光伏组串故障识别方法及装置与流程

本技术涉及光伏，尤其涉及一种光伏组串故障识别方法及装置。

背景技术：

1、现如今，随着人类社会的能源消耗，地球上有限的传统化石能源如煤、石油、天然气等储量越来越少。为了实现可持续发展，优化能源结构，降低碳排放量，太阳能以其丰富、清洁的巨大优点，促使光伏产业在世界范围快速蓬勃发展。

2、并网光伏电站主要包含光伏组串、汇流箱、逆变器等设备。在各种光伏系统应用中，光伏组串由光伏组件串联组成，经汇流箱后集中送往逆变器。光伏组串、汇流箱和直流电缆等共同构成光伏方阵，光伏方阵是光伏电站的核心单元和发电源头，对于整个光伏系统的发电来说起着决定性作用。光伏组件的平均寿命为25-30年。但在实际光伏系统应用过程中，光伏方阵长年处于室外自然环境之中，难免会造成阵列线路老化、阵列短路、开路、组件接地以及阴影遮挡、热斑等一系列的故障问题，致使光伏方阵故障问题频频发生。而光伏组串作为光伏电站的基本发电单元，是构成光伏方阵的最小监控单元，也是光伏电站设备中故障率最高的部分，因此光伏组串故障的精准识别和定位，对提高光伏系统的发电量具有重要意义。

3、有人提出，正常工作状态与故障状态的光伏组串之间存在温差，因此，可利用其红外图像的差异检测出故障组串。但该方法检测精度低、设备成本高、实时性差，难以用到实际光伏系统中。也有方法提出在光伏电站布置大量传感设备，通过对传感设备的电信号进行分析来定位故障光伏组串，但是此方法中光伏电站的安装过程复杂，对于大型光伏电站而言，所需要的传感器数量庞大，大幅增加了系统成本。还有方法提出利用bp神经网络等智能算法对光伏组串进行故障诊断，但该类方法故障诊断模型需要故障样本训练，存在故障样本获取困难及模型泛化能力差的缺点。

技术实现思路

1、针对现有技术中光伏组串故障识别成本高，识别准确率低的问题，本技术提出了一种光伏组串故障识别方法及装置。

2、为了解决上述技术问题，本技术提供以下技术方案：

3、第一方面，本技术提供一种光伏组串故障识别方法，包括：

4、在预设的采样周期内，获取预设区域范围内的多个光伏组串的工作数据；

5、根据拉伊达准则对所述工作数据进行处理，确定每一所述光伏组串在所述采样周期内的故障因子；

6、对所有光伏组串的故障因子进行聚类处理，得到多个聚类中心，并根据各个聚类中心确定故障阈值；

7、将所述故障因子大于所述故障阈值的光伏组串识别为故障组串。

8、进一步地，所述根据各个聚类中心确定故障阈值包括：

9、应用各个聚类中心进行二阶差分，得到差分曲线并将该差分曲线第一个峰对应的值确定为所述故障阈值。

10、进一步地，每个光伏组串的工作数据包括：所述采样周期内的多个时刻及该光伏组串在各个时刻的电流数据；

11、所述根据拉伊达准则对所述工作数据进行处理，确定每一所述光伏组串在所述采样周期内的故障因子，包括：

12、根据拉伊达准则对所有光伏组串在所述采样周期内的各个时刻的电流数据进行处理，得到工作数据概率区间；

13、将每个光伏组串的各个电流数据中在所述工作数据概率区间之外的个数与所述光伏组串的电流数据总数的比值，确定为该光伏组串的在所述采样周期内的故障因子。

14、进一步地，所述根据拉伊达准则对所述工作数据进行处理，确定每一所述光伏组串在所述采样周期内的故障因子，包括：

15、应用三西格玛准则对所述工作数据进行处理，确定每一所述光伏组串在所述采样周期内的第一故障因子；

16、统计所述第一故障因子的数值种类，并在所述数值种类小于预设数量时，根据二西格玛准则对所述工作数据进行处理，确定每一所述光伏组串在所述采样周期内的第二故障因子；

17、所述对所有光伏组串的故障因子进行聚类处理，得到多个聚类中心，并根据各个聚类中心确定故障阈值，包括：

18、对所有的所述第二故障因子进行聚类处理，得到多个聚类中心，并根据各个聚类中心确定故障阈值。

19、进一步地，在所述预设区域范围为平地环境时，所述预设区域范围内的每一所述光伏组串为同一场站分区内对应的每一所述光伏组串，所述同一场站分区内至少具有两个逆变器。

20、进一步地，所述的光伏组串故障识别方法还包括：

21、确定获取的所述光伏组串的工作数据的缺失数据；

22、根据所述缺失数据的连续程度以及所述缺失数据的数量确定所述缺失数据的产生原因是否为通讯故障；

23、在所述缺失数据的产生原因为通讯故障时，删除所述缺失数据；

24、所述根据拉伊达准则对所述工作数据进行处理，确定每一所述光伏组串在所述采样周期内的故障因子包括：

25、根据拉伊达准则对执行删除处理后的所述工作数据进行处理，确定每一所述光伏组串在所述采样周期内的故障因子。

26、进一步地，所述将所述故障因子大于所述故障阈值的光伏组串识别为故障组串包括：

27、确定每一光伏组串在多个采样周期内故障因子大于所述故障阈值的比例；

28、将所述比例大于比例阈值的所述光伏组串识别为故障组串。

29、第二方面，本技术提供一种光伏组串故障识别装置，包括：

30、数据采样模块，用于在预设的采样周期内，获取预设区域范围内的多个光伏组串的工作数据；

31、故障因子计算模块，用于根据拉伊达准则对所述工作数据进行处理，确定每一所述光伏组串在所述采样周期内的故障因子；

32、故障阈值计算模块，用于对所有光伏组串的故障因子进行聚类处理，得到多个聚类中心，并根据各个聚类中心确定故障阈值；

33、故障识别模块，用于将所述故障因子大于所述故障阈值的光伏组串识别为故障组串。

34、第三方面，本技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，述处理器执行所述程序时实现所述的光伏组串故障识别方法。

35、第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述的光伏组串故障识别方法。

36、有益效果：

37、本技术利用了拉伊达准则和聚类算法结合的方式识别故障组串，相比现有技术，无需额外增设传感设备，也无需历史样本集进行模型训练，实现了低沉成本、高效的识别。而由于拉伊达准则以正态分布为基础，因此受到光伏电站不同地形对结果的影响相对较小，为故障识别的准确性奠定了基础，进一步结合聚类算法，以故障因子为聚类对象，通过聚类中心确定故障阈值，进而确定出故障组串，相比不结合聚类算法，直接以故障因子高低确定故障组串的方法，更能排除光伏电站各种外部影响如地形影响光照造成的误差，进一步提高了识别的准确度。

38、进一步的，考虑到利用一般的3σ准则，故障因子为非零值的数量可能较少，造成下一步聚类样本少的问题，本技术以故障因子数值的种类数量为依据，在种类数量少于预设的数量时，依据2σ准则计算故障因子，从而通过缩小正常值范围的方式，加大故障因子为非零值的可能，提高故障因子数值的种类数量，进而增加聚类样本，提高聚类的准确性。

39、再进一步的，本技术采用模糊c均值算法进行聚类，相比dbscan密度聚类方法，减少了工作量；而相比kmeans算法，无需大量实验验证k的取值。在数据集种类少，但数据量大的情况下，模糊c均值算法的自我迭代可更加准确和高效的完成聚类。

40、更进一步的，考虑到在山地环境下，同一逆变器的不同组串受到外部环境的影响，即便组串状态相同，其对应的工作数据差异也可能较大的情况，本技术以同一光伏电站或相近经纬度范围的逆变器对应的光伏组串为对象，进行聚类和识别。通过加大数据量、相似外部环境等方式减少外部环境对结果造成的影响，进一步提高识别准确度。

41、另外本技术还通过对数据预处理，剔除无效数据，以及综合多个采样周期的识别结果进行最终判断的方式，在上述方法基础上，进一步提高了识别的准确度。

42、本技术实施例无需同时满足上述效果，且其他有益效果将在说明书中进行进一步说明。