一种集成遮挡识别功能的光伏MPPT控制系统及遮挡识别方法与流程

本发明属于光伏发电智能监测与运维，具体涉及一种集成遮挡识别功能的光伏mppt控制系统及遮挡识别方法。

背景技术：

1、光伏发电作为清洁能源的重要组成部分，其运行效率与可靠性高度依赖于光伏组件的健康状态。在实际运行环境中，光伏组件极易受到树木枝叶、建筑物阴影、积灰、鸟粪、积雪及组件间相互遮挡等因素影响。遮挡不仅会导致局部热斑效应、加速组件老化，还会引发功率骤降甚至系统停机，严重降低发电量与经济性。因此，实现光伏组件遮挡的快速、精准、自动化识别，是光伏运维的核心需求之一。

2、近年来，随着传感技术、图像监测技术的发展，光伏遮挡识别已逐步向多源数据协同方向演进。多源数据在物理表征上具有强互补性，但各数据单位不一致，如何将多源数据有效整合，构建高鲁棒性的遮挡识别模型，已成为行业技术攻关重点。

3、现有技术方案存在以下缺陷：

4、仅依靠单一数据进行遮挡判断时，易受周期性因素干扰，例如多云天气下云朵遮挡太阳或是早晚过渡时段，极易产生遮挡误判。

5、多源数据未进行归一化处理或仅进行简单比值计算，由于各参数量纲不同、动态范围差异大，且受早晚辐照变化、温度漂移、组件衰减等非遮挡因素干扰，固定阈值极易在低辐照时段误判遮挡，或在部分遮挡时因补偿效应产生漏报。现有方案缺乏针对光伏运行工况的归一化映射机制，导致多源数据无法在同一特征空间内有效融合。

6、缺乏历史数据基线比对机制，难以区分正常工况波动与真实遮挡。现有方案多依赖瞬时数据与固定参考值进行硬阈值判断，未建立随地区、时间、季节、辐照条件动态演变的历史基线模型。当光伏系统处于多云天气和早晚过渡时段时，输出功率的正常波动常被误识别为遮挡事件，系统无法通过时序趋势分析实现工况自适应校准，识别鲁棒性差。

7、遮挡监测系统架构依赖云端，数据实时性差、易受网络干扰且部署成本高。传统方案多将数据上传至云平台进行集中处理，依托机器学习模型进行状态诊断，存在通信延迟高、断网失效和部署成本较高等问题。此外，现有设备数据导出多依赖有线通讯或网关通讯，现场缺乏低功耗、免配置的直连交互手段，运维人员需携带专用工具进行参数读取与阈值配置，部署与调试效率低下。

技术实现思路

1、为了解决现有的遮挡识别系统和识别方法中，遮挡误判率高，多源数据融合性差的问题，本发明的目的在于提供一种集成遮挡识别功能的光伏mppt控制系统及遮挡识别方法，实现多源光伏数据的归一化融合，精准区分非周期性遮挡与气象波动、周期性云影，降低误报率。

2、本发明的技术方案如下：

3、一种集成遮挡识别功能的光伏mppt控制系统，包括数据采样模块、数据归一化模块、单片机控制模块、非周期性遮挡识别算法模块；

4、所述数据采样模块采集光伏数据，包括光伏的输出电压、输出电流、输出功率及环境光照强度；

5、所述数据归一化模块接收所述数据采样模块采集的光伏数据，并对光伏数据进行归一化预处理，归一化预处理后的参数输入到非周期性遮挡识别算法模块；

6、所述非周期性遮挡识别算法模块通过预设动态权重系数对所述参数加权融合得到综合特征参数，基于所述综合特征参数和历史综合特征参数计算相对偏差率，根据相对偏差率、变化速率和持续时间判断是否发生非周期性遮挡；

7、单片机控制模块并行运行mppt算法与非周期性遮挡识别算法、数据存储、数据通讯处理和故障保护处理。

8、优选的，所述数据采样模块通过隔离型分压电路实时获取光伏参数，通过环境光照传感器获取环境光照强度。

9、优选的，所述单片机控制模块采用嵌入式微控制器mcu，内部集成模数转换模块、互补pwm输出模块、浮点运算单元及存储器。

10、优选的，还包括故障保护模块，故障保护模块用于当嵌入式微控制器mcu检测到触发电池过压、电池短路、输出过载等保护时，输出控制模块切输出回路，避免危险发生以及用户损失。

11、优选的，所述单片机控制模块中，存储器容量为512kb，sram容量为128kb满足数据存储与算法运行。

12、优选的，还包括通讯模块和安装于用户终端的app，所述通讯模块集成低功耗蓝牙ble单元，通过低功耗蓝牙ble单元传输光伏数据、非周期性遮挡警告信号以及故障保护信号至app。

13、优选的，还包括动态历史基线计算模块，用于存储历史综合特征参数，构建动态历史基线，其中构建动态历史基线的方式具体为：将单日划分为k个3分钟时间窗口，对每个时间窗，筛选历史数据中g(t) ≥ g_clear × 0.9的样本，取历史综合特征参数的中位数作为动态历史基线，过程中剔除遮挡事件发生时的数据，确保不污染历史综合特征参数；其中，g_clear表示理论晴空辐照，g（t）表示当前光照强度实时值。

14、优选的，所述归一化预处理具体为：

15、所述归一化预处理采用滑动窗口极值映射结合加权计算策略，具体如下：

16、归一化计算公式为：x_res = (x(t)-x_min) / (x_max-x_min)；

17、其中，x_max表示各参数采样周期内的极大值，x_min表示各参数采样周期内的极小值，x(t)表示各参数实时采样数据，x_res为各参数归一化计算结果；

18、光伏电压参数预处理结果表示为：v_res = (v(t)-v_min) / (v_max-v_min)；

19、光伏电流参数预处理结果表示为：i_res = (i(t)-i_min) / (i_max-i_min)；

20、光伏功率参数预处理结果表示为：p_res = (p(t)-p_min) / (p_max-p_min)；

21、光伏环境光照参数预处理结果表示为：g_res = (g(t)-g_min) / (g_max-g_min)；

22、对电压v、电流i、功率p、光照强度g进行以上归一化计算后，通过各参数加权系数进行加权计算，计算公式如下：

23、s = v_r * v_res + i_r * i_res + p_r * p_res + g_r* g_res；

24、其中，s表示光伏综合特征参数，具体是光伏数据经归一化预处理后经过加权求和得到的最终结果，为某一采样周期内的综合特征参数；x_r表示各参数加权系数；v_r表示光伏电压值经过归一化处理后于综合特征参数中的权重；i_r表示光伏电流值经过归一化处理后于综合特征参数中的权重；p_r表示光伏功率值经过归一化处理后于综合特征参数中的权重；g_r表示光伏环境光照值经过归一化处理后于综合特征参数中的权重；

25、另外，v_r + i_r + p_r + g_r = 1,且p_r≥0.4、g_r≤0.2，权重随季节辐照区间动态调整。

26、优选的，所述非周期性遮挡识别算法模块具体为：光伏数据经归一化预处理后输出综合特征参数作为算法执行的输入参数，仅当光照强度的实时数据大于第一阈值时进行以下计算：

27、相对偏差率d(t)计算：d(t) = |s(t) - h(t)| / h(t) * 100%；

28、其中，s(t)为当前经过加权计算后得到的综合特征参数，h(t)为同一时刻下的历史综合特征参数；

29、变化速率r(t)计算：r(t) = |s(t) - s(t-1)| / s(t-1) * 100%（τ为采样间隔）；

30、其中，s(t-1)为上一时刻经过加权计算后得到的综合特征参数；

31、当d(t)>第二阈值且r(t)>第三阈值且持续时间t>持续时间阈值t_min时，判定为非周期性遮挡；

32、若仅δ(t)>第二阈值而r(t)≤第二阈值或t≤持续时间阈值t_min，则判定为气象波动或周期性云影，不触发报警；

33、上述持续时间t的开始计算方式具体定义为：系统软件设计中判断满足阈值条件时，持续时间计数器开始计数，例如此时满足第二和第三阈值就开始计时，当计时到设定的时间时就判定为非周期性遮挡，增加持续时间判断可以避免采样数据抖动导致的误判。

34、所述第一、第二、第三阈值通过多组典型遮挡事件测试得到，持续时间阈值t_min用于过滤短时云层遮挡，确保仅对非周期性遮挡响应。

35、一种非周期性遮挡识别方法，实时采集光伏数据，包括光伏的输出电压、输出电流、输出功率及环境光照强度，对光伏数据进行归一化预处理，将光伏数据经过归一化预处理后映射到[0,1]范围内，通过预设动态权重系数对映射后的光伏数据加权融合得到综合特征参数；

36、基于历史数据，构建动态历史基线，当光照强度大于第一阈值时计算相对偏差率和变化速率，当相对偏差率超过第二阈值、变化速率超过第三阈值且持续时间t超过持续时间阈值t_min时判定为发生非周期性遮挡。

37、与现有技术相比，本发明具有如下有益效果：

38、本发明采用相对偏差率、变化速率、持续时间三重条件联合判定，既可识别遮挡的幅度特征，也可捕捉突变的陡度特征，同时通过时长过滤短时云影，有效区分非持续性遮挡与气象波动、周期性云影，识别准确率高、误报率低。

39、在本发明的实施例中，通过设计滑动窗口极值映射将电压、电流、功率、光照强度四类不同量纲的参数统一映射至[0,1]区间，再结合动态权重系数加权融合为综合特征参数，消除了量纲差异与辐照区间差异带来的干扰，避免低辐照时段的误判与部分遮挡的漏报。

40、在本发明的实施例中，通过历史晴空数据构建分时段动态基线，剔除遮挡事件数据避免基线污染，使参考值可随季节、时段、地区辐照特性自适应变化，相比固定阈值方案大幅提升了工况适配性。