本發(fā)明屬于光伏發(fā)電，涉及一種光伏陣列故障診斷方法，具體涉及一種基于光伏電站電流信號(hào)輸出的光伏陣列故障診斷方法。

背景技術(shù)：

1、隨著工業(yè)污染對(duì)環(huán)境的影響逐漸加大，全球開始注重對(duì)環(huán)境的保護(hù)，減少礦石燃料的使用，轉(zhuǎn)向可再生清潔能源。其中，太陽(yáng)能作為清潔能源中產(chǎn)量最高之一的可再生清潔能源得到了廣泛的傳播和使用。太陽(yáng)能潛力巨大的地區(qū)紛紛提高光伏發(fā)電量，增加太陽(yáng)能發(fā)電廠的數(shù)量，而伴隨著光伏等間歇性能源所占的比例越來(lái)越大，這無(wú)疑增加了能源生產(chǎn)發(fā)生劇烈變化的風(fēng)險(xiǎn)。故障診斷能夠及時(shí)發(fā)現(xiàn)光伏系統(tǒng)潛在的問(wèn)題，從而采取措施進(jìn)行修復(fù)，提升系統(tǒng)的運(yùn)行效率和發(fā)電量。

2、傳統(tǒng)的一些光伏退化故障檢測(cè)，需要使用電致發(fā)光、紅外熱成像、紫外熒光和i-v示蹤劑等方法，成本較高，所以很多廠家只會(huì)在發(fā)電效率出現(xiàn)大幅下滑的時(shí)候才會(huì)使用這些方法。detect(電子系統(tǒng)健康狀況在線診斷)研究項(xiàng)目就是在這一背景下開展的，目的是開發(fā)一種無(wú)需額外傳感器或昂貴設(shè)備的低成本fdd(光伏系統(tǒng)診斷)。當(dāng)前應(yīng)用較多的fdd方法是輸出信號(hào)分析(osa)，輸出信號(hào)分析是假設(shè)任何故障都會(huì)對(duì)光伏系統(tǒng)的輸出產(chǎn)生影響，輸出電流或電壓可能會(huì)受到數(shù)值下降或信號(hào)動(dòng)態(tài)變化的影響。通過(guò)對(duì)擾動(dòng)進(jìn)行擬合分析，提取出每個(gè)故障的圖樣曲線。但基于osa的診斷仍然對(duì)噪聲敏感，因此研究如何減少噪聲對(duì)檢測(cè)能力的影響是目前輸出信號(hào)分析需要破解的難題。

技術(shù)實(shí)現(xiàn)思路

1、為了確定光伏故障的具體類型，本發(fā)明提供了一種基于改進(jìn)自適應(yīng)變分模態(tài)分解算法和多尺度離散熵的光伏系統(tǒng)故障診斷方法，能夠基于光伏發(fā)電站輸出的電流信號(hào)進(jìn)行在線診斷，實(shí)現(xiàn)在成本較低和易于操作的情況下，能夠快速診斷出光伏故障的類型。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于光伏電站電流信號(hào)輸出的光伏陣列故障診斷方法，包括以下步驟：

3、步驟1.將光伏電站的運(yùn)行和管理系統(tǒng)連接到電網(wǎng)的逆變器收集電流信號(hào)，采集陰影遮擋的光伏組件的電流信號(hào)和正常天氣的電流信號(hào)，對(duì)輸入的電流信號(hào)使用卡爾曼濾波進(jìn)行去噪，采用改進(jìn)avmd算法將去噪后的電流信號(hào)分解成多個(gè)本征模態(tài)函數(shù)imfs；所述改進(jìn)avmd算法引入了自適應(yīng)學(xué)習(xí)率調(diào)整，并結(jié)合改進(jìn)的adam算法對(duì)帶寬參數(shù)和頻率參數(shù)進(jìn)行優(yōu)化更新；

4、步驟2.應(yīng)用lasso回歸模型使用交叉驗(yàn)證選擇最佳的正則化參數(shù)來(lái)平衡模型的偏差和方差，利用訓(xùn)練數(shù)據(jù)擬合lasso回歸模型，計(jì)算imf的回歸系數(shù)，評(píng)估imf在故障診斷的重要性，進(jìn)而確定重要性較高的imfs作為診斷光伏系統(tǒng)故障的信息載體；

5、步驟3.對(duì)所選的imf進(jìn)行小波變換，將光伏電站輸出電流隨時(shí)間變化的原始時(shí)間序列分解為不同頻帶上的低頻分量和高頻分量；

6、步驟4.對(duì)低頻分量進(jìn)行粗粒化處理，再對(duì)分解出來(lái)的不同時(shí)間尺度的粗粒度子序列進(jìn)行多尺度離散熵mde計(jì)算，對(duì)計(jì)算出來(lái)的離散熵值進(jìn)行歸一化處理；

7、步驟5.對(duì)比無(wú)故障晴天、無(wú)故障陰天以及故障晴天的歸一化離散熵值曲線，觀察在不同時(shí)間尺度下的離散熵值的差異性，找出遮陰故障與無(wú)故障光伏系統(tǒng)差別較大的離散熵值，設(shè)為閾值，用來(lái)判斷光伏系統(tǒng)此時(shí)處于正常狀態(tài)、遮陰故障狀態(tài)以及遮陰故障發(fā)生還是結(jié)束狀態(tài)，實(shí)現(xiàn)光伏系統(tǒng)的故障診斷。

8、進(jìn)一步地，所述步驟1中將光伏電站逆變器輸出的電流信號(hào)使用改進(jìn)avmd分解成多個(gè)本征模態(tài)函數(shù)的具體方法為：

9、對(duì)于卡爾曼濾波去噪后的電流信號(hào)，改進(jìn)avmd的目標(biāo)是將電流信號(hào)分解為k個(gè)模態(tài)函數(shù)uk(t)以及對(duì)應(yīng)的中心頻率ωk，分解的目標(biāo)是最小化以下帶寬約束的變分公式：

10、

11、其中，表示時(shí)間上的導(dǎo)數(shù)，用于表示帶寬的變化，uk(t)是信號(hào)的第k個(gè)模態(tài)函數(shù)，ωk是每個(gè)模態(tài)函數(shù)的中心頻率，隨著自適應(yīng)學(xué)習(xí)率和改進(jìn)的adam優(yōu)化動(dòng)態(tài)更新；

12、改進(jìn)avmd中引入了拉格朗日乘子λ(t)，使得模態(tài)分量的和能夠重構(gòu)原信號(hào)，使得重構(gòu)信號(hào)盡可能接近原始信號(hào)，確保信號(hào)的完整性。定義的拉格朗日函數(shù)為：

13、

14、其中，α是自適應(yīng)學(xué)習(xí)率，用于動(dòng)態(tài)控制帶寬的優(yōu)化步長(zhǎng)，λ(t)是拉格朗日乘子，確保信號(hào)的重構(gòu)精度，f(t)是輸入的光伏電站原始電流信號(hào)，k是模態(tài)分量的數(shù)量，表示分解信號(hào)時(shí)所得到的本征模態(tài)函數(shù)的個(gè)數(shù)；

15、引入改進(jìn)的adam優(yōu)化算法，用于優(yōu)化uk(t)和ωk的動(dòng)態(tài)更新，首先，adam優(yōu)化算法初始化參數(shù)，設(shè)定初始學(xué)習(xí)率以及兩個(gè)指數(shù)衰減率參數(shù)β1和β2，初始化一階矩m0＝0和二階矩v0＝0，設(shè)定一個(gè)小數(shù)值∈以避免除零錯(cuò)誤；

16、改進(jìn)adam優(yōu)化算法的計(jì)算步驟如下：

17、a.計(jì)算梯度

18、

19、b.更新帶寬和頻率參數(shù)

20、對(duì)于帶寬參數(shù)μk：

21、

22、對(duì)于頻率參數(shù)ωk：

23、

24、其中，mt和vt分別為一階和二階矩的自適應(yīng)估計(jì)，α為帶寬更新的學(xué)習(xí)率，αω為頻率更新的學(xué)習(xí)率，均為自適應(yīng)調(diào)節(jié)的參數(shù)；

25、在改進(jìn)adam優(yōu)化算法中加入自適應(yīng)學(xué)習(xí)率調(diào)整，使學(xué)習(xí)率根據(jù)梯度變化自動(dòng)調(diào)整，自適應(yīng)學(xué)習(xí)率調(diào)整的計(jì)算公式為：

26、

27、其中，δ是調(diào)節(jié)因子，取10-6，|gt|為當(dāng)前梯度的絕對(duì)值，引入自適應(yīng)學(xué)習(xí)率調(diào)整之后使學(xué)習(xí)率在梯度大時(shí)適當(dāng)減小，避免劇烈更新，同時(shí)在梯度小時(shí)適當(dāng)增大，以加快收斂速度；

28、使用改進(jìn)的adam優(yōu)化算法和自適應(yīng)學(xué)習(xí)率調(diào)整，對(duì)uk(t)和ωk進(jìn)行迭代更新，最小化目標(biāo)函數(shù)，在每輪更新中，檢查帶寬變化是否滿足預(yù)設(shè)的收斂條件，若滿足則結(jié)束迭代，最終經(jīng)過(guò)多次迭代后得到收斂的k個(gè)本征模態(tài)函數(shù)，表示為：

29、

30、進(jìn)一步地，所述步驟2中采用lasso回歸模型篩選出重要性較高的imf作為信息載體的具體方法為：

31、將分解的imf構(gòu)成一個(gè)特征矩陣x，每一列代表一個(gè)imf，每一行代表一個(gè)時(shí)間節(jié)點(diǎn)，設(shè)定對(duì)應(yīng)的目標(biāo)變量y，即故障狀態(tài)的標(biāo)簽；

32、lasso回歸的目標(biāo)是最小化以下?lián)p失函數(shù)：

33、

34、其中，n是樣本數(shù)量，yi是目標(biāo)變量，xij是特征矩陣的元素，β0是截距，βj是imf對(duì)目標(biāo)變量的回歸系數(shù)，λ是正則化參數(shù)，控制對(duì)回歸系數(shù)的約束強(qiáng)度，越大則約束越強(qiáng)；

35、通過(guò)正則化參數(shù)λ，來(lái)平衡模型的偏差和方差，用訓(xùn)練數(shù)據(jù)來(lái)擬合lasso回歸模型，得到imf的回歸系數(shù)βj，所述訓(xùn)練數(shù)據(jù)為imf特征矩陣x和目標(biāo)變量y，通過(guò)調(diào)整正則化參數(shù)，控制篩選imf的數(shù)量；對(duì)比每個(gè)imf的回歸系數(shù)βj的大小，評(píng)估imf在故障診斷中的重要性，設(shè)置閾值，篩選出具有較大非零系數(shù)的imf作為信息載體，用于光伏系統(tǒng)的故障診斷。

36、進(jìn)一步地，所述步驟3中對(duì)所篩選出的imf進(jìn)行小波變換分解為不同頻帶上的低頻分量和高頻分量，具體方法為：

37、對(duì)所選imf分量使用離散小波變換dwt進(jìn)行分解，對(duì)每一級(jí)小波分解包含兩個(gè)濾波步驟，分別是低通濾波和高通濾波，在第j級(jí)分解中，低頻系數(shù)表示為：

38、

39、高頻系數(shù)表示為：

40、

41、其中，aj表示第j層的低頻分量，dj表示第j層的高頻分量，h和g分別表示小波的低通和高通濾波器系數(shù)，經(jīng)過(guò)j級(jí)小波分解后，得到多尺度子序列aj以及d1,d2,…,dj；其中，aj為最低頻的近似信號(hào)，表示信號(hào)的主要趨勢(shì)，適合進(jìn)一步的粗?；幚?；dj為第j層的細(xì)節(jié)信號(hào)，代表該層的高頻成分，反映電流信號(hào)中的局部波動(dòng)和突變信息，能夠識(shí)別短期變化以及噪聲；分解至第l層時(shí)，原信號(hào)被分解為l層的低頻系數(shù)和多個(gè)尺度的高頻系數(shù)，表示為：

42、

43、其中，al為分解至第l層時(shí)的低頻分量，dl為分解至第l層時(shí)，第l層的高頻分量。

44、進(jìn)一步地，對(duì)小波變換后得到的低頻分量進(jìn)行粗?；幚?，再對(duì)不同時(shí)間尺度的粗?；有蛄羞M(jìn)行計(jì)算離散熵值，具體方法為：

45、首先，考慮輸出電流信號(hào)所涉及的不同現(xiàn)象的不同時(shí)間尺度確定時(shí)間尺度因子，將小波變換后得到的低頻分量按尺度因子的比例進(jìn)行粗?；幚恚唤又鴮⑿〔ㄗ儞Q后得到的低頻分量按照時(shí)間尺度因子比例進(jìn)行分組，并對(duì)分組內(nèi)的數(shù)據(jù)進(jìn)行平均，最后得到新的粗?；瘯r(shí)間序列，為每一個(gè)長(zhǎng)度為n/τcs的尺度建立一個(gè)新的時(shí)間序列：

46、

47、其中，τsc是時(shí)間尺度因子，決定低頻分量被粗?；啥嗌賯€(gè)子序列，對(duì)于每個(gè)時(shí)間尺度因子τsc，將低頻分量中的數(shù)據(jù)進(jìn)行分組，對(duì)每組數(shù)據(jù)進(jìn)行求平均值，得到新的數(shù)據(jù)點(diǎn)yj(τsc),它代表原始時(shí)間序列在τsc時(shí)間尺度上的粗?；Y(jié)果，粗?；臅r(shí)間序列長(zhǎng)度隨著時(shí)間尺度比的增加而減少。

48、進(jìn)一步地，分解出來(lái)的不同時(shí)間尺度的粗粒度子序列進(jìn)行多尺度離散熵md?e計(jì)算，離散熵mde定義如下：

49、

50、其中，pi表示系統(tǒng)在單元i中的概率，n表示信號(hào)的特征維度。

51、進(jìn)一步地，所述步驟5中觀察不同時(shí)間尺度下離散熵值曲線的趨勢(shì)變化，根據(jù)曲線的形狀和閾值判斷光伏系統(tǒng)的健康情況，診斷光伏系統(tǒng)是否存在遮陰故障的具體方法為：

52、首先，觀察曲線形狀初步判斷光伏系統(tǒng)是否存在故障，當(dāng)光伏系統(tǒng)處于晴朗天氣時(shí)，mde曲線通常呈現(xiàn)鐘形形狀；當(dāng)光伏系統(tǒng)處于多云天氣時(shí)，mde曲線通常呈現(xiàn)平直形狀；當(dāng)光伏系統(tǒng)存在故障時(shí)，mde曲線會(huì)從正常狀態(tài)的鐘形曲線發(fā)生平移，向上或者向下移動(dòng)；當(dāng)觀察到光伏系統(tǒng)存在故障時(shí)，比較無(wú)故障晴天、無(wú)故障陰天以及故障晴天的離散熵曲線圖，得出故障晴天相比無(wú)故障晴天和無(wú)故障陰天差別較大的mde值，并將其設(shè)為閾值，通過(guò)閾值來(lái)判斷光伏系統(tǒng)是否存在遮陰故障，以及遮陰故障是開始或是結(jié)束，從而達(dá)到故障診斷的效果。

53、有益效果：

54、(1)本發(fā)明通過(guò)改進(jìn)的自適應(yīng)變分模態(tài)分解算法克服了自適應(yīng)變分模態(tài)分解算法的局限性，改進(jìn)avmd克服了avmd設(shè)定固定學(xué)習(xí)率、帶寬和頻率參數(shù)初始值的局限性，引入了自適應(yīng)學(xué)習(xí)率調(diào)整，并結(jié)合改進(jìn)的adam算法對(duì)帶寬參數(shù)和頻率參數(shù)進(jìn)行優(yōu)化更新，使得分解過(guò)程更加靈活，更好地適應(yīng)信號(hào)的特性，在處理非平穩(wěn)和非線性信號(hào)時(shí)具有更高的計(jì)算效率和收斂速度，能夠更精確地將電流信號(hào)分解為本征模態(tài)函數(shù)。并使用熵的優(yōu)勢(shì)，將多尺度熵用于診斷領(lǐng)域，多尺度方法可以評(píng)估不同時(shí)間尺度的不同現(xiàn)象的熵。利用上述技術(shù)來(lái)檢測(cè)光伏設(shè)備上出現(xiàn)的故障，采用引入adam優(yōu)化算法及自適應(yīng)學(xué)習(xí)率的avmd算法用于提取攜帶光伏系統(tǒng)狀態(tài)和故障特征信息的電流信號(hào)，再通過(guò)多尺度離散熵診斷不同時(shí)間尺度下的光伏系統(tǒng)故障，該方法具有良好的魯棒性，易于實(shí)現(xiàn)。

55、(2)本發(fā)明利用逆變器采集的電流數(shù)據(jù)，采用引入adam優(yōu)化算法和自適應(yīng)學(xué)習(xí)率的自適應(yīng)變分模態(tài)分解算法將電流信號(hào)分解成本征模態(tài)函數(shù)(imfs)，精度較高，不依賴于天氣的變化，具有良好的魯棒性。

56、(3)本發(fā)明通過(guò)對(duì)小波變換后得到的低頻分量進(jìn)行粗?；幚?，粗粒化處理是一種信號(hào)處理技術(shù)，創(chuàng)建新的時(shí)間序列，保證每個(gè)時(shí)間序列的長(zhǎng)度滿足計(jì)算離散熵的條件，提高熵值的可靠性，還能提高計(jì)算的效率。

57、(4)mde可以分析不同時(shí)間尺度上的信號(hào)復(fù)雜性，更全面地評(píng)估光伏系統(tǒng)的健康狀況，可以通過(guò)對(duì)信號(hào)進(jìn)行粗?；幚恚档驮肼暤挠绊?，相較于其他熵計(jì)算方法，離散熵的計(jì)算效率更高，適用于實(shí)時(shí)監(jiān)測(cè)。

58、(5)將改進(jìn)后的自適應(yīng)變分模態(tài)分解算法和多尺度離散熵算法結(jié)合起來(lái)診斷光伏系統(tǒng)故障，區(qū)分不同類型的故障在不同時(shí)間尺度表現(xiàn)出的特征，能提高故障檢測(cè)的準(zhǔn)確性和效率。