CN108875796A - 基于线性判别分析和支持向量机的光伏阵列故障诊断方法 - Google Patents
基于线性判别分析和支持向量机的光伏阵列故障诊断方法 Download PDFInfo
- Publication number
- CN108875796A CN108875796A CN201810525961.2A CN201810525961A CN108875796A CN 108875796 A CN108875796 A CN 108875796A CN 201810525961 A CN201810525961 A CN 201810525961A CN 108875796 A CN108875796 A CN 108875796A
- Authority
- CN
- China
- Prior art keywords
- matrix
- photovoltaic array
- sample
- linear discriminant
- photovoltaic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 94
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims abstract description 11
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000010248 power generation Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 14
- 230000032683 aging Effects 0.000 claims description 11
- WSGCGMGMFSSTNK-UHFFFAOYSA-M 1-methyl-4-phenyl-1-propan-2-ylpiperidin-1-ium;iodide Chemical compound [I-].C1C[N+](C(C)C)(C)CCC1C1=CC=CC=C1 WSGCGMGMFSSTNK-UHFFFAOYSA-M 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- SJWPTBFNZAZFSH-UHFFFAOYSA-N pmpp Chemical compound C1CCSC2=NC=NC3=C2N=CN3CCCN2C(=O)N(C)C(=O)C1=C2 SJWPTBFNZAZFSH-UHFFFAOYSA-N 0.000 claims description 2
- 230000000873 masking effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明涉及一种基于线性判别分析的光伏阵列工作状态分析与故障诊断方法。该方法包括：步骤S1：生成光伏阵列仿真数据并采集日常工作中光伏发电阵列最大功率点的若干个电气特征参数以及环境参数，得到特征参数测试样本矩阵；步骤S2：对特征参数标准矩阵做线性判别分析，得到投影矩阵，并将标准矩阵乘上投影矩阵得到标准分类矩阵；步骤S3：将标准分类矩阵作为训练集，通过支持向量机训练分类模型；步骤S4：将测试样本矩阵乘上投影矩阵，得到新的样本矩阵；步骤S5：通过S3中得到的分类模型对步骤S4中得到的新的样本矩阵进行分类，识别数据所属的分类。本发明可以通过对光伏***日常运行数据的线性判别分析和分类实现对故障的准确诊断。
Description
技术领域
本发明涉及并网光伏发电***中光伏阵列故障诊断技术领域，特别是一种基于线性判别分析的光伏阵列工作状态分析与故障诊断方法。
背景技术
可再生能源是一个在世界范围内日益受到关注的关键挑战问题，其中太阳能作为传统化石燃料的替代品，具有清洁、可持续、安全、环境友好、零二氧化碳排放等优点。此外，光伏能源是最具经济竞争力的可再生能源之一，它通过减少对化石燃料的依赖，增加了国家的能源安全。
尽管近年来光伏发电技术已经取得了长足的进步，但在现实使用中，依然存在许多影响光伏阵列运行效率的问题，从而显著影响光伏***的性能。事实上，光伏***面临不同故障的威胁，例如短路、老化、开路、阴影遮蔽等。这些故障会影响到光伏阵列的正常工作，甚至大大降低它们寿命。光伏***直流端的故障往往难以避免，并可能导致能量损失、***停机，甚至严重的安全问题。因此，及早发现并识别被监测的光伏***中可能出现的故障至关重要。我们需要一个准确且实时的故障检测和诊断策略，以提高光伏***的效率，避免高昂的维护成本，并降低可能导致设备损坏的风险。
目前有许多用于检测光伏***中故障的诊断技术。其中一些技术是基于光伏模块电路的模拟，而有些则使用不同的光伏模块输出的电气信号进行统计分析，如电流和电压。如对地电容检测法是为了检测一个组串中的开路故障；时域反射法向光伏组串注入一个脉冲，通过分析和观察返回波形以检测出故障点、故障类型和阻抗变化，该方法无需提供气象数据。然而，这些方法只能在离线模式下运行，实时性较差。关于机器学习的故障诊断方法中，有基于RBF神经网络的故障诊断方法，该方法首先对光伏组件进行参数辨识，获取到各工况下组件内部等效参数作为故障训练网络的输入向量，该方法能更为客观、有效地识别出故障类型。但该方法仍然缺乏对局部固有阴影故障的检测，同时其故障模型的诊断精度和训练时间还有较大提升空间。
线性判别分析(Linear Discriminant Analysis，LDA)是由R.Fischer于1936年提出，其目的是找出使类内方差最小的投影超平面，并且使投影后的各类间距离最大。与主成分分析类似，我们可以通过解特征值问题与定义超平面的特征向量来达成上述两个目的。而得到的超平面可以用于分类、降维以及分析给定特征的重要性。LDA的可分离性是由平均值和方差的统计度量来定义的。LDA的优点之一是可以通过求解广义特征值***得到解决方案，因此可以对快速处理大规模的数据样本。
与主成分分析不同的是，LDA的分类过程是监督式分类。在进行分类之前，需要输入带有标签的样本数据进行训练，得到一个投影向量矩阵，进而通过这个投影向量矩阵对待测数据进行投影变换，以达到对待测数据分类的目的。
光伏阵列具有多种特征参数，当故障发生时，某些特征参数将发生变化。若将多种故障混合的光伏阵列输出数据通过线性判别分析进行投影，使得相同故障数据之间的方差最小，而不同故障数据类中心之间的距离最大，可以达到很好的分类效果。目前，公开发表的文献及专利中尚未见有将LDA和SVM结合应用于光伏阵列工作状态分析与故障诊断中。
发明内容
本发明的目的在于提供一种基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，采用LDA方法对光伏阵列的数据进行投影变换，并进一步通过监督式学习方式得到分类模型，以此模型进行光伏阵列的故障诊断和分类，可精确的识别出光伏发电***的运行状况。
为实现上述目的，本发明的技术方案是：一种基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，包括如下步骤：
步骤S1、生成光伏阵列仿真数据并采集日常工作中光伏发电阵列最大功率点的若干个电气特征参数以及环境参数，得到特征参数测试样本矩阵；
步骤S2：对特征参数标准矩阵做线性判别分析，得到投影矩阵，并将标准矩阵乘上投影矩阵得到标准分类矩阵；
步骤S3：将标准分类矩阵作为训练集，通过支持向量机训练分类模型；
步骤S4：将测试样本矩阵乘上投影矩阵，得到新的样本矩阵；
步骤S5：通过S3中得到的分类模型对步骤S4中得到的新的样本矩阵进行分类，识别数据所属的分类。
在本发明一实施例中，步骤S1中，所述电气特征参数包括光伏阵列的最大功率点电流IMPP、光伏阵列的最大功率点电压VMPP、光伏阵列的短路电流ISC、光伏阵列的开路电压VOC、光伏阵列的最大输出功率PMPP、光伏组件温度TC、辐照度G以及开路电压与短路电流的乘积IMPP·VMPP。
在本发明一实施例中，步骤S1中，所述日常工作的工作状态包括正常工作、单支路开路、双支路开路、单支路上1个组件短路、单支路上2个组件短路、单支路上3个组件短路、单支路上1个组件受阴影遮蔽、单支路上2个组件受阴影遮蔽、组串轻度老化、组串中度老化。
在本发明一实施例中，所述步骤S2具体包括以下步骤：
步骤S21：由仿真数据建立矩阵X，矩阵X中包含N个样本点，任意样本点xi都包含M个特征参数，而这些样本可以被分为k类，则(X,y)＝[(x1,y1),(x2,y2),…,(xN,yN)]T，其中y为类编号集合yi∈{C1,C2,…,Ck}；
步骤S22：定义Nj(j＝1,2,…,k)为第j类样本的数量，而Uj(j＝1,2,…,k)为第j类样本的集合，由于LDA的目的是使不同类间的距离尽量大，而相同类内的离散程度尽量小，因此定义类内散度矩阵SW和类间散度矩阵Sb，SW和Sb分别由以下公式计算计算：
其中，μ为所有样本均值向量，而μj(j＝1,2,…,k)为第j类样本的均值向量，μj可由以下公式计算
步骤S23：求矩阵Sb相对于矩阵SW的广义特征值λ和广义特征向量ω，ω和λ满足以下公式：
Sbω＝λSWω
步骤S24：选择最大的d(d＜M)个广义特征值及其相对的特征向量，组合得到广义特征值矩阵Σ及投影矩阵Q。
步骤S25：经过线性判别分析得到的标准分类矩阵A可由如下公式计算：
A＝XQ。
在本发明一实施例中，步骤S3中，运用LibSVM工具箱对标准分类矩阵A进行分类，训练分类模型。
在本发明一实施例中，步骤S4的具体实现过程为：根据步骤S1中的得到的矩阵Y与步骤 S24中得到的投影矩阵相乘，得到新的样本矩阵B，计算公式如下：
B＝YQ。
在本发明一实施例中，步骤S5的具体实现过程为：将步骤S4中得到的样本矩阵B输入步骤S3中得到的分类模型，将得到每个样本对应的类别标签，根据类别标签可以判断该样本属于何种状态。
相较于现有技术，本发明具有以下有益效果：本发明通过LDA对光伏阵列输出数据进行特征提取和投影变换，并通过支持向量机进行分类，以达到监测光伏发电***的日常运行状态并进行故障诊断的目的；本发明仅需对仿真得到的少量带标签数据做LDA，即可使可分性较差的原始数据具有良好的可分性，且得到的投影向量亦适用于相同光伏阵列，然后通过支持向量机或其他分类手段训练分类模型，即可用得到的分类模型检验测试样本。通过对不同日常运行状态的模拟和实验测试，该方案均可精确的识别出光伏发电***的运行状况。
附图说明
图1为本发明的方法流程示意图。
图2为本发明实施例中的光伏发电***拓扑图。
图3为本发明实施例中的***实验光伏平台图。
图4(a)表示d＝2时的分维箱线图，即将仿真数据投影并降低至2维。
图4(b)表示d＝3时的分维箱线图，即将仿真数据投影并降低至3维。
图4(c)表示d＝4时的分维箱线图，即将仿真数据投影并降低至4维。
图4(d)表示d＝5时的分维箱线图，即将仿真数据投影并降低至5维。
图4(e)表示d＝6时的分维箱线图，即将仿真数据投影并降低至6维。
图4(f)表示d＝7时的分维箱线图，即将仿真数据投影并降低至7维。
图5(a)表示d＝2时的分维箱线图，即将实测数据投影并降低至2维。
图5(b)表示d＝3时的分维箱线图，即将实测数据投影并降低至3维。
图5(c)表示d＝4时的分维箱线图，即将实测数据投影并降低至4维。
图5(d)表示d＝5时的分维箱线图，即将实测数据投影并降低至5维。
图5(e)表示d＝6时的分维箱线图，即将实测数据投影并降低至6维。
图5(f)表示d＝7时的分维箱线图，即将实测数据投影并降低至7维。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
如图1所示，本实施例提供了一种基于线性判别分析和支持向量机的光伏阵列故障诊断方法。图2为本实施例的光伏发电***拓扑图，***由m×n个光伏组件组成光伏阵列，通过并网逆变器与电网进行连接。在不同的大气温度和辐照度下，模拟十种光伏发电阵列日常运行中出现的不同工作状况，进行光伏发电***的数据采集然后对数据进行线性判别分析及识别，实施例的具体操作包括以下步骤：
步骤S1：生成光伏阵列仿真数据并采集日常工作中光伏发电阵列最大功率点的若干个电气特征参数以及环境参数，得到特征参数测试样本矩阵；
步骤S2：对特征参数标准矩阵做线性判别分析，得到投影矩阵，并将标准矩阵乘上投影矩阵得到标准分类矩阵；
步骤S3：将标准分类矩阵作为训练集，通过支持向量机(Support VectorMachine，SVM) 训练分类模型；
步骤S4：将测试样本矩阵乘上投影矩阵，得到新的样本矩阵；
步骤S5：通过S3中得到的分类模型对步骤S4中得到的新的样本矩阵进行分类，识别数据所属的分类。
较佳的，本实施例中采集数据所采用的光伏发电***由20块太阳能面板组成，其中18块为工作面板，组成6串3并的方式，通过逆变器进行并网发电；另外2块为参考太阳能面板，1 块获取开路电压VOC，另1块获取短路电流ISC，***详细参数如表1所示。
表1***详细参数
在本实施例中，步骤S1中所述若干个电气参数包括：光伏阵列的最大功率点电流IMPP，光伏阵列的最大功率点电压VMPP，光伏阵列的短路电流ISC，光伏阵列的开路电压VOC，光伏阵列的最大输出功率PMPP，光伏组件温度TC，辐照度G，以及开路电压与短路电流的乘积IMPP·VMPP。共计8个参数。
在本实施例中，对于仿真数据，进一步地，步骤S1中所述日常工作的工作状态包括正常工作(正常)、单支路开路(开路1)、双支路开路(开路2)、单支路上1个组件短路(短路1)、单支路上2个组件短路(短路2)、单支路上3个组件短路(短路3)、单支路上1个组件受阴影遮蔽(阴影1)、单支路上2个组件受阴影遮蔽(阴影2)、组串轻度老化(老化1)、组串中度老化(老化2)。共计10种状态。所实施例的仿真辐照度及光伏数据量具体信息如表2所示。
表2实施例的仿真辐照度及采集的光伏数据量具体信息
在本实施例中，对于实测数据，进一步地，步骤S1中所述日常工作的工作状态包括正常工作(正常)、单支路开路(开路1)、双支路开路(开路2)、单支路上1个组件短路(短路1)、单支路上2个组件短路(短路2)、单支路上1个组件受阴影遮蔽(阴影1)、单支路上2个组件受阴影遮蔽(阴影2)、组串轻度老化(老化1)、组串中度老化(老化2)。共计9种状态。所实施例的实测辐照度及采集的光伏数据量具体信息如表3所示。
表3实施例的实测辐照度及采集的光伏数据量具体信息
在本实施例中，所述步骤S2具体包括以下步骤：
步骤S21：由仿真数据建立矩阵X，矩阵X中包含N个样本点，任意样本点xi都包含M个特征参数，而这些样本可以被分为k类，则(X,y)＝[(x1,y1),(x2,y2),…,(xN,yN)]T，其中y为类编号集合yi∈{C1,C2,…,Ck}；
步骤S22：定义Nj(j＝1,2,…,k)为第j类样本的数量，而Uj(j＝1,2,…,k)为第j类样本的集合，由于LDA的目的是使不同类间的距离尽量大，而相同类内的离散程度尽量小，因此定义类内散度矩阵SW和类间散度矩阵Sb，SW和Sb分别由以下公式计算计算：
其中，μ为所有样本均值向量，而μj(j＝1,2,…,k)为第j类样本的均值向量，μj可由以下公式计算
步骤S23：求矩阵Sb相对于矩阵SW的广义特征值λ和广义特征向量ω，ω和λ满足以下公式：
Sbω＝λSWω
步骤S24：选择最大的d(d＜M)个广义特征值及其相对的特征向量，组合得到广义特征值矩阵Σ及投影矩阵Q。
步骤S25：经过线性判别分析得到的标准分类矩阵A可由如下公式计算：
A＝XQ
在本实施例中，所述步骤S3中所述具体为：运用LibSVM工具箱对矩阵A进行分类。
在本实施例中，所述步骤S4中所述具体为：根据步骤S1中的得到的矩阵Y与步骤S24中得到的投影矩阵相乘，得到新的样本矩阵B，计算公式如下：
B＝YQ
在本实施例中，步骤S5具体为：将步骤S4中得到的矩阵B输入步骤S3中得到的分类模型，将得到每个样本对应的类别标签，根据类别标签可以判断该样本属于何种状态。
较佳的，根据步骤S2，本实施例将仿真数据矩阵做线性判别分析，最终得到的标准分类矩阵分维箱线图如图4(a)、图4(b)、图4(c)、图4(d)、图4(e)、图4(f)所示，图中的每一个子图都代表一个维度。其中，图4(a)表示d＝2时的视图，即将仿真数据特征参数投影并降低至2维；图4(b)表示将仿真数据特征参数投影并降低至3维；图4(c)表示将仿真数据特征参数投影并降低至4维；图4(d)表示将仿真数据特征参数投影并降低至5维；图4(e) 表示将仿真数据特征参数投影并降低至6维；图4(f)表示将仿真数据特征参数投影并降低至 7维。而图中坐标轴横轴的数字代表状态类型，其中“1”代表正常工作状态，“2”代表单支路开路，“3”代表单支路上一个组件受阴影遮蔽，“4”代表单支路上一个组件短路，“5”代表双支路开路，“6”代表单支路上两个组件短路，“7”代表单支路上三个组件短路，“8”代表单支路上两个组件受阴影遮蔽，“9”代表组串轻度老化，“10”代表组串中度老化。
较佳的，根据步骤S2，本实施例将实测数据矩阵做线性判别分析，最终得到的标准分类矩阵分维箱线图如图5(a)、图5(b)、图5(c)、图5(d)、图5(e)、图5(f)所示，图中的每一个子图都代表一个维度。其中，图5(a)表示d＝2时的视图，即将实测数据特征参数投影并降低至2维；图5(b)表示将实测数据特征参数投影并降低至3维；图5(c)表示将实测数据特征参数投影并降低至4维；图5(d)表示将实测数据特征参数投影并降低至5维；图5(e) 表示将实测数据特征参数投影并降低至6维；图5(f)表示将实测数据特征参数投影并降低至 7维。而图中坐标轴横轴的数字代表状态类型，其中“1”代表正常工作状态，“2”代表单支路开路，“3”代表单支路上一个组件受阴影遮蔽，“4”代表单支路上一个组件短路，“5”代表双支路开路，“6”代表单支路上两个组件短路，“7”代表单支路上两个组件受阴影遮蔽，“8”代表组串轻度老化，“9”代表组串中度老化。
较佳的，根据步骤S3和S4，本实施例将仿真数据投影后不同维度的分类矩阵通过SVM进行分类，并进一步进行测试，分类测试结果如表4所示。可以看出，当投影降维至5维时，得到的分类准确率最高，可以达到100％。
表4仿真数据分类测试结果
较佳的，根据步骤S3和S4，本实施例将实测数据投影后不同维度的分类矩阵通过SVM进行分类，并进一步进行测试，分类测试结果如表5所示。可以看出，当投影降维至5维时，得到的分类准确率最高，可以接近100％。
表5实测数据分类测试结果
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (7)
1.一种基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，包括如下步骤：
步骤S1、生成光伏阵列仿真数据并采集日常工作中光伏发电阵列最大功率点的若干个电气特征参数以及环境参数，得到特征参数测试样本矩阵；
步骤S2：对特征参数标准矩阵做线性判别分析，得到投影矩阵，并将标准矩阵乘上投影矩阵得到标准分类矩阵；
步骤S3：将标准分类矩阵作为训练集，通过支持向量机训练分类模型；
步骤S4：将测试样本矩阵乘上投影矩阵，得到新的样本矩阵；
步骤S5：通过S3中得到的分类模型对步骤S4中得到的新的样本矩阵进行分类，识别数据所属的分类。
2.根据权利要求1所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，步骤S1中，所述电气特征参数包括光伏阵列的最大功率点电流IMPP、光伏阵列的最大功率点电压VMPP、光伏阵列的短路电流ISC、光伏阵列的开路电压VOC、光伏阵列的最大输出功率PMPP、光伏组件温度TC、辐照度G以及开路电压与短路电流的乘积IMPP·VMPP。
3.根据权利要求1所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，步骤S1中，所述日常工作的工作状态包括正常工作、单支路开路、双支路开路、单支路上1个组件短路、单支路上2个组件短路、单支路上3个组件短路、单支路上1个组件受阴影遮蔽、单支路上2个组件受阴影遮蔽、组串轻度老化、组串中度老化。
4.根据权利要求1所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，所述步骤S2具体包括以下步骤：
步骤S21：由仿真数据建立矩阵X，矩阵X中包含N个样本点，任意样本点xi都包含M个特征参数，而这些样本可以被分为k类，则(X,y)＝[(x1,y1),(x2,y2),…,(xN,yN)]T，其中y为类编号集合yi∈{C1,C2,…,Ck}；
步骤S22：定义Nj(j＝1,2,…,k)为第j类样本的数量，而Uj(j＝1,2,…,k)为第j类样本的集合，由于LDA的目的是使不同类间的距离尽量大，而相同类内的离散程度尽量小，因此定义类内散度矩阵SW和类间散度矩阵Sb，SW和Sb分别由以下公式计算计算：
其中，μ为所有样本均值向量，而μj(j＝1,2,…,k)为第j类样本的均值向量，μj可由以下公式计算
步骤S23：求矩阵Sb相对于矩阵SW的广义特征值λ和广义特征向量ω，ω和λ满足以下公式：
Sbω＝λSWω
步骤S24：选择最大的d(d＜M)个广义特征值及其相对的特征向量，组合得到广义特征值矩阵Σ及投影矩阵Q。
步骤S25：经过线性判别分析得到的标准分类矩阵A可由如下公式计算：
A＝XQ。
5.根据权利要求4所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，步骤S3中，运用LibSVM工具箱对标准分类矩阵A进行分类，训练分类模型。
6.根据权利要求5所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，步骤S4的具体实现过程为：根据步骤S1中的得到的矩阵Y与步骤S24中得到的投影矩阵相乘，得到新的样本矩阵B，计算公式如下：
B＝YQ。
7.根据权利要求6所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，步骤S5的具体实现过程为：将步骤S4中得到的样本矩阵B输入步骤S3中得到的分类模型，将得到每个样本对应的类别标签，根据类别标签可以判断该样本属于何种状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810525961.2A CN108875796A (zh) | 2018-05-28 | 2018-05-28 | 基于线性判别分析和支持向量机的光伏阵列故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810525961.2A CN108875796A (zh) | 2018-05-28 | 2018-05-28 | 基于线性判别分析和支持向量机的光伏阵列故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108875796A true CN108875796A (zh) | 2018-11-23 |
Family
ID=64335328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810525961.2A Pending CN108875796A (zh) | 2018-05-28 | 2018-05-28 | 基于线性判别分析和支持向量机的光伏阵列故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875796A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109617526A (zh) * | 2018-12-20 | 2019-04-12 | 福州大学 | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 |
| CN113392936A (zh) * | 2021-07-09 | 2021-09-14 | 四川英创力电子科技股份有限公司 | 一种基于机器学习的烤箱故障诊断方法 |
| CN115455730A (zh) * | 2022-09-30 | 2022-12-09 | 南京工业大学 | 一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101216879A (zh) * | 2007-12-28 | 2008-07-09 | 西安电子科技大学 | 基于Fisher支持向量机的人脸识别方法 |
| WO2013010083A2 (en) * | 2011-07-13 | 2013-01-17 | United Solar Ovonic Llc | Failure detection system for photovoltaic array |
| CN105162413A (zh) * | 2015-09-08 | 2015-12-16 | 河海大学常州校区 | 一种基于工况辨识的光伏***性能实时评估方法 |
| US20160019883A1 (en) * | 2014-07-15 | 2016-01-21 | International Business Machines Corporation | Dataset shift compensation in machine learning |
| CN105403816A (zh) * | 2015-10-30 | 2016-03-16 | 国家电网公司 | 一种光伏***直流故障电弧的识别方法 |
| CN105718958A (zh) * | 2016-01-27 | 2016-06-29 | 江苏省电力公司检修分公司 | 基于线性判别分析和支持向量机的断路器故障诊断方法 |
| CN105811881A (zh) * | 2016-05-27 | 2016-07-27 | 福州大学 | 一种在线的光伏阵列故障诊断***实现方法 |
| CN106777984A (zh) * | 2016-12-19 | 2017-05-31 | 福州大学 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
| WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
| WO2018045689A1 (zh) * | 2016-09-07 | 2018-03-15 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
-
2018
- 2018-05-28 CN CN201810525961.2A patent/CN108875796A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101216879A (zh) * | 2007-12-28 | 2008-07-09 | 西安电子科技大学 | 基于Fisher支持向量机的人脸识别方法 |
| WO2013010083A2 (en) * | 2011-07-13 | 2013-01-17 | United Solar Ovonic Llc | Failure detection system for photovoltaic array |
| US20160019883A1 (en) * | 2014-07-15 | 2016-01-21 | International Business Machines Corporation | Dataset shift compensation in machine learning |
| CN105162413A (zh) * | 2015-09-08 | 2015-12-16 | 河海大学常州校区 | 一种基于工况辨识的光伏***性能实时评估方法 |
| CN105403816A (zh) * | 2015-10-30 | 2016-03-16 | 国家电网公司 | 一种光伏***直流故障电弧的识别方法 |
| WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
| CN105718958A (zh) * | 2016-01-27 | 2016-06-29 | 江苏省电力公司检修分公司 | 基于线性判别分析和支持向量机的断路器故障诊断方法 |
| CN105811881A (zh) * | 2016-05-27 | 2016-07-27 | 福州大学 | 一种在线的光伏阵列故障诊断***实现方法 |
| WO2018045689A1 (zh) * | 2016-09-07 | 2018-03-15 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
| CN106777984A (zh) * | 2016-12-19 | 2017-05-31 | 福州大学 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
Non-Patent Citations (8)
| Title |
|---|
| TAO XIONG ET.AL: "A Combined SVM and LDA Approach for Classification", 《PROCEEDINGS OF INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS, MONTREAL, CANADA, 》, 27 December 2005 (2005-12-27), pages 1455 - 1459 * |
| XIAOLI XU.ET AL: "Method for Diagnosing Photovoltaic Array Fault in Solar Photovoltaic System", 《 2011 ASIA-PACIFIC POWER AND ENERGY ENGINEERING CONFERENCE》, 11 April 2011 (2011-04-11), pages 1 - 5 * |
| ZHEHAN YI: "A Novel Detection Algorithm for Line-to-Line Faults in Photovoltaic (PV) Arrays Based on Support Vector Machine (SVM)", 《2016 IEEE POWER AND ENERGY SOCIETY GENERAL MEETING》, pages 1 - 4 * |
| 万晓凤等: "光伏三电平逆变器故障检测和诊断技术研究进展", 《电子测量与仪器学报》, no. 12 * |
| 刘敬;等: "基于SVM与非参数LDA的雷达自动目标识别", 《控制与决策》, no. 11, 15 November 2007 (2007-11-15), pages 1250 - 1254 * |
| 李弼程: "《模式识别原理与应用》", 29 February 2008, 西安：西安电子科技大学出版社 , pages: 57 * |
| 林培杰，等: "一种PSO － SVM 的光伏阵列故障检测与分类", 《福州大学学报( 自然科学版)》, vol. 45, no. 5, 31 October 2017 (2017-10-31), pages 652 - 658 * |
| 郁磊: "《MATLAB智能算法30个案例分析》", 30 September 2015, 北京：北京航空航天大学出版社, pages: 273 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109617526A (zh) * | 2018-12-20 | 2019-04-12 | 福州大学 | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 |
| CN113392936A (zh) * | 2021-07-09 | 2021-09-14 | 四川英创力电子科技股份有限公司 | 一种基于机器学习的烤箱故障诊断方法 |
| CN115455730A (zh) * | 2022-09-30 | 2022-12-09 | 南京工业大学 | 一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法 |
| CN115455730B (zh) * | 2022-09-30 | 2023-06-20 | 南京工业大学 | 一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fadhel et al. | PV shading fault detection and classification based on IV curve using principal component analysis: Application to isolated PV system | |
| Mohammadi et al. | A fast fault detection and identification approach in power distribution systems | |
| CN106777984B (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
| CN106682303B (zh) | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 | |
| CN104753461B (zh) | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 | |
| CN108646149A (zh) | 基于电流特征提取的故障电弧识别方法 | |
| CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
| CN104617574A (zh) | 一种电力***负荷区域暂态电压稳定的评估方法 | |
| CN109344517A (zh) | 一种新能源汽车的高压绝缘故障诊断方法 | |
| CN108875796A (zh) | 基于线性判别分析和支持向量机的光伏阵列故障诊断方法 | |
| CN109034220A (zh) | 一种基于最优旋转森林的智能光伏阵列故障诊断方法 | |
| CN106526347B (zh) | 一种基于数模混合仿真的光伏逆变器低电压穿越评估方法 | |
| CN109039280B (zh) | 基于非主成分数据特征的光伏阵列故障诊断方法 | |
| CN105954616B (zh) | 基于外特性电气参数的光伏组件故障诊断方法 | |
| CN105071380A (zh) | 一种电力***广域同调辨识方法及其装置 | |
| CN112909939A (zh) | 一种基于故障前后潮流特征的电力***暂态稳定评估方法 | |
| CN109117865A (zh) | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 | |
| Jiang et al. | PMU-aided voltage security assessment for a wind power plant | |
| CN106646106B (zh) | 基于变点探测技术的电网故障检测方法 | |
| CN104502800A (zh) | 一种电力***故障因子特征提取方法 | |
| Trevizan et al. | Distribution system state estimation sensitivity to errors in phase connections | |
| CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
| Fayaz et al. | Improved ANN-based algorithm for detection and classification of faults on transmission lines | |
| Ghazali et al. | A Comparative Analysis of Solar Photovoltaic Advanced Fault Detection and Monitoring Techniques. | |
| CN114384319A (zh) | 一种并网逆变器孤岛检测方法、***、终端及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |