一种光伏光热一体化组件异常检测方法及测试系统与流程

1.本发明涉及光伏系统异常检测领域，具体涉及一种光伏光热一体化组件异常检测方法及测试系统。


背景技术：

2.光伏光热一体化组件主要由光伏与光热两个部分组成。光伏部分采用技术成熟的太阳能光伏面板，通过控制系统为建筑提供所需电能，主要包括光伏电池、蓄电池、逆变器和控制器等构件。光热部分主要为集热器，将太阳能转换为热能，同时使用热循环机制，冷却太阳电池，提高光电转换效率，更高效地利用太阳热能。
3.光伏光热组件在使用过程中由于自然环境的侵蚀和组件的老化，会使得组件出现多种异常，例如组件表面脏污、组件隐裂断栅等，这些异常使得组件极易产生热斑现象，增加火灾隐患，也会造成木桶效应，导致整个光伏光热组件阵列发电功率大幅下降，降低组件的可靠性和使用寿命。
4.为了及时发现存在异常的光伏光热组件，需要在自然环境下对组件进行监测，现有方法是获取光伏光热组件的特性曲线，也称光伏光热组件的iv曲线，通过特性曲线来获得组件产生的异常的原因或类型，实现对组件维修、更换、清洗等目的。但是光伏光热组件特性曲线一般是在实验室环境下固定光照强度和温度下通过采样不同负载下组件的电压与电流获得的；而在自然环境下由于存在干扰，而且考虑到特性曲线获取过程需要花费一定时间，在采样不同负载下组件的电压与电流时还不能影响整个组件阵列的正常工作，因此获取特性曲线时无法保证光照强度和温度不变，采样次数也不能太多，这导致获得的特性曲线具有较大的误差，获取到的异常类型存在误差，不利于及时发现组件的异常和制定异常处理方法，从而造成损失。


技术实现要素：

5.为了解决上述技术问题，本发明的目的在于提供一种光伏光热一体化组件异常检测方法及测试系统，所采用的技术方案具体如下：
6.本发明提供了一种光伏光热一体化组件异常检测方法，该方法包括以下步骤：
7.在太阳直射光伏光热组件的时间段，获得光伏光热组件的特性曲线，将获取特性曲线过程中的平均光照强度和平均温度合并成的二维向量作为特性曲线的环境特征，将当前时刻最近一次获得的特性曲线和其环境特征输入神经网络中获得所有异常类型的概率，将所有异常类型的概率的熵作为特性曲线的不确定度，当不确定度小于预设阈值时，将概率最大时的异常类型作为光伏光热组件的异常检测结果；
8.当特性曲线的不确定度大于等于预设阈值时，获取在预设时间段内光伏光热组件获得的所有特性曲线以及所有特性曲线的环境特征，根据特性曲线的环境特征对所有特性曲线进行均值漂移聚类并获得所有第一类别，首先对每个第一类别中的所有特性曲线两两进行融合获得所有的融合特性曲线，以及每个融合特性曲线的特征向量和有效程度，然后
将有效程度大于零的所有融合特性曲线作为每个第一类别的有效集合，对每个第一类别的有效集合内所有融合特性曲线进行聚类，获得每个第一类别的所有第二类别，将所述的所有第二类别中的融合特性曲线进行融合，获得每个第一类别的最终类别；
9.对于每个第一类别的最终类别，以最终类别中每个融合特性曲线的有效程度为权重，对最终类别中所有融合特性曲线的特征向量进行加权求和，获得的结果作为每个第一类别的融合特征向量，根据所有第一类别的融合特征向量获得光伏光热组件的异常。
10.进一步地，所述的获得光伏光热组件的特性曲线的步骤包括：
11.令光伏光热组件在随机分配的预设数量的负载下工作，获取光伏光热组件在每个负载下输出的电流和电压，将所述的电流和电压视为一个采样点，将预设数量的负载下获得的所有采样点构成一个采样点序列，将所述的采样点序列作为光伏光热组件的特性曲线。
12.进一步地，所述的对每个第一类别中的所有特性曲线两两进行融合获得所有的融合特性曲线的步骤包括：
13.对于每个第一类别，将第一类别中的所有特性曲线两两组合，获得所有的组合结果，对于每个组合结果中的两个特性曲线，将对应的两个采样点序列合并为一个采样点序列，将其作为每个组合结果的融合特性曲线，所有组合结果的融合特性曲线就是获得所有的融合特性曲线。
14.进一步地，所述的每个融合特性曲线的特征向量和有效程度的获取步骤包括：
15.对于每个融合特性曲线对应的组合结果，计算所述组合结果中两个特性曲线的不确定度的均值，并将所述组合结果中两个特性曲线的环境特征的均值称为每个融合特性曲线的环境特征，将融合特性曲线和其环境特征输入神经网络中获得所有异常类型的概率，将所有异常类型的概率构成的向量称为每个融合特性曲线的特征向量；
16.将所述的所有异常类型的概率的熵作为每个融合特性曲线的不确定度，将所述的均值与每个融合特性曲线的不确定度的差作为每个融合特性曲线的有效程度。
17.进一步地，所述的每个第一类别的所有第二类别的获取步骤包括：
18.对于每个第一类别的有效集合内的所有融合特性曲线，其中任意两个融合特性曲线的距离为其对应的特征向量的欧式距离，根据融合特性曲线间的距离使用k-means聚类算法对所有融合特性曲线进行聚类，类别的数量为所有融合特性曲线数量的一半，获得的所有聚类结果就是每个第一类别的所有第二类别。
19.进一步地，所述的第一类别的最终类别的获取步骤包括：
20.对于每个第一类别的所有第二类别，将每个所述的第二类别中所有的融合特性曲线融合为一个特性曲线，称为每个第二类别的特性曲线，获取所述的所有第二类别的特性曲线构成的集合，将所述集合视为一个新的第一类别，然后重新利用所述新的第一类别获得第一类别的所有第二类别，重复所述步骤，直至第一类别的所有第二类别中只包含一个类别，将所述类别作为第一类别的最终类别。
21.进一步地，所述的根据所有第一类别的融合特征向量获得光伏光热组件的异常的步骤包括：
22.对于所有第一类别的融合特征向量，计算每个融合特征向量所表示的所有异常类型的概率的熵，称为每个融合特征向量的不确定度，获取所有融合特征向量的不确定度的
最小的值，以及不确定度取最小值时的融合特征向量所表示的所有异常类型的概率；
23.当所述最小值小于预设阈值时将所述概率最大时的异常类型作为光伏光热组件的异常检测结果，当所述最小值大于等于预设阈值时重新获取光伏光热组件的特性曲线，当重新获取到光伏光热组件的特性曲线后，重新获得光伏光热组件的异常。
24.进一步地，所述的预设时间段是指从光伏光热组件特性曲线的不确定度大于等于预设阈值时开始到当前时刻结束的一段时间。
25.本发明还提供一种光伏光热一体化组件测试系统，包括但不限于光伏光热组件负载切换模块、电流电压检测模块、光照强度和环境温度检测模块、存储和计算模块。
26.本发明具有如下有益效果：本发明通过获取一段时间内光伏光热组件的所有特性曲线，并根据特性曲线的不确定度对所有特性曲线进行聚类与融合，根据融合结果的有效程度和特征向量进一步获得光伏光热组件的异常检测结果，能够避免因获取特性曲线时无法保证光照强度和温度不变以及采样次数不多而导致的特性曲线误差较大的情况，保证了异常检测的准确性。
附图说明
27.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
28.图1为本发明一个实施例所提供的一种光伏光热一体化组件异常检测方法的流程图；
具体实施方式
29.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种光伏光热一体化组件异常检测方法及测试系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
30.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
31.下面结合附图具体的说明本发明所提供的一种光伏光热一体化组件异常检测方法的具体方案。
32.请参阅图1，其示出了本发明一种光伏光热一体化组件异常检测方法，其特征在于，该方法包括以下步骤：
33.步骤s001，构建光伏光热组件的测试系统，获取光伏光热组件的特性曲线。
34.本发明所述的光伏光热组件是不会随着太阳的移动而跟随着改变组件方向的，而是组件固定角度始终朝着一个方向的，人为的获取一天中太阳近乎垂直照射组件电池板的时间段，该时间段称为直射时间段，在直射时间段内按经验来说光伏组件的工作效率是最高的，获得的特性曲线也是最准确可靠的，例如本发明所述的直射时间段为11时至14时。
35.在每个组件上安装测试系统，所述的测试系统能够任意改变组件的负载，并且能够获取任意负载下组件输出的电压与电流，所有负载大小下获得的电压与电流的变化曲线即为特性曲线，当负载为0时的电流为短路电流，负载为无穷大时的电压为开路电压。通常在获取特性曲线时负载大小不可能从0一直取值到正无穷，而是采样有限数量的负载，例如采样50-150个负载大小，然后获取在组件在这些负载下输出的电流和电压，即获取50-150个(电流，电压)，每组电流和电压称为一个采样点，即有50-150个采样点，这些电流电压所有构成的采样点在二维坐标系下描绘出的一条曲线，这条曲线反映的就是特性曲线，本发明将这些采样点构成的序列称为特性曲线。
36.但是考虑到在改变组件的负载时，会使得整个组件阵列欠压或者输出功率不稳定，影响组件的正常工作，造成整个光伏电网波动，现有的解决办法是通过增加储能装置对整个光伏组件和光伏电网提供功率补偿，由于储能装置需要及时充能，因此不能太频繁的改变负载，使得负载采样个数不能太多，又由于通过改变负载获取特性曲线需要一定的时间，如果时间太短也容易造成电网波动；基于上述考虑，为了在检测组件异常时维护电网的稳定，本发明获得特性曲线的过程需要一定时间且不能有太多采样次数，这导致特性曲线获取过程中不能保证光照和温度不变且采样点分布合理，使得特性曲线具有一定得误差和噪声。
37.另外本发明测试系统还包括光照传感器，用于实时获取光照强度，以及温度传感器，用于获取环境温度；另外测试系统还具有数据存储和数据计算功能。
38.在每天的直射时间段内，利用测试系统获取光伏光热组件的多个特性曲线，例如本发明在直射时间段内利用测试系统先后获取5-8个特性曲线，每个特性曲线在获取过程中对应的平均光照强度和平均温度合并成的二维向量称为每个特性曲线的环境特征。
39.步骤s002、根据组件的特性曲线的环境特征获得组件出现每个缺陷类型的概率。
40.光伏光热组件的特性曲线能够反应光伏光热组件所存在的异常类型，例如电池片损坏或者旁路二极管短路时，则特性曲线有多个片段，这些片段上电压随电流会迅速变化；又例如组件老化、功率衰减时特性曲线的短路电流变小；再例如组件被阴影或遗物遮挡时特性曲线的开路电压会变低。
41.由于本发明的特性曲线上包含的采样点数量少，本发明利用非线性差值的方法根据扩充特性曲线上的采样点，例如本发明将特性曲线上的采样点扩充至300个。
42.本发明将光伏光热组件的特性曲线和其环境特征输入神经网络中，神经网络输出光伏光热组件上存在每个异常类型的概率，在本发明中将无缺陷的情况也视为一种异常类型，即无异常的异常类型，其他异常类型包括：异物遮挡、旁路二极管短路、功率衰减等。由于特性曲线是采样点的序列，因此本发明所述的神经网络用的是lstm神经网络。该网络的数据集的获取方法是：在实验室环境在获取具有不同异常的组件，然后在不同光照强度和环境温度下获得每个组件的特性曲线，将每个特性曲线和所处的光照强度和环境温度作为数据，将对应组件的异常类型的one-hot编码作为数据的标签，进而构造出数据集，最后使用该数据集利用随机梯度下降法训练该神经网络。
43.步骤s003、根据光伏光热组件的特征曲线以及组件出现每个异常类型的概率获得光伏光热组件的异常类型。
44.首先把当前时刻最新获得的组件的特性曲线输入神经网络获得组件上每个缺陷
类型的概率。
45.常规做法是把概率最大的缺陷类型作为组件的缺陷和异常即可，但是由于特性曲线具有一定得误差和噪声，使得常规方法不准确。本发明中，对于所有缺陷类型，如果只有少数缺陷类型对应的概率很高，而大多数缺陷类型对应的概率趋近于0，那么说明特性曲线具有明确的缺陷类型，即所有缺陷类型的概率的熵越小，说明特性曲线具有明确的缺陷类型，此时可以利用常规方法获取组件的缺陷和异常；相反，如果所有缺陷类型的概率的熵越大，说明越无法断定特性曲线具有的缺陷类型，原因可能是缺陷的影响程度比较小，被缺陷的特征被特性曲线的误差和噪声干扰、淹没，无法准确的输出缺陷类型。
46.那么然后基于上述所述，对于一个组件上获得的每个缺陷类型的概率，计算所有缺陷类型概率的熵，本发明将熵称为组件特性曲线的不确定度；当不确定度小于预设阈值时，获取概率最大的缺陷类型，将其作为组件异常，该概率最大值越大，说明异常对组件的影响越严重，越需要及时维修和更换；本发明中将预设阈值设置为0.2；当不确定度大于等于预设阈值时，说明无法确定存在的异常类型，那么本发明通过以下方法进行获取：
47.对于不确定度大于等于预设阈值的组件，获取预设时间段内，该组件的所有特性曲线；本发明所述的预设时间段是指从检测到组件特性曲线的不确定度大于等于预设阈值的时刻到当前时刻所有构成的时间段。获取所有特性曲线的环境特征，利用均值漂移聚类算法对所有的环境特征进行聚类，获得所有类别，这些类别统称为第一类别，同一个第一类别中的环境特征近似相同，而不同第一类别之间的环境特征差别较大，为了避免环境的差异对组件缺陷和异常的检测产生影响，本发明分别对每个第一类别进行分析，具体步骤为：1)对于任意一个第一类别，获取其中任意两个特性曲线的不确定度的均值，称为两个特
48.性曲线的平均不确定度，然后将两个特性曲线进行融合，融合结果称为融合特性曲线；所述的融合方法为：两个特性曲线分别对应的是两个采样点序列，将两个采样点此列合并为一个采样点序列，该序列就是融合特性曲线。
49.所述的融合特性曲线相对于任意两个特性曲线来说，具有更多的采样点，可能能够更加准确细致的描述和表征光伏光热组件的缺陷和异常特征。
50.2)融合特性曲线对应的环境特征为所述两个特性曲线的环境特征的均值，将融合特性曲线和对应的环境特征输入神经网络中获得每个缺陷类型的概率。本发明将所有缺陷类型的概率合并为一个向量，称为融合特性曲线的特征向量；
51.3)然后计算融合特性曲线的不确定度，然后获取所述的两个特性曲线的平均不确定度与融合特性曲线的不确定度的差值，该值称为融合特性曲线的有效程度，有效程度越大，说明融合特性曲线相比于两个特性曲线具有更加明确的缺陷和异常特征。
52.至此每两个特性曲线对应获得一个融合特性曲线以及一个有效程度。
53.4)对于该第一类别，类别中所有特性曲线两两组合，获得所有的融合特性曲线的，以及每个融合特性曲线的有效程度，获取有效程度大于0的所有融合特性曲线，这些融合特性曲线构成的集合记为s，s中任意两个融合特性曲线的距离为其对应的特征向量的欧式距离，然后根据所有融合特性曲线间的距离使用k-means聚类算法对s中所有融合特性曲线进行聚类，聚类数量为所有融合特性曲线数量的一半，所有的聚类结果统称为第二类别，同一个第二类别中的融合特性曲线具有近似的特征向量。
54.5)然后将同一个第二类别中的所有融合特性曲线再次融合为一个特性曲线，依然
称为融合特性曲线，那么所有第二类别中每个第二类别都对应一个融合特性曲线，那么将所有第二类别对应的所有融合曲线作为一个第一类别，不断重复上述步骤1)、2)、3)、4)、5)，直至步骤4)中只获得一个第二类别，这个第二类别称为最终类别。
55.上述获得的最终类别中的融合特性曲线具有更加明确的缺陷和异常特征，更加能够准确的反映光伏光热组件的缺陷和异常特征，能够一定程度的排除特性曲线所存在的噪声和误差的干扰。
56.6)进一步的，假设最终类别中有n个融合特性曲线，其中第n个融合特性曲线的特征向量为vn,其对应的有效程度为wn,那么令融合特征向量可知v是对最终类别中所有融合特性曲线的特征向量的加权融合结果，其中有效程度越大时特征向量的权重越大，即更加关注缺陷和异常程度确定性具有明显增加的融合特性曲线的特征向量。由于特征向量描述的是每个缺陷类型出现的概率，那么融合特征向量v也是描述每个缺陷类型出现概率的，但是融合特征向量v更能构反映光伏光热组件的缺陷和异常特征。
57.至此，对于每个第一类别进行上述步骤的分析后，为每个第一类别获得一个融合特征向量，那么对于所有的第一类别，分别利用上述步骤获得一个融合特征向量，获得每个融合特征向量都表示的是每个缺陷类型出现的概率，因此每个融合特征向量都对应一个步骤s003所述的不确定度，获取不确定度最小的融合特征向量，如果该融合特征向量的不确定度小于预设阈值，那么根据该融合特征向量获取概率最大的缺陷类型，将其作为光伏光热组件所存在的缺陷和异常；如果不确定度大于等于预设阈值，那么再次获取光伏光热组件的特性曲线，重新实施本发明所述的步骤s003，直至获取光伏光热组件的缺陷类型，进而确定组件的缺陷和异常。
58.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
59.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
60.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。