CN105141255A - 一种光伏阵列故障诊断方法 - Google Patents

Abstract

本发明公开一种光伏阵列故障诊断方法，方法基于多级聚类的支持向量机SVM算法,进行光伏阵列故障诊断，步骤如下：（1）、首先对训练样本集的各类中心进行分级聚类，以聚类分析的相似性测度为均值距离，并假设每一级中前两类的均值距离最小，其他相似性测度同理,将均值最小的2个样本，并为一类；（2）、然后以(1）中得到的样本为SVM输入输出样本，对数据样本进行训练，得到各级的SVM模型,包括SVM1、SVM2、SVM3；（3）、最后将数据测试样本输入训练好的SVM模型中，进行逐级分类诊断，进一步确定***的故障类型。本发明的实施过程简明易实现，能及时地进行故障的诊断，有助于光伏***的运营维护。

Description

一种光伏阵列故障诊断方法

技术领域

本发明涉及光伏发电领域，特别是涉及一种光伏阵列故障诊断方法。

背景技术

随着全球能源问题的日益突出，人们逐渐将目光转向再生能源。太阳能作为一种清洁能源具有较大发展空间。在过去的几年里，因为光伏材料价格的下降以及各国政府的政策支持，光伏产业得到了快速的发展，预计2015年和2020年我国光伏产业年产量可达1.35亿m²和2.73亿m²。目前光伏组件的寿命大约为25年，这就要求光伏电站在这25年时间里可以稳定、持续、高效的发电。但是，光伏电站往往安装在比较恶劣的环境中，导致老化、热斑、短路等故障频发。而光伏***通常在无人值守的情况下运行，***故障的发生可能会导致输出功率降低甚至影响整个***的正常运行。因此，用行之有效的方法及时地发现故障并排除故障，对延长光伏***的维护和光伏组件使用寿命和维持光伏电站正常运行是十分有意义的。

目前，常用的光伏阵列故障诊断和定位方法可以分为视觉判断法、热性能法及电学法3种。热性能和视觉方法，都需要在阵列前面架设热成像仪或摄影机，对热成像仪或者摄像机摄制的图像进行人工观测或者进行图像处理，找出故障点。这类方法，实时性较差，且故障诊断和定位的精度和效率取决于热成像仪或者摄像机的等级，不利于在线故障诊断、定位和报警等。而电学法中，常用的对地电容检测法和时域反射法均需在***停止工作时，对光伏***进行检测后进行故障定位，对***的实时运行影响较大。因此，在光伏电站的运营维护中，故障诊断具有较大的发展前景。

基于支持向量机(SupportVectorMachine,SVM)的故障诊断方法：支持向量机方法与基于模型的故障诊断相比，该方法无需复杂的数学建模，亦无需知道***的机理，只需获取***的运行数据即可对复杂非线性***进行描述；同时，与经典的人工神经网络(ArtificialNeuralNetwork,ANN)方法相比，SVM只需要较少的样本即可对非线性***进行学习。因此，该类方法更能适应故障诊断的需求，具有非常优秀的工程应用前景，也逐渐成为当前研究的一个热点。自1999年此类方法被用至故障诊断领域以来，其研究呈快速发展态势。

发明内容

针对现有技术上存在的不足，本发明的目的是基于增加的光伏***故障诊断的可靠性，公开一种光伏阵列故障诊断方法。

为了实现上述目的，本发明是通过如下的技术方案来实现：

一种光伏阵列故障诊断方法，所述方法基于多级聚类的支持向量机SVM算法,进行光伏阵列故障诊断，所述步骤如下：

(1)、首先对训练样本集的各类中心进行分级聚类，以聚类分析的相似性测度为均值距离，并假设每一级中前两类的均值距离最小，其他相似性测度同理,将均值最小的2个样本，并为一类；

(2)、然后以(1)中得到的样本为SVM输入输出样本，对数据样本进行训练，得到各级的SVM模型,包括SVM1、SVM2、SVM3；

(3)、最后将数据测试样本输入训练好的SVM模型中，进行逐级分类诊断，进一步确定***的故障类型。

上述步骤(1)中的分级聚类的方法如下：

(2a)、假设有四类样本集，分别为A1,A2,A3,A4；A1为硬性阴影样本,A2为软性阴影样本,A3为老化样本,A4为最大功率点失配的样本，4类样本都由电压、电流、功率数据组成；

首先完全按照原始类别划分，即各类样本自称一类；A1和A2为阴影样本集具有相似的输出特性，他们的类均值距离最小，并为B1类，并以A1,A2分别作为SVM3训练集中的输入输出样本，以此得到SVM3的各参数值，同时把A3作为B2，A4作为B3；

(2b)、阴影样本集B1和老化样本集B2，在进行二级分类时，他们二者的类均值距离最小，并为C1类，并以B1,B2分别作为SVM2训练级中的输入输出样本，以此得到SVM2的各参数值，MPPT的失配严重影响逆变器的效率，可以根据逆变器效率加于区分，把B3作为C2；

(2c)、分别以C1、C2样本集的作为SVM1训练集中的输入输出样本，以此得到SVM1的各参数值；

根据训练样本的分布情况和最近距离准则自适应构成N-1个两类SVM，由此完成光伏***硬性阴影、软性阴影、老化、MPPT失配4种故障的分级聚类。

上述步骤(3)中的分类诊断的方法如下：

第一步：由当前电流、电压、和交直流功率组成测试样本x,然后将待测样本x送入SVM1，根据SVM1的结果判断样本x属于C1还是C2，若属于，C2则判定样本X就属于A4，即MPPT失配故障；若属于C1，则进行第二步；

第二步：将待测样本x送入SVM2。根据SVM2的结果判断样本x属于B1还是B2，若属于B2,则判定样本X就属于A3，即老化故障；若属于B1，则进行第三步；

第三步：将待测样本x送入SVM3。根据SVM3的结果判断样本x属于A1还是A2，若结果为A1，即为硬性阴影，若结果为A2，即为软性阴影；

对于m个测试样本，只需按上述步骤逐个进行，最终均可找到所属类别，对光伏***故障进行诊断，且不会出现拒绝分类区。

上述步骤(2)中的SVM模型的计算方法如下：

由四种故障下的电压、电流、交直流功率数据组成的样本A1、A2、A3、A4,两两组成一组样本容量，若A1和A2为例，组成的样本容量{x_i,y_i}(i＝1,2…m),m为样本容量；x_i为输入向量；y_i为目标函数输出数据，考虑到大多数情况下样本呈非线性关系,估计函数f可通过以下方法确定:将每一个样本点利用非线性函数φ映像到高维特征空间,再在高维特征空间进行线性回归,从而取得在原空间进行线性回归的效果。函数f为:

f(x,w)＝wφ(x)+b＝(w,φ(x))+b(1)

w为权值向量，b为常数；公式(1)表示一个平面，把样本{xi,yi}正确无误地分割开来，x,y表示公式(1)所代表的平面上的点；

系数w和b由最小化下式来估计:

$R_{svm}\left(c\right)=c\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}(y_i,w^T\mathrm{\φ}(x)+b)+\frac{1}{2}\left|\right|w|{|}^2---\left(2\right)$

$L_z(y-f(x\left)\right)=\left\{\begin{array}{cc}0& |y-f\left(x\right)|\≤\mathrm{\ϵ}\\ |y-f\left(x\right)-\mathrm{\ϵ}|& |y-f\left(x\right)|\≥\mathrm{\ϵ}\end{array}\right.---\left(3\right)$

在公式(2)中给出的正则化风险泛函中,第1部分是经验风险,R_svm为最小化风险泛函，它由ε不敏感损失函数来衡量；损失函数的用途在于它能用稀疏点来表示决策函数,c是正常数,它决定损失函数和正则化部分之间的平衡第2部分是正则化部分，为寻找系数w和b需要引入松弛变量ξ和ξ^*,使下式最小化:

$R_{SVM}=\frac{1}{2}\left|\right|w|{|}^2+c\underset{i=1}{\overset{m}{\Σ}}(\mathrm{\ξ}+{\mathrm{\ξ}}^{*})---\left(4\right)$

其约束条件是:

$\left\{\begin{array}{cc}{w}^T\mathrm{\φ}\left(x_i\right)+b_i-y_i\≤\mathrm{\ϵ}+\mathrm{\ξ}& \mathrm{\ξ}\≥0\\ y_i-w^T\mathrm{\φ}\left(x_i\right)-b_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}^{*}& {\mathrm{\ξ}}^{*}\≥0\end{array}\right.---\left(5\right)$

其中，b_i为常数；

最后引入拉格朗日乘子,利用Wolf对偶技巧将上述问题转换为下面的对偶问题:

$\max L\left\{\left\{a_i\right\},\left\{{a_i}^{*}\right\}\right\}=-\frac{1}{2}\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}\left(a_i,a_i^{*}\right)\left(a_j,a_j^{*}\right)K\left(x_i,x_j\right)-\mathrm{\ϵ}\underset{i=1}{\overset{m}{\Σ}}\left(a_i,a_j^{*}\right)+\underset{i}{\overset{m}{\Σ}}{y}_i\left(a_i,a_j^{*}\right)---\left(6\right)$

其中，L为拉格朗日乘子，a,a^* _i均为正常数，

则公式(3)给出的回归表达式写成：

$f(x,a_i,a_i^{*})=\underset{i=1}{\overset{m}{\Σ}}(a_i,a_i^{*})K(x,x_i)+b---\left(7\right)$

称K(x,x_i)为核函数,公式(7)中的函数f完全由a_i和a决定，选择的核函数为：

$K(x,x_i)=\exp (-\frac{\left|\right|x-x_i|{|}^2}{{\mathrm{\σ}}^2})---\left(8\right)$

其中σ为核函数的宽度参数；

由此得到SVM的各参数。

本发明的实施过程简明易实现，能及时地进行故障的诊断，有助于光伏***的运营维护。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1是分级聚类图；

图2是分类诊断图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

针对已建立的分布式并网***，本发明对该***输出数据进行了分析。

如图1、图2所示，一种光伏阵列故障诊断方法，方法基于多级聚类的支持向量机SVM算法,进行光伏阵列故障诊断，所述步骤如下：

(1)、首先对训练样本集的各类中心进行分级聚类，以聚类分析的相似性测度为均值距离，并假设每一级中前两类的均值距离最小，其他相似性测度同理,将均值最小的2个样本，并为一类；

(2)、然后以(1)中得到的样本为SVM输入输出样本，对数据样本进行训练，得到各级的SVM模型,包括SVM1、SVM2、SVM3；

(3)、最后将数据测试样本输入训练好的SVM模型中，进行逐级分类诊断，进一步确定***的故障类型。

上述步骤(1)中的分级聚类的方法如下：

(2a)、假设有四类样本集，分别为A1,A2,A3,A4；A1为硬性阴影样本,A2为软性阴影样本,A3为老化样本,A4为最大功率点失配的样本，4类样本都由电压、电流、功率数据组成；

首先完全按照原始类别划分，即各类样本自称一类；A1和A2为阴影样本集具有相似的输出特性，他们的类均值距离最小，并为B1类，并以A1,A2分别作为SVM3训练集中的输入输出样本，以此得到SVM3的各参数值，同时把A3作为B2，A4作为B3；

(2b)、阴影样本集B1和老化样本集B2，在进行二级分类时，他们二者的类均值距离最小，并为C1类，并以B1,B2分别作为SVM2训练级中的输入输出样本，以此得到SVM2的各参数值，MPPT的失配严重影响逆变器的效率，可以根据逆变器效率加于区分，把B3作为C2；

(2c)、分别以C1、C2样本集的作为SVM1训练集中的输入输出样本，以此得到SVM1的各参数值；

根据训练样本的分布情况和最近距离准则自适应构成N-1个两类SVM，由此完成光伏***硬性阴影、软性阴影、老化、MPPT失配4种故障的分级聚类。

上述步骤(3)中的分类诊断的方法如下：

第一步：由当前电流、电压、和交直流功率组成测试样本x,然后将待测样本x送入SVM1，根据SVM1的结果判断样本x属于C1还是C2，若属于，C2则判定样本X就属于A4，即MPPT失配故障；若属于C1，则进行第二步；

第二步：将待测样本x送入SVM2。根据SVM2的结果判断样本x属于B1还是B2，若属于B2,则判定样本X就属于A3，即老化故障；若属于B1，则进行第三步；

第三步：将待测样本x送入SVM3。根据SVM3的结果判断样本x属于A1还是A2，若结果为A1，即为硬性阴影，若结果为A2，即为软性阴影；

对于m个测试样本，只需按上述步骤逐个进行，最终均可找到所属类别，对光伏***故障进行诊断，且不会出现拒绝分类区。

上述步骤(2)中的SVM模型的计算方法如下：

由四种故障下的电压、电流、交直流功率数据组成的样本A1、A2、A3、A4,两两组成一组样本容量，若A1和A2为例，组成的样本容量{x_i,y_i}(i＝1,2…m),m为样本容量；x_i为输入向量；y_i为目标函数输出数据，考虑到大多数情况下样本呈非线性关系,估计函数f可通过以下方法确定:将每一个样本点利用非线性函数φ映像到高维特征空间,再在高维特征空间进行线性回归,从而取得在原空间进行线性回归的效果。函数f为:

f(x,w)＝wφ(x)+b＝(w,φ(x))+b(1)

w为权值向量，b为常数；公式(1)表示一个平面，把样本{xi,yi}正确无误地分割开来，x,y表示公式(1)所代表的平面上的点；

系数w和b由最小化下式来估计:

$R_{svm}\left(c\right)=c\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}(y_i,w^T\mathrm{\φ}(x)+b)+\frac{1}{2}\left|\right|w|{|}^2---\left(2\right)$

$L_z(y-f(x\left)\right)=\left\{\begin{array}{cc}0& |y-f\left(x\right)|\≤\mathrm{\ϵ}\\ |y-f\left(x\right)-\mathrm{\ϵ}|& |y-f\left(x\right)|\≥\mathrm{\ϵ}\end{array}\right.---\left(3\right)$

在公式(2)中给出的正则化风险泛函中,第1部分是经验风险,R_svm为最小化风险泛函，它由ε不敏感损失函数来衡量；损失函数的用途在于它能用稀疏点来表示决策函数,c是正常数,它决定损失函数和正则化部分之间的平衡第2部分是正则化部分，为寻找系数w和b需要引入松弛变量ξ和ξ^*,使下式最小化:

$R_{SVM}=\frac{1}{2}\left|\right|w|{|}^2+c\underset{i=1}{\overset{m}{\Σ}}(\mathrm{\ξ}+{\mathrm{\ξ}}^{*})---\left(4\right)$

其约束条件是:

$\left\{\begin{array}{cc}{w}^T\mathrm{\φ}\left(x_i\right)+b_i-y_i\≤\mathrm{\ϵ}+\mathrm{\ξ}& \mathrm{\ξ}\≥0\\ y_i-w^T\mathrm{\φ}\left(x_i\right)-b_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}^{*}& {\mathrm{\ξ}}^{*}\≥0\end{array}\right.---\left(5\right)$

其中，b_i为常数；

最后引入拉格朗日乘子,利用Wolf对偶技巧将上述问题转换为下面的对偶问题:

$\max L\left\{\left\{a_i\right\},\left\{{a_i}^{*}\right\}\right\}=-\frac{1}{2}\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}\left(a_i,a_i^{*}\right)\left(a_j,a_j^{*}\right)K\left(x_i,x_j\right)-\mathrm{\ϵ}\underset{i=1}{\overset{m}{\Σ}}\left(a_i,a_j^{*}\right)+\underset{i}{\overset{m}{\Σ}}{y}_i\left(a_i,a_j^{*}\right)---\left(6\right)$

其中，L为拉格朗日乘子，a,a^* _i均为正常数，

则公式(3)给出的回归表达式写成：

$f(x,a_i,a_i^{*})=\underset{i=1}{\overset{m}{\Σ}}(a_i,a_i^{*})K(x,x_i)+b---\left(7\right)$

称K(x,x_i)为核函数,公式(7)中的函数f完全由a_i和a决定，选择的核函数为：

$K(x,x_i)=\exp (-\frac{\left|\right|x-x_i|{|}^2}{{\mathrm{\σ}}^2})---\left(8\right)$

其中σ为核函数的宽度参数；

由此得到SVM的各参数。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种光伏阵列故障诊断方法，其特征在于：所述方法基于多级聚类的支持向量机SVM算法,进行光伏阵列故障诊断，所述步骤如下：

(1)、首先对训练样本集的各类中心进行分级聚类，以聚类分析的相似性测度为均值距离，并假设每一级中前两类的均值距离最小，其他相似性测度同理,将均值最小的2个样本，并为一类；

(2)然后以(1)中得到的样本为SVM输入输出样本，对数据样本进行训练，得到各级的SVM模型,包括SVM1、SVM2、SVM3；

(3)最后将数据测试样本输入训练好的SVM模型中，进行逐级分类诊断，进一步确定***的故障类型。

2.根据权利要求1所述的一种光伏阵列故障诊断方法，其特征在于:所述步骤(1)中的分级聚类的方法如下：

(2a)、假设有四类样本集，分别为A1,A2,A3,A4；A1为硬性阴影样本,A2为软性阴影样本,A3为老化样本,A4为最大功率点失配的样本，4类样本都由电压、电流、功率数据组成；

首先完全按照原始类别划分，即各类样本自称一类；A1和A2为阴影样本集具有相似的输出特性，他们的类均值距离最小，并为B1类，并以A1,A2分别作为SVM3训练集中的输入输出样本，以此得到SVM3的各参数值，同时把A3作为B2，A4作为B3；

(2b)、阴影样本集B1和老化样本集B2，在进行二级分类时，他们二者的类均值距离最小，并为C1类，并以B1,B2分别作为SVM2训练级中的输入输出样本，以此得到SVM2的各参数值，MPPT的失配严重影响逆变器的效率，可以根据逆变器效率加于区分，把B3作为C2；

(2c)、分别以C1、C2样本集的作为SVM1训练集中的输入输出样本，以此得到SVM1的各参数值；

根据训练样本的分布情况和最近距离准则自适应构成N-1个两类SVM，由此完成光伏***硬性阴影、软性阴影、老化、MPPT失配4种故障的分级聚类。

3.根据权利要求1所述的一种光伏阵列故障诊断方法，其特征在于:所述步骤(3)中的分类诊断的方法如下：

第一步：由当前电流、电压、和交直流功率组成测试样本x,然后将待测样本x送入SVM1，根据SVM1的结果判断样本x属于C1还是C2，若属于，C2则判定样本X就属于A4，即MPPT失配故障；若属于C1，则进行第二步；

第二步：将待测样本x送入SVM2。根据SVM2的结果判断样本x属于B1还是B2，若属于B2,则判定样本X就属于A3，即老化故障；若属于B1，则进行第三步；

第三步：将待测样本x送入SVM3。根据SVM3的结果判断样本x属于A1还是A2，若结果为A1，即为硬性阴影，若结果为A2，即为软性阴影；

对于m个测试样本，只需按上述步骤逐个进行，最终均可找到所属类别，对光伏***故障进行诊断，且不会出现拒绝分类区。

4.根据权利要求1所述的一种光伏阵列故障诊断方法，其特征在于:所述步骤(2)中的SVM模型的计算方法如下：

由四种故障下的电压、电流、交直流功率数据组成的样本A1、A2、A3、A4,两两组成一组样本容量，若A1和A2为例，组成的样本容量{x_i,y_i}(i＝1,2…m),m为样本容量；x_i为输入向量；y_i为目标函数输出数据，考虑到大多数情况下样本呈非线性关系,估计函数f可通过以下方法确定:将每一个样本点利用非线性函数φ映像到高维特征空间,再在高维特征空间进行线性回归,从而取得在原空间进行线性回归的效果。函数f为:

f(x,w)＝wφ(x)+b＝(w,φ(x))+b(1)

w为权值向量，b为常数；公式(1)表示一个平面，把样本{xi,yi}正确无误地分割开来，x,y表示公式(1)所代表的平面上的点；

系数w和b由最小化下式来估计:

$R_{svm}\left(c\right)=c\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}(y_i,w^T\mathrm{\φ}(x)+b)+\frac{1}{2}\left|\right|w|{|}^2---\left(2\right)$

$L_z(y-f(x\left)\right)=\left\{\begin{array}{cc}0& |y-f\left(x\right)|\≤\mathrm{\ϵ}\\ |y-f\left(x\right)-\mathrm{\ϵ}|& |y-f\left(x\right)|\≥\mathrm{\ϵ}\end{array}\right.---\left(3\right)$

在公式(2)中给出的正则化风险泛函中,第1部分是经验风险,R_svm为最小化风险泛函，它由ε不敏感损失函数来衡量；损失函数的用途在于它能用稀疏点来表示决策函数,c是正常数,它决定损失函数和正则化部分之间的平衡第2部分是正则化部分，为寻找系数w和b需要引入松弛变量ξ和ξ^*,使下式最小化:

$R_{SVM}=\frac{1}{2}\left|\right|w|{|}^2+c\underset{i=1}{\overset{m}{\Σ}}(\mathrm{\ξ}+{\mathrm{\ξ}}^{*})---\left(4\right)$

其约束条件是:

$\left\{\begin{array}{cc}{w}^T\mathrm{\φ}\left(x_i\right)+b_i-y_i\≤\mathrm{\ϵ}+\mathrm{\ξ}& \mathrm{\ξ}\≥0\\ y_i-w^T\mathrm{\φ}\left(x_i\right)-b_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}^{*}& {\mathrm{\ξ}}^{*}\≥0\end{array}\right.---\left(5\right)$

其中，b_i为常数；

最后引入拉格朗日乘子,利用Wolf对偶技巧将上述问题转换为下面的对偶问题:

$\max L\left\{\left\{a_i\right\},\left\{{a_i}^{*}\right\}\right\}=-\frac{1}{2}\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{m}{\Σ}}\left(a_i,a_i^{*}\right)\left(a_j,a_j^{*}\right)K\left(x_i,x_j\right)-\mathrm{\ϵ}\underset{i=1}{\overset{m}{\Σ}}\left(a_i,a_j^{*}\right)+\underset{i}{\overset{m}{\Σ}}{y}_i\left(a_i,a_j^{*}\right)---\left(6\right)$

其中，L为拉格朗日乘子，a,a^* _i均为正常数， $\underset{i=1}{\overset{m}{\Σ}}(a_i,{a_i}^{*})=0,a_i,a_i^{*}\∈\[0,c\]$

则公式(3)给出的回归表达式写成：

$f(x,a_i,a_i^{*})=\underset{i=1}{\overset{m}{\Σ}}(a_i,a_i^{*})K(x,x_i)+b---\left(7\right)$

称K(x,x_i)为核函数,公式(7)中的函数f完全由a_i和a决定，选择的核函数为：

$K(x,x_i)=\exp (-\frac{\left|\right|x-x_i|{|}^2}{{\mathrm{\σ}}^2})---\left(8\right)$

其中σ为核函数的宽度参数；

由此得到SVM的各参数。