科创中国
LoRa 和自适应神经网络模糊推理系统的光伏阵列故障诊断
发布时间:
2021-11-17
截止日期:2021-12-31
价格 双方协商
地区： 河北省 保定市 市辖区
需求方： 英利***公司
行业领域
新能源产业
需求背景
为了解决因过量使用化石能源导致的环境污染和气候恶化等问题，近年来，光伏系统的装机量迅速增加。作为光伏系统的核心，光伏阵列容易因其复杂的安装环境受到损坏，进而影响其发电效率。因此，光伏阵列的故障诊断对于提高光伏系统的可靠性和发电效率具有重要意义。目前，光伏阵列的故障诊断方法有很多种。早期的故障检测方法主要有红外图像法、多传感器法、时域反射分析法等，这些方法使用成本较高，限制了其应用范围。近年来，许多学者提出了基于机器学习的光伏阵列在线故障诊断方法。基于机器学习的方法主要利用光伏阵列的输出特性。一般地，光伏阵列的故障发生位置以及类型都是随机的，在许多研究文献中可以看到，光伏阵列发生不同的故障时，其输出特性也不同，但是对于同种故障，即使故障发生的位置不同，其输出特性也存在着一定的规律性。因此，根据光伏阵列的输出特性能有效地诊断光伏阵列故障。光伏阵列的输出特性包括光伏阵列的I-V曲线、时序信号以及最大功率点电压电流。基于I-V特性曲线的方法可以收集更多的光伏阵列信息并更全面地检测光伏故障，但是这种方法需要离线运行，这会中断光伏系统的正常运行。时间序列图信号具有发生故障时信号匹配度高的优点，但是基于时间序列图信号的方法需要以故障时的瞬变信号作为诊断特征，所以只能发现光伏阵列从正常工作状态到故障工作状态的瞬态变化，而不能诊断已经成为稳态的故障。相较于以上两种方法，基于最大功率点的故障诊断方法可以诊断正常状态和稳定故障状态，且无需中断光伏系统的正常运行，具有广泛的应用场景。
需解决的主要技术难题
利用光伏阵列故障的输出特性进行故障诊断的方法还可以基于各种统计方法，但是这种方法只能区分数据变化明显的故障类型并且需要设置合理的阈值，对于更多不同类型以及不同污染程度的故障诊断能力有限。基于机器学习的故障诊断方法，通过利用带标记的故障样本数据建立黑盒诊断模型，利用诊断模型快速识别非标记的样本数据，给出故障类型。自适应神经网络模糊推理系统作为一种典型的机器学习算法，结合了模糊推理系统和人工神经网络的优点，不需要大量的训练数据，并且训练速度快，具有强大的抗干扰能力，非常适合用于非线性系统的故障诊断。
期望实现的主要技术目标
解决现有的光伏故障诊断系统的不足，设计光伏阵列故障诊断系统，采用隔离式的霍尔电压电流传感器作为光伏阵列数据采集板，结合LoRa远程传输，可以在不影响光伏阵列并网工作的情况下，在线远程诊断故障，结合新的故障诊断方法，要求具有很高的诊断精度。
下载app