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技术

本发明专利技术涉及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，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电气特征参数以及环境参数，得到特征参数测试样本矩阵；接着对特征参数标准矩阵做主成分分析，得到投影矩阵，并将标准矩阵乘上投影矩阵得到标准主成分矩阵；然后对标准主成分矩阵做归一化处理，并将其作为训练集，通过支持向量机训练分类模型；接着将特征参数测试样本矩阵乘上投影矩阵，得到样本主成分矩阵，并对其做归一化处理；最后通过分类模型对归一化后的样本主成分矩阵进行分类，识别数据所属的分类。本发明专利技术可以通过对光伏系统日常运行数据的主成分分析和分类实现对故障的准确诊断。

A Principal Component Analysis Based Method for Operating State Analysis and Fault Diagnosis of Photovoltaic Array

The invention relates to a method for working state analysis and fault diagnosis of photovoltaic array based on principal component analysis, generating simulation data of photovoltaic array, collecting electrical characteristic parameters and environmental parameters of maximum power point of photovoltaic array in daily work, and obtaining test sample matrix of characteristic parameters. Then, principal component analysis is made to standard matrix of characteristic parameters, and projection matrix is obtained. The standard matrix is multiplied by the projection matrix to get the standard principal component matrix; then the standard principal component matrix is normalized and treated as training set, and the classification model is trained by support vector machine; then the test sample matrix of characteristic parameters is multiplied by the projection matrix to get the sample principal component matrix and normalize it; finally, the normalized sample is obtained by the classification model. The principal component matrix is used to classify the data. The invention can accurately diagnose faults by principal component analysis and classification of daily operation data of photovoltaic system.

【技术实现步骤摘要】
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
本专利技术涉及并网光伏发电系统工作状态分析及光伏阵列故障诊断
，特别是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。
技术介绍
近年来，随着全球性环境和能源问题日益凸显，人们对于环境保护和削减化石燃料使用率的意识也在逐步强化，光伏能源应用因其获取方便且无污染而成为世界新能源领域的一大亮点。光伏电池在全球光伏产业发展的推动下飞速发展，在大型光伏电站、通讯、铁路、交通等领域有广泛的应用。此外，由于光伏组件成本逐步降低，光伏阵列总装机容量进一步提升。与日俱增的光伏系统为世界能源需求提供了极大的补充，但光伏发电阵列在安装初期可能会遭受不规范的安装和检修。此外，光伏阵列往往工作在复杂的户外环境中，易受到各种环境因素的影响，包括恶劣天气、紫外线、潮湿、腐蚀、阴影(树叶、鸟粪、建筑物阴影)等因素的影响，容易引起各种故障。光伏系统的增加同样也对光伏系统故障分析模块产生了极大的需求，如何快速、准确、有效地发现光伏系统的故障并及时解决，成为确保光伏系统稳定运行的重要问题。近年来出现了许多光伏故障诊断与分类方法，涉及众多不同的研究方向。其中，基于电路结构分析法主要对电路基本结构进行改进，并配合一定数量的传感器以完成光伏阵列的参数采集、故障诊断及定位。然而，基于电路结构分析法安装过程复杂，若在大规模的光伏阵列上实现，所需传感器的数量庞大，且增加系统成本。电气参数检测法只需要测量输出端诸如电压电流之类的电信号即可进行分析。基于光伏阵列模型的检测方法将光伏阵列输出的实际测量值与模型输出作对比，以发现故障。然而，该方法需要在前期建立光伏阵列模型，且对于不同的光伏系统，该方法的泛用性较差。由于正常状态和故障下的光伏电池之间通常存在明显温差，根据这一特性，红外热成像技术现在越来越多被广泛应用于光伏故障的诊断和定位，该方法在光伏故障诊断中无需介入光伏阵列采集相关参数。然而，若要达到较为精确的分类，就必须配备高分辨率的红外摄像仪，这将增加系统的成本。目前该领域研究的主流是基于人工智能的故障诊断方法。基于人工智能的故障诊断方法不依赖于数学模型，能够较好地应对光伏系统存在的复杂性、非线性、时变性等问题，同时具备在线故障检测与分类的能力。该技术依赖于对一定数据类型及一定特征的学习。任何新引入的特征都可以在之前训练的基础上确定。而在人工智能方法中还有一些无监督方法，其操作便捷，对数据的需求量也不大。主成分分析是一种简化数据集的技术，它是一种线性变换，通过分析一个由相互关联的定量相关变量组成的数据表，旨在从表中提取重要信息，并将其表示为一组新的正交变量，称为主分量。主成分分析的主要过程是把数据投影到一个新的坐标系统中，使得输入数据集的最大方差落在第一个坐标(称为第一主成分)上，第二大方差落在第二个坐标(第二主成分)上，依次类推。因此，主成分分析通常用于减少数据集的维数，同时保留数据集中对方差贡献最大的特征。由于光伏阵列具有多种输出参数，并且一些可能对光伏阵列输出产生影响的环境参量也可以看作是光伏阵列的相关参数。因此，一个光伏阵列的特征向量就具有多个维度。当故障发生时，光伏阵列的某些输出特征参数会产生变化，而环境参量的改变有时也会引发输出特征参数的改变。目前，公开发表的文献及专利中尚未见有将主成分分析方法应用于光伏阵列工作状态分析与故障诊断中。
技术实现思路
有鉴于此，本专利技术的目的是提出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，可以通过对光伏系统日常运行数据的主成分分析和分类实现对故障的准确诊断。本专利技术采用以下方案实现：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，具体包括以下步骤：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主成分分析，得到投影矩阵，并将标准矩阵乘上投影矩阵得到标准主成分矩阵；步骤S3：对步骤S2得到的标准主成分矩阵做归一化处理，并将其作为训练集，通过支持向量机训练分类模型；步骤S4：将步骤S1得到的特征参数测试样本矩阵乘上步骤S2中的投影矩阵，得到样本主成分矩阵，并对其做归一化处理；步骤S5：通过步骤S3中训练得到的分类模型对步骤S4归一化后的样本主成分矩阵进行分类，识别数据所属的分类。进一步地，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ISC·VOC。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、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、以及单支路上2个组件受阴影遮蔽进一步地，步骤S2具体包括以下步骤：步骤S21：根据矩阵X，计算其协方差矩阵CX；步骤S22：根据公式CX＝QΣQ-1，对协方差矩阵CX做特征值分解，得到的矩阵Q即为CX的特征向量组成的矩阵，而矩阵Σ则是由CX的特征值组成的对角矩阵；步骤S23：分析矩阵Σ，按从大到小的顺序选择k个特征值，将矩阵Q中与选中的特征值相对应的特征向量组成投影矩阵P，k是主成分分析结果的目标维数；其中，k≤M，M为矩阵X中所包含特征参数的数量；步骤S24：经PCA得到的标准主成分矩阵A：A＝XP。进一步地，步骤S3具体包括以下步骤：步骤S31：将标准主成分矩阵A的每个特征参数分别归一化到[0,1]区间，得到归一化样本主成分矩阵计算公式如下：式中，z1为归一化后的结果，x为矩阵中任意特征参数的一个样本，xmin为该特征参数中最小的样本，xmax为该特征参数中最大的样本；步骤S32：将归一化样本主成分矩阵作为训练集，并运用LibSVM工具箱对其进行分类。进一步地，步骤S4包括以下步骤：步骤S41：将步骤S1得到的特征参数测试样本矩阵Y以及步骤S2得到的投影矩阵P相乘，得到样本主成分矩阵B：B＝YP；步骤S42：将样本主成分矩阵B的每个特征参数分别归一化到[0,1]区间，得到归一化样本主成分矩阵式中，z2为归一化后的结果，y为矩阵B中任意特征参数的一个样本，ymin为该特征参数中最小的样本，ymax为该特征参数中最大的样本。进一步地，步骤S5具体为：将步骤S4得到的归一化后的样本主成分矩阵输入步骤S3训练得到的分类模型，得到每个样本对应的类别标签，根据类别标签来判断该样本属于何种状态。与现有技术相比，本专利技术有以下有益效果：1、本专利技术通过主成分分析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系统的日常运行状态并进行故障诊断的目的。2、本专利技术无需采集大量的样本数据对诊断模型进行训练，仅需对仿真得到的少量带标签数据做主成分分析，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，该本专利技术均可精确的识别出光伏发电系统的运行状况。附图说明图1为本专利技术实施例的方法流程示意图。图2为本专利技术实施例中的光伏本文档来自技高网...

【技术保护点】
1.一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，其特征在于：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主成分分析，得到投影矩阵，并将标准矩阵乘上投影矩阵得到标准主成分矩阵；步骤S3：对步骤S2得到的标准主成分矩阵做归一化处理，并将其作为训练集，通过支持向量机训练分类模型；步骤S4：将步骤S1得到的特征参数测试样本矩阵乘上步骤S2中的投影矩阵，得到样本主成分矩阵，并对其做归一化处理；步骤S5：通过步骤S3中训练得到的分类模型对步骤S4归一化后的样本主成分矩阵进行分类，识别数据所属的分类。

【技术特征摘要】
1.一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，其特征在于：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主成分分析，得到投影矩阵，并将标准矩阵乘上投影矩阵得到标准主成分矩阵；步骤S3：对步骤S2得到的标准主成分矩阵做归一化处理，并将其作为训练集，通过支持向量机训练分类模型；步骤S4：将步骤S1得到的特征参数测试样本矩阵乘上步骤S2中的投影矩阵，得到样本主成分矩阵，并对其做归一化处理；步骤S5：通过步骤S3中训练得到的分类模型对步骤S4归一化后的样本主成分矩阵进行分类，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，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ISC·VOC。3.根据权利要求1所述的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，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、以及单支路上2个组件受阴影遮蔽。4.根据权利要求1所述的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，其特征在于：步骤S2具体包括以下步骤：步骤S21：根据矩阵X，计算其协方差矩阵CX；步骤S22：根据公式CX＝QΣQ-1，对协方差矩阵CX...

【专利技术属性】
技术研发人员：林培杰，程树英，章杰，陈凌宸，陈志聪，吴丽君，郑茜颖，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35