基于功率預測的光伏組件陰影故障類型判定方法

基于功率預測的光伏組件陰影故障類型判定方法
【專利摘要】本發明公開一種基于功率預測的光伏組件陰影故障類型判定方法。首先，該方法通過改進人工魚群算法(IAFSA)辨識出光伏組件的內部等效參數，并獲取各參數隨外界工況變化的修正公式；其次，采用經驗模態分解(EMD)方法對光照強度進行分解，挖掘其數據趨勢項，為灰色模型(GM)預測提供應用基礎；最后，根據改進人工魚群算法優化灰色模型(IAFSA?GM)和滾動式數據更新模式對光伏組件的輸出功率進行預測，從而判斷出各種陰影故障類型。本發明建立了一種基于功率預測的光伏組件陰影故障類型判定方法，能夠有效區分光伏組件中存在的軟、硬性陰影故障。
【專利說明】
基于功率預測的光伏組件陰影故障類型判定方法
技術領域
[0001] 本發明設及光伏組件的陰影故障類型判定方法，屬于新能源發電領域。
【背景技術】
[0002] 隨著化石類能源的逐漸枯竭和環境污染的日益加劇，許多國家將目光轉向新能源 發電領域。光伏發電具有設計安裝容易、地域限制小、擴容性強、噪聲低W及壽命長等特點， 日益成為新能源發電的主要形式之一。
[0003] 在光伏組件運行過程中，根據影響特性可把陰影分成硬性陰影和軟性陰影。區別 在于前者具有時不變性，而后者具有時變性，其位置、形狀、大小隨時間變化而變化。軟性陰 影會造成光伏組件中部分電池片輸出功率不匹配，長時間會損壞電池片形成硬性陰影。因 此，對陰影類型進行及時甄別，可避免其對組件本身造成的損害，降低功率損失。
[0004] 目前，許多學者將研究重點集中在陰影情況下的光伏輸出特性W及最大功率點跟 蹤，而忽略了陰影的成因。胡義華等人通過采樣電路和上位機監控軟件，總結出在有陰影影 響的情況下光伏電池板的輸出特性的規律，但未對陰影情況進行判斷。王元章等人提出采 用BP神經網絡來實現光伏組件的在線故障診斷，但該方法忽視故障信息的不確定性和復雜 性，因而診斷結果的可信度不高。王培珍等人通過分析不同故障情況下光伏組件呈現出反 常的溫度分布來判斷故障類型，但該方法需加裝紅外攝像機且診斷結果精度較低。化等人 通過溫度記錄儀結合光伏組件輸出電氣值對組件的模型參數進行計算，進而通過實際功率 與模型功率兩者差值對故障進行判斷。陳雪娟等人僅對光伏組件軟硬性陰影進行初步劃 分，并未對硬性陰影的程度作進一步細分，且該方法中小波基的選擇具有一定的局限性。

【發明內容】

[0005] 發明目的：本發明建立一種基于功率預測的光伏組件陰影故障類型判定方法，能 夠有效區分光伏組件的軟性陰影故障、輕微硬性陰影故障和嚴重硬性陰影故障。

【發明內容】
[0006] :本發明提出一種基于功率預測的光伏組件陰影故障類型判定方法，包 括如下步驟：
[0007] 步驟10:通過改進人工魚群算法IAFSA辨識出光伏組件的內部等效參數，并獲取各 參數隨外界工況變化的修正公式。
[000引通過IAFSA對100組實驗室環境下光伏組件實測數據進行參數辨識，并利用最小二 乘擬合法對組件各參數變換公式進行擬合修正。
[0009] 等效串聯電阻Rs影響光伏組件MPP附近的I-V輸出特性曲線形狀，并對曲線中開路 點附近的斜率有影響。通過最小二乘法對其進行擬合，得到Rs的近似擬合表達式為：
[0010] Rs = Rs,ref (1)
[0011] 式中，Rs,ref為標準測試環境(Standard testing condition,STC)下光伏組件等效 串聯電阻值。
[0012] 等效并聯電阻Rsh則對光伏組件I-V輸出特性曲線中短路點附近的斜率有影響，Rsh 數值越大，則曲線在短路點附近越平行于橫軸。通過最小二乘法對其進行擬合，得到Rsh的近 似擬合表達式為：
[0013]
[0014] 式中，Rsh,ref為STC下光伏組件等效并聯電阻值。
[0015] 光生電流Iph近似地隨光照強度呈現線性變化，它對光伏組件I-V輸出特性曲線有 著最為顯著和直接的影響。通過最小二乘法對其進行擬合，得到Iph的近似擬合表達式為：
[0016]
[001 7] 式中，Iph,ref為STC下光伏組件光生電流值。
[0018] 二極管反向飽和電流ISD隨溫度變化明顯，它影響光伏組件的輸出電壓。通過最小 二乘法對其進行擬合，得到ISD的近似擬合表達式為：
[0019]
[0020] 式中，ISD,ref為STC下光伏組件二極管反向飽和電流值。
[0021] 二極管理想因子η對光伏組件的輸出電壓有較大影響。η隨溫度會發生變化，通過 最小二乘法對其進行擬合，得到η的近似擬合表達式為：
[0022] n = nref(l-0.0003(T-25)) (5)
[0023] 式中，nref為STC下二極管理想因子值。
[0024] 因此，在確定光伏組件的實際工況后，結合式（1)~式（5)可得當前工況下光伏組 件的內部等效參數值，從而進行光伏組件建模與分析。
[0025] 步驟20:采用經驗模態分解EMD方法對光照強度進行分解，挖掘其數據趨勢項，為 灰色模型GM預測提供應用基礎。
[0026] EMD方法可W將原信號中不同尺度或頻率的波動或趨勢分解出來，得到一系列本 征模態函數（Intrinsic Mode化nction, IMF)及一個趨勢項。趨勢項反映信號隨時間變化 的趨勢。
[0027] IMF反映原始信號中不同時間的局部特征信息，且滿足W下兩個條件：
[0028] (1)信號中極值點與過零點個數相等或至多相差1個；
[0029] (2)在任一時間點上，由信號極小值、極大值分別確定的下包絡線、上包絡線兩者 均值為0。
[0030] EMD方法具體處理步驟如下：
[0031] Stepl、對原始信號X(t)進行分析，確定其局部極大、極小值點。
[0032] Step2、分別利用2條3次樣條曲線對所有的極大、極小值點進行曲線擬合，形成上、 下包絡線Xmax( t)、Xmin( t)。
[0033] Step3、計算每個時刻上、下包絡線的包絡均值同時，計算其與原信號X(t) 的差化(t)，即：
[0034] Mi(t) = [X max (t)~Xmin( t) ]/2 (6)
[0035] 出（t)=X(t)-Mi(t) (7)
[0036] Step4、判斷化(t)是否滿足IMF的兩個基本條件。若出(t)滿足上述條件，則IMFi(t) =Hi(t)即為得到的第一個IMF;重新計算Hi(t)上、下包絡線均值Mg,約，求出 的的=巧的，并不斷進行迭代，直到出(t)滿足上述條件，則IMFi(t)=出(t)即為得到 的第一個IMF。
[0037] steps、令Rl(t)=X(t)-IMFl(t)，對Rl(t)分別重復上述四個步驟即可得到IMFl (*)、加。24)、-，、這片(*)等多個〇^，直到最后一個差值序列1^(0小于預先設定的值或者 是單調函數無法繼續分解時為止，則RN(t)是剩余分量，表示原序列的趨勢項。
[0038] 經上述各步驟，將原始信號X(t)表示為包含信號從高到低不同頻率段的R個IMF分 量和一個趨勢項RN(t)，即：
[0039]
械
[0040] 式(8)滿足恒定關系，目化MD方法可W完美地將原序列分解為多個分量，并在此過 程中未出現信號和能量的損失，保留原始序列x(t)的所有信息。
[0041] 本發明采用EMD方法對光照強度的時間序列進行分解，其本質是將非平穩光照強 度值逐步平穩化的過程。
[0042] 步驟30:根據改進人工魚群算法優化灰色模型IAFSA-GM和滾動式數據更新模式對 光伏組件的輸出功率進行預測，從而判斷出各種陰影故障類型。
[0043] 灰色預測是W灰色模型為基礎，其中單序列一階線性微分方程GM最為常用。設原 始序列為xW = [xW(i)，xW(2)，…，xW(n)]，采用1-AG0生成一階累加生成序列xW = [x 山（l)，x(i)(2)，…，X 山(n)]，其中：
[0044]
傑；
[0045] 由式(9)可知該序列xW化)呈現指數型增長規律，恰好符合一階微分方程解的要 求，則xW序列滿足下述一階線性微分方程模型：
[0046]
(1貨
[0047] 若已知參數a、u值，直接對式（10)進行求解，可得：
[0050] 式（11)中，待定參數為A，已知量為Υη和B。由于只含有a、u兩個變量，卻有(n-1)個 方程，且(n-l)〉2,故方程組無解。可通過最小二乘擬合法對其進行近似求解，將式（11)改寫 為：
[0051] Υ" = ΒΛ + Ε (12)
[0化2] 式中，Ε為誤差項。
[0053]欲使π?ι|γ" -Bi|j = min(Y,, -Bif (Υ,, -ΒΑ)，根據矩陣求導公式，進一步可得：
[0061] 將式（15)、式（16)稱為GM預測的時間響應函數模型，對其再進行累減還原，進一步 可得原始數列xW的GM預測模型為：
[0062]
[0063] GM建模的優劣用后驗差檢驗方法進行分析。對上述GM的建模機理進行研究，分析 其缺陷。GM優化主要從W下兩方面展開研究：
[0064] 1、GM背景值優化
[0065] 由式（13)可知，GM中參數5，》與背景值zW的構造關系密切。
[0072] α和S存在如下關系：α = ·^-。然而，傳統GM中只是簡單地取α = 〇 . 5，而忽略α的 變化。當取α = 0.5，會導致在間較大時預測失效。
[0073] 2、GM邊值優化
[0074] 由式(12)、式(13)、式(16)和式(17)可知：
[007引（1 )GM的前置條件為;
[0076] (2)由于xW(i)不參與Β與Υ的構造，該值與模型中參數a、《的求解無關，但該值的 大小，影響GM預測結果的指數修正效果。
[0077] 設邊值修正式為；">(1)=.戸(1) + 6,其中Θ為邊值修正量，有；
[007引
。鳴
[0079] 進而有：
[0080]
(20)
[0081] 同時，考慮到GM預測結果是通過最小二乘擬合得出的結果，其值不一定包括點 (l，xW(i))。因此，若將系統邊值強制選取為xW(i)，即限定上述擬合曲線必經過點（i，xW (1))缺乏理論依據。
[0082] 通常，影響GM預測結果的參數變為兩個，分別為α和Θ。為準確地估計上述參數值， 需建立適當的目標函數。在實際誤差檢驗中，預測結果的平均相對誤差最小也是一項重要 指標，即·
[008；3] 觸
[0084] 采用改進人工魚群算法（IAFSA)對式(21)所示的目標函數進行優化求解，獲取GM 中參數α和Θ，并進行光伏組件的輸出功率預測。
[0085] 若當前時刻t = k，對當前時刻點過去的全體數據進行GM建模，該模型是連續的時 間函數。對于本征性灰系統而言，未知的不確定性因素將隨時間的推移不斷地進入系統造 成影響。因此，預測時間尺度越大、灰度越大，GM預測值的實際意義也就越小。
[0086] 基于此，采用一種滾動式更新數據模式，即基于IAFSA-GM進行功率預測，采用滾動 模式不斷更新模型數據集，盡可能提高光伏組件功率預測的準確度。
[0087] 假設k為當前時刻點，利用IAFSA-GM短期功率預測在k時刻對時段區間[k+NcT，k+ 化T]內Tcycle個分辨周期T的光伏組件輸出功率值進行預測，其中，k+NcT為預測開始時刻;k +化T為預測結束時刻;Tcycle為預測周期數，其值大小為(化-Ne)T。在此預測數據的基礎上， 提取區間比+知1'如(斯+1)門內預測結果，即所示"目標時段"，將1^+知刊寸刻光伏組件的功率 預測輸出作為下一預測周期（即時段區間[k+(Nc+l)T，k+(化+1)Τ])的初始狀態，接著利用 IAFSA-GM重新進行功率預測；同時為不增加額外計算量，剔除時間最早的數據值（即第k時 刻數據），從而保持整個序列的維數不變。
[0088] 原理:本發明基于功率預測的光伏組件陰影故障類型判定方法，其目的旨在有效 甄別光伏組件中不同陰影遮擋類型。
[0089] 有益效果:本發明建立了一種基于功率預測的光伏組件陰影故障類型判定方法， 本發明能夠有效區分光伏組件中存在的軟、硬性陰影故障。
【附圖說明】
[0090] 圖1:為本發明的典型日下光照強度變化過程。
[0091 ]圖2:為本發明的典型日下光照強度EMD方法分解過程。
[0092] 圖3:為本發明的改進人工魚群算法的流程圖。
[0093] 圖4:為本發明的IAFSA優化GM參數流程圖。
[0094] 圖5:為本發明的滾動式更新數據模式。
[00M]圖6:為本發明的光伏組件陰影類型判定流程圖。
[0096]圖7:為本發明的軟性陰影變化過程示意圖。
【具體實施方式】
[0097] 下面結合附圖，對本發明進行詳細說明。
[0098] 光伏組件的輸出特性是隨光照強度S、環境溫度T和組件參數等不斷變化的非線性 函數，因此要較準確地模擬實際光伏組件的I-V輸出特性曲線，必須獲知內部等效參數隨S 和T的變化關系。
[0099] 步驟10:通過改進人工魚群算法IAFSA辨識出光伏組件的內部等效參數，并獲取各 參數隨外界工況變化的修正公式；
[0100] 步驟20:采用經驗模態分解EMD方法對光照強度進行分解，挖掘其數據趨勢項，為 灰色模型GM預測提供應用基礎；
[0101] 步驟30:根據改進人工魚群算法優化灰色模型IAFSA-GM和滾動式數據更新模式對 光伏組件的輸出功率進行預測，從而判斷出各種陰影故障類型。
[0102] 具體WTSM-250PC05A型光伏組件為例，通過IAFSA對100組實驗室環境下光伏組件 實測數據進行參數辨識，并利用最小二乘擬合法對組件各參數變換公式進行擬合修正。
[0103] 等效串聯電阻Rs影響光伏組件MPP附近的I-V輸出特性曲線形狀，并對曲線中開路 點附近的斜率有影響。通過最小二乘法對其進行擬合，得到Rs的近似擬合表達式為：
[0104] Rs = Rs,ref (1)
[010日]式中，Rs,ref為標準測試環境(Standard testing condition,STC)下光伏組件等效 串聯電阻值。
[0106] 等效并聯電阻Rsh則對光伏組件I-V輸出特性曲線中短路點附近的斜率有影響，Rsh 數值越大，則曲線在短路點附近越平行于橫軸。通過最小二乘法對其進行擬合，得到Rsh的近 似擬合表達式為：
[0107]
冷'
[0108] 式中，Rsh,ref為STC下光伏組件等效并聯電阻值。
[0109] 光生電流Iph近似地隨光照強度呈現線性變化，它對光伏組件I-V輸出特性曲線有 著最為顯著和直接的影響。通過最小二乘法對其進行擬合，得到Iph的近似擬合表達式為：
[0110]
熱
[01 1。 式中，Iph,ref為STC下光伏組件光生電流值。
[0112] 二極管反向飽和電流ISD隨溫度變化明顯，它影響光伏組件的輸出電壓。通過最小 二乘法對其進行擬合，得到ISD的近似擬合表達式為：
[0113]
(4)
[0114] 式中，ISD,ref為STC下光伏組件二極管反向飽和電流值。
[0115] 二極管理想因子η對光伏組件的輸出電壓有較大影響。η隨溫度會發生變化，通過 最小二乘法對其進行擬合，得到η的近似擬合表達式為：
[0116] n = nref(l-0.0003(T-25)) (5)
[0117] 式中，nref為STC下二極管理想因子值。
[0118] 因此，在確定光伏組件的實際工況后，結合式（1)~式（5)可得當前工況下光伏組 件的內部等效參數值，從而進行光伏組件建模與分析。
[0119] 在實際應用中，光伏組件的最大功率點(MPP)是整個光伏發電系統運行與控制的 關鍵工作點。根據電流方程的顯式解，得光伏組件的輸出功率為：
[0120]
[0124] 式(7)是僅含有Im的方程，若已知當前工況下各內部等效參數值，即可求解出Im值。 進而將其代入電壓的顯式表達式，可得：
[0125]
[0126] 因此，若已知當前工況，根據式（1)~(8)可準確獲知當前Pm值，為后續光伏組件硬 性陰影嚴重程度判定方法提供最大輸出功率的理論值。
[0127] 灰色關聯度分析(GRA)是灰色系統分析方法的一種，根據系統內部各因素之間發 展態勢的相似或相異程度來衡量各個因素之間的關聯程度。應用GRA方法對光伏組件輸出 功率各影響程度進行評估的步驟如下：
[0128] (1)對樣本數據進行歸一化處理，即無量綱化處理。設X為mXn(影響因素的種類為 m、每類影響因素的樣本維數為η)維樣本集，其中xi(j) ex表示第i行第j個數據，則歸一化 后為：
[0129]
巧）
[0130] (2)對歸一化后的樣本數據計算絕對差。根據整體性灰色關聯度的概念，將參考序 列x〇(j)'依次選取為歸一化后的S、T和即寸間序列，定義參考序列與比較序列的絕對值差為 Ai(k)，如式(10)所示：
[01；31] Ai(j)= |x〇(j)'-xi(j)'I (10)
[0132] (3)計算絕對值差的兩極值，叫nminAf't/)和maxmaxAf't/)。minminAi'G')為兩極最小 I J' L J I J 值，表示在第i類影響因素的η個絕對差中找出最小值后，再按i = l，2,...，m找出m個影響因 素對應的所有絕對差的最小值;同理，為兩極最大值，計算方法同上。
[0133] (4)計算關聯系數ri(j)，其表達式為式(11)所示：
[0134]
(]1)
[0135] 式中，P為分辨系數，取值范圍為0~1，本發明取P = 0.5。
[0136] (5)計算S、T和ΡΞ者之間的相互關聯度，即：
[0137]
似
[0138] 選取一段時間內的光伏組件歷史輸出功率和對應運行氣象數據，結合相似日選取 方法對上述數據進行分類，分別為:晴天、陰天和雨天W3。結合式(9)~式（12)可得，在不同 氣象類型下光照強度S、溫度T和光伏組件輸出功率P的平均GRA關聯度分析結果如表1所示。
[0139] 表1不同氣象類型下灰色關聯度分析結果
[0140]
[0141] 由表1可知，不同氣象類型下光伏組件輸出功率P與光照強度S的平均相關性為 0.93，與溫度T的平均相關性為0.31。結合GRA關聯系數的對應分類標準可知，P與S屬于極強 相關性，而P與T屬于弱相關性。因此，為方便起見，后續研究中僅選取S作為光伏組件陰影 故障判斷的主要參考量。
[0142] EMD方法是化化ert-化ang變換中一種信號分解方法，該方法繼承小波分析多分辨 的優點，同時擬棄小波變換中對小波基的選取與分解尺度的確定。EMD方法可W將原信號中 不同尺度(或頻率)的波動或趨勢分解出來，得到一系列本征模態函數(IMF)及一個趨勢項。 趨勢項反映信號隨時間變化的趨勢。
[0143] IMF反映原始信號中不同時間的局部特征信息，且滿足W下兩個條件：
[0144] (1)信號中極值點與過零點個數相等或至多相差1個；
[0145] (2)在任一時間點上，由信號極小值、極大值分別確定的下包絡線、上包絡線兩者 均值為0。
[0146] EMD方法具體處理步驟如下：
[0147] Stepl、對原始信號X(t)進行分析，確定其局部極大、極小值點。
[0148] Step2、分別利用2條3次樣條曲線對所有的極大、極小值點進行曲線擬合，形成上、 下包絡線 Xmax(t)、Xmin(t)。
[0149] Step3、計算每個時刻上、下包絡線的包絡均值同時，計算其與原信號X(t) 的差出(t)，即：
[0150] Ml(t) = [Xmax(t)-Xmin(t)]/2 (13)
[0151] 出（t)=X(t)-Mi(t) (14)
[0152] Step4、判斷化(t)是否滿足IMF的兩個基本條件。若出(t)滿足上述條件，則IMFi(t) = Hi(t)即為得到的第一個IMF;重新計算Hi(t)上、下包絡線均值巧(小求出 7/辦=/7向-.的,(〇，并不斷進行迭代，直到出(〇滿足上述條件，則加。1(〇=出(*)即為得到 的第一個IMF。
[0153] steps、令扣（*)=乂（〇-誠。1(〇，對扣（*)分別重復上述四個步驟即可得到^尸1 (*)、加。2 4)、-，、這片(*)等多個〇^，直到最后一個差值序列1^(0小于預先設定的值或者 是單調函數無法繼續分解時為止，則RN(t)是剩余分量，表示原序列的趨勢項。
[0154] 經上述各步驟，將原始信號X(t)表示為包含信號從高到低不同頻率段的R個IMF分 量和一個趨勢項RN(t)，即：
[01巧]
(1引
[0156] 式（15)滿足恒定關系，即EMD方法可W完美地將原序列分解為多個分量，并在此過 程中未出現信號和能量的損失，保留原始序列X(t)的所有信息。
[0157] 本發明采用EMD方法對光照強度的時間序列進行分解，其本質是將非平穩光照強 度值逐步平穩化的過程。實驗過程中，采用TBQ-2福照度傳感器測量光伏組件的共面光照強 度，記錄下每天6:00~17:30之間光照強度值的變化過程，選取其中1組典型日全天光照強 度值的變化過程，如圖1所示。
[0158] 由圖1可知，上午的光照強度出現較大的抖動，可能因為云層遮擋等突發天氣狀況 引起的，而下午的光照強度呈現相對較好的遞減曲線。選取當天7:00~10:00和14:00~15: 00運兩個時間段內光照強度值，分別采用EMD方法進行多尺度分解，可得如圖2所示光照強 度的EMD分解過程。
[0159] 由圖2可知，通過EMD方法的逐層分解，濾除外界不定因素帶來的影響，得到平滑的 趨勢項數據。通過對圖2中趨勢項信息分析可知，盡管實際情況下光照強度值存在較大的波 動，在7:00~10:00時間段內，整個區間范圍內光照強度值隨時間的增長呈上升趨勢;在14: 00~17:00時間段內，整個區間范圍內光照強度值隨時間的增長呈現下降趨勢，上述光照強 度變化過程均與常識相吻合，符合GM預測對數據單調性的要求。
[0160] 灰色預測是W灰色模型為基礎，其中單序列一階線性微分方程GM最為常用。
[0161] 設原始序列為χW = [χW(l)，χW(2)，…，χW(n)]，采用l-AG0生成一階累加生成 序列 χ(ι) = [χ(ι)(1)，χ(ι)(2)，···，χ(ι)(η)]，其中：
[0162]
(1:6)
[0163] 由式（16)可知該序列xW化)呈現指數型增長規律，恰好符合一階微分方程解的要 求，則xW序列滿足下述一階線性微分方程模型：
[0164]
化乃
[0165] 若已知參數a、u值，直接對式（17)進行求解，可得：
[0166] Yn=BA (18)
[0167] 式中， A
y
[0168] 式（18)中，待定參數為A,已知量為Yn和B。由于只含有a、u兩個變量，卻有(n-1)個 方程，且(n-l)〉2,故方程組無解。可通過最小二乘擬合法對其進行近似求解，將式（18)改寫 為：
[0169] Υ", =ΒΑ+? (.城
[0170] 式中，Ε為誤差項。
[0171] 欲巧
根據矩陣求導公式，進一步可得：
[0172]
(20)
[0173] 將式(20)中所求得的S、￡代入原微分方程，可得：
[0179] 將式(22)、式(23)稱為GM預測的時間響應函數模型，對其再進行累減還原，進一步 可得原始數列xW的GM預測模型為：
[0180]
[0181] GM建模的優劣用后驗差檢驗方法進行分析，具體檢驗標準如表2中所示。
[0182] 表2GM精度檢驗對照表
[0183]
[0184] 通常，在GM預測模型評價的優劣指標中，要求觀測數據的方差S1大、預測殘差的方 差S2小，因而C值要求越小越好。此外，若要求相對偏差|e化）|/si小于0.6745,則允許偏差絕 對值|e化）|也隨之增大，因而P值要求越大越好。基于此，本發明即選用C、P運兩個指標來檢 驗預測模型的精度。
[0185] 對上述GM的建模機理進行研究，分析其缺陷。GM優化主要從W下兩方面展開研究：
[0186] 1、GM背景值優化
[0187] 由式(20)可知，GM中參數5，。與背景值ζ<"的構造關系密切。
[0194] 〇和^存在如下關系：α = 。然而，傳統61中只是簡單地取〇 = 〇. 5，而忽略曰的 幻 e -I 變化。當取α=0.5，會導致在μι較大時預測失效。
[01巧]2、GM邊值優化
[0196] 由式（18)、式(20)、式(23)和式(24)可知：
[0197] (1)61的前置條件為.;">(1)=尤<"(〇;
[0198] (2)由于xW(i)不參與B與Y的構造，該值與模型中參數&、《的求解無關，但該值的 大小，影響GM預測結果的指數修正效果。
[0199] 設邊值修正式為;Α(1)=.τ<"(1) + 0，其中Θ為邊值修正量，有：
[0203] 同時，考慮到GM預測結果是通過最小二乘擬合得出的結果，其值不一定包括點（1， xW(l))。因此，若將系統邊值強制選取為xW(i)，即限定上述擬合曲線必經過點（ι,χ^ (1))缺乏理論依據。
[0204] 由此可知，影響GM預測結果的參數變為兩個，分別為α和Θ。為準確地估計上述參數 值，需建立適當的目標函數。在實際誤差檢驗中，預測結果的平均相對誤差最小也是一項重 要指標，即：
[0205]
側）
[0206] 人工魚群算法(AFSA)模擬自然界中魚的集群覓食行為，采用自下而上的尋優模 式，通過魚群中個體之間的協作使群體達到最優選擇的目的。每條人工魚探索自身當前所 處的環境，選擇執行其中的一種行為算子，通過不斷調整個體的位置，最終集結在食物密度 較大的區域周圍，取得全局最優值。
[0207] 覓食行為奠定算法收斂的基礎，聚群行為增強算法收斂的穩定性和全局性，追尾 行為增強算法收斂的快速性和全局性。人工魚通過對環境的感知來自主協調捜索機制，該 算法最終能尋優到全局最優值附近，從而使優化問題求解。
[0208] 化Ider-Mead方法(NM法)也稱下山單純形法，不同于線性規劃的單純形法，它適用 于求η元函數f (XI，X2，…，Xn)的無約束最小值。其算法思想是在η維空間中，由n+1個頂點可 W組成"最簡單"的圖形，叫單純形。NM法就是先構建一個初始的、包羅給定點的單純形，然 后捜索的每一步中，使用可能的4種方式(反射、擴大、壓縮和收縮)產生離當前單純形比較 近的點，在新的點上函數值會和單純形各個頂點上的值比較，一般會有一個頂點被替代，產 生一個新的單純形，重復如上步驟，直至單純形的函數值小于預設闊值。
[0209] 與其它智能優化算法相類似，當AFSA中存在人工魚處于隨機移動狀態或在局部極 值點出現人工魚群聚集嚴重時，導致算法收斂速度減慢，進而影響到最終收斂精度。
[0210] 因此，針對AFSA運行后期收斂速度放緩、精度降低等問題，在算法運行過程中動態 調整相關參數，同時引入繁殖行為、遷徙行為和NM法來提高算法的整體尋優性能，較好地平 衡改進算法的全局和局部捜索能力，進一步加快運算速度。
[0211] 算法迭代運行前期，較大的Visual和Step可增強算法的全局捜索能力和收斂速 度;迭代運行后期，算法逐步演化為精細化捜索過程，在最優解鄰域范圍內進行精細捜索。 基于此，可按式(31)對人工魚感知范圍Visual和移動步長Step進行動態調整：
[0212] (31)
[0213] 式中，Visualstart、Visualend 分別表示 Visual 的初值和終值；St 邱 start、Stepend 分別 表示step的初值和終值;t為當前迭代次數，Maxgen為最大迭代次數。
[0214] 在IAFSA的迭代過程中，在固定迭代間隔步數時引入K-均值聚類方法對人工魚群 進行分類，并對聚類中屯、個體執行NM法精確捜索。此外，為加快該算法整體的收斂速度和解 的質量，對每次迭代過程公告牌中全局極值點均執行一次醒法捜索。基于此，IAFSA較好地 利用AFSA所得的優化結果，同時適度降低NM法計算量。IAFSA的具體流程圖如圖3所示：
[0215] 綜上所述，本發明所提IAFSA的具體實施步驟如下：
[0216] Stepl、對參數進行初始化操作，種群數目N、隨機初始位置、最大迭代次數Maxgen、 感知范圍[Visualstart ,visualend]、步長范圍[St邱start, Stepend]、擁擠度因子δ、最大試探次 數Tryjiumber和ΝΜ法間隔數Κ等參數。
[0217] Step2、求取各人工魚的適應度值，并記錄全局最優人工魚狀態。
[0218] Step3、對AFSA算法參數進行自適應調整。
[0219] Step4、對各人工魚的行為進行評價，選擇人工魚最合適的行為進行動作。
[0220] steps、執行相應的行為后，對人工魚的位置信息和全局最優人工魚狀態進行更 新，給公告牌賦最優值。同時，采用繁殖行為，淘汰適應度值較差的個體。
[0221] Step6、遷徙行為判斷，若滿足遷徙概率Pe，則執行遷徙行為，并更新公告牌狀態； 否則，直接轉到Step7執行。
[0222] Step7、如果滿足t mod Κ = 0,執行醒法。借助K-均值聚類法，確定聚類中屯、人工 魚;對每個類中屯、個體執行ΝΜ捜索，計算其適應度值并更新公告牌。
[0223] steps、對全局極值人工魚個體執行ΝΜ法捜索，將最優值賦給公告牌。
[0224] Step9、判斷終止條件，若滿足終止條件，則輸出最優值，算法結束；否則，繼續迭代 執行St巧2~St巧8,直至算法終止條件被滿足。
[0225] 采用上述IAFSA對式(30)所示的目標函數進行優化求解，獲取GM中參數α和Θ，并進 行光伏組件的輸出功率預測。
[0226] 通過IAFSA優化GM參數α和Θ的流程如圖4所示，求解出最佳參數值α和Θ，并將其值 代入GM中，從而建立新的數據預測模型。
[0227] 若當前時刻t = k，對當前時刻點過去的全體數據進行GM建模，該模型是連續的時 間函數。對于本征性灰系統而言，未知的不確定性因素將隨時間的推移不斷地進入系統造 成影響。因此，預測時間尺度越大、灰度越大，GM預測值的實際意義也就越小。
[022引基于此，采用一種滾動式更新數據模式，即基于IAFSA-GM進行功率預測，采用滾動 模式不斷更新模型數據集，盡可能提高光伏組件功率預測的準確度，具體方法如圖5所示。
[0229] 假設k為當前時刻點，利用IAFSA-GM短期功率預測在k時刻對時段區間[k+NJ，k+ 化Τ]內Tcycle個分辨周期Τ的光伏組件輸出功率值進行預測，其中，k+NcT為預測開始時刻;k +化T為預測結束時刻;Tcycle為預測周期數，其值大小為(化-Ne)T。在此預測數據的基礎上， 提取區間[k+NcT，k+(Nc+l)T]內預測結果，即圖5所示"目標時段"，將k+NcT時刻光伏組件的 功率預測輸出作為下一預測周期（即時段區間比+(知+1)1'如(化+1)1'])的初始狀態，接著利 用IAFSA-GM重新進行功率預測；同時為不增加額外計算量，剔除時間最早的數據值(即第k 時刻數據），從而保持整個序列的維數不變。
[0230] 可知，硬性陰影具有時不變性，即被遮擋的面積與被遮擋的位置不變。隨著時間t 的增加(僅限上午光照強度值單調不減或下午光照強度值單調不增的情況下），由前述分析 已知光照強度與光伏組件輸出功率正相關，其k-巧化時刻的最大功率值Pm應呈現增長趨勢 (或呈現衰減趨勢），該數據變化規律符合IAFSA-GM預測的相關要求。而軟性陰影具有時變 性，主要是受到建筑物、樹木及浮云等遮擋而留下的陰影。隨著時間的推移，上述遮擋在光 伏組件上形成的陰影面積大小及位置都會發生變化，因而造成光伏組件輸出功率Pm的變化 不再具有規律性，不滿足IAFSA-GM預測的前提條件。若仍對該數據序列進行IAFSA-GM預測， 則會出現較大的偏差。
[0231] 通過IAFSA-GM預測，利用短時的光伏組件最大輸出功率歷史數據Pn-a、…、Pn-2、 Pn-1、Pn對未來時刻最大功率Pn+1、Pn+2、…等進行預測。當到達下一時刻，即未來n+1時刻，將 巧幡實際最大功率值化+1'）與預測數據化+1)進行比較。在下一個算法預測周期中，根據滾 動式數據更新模式將實際數據化+1'）作為歷史數據，對整個時間序列中最早的數值化-a) 進行替換，進而實現數據不斷滾動更新，整個算法流程如圖5所示。
[0232] 由圖6可知，基于可編程直流電子負載掃描法和準梯度式擾動觀測法相結合的 MPPT算法，實現對光伏組件MPP準確測量。其中，設定光伏組件的功率降低闊值為額定功率 的20%。通過對IAFSA-GM預測誤差進行分析，并結合表2中相關指標來判斷光伏組件陰影類 型。當預測模型精度等級未達到二級時，說明光伏組件的最大輸出功率不適宜采用IAFSA- GM進行功率預測，此時光伏組件可能存在軟性陰影故障。而對于硬性陰影故障，則根據功率 損失的程度進一步將硬性陰影故障分為輕微硬性陰影和嚴重硬性陰影。
[0233] 1、硬性陰影仿真結果分析與研究
[0234] 根據前述分析，所選TSM-250PC05A型光伏組件內置3個旁路二極管，假設仿真模型 中的陰影面積為3塊電池片一直被遮擋，根據陰影部分位于不同二極管區域，選取Ξ種不同 運行工況，設定被遮擋部分的光照強度值均為lOOW/m2。為簡單起見，本發明仿真所選數據 均選用上午的光照強度值。
[0235] 工況一：假設3塊電池片位于同一個二極管所在支路中，仿真可得該組件Pm(W)為 (79.0,87.3,89.6,98.2,102.6,103.6,105.5,110.7,113.2,113.9}。
[0236] 工況二：假設3塊電池片位于兩個二極管所在支路中，仿真可得該組件Pm(W)為 {30.1，32.4，33.0，35.1，36.2，36.5，36.9，38.2，38.8，38.9}。
[0237] 工況Ξ:假設3塊電池片平均分布在Ξ個二極管所在支路中，仿真可得該組件Pm (W)為{24.9，25.1，25.1，25.2，25.3，25.3，25.3，25.4，25.4，25.4}。
[023引表3所示為Ξ種硬性陰影工況下，基于IAFSA-GM建模所得的仿真結果對比。由表3 可知，對于硬性陰影下光伏組件的最大輸出功率預測，相對平均誤差值較小，C和P均符合精 度等級一級的要求，說明在硬性陰影下，IAFSA-GM方法對光伏組件最大輸出功率具有較高 的預測精度。
[0239] 與此同時，根據圖5中預設的ΔΡ值可知，工況一為輕微硬性陰影故障，而工況二、 工況Ξ為嚴重硬性陰影故障，實際中需對其進行及時排查，避免長時間工作在該故障狀態 下造成光伏組件的永久性損壞。
[0240] 表3不同硬性陰影工況下IAFSA-GM仿真結果
[0241]
[0242] 2、軟性陰影仿真結果分析與研究
[0243] 根據實際情況，模擬兩種不同軟性陰影的變化過程，如圖7所示。圖7(a)中所示陰 影遮擋面積固定，從左至右依次對光伏電池片進行遮擋，遮擋的電池片所處支路也由一個 旁路二極管擴大到Ξ個，再縮小到一個，直至恢復正常；圖7(b)中所示隨時間推移，光伏組 件的被遮擋面積先逐步增大后減小的變化過程，顯而易見，遮擋的電池片處于不同旁路二 極管支路中，光伏組件的最大功率輸出更為復雜、波動范圍較大。
[0244] 根據圖7所示的軟性陰影的變化情況，仿真可得兩組不同陰影變化下該組件Pm(W) 分別為{127.3,87.3,89.6,35.1,36.2,36.5,36.9,110.7,113.2,188.7}、{79.0,87.3， 89.6，：34.0，35.1，103.6，36.9，110.7，113.2，188.7}。
[0245] 在軟性陰影下，基于IAFSA-GM功率預測的相對誤差基本達到80% W上，部分時刻 點相對誤差值甚至超過100%。軟性陰影較強的時變性使得光伏組件的最大輸出功率不再 具有規律性，因而不宜繼續使用IAFSA-GM方法對其進行功率預測輸出；如若仍采用IAFSA- GM進行功率預測將導致出現較大的功率誤差，預測的準確度也較低。
[0246] 表4所示為兩種軟性陰影工況下，基于IAFSA-GM預測所得的仿真結果，參考表2中 相關指標，C和P均在精度等級四級指標中。對比表3和表4可知，兩者功率預測結果呈現較大 的偏差。
[0247] 表4不同軟性陰影工況下IAFSA-GM仿真結果
[024引
[0250] 為進一步分析上述結果的準確性，選取30組不同光照強度數據進行仿真建模，硬 性、軟性故障仍采取上述幾種遮擋情況，根據表2中的精度檢驗標準得出30組仿真數據的功 率預測結果概率值，如表5所示。
[0251] 表5仿真結果精度等級
[0 巧 2]
[0253] 由表5可知，對硬性、軟性陰影下光伏組件的最大輸出功率進行預測，采用同樣的 IAFSA-GM方法得到的功率預測結果出現較大差異。前者的相對誤差較小，所建模型的預測 精度高，精度等級均在二級W上。反之，軟性陰影的模型預測誤差很大、預測精度較低，基本 在精度等級Ξ級及W下，有16.67%的預測結果甚至連四級指標都不能達到。
[0254] 綜上所述，通過分析預測模型的相對誤差W及參照預測精度檢驗對照表的不同， 可明顯地對陰影類型進行判定，獲知不同的光伏組件陰影故障。
【主權項】
1. 一種基于功率預測的光伏組件陰影故障類型判定方法，其特征在于:所述判定方法 的建立包括如下步驟： 步驟10:通過改進人工魚群算法IAFSA辨識出光伏組件的內部等效參數，并獲取各參數 隨外界工況變化的修正公式； 步驟20:采用經驗模態分解EMD方法對光照強度進行分解，挖掘其數據趨勢項，為灰色 模型GM預測提供應用基礎； 步驟30:根據改進人工魚群算法優化灰色模型IAFSA-GM和滾動式數據更新模式對光伏 組件的輸出功率進行預測，從而判斷出各種陰影故障類型。2. 根據權利要求1所述的基于功率預測的光伏組件陰影故障類型判定方法，其特征在 于，所述步驟10中光伏組件各參數隨外界工況變化的修正公式獲取過程如下： 通過IAFSA對100組實驗室環境下光伏組件實測數據進行參數辨識，并利用最小二乘擬 合法對組件各參數變換公式進行擬合修正； 等效串聯電阻Rs影響光伏組件MPP附近的I-V輸出特性曲線形狀，并對曲線中開路點附 近的斜率有影響;通過最小二乘法對其進行擬合，得到Rs的近似擬合表達式為： Rs = Rs,ref (1) 式中，Rs,rrf為標準測試環境STC下光伏組件等效串聯電阻值； 等效并聯電阻Rsh則對光伏組件?-v輸出特性曲線中短路點附近的斜率有影響，Rsh數值 越大，則曲線在短路點附近越平行于橫軸;通過最小二乘法對其進行擬合，得到Rsh的近似擬 合表達式為：式中，Rsh,ref為STC下光伏組件等效并聯電阻值； 光生電流iPh近似地隨光照強度呈現線性變化，它對光伏組件ι-v輸出特性曲線有著最 為顯著和直接的影響;通過最小二乘法對其進行擬合，得到iPh的近似擬合表達式為：式中，IPh,ref為STC下光伏組件光生電流值； 二極管反向飽和電流ISD隨溫度變化明顯，它影響光伏組件的輸出電壓;通過最小二乘 法對其進行擬合，得到ISD的近似擬合表達式為：式中，ISD，rrf為STC下光伏組件二極管反向飽和電流值； 二極管理想因子η對光伏組件的輸出電壓有較大影響;η隨溫度會發生變化，通過最小 二乘法對其進行擬合，得到η的近似擬合表達式為： n = nref(l-0.0003(T-25)) (5) 式中，nref為STC下二極管理想因子值； 因此，在確定光伏組件的實際工況后，結合式（1)~式(5)可得當前工況下光伏組件的 內部等效參數值，從而進行光伏組件建模與分析。3. 根據權利要求1所述的基于功率預測的光伏組件陰影故障類型判定方法，其特征在 于，所述步驟20中采用經驗模態分解EMD方法對光照強度數據趨勢項的獲取過程如下： EMD方法可以將原信號中不同尺度或頻率的波動或趨勢分解出來，得到一系列本征模 態函數MF及一個趨勢項，趨勢項反映信號隨時間變化的趨勢； MF反映原始信號中不同時間的局部特征信息，且滿足以下兩個條件： (1) 信號中極值點與過零點個數相等或至多相差1個； (2) 在任一時間點上，由信號極小值、極大值分別確定的下包絡線、上包絡線兩者均值 為〇; EMD方法具體處理步驟如下： Stepl、對原始信號X(t)進行分析，確定其局部極大、極小值點； Step2、分別利用2條3次樣條曲線對所有的極大、極小值點進行曲線擬合，形成上、下包 絡線Xmax ( t)、Xmin ( t); Step3、計算每個時刻上、下包絡線的包絡均值施(〇;同時，計算其與原信號X(t)的差Hi ⑴，即： Ml(t) = [Xmax(t)-Xmin(t)] |/2 (6) Hi(t)=x(t)-Mi(t) (7) Step4、判斷Η! (t)是否滿足頂F的兩個基本條件;若出(t)滿足上述條件，則頂Fi (t) =? (t)即為得到的第一個頂F;重新計算出(t)上、下包絡線均值(?)，求出&(/)=而(/)-M/fi (/)， 并不斷進行迭代，直到Hr(t)滿足上述條件，則頂&(〇=&(〇即為得到的第一個頂F; 3七6?5、令1?1(〇=乂(〇-頂?1(〇，對1?1(〇分別重復上述四個步驟即可得到頂? 1(〇、頂卩2 (t)、…、頂Fr(t)等多個頂F，直到最后一個差值序列RN(t)小于預先設定的值或者是單調函 數無法繼續分解時為止，則R N(t)是剩余分量，表示原序列的趨勢項； 經上述各步驟，將原始信號X(t)表示為包含信號從高到低不同頻率段的R個頂F分量和 一個趨勢項RN(t)，即：式(8)滿足恒定關系，即EMD方法可以完美地將原序列分解為多個分量，并在此過程中 未出現信號和能量的損失，保留原始序列X(t)的所有信息； 本發明采用EMD方法對光照強度的時間序列進行分解，其本質是將非平穩光照強度值 逐步平穩化的過程。4.根據權利要求1所述的基于功率預測的光伏組件陰影故障類型判定方法，其特征在 于，所述步驟30中對光伏組件的輸出功率進行預測的過程如下： 灰色預測是以灰色模型為基礎，其中單序列一階線性微分方程GM最為常用；設原始序 列為XW = [XW(1)，XW(2)，…，xW(n)]，采用1-AG0生成一階累加生成序列χ ω = [χ⑴（1)， X⑴(2)，···，χ⑴(η)]，其中：由式(9)可知該序列x(1)(k)呈現指數型增長規律，恰好符合一階微分方程解的要求，則 x(1)序列滿足下述一階線性微分方程模型：若已知參數a、u值，直接對式(10)進行求解，可得：Yn = BA (11)式（11)中，待定參數為A，已知量為Y4PB;由于只含有a、u兩個變量，卻有(n-1)個方程， 且(n-1) >2，故方程組無解;可通過最小二乘擬合法對其進行近似求解，將式（11)改寫為：將式(13)中所求得的I、?代入原微分方程，可得：對式(14)進行微分方程求解，可得：寫成離散形式(因 χ(υα)=χ(())(ι))，可得：將式（15)、式（16)稱為GM預測的時間響應函數模型，對其再進行累減還原，進一步可得 原始數列x(())的GM預測模型為：GM建模的優劣用后驗差檢驗方法進行分析;對上述GM的建模機理進行研究，分析其缺 陷;GM優化主要從以下兩方面展開研究： 1、GM背景值優化 由式(13)可知，GM中參數h 5與背景值z(1)的構造關系密切；由Lagrange中值定理，可將背景值一般形式構造成： z(1)(k)=ax(1)(k-l) + (l-a)x(1)(k) (18) 式中，ae(0，l); a和在存在如下關系：：然而，傳統GM中只是簡單地取a = 〇. 5，而忽略a的變化； 當取a = 0.5，會導致在丨辟較大時預測失效； 2、GM邊值優化 由式（12)、式（13)、式（16)和式（17)可知： (1) GM的前置條件為.?(11 (1) = (1); (2) 由于χ(())(1)不參與Β與Υ的構造，該值與模型中參數3、*5:的求解無關，但該值的大小， 影響GM預測結果的指數修正效果； 設邊值修正式為⑴=+心其中Θ為邊值修正量，有：同時，考慮到gm預測結果是通過最小二乘擬合得出的結果，其值不一定包括點a，x(()) a));因此，若將系統邊值強制選取為χ((3)(ι)，即限定上述擬合曲線必經過點α，χ ((3)α))缺 乏理論依據； 通常，影響GM預測結果的參數變為兩個，分別為a和Θ;為準確地估計上述參數值，需建 立適當的目標函數;在實際誤差檢驗中，預測結果的平均相對誤差最小也是一項重要指標， 即：采用改進人工魚群算法（IAFSA)對式（21)所示的目標函數進行優化求解，獲取GM中參 數a和Θ，并進行光伏組件的輸出功率預測； 若當前時刻t = k，對當前時刻點過去的全體數據進行GM建模，該模型是連續的時間函 數;對于本征性灰系統而言，未知的不確定性因素將隨時間的推移不斷地進入系統造成影 響；因此，預測時間尺度越大、灰度越大，GM預測值的實際意義也就越小； 基于此，采用一種滾動式更新數據模式，即基于IAFSA-GM進行功率預測，采用滾動模式 不斷更新模型數據集，盡可能提高光伏組件功率預測的準確度； 假設k為當前時刻點，利用IAFSA-GM短期功率預測在k時刻對時段區間[k+Nc^k+ΝτΤ]內 Tcycle個分辨周期T的光伏組件輸出功率值進行預測，其中，k+NcT為預測開始時刻;k+ΝτΤ為 預測結束時刻;Tcycle為預測周期數，其值大小為(Nt-NcOT;在此預測數據的基礎上，提取區 間[k+N cT，k+(Nc+l)T]內預測結果，即所示"目標時段"，將k+NcT時刻光伏組件的功率預測輸 出作為下一預測周期（即時段區間[1^(仏+1)1'，1^+(階+1)1'])的初始狀態，接著利用14?54-61 重新進行功率預測；同時為不增加額外計算量，剔除時間最早的數據值（即第k時刻數據）， 從而保持整個序列的維數不變。5.根據權利要求1所述的基于功率預測的光伏組件陰影故障類型判定方法，其特征在 于，本發明可以有效區分光伏組件的軟性陰影故障、輕微硬性陰影故障和嚴重硬性陰影故 障。
【文檔編號】G06N3/00GK106059492SQ201610292751
【公開日】2016年10月26日
【申請日】2016年5月5日
【發明人】陳凌, 王宏華, 韓偉, 戴鋒, 許煥清, 張經煒, 王成亮, 蔣泉, 蔣一泉
【申請人】江蘇方天電力技術有限公司, 河海大學, 國網江蘇省電力公司, 國家電網公司