一种适应阴影情况的光伏电站直流侧故障实时监测方法技术

本发明专利技术公开了一种适应阴影情况的光伏电站直流侧故障实时监测方法，涉及光伏领域所述方法包括如下步骤：首先，使用逻辑回归算法建立故障诊断的教师模型；然后，设计一个

【技术实现步骤摘要】
一种适应阴影情况的光伏电站直流侧故障实时监测方法


[0001]本专利技术涉及一种光伏阵列故障诊断的技术，具体是一种适应阴影情况的光伏电站直流侧故障实时监测方法
。

技术介绍

[0002]光伏能源是一种重要的可再生能源形式，已广泛应用于电力生产等领域
。
光伏阵列由多个太阳能电池组成，用于将太阳辐射能转化为电能
。
然而，由于环境条件
、
污染
、
阴影等因素的存在，光伏阵列可能会发生各种类型的故障，如开路
、
短路
、
部分遮挡
(Partial Shading
，
PS)
等
。
[0003]传统的光伏阵列故障诊断方法通常基于监督学习技术，使用已知场景下的标签数据来训练故障诊断模型
。
然而，实际运行过程中的
PS
情况复杂多变，随机性强，难以获取所有
PS
模式的样本进行模型训练
。
因此，传统方法建立的模型难以识别来自未知阴影情况的样本，从而显著降低了故障诊断模型的分类准确性
。
为解决上述问题，本专利技术提出了一种适应未知阴影的光伏阵列故障诊断方法，采用半监督学习技术，引入运行过程中实际采集的无标签数据进行模型更新，从而使得该模型可以解决未知阴影场景出现导致的类不匹配问题
。

技术实现思路

[0004]本专利技术的目的在于提供一种适应阴影情况的光伏电站直流侧故障实时监测方法
。
本专利技术使用逻辑回归算法建立故障诊断的教师模型
。
然后，基于教师模型预测的概率分数，设计
Y
模型分别筛选和标记来自已知场景和未知阴影情况的无标签数据，与标签数据一起迭代更新模型，从而使得该模型可以显著提升未知阴影存在时光伏阵列故障分类的准确率
。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]采集光伏阵列的标签数据，其中所述标签数据包括光伏阵列的特征向量和相应的样本标签，其中样本标签包括正常状态
、LL
故障
、OC
故障和
PS
情况
。
[0007]采集光伏阵列的无标签数据，其中所述无标签数据的特征向量在光伏系统运行期间采集
。
[0008]将所述标签数据和无标签数据组合为训练数据集
。
[0009]使用逻辑回归算法建立故障诊断的教师模型，其中所述教师模型用于获取将训练数据集的特征向量映射到各个类别的概率分数
。
具体过程为：令为光伏阵列故障诊断的特征向量，
y∈{
‑
1,+1}
为相应的二分类标签，用于指示该特征向量是否属于特定的类型
。
假设有
N
个标签样本用于模型训练，基于
LR
的故障诊断模型的参数可以基于最大似然估计得到：
[0010][0011]其中：是观察到的标签样本的特征向量，是观察到的标签样本的标签，权重向量为基于训练数据估计得到的回归模型参数；
(1)
的目标函数
l
θ
(x,y)
为对数损失函数，其表达式为：
[0012]l
θ
(x,y)
＝
log(1+exp(
‑
y<
θ
,x>))
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0013]式
(1)
可以解释为一个随机优化问题，假定特征向量
x
和标签
y
遵循样本空间上的概率分布如果已知概率分布则可以通过求解以下随机优化问题找到其最优参数
θ
：
[0014][0015]进而建立基于逻辑回归算法进行故障诊断的教师模型
。
[0016]将无标签数据划分为多个集合
。
[0017]基于所述教师模型的预测结果，设计一个
Y
模型用于筛选和标记来自已知场景和未知阴影情况的无标签数据，其中所述
Y
模型包括一个主干和两个分支，其中主干使用标签数据训练的四个基于
LR
的二分类模型作为教师模型，为无标签数据提供概率分数
。
具体规则为：
1)
对于来自已知场景样本的无标签样本的筛选规则为：选择样本预测概率属于特定类别的概率分数大于
γ
，且属于其他类的概率分数小于
ε
的无标签样本；
2)
对于来自未知阴影情况的无标签样本的筛选规则为：将样本属于正常
、LL
故障
、OC
故障和
PS
情况的概率分数都很小的无标签样本标记为
PS
类
。
[0018]根据所述
Y
模型的筛选和标记结果，将被选中的伪标签数据视为下一次训练学生模型的标签数据
。
[0019]使用所述伪标签数据训练同样基于
LR
方法的学生模型，其中所述学生模型用于光伏阵列故障诊断；
[0020]重复无标签数据筛选和模型训练的步骤，直至所有无标签数据都被筛选过
。
该学生模型即为最终的分类模型，用于光伏阵列故障诊断
。
[0021]与现有技术相比，本专利技术的有益效果是：本专利技术在存在未知阴影模式的情况下，可以有效地利用无标签样本来提升模型的分类准确率，克服了未知阴影模式对诊断性能的影响，从而增强了光伏阵列故障诊断的鲁棒性和可靠性
。
附图说明
[0022]图1为本专利技术方法流程图
。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0024]一种适应阴影情况的光伏电站直流侧故障实时监测方法，包括如下步骤：
[0025]采集光伏阵列的标签数据，其中所述标签数据包括光伏阵列的特征向量和相应的样本标签，其中样本标签包括正常状态
、LL
故障
、OC
故障和
PS
情况
。
[0026]采集光伏阵列的无标签数据，其中所述无标签数据的特征向量在光伏系统运行期间采集
。
[0027]将所述标签数据和无标签数据组合为训练数据集
。
[0028]使用逻辑回归算法建立故障诊断的教师模型，其中所述教师模型用于获取将训练数据集的特征向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种适应阴影情况的光伏电站直流侧故障实时监测方法，其特征在于，包括如下步骤：
1.1
采集光伏阵列的标签数据，其中所述标签数据包括光伏阵列的特征向量和相应的样本标签，其中样本标签包括正常状态
、LL
故障
、OC
故障和
PS
情况；
1.2
采集光伏阵列的无标签数据，其中所述无标签数据的特征向量在光伏系统运行期间采集；
1.3
将所述标签数据和无标签数据组合为训练数据集；
1.4
使用逻辑回归算法
(Logistic Regression
，
LR)
建立故障诊断的教师模型
(TeacherModel)
，其中所述教师模型用于获得将训练数据集的特征向量映射到各个类别的概率分数；
1.5
将无标签数据划分为多个集合；
1.6
基于所述教师模型的预测结果，设计一个
Y
模型用于筛选和标记来自已知场景和未知阴影情况的无标签数据，其中所述
Y
模型包括一个主干和两个分支，其中主干使用标签数据训练的四个基于
LR
的二分类模型作为教师模型，为无标签数据提供概率分数；
1.7
根据所述
Y
模型的筛选和标记结果，将被选中的伪标签数据视为下一次训练学生模型的标签数据；
1.8
使用所述伪标签数据训练学生模型，其中所述学生模型用于光伏阵列故障诊断；
1.9
重复步骤
1.6
至
1.8
，直至所有无标签数据均被学习完，该学生模型即为最终用于光伏阵列故障诊断的分类模型
。2.
根据权利要求1所述的适应阴影情况的光伏电站...

【专利技术属性】
技术研发人员：柳劲松，王梦圆，刘舒，徐潇源，时珊珊，严正，方陈，沈冰，陈冉，王晗，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：