沙尘天气下基于ML-RFKNN的光伏阵列故障诊断方法

技术领域

本发明涉及光伏阵列故障诊断领域，具体是沙尘天气下基于ML-RFKNN的光伏阵列故障诊断方法。

背景技术

随着全球气候变化的加剧和环境问题的日益突出，各国纷纷采取措施减少碳排放。可再生能源作为一种清洁、可持续的能源形式，成为实现低碳经济和可持续发展的重要选择。光伏发电系统作为可再生能源的关键组成部分，利用太阳能将其转化为电能，具有广阔的应用前景和巨大的市场潜力。然而，光伏发电系统在实际运行中面临着一些挑战，其中之一是沙尘天气下光伏阵列的故障诊断问题，例如沙尘堆积覆盖、阴影、老化等故障，这些故障不仅影响光伏发电系统的正常运行，还降低了系统的发电效率和可靠性。通过解决沙尘天气下的光伏阵列故障诊断问题，可以提高光伏发电系统的可靠性和性能，推动可再生能源的可持续发展的实现。

传统的光伏阵列故障诊断方法主要依靠人工巡检和经验判断，这种方式存在着效率低、准确性不高、成本高等问题。因此，需要一种高效准确的光伏阵列故障诊断方法，特别是在沙尘天气下的故障诊断。

发明内容

本发明的目的在于提供沙尘天气下基于ML-RFKNN的光伏阵列故障诊断方法，该技术首先采集沙尘天气下实时的光伏组件串（光伏组件串为光伏阵列串联支路，多个光伏组件以串联方式连接为光伏阵列串联支路，多个光伏阵列串联支路并联构成光伏阵列）的电压、电流以及辐照度和温度；其次对采集的数据进行预处理；然后利用光伏组件串的电压、电流、辐照度和温度，以及根据光伏组件的等效电路模型，计算出光伏组件串中每一个光伏组件的串联等效电阻，进而求出该光伏组件串的串联等效电阻。将该光伏组件串的串联等效电阻与正常情况下电阻比较，判断光伏阵列是否存在故障。最后采用基于多标签学习的K最近邻和随机森林（Multi-label—K-Nearest Neighbor and Random Forest，ML-RFKNN）算法建立的光伏阵列故障诊断模型，以实现对光伏阵列故障类型的准确诊断。

与传统的人工巡检相比，该方法进行故障诊断具有以下优势：提高了诊断的准确性和效率，降低了人工巡检的成本，能够及时发现光伏阵列中的故障，保证光伏系统的正常运行和发电效率。

为实现上述目的，本发明提供如下技术方案：沙尘天气下基于ML-RFKNN的光伏阵列故障诊断方法，包括数据采集、数据预处理、故障判断、故障诊断模型训练与预测，该步骤为：

（1）实时采集沙尘天气下的光伏阵列中光伏组件串的电压、电流、辐照度以及温度数据；

（2）对采集到的数据进行预处理，包括异常值平滑处理、等效转化和归一化等操作；

（3）利用预处理后光伏组件串的电压、电流、辐照度和温度数据，以及根据光伏组件的等效电路模型，计算出该串中每一个光伏组件的串联等效电阻，进而求出光伏组件串的串联等效电阻；

（4）沙尘天气下，光伏阵列中光伏组件串的串联等效电阻与该串中正常情况下串联等效电阻作差的绝对值，如果该绝对值超过设定的阈值，则说明光伏阵列存在故障，否则说明该阵列没有故障；

（5）使用ML-RFKNN算法对采集的光伏阵列中所有光伏组件串的电压、电流、辐照度、温度以及串联等效电阻作为故障特征值进行训练，建立故障诊断模型。如果光伏阵列存在故障，根据故障诊断模型，以识别不同的故障类型。

作为本发明进一步的方案：其中数据预处理操作包括：

（1）异常值平滑处理，对光伏组件串的电压、电流数据进行平滑处理，去除噪声干扰；

（2）等效转化，将不同环境条件下光伏组件串的的参数精确转换为等效标准测试条件（Standard Test Conditions，STC）下的参数，则通过减少环境因素的影响；

（3）归一化，对采集到的光伏组件串的辐照度、温度数据进行归一化处理，确保数据具有可比性和一致性。

作为本发明再进一步的方案：其中特征提取操作包括：提取包括电压、电流、辐照度、温度和串联等效电阻的变化特征。

作为本发明再进一步的方案：所述ML-RFKNN算法用于故障诊断模型的训练和预测，以提高故障诊断的准确性和可靠性，所述ML-RFKNN算法可以通过参数调优、特征选择等方式进行优化。

作为本发明再进一步的方案：光伏阵列中光伏组件串的故障诊断根据光伏组件串的串联等效电阻变化情况进行判断，当串联等效电阻变化偏离正常值，判定为故障。

作为本发明再进一步的方案：其中故障诊断结果可以通过显示器、报警器等方式进行输出。

作为本发明再进一步的方案：其中光伏阵列的故障包括沙尘，阴影，老化，短路，开路等故障，通过对ML-RFKNN算法实现对这些故障的检测和诊断。

作为本发明再进一步的方案：其中天气数据的采集可以通过气象仪器、传感器等设备进行实时监测。

作为本发明再进一步的方案：其中故障诊断模型的训练和优化可以通过离线和在线两种方式进行。

作为本发明再进一步的方案：其中串联等效电阻的变化情况可以通过图表、曲线等方式进行展示和分析。

与现有技术相比，本发明的有益效果是：

（1）高效准确：通过利用光伏组件串的电压、电流、天气数据（辐照度和温度）和串联等效电阻的变化情况，能够实时监测光伏阵列中运行状态变化情况，从而能够准确判断光伏阵列的故障情况。

（2）实时预警：该系统可以实时监测故障，并能够及时发出警报或通知相关人员进行处理，从而避免故障对光伏阵列的损害。

（3）自动化：通过智能算法和模型的应用，实现故障检测和预警的自动化，减少人工巡检的工作量和成本。

（4）该方法和系统可广泛应用于光伏发电系统、太阳能电池板等相关领域，为沙尘天气下光伏阵列故障诊断提供了一种高效、准确和智能化的解决方案。同时，该技术还具有较好的可扩展性，可以根据实际需求进行进一步的优化和改进。

附图说明

图1示出了本发明实施例所提供的一种光伏阵列故障检测方法的流程图；

图2示出了本发明实施例所提供的光伏阵列的等效电路图；

图3示出了本发明实施例所提供的不同温度下串联等效电阻随组件完整率的变化情况仿真图；

图4示出了本发明实施例所提供的不同温度、辐照度下的I-U曲线输出特性一图；

图5示出了本发明实施例所提供的不同温度、辐照度下的I-U曲线输出特性二图；

图6示出了本发明实施例所提供的ML-RFKNN算法流程图；

图7示出了本发明实施例所提供的光伏阵列仿真模型图。

具体实施方式

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、完整的描述，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1、图2、图3和图4，本发明实施例中，沙尘天气下基于ML-RFKNN的光伏阵列故障诊断方法，包括数据采集、数据预处理、故障判断、故障诊断模型训练与预测，该步骤为：

（1）实时采集沙尘天气下的光伏阵列中光伏组件串的电压、电流、辐照度以及温度数据；

（2）对采集到的数据进行预处理，包括异常值平滑处理、等效转化和归一化等操作；

（3）利用预处理后光伏组件串的电压、电流、辐照度和温度数据，以及根据光伏组件的等效电路模型，计算出该串中每一个光伏组件的串联等效电阻，进而求出光伏组件串的串联等效电阻；

（4）沙尘天气下，光伏阵列中光伏组件串的串联等效电阻与该串中正常情况下串联等效电阻作差的绝对值，如果该绝对值超过设定的阈值，则说明光伏阵列存在故障，否则说明该阵列没有故障；

（5）使用ML-RFKNN算法对采集的光伏阵列中所有光伏组件串的电压、电流、辐照度、温度以及串联等效电阻作为故障特征值进行训练，建立故障诊断模型。如果光伏阵列存在故障，根据故障诊断模型，以识别不同的故障类型。

其中数据预处理操作包括：

（1）异常值平滑处理，对光伏组件串的电压、电流数据进行平滑处理，去除噪声干扰；

（2）等效转化，将不同环境条件下光伏组件串的参数精确转换为等效标准测试条件STC下的参数，则通过减少环境因素的影响；

（3）归一化，对采集到的光伏组件串的辐照度、温度数据进行归一化处理，确保数据具有可比性和一致性。

其中特征提取操作包括：提取包括电压、电流、辐照度、温度和串联等效电阻的变化特征。

ML-RFKNN算法用于故障诊断模型的训练和预测，以提高故障诊断的准确性和可靠性，ML-RFKNN算法可以通过参数调优、特征选择等方式进行优化。

光伏阵列中光伏组件串的故障诊断根据光伏组件串的串联等效电阻变化情况进行判断，当串联等效电阻变化偏离正常值，判定为故障。

其中故障诊断结果可以通过显示器、报警器等方式进行输出。

其中光伏阵列的故障包括沙尘，阴影，老化，短路，开路等故障，通过对ML-RFKNN算法实现对这些故障的检测和诊断。

其中天气数据的采集可以通过气象仪器、传感器等设备进行实时监测。

其中故障诊断模型的训练和优化可以通过离线和在线两种方式进行。

其中串联等效电阻的变化情况可以通过图表、曲线等方式进行展示和分析。

具体流程为，在沙尘天气下，利用传感器实时采集光伏阵列的光伏组件串的电压、电流数据，同时获取辐照度和温度的数据。

对采集到的数据进行预处理，包括数据平滑、数据等效转化、数据归一化等步骤，确保数据的准确性。

结合光伏组件等效电路模型，从预处理后的数据中计算推导出相应的光伏组件串的串联等效电阻。沙尘天气下，沙尘颗粒的沉积会导致光伏组件的电阻增加，因此需要根据天气数据来确定电阻的变化情况，对电阻进行校正。通过比较校正后的等效串联电阻与正常情况下的数值，判断光伏阵列是否存在故障。如果校正后的电阻值明显偏离正常值，说明光伏阵列可能存在故障。

提取特征参数，包括光伏组件串的电压、电流的平均值、标准差、最大值、最小值以及天气数据（辐照度和温度）和串联等效电阻数值等，利用标记的故障数据和正常数据，使用ML-RFKNN算法对特征参数进行训练，建立故障诊断模型。该模型旨在根据特征参数的组合来判断光伏阵列中的故障类型和严重程度。

基于训练好的故障诊断模型，将实时的特征参数输入模型进行判断。根据模型的输出结果，判断光伏阵列的故障类型。当故障类型被诊断出时，系统可以发出警报或通知相关人员进行处理。

在实际应用中，根据不同的光伏阵列的特点和沙尘天气的变化情况，对故障诊断模型进行优化。可以通过增加更多的特征参数、调整模型的权重或改进模型的算法，提高故障诊断的准确性和可靠性。

具体操作为：

第一步，搭建一个数据采集系统，该系统包括传感器、数据采集设备和数据存储设备。传感器用于实时采集光伏阵列中光伏组件串的电压、电流数据，以及环境因素的辐照度、温度数据。

数据采集设备负责接收传感器采集到的数据，并将其传输到数据存储设备中。数据存储设备用于存储大量的采集数据，以备后续的数据处理和分析使用。在光伏阵列中安装传感器，并进行设置和校准。同时，传感器需要经过校准，以保证采集到的数据与实际值的一致性和准确性。开始进行数据采集。通过数据采集设备，实时接收传感器采集到的光伏组件串的电压、电流数据，以及辐照度和温度数据。采集的数据应该具有高精度和实时性，以确保后续的数据分析和处理的准确性。将采集到的数据存储到数据存储设备中，并进行管理。数据存储应该具有足够的容量和稳定性，以确保能够存储大量的采集数据，并且数据不会丢失或损坏。将经过质量检查的数据传输到备份设备中，以防止数据丢失或损坏。同时，备份设备应该具有稳定的存储性能，以确保备份数据的完整性和可用性。

通过上述的数据采集过程，可以获得光伏阵列中光伏组件串的电压、电流、辐照度、温度数据，这些数据用于计算串联等效电阻并与之共同用于实现沙尘天气下光伏阵列的故障诊断。采集到的数据量越多，数据的准确性和可靠性就越高，从而提高故障诊断的准确性和可靠性。

第二步，对于光伏组件串的电压、电流数据，采集原始数据并进行去噪处理，以去除可能的噪声和干扰。接下来，对数据进行STC等效处理，将不同环境条件下光伏组件串的参数精确转换为等效STC的参数，则通过减少环境因素的影响。最后是转化归一化处理，将不同范围和单位的数据统一到相同的尺度，以便后续处理和分析。

本文对于采集得到的I-U曲线上面得到的电压

(1)；

(2)；

然后，对于异常点需用附近的正常点代替，公式如下：

(3)；

(4)；

该过程至少重复10次获得平滑数据。

在STC下，当发生不同故障时，光伏阵列的I-U曲线表现出不同的变化规律。然而，当非STC下发生不同级别的故障时，I-U曲线显示出相似的特征。因此，如果能够将不同环境条件下光伏组件串的参数精确转换为等效STC的参数，则通过减少环境因素的影响，可以有效提高后续识别算法的分类精度。用于转换原始I-U曲线的方程显示在方程中。

(5)；

(6)；

G和T是实际环境下的辐照度和温度，

同时为了使故障诊断方法具有鲁棒性，对电压和电流进行归一化至关重要。

(7)；

(8)；

和

第三步，处理后的数据结合光伏组件等效电路模型计算串联等效电阻，光伏组件的等效电路可以用一个二极管和电流源并联的电路表示，且其内部存在串联电阻和并联电阻。光伏组件的等效电路可参见图2所示，该光伏组件的等效电路模型可以下式（9）表示：

(9)；

其中，I表示光伏组件的输出电流，U表示光伏组件的输出电压，

当光伏组件短路时，短路电流为

(10)；

当组件开路时，开路电压为

(11)；

当光伏组件输出最大功率

(12)；

根据

(13)；

式中：

(14)；

根据在标准温度下，二极管反向饱和电流的计算公式为：

(15)；

式中：

估算串联电阻阻值时，在光伏组件处于最大功率状态下，忽略并联电阻，串联电阻的估算表达式（16）如下：

(16)；

光伏组件串的串联等效电阻表达式如下：

(17)；

式中：

其中，单个光伏组件随着阴影故障程度的加深，光伏组件等效串联电阻越来越大，而且温度越高电阻则越大，如图3所示。电压、电流与温度和辐照度之间的关系如图4、图5所示；

把实际光伏组件串的串联等效电阻

(18)；

这样，就为沙尘天气下光伏阵列的故障类型诊断提供了准备和基础。

第四步，首先对光伏组件串电压、电流数据可以提取以下一些关键特征：

平均值（Mean）：计算电压和电流序列的平均值，反映了光伏阵列的整体性能水平。

标准差（Standard Deviation）：计算电压和电流序列的标准差，用于评估其波动性和稳定性。较高的标准差可能表示光伏阵列存在故障或异常情况。

峰值（Peak）：识别电压和电流序列的峰值，并计算其幅值和位置。峰值的变化可能与光伏阵列的故障相关。

波形因子（Form Factor）：计算电压和电流序列的峰值与有效值之比。波形因子可用于评估电压和电流的波形形状，以发现异常或非正常情况。

对于辐照度、温度，可以提取以下一些关键特征：

平均值（Mean）：计算辐照度和温度序列的平均值，反映了光照和温度的整体水平。

变化趋势（Trend）：通过计算辐照度和温度序列的斜率或趋势线来分析其变化趋势。异常的变化趋势可能与光伏阵列的故障相关。

相关性（Correlation）：分析辐照度和温度之间的相关性。辐照度和温度的相关性可能与光伏阵列的性能和效率有关。

日变化模式（Daily Variation Pattern）：提取辐照度和温度在一天内的周期性变化模式，以评估光照和温度的稳定性和一致性。

对于串联等效电阻，只需提取其数值大小，用来评估组件的性能和故障情况。

除了上述基本特征外，还可以使用降维方法，如主成分分析或线性判别分析，从特征空间中提取更具有代表性和关键性的特征。

在特征提取后，需要进行模型的训练和优化。本文采用的智能算法为ML-RFKNN，是多标签学习的k近邻（Multi-label—K-Nearest Neighbor，ML-KNN）算法与随机森林（Random Forest, RF）算法相结合形成，ML-KNN是从KNN算法发展而来的一种惰性学习算法，用于解决多标签分类问题。它结合了KNN和贝叶斯理论，对测试样本的k个最近邻中包含的标签类别信息进行计数，并使用最大后验估计来预测要分类的样本的标签。ML-RFKNN算法的具体描述如下：

给定一个样本集X及其标签集Y，一个样本

(19)；

其中

为了识别测试样品t，首先计算N(t)和

(20)；

其中

在贝叶斯理论的基础上，方程（20）可以转换为：

(21)；

从方程（21）可以看出，先验概率

(22)；

(23)；

(24)；

(25)；

其中

此外，考虑到测试样本最近邻对分类结果的影响，

(26)；

其中τ是一个调节因子，范围为[0.3，0.5]。然后，为了提高准确性，使用嵌入分类器进行多标签分类。分类器使用名为成本敏感标签嵌入的嵌入器嵌入标签空间，具有多维缩放（CLEMS）。此外，嵌入分类器训练一组名为随机森林的单变量或多变量回归器，用于嵌入看不见的情况，并训练改进的ML-KNN根据输入特征和嵌入标签预测标签。

训练集数据五个参数类型分别为光伏组件串的电压、电流、温度、辐照度以及串联等效电阻，分类标签从1到6分别表示1运行状态正常，2沙尘覆盖，3阴影故障，4老化故障，5短路故障，6开路故障。具体算法执行流程图如图6所示，首先把实际串联等效电阻与正常无故障下的电阻进行比较是否超过阈值，判断是否发生故障，如果没有故障，则判定该光伏组件串处于正常运行状态；如果判定为发生故障，则把采集的该光伏组件串已经预处理过的电压、电流、辐照度、温度、串联等效电阻作为故障特征值输入到根据ML-RFKNN算法建立的故障诊断模型中，识别该故障串的故障类型。

使用Simulink和MATLAB模拟沙尘、阴影、短路、开路、阴影和老化故障，光伏阵列仿真模型如图7所示。模拟光伏阵列由三串组成，每串有四个光伏组件。受控电压源使用斜坡信号源连续扫描光伏阵列的输出电压。为了验证光伏阵列故障诊断方法在不同天气条件下的通用性，辐照度范围从200到1000W/㎡和温度范围从15℃到55℃。

条件允许下，构建一个真实的光伏系统，采集不同故障下的光伏组件串的电压、电流数据以及沙尘天气下的辐照度、温度数据。使用序列平滑算法消除噪声。然后使用STC转换方法将各种条件下的数据转换为STC，以减轻环境变化的影响。为了消除不同电气参数的数值变化，然后对数据进行归一化。预处理后的数据，结合光伏组件等效电路模型计算出光伏组件串的串联等效电阻。最后用ML-RFKNN算法建立的故障诊断模型，通过分析不同光伏故障下的故障特征值，得到有效的故障特征。对仿真和实验数据进行了大量的算法验证测试。

在进行故障诊断优化的过程中，需要注意以下几个问题：

数据采集和传输：确保数据的准确性和时效性，采用稳定可靠的数据采集和传输系统，避免数据缺失和传输错误。

模型选择和优化：根据实际情况选择合适的模型，并根据实时数据进行优化。不同的光伏阵列可能存在差异，需要根据具体情况进行调整和优化。

故障标签和样本不平衡问题：在训练模型时，需要注意故障样本与正常样本的平衡性，避免故障样本过少导致模型的偏差。

模型更新和维护：随着时间的推移，光伏阵列的性能可能发生变化，需要定期更新和维护模型，以保证故障诊断的精确度和可靠性。

通过以上的模型训练与优化步骤，可以提高光伏阵列在沙尘天气下的故障诊断能力，及时发现和处理光伏阵列的故障，确保系统的正常运行，为光伏阵列的维护提供重要依据。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。