[发明专利]基于模糊逻辑推理的热斑故障诊断方法

说明书

本发明公开了一种基于模糊逻辑推理的光伏热斑故障诊断方法，首先将光伏阵列热斑故障下的功率特性和热红外图像中热斑特性作为输入量；再确定各输入量的模糊子集；进而根据工程经验确定其隶属度函数；然后根据光伏输出特性和热红外图像的特点建立模糊规则库；最后经过输出反模糊化得到诊断结果。

技术领域

本发明涉及光伏电站的故障诊断领域，尤其是一种基于模糊逻辑推理的热斑故障诊断方法。

背景技术

太阳能作为当今新能源的主力军之一，得到了人们越来越多的关注。但是，在实际工程应用中，光伏发电技术中仍然存在很多亟待解决的问题，这对光伏发电技术的推广造成了一定的限制。其中，关键技术之一便是解决复杂遮阴条件下光伏阵列产生的热斑效应问题，光伏热斑不仅会很大程度的降低光伏发电系统输出效率，甚至会对光伏阵列造成不可逆的损害。因此，研究光伏系统热斑故障下的控制和诊断方法，对光伏电站的安全运行是十分必要的。

光伏阵列运行状态直接影响到光伏发电的效率，为了保障光伏电站的运行安全，借助故障预测与诊断技术，实现对光伏电站故障的早期预测并发现是十分必要的。因为，光伏阵列的故障存在一定的不可重复性，如组件老化，同时也具有一定突然性，如组件短路与短路。同时，天气变化、树叶和鸟粪等随机事件都会造成热斑故障，所以光伏故障样本的数量往往比较有限。对于光伏发电系统而言，光伏热斑故障程度与征兆不存在简单的一一对应关系，信号和故障程度之间对应的关系是比较模糊的。

目前针对光伏故障诊断的方法主要有基于直接测量信号的方法、基于数学模型的方法和基于智能算法的检测方法。基于直接测量信号的方法主要根据直接测量的信号的幅度及其变化趋势来诊断。该方法往往在故障发生到一定程度才有效，当故障原因复杂时，容易产生误判。基于数学模型的方法以数学建模技术为基础，通过对系统对象建立数学模型，然后进行系统状态的估计。但是由于系统模型往往为非线性，在建立数学模型时往往进行简化，这造成无法建立精确的数学模型，因此该方法对复杂系统很难进行精确的故障检测。基于智能算法的故障检测方法主要克服无法建立数学模型的问题，通过利用神经网络、支持向量机等机器学习算法故障样本的学习，建立故障诊断模型。虽然这种基于样本学习的智能算法故障诊断方式能够克服传统方法的不足，当由于实际中很难实现典型样本的采集，实现准备工作很难完成。

在光伏故障诊断方法中，神经网络的方法采用较多。但是神经网络在进行样本学习时，往往只有在较多的样本的情况下，才能建立具有泛化能力好的诊断模型，这主要因为方法主要基于经验风险最小化理论进行故障诊断，因此在方法推广中很难具有很高的准确性。而对于光伏故障而言，其故障样本由于具有不可逆性和突发性的特点往往很少。同时，光伏系统的故障的多个特征具有非线性特点，很难建立较为精确的数学模型，模糊控制则能够较好的解决上述的问题。

考虑光伏系统热斑故障的特性，本文进行了基于模糊逻辑推理的光伏热斑故障诊断的研究，力求实现在有限样本的基础上，通过对光伏阵列热斑故障下的功率输出特性和热红外图像中热斑的特性的结合，实现对光伏热斑故障不同程度的诊断。

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种光伏热斑故障诊断的方法。

本发明的目的是提出一种基于模糊逻辑推理的热斑故障诊断方法，通过以下技术方案实现：

本发明提供的基于模糊逻辑推理的热斑故障诊断，包括以下步骤：

S1：选取四个特征量作为模糊逻辑推理的输入量；

S2：确定输出量模糊子集；

S3：确定输入输出隶属度函数；

S4：依据光伏输出特性和热红外图像的特点建立模糊规则库；

S5：根据建立的规则库将输入量模糊化，进行模糊推理；

S6：输出反模糊化，得到热斑故障诊断结果。