本發(fā)明涉及一種基于i-v曲線和深度學習的光伏遮擋類型和程度診斷方法,屬于新能源領域。
背景技術:
1、遮擋是光伏系統(tǒng)運行過程中常見的異常之一,會造成光伏系統(tǒng)的功率損失和熱斑效應。目前,常見的遮擋檢測方法主要分為基于圖像的方法,基于串電流、電壓和功率數(shù)據(jù)的方法,以及基于i-v曲線的方法。基于圖像的方法能夠直觀反映遮擋情況,適合大范圍監(jiān)控,但需要額外的圖像采集設備和復雜的圖像處理算法,且易受環(huán)境光線影響?;诖娏?、電壓和功率數(shù)據(jù)的方法通過分析光伏串的電氣參數(shù)變化,如電流、電壓或功率的異常檢測遮擋。這類方法適合實時監(jiān)測,成本較低,但精度依賴于數(shù)據(jù)采集的頻率和數(shù)據(jù)處理的算法復雜度,可能對小范圍遮擋不敏感?;趇-v曲線的方法通過分析光伏陣列的i-v曲線形狀變化檢測遮擋,能詳細反映電氣性能的變化,適合診斷復雜遮擋故障。然而,目前的遮擋檢測方法僅僅能實現(xiàn)遮擋的發(fā)生,但是無法對光伏系統(tǒng)實際運行中的具體遮擋類型進行診斷和嚴重程度估計,而且很難實現(xiàn)微小遮擋的準確檢測。
技術實現(xiàn)思路
1、為解決以上問題,本發(fā)明提供了一種基于i-v曲線和深度學習的光伏遮擋類型和程度診斷方法,該方法診斷性能較高,并且能實現(xiàn)具體遮擋類型的診斷和嚴重程度估計,具有一定的魯棒性。
2、為實現(xiàn)上述目的,本發(fā)明采用的技術方案為:基于i-v曲線和深度學習的光伏遮擋類型和程度診斷方法,包括以下步驟:
3、步驟1:采集光伏組串的i-v曲線數(shù)據(jù);
4、步驟2:對i-v曲線進行預處理和圖像化;
5、步驟3:構建雙流深度神經(jīng)網(wǎng)絡對光伏遮擋類型進行診斷;
6、步驟4:結合遮擋類型診斷結果和機理模型進行遮擋嚴重程度估計。
7、進一步的,所述步驟1的具體方法為:通過集成于逆變器中或者額外安裝的i-v曲線掃描設備采集光伏組串的i-v曲線。
8、進一步的,所述步驟2具體包括以下步驟:
9、步驟2.1:對采集的i-v曲線進行去噪處理,去除曲線上的毛刺點;
10、步驟2.2:將實際運行狀態(tài)下的i-v曲線,通過以下公式轉換到標準狀態(tài)(stc),輻照度為1000w/m2,溫度為25℃:
11、
12、其中,g和t分別為實際狀態(tài)下的輻照度和溫度,βi為短路電流溫度系數(shù),βv為開路電壓溫度系數(shù),kg為電壓的輻照度校正因子,istc和vstc為stc狀態(tài)下的電流和電壓,iout和vout為實際狀態(tài)下的電流和電壓,gstc和tstc分別為stc狀態(tài)下的輻照度和溫度。
13、步驟2.3:將經(jīng)過stc變換后的i-v曲線,進行插值處理,從不同分辨率重采樣到相同的分辨率,共402個采樣點,且電壓值的間隔相同。
14、步驟2.4:將預處理后的i-v曲線進行圖像編碼,以增強光伏遮擋特征。對于一個電流序列c=(c1,c2,...,cn),先進行歸一化處理,公式如下:
15、
16、其中,ci為電流序列的采樣點,為歸一化后電流序列的采樣點;
17、然后,將歸一化后的序列從笛卡爾坐標系轉換為極坐標系,極坐標角和圖像編碼的公式可以分別表示為:
18、
19、其中,θi為極坐標角,image為i-v曲線的圖像編碼,可以用rgb圖像表示。
20、進一步的,所述步驟3具體包括以下步驟:
21、步驟3.1:設計lstm模塊,提取i-v曲線序列數(shù)據(jù)所體現(xiàn)出的各種遮擋特征。雙流深度神經(jīng)網(wǎng)絡中的lstm層個數(shù)為2,第一層的輸入尺度為1,隱藏層大小為128,輸出尺度為512,第二層的隱藏層和輸出尺度分別為128和512。
22、步驟3.2:設計2d-cnn模塊,在最大池化層后分別添加兩個卷積注意力模塊,提高對編碼圖像的特征提取能力。同時,引入全局最大池化模塊,減少模型的參數(shù),提高訓練速度。
23、步驟3.3:將lstm和2d-cnn分別提取的特征整合,融合i-v曲線時序特征和編碼圖像的特征,結合softmax模塊,實現(xiàn)對遮擋類型的準確分類。
24、進一步的,所述步驟4具體包括以下步驟:
25、步驟4.1:根據(jù)實際采集的正常情況下的i-v曲線數(shù)據(jù),計算老化現(xiàn)象造成的功率損失率sraging,消除老化功率損失對遮擋嚴重程度估計的影響。
26、步驟4.2:根據(jù)步驟3得到的遮擋診斷結果,分別計算每種情況下的平均遮擋率,來衡量總體的遮擋嚴重程度,計算公式如下:
27、
28、其中,pshading為遮擋狀態(tài)下的功率,pnormal為正常狀態(tài)下的功率;
29、步驟4.3:結合每種遮擋的機理模型和i-v曲線,計算不同遮擋情況下受影響的光伏模塊或者子模塊數(shù)目以及積灰率,分別用以下公式計算得到:
30、
31、其中,nmodule為光伏組串的模塊數(shù),voc,module為正常模塊在標準條件下的開路電壓,voc,submodule正常子模塊在標準條件下的開路電壓,nmodule,shaded為被遮擋的模塊數(shù),nsubmodule,shaded被遮擋的子模塊數(shù),vlpp為i-v曲線的第一個極值點電壓,k為表征系數(shù),考慮老化影響后的取值為0.75,srdust為積灰率,isc,dust為積灰狀態(tài)下短路電流,isc為正常狀態(tài)下的組串的短路電流。
32、與現(xiàn)有技術相比,本發(fā)明具有如下有益效果:
33、(1)本發(fā)明基于融合lstm和2d-cnn的雙流深度神經(jīng)網(wǎng)絡,充分利用原始的i-v曲線和變換后的圖像信息,深入挖掘不同遮擋類型的特性,對光伏遮擋類型進行精確診斷。
34、(2)本發(fā)明根據(jù)光伏機理模型和i-v曲線的關鍵點信息,進一步評估了每種遮光類型的嚴重程度,為設計不同遮光條件下光伏系統(tǒng)的功率優(yōu)化方法和制定運維計劃提供了可靠的指導。
1.基于i-v曲線和深度學習的光伏遮擋類型和程度診斷方法,其特征在于:包括以下步驟:
2.根據(jù)權利要求1所述的基于i-v曲線和深度學習的光伏遮擋類型和程度診斷方法,其特征在于:所述步驟2具體包括以下步驟:
3.根據(jù)權利要求1所述的基于i-v曲線和深度學習的光伏遮擋類型和程度診斷方法,其特征在于:所述步驟3具體包括以下步驟:
4.根據(jù)權利要求1所述的基于i-v曲線和深度學習的光伏遮擋類型和程度診斷方法,其特征在于:所述步驟4具體包括以下步驟: