一种光伏组件智能健康状态诊断方法与流程

1.本发明属于光伏组件诊断领域，尤其涉及一种光伏组件智能健康状态诊断方法。


背景技术：

2.光伏组件在户外安装后，其电气特性会随着使用时长的增加而下降，晶体硅太阳电池的功率平均每年下降0.5％左右。其原因主要由光伏组件发生黄变、腐蚀、隐裂、线缆破损、焊点老化、旁路二极管失效等现象，引起组件的健康状态(state of health,soh)下降。这种现象虽然暂时不会对系统造成危害，但却可能是组件发生严重故障的早期征兆，从而降低光伏电站的运行寿命与经济效益。因此，对光伏组件的soh进行检测，是排查故障、维护系统正常工作的重要手段。
3.目前，国内外已经提出了一些关于组件soh的检测方法，主要可分为基于现场在线监测与基于光伏输出特性的时域检测两大类。现场监测主要利用红外热成像与电致发光技术。roderto pierdicca等设计了一种光伏阵列健康监测系统，利用无人机在阵列上方拍摄热红外图像，再使用图像处理算法识别阵列中的过热点，从而诊断阵列健康状态；m.frazao等使用消费级摄像机对光伏组件进行电致发光观测，可以精确的定位组件内的隐裂与破损。基于光伏输出特性的时域检测方法的研究则更为普遍。kun ding等利用经验模态分解与高斯混合模型对一个5*2的光伏阵列进行健康状态检测：将一个时间窗内的电压电流进行高斯混合聚类，考察实验簇心与参考簇心的偏差情况，评估光伏阵列的健康状态。simona
‑
vasilica oprea等提出一种应用于大型光伏系统超短期输出功率预测模型：利用大数据技术与人工神经网络，预测未来一个滑动时窗内系统的输出功率，得出评估系统健康状态的关键绩效指标。除此以外，还有学者提出了基于电站的运行参数的多传感器法、基于高频信号注入的时域反射法和寄生电容估计法等等，它们都依照监测、计算数值与理论数值的偏差来评判光伏组件的健康状况。
4.上述的各种方法都存在不容忽视的缺点：基于现场试验的红外热成像与电致发光技术虽然具有很高的可靠性，但是需要很高的实验成本，难以进行大规模推广；基于光伏输出特性的时域检测方法易受到环境因素的干扰；检测电站运行参数的多传感器法需要采集包括环境、运维、工作数据在内的众多数据，需要许多设备辅助；高频信号注入和寄生电容估计的检测精度较低。更为重要的是，这些方法都只能评价光伏组件的健康状态发生变化，无法定量地判断光伏组件当前的soh，难以应用在光伏电站健康管理系统之中。


技术实现要素：

5.本发明的目的在于克服现有技术存在的以上问题，提供一种光伏组件智能健康状态诊断方法。
6.为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
7.一种光伏组件智能健康状态诊断方法，所述诊断方法包括以下步骤：
8.步骤一：对待测光伏组件的输出i
‑
v特性进行采样，并使用mqpso算法对老化参数
进行辨识；
9.步骤二：将任意工作环境下的老化参数映射至stc下；
10.步骤三：将老化参数输入至pnn，计算每个类别的最大似然估计值，得出待测光伏组件当前的健康状况。
11.进一步地，所述步骤一中对老化参数进行辨识具体通过计算模型i
‑
v与真实i
‑
v的均方根误差，公式为：
[0012][0013]
进一步地，所述步骤二中老化参数映射公式具体如下：
[0014][0015][0016][0017][0018][0019]
进一步地，所述步骤三中将老化参数输入至pnn后，通过以下公式估计多元pdf的估计量：
[0020][0021]
当pnn用于分类任务时，网络模型由四个层次构成，分别为输入层、模式层、求和层与决策层；
[0022]
输入层将信息输送至模式层，依据上式计算各个神经元的最大似然估计值；
[0023]
求和层将属于同一类别的所有神经元输出信息进行汇总求平均，并依照贝叶斯决策规则将样本x分类，并交由决策层输出。
[0024]
进一步地，所述步骤三中待测光伏组件当前的健康状况soh计算方式如下：
[0025][0026]
当soh取值为
‑
1时，代表组件发生严重故障了；当组件soh取值为1时，代表组件当前的工作状态非常好；当soh处于[0,1]时，值越大越健康；处于[
‑
1,0]时，值越小越不健康。
[0027]
进一步地，选取|soh|＝0.5作为分界线，将健康状况soh的范围分为三部分：健康、亚健康与故障组。
[0028]
本发明的有益效果是：
[0029]
本发明只需获取当前光伏组件的工作i
‑
v特性曲线，以及环境辐照和环境温度，即可以体现光伏组件当前的健康状态soh，首先利用改进量子粒子群算法通过i
‑
v特性曲线提取光伏组件的老化参数，再将其映射至标准测试状况，最后将老化参数输入的概率神经网络中，计算光伏组件当前的soh，仿真与实验结果表明，该方法可以有效的表征光伏组件当前的健康状况，并降低工作环境对组件健康状态的影响，对光伏组件故障预警与健康管理系统的建立具有一定的参考价值。
附图说明
[0030]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0031]
图1是本发明中mpqso算法流程图；
[0032]
图2是本发明中概率神经网络结构图。
具体实施方式
[0033]
下面将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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0034]
一种光伏组件智能健康状态诊断方法，所述诊断方法包括以下步骤：
[0035]
步骤一：对待测光伏组件的输出i
‑
v特性进行采样，并使用mqpso算法对老化参数进行辨识；
[0036]
步骤二：将任意工作环境下的老化参数映射至stc下；
[0037]
步骤三：将老化参数输入至pnn，计算每个类别的最大似然估计值，得出待测光伏组件当前的健康状况。
[0038]
以下为原理分析：
[0039]
光伏组件的输出是非线性的。为了有效评估组件的健康状况，有必要首先分析组件的输出特性，并选取合适的老化因子。
[0040]
在光伏组件的使用过程中，健康状况会不可避免的下降。研究发现造成组件健康状况下降的原因大体包括三类：光学退化、电气老化与其他因素。
[0041]
光学退化导致黄变、分层以及前板玻璃破损，使得组件透光率下降；电气老化包括焊点老化，传输线缆破损、电池片破损和短路等，使得组件的寄生串联电阻增加；其他因素
涉及电势诱导衰减、旁路二极管老化等，致使寄生并联电阻增加。这些现象会减少组件的输出功率，让光伏组件不再“健康”。
[0042]
光伏组件通常由若干块单体电池串联组成，理想状态下，组件中每块单体电池的特性一致，输出电流与每块单体电池电流相同，输出电压为各单体电池电压之和。由此可得光伏组件的输出电流方程为
[0043][0044]
式中u为组件的输出电压；i为组件的输出电流；i0为二极管反向饱和电流；rs为等效串联电阻；rp为等效并联电阻；a可由下式计算：
[0045][0046]
式中q为电子电荷常数，1.6*10
‑
19c；t为绝对温度，单位开尔文；k为玻尔兹曼常数，1.38*10
‑
23j/k，n为二极管理想因子。
[0047]
量子粒子群是从量子力学角度提出的一种pso算法模型。在qpso中，使用波函数来描述粒子的状态，并通过薛定谔方程得到粒子在空间某一点出现的概率密度函数，再通过蒙特卡罗模拟方式得到粒子的位置方程。假设在一个n维搜索空间中，由m个代表潜在问题解的粒子组构成的群体x(t)＝{x1(t),x2(t)，
…
，xm(t)}，其中每个粒子xi(t)在t时刻的位置由式(3)确定
[0048][0049]
式中u(t)为服从[0,1]上均匀分布的随机数，p为吸引子位置，l为收敛迭代策略，分别由式(4)
‑
(5)确定
[0050][0051]
l
i,j
(t)＝α
·
|c
j
(t)
‑
x
i,j
(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0052]
式中p(t)为个体最优位置，g(t)为全局最优位置，c(t)为群体中的平均最好位置
[0053][0054]
式(5)中α的被称为收缩
‑
扩张系数，它是整个算法中除群体规模与迭代次数外唯一的控制参数。一般采用线性减少的策略，按式(7)取值
[0055]
[0056]
随迭代次数线性的从m减少到n，通常取m＝1、n＝0.5；k为最大迭代次数。最终qpso的粒子进化方程为：
[0057][0058]
随机选择全局最优位置g(t)中的一维，假设为第d维，在这一维上施加高斯扰动，完成对全局最优的变异操作
[0059][0060]
其中g
d
为全局最优位置中的被选维度，是一个服从高斯分布的随机数，均值μ＝0。标准差σ也被称作精英学习率，仿照一些神经网络训练方案，σ随着迭代次数线性递减，依式(10)计算
[0061][0062]
式中a和b分布代表σ的上下限，研究指出取a＝1，b＝0.1时，在最多的测试函数中有较好的性能。
[0063]
mqpso算法流程图如图1所示：在依照式(9)(10)为g(t)施加扰动后，重新评价g(t)的适应值，当且仅当g(t)新位置的适应值比当前位置的适应值要好时，新位置才会被g(t)采用；否则新位置会代替当前代粒子群中具有最差适应值的粒子。
[0064]
对一块光伏组件进行建模的主要问题在于如何确定式(1)中的组件电气参数，使得仿真输出尽可能的逼近真实的组件i
‑
v特性。从优化的角度上看，这可以等效为一个最小化问题，考虑用一组特定的辨识参数来最小化真实i
‑
v与模型i
‑
v特性的差异，衡量这种差异最直观的方法是计算模型i
‑
v与真实i
‑
v的均方根误差(root mean squared error,rmse)
[0065][0066]
式中和分别表示在n次测量中第i次电流和电压测量值，x表示需要辨识的参量的集合，代表仿真模型根据式(1)计算的输出电流
[0067][0068]
其中x＝{iph,i0,a,rs,rp}代表单二极管模型中的五个参数，包含上文分析的光伏组件老化因子iph,rs,rp。根据真实环境下测得的i
‑
v特性进行qpso参数辨识，就可以提取该组件的关键老化因子。
[0069]
由于组件的输出依赖于辐照g与温度t，光伏组件在不同工作环境下的参数辨识结
果并不相同。这种差异会影响后续健康状况评估的准确性。本技术考虑将不同辐照和温度的辨识结果，映射至stc下，以提高评估算法的准确性、降低计算量。光伏组件特征参数iph,i0,a,rs,rp随g与t的变化满足式(13)
‑
(17)。
[0070]
光生电流iph同时受辐照g与温度t的影响：与辐照g呈正比，并与温度t线性相关，任意工作环境的光生电流数值可以依照式(13)计算
[0071][0072]
其中ki为组件的温度系数；gstc与tstc为标准测试条件下的辐照与工作温度，分别为1000w/m2和25℃。
[0073]
二极管反向饱和电流i0与电池工作温度有非常密切的关系，依照式(14)计算
[0074][0075]
其中ε为电池片的带隙宽度，与电池材料和温度有关，单晶硅stc下的禁带宽度为1.12ev。
[0076]
二极管理想因子由半导体材料及其制造技术决定，目前没有研究显示随着组件老化其理想因子会发生变化。此处仅考虑热电压的变化情况。
[0077][0078]
本技术根据仿真与实验结果，将电阻视为会随温度和辐照变化，并依照式(16)(17)计算
[0079][0080][0081]
再将式(13)
‑
(17)中函数取反，并代入所有已知常量，可得出式(18)
‑
(22)的任意工作环境至标准测试状况下的5参数特征映射公式
[0082]
[0083][0084][0085][0086][0087]
pnn是一种前馈型神经网络，由径向基函数发展而来，它的理论基础基于bayes决策理论和parzen窗的概率密度函数(pdf)估计方法，通过式(23)估计多元pdf的估计量g(x)。在实际应用中，pnn的分类器表现非常好，并且pnn训练容易，还具有很高的分类精度。
[0088][0089]
式中n是训练样本的总量，x是随机变量的矢量，xi是训练矢量。是平滑参数，为pnn中唯一需要确定参量。本技术中选择δ＝0.9。
[0090]
当pnn用于分类任务时，网络模型由四个层次构成，分别为输入层、模式层、求和层与决策层，如图2所示。输入层将信息输送至模式层，依据式(23)计算各个神经元的最大似然估计值。
[0091]
求和层将属于同一类别的所有神经元输出信息进行汇总求平均，并依照贝叶斯决策规则将样本x分类：
[0092][0093]
c(x)＝argmax(f
i
(x))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25)
[0094]
式中c(x)表示样本x的最终分类，交由决策层输出。
[0095]
光伏组件健康状态是一个模糊的概念。目前的研究将光伏组件分为健康和故障两大类，但组件从健康到故障不是一个瞬态的过程，健康状态就是为了描述这一过渡态的变化情况。由于这种模糊不清的定义，类似pnn的分类模拟便存在缺点，为了克服这一问题，提出光伏组件soh的概念。
[0096]
根据式(24)，pnn可以得出样本在不同类别下的最大似然估计值fi(x)。现定义如下soh计算方式
[0097][0098]
式中f(健康)与f(故障)为式(24)的各类别估计值。计算soh需要适当改变pnn网络的结构，将决策层从网络中删除，直接输出求和层对于各类的最大似然估计值，再经过是(25)进行计算。
[0099]
对于从表达式可以看出，soh的实质就是健康和故障间的不同程度，值越大，差别越明显，当取值为0时，证明无法区别组件究竟是健康还是故障，处于典型的亚健康态。
[0100]
根据这样的定义规则，soh的范围应当处于[
‑
1,1]之间，当soh取值为
‑
1时，代表组件发生严重故障了；当组件soh取值为1时，代表组件当前的工作状态非常好。当soh处于[0,1]时，值越大越健康；处于[
‑
1,0]时，值越小越不健康。为了更好的定性分析，本技术选取|soh|＝0.5作为分界线，将soh的范围分为三部分：健康、亚健康与故障组。
[0101]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。