本發(fā)明涉及基于格拉布斯準(zhǔn)則及離群點檢測光伏陣列故障檢測方法，屬于光伏發(fā)電技術(shù)領(lǐng)域。

背景技術(shù)：

近年來，我國光伏產(chǎn)業(yè)發(fā)展迅猛，截止到2015年，累計光伏裝機(jī)容量達(dá)到43GW，躍居光伏裝機(jī)容量世界第一位，并且最近光伏產(chǎn)品有著向小型化，家用化的趨勢發(fā)展。光伏發(fā)電系統(tǒng)的發(fā)電性能與輻照度、溫度有著很大的關(guān)聯(lián)性，由于室外的光伏產(chǎn)品經(jīng)常處于高溫的曝曬，雨水侵蝕，運行環(huán)境惡劣，從而導(dǎo)致光伏產(chǎn)品的出現(xiàn)運行故障比較常見。因此對光伏電站的智能檢測與維護(hù)越來越成為一個比較現(xiàn)實的問題，為提高光伏產(chǎn)品的運維便捷性，各類光伏產(chǎn)品的智能故障診斷的方法應(yīng)運而生。

光伏組件的常見運行故障有陰影遮擋，組件老化，組件旁路，短路，熱斑，系統(tǒng)故障，也包括隱裂，脫膠等。由于光伏產(chǎn)品受輻照度、溫度的影響很大，一般的方法對早期的故障很難檢測到，從國外文獻(xiàn)上可知，目前常采用神經(jīng)網(wǎng)絡(luò)、模糊算法等知識判別故障類型，然而對于神經(jīng)網(wǎng)絡(luò)，是需要給有故障的特征數(shù)據(jù)進(jìn)行訓(xùn)練的，而對光伏產(chǎn)品何時出現(xiàn)故障的定義不盡相同，且很難檢測到早期故障，因此神經(jīng)網(wǎng)絡(luò)的方法有著不確定性，只能檢測到比較嚴(yán)重的故障。如何實時檢測到光伏產(chǎn)品的故障，尤其是早期故障顯得比較重要。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于利用基于格拉布斯準(zhǔn)則及離群點檢測光伏陣列故障檢測方法來實時檢測光伏組件的故障，尤其是早期故障，以解決現(xiàn)階段我國人工判別故障出現(xiàn)的時間點的不準(zhǔn)確性，隨機(jī)性，不經(jīng)濟(jì)性的問題。

為了解決上述技術(shù)問題，本發(fā)明提供基于格拉布斯準(zhǔn)則及離群點檢測光伏陣列故障檢測方法，包括以下步驟：

步驟A：實時獲取光伏陣列各組串的輸出特征參數(shù)(電流、電壓)和光伏陣列的氣象參數(shù)(輻照、溫度)，每5秒采集一次；

步驟B：建立光伏陣列仿真模型，將所述步驟A中采集的輻照、溫度帶入到光伏陣列仿真模型獲得參考電流、電壓；

步驟C：由實際電流與參考電流做差，并將光伏陣列各組串的差值組合成一個陣列，應(yīng)用格拉布斯準(zhǔn)則檢測出異常數(shù)據(jù)點，并記錄異常數(shù)據(jù)的故障特征值為1，否則為0；

步驟D：將上述電流差值每隔20秒按照順序組合一次形成一個一維數(shù)組，應(yīng)用離群點算法獲得各個電流差值的離群因子值LOF，最后將LOF因子按時間分配給各個組串。

步驟E：最后根據(jù)所述步驟C與D的結(jié)果綜合判斷是否出現(xiàn)故障。

上述步驟B具體包括以下步驟：

B1)建立光伏電池5參數(shù)模型。

B2)基于MATLAB中simulink工具箱構(gòu)建光伏陣列的仿真模型。

上述步驟C中應(yīng)用格拉布斯準(zhǔn)則檢測出異常數(shù)據(jù)點，并記錄異常數(shù)據(jù)的故障特征值為1，否則為0；對電流差值一維數(shù)組，首先按照式(1)對各個電流差值求均值，再按照式(2)求得電流一維數(shù)組的標(biāo)準(zhǔn)差；最后按照式(3)求得格拉布斯值Gi，并將Gi與Glim值相比較，若Gi>Glim，則故障特征值為1，否則為0；

表1 95％置信度下的格拉布斯準(zhǔn)則參考表

其中，xi表示電流差值一維數(shù)組中第i個元素的電流差值，表示電流差值一維數(shù)組中的平均電流差值，S表示電流一維數(shù)組的標(biāo)準(zhǔn)差，Gi表示格拉布斯值，Glim表示95％置信度下的格拉布斯值，n表示電流一維組數(shù)中個元素個數(shù)。

比如，如果該光伏陣列有六個組串，則電流一維數(shù)組有6個元素，則對應(yīng)的n為6，在0.95置信概率下，查表1獲得的Glim為1.822。

上述步驟D中離群點檢測的具體方法為：

首先每隔20秒將前4個5秒的電流差值數(shù)據(jù)取出，按照時間進(jìn)行排序，形成一個一維數(shù)組，然后，對這個一維數(shù)組應(yīng)用如下算法獲得最終的LOF值。

設(shè)數(shù)據(jù)集I∈Rn×m，其中n為電流一維組數(shù)中個元素個數(shù)，m為變量數(shù)；

定義k距離為各觀察對象距離其最近的觀察對象之間的距離，觀察對象p的k距離dk(p)：

dk(p)＝d(p,o) (4)

其中，o為數(shù)據(jù)集I中與p鄰近的k個觀察對象最近的一個觀察點；

定義p觀察對象的k距離領(lǐng)域Nk(p)：

Nk(p)＝{Q∈X/{p}|d(p,Q)＜＝dk(p)} (5)

其中Q為數(shù)據(jù)集I中的觀察對象；

定義觀察對象p相對于觀察對象o的局部可達(dá)距離：

reach-distk(p,o)＝max{dk(p),d(p,o)} (6)

定義觀察對象p的局部可達(dá)密度lrdk(p)：

定義觀察對象的局部異常因子LOFk(p)。

上述步驟E中具體方法如下表：

表2最終LOF值表

若故障特征值為0，LOF值大于5，則LOF值取5，若LOF值小于等于5，則LOF值不變；若故障特征值為1，無論LOF值大于還是小于5，LOF值不變。

上述步驟B1的5參數(shù)物理模型為：

式中：UPV為組件輸出電壓，IPV為組件輸出電流，Iph為光生電流，Io為反向飽和電流，q為電子電荷(1.602×10-19C)，n'為理想因子，K為波爾茲曼常數(shù)(1.38×10-23J/K)，T(K氏溫度)為光伏組件溫度，Rs為等效串聯(lián)電阻，Rsh為等效并聯(lián)電阻。

本發(fā)明的有益效果為：

(1)、本發(fā)明利用基于格拉布斯準(zhǔn)則及離群點檢測光伏陣列故障檢測方法來實時檢測光伏組件的故障，尤其是早期故障，以解決現(xiàn)階段我國人工判別故障出現(xiàn)的時間點的不準(zhǔn)確性，隨機(jī)性，不經(jīng)濟(jì)性的問題；

(2)、本發(fā)明擺脫了用傳感器檢測故障的方法，運用格拉布斯準(zhǔn)則與離群點檢測方法相結(jié)合實施對光伏陣列的實時監(jiān)控與故障檢測，有效地解決復(fù)雜天氣條件下的故障檢測，能夠盡可能的降低誤檢率，具有較高的時效性和較好的經(jīng)濟(jì)性。

(3)、此外，還可以同時解決神經(jīng)網(wǎng)絡(luò)所需要的歷史數(shù)據(jù)搜集，選取的困難。

附圖說明

圖1為本發(fā)明的流程圖；

圖2為4串組件的實時電流；

圖3為格拉布斯準(zhǔn)則檢測結(jié)果；

圖4為離群點檢測結(jié)果；

圖5為綜合檢測結(jié)果。

具體實施方式

為使本發(fā)明實現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合具體實施方式，進(jìn)一步闡述本發(fā)明。

如圖1所示的本發(fā)明的流程圖，本發(fā)明的光伏組件故障診斷方法，包括以下步驟：

步驟A：實時獲取光伏陣列各組串的輸出特征參數(shù)(電流、電壓)和光伏陣列的氣象參數(shù)(輻照、溫度)，每5秒采集一次；

步驟B：建立光伏陣列仿真模型，將步驟A中所采集的輻照、溫度帶入到光伏陣列仿真模型獲得參考電流、電壓；具體為：

B1)建立光伏電池5參數(shù)模型。

B2)基于MATLAB中simulink工具箱構(gòu)建光伏陣列的仿真模型。

步驟C：由實際電流與參考電流做差，并將光伏陣列各組串的差值組合成一個陣列，應(yīng)用格拉布斯準(zhǔn)則檢測出異常數(shù)據(jù)點，并記錄異常數(shù)據(jù)的故障特征值為1，否則為0；對電流差值一維數(shù)組，首先按照式(1)對各個電流值求均值，再按照式(2)求得電流一維數(shù)組的標(biāo)準(zhǔn)差；最后按照式(3)求得格拉布斯值Gi，并將Gi與表中的對應(yīng)的Glim值相比較，若Gi>Glim，則故障特征值為1，否則為0；

表1 95％置信度下的格拉布斯準(zhǔn)則參考表

其中，xi表示電流差值一維數(shù)組中第i個元素的電流差值，表示電流差值一維數(shù)組中的平均電流差值，S表示電流一維數(shù)組的標(biāo)準(zhǔn)差，Gi表示格拉布斯值，Glim表示95％置信度下的格拉布斯值，n表示電流一維組數(shù)中個元素個數(shù)。

比如，如果該光伏陣列有六個組串，則電流一維數(shù)組有6個元素，則對應(yīng)的n為6，在0.95置信概率下，查表1獲得的Glim為1.822。

步驟D：將上述電流差值每隔20秒按照順序組合一次形成一個一維數(shù)組，應(yīng)用離群點算法獲得各個電流差值的離群因子值(LOF)，最后將LOF因子按時間分配給各個組串。如圖2所示的4串組件的實時電流，首先每隔20秒將前4個5秒的電流差值數(shù)據(jù)取出，按照時間進(jìn)行排序，形成一個一維數(shù)組，如前4個5秒的數(shù)據(jù)為I1＝{0.01,0.1,0.02,0.01}，I2＝{0.01,0.01,0.02,0.01}，I3＝{0.01,0.01,0.01,0.01}，I4＝{0.01,0.6,0.02,0.01}。則新組成的I＝{0.01,0.1,0.02,0.01,0.01,0.01,0.02,0.01,0.01,0.01,0.01,0.01,0.01,0.6,0.02,0.01}。對該一維數(shù)組應(yīng)用如下算法獲得最終的LOF值。

設(shè)數(shù)據(jù)集I∈Rn×m，其中n為電流一維組數(shù)中個元素個數(shù)，m為變量數(shù)。

定義1.k距離——各觀察對象距離其最近的觀察對象之間的距離。觀察對象p的k距離dk(p)：

dk(p)＝d(p,o) (4)

其中o為數(shù)據(jù)集I中與p鄰近的k個觀察對象最近的的一個觀察點。

定義2.p觀察對象的k距離領(lǐng)域Nk(p)

Nk(p)＝{Q∈X/{p}|d(p,Q)＜＝dk(p)} (5)

其中Q為數(shù)據(jù)集I中的觀察對象。

定義3.觀察對象p相對于觀察對象o的局部可達(dá)距離。

reach-distk(p,o)＝max{dk(p),d(p,o)} (6)

定義4.觀察對象p的局部可達(dá)密度lrdk(p)

定義5.觀察對象的局部異常因子LOFk(p)。

步驟E：最后根據(jù)步驟C與D的結(jié)果綜合判斷是否出現(xiàn)故障。具體步驟見表2：若故障特征值為0，LOF值大于5，則LOF值取5，若LOF值小于等于5，則LOF值不變；若故障特征值為1，無論LOF值大于還是小于5，LOF值不變。

表2最終LOF值表

具體可見圖3-圖5為2017年3月14日故障實驗結(jié)果，圖2中橫坐標(biāo)表示時間，縱坐標(biāo)表示實時電流；圖3中橫坐標(biāo)表示時間，縱坐標(biāo)表示格拉布斯值，signal-fault表示故障信號；圖4中橫坐標(biāo)表示時間，縱坐標(biāo)表示離群因子值LOF；圖5中橫坐標(biāo)表示時間，縱坐標(biāo)表示離群因子值LOF，threshold為臨界值。

步驟B1中的5參數(shù)物理模型為：

式中：UPV為組件輸出電壓，IPV為組件輸出電流，Iph為光生電流，Io為反向飽和電流，q為電子電荷(1.602×10-19C)，n'為理想因子，K為波爾茲曼常數(shù)(1.38×10-23J/K)，T(K氏溫度)為光伏組件溫度，Rs為等效串聯(lián)電阻，Rsh為等效并聯(lián)電阻。

以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點。本行業(yè)描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及其等效物界定。

總結(jié)

以上是生活随笔為你收集整理的matlab格拉布斯准则程序,基于格拉布斯准则及离群点检测光伏阵列故障检测方法与流程...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。