一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和系统技术方案

本发明专利技术提供了一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法，包括以下步骤：S01，采集光伏数据；S02，数据预处理；S03，典型相关分析；S04，构建训练集和测试集；S05，Fisher判别分析；S06，故障诊断。本发明专利技术还提供了一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断系统。本发明专利技术仅通过数据处理分析，即可获得光伏组件是否故障的结论，检测成本低，解决了现有技术依赖辅助设备、热斑故障检测成本较高的问题，本发明专利技术输出结果真实可靠，适合广泛推广应用。适合广泛推广应用。适合广泛推广应用。

【技术实现步骤摘要】
一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和系统


[0001]本专利技术属于光伏发电
，具体涉及一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和系统。

技术介绍

[0002]太阳能作为清洁、可持续的能源被广泛的应用于光伏发电系统中，自2013年国家大力支持太阳能行业以来，太阳能相关科研技术水平迅速提升，企业竞争力不断增强，市场占有率不断扩大，新增装机量位居全球第一。
[0003]由于光伏发电的太阳能板需要架设在户外自然环境中，部分光伏组件因此不可避免地会产生许多故障问题。光伏组件主要故障有开路故障、短路故障、组件碎裂、旁路二极管失效和性能老化等。其中，受到浮土、鸟粪、树叶等物体的遮挡，造成光伏组件产生的热斑现象是最常见的故障之一。
[0004]由于光伏发电系统大多选址在阳光充足的屋顶或者环境恶劣的偏远地区，人工巡检技术自动化程度较低，不仅成本巨大也存在一定的危险，而且发现故障比较困难，常常不能够及时做出维修处理，造成经济损失。
[0005]随着数字信息技术的发展，对光伏组件的故障研究也取得了长足的进步，现有智能检测技术主要借助外部设备，如无人机采集红外信息。这种方法增加了光伏发电的经济成本以及系统的复杂程度，不能广泛使用。

技术实现思路

[0006]为解决上述技术问题，本专利技术的目的在于提供一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和系统，以解决现有技术依赖辅助设备、成本较高的问题。
[0007]为解决上述技术问题，本专利技术采用的技术方案为：
[0008]一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法，包括以下步骤：
[0009]S01，采集光伏数据；
[0010]S02，数据预处理；
[0011]S03，典型相关分析；
[0012]S04，构建训练集和测试集；
[0013]S05，Fisher判别分析；
[0014]S06，故障诊断。
[0015]S01包括以下内容：在正常状态以及热斑故障状态下采集光伏组件的多个特征变量的数据x，获得数据集X。
[0016]S02包括以下内容：对数据集X∈R
n
×
m
进行标准化处理，再依据数据集X的特征变量，将数据集X任意分成两个子数据集X1和X2；
[0017]其中，R代表实数集，数据集X中的数据x均是实数，实数集R中有n行m列。
[0018]S03包括以下内容：计算两个子数据集X1和X2的单独协方差和交叉协方差，所采用的公式为：
[0019][0020][0021][0022]其中，为X1的协方差，为X2的协方差，为X1和X2的交叉协方差；
[0023]构建矩阵γ，并对其奇异值分解，γ矩阵所采用的公式表达为：
[0024][0025][0026][0027][0028]其中，k代表非零奇异值的个数，满足k≤min(N1,N2)，即k与N1,N2中较小的一致；Λ
k
＝diag(λ1…
λ
k
)；λ1≥λ2≥
…
≥λ
k
是奇异值；ζ
i
，i＝1,
…
,N1以及ξ
j
，j＝1,
…
,N2为对应的奇异向量；N1代表子数据集X1中全部特征变量的数据个数；N2代表子数据集X2中全部特征变量的数据个数；
[0029]计算得到投影向量a和b，所采用的公式为：
[0030][0031][0032]计算得到投影样本X1’
和X2’
，所采用的公式为：
[0033][0034][0035]S04包括以下内容：组合成新数据集X
′
＝[X
′
1 X
′2]T
∈R2×
m
，并在将新数据集X
′
归一化后，分成训练集X
′
tr
∈R2×
d
和测试集X
′
t
∈R2×
(m
‑
d)
。
[0036]S05包括以下内容：计算训练集的类内散度矩阵S
w
，所采用的公式为：
[0037][0038]其中，X
i
代表第i类样本，i的取值是0和1，当i＝0时，第i类样本为正常样本，当i＝
1时，第i类样本为故障样本；正常样本为正常状态下采集的光伏数据，故障样本为热斑故障状态下采集的光伏数据；
[0039]μ
i
代表第i类样本的均值；
[0040][0041]其中，m
i
代表第i类样本的总个数；
[0042]引入拉格朗日乘子法，得到最佳判别方向：
[0043][0044]其中，μ0代表正常样本的均值；μ1代表故障样本的均值。
[0045]S06包括以下内容：将测试集基于判别轴w投影分类，所采用的公式为：
[0046]y＝w
T
X
′
t
ꢀꢀ
(15)
[0047]识别是否发生故障，如果投影后的不同类的点能够区分开，说明出现热斑故障；若不同类的点混合在一起，说明未出现热斑故障。
[0048]所述特征变量包括开路电压、短路电流、最大功率点电压、最大功率点电流、最大功率、填充因子、温度和光照辐度。
[0049]所述标准化处理的方法为：将数据x处理到
‑
1与1之间；采用的公式为其中，μ代表均值，σ代表方差，即n行数据，每行均处理一遍，计算均值，再计算方差，然后这一行的每个数据x均用公式计算得到位于
‑
1与1之间的结果。
[0050]采用本专利技术的一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法的系统。
[0051]本专利技术的有益效果：本专利技术仅通过数据处理分析，即可获得光伏组件是否故障的结论，检测成本低，解决了现有技术依赖辅助设备、热斑故障检测成本较高的问题，本专利技术输出结果真实可靠，适合广泛推广应用。
[0052]此外，传统Fisher判别分析属于线性分析方法，但光伏系统属于典型的非线性系统，本专利技术通过在Fisher判别分析之前对光伏数据进行先一步的典型相关分析，提取主要特征信息，去除冗余信息，便于后续Fisher判别分析。
附图说明
[0053]图1本专利技术的热斑故障诊断流程图。
具体实施方式
[0054]下面结合附图以及具体实施方法对本专利技术一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和系统作进一步详细说明。
[0055]如图1所示，一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法，包括以下步骤：
[0056]步骤1：采集光伏数据。在正常状态以及多种不同热斑故障状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法，其特征在于，包括以下步骤：S01，采集光伏数据；S02，数据预处理；S03，典型相关分析；S04，构建训练集和测试集；S05，Fisher判别分析；S06，故障诊断。2.根据权利要求1所述的一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法，其特征在于，S01包括以下内容：在正常状态以及热斑故障状态下采集光伏组件的多个特征变量的数据x，获得数据集X。3.根据权利要求2所述的一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法，其特征在于，S02包括以下内容：对数据集X∈R
n
×
m
进行标准化处理，再依据数据集X的特征变量，将数据集X任意分成两个子数据集X1和X2；其中，R代表实数集，数据集X中的数据x均是实数，实数集R中有n行m列。4.根据权利要求3所述的一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法，其特征在于，S03包括以下内容：计算两个子数据集X1和X2的单独协方差和交叉协方差，所采用的公式为：差，所采用的公式为：差，所采用的公式为：其中，为X1的协方差，为X2的协方差，为X1和X2的交叉协方差；构建矩阵γ，并对其奇异值分解，γ矩阵所采用的公式表达为：构建矩阵γ，并对其奇异值分解，γ矩阵所采用的公式表达为：构建矩阵γ，并对其奇异值分解，γ矩阵所采用的公式表达为：构建矩阵γ，并对其奇异值分解，γ矩阵所采用的公式表达为：其中，k代表非零奇异值的个数，满足k≤min(N1,N2)，即k与N1,N2中较小的一致；Λ
k
＝diag(λ1…
λ
k
)；λ1≥λ2≥
…
≥λ
k
是奇异值；ζ
i
，i＝1,
…
,N1以及ξ
j
，j＝1,
…
,N2为对应的奇异向量；N1代表子数据集X1中全部特征变量的数据个数；N2代表子数据集X2中全部特征变量的数据个数；计算得到投影向量a和b，所采用的公式为：
计算得到投影样本X1’
和X2’
，所采用的公式为：，所采用的公式为：5.根据权利要求4所述的一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法，其特征在于，S04包括以下内容：组合成新数据集X'...

【专利技术属性】
技术研发人员：易辉，曾德山，蒋尚俊，田磊，李红涛，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：