摘要：在我国电力行业快速发展过程中，光伏发电系统近年来得到飞速发展；在其生产发电的实际应用过程中，需要对其系统故障及时的监测与诊断，进而能够有效保证电力系统的正常运行。在传统光伏发电远程监控系统的设计中，主要采用的是单点数据采集为主的方式，由于在融合过程中未能够对这些单点数据进行有效的区分，进而使得这类传统的数据采集方式面临效率低、均衡性差等现实问题，最终对整个光伏发电系统的故障诊断造成严重影响。为了能够进一步促进远程监控系统在光伏发电系统中的应用，本文基于物联网技术，通过设计远程数据监测传感器分布式矩阵，并结合VXI局部总线技术以及SCSI总线控制器等新型技术对其光伏发电系统的故障诊断进行有效研究。
关键词：物联网；光伏发电系统；故障诊断；优化设计；传感矩阵
1 引言
国家对于光伏发电系统的故障监测与诊断有了一定的研究进展，例如采用无线监控网络实现对整个发电系统的监测与调度等；这类技术能够有效减少网络消耗，但是从光伏发电实际应用的效果以及故障诊断效率来看，依然有很多的不足之处。与此同时，有研究采用32位的VME总线架构的方式实现对光伏发电系统的多渠道数据采集与传输，并且在其中利用多传感器量化融合跟踪识别的方法实现对相关设备数据的融合处理，但是最终由于该技术面临传输宽带受限以及数据采集输出信道的均衡性较差等现实问题，使其在实际应用的过程中依然面临很多问题。本文在分析前人诸多研究内容的基础上，对光伏发电系统的在线监控实时性与有效性进行创新改善，进而提出从物联网的角度出发，对其无线传感器网络以及量化融合的远程监控系统进行有效设计与分析，进而最终期望能够为光伏发电系统的故障诊断奠定坚实的理论基础与实证支持。
2 关键技术的设计与实现
面对日益紧张的能源消耗问题，再加之近些年来对于建设环保型、绿色生态型国家的宏观政策调控，就愈发需要重视可再生能源的研究与实际应用。在这些可再生能源的开发与利用中，光伏发电具有清洁、高效等诸多优点，如果能够加强对该能源的研究，其能够在很大程度上有效解决能源紧缺的现实问题。但是在这类光伏发电系统中，如果设备故障，例如汇流箱保险丝烧坏、逆变器电路板故障、接地故障等，其发电功率以及效率会受到显著影响，甚至当光伏发电的电功率在较短时间内波动幅度过大的话就会对整个光伏发电系统的安全稳定性造成影响。因此就急需要采取措施来对光伏发电系统进行实时的远程监测与控制，进而对系统的故障进行诊断，最终保证整个发电系统的安全可靠运行。
2.1 基于物联网框架下的数据采集传感器阵列分布设计
通过对其他类型的数据采集系统的分析研究，本研究中所使用的数据采集将采用传感器阵列的物联网框架设计，并且在对其进行实证分析的基础上建立正确的通信规则。在光伏发电系统中，为了能够有效保证其系统的稳定运行，需要对各个组成设备的结构及状况进行分析，从生产全过程光伏组串-汇流箱-逆变器-变压器-并网点进行数据的采集与传输，并且其数据的有效性以及安全性将会直接对其故障的诊断与调度产生直接影响；为此本研究中的数据采集将采用多传感器融合处理，从而有效实现对数据信息融合的多维跟踪识别，提高对光伏列阵以及并网逆变器的工况监测以及模式识别能力。
当光伏发电系统中远程监控的物联网传感器分布矩阵的阵元组成为t个，并且将这些所有的阵元均任意分布在光伏发电方阵的各个基准平面上面，之后再利用数据发射端的各个信号源实现对各个光伏发电方阵中各类物理信号的采集与传输；在基阵的分布情况中采用均匀列阵设计，其主要的结构组成示意图如下所示：
图1 光伏发电中远程监测数据采集的物联网传感器基阵分布示意
假设在这些物联网传感矩阵中分布着M个信号源，则在这些每个信号源中第m个阵元输出的光伏发电远程监控数据的信号则为：
在上面的式中：θi为第i个监测数据采样输入到物联网节点的相位角；gm（θi）为第m个物联网节点对第i个监测数据采样的灵敏度；τm（θi）为第m个物联网节点接收到i个光伏发电远程监测数据的时间延迟；nm为第m个传感器节点上的附加干扰项。
与此同时，上述物联网远程监控系统中的各个节点采集的光伏数据均是没有指向性的，从而每一个传感器节点的发射输出功率分布的矩阵则为：
2.2 监测数据量化融合方法设计
在以往的光伏发电系统中的远程监控数据收集与传输等方面，均没有考虑到数据的差异性所带来的诸多影响，因此在实际投入使用的过程中，其监控系统就会出现数据采集效率过低以及均衡性较差等现实问题，进而就会直接对电力系统的故障诊断等过程造成影响。因此，本研究中为了能够有效规避上述问题，首先对数据的特征进行研究分析，进行一定的量化处理，在此之后再实施有效的融合方法设计。在光伏发电远程监测数据的量化融合方面，可以将其视为量化后进行分区融合的过程，故其量化以及融合的过程为：
在上面的式中：x（k）∈Rn×1为输出解析数据中的正常状态；A（k）∈Rn×n为状态区分矩阵；w（k）为光伏发电远程监测数据融合的均值为零，但方差不为零的均匀扰动项；Γ（k）为数据采集的分类函数。
在数据融合之后的表达式则为：
在上面的式中：zi（k）∈Rp×1为第i 个物联网传感节点采集的量化后的测量值；Hi（k）∈Rp×n为相应的融合矩阵；ui（k）∈Rp×1为数据的功率密度矩阵，其服从均值为零且方差不为零的均匀正态分布。
最后，采用自适应量化融合跟踪方法得到光伏发电监测数据采样后的信息融合输出为：
3 系统硬件设计
3.1 系统总体逻辑结构设计
首先，在该系统的结构设计中，首要解决的问题就是对光伏发电系统中各个设备产生的数据采集，并且要能够很好的满足上文中提出的数据基阵采样以及信息的融合算法等相关操作，因此本文将采用电磁耦合器进行相关的数据采集工作，在采集之后再对数据以及信息等进行适应的编译与加载，最终将数据输入到带通滤波器中进行匹配滤波以及功率的放大；与此同时，为了能够增加对数据采集与传输的实时性以及安全性，将会采用DSP芯片进行有效监测，并且在系统的电源组成中涉及I/O电源、实时电源以及时钟电源等模式。最后，为了能够实现对数据AD的转换以及程序的切换控制，进而显著提升数据采集输出的信号自适应处理以及信道均衡能力。
3.2 数据采集硬件模块设计
（1）VXI总线接口模块。在数据采集的硬件中，数据采集的VXI总线接口实现光伏发电输出电压（包括+5V，-5V，+12V，-12V等）以及功率等参数的采样和总线传输，构造CLK10时钟线和VXI背板总线。
（2）AD 模块。AD模块具有12通道DMA，采用0.8～1.2 V的核心电压进行局部供电；PCI 总线接收自动光伏发电远程监测数据的D/A分辨率设定为12位。
4 光伏发电系统故障诊断
4.1 时域反射法
在时域反射法实验中通过对比原始信号波形和响应波形可以确定阻抗失配位置、区分模块间的断路故障、检测但不能清晰定位开路故障，时域反射法实验需要在黑暗环境中进行，因为阵列阻抗稳定性会受光照的影响，相对而言黑暗条件阻抗特性较稳定。
4.2 BP神经网络故障诊断法
光伏发电系统的状态信息主要反映在发电设备的工作状态上，包括太阳能阵列的输出电压和电网电压。当某一处发生故障时，将导致其状态的改变，即发电设备的电流和电压，太阳能阵列输出的电压和电网电压的改变。因此，使用电流表和电压表来测量和分析电压和电流以提取故障模式，利用BP神经网络模型用于故障模式的识别将能够实现故障诊断的目的。
5 结束语
本文通过对当前我国光伏发电监控系统故障诊断的论述，从系统在线监控实时性和有效性出发，从物联网的角度进行技术分析，对其故障数据采集、监测等方面进行了探讨，最终以相关系统设计的形式进行数据试验，基于物联网技术的光伏发电系统故障诊断取得良好效果。
参考文献
[1]吴建明, 杨培宏, 张继红. 基于物联网的光伏发电系统故障诊断设计[J]. 可再生能源, 2019, 37(01):69-74.
[2]海涛[1], 纪昌青[1], 李晓念[2],等. 基于Web的光伏电站监控与故障诊断系统[J].自动化与仪表, 2016, 31(10):5-9.
论文作者:程威
论文发表刊物:《基层建设》2019年第22期
论文发表时间:2019/11/20
标签：光伏论文; 数据论文; 系统论文; 数据采集论文; 故障诊断论文; 故障论文; 传感器论文; 《基层建设》2019年第22期论文;