【技术实现步骤摘要】
一种光伏阵列故障特征提取与建模方法
[0001]本专利技术涉及光伏阵列故障诊断
，特别涉及一种光伏阵列故障特征提取与建模方法。
技术介绍
[0002]光伏电站故障诊断的核心是根据光伏组件、阵列的外部行为特性来确定故障的类型，但是目前的研究主要集中在定性分析上。在故障诊断方面，目前光伏发电故障诊断主要包括基于电路结构方法、基于数学参考模型方法、基于电气测量方法、基于红外图像方法和基于智能检测的故障诊断方法。其中，基于智能检测的故障诊断方法避免了机理模型建模过程的复杂性，但是目前基于智能检测法在光伏系统故障诊断中的应用不多，且多集中在某一种故障类别的识别上，导致识别单一，但是，在恶劣的自然环境下，光伏阵列面积大、分布广，单一识别故障，会对光伏电站整体的运行和发电效率产生较大影响，故如何对光伏阵列故障进行高效准确地诊断就显得尤为重要。
[0003]因此本专利技术提供一种光伏阵列故障特征提取与建模方法。
技术实现思路
[0004]本专利技术提供一种光伏阵列故障特征提取与建模方法，用以通过分析目标光伏阵列的历史状态数据得到特征变量，采用核主成分分析算法提取得到历史故障数据的关键特征，再引入目标搜索算法训练得到光伏阵列故障诊断模型来对光伏阵列进行较为全面且准确的故障诊断，进而有效提高光伏阵列的整体运行效果和发电效率。
[0005]本专利技术提供一种光伏阵列故障特征提取与建模方法，包括：
[0006]步骤1：获取目标光伏阵列不同环境条件下的历史状态数据，并分析得到第一特征变量；>[0007]步骤2：对历史故障数据利用核主成分分析算法进行降维处理后再提取历史故障数据的关键特征；
[0008]步骤3：将历史故障数据与目标搜索算法相结合，并输入第一特征变量来对模型进行训练得到光伏阵列故障诊断模型。
[0009]优选的，获取目标光伏阵列不同环境条件下的历史状态数据，并分析得到第一特征变量，包括：
[0010]步骤11：从光伏阵列数据库中提取得到预设量的不同环境条件下的目标光伏阵列的历史故障数据以及历史正常数据；
[0011]步骤12：利用历史正常数据、历史故障数据以及对应故障类别分别建立得到目标光伏阵列正常与各个故障状态下的I
‑
U曲线图和P
‑
U曲线图；
[0012]步骤13：对获取的I
‑
U曲线图和P
‑
U曲线图进行分析，确定目标光伏阵列在每类故障状态的运行过程中均会产生超出预设变化阈值的变化的变量作为第一特征变量输出。
[0013]优选的，所述第一特征变量指的是目标光伏阵列的最大功率点电压、最大功率点
电流、开路电压以及短路电流。
[0014]优选的，对历史故障数据利用核主成分分析算法进行降维处理后再提取历史故障数据的关键特征，包括：
[0015]步骤21：将历史故障数据映射到高维空间中形成新故障样本数据，再经过中心化处理后，获取得到第一矩阵；
[0016]步骤22：引入核函数对第一矩阵中的数据进行主成分分析求解，其求解公式如下：
[0017]K
*
×
η＝λ
×
η
[0018]式中，K
*
表示为核函数；λ表示为特征值；η表示为特征向量；
[0019]步骤23：设置预设贡献率阈值，并降序排列取前m个特征值λ
i
(i＝1,2,3,
…
,m)以及对应的特征向量η
i
(i＝1,2,3,
…
,m)；
[0020]步骤24：当累计贡献率不小于预设贡献率阈值时，获取得到对历史故障数据降维映射后的关键特征并输出。
[0021]优选的，所述累计贡献率的计算公式如下：
[0022][0023]其中，G表示为累计贡献率；λ
i
表示为降序排列提取m个特征值中的第i个特征值；λ
j
表示为所有特征值的第j个特征值，其中(j＝1,2,3,
…
,n)；n表示为特征值总个数。
[0024]优选的，将历史故障数据与目标搜索算法相结合，并输入第一特征变量来对模型进行训练得到光伏阵列故障诊断模型，包括：
[0025]步骤31：将获取的历史故障数据按照4:1的比例划分得到训练数据集以及测试数据集，并分别作为训练样本和试验样本；
[0026]步骤32：利用融合飞行策略和自适应权重对SSA算法改进得到目标搜索算法；
[0027]步骤33：采用所述目标搜索算法对初始分类模型进行参数优化后，得到优化模型；
[0028]步骤34：将所述第一特征变量作为模型的输入层变量，对优化模型再训练后得到光伏阵列故障诊断模型；
[0029]步骤35：将所述试验样本输入光伏阵列故障诊断模型中进行故障诊断，得到第一试验结果；
[0030]步骤36：对所述第一试验结果进行分析得到所述光伏阵列故障诊断模型的故障诊断性能。
[0031]优选的，采用所述目标搜索算法对初始分类模型进行参数优化后，得到优化模型，包括：
[0032]步骤41：采用核函数对极限学习机进行优化，改变其中隐含层的特征映射得到初始分类模型，且模型的输出公式如下：
[0033][0034][0035]式中，y(x)表示为初始分类模型的实际输出；(x1，x2，
…
，x
h
)表示为给定的训练样本；h表示为训练样本数目；Z表示为正则化系数；Ω
ELM
表示为核矩阵，其中Ω
ELM
＝CC
T
；C表示为极限学习机随机赋值生成的隐含层输出矩阵；L表示为对角矩阵；T表示为训练样本类别向量矩阵；x
a
,x
b
分别表示为第a个输入样本和第b个输入样本；K()表示为给定的核函数；μ表示为核参数；
[0036]步骤42：根据所述目标搜索算法，对麻雀种群初始化；
[0037]步骤43：获取麻雀个体的初始适应度并更新麻雀种群个体位置；
[0038]步骤44：引入Levy飞行策略，再调整自适应权重因子来更新麻雀个体位置；；
[0039]步骤45：确定更新位置后的麻雀个体适应度，以及麻雀个体的当前最优位置；
[0040]步骤46：重复步骤42至步骤44，直至满足预设迭代次数后，得到此时的核参数和正则化系数并作为最优核参数以及最优正则化系数输出；
[0041]步骤47：利用所述最优核参数以及正则化系数对初始分类模型中的核参数和正则化系数进行替换后得到优化模型。
[0042]优选的，对所述第一试验结果进行分析得到所述光伏阵列故障诊断模型的故障诊断性能，包括：
[0043]将所述第一试验结果与试验样本的实际故障情况结合分析，得到光伏阵列故障诊断模型的第一诊断精度；
[0044]再对光伏阵列故障诊断模型的故障诊断效果进本文档来自技高网...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种光伏阵列故障特征提取与建模方法，其特征在于，包括：步骤1：获取目标光伏阵列不同环境条件下的历史状态数据，并分析得到第一特征变量；步骤2：对历史故障数据利用核主成分分析算法进行降维处理后再提取历史故障数据的关键特征；步骤3：将历史故障数据与目标搜索算法相结合，并输入第一特征变量来对模型进行训练得到光伏阵列故障诊断模型。2.根据权利要求1所述的一种光伏阵列故障特征提取与建模方法，其特征在于，获取目标光伏阵列不同环境条件下的历史状态数据，并分析得到第一特征变量，包括：步骤11：从光伏阵列数据库中提取得到预设量的不同环境条件下的目标光伏阵列的历史故障数据以及历史正常数据；步骤12：利用历史正常数据、历史故障数据以及对应故障类别分别建立得到目标光伏阵列正常与各个故障状态下的I
‑
U曲线图和P
‑
U曲线图；步骤13：对获取的I
‑
U曲线图和P
‑
U曲线图进行分析，确定目标光伏阵列在每类故障状态的运行过程中均会产生超出预设变化阈值的变化的变量作为第一特征变量输出。3.根据权利要求2所述的一种光伏阵列故障特征提取与建模方法，其特征在于，所述第一特征变量指的是目标光伏阵列的最大功率点电压、最大功率点电流、开路电压以及短路电流。4.根据权利要求1所述的一种光伏阵列故障特征提取与建模方法，其特征在于，对历史故障数据利用核主成分分析算法进行降维处理后再提取历史故障数据的关键特征，包括：步骤21：将历史故障数据映射到高维空间中形成新故障样本数据，再经过中心化处理后，获取得到第一矩阵；步骤22：引入核函数对第一矩阵中的数据进行主成分分析求解，其求解公式如下：K
*
×
η＝λ
×
η式中，K
*
表示为核函数；λ表示为特征值；η表示为特征向量；步骤23：设置预设贡献率阈值，并降序排列取前m个特征值λ
i
(i＝1，2，3，
…
，m)以及对应的特征向量η
i
(i＝1，2，3，
…
，m)；步骤24：当累计贡献率不小于预设贡献率阈值时，获取得到对历史故障数据降维映射后的关键特征并输出。5.根据权利要求4所述的一种光伏阵列故障特征提取与建模方法，其特征在于，还包括：所述累计贡献率的计算公式如下：其中，G表示为累计贡献率；λ
i
表示为降序排列提取m个特征值中的第i个特征值；λ
j
表示为所有特征值的第j个特征值，其中(j＝1，2，3，
…
，n)；n表示为特征值总个数。6.根据权利要求1所述的一种光伏阵列故障特征提取与建模方法，其特征在于，将历史故障数据与目标搜索算法相结合，并输入第一特征变量来对模型进行训练得到光伏阵列故
技术研发人员：谢伟，李绍庚，郑亚然，张晓萱，王忠超，李涛，方琦斌，李勇斌，曹敏，张波，陈玉东，芶国正，
申请(专利权)人：华能大理风力发电有限公司祥云分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。