李小坤,刘光宇,俞玮捷,俞武嘉

(杭州电子科技大学 自动化学院,浙江 杭州 310000)

0 引 言

近几年,光伏发电受到中国和欧洲国家欢迎[1]。光伏系统,尤其是直流侧“光伏阵列”,必须在恶劣的室外条件下运行,导致功率不稳定,降低效率和盈利能力[2,3]。然而,对于一个现场太阳能发电厂来说,很难辨别正在进行的是哪种运行模式,因此，需要对光伏系统在不同工况下的性能进行观察和分析。

光伏系统故障诊断方法主要分为两类:传统的阈值方法和基于机器学习的方法[2]。传统的阈值方法通过分析电流和电压[4]等电气指标来实现[5],但是成本很高。近几年,人工智能中的一些方法被广泛应用于故障诊断领域,如神经网络用于估计变工况下的功率输出[6]和识别故障类型,属于监督学习方法,需要在测量变量和实际工作条件的映射上精确标注。事实上,监督学习对太阳能行业来说并不是很有用,不仅因为标记不同工作条件的成本很高,而且太阳能系统太复杂无法正确标记。

本文假设太阳能系统的时间序列电流和电压可以通过时间序列聚类方法得到一些统计聚类,这些聚类具有一定的物理意义。为了支持这一假设,首先使用DTW[7]算法对太阳能电站产生的时间序列数据进行处理,然后使用DBSCAN算法对处理后数据的相似性进行聚类[8～10]。最后,通过数据分析发现集群的物理含义。研究结果有助于在光伏发电系统在工作条件不明确的情况下采用智能技术进行监测、预测和故障诊断。……