，m_k为特征频段上第k个频率上的功率-辐照度幅值比差值百分比，即特征频段上第k个频率上设定的故障发生阈值，a_i1，a_i2，…，a_ik为特征频率上的正常组串的幅值比，af_ik表示组串发生故障特征频段第k个频率上的输出功率-辐照度幅值比。

3.根据权利要求1所述的方法，其中，步骤S400中，当故障特征频段所有频率点上的输出功率-辐照度幅值比均大于或等于故障发生阈值时，则光伏组串处于该特定故障发生状态；否则，光伏组串处于正常状态。

4.根据权利要求1所述的方法，其中，步骤S500中，所述转移频率矩阵表示为：

其中，f_ij表示转移频数矩阵，m表示步长总个数。

5.根据权利要求1所述的方法，其中，步骤S500中，所述转移频率矩阵对应的权重表示为：

且

其中，r_k表示自相关系数，n表示采集数据的总天数；k表示加权计算中的步长；

表示计算得到的幅值比至故障幅值比的距离均值，L_i表示第i天在某故障特征频段上的故障幅值比距离；L_i+k表示第i+k天在某故障特征频段上的故障幅值比距离。

6.根据权利要求1所述的方法，其中，步骤S600中，所述光伏组串下一天处于不同故障状态的概率表示为：

其中，k表示加权计算中的步长，w_k表示k步转移频率矩阵的权重，

为k步转移频率矩阵，i表示不同状态，m表示步长总个数。

7.根据权利要求1所述的方法，其中，步骤S700中，对光伏组串下一天的故障状态进行预测表示为：

P＝max(P_i)

其中，i表示不同状态，P_i表示光伏组件下一天处于i状态的概率，P表示最大P_i所对应的状态，即根据概率最大值法预测光伏组件下一天在该故障特征频段上的状态。

Images