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技术

本发明专利技术公开了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，包括以下步骤：步骤1、采集光伏组件的个重要特征参数；步骤2、基于邻域保持嵌入NPE改进完全邻域保持CNPE嵌入算法；步骤3、利用CNPE算法对步骤1采集而来的重要特征参数进行处理，将所采数据进行数据降维与特征提取；步骤4、根据步骤3降维后的数据与原始数据的关系，计算重构误差矩阵；步骤5、根据步骤4的重构误差矩阵建立光伏组件热斑故障评估函数；步骤6、根据步骤5的评估函数制作评估函数曲线。本发明专利技术无需昂贵硬件，同时诊断速度与诊断精度都有所提升，可以诊断出类似透明遮挡物或细小电线遮挡物引起的光伏组件热斑故障。热斑故障。热斑故障。

【技术实现步骤摘要】
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


[0001]本专利技术涉及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，属于故障诊断


技术介绍

[0002]传统能源在世界能源供应占比逐渐下降，主要原因是其不可再生性以及污染性。光伏发电业务快速发展，凭借其安全性与可靠性成为世界各国焦点，光伏组件是光伏发电的基本组成部分，但由于光伏组件普遍工作环境恶劣，容易被树叶、鸟粪等遮挡，从而导致被遮挡的电池单元变为负载同时吸收热量，经过一定时间的热量累积，光伏组件易形成热斑故障。热斑故障诊断是光伏系统故障诊断的难点。目前主流的热斑故障诊断技术分为几类，第一类是图像处理法：利用热成像仪拍摄光伏组件，可以直观地观察组件局部温度过高的地方；第二类是光伏组件建模法：建立光伏组件模型，将光伏组件工作时的电压、电流、温度等参数与标准情况下的光伏组件工作时的电气参数进行对比，从而判断光伏组件的工作状态。第三类是多传感器法：在光伏组件串的特定位置安装电流传感器，检测电流值并与正常工作下的光伏组件串对比，从而实现故障的定位。上述的传统热斑故障诊断方法硬件成本过高，需要昂贵的热成像仪器，或者需要大量的电流、电压传感器。如何在减少成本的同时，提高光伏组件热斑故障的诊断精度与诊断速度是目前光伏组件故障诊断技术亟待解决的重要问题之一。

技术实现思路

[0003]本专利技术的目的在于通过挖掘光伏组件特征参数之间的内在联系从而诊断热斑故障。
[0004]为解决上述技术问题，本专利技术采用的技术方案为：
[0005]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，包括以下步骤：
[0006]步骤1、采集光伏组件的个重要特征参数；
[0007]步骤2、基于邻域保持嵌入NPE改进完全邻域保持CNPE嵌入算法；
[0008]步骤3、利用CNPE算法对步骤1采集而来的重要特征参数进行处理，将所采数据进行数据降维与特征提取；
[0009]步骤4、根据步骤3降维后的数据与原始数据的关系，计算重构误差矩阵；
[0010]步骤5、根据步骤4的重构误差矩阵建立光伏组件热斑故障评估函数；
[0011]步骤6、根据步骤5的评估函数制作评估函数曲线。
[0012]所述重要特征参数包括{U
OC
，I
SC
，U
M
，I
M
，M
PP
，FF，T，G}，其中，U
OC
为光伏组件开路电压，I
SC
为光伏组件短路电流，U
M
为最大功率点处电压，I
M
为最大功率点处电流，M
PP
为最大功率点，FF为填充因子，T为光伏组件表面温度，G为辐照度。
[0013]步骤2具体包括以下步骤：
[0014]S201：将NPE算法涉及到的广义特征值计算问题转化为两个特征值分解的问题，即
S
t
和S
t
是一个D
×
D的对称矩阵，S
t
由下式表示：
[0015]S
t
＝X(I
‑
W)
T
(I
‑
W)X
T
+XX
T
[0016]其中，X为包含8个重要特征参数{U
OC
，I
SC
，U
M
，I
M
，M
PP
，FF，T，G}的数据集，I为单位矩阵，W为NPE算法最小化目标函数时获得的权重矩阵；
[0017]S202：令M＝(I
‑
W)
T
(I
‑
W)，上式则化为S
t
＝XMX
T
+XX
T
，对S
t
进行特征值分解：
[0018][0019]其中，U为S
t
分解后的特征矩阵，且为D
×
D的正交矩阵，Σ为特征值，U
r
∈R
D
×
r
为U的分块矩阵，为U
T
的分块矩阵，Σ1为特征值矩阵的分块矩阵Σ1∈R
r
×
r
且非奇异，r为矩阵S
t
的秩，D与R为实数；
[0020]S203：令投影矩阵且其中k∈R
r
，l∈R
D
‑
r
，且NPE算法的目标函数式由下式表示，其中c为常数，S.t.之后的式子为目标函数的约束条件：
[0021][0022]S204：对上述NPE算法的目标函数作如下变化：
[0023][0024]S.t. k
T
Σ1‑
1/2
Σ
11/2
U
rT
XX
T
U
r
Σ1‑
1/2
Σ
11/2
k＝c
[0025]令ξ＝Σ
11/2
k，上式可由下式表示：
[0026][0027]将与相加，随后带入S
t
：
[0028][0029]S205：得出CNPE算法的目标函数式：
[0030][0031]S206：计算投影矩阵：
[0032][0033]上式中，λ为需要求解的特征值，得到特征值之后求出与之对应的特征向量，取解的前t个最大非零特征值ξ1～ξ
t
，其对应的特征向量为a1～a
t
，组成投影矩阵A。
[0034]步骤3具体包括以下步骤：
[0035]利用CNPE算法将步骤1所采的数据集X进行处理，处理过程中算法提取了数据集X的非线性特征(非线性降维将高维空间数据映射到低维空间中，这个过程即提取了高维数据的非线性特征)，随后确立有关时间序列的投影关系，投影前与投影后数据如下：
[0036][0037]上式中，i与s为整数，X
i,s
为投影前数据集，Y
i,s
为投影后数据集，投影关系如下式：
[0038]Y
i,s
＝A
T
X
i,s
[0039]上式中，X
i,s
∈R
s
×
m
，Y
i,s
∈R
s
×
l
，A∈R
m
×
l
，s、m、l为整数，代表矩阵的维数。
[0040]步骤4具体包括以下步骤：
[0041]根据步骤3降维后的数据与原始数据集X的关系，计算重构误差矩阵E
i,s
，重构误差矩阵E
i,s
推导如下：
[0042][0043]步骤5具体包括以下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，其特征在于，包括以下步骤：步骤1、采集光伏组件的个重要特征参数；步骤2、基于邻域保持嵌入NPE改进完全邻域保持CNPE嵌入算法；步骤3、利用CNPE算法对步骤1采集而来的重要特征参数进行处理，将所采数据进行数据降维与特征提取；步骤4、根据步骤3降维后的数据与原始数据的关系，计算重构误差矩阵；步骤5、根据步骤4的重构误差矩阵建立光伏组件热斑故障评估函数；步骤6、根据步骤5的评估函数制作评估函数曲线。2.根据权利要求1所述的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，其特征在于，所述重要特征参数包括{U
OC
，I
SC
，U
M
，I
M
，M
PP
，FF，T，G}，其中，U
OC
为光伏组件开路电压，I
SC
为光伏组件短路电流，U
M
为最大功率点处电压，I
M
为最大功率点处电流，M
PP
为最大功率点，FF为填充因子，T为光伏组件表面温度，G为辐照度。3.根据权利要求1所述的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，其特征在于，步骤2具体包括以下步骤：S201：将NPE算法涉及到的广义特征值计算问题转化为两个特征值分解的问题，即S
t
和S
t
是一个D
×
D的对称矩阵，S
t
由下式表示：S
t
＝X(I
‑
W)
T
(I
‑
W)X
T
+XX
T
其中，X为包含8个重要特征参数{U
OC
，I
SC
，U
M
，I
M
，M
PP
，FF，T，G}的数据集，I为单位矩阵，W为NPE算法最小化目标函数时获得的权重矩阵；S202：令M＝(I
‑
W)
T
(I
‑
W)，上式则化为S
t
＝XMX
T
+XX
T
，对S
t
进行特征值分解：其中，U为S
t
分解后的特征矩阵，且为D
×
D的正交矩阵，Σ为特征值，U
r
∈R
D
×
r
为U的分块矩阵，为U
T
的分块矩阵，Σ1为特征值矩阵的分块矩阵，Σ1∈R
r
×
r
且非奇异，r为矩阵S
t
的秩，D与R为实数；S203：令投影矩阵且其中k∈R
r
，l∈R
D
‑
r
，且NPE算法的目标函数式由下式表示，其中c为常数，S.t.之后的式子为目标函数的约束条件：S204：对上述NPE算法的目标函数作如下变化：S.t.k
T
Σ1‑
1/2
Σ
11/2
U
rT
XX
T
U
r
Σ1‑
1/2
Σ
11/2
k＝c
令ξ＝Σ
11/2
k，上式可由下式表示：将与相加，随后带入S
t
：S205：得出CNPE算法的目标函数式：S206：计算投影矩阵：上式中，λ为需要求解的特征值，得到特征值之后求出与之对应的特征向量，取解的前t个最大非零特征值ξ1～ξ
t
，其对应的特征向量为a1～a
t
...

【专利技术属性】
技术研发人员：易辉，宋远大，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：