光伏电站由数量庞大的光伏组件构成,因复杂的生产工艺及艰苦的工作环境,光伏系统直流侧故障频发,直接影响到光伏系统的发电效益。如何从光伏阵列的运行数据中提取有效的故障样本,并对其进行识别,是建立故障模型的重要步骤。因此提出一...光伏电站由数量庞大的光伏组件构成,因复杂的生产工艺及艰苦的工作环境,光伏系统直流侧故障频发,直接影响到光伏系统的发电效益。如何从光伏阵列的运行数据中提取有效的故障样本,并对其进行识别,是建立故障模型的重要步骤。因此提出一种基于模糊C均值(fuzzy C-means,FCM)聚类算法对故障样本进行划分及标识的方法。首先对故障条件下光伏阵列的输出特性进行分析,提取出故障特征向量(开路电压Uoc,短路电流Isc,最大工作点电压Um,最大工作点电流Im)。为排除外部激励条件对电气参数的影响,将故障特征向量统一转换至标准测试条件(standard test condition,STC)。最后根据FCM算法良好的模糊信息处理功能,对开路故障、短路故障、阴影故障、异常老化故障的样本进行聚类划分。实际运行数据证明,该方法可以精确、可靠地对光伏系统直流侧典型故障的样本进行智能聚类,并有效地描述不同故障下光伏阵列电气参数的分布特征。展开更多
文摘光伏电站由数量庞大的光伏组件构成,因复杂的生产工艺及艰苦的工作环境,光伏系统直流侧故障频发,直接影响到光伏系统的发电效益。如何从光伏阵列的运行数据中提取有效的故障样本,并对其进行识别,是建立故障模型的重要步骤。因此提出一种基于模糊C均值(fuzzy C-means,FCM)聚类算法对故障样本进行划分及标识的方法。首先对故障条件下光伏阵列的输出特性进行分析,提取出故障特征向量(开路电压Uoc,短路电流Isc,最大工作点电压Um,最大工作点电流Im)。为排除外部激励条件对电气参数的影响,将故障特征向量统一转换至标准测试条件(standard test condition,STC)。最后根据FCM算法良好的模糊信息处理功能,对开路故障、短路故障、阴影故障、异常老化故障的样本进行聚类划分。实际运行数据证明,该方法可以精确、可靠地对光伏系统直流侧典型故障的样本进行智能聚类,并有效地描述不同故障下光伏阵列电气参数的分布特征。
