光伏阵列故障诊断系统查看源代码讨论查看历史
 |
光伏阵列故障诊断系统基于 LoRa 和自适应神经网络模糊推理系统的光伏阵列故障诊断系统，在仿真和实验数据集上，基于自适应神经网络[1]模糊推理系统的故障诊断模型的总体准确性分别为 99.9%和 97.0% 以上。
一、案例简介
为了提高光伏系统的可靠性和效率，本文设计了一种新的光伏阵列在线智能故障诊断系统。首先，使用霍尔电压电流传感器[2]采集光伏阵列最大功率点作为原始数据，经过 LoRa 传输至诊断中心，再在采集到的原始数据中提取新的七维故障特征向量，包括工作电压、电流、辐照度和温度。其次，提出了一种基于自适应网络的优化模糊推理系统作为故障诊断模型。最后，通过 基于 Simulink 的仿真和实验室光伏系统的实际故障实验，测试了所提出的基于自适应神经网络模 糊推理系统的故障诊断模型的可行性和优越性。实验结果证明，所提出的基于自适应神经网络模 糊推理系统的方法具有较好的性能，并且优于基于常规反向传播神经网络的方法。在仿真和实验数据集上，基于自适应神经网络模糊推理系统的故障诊断模型的总体准确性分别为 99.9%和 97.0% 以上。
二、技术要点
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[7-8]，给出故障类型。自适应神经网络模糊推理系统（adaptive network based fuzzy inference system, ANFIS）作为 一种典型的机器学习算法，结合了模糊推理系统[9] （fuzzy inference system, FIS）和人工神经网络（artificial neural networks, ANN）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。本文提出了一种新的光伏阵列故障诊断方法，该方法基于ANFIS和最大功率电流电压以及光伏阵列的 温度和辐照度，使用霍尔电流电压传感器与 LoRa 技术结合的采集传输构成整个故障诊断系统。本文 提出的故障诊断方法能够在不中断光伏阵列正常运行的情况下，连续不断地检测和诊断光伏阵列的工作状况，并且该算法模型具有更好的泛化性能和抗干扰性能。
三、应用场景
光伏阵列
四、应用成效
本文提出了一种基于 LoRa 和自适应神经网络模糊推理系统的光伏阵列故障诊断系统，该系统采用了基于霍尔电压电流传感器的光伏阵列数据采集 板和 LoRa 技术，系统中的故障诊断方法基于光伏阵列的电压、电流、温度和辐照度等原始数据对并网工作的光伏阵列常见的线线故障、开路故障、老化故障和局部阴影故障进行在线检测。并根据原始数据提取了新的7维故障诊断特征。为了获得最佳 的诊断结果，使用遍历 ANFIS 参数和 K 折交叉验证来搜索模型的最佳参数。在 Simulink 仿真环境和实 际实验室环境下分别模拟不同光伏阵列故障对诊断模型进行测试，结果表明，与基于 BPNN 的模型相 比，本文所提出的模型在仿真数据下的整体精度为 99.9%，在实测数据下的整体精度超过 97.0%。因此，采用霍尔电压电流传感器的光伏阵列数据采集板结合 LoRa 技术能稳定地采集光伏阵列的数据并上传，基于 ANFIS 的光伏阵列故障诊断模型在准确性、可靠性和泛化性能方面均具有优异的性能。