光伏陣列故障診斷系統檢視原始碼討論檢視歷史
 |
光伏陣列故障診斷系統基於 LoRa 和自適應神經網絡模糊推理系統的光伏陣列故障診斷系統，在仿真和實驗數據集上，基於自適應神經網絡[1]模糊推理系統的故障診斷模型的總體準確性分別為 99.9%和 97.0% 以上。
一、案例簡介
為了提高光伏系統的可靠性和效率，本文設計了一種新的光伏陣列在線智能故障診斷系統。首先，使用霍爾電壓電流傳感器[2]採集光伏陣列最大功率點作為原始數據，經過 LoRa 傳輸至診斷中心，再在採集到的原始數據中提取新的七維故障特徵向量，包括工作電壓、電流、輻照度和溫度。其次，提出了一種基於自適應網絡的優化模糊推理系統作為故障診斷模型。最後，通過 基於 Simulink 的仿真和實驗室光伏系統的實際故障實驗，測試了所提出的基於自適應神經網絡模 糊推理系統的故障診斷模型的可行性和優越性。實驗結果證明，所提出的基於自適應神經網絡模 糊推理系統的方法具有較好的性能，並且優於基於常規反向傳播神經網絡的方法。在仿真和實驗數據集上，基於自適應神經網絡模糊推理系統的故障診斷模型的總體準確性分別為 99.9%和 97.0% 以上。
二、技術要點
利用光伏陣列故障的輸出特性進行故障診斷的方法還可以基於各種統計方法，但是這種方法只能區分數據變化明顯的故障類型並且需要設置合理的閾值，對於更多不同類型以及不同污染程度的故障診斷能力有限。基於機器學習的故障診斷方法，通過利用帶標記的故障樣本數據建立黑盒診斷模型，利用診斷模型快速識別非標記的樣本數據[7-8]，給出故障類型。自適應神經網絡模糊推理系統（adaptive network based fuzzy inference system, ANFIS）作為 一種典型的機器學習算法，結合了模糊推理系統[9] （fuzzy inference system, FIS）和人工神經網絡（artificial neural networks, ANN）的優點，不需要大量的訓練數據，並且訓練速度快，具有強大的抗干擾能力，非常適合用於非線性系統的故障診斷。本文提出了一種新的光伏陣列故障診斷方法，該方法基於ANFIS和最大功率電流電壓以及光伏陣列的 溫度和輻照度，使用霍爾電流電壓傳感器與 LoRa 技術結合的採集傳輸構成整個故障診斷系統。本文 提出的故障診斷方法能夠在不中斷光伏陣列正常運行的情況下，連續不斷地檢測和診斷光伏陣列的工作狀況，並且該算法模型具有更好的泛化性能和抗干擾性能。
三、應用場景
光伏陣列
四、應用成效
本文提出了一種基於 LoRa 和自適應神經網絡模糊推理系統的光伏陣列故障診斷系統，該系統採用了基於霍爾電壓電流傳感器的光伏陣列數據採集 板和 LoRa 技術，系統中的故障診斷方法基於光伏陣列的電壓、電流、溫度和輻照度等原始數據對併網工作的光伏陣列常見的線線故障、開路故障、老化故障和局部陰影故障進行在線檢測。並根據原始數據提取了新的7維故障診斷特徵。為了獲得最佳 的診斷結果，使用遍歷 ANFIS 參數和 K 折交叉驗證來搜索模型的最佳參數。在 Simulink 仿真環境和實 際實驗室環境下分別模擬不同光伏陣列故障對診斷模型進行測試，結果表明，與基於 BPNN 的模型相 比，本文所提出的模型在仿真數據下的整體精度為 99.9%，在實測數據下的整體精度超過 97.0%。因此，採用霍爾電壓電流傳感器的光伏陣列數據採集板結合 LoRa 技術能穩定地採集光伏陣列的數據並上傳，基於 ANFIS 的光伏陣列故障診斷模型在準確性、可靠性和泛化性能方面均具有優異的性能。