[发明专利]一种基于Hopfield神经网络的光伏电站故障诊断方法

权利要求书

1.一种基于Hopfield神经网络的光伏电站故障诊断方法，其特征在于包括：光伏阵列、测量模块、控制模块、通讯模块、环境温度测量仪，照度测量仪构成；所述光伏阵列由多个光伏组件串联构成；所述光伏阵列的输出端与所述测量模块的输入端连接；所述测量模块的输出端与所述控制模块的输入端连接；所述控制模块的输出端与所述通讯模块的输入端连接；

所述测量模块包括电压采样模块和电流采样模块，所述电压采样模块个数与光伏组件的个数相同，所述每个电压采样模块的输入端分别与相应光伏组件的输出端连接，所述电流采样模块的输入端与任意一块光伏组件的输出端连接，用于实时采集光伏阵列的输出电压和输出电流；

所述通讯模块用于将当前系统状态以及故障检测结果传出,

所述环境温度和照度测量仪安装在光伏组件场附近，其输出端与所述控制模块的输入端连接，用于测量当前环境场的环境温度和太阳能辐照量；所述控制模块根据当前所述环境温度和照度测量仪输出的照度值、光伏组件的电流和电压值，采用Hopfield神经网络的计算方法，检测出光伏组件是否出现热斑、遮挡、异常老化故障。

2.根据权利要求1所述的一种基于Hopfield神经网络的光伏电站故障诊断方法，具体步骤如下：

步骤1获取检测样本数据

选择阳光充足的天气，将早上6点到晚间6点的时间段进行整点划分，分别选择光伏组件正常运行、光伏热斑、阴影遮挡、异常老化四种情况下，设T为环境温度，G为照度，V为光伏组件的电压，I为电流，t为时间，其中t=1,2,...,m，获取不同时间段的照度值G₁, G₂, ...,G_m，环境温度值T₁, T₂, ..., T_m，光伏组件的电压值V₁, V₂, ..., V_m，电流值I₁, I₂, ...,I_m，采集100天以上的样本值，作为Hopfield神经网络的Hebb学习检测样本,

步骤2采用Hebb学习算法进行经验学习

1）选定输入和输出检测样本

采集经验学习检测样本，将采集到的时间t、环境温度T、照度G、光伏组件的电压V和电流I的值转换成二进制；当光伏阵列发电正常时，输出d等于00；当光伏阵列出现光伏热斑故障时，输出d等于01；当光伏阵列出现阴影遮挡故障时，输出d等于10；当光伏阵列出现异常老化故障时，输出d等于11,则：

输入样本为：=，输出样本为:

2）进行Hebb经验学习

设给定个需要记忆的检测样本向量 且 ,则可得权矩阵：

在一定条件下，…可为Hopfield网络的个稳定点，当输入某一向量时网络能找到与此向量hamming距离最近的那个稳态，终止迭代；

步骤3获取当前的照度值、环境温度值、光伏组件的电压值、电流值

读取照度测量仪的照度值；温度测量仪的环境温度值；通过电压采样模块获取光伏组件的电压值V；通过电流采样模块获取电流值I，送入控制模块，

步骤4采用Hopfield神经网络进行联想记忆

1）采用Hopfield神经网络进行迭代计算，各神经元之间的连接权矩阵由上述的Hebb学习得到，为其阈值，为神经元的状态，取值为+1或-1，网络采用并行工作方式,将可视激励向量作为Hopfield网络的初始向量进行迭代，迭代公式如下：

(2.18)

其中： ，；

当某一有限时刻以后网络状态不再变化，即, ，则网络达到稳态, 如果此稳定状态对应于网络已存储的个样本中的一个,，即=，则称是由联想起来的，

2）将当前的时间t、环境温度值T、照度值G、光伏组件的电压值V和电流值I作为输入向量u，输入到上述的Hopfield神经网络中，则可以计算出网络的输出值d，当输出值d等于00时认为光伏组件正常，当d等于01时认为光伏组件出现光伏热斑故障，当d等于10时认为光伏组件出现阴影遮挡故障，当d等于11时认为光伏组件出现异常老化故障。