文摘
有效的故障诊断在光伏系统中需要了解的行为电流/电压(I / V)参数在不同的环境条件。尤其是在冬季,I / V字的某些错误的状态在光伏系统中相似的正常状态。因此,一个正常的故障检测模型可以错误地预测它操作光伏系统故障状态,反之亦然。本文提出了一个智能故障诊断模型的故障检测和分类在光伏系统。实验验证,各种故障状态和正常状态下的冬季期间收集的数据集是广泛的环境条件。收集的数据集使用一些数据挖掘技术标准化和预处理,然后入一个概率神经网络(并)。并通过模型将被训练的历史数据来预测和分类错误时获取新数据。训练模型显示,预测精度更好的性能相比与其他机器学习分类方法。
1。介绍
故障检测和及时的故障诊断是至关重要的任何发电系统的最优性能,包括光伏(PV)系统。特别是,任何商业发电房子的目标是最大限度地提高电力生产,减少能量损失和维修费用,设备的安全运行。由于光伏系统受到各种错误和失败,及早发现这样的错误和失败是非常重要的实现目标(1- - - - - -3]。美国国家电气规程要求的安装想重复(过电流保护装置)和GFDI(接地故障检测的打扰者)在光伏安装防止某些缺点。然而,贝克尔斯菲尔德的火灾情况下,2009年,山冬青,2011年,显示这些设备无法检测到故障在这些特定的场景中(4]。断层在光伏系统中可以产生于物理、环境、或电气条件(5,6]。
广泛的光伏阵列故障检测技术存在,而且在该地区广泛的研究提供可能的解决方案(7]。最重要的两个参数决定的性能在光伏系统中电流和电压。提出了一个简单的电流电压分析方法在每个故障模块的电子签名和数组是固定通过考虑变形诱导的I / V曲线(8]。另一项研究显示了使用红外温度记录,其中电气和热光伏系统的模型相结合提取定量信息不匹配的故障(9]。类似的研究显示空中红外热成像检测的应用PV模块上的损失(10)和一个球场上红外thermography-sensing技术光伏系统效率评估(11]。同样,反射计方法也被用于光伏系统的故障检测。时域反射计(TDR)方法用于检测短路和绝缘缺陷(12,13],最近,扩频热带病研究和培训特别规划(SSTDR)方法研究了探测地面断层和体内阻抗的变化在光伏系统(14]。此外,应用小波分解技术检测电弧故障(15- - - - - -17)和多分辨率信号分解为检测行了行错误(18,19还发现在文献中。最近的一篇文章中提供了一个全面的研究几个高级在光伏系统故障检测的方法。研究故障检测方法分为基于模型的不同测量(MBDM),实时差分测量(RDM),输出信号分析(OSM),和机器学习技术(MLT)。也做了这些先进的技术与传统方法提供的关键比较他们的优缺点20.]。
如今,大多数的光伏系统建立一个监控系统和数据库的不断支持和巨大的历史数据(21]。人工智能(AI)方法是基于数据和大数据的可用性在光伏系统中,研究在这方面似乎势头。特别是,基于机器学习——(ML)的算法和技术提出了(22- - - - - -25),与历史数据来预测模型的训练和分类的缺点。最近的一项研究报告温度记录和ML的技术故障分类的应用在光伏模块26]。研究采用了纹理特征分析研究各种故障板热图像的特点,和发达算法是训练有素的准确率达到了93.4%。另一项研究报告毫升故障检测技术的应用,在光伏系统分类、和本地化。算法的研究声称发展的预测精度100%27]。同样,另一项研究利用小波方法和径向基函数网络(RBFN)检测短路和开路故障的变频器(28]。他们的工作提出了100%的训练效率和97%的测试效率,测试1 kW单相独立光伏系统。
光伏系统的训练模型的性能使用毫升技术可以极大地改变如果新数据都是从一个不同的环境条件,特别是冬季的数据。在冬天的辐射水平是大大低于在夏天,和研究显示故障发生在这样的低辐射水平高剩余的未被发现的机会(29日,30.]。这样的未被发现的缺陷会导致大量的功率损耗和面板的质量退化,甚至导致恶化的面板。我们提出一种智能故障诊断模型检测故障模块和进一步分类故障类型,适用于所有环境条件。模型使用多层感知器(MLP)和遵循监督学习的方法。它与历史数据强劲训练不同的故障和正常状态在不同的环境条件尤其是专注于冬天。收集到的数据从一个1.8千瓦的发电光伏系统位于韩国的Jeollabuk-do省。
剩下的纸是组织如下。部分2介绍了光伏系统的概述的缺点。部分3描述了整个系统架构的故障诊断模型。部分4给出了实验结果,比较了模型与现有的分类方法,并讨论了有关问题。最后,部分5总结并对整篇文章进行总结。
2。光伏系统故障的概述
故障发生在光伏系统的分类可以从不同的方面分类。我们分类故障分为三种类型:物理、环境、和电2,3]。然而,错误的分类还可以在其他基地,例如,位置和结构(1]。
物理可以是内部或外部故障和通常包括损伤,裂缝,降低光伏模块。另外,光伏系统故障造成的老化效应也是一种物理现象。
环境的缺点包括污物和灰尘积累,鸟滴,和临时阴影。永久环境缺点包括永久阴影由于穷人选择安装位置。热点故障造成的光伏模块可以永久和临时的阴影。最后,电气故障包括开路,行了行了,和地面的缺点,在光伏模块,数组,或在整个系统。开路故障是由于电线的断开光伏电路的单个或多个分支机构。
行了行了故障是由无意识的低阻抗电流路径在一个光伏阵列。地面断层相似,行了行了错误;然而,低阻抗路径是地球从载流导体对地/。图1显示了光伏阵列故障分类,而图2显示了光伏系统的主要类型的电气故障。
光伏模块可以与一个二极管模拟电或两个二极管模型(18]。然而,模拟一个真正的光伏系统是非常复杂的,因为电参数变化之间的主要光伏系统由于建设光伏模块的变化(尺寸、材料、和地面连接),网站,和物理布局27]。特别是在大型发电系统,建模系统带有特殊的技术挑战。在这项研究中,我们只有有限的我们的工作来检测电气故障。
3所示。提出了系统架构
本章提供了几个步骤的详细解释,构成了该故障诊断系统的体系结构。图3显示了框图和建议的体系结构中每个步骤的流程。
3.1。数据采集
这是第一层的系统架构。为构建模型,我们获得的电流、电压、温度和辐照水平,来自各自的传感器连接到光伏阵列的数据。传感器在5 V的水平,而光伏模块用于这项研究有一个开路电压( )39 V和短路电流( )规范的9。活跃的模拟滤波器是用来去除噪音,可以注入电流和电压传感器从光伏面板。辐照水平数据收集使用商业勒克斯米(LX1330B) 0.01 200光照强度范围和误差±2%。温度从传感器收集的数据附加到模块。环境温度和面板温度之间的差别是在1到7摄氏度的范围(°C)。输入数据获取培训模型是每个模块的平均温度测量。收集的数据的数据集包括夏季和冬季在所有可能的环境条件。收集到的数据支持在本地服务器和云服务器。
3.2。数据预处理
数据预处理是第二个层提出了系统的体系结构。它包含的所有行动之前获取数据输入模型提取特征。图4显示了功能块的多层感知器模型用于这项研究。为了创建故障检测模型,七个PV数据特征选择作为输入属性为输入层。
是当前分支1 (A)的光伏系统中,是当前分支2 (A)的光伏系统中,分支1电压(V)的光伏系统中,分支2电压(V)的光伏系统,是照射水平(光照强度),是平均温度从每个模块(°C),然后呢天气条件(晴朗的,下雪的,多云和下雨)。
在输入数据,自然的分类;因此,编码是一个合适的数值数据。天气条件“阳光明媚”编码为1,其余(“雪”,“阴,”和“雨”)被编码为0收集的数据在这些环境条件显示相当类似的功能。之后,所有的输入数据都归一化如下: 在哪里是样品的标准分数吗 , 训练样本的均值,训练样本的标准偏差。整个数据集分为训练集和测试集的比例8:2。
3.3。多层感知器和特征提取
多层感知器(MLP)或概率神经网络(并)是一种非线性学习算法在ML和广泛应用于监督和非监督学习。但是,大多数应用程序在监督学习的分类问题。
在这里,输入向量的概率密度函数吗 , 是总分类训练样本的数量,是jth培训中心的我th类型的样品是平滑因子(23]。图5显示了前馈多层感知器。
假设我们使用一个输入层输入层神经元,可以给
特征提取的隐藏层和两层设计:成为第一个隐藏层和第二个隐藏层。每个输入维度(来 )喂养 ,然后,的输出去 。输出隐藏层神经元的计算
在哪里神经元之间的重量吗隐藏层中的我和神经元在隐藏层+ 1,神经元的数量吗我th隐藏层。两个隐藏层使用均匀分布随着内核初始化在网络初始化权重。同时,我们选择ReLU(修正线性单元)的激活函数,因为它几个优点非线性数据集与多个维度(31日]。ReLU给药
输出层由三层组成: , ,和 。网络输出计算 在哪里神经元之间的重量吗在Nth隐层神经元在输出层神经元的数量吗Nth隐藏层。输出层还使用均匀分布作为内核初始化,但与隐藏层,它使用Softmax随着激活函数代表分对数成概率(32]。将Softmax函数给出
由于分类的本质,我们使用分类crossentropy作为损失函数给出了方程(3),是预测的输出。
直言crossentropy将比较的分布预测(激活在输出层,一个为每个类)与真正的分布,在真正的类的概率是其他类设置为1和0。在许多其他的优化,我们亚当(自适应时刻估计)用于优化该模型(33]。亚当为每个参数,使用自适应学习和学习速率的重量除以最近运行平均梯度。最后,模型拟合训练一批5 200时代的大小。表1显示了不同的参数用于构造中的延时故障分类器。
检查偏差方差权衡,倍crossvalidation测试执行5验证分为训练数据。同时,对于提高模型和减少过度拟合,我们实现了辍学正规化技术。0.1和0.2的辍学率是选择的第一和第二个隐藏层,分别。评估的结果、改进和优化提供了模型的部分4.1。
4所示。结果和讨论
4.1。实验结果
为了收集实验数据,数据没有任何硬件或光伏系统的电路修改被归类为“正常。“故障数据收集,使一些有意的光伏阵列的故障电路中。表2显示的最小范围,最大射程和方差的数据收集在不同的环境条件来训练该模型。实验验证,我们建立一个PV系统用于实际电力生产行业中给出的规格表3和图6。
如表所示2冬天,方差数据集是非常高的比夏季时需要特别注意训练模型来准确的预测。
数据7和8显示正常,行了行了输入变量的故障数据集特征和在夏季和冬季季节在晴天和阴天,分别。
在输入数据集,辐射水平似乎方差最高水平的绝对值。然而,可视化电流传感器(/)数据以来多大意义相对方差( )最高等的输入变量。见图7,很难区分“正常多云”和“行”故障数据在冬季大部分时间重叠。
图9显示了主成分分析(PCA)降维技术seven-dimension形象化数据(来 )按比例缩小的二维数据。在中间偏左和中间偏右的部分图,小区域存在“正常”状态数据和“行了行了”故障数据重叠。
图10显示了数据集的训练测试验证与train-test分流比的8:2。与3000年提出并通过模型被广泛的培训数据集,1000每个不同国家的光伏系统。
图11显示了混淆矩阵给出的结果100%精度测试数据获取时训练模型。所示的数值绝对值的混淆矩阵表达,即。,the total number of predicted labels for the line-line fault was 184, given the true label for the line-line fault was 184, which is 100%.
图12显示了实验1.8 kW的光伏系统设置Jeonbuk国立大学校园。
表4显示了该方法的比较与现有研究文献中找到。图13的截图显示了开发桌面应用程序实现提出了故障检测模型。
4.2。讨论
ML-based最近雇佣了故障检测和诊断技术,它将继续在未来几年。ML-based模型的质量很大程度取决于训练数据。研究表明,模型训练与PV数据在预测往往有很高的准确率,甚至高达100%(表4)。我们测试数据集与其他机器学习模型和有相当高的精度(如图所示的分数)在每种情况下,如表所示5。每个分类器预测之间的相关性如图所示14。
是非常重要的识别主要特点从输入数据集训练毫升时模型。光伏系统中最重要的参数是电流和电压。只有训练有素的故障检测模型这两个输入特性同样可以健壮的其他模型训练更多的输入数据集。
没有一个单一的故障检测技术能够检测,诊断,定位PV系统的所有类型的错误。正如在引言部分所讨论的,我们的研究仅限于检测主要电气故障。作为本研究的延续的一部分,我们的目标是继续研究开发混合动力技术包括毫升开发一个全面和完整的故障检测方法。
在大多数情况下,故障检测模型对于光伏系统不能实现另一个光伏系统作为电气参数变化很大程度上在不同的光伏系统。需要灵活的模型,可以开发的发展,可以实现在任何光伏系统与一些细微的修改。我们给了特殊考虑让我们的模型尽可能灵活而开发桌面应用程序。源代码和数据用于实验可以在作者的GitHub页面作为一个开源项目。开源社区可以使用他们的应用程序的模型,提供反馈,或导致模型作为一个整体的提高。
5。结论
光伏系统受到各种错误和失败,和早期故障检测的错误和失败是非常重要的光伏系统的效率和安全性。ML-based故障检测模型训练数据并提供预测结果具有很高的准确性。然而,光伏系统的基于数据的故障检测模型有时可以作假的预测,特别是在不考虑环境参数。本文开发了一个智能故障检测光伏阵列模型基于并准确分类故障类型。模型训练的一个大型数据集包含不同的数据值在不同环境条件下在夏季和冬季。实验验证,各种故障状态和正常状态数据集收集从1.8 kW (6 300 W面板、2平行连接线路,每3连续连接板)到并网光伏系统。实验结果表明,该方法比在准确预测结果在故障状态和正常状态的情况下是很难区分的。
数据可用性
源代码和数据用于实验可在作者的GitHub页面作为一个开源项目(http://github.com/benjamin2044/PV_fault_Python/tree/master)。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究受到了基础科学研究项目通过韩国国家研究基金会(NRF)由教育部(2018 r1d1a1b07048630)。