一種光伏陣列故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及光伏發(fā)電領(lǐng)域，特別是設(shè)及一種光伏陣列故障診斷方法。
【背景技術(shù)】
[0002] 隨著全球能源問題的日益突出，人們逐漸將目光轉(zhuǎn)向再生能源。太陽能作為一種 清潔能源具有較大發(fā)展空間。在過去的幾年里，因?yàn)楣夥牧蟽r(jià)格的下降W及各國政府的 政策支持，光伏產(chǎn)業(yè)得到了快速的發(fā)展，預(yù)計(jì)2015年和2020年我國光伏產(chǎn)業(yè)年產(chǎn)量可達(dá) 1. 35億m2和2. 73億m2。目前光伏組件的壽命大約為25年，運(yùn)就要求光伏電站在運(yùn)25年 時(shí)間里可W穩(wěn)定、持續(xù)、高效的發(fā)電。但是，光伏電站往往安裝在比較惡劣的環(huán)境中，導(dǎo)致老 化、熱斑、短路等故障頻發(fā)。而光伏系統(tǒng)通常在無人值守的情況下運(yùn)行，系統(tǒng)故障的發(fā)生可 能會(huì)導(dǎo)致輸出功率降低甚至影響整個(gè)系統(tǒng)的正常運(yùn)行。因此，用行之有效的方法及時(shí)地發(fā) 現(xiàn)故障并排除故障，對延長光伏系統(tǒng)的維護(hù)和光伏組件使用壽命和維持光伏電站正常運(yùn)行 是十分有意義的。
[0003] 目前，常用的光伏陣列故障診斷和定位方法可W分為視覺判斷法、熱性能法及電 學(xué)法3種。熱性能和視覺方法，都需要在陣列前面架設(shè)熱成像儀或攝影機(jī)，對熱成像儀或者 攝像機(jī)攝制的圖像進(jìn)行人工觀測或者進(jìn)行圖像處理，找出故障點(diǎn)。運(yùn)類方法，實(shí)時(shí)性較差， 且故障診斷和定位的精度和效率取決于熱成像儀或者攝像機(jī)的等級，不利于在線故障診 斷、定位和報(bào)警等。而電學(xué)法中，常用的對地電容檢測法和時(shí)域反射法均需在系統(tǒng)停止工作 時(shí)，對光伏系統(tǒng)進(jìn)行檢測后進(jìn)行故障定位，對系統(tǒng)的實(shí)時(shí)運(yùn)行影響較大。因此，在光伏電站 的運(yùn)營維護(hù)中，故障診斷具有較大的發(fā)展前景。
[0004] 基于支持向量機(jī)（SuppcxrtVectorMachine,SVM)的故障診斷方法：支持向量機(jī) 方法與基于模型的故障診斷相比，該方法無需復(fù)雜的數(shù)學(xué)建模，亦無需知道系統(tǒng)的機(jī)理， 只需獲取系統(tǒng)的運(yùn)行數(shù)據(jù)即可對復(fù)雜非線性系統(tǒng)進(jìn)行描述；同時(shí)，與經(jīng)典的人工神經(jīng)網(wǎng)絡(luò) (Artificial化ural化twork，ANN)方法相比，SVM只需要較少的樣本即可對非線性系統(tǒng)進(jìn) 行學(xué)習(xí)。因此，該類方法更能適應(yīng)故障診斷的需求，具有非常優(yōu)秀的工程應(yīng)用前景，也逐漸 成為當(dāng)前研究的一個(gè)熱點(diǎn)。自1999年此類方法被用至故障診斷領(lǐng)域W來，其研究呈快速發(fā) 展態(tài)勢。

【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)有技術(shù)上存在的不足，本發(fā)明的目的是基于增加的光伏系統(tǒng)故障診斷的可 靠性，公開一種光伏陣列故障診斷方法。
[0006] 為了實(shí)現(xiàn)上述目的，本發(fā)明是通過如下的技術(shù)方案來實(shí)現(xiàn)：
[0007] 一種光伏陣列故障診斷方法，所述方法基于多級聚類的支持向量機(jī)SVM算法，進(jìn) 行光伏陣列故障診斷，所述步驟如下：
[000引 （1)、首先對訓(xùn)練樣本集的各類中屯、進(jìn)行分級聚類，W聚類分析的相似性測度為均 值距離，并假設(shè)每一級中前兩類的均值距離最小，其他相似性測度同理，將均值最小的2個(gè) 樣本，并為一類；
[0009] 似、然后W(1)中得到的樣本為SVM輸入輸出樣本，對數(shù)據(jù)樣本進(jìn)行訓(xùn)練，得到各 級的SVM模型，包括SVM1、SVM2、SVM3;
[0010] (3)、最后將數(shù)據(jù)測試樣本輸入訓(xùn)練好的SVM模型中，進(jìn)行逐級分類診斷，進(jìn)一步 確定系統(tǒng)的故障類型。
[0011] 上述步驟（1)中的分級聚類的方法如下：
[0012] (2a)、假設(shè)有四類樣本集，分別為Al,A2,A3,A4 ;A1為硬性陰影樣本，A2為軟性陰 影樣本，A3為老化樣本，A4為最大功率點(diǎn)失配的樣本，4類樣本都由電壓、電流、功率數(shù)據(jù)組 成；
[0013] 首先完全按照原始類別劃分，即各類樣本自稱一類;Al和A2為陰影樣本集具有相 似的輸出特性，他們的類均值距離最小，并為Bl類，并WAl,A2分別作為SVM3訓(xùn)練集中的 輸入輸出樣本，W此得到SVM3的各參數(shù)值，同時(shí)把A3作為B2,A4作為B3;
[0014] (化）、陰影樣本集Bl和老化樣本集B2,在進(jìn)行二級分類時(shí)，他們二者的類均值距 離最小，并為Cl類，并WBI,B2分別作為SVM2訓(xùn)練級中的輸入輸出樣本，W此得到SVM2的 各參數(shù)值，MPPT的失配嚴(yán)重影響逆變器的效率，可W根據(jù)逆變器效率加于區(qū)分，把B3作為 C2 ;
[001引 （2c)、分別WC1、C2樣本集的作為SVMl訓(xùn)練集中的輸入輸出樣本，W此得到SVMl的各參數(shù)值；
[0016] 根據(jù)訓(xùn)練樣本的分布情況和最近距離準(zhǔn)則自適應(yīng)構(gòu)成N-I個(gè)兩類SVM，由此完成 光伏系統(tǒng)硬性陰影、軟性陰影、老化、MPPT失配4種故障的分級聚類。
[0017] 上述步驟（3)中的分類診斷的方法如下：
[0018] 第一步：由當(dāng)前電流、電壓、和交直流功率組成測試樣本X，然后將待測樣本X送入 SVMl，根據(jù)SVMl的結(jié)果判斷樣本X屬于Cl還是C2,若屬于，C2則判定樣本X就屬于A4,即 MPPT失配故障；若屬于Cl，則進(jìn)行第二步；
[0019] 第二步：將待測樣本X送入SVM2。根據(jù)SVM2的結(jié)果判斷樣本X屬于Bl還是B2， 若屬于B2,則判定樣本X就屬于A3,即老化故障；若屬于BI,則進(jìn)行第S步；
[0020] 第S步：將待測樣本X送入SVM3。根據(jù)SVM3的結(jié)果判斷樣本X屬于Al還是A2， 若結(jié)果為Al,即為硬性陰影，若結(jié)果為A2,即為軟性陰影；
[0021] 對于m個(gè)測試樣本，只需按上述步驟逐個(gè)進(jìn)行，最終均可找到所屬類別，對光伏系 統(tǒng)故障進(jìn)行診斷，且不會(huì)出現(xiàn)拒絕分類區(qū)。
[0022] 上述步驟（2)中的SVM模型的計(jì)算方法如下：
[0023] 由四種故障下的電壓、電流、交直流功率數(shù)據(jù)組成的樣本A1、A2、A3、A4,兩兩組成 一組樣本容量，若Al和A2為例，組成的樣本容量{xi，yj(i= 1，2…m)，m為樣本容量；Xi 為輸入向量；為目標(biāo)函數(shù)輸出數(shù)據(jù)，考慮到大多數(shù)情況下樣本呈非線性關(guān)系，估計(jì)函數(shù)f 可通過W下方法確定：將每一個(gè)樣本點(diǎn)利用非線性函數(shù)4映像到高維特征空間，再在高 維特征空間進(jìn)行線性回歸，從而取得在原空間進(jìn)行線性回歸的效果。函數(shù)f為：
[0024] f(X, W)=W 本（X)+b =(W,本（X))+b (1)
[00巧]W為權(quán)值向量，b為常數(shù)；公式（1)表示一個(gè)平面，把樣本Ixi,yi}正確無誤地分割 開來，X，y表示公式（1)所代表的平面上的點(diǎn)；
[00別 （2)
[0026] 系數(shù)W和b由最小化下式來估計(jì)：
[00測 （綠)
[0029] 在公式似中給出的正則化風(fēng)險(xiǎn)泛函中，第1部分是經(jīng)驗(yàn)風(fēng)險(xiǎn)，為最小化風(fēng) 險(xiǎn)泛函，它由e不敏感損失函數(shù)來衡量；損失函數(shù)的用途在于它能用稀疏點(diǎn)來表示決策函 數(shù)，C是正常數(shù)，它決定損失函數(shù)和正則化部分之間的平衡第2部分是正則化部分，為尋找 系數(shù)w和b需要引入松弛變量C和使下式最小化： W30]
(4)
[0031] 其約束條件是：
[0032] <m/抑X,) +與一乂'<公 +辜 《>〇 (5) yi-^^^(6{x,)-b^<s+ (6 《* > 0
[0033] 其中，bi為常數(shù)；
[0034] 最后引入拉格朗日乘子，利用Wolf對偶技巧將上述問題轉(zhuǎn)換為下面的對偶問題：
[0035]
(技）
[0036] 其中，L為拉格朗日乘子，a，a*i均為正常數(shù)，乏仁，3')二〇，和<￡化(] 到-
[0037] 則公式（3)給出的回歸表達(dá)式寫成：
[0038] j=免(。,，。;(.、-，A','H 巧) 擔(dān)1
[0039] 稱K(x，Xi)為核函數(shù)，公式（7)中的函數(shù)f完全由曰1和a決定，選擇的核函數(shù)為：
[0040]
(8)
[0041] 其中O為核函數(shù)的寬度參數(shù)； 陽0創(chuàng) 由此得到SVM的各參數(shù)。
[0043] 本發(fā)明的實(shí)施過程簡明易實(shí)現(xiàn)，能及時(shí)地進(jìn)行故障的診斷，有助于光伏系統(tǒng)的運(yùn) 營維護(hù)。
【附圖說明】
[0044] 下面結(jié)合附圖和【具體實(shí)施方式】來詳細(xì)說明本發(fā)明；
[0045] 圖1是分級聚類圖；
[0046] 圖2是分類診斷圖。
【具體實(shí)施方式】
[0047] 為使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合
【具體實(shí)施方式】，進(jìn)一步闡述本發(fā)明。
[0048] 針對已建立的分布式并網(wǎng)系統(tǒng)，本發(fā)明對該系統(tǒng)輸出數(shù)據(jù)進(jìn)行了分析。 W例如圖1、圖2所示，一種光伏陣列故障診斷方法，方法基于多級聚類的支持向量機(jī)SVM算法，進(jìn)行光伏陣列故障診斷，所述步驟如下：
[0050] (1)、首先對訓(xùn)練樣本集的各類中屯、進(jìn)行分級聚類，W聚類分析的相似性測度為均 值距離，并假設(shè)每一級中前兩類的均值距離最小，其他相似性測度同理，將均值最小的2個(gè) 樣本，并為一類；
[005U似、然后W(1)中得到的樣本為SVM輸入輸出樣本，對數(shù)據(jù)樣本進(jìn)行訓(xùn)練，得到各 級的SVM模型，包括SVM1、SVM2、SVM3 ;
[0052](3)、最后將數(shù)據(jù)測試樣本輸入訓(xùn)練好的SVM模型中，進(jìn)行逐級分類診斷，進(jìn)一步 確定系統(tǒng)的故障類型。
[0053] 上述步驟（1)中的分級聚類的方法如下：
[0054](2a)、假設(shè)有四類樣本集，分別為Al,A2,A3,A4 ;A1為硬性陰影樣本，A2為軟性陰 影樣本，A3為老化樣本，A4為最大功率點(diǎn)失配的樣本，4類樣本都由電壓、電流、功率數(shù)據(jù)組 成； 陽化5] 首先完全按照原始類別劃分，即各類樣本自稱一類;Al和A2為陰影樣本集具有相 似的輸出特性，他們的類均值距離最小，并為Bl類，并WAl,A2分別作為SVM3訓(xùn)練集中的 輸入輸出樣本，W此得