基于组串电流预测模型的光伏组件故障预警算法

炳煌 陈(国能（泉州）热电有限公司，中国)
双强 刘(国能（泉州）热电有限公司，中国)
敏 李(国能（泉州）热电有限公司，中国)
文顺 许(国能（泉州）热电有限公司，中国)
书辉 王(国能（泉州）热电有限公司，中国)

摘要

预警与报警是光伏电站中必要的安全机制，预警相对于报警提供了时间和机会来预防或减轻潜在的灾害。本文围绕双向长短时记忆网络（Bi-Directional Long Short-Term Memory，BiLSTM）搭建组串电流预测模型，并采用卷积神经网络（Convolutional Neural Networks，CNN）对特征提取进行优化。然后对晴天、阴天、雨天三种天气情况分别建模，并且与LSTM、CNN-BiLSTM两种预测模型进行实验对比。实验结果得出采用CNN-BiLSTM模型对光伏组串电流预测在三种天气情况下平均绝对误差最小，分别达到了0.268、0.393、0.361，均方根误差也最小，分别为0.331、0.475、0.458。最后引入偏差率指标结合滑动窗口方法建立报警阈值机制，实现光伏组件在故障报警推送之前的及时预警。

关键词

光伏电站；故障预警；偏差率

参考

Silvestre S, da Silva M A, Chouder A, et al. New procedure for fault detection in grid connected PV systems based on the evaluation of current and voltage indicators[J]. Energy Conversion and Management, 2014, 86: 241-249.

Dhimish M, Holmes V. Fault detection algorithm for grid-connected photovoltaic plants[J]. Solar Energy, 2016, 137: 236-245.

Jufri F H, Oh S, Jung J. Development of Photovoltaic abnormal condition detection system using combined regression and Support Vector Machine[J]. Energy, 2019, 176: 457-467.

Ullah F U M, Ullah A, Haq I U, et al. Short-term prediction of residential power energy consumption via CNN and multi-layer bi-directional LSTM networks[J]. IEEE Access, 2019, 8: 123369-123380.

Shiri F M, Perumal T, Mustapha N, et al. A Comprehensive Overview and Comparative Analysis on Deep Learning Models: CNN, RNN, LSTM, GRU[J]. arxiv e-prints, 2023: arxiv: 2305.17473.

DOI: http://dx.doi.org/10.12345/dlynyqy.v3i6.28450