一种基于制造技术

本发明专利技术针对在光伏发电系统故障诊断和分类中故障识别实时率差，数据样本过少，容易陷入局部最优等问题，提供了一种基于

【技术实现步骤摘要】
一种基于ISSA
‑
RF算法的光伏发电系统故障分类方法


[0001]本专利技术属于光伏发电系统故障检测和分类
，特别是涉及一种基于
ISSA
‑
RF
算法的光伏发电系统故障分类方法
。

技术介绍

[0002]太阳能光伏发电是技术成熟
、
产业化程度高的太阳能利用方式，具有广阔的发展前景
。
但是光伏发电具有随机性
、
间歇性输出特点，同时其通常工作在复杂的户外环境中，受到各种环境因素的影响，容易出现组件损坏
、
开路
、
局部阴影等各种故障，故障的发生会严重影响电力系统安全运行
。
故在此背景下，对光伏阵列故障的识别与诊断显得尤为重要，准确得出故障类型能有效根据知识图谱得出详细的处理方法，能大大提高故障处理的效率
。
[0003]光伏阵列故障分类方法主要包括红外图像检测法
、
接地电容测量法和时域反射分析法等传统方法，还有人工神经网络
、
随机森林
、
模糊
C
均值聚类法
、
支持向量机和极限学习机等智能方法，传统方法往往存在故障检测精度不足
、
实时性差，检测结构复杂和诊断精度有限等缺陷，在具有一定规模的光伏阵列应用中难以推广
。
在实际工程中的故障诊断问题往往较难得到很大量的样本，因此故障样本的缺乏成为制约人工神经网络在光伏发电阵列故障诊断和分类中的瓶颈问题
。
[0004]目前，在利用智能算法进行光伏阵列故障分类方面已有部分相关研究
。
例如申请公布号为
CN104753461B
的专利所公布的一种基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法，将故障检验转化为二分类的问题，以光伏发电阵列最大功率点的电压和电流值作为特征向量实现其工作状态的判别，采用粒子群算法优化支持向量机中的参数
c
和
g
，再加上光伏发电阵列最大功率点的电压和电流值作为特征向量实现其工作状态的判别，但是由于支持向量机算法是借助二次规划来求解支持向量，当样本数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间，同时此算法对缺失数据敏感
。
申请公布号为
CN108665112A
的专利所公布的一种基于改进粒子群优化
Elman
网络的光伏故障检测方法，采用改进的粒子群算法获取神经网络最优权值，克服了
Elman
神经网络陷于局部最优解的缺陷来得到光伏阵列故障分类模型，但是当数据样本不足时分类精度较差
。
因此本专利技术提出基于改进麻雀搜寻算法结合随机森林算法的光伏发电系统故障分类方法，对上述问题进行改进
。

技术实现思路

[0005]有鉴于此，本专利技术的目的是提供一种基于
ISSA
‑
RF
算法的光伏发电系统故障分类方法，通过改进后的麻雀搜索算法对随机森林算法里面的决策树数目和特征数进行寻优，基于光伏阵列和光伏系统元件的故障实验电气参数构造随机森林分类模型，进而实现对光伏发电系统故障的精准分类
。
[0006]为实现上述目的，本专利技术所采用的技术方案包括以下内容：
[0007]本专利技术提供了一种光伏发电系统故障分类方法，其具体包括如下步骤：
[0008]获取不同工作状态下的若干个电气参数，所述电气参数采集于光伏发电阵列工作于最大功率点时，将所述电气参数的样本组合作为数据集；
[0009]对所述数据集的电气参数进行预处理；
[0010]设置
ISSA
‑
RF
算法中涉及到的基本参数并以此建立基于
ISSA
‑
RF
算法的故障分类模型，使用所述数据集中的训练集对该故障分类模型进行训练；
[0011]利用训练后的故障分类模型对该测试集中光伏发电系统工作时的电气参数进行检测和分类，判断光伏发电系统是否处于故障状态，若处于故障状态则输出故障类型
。
[0012]进一步地，所述不同工作状态，具体包括：正常状态
、
逆变器故障
、
反馈传感器故障
、
电网异常故障
、
局部阴影故障
、
单支路开路故障
、MPPT
控制器故障和升压转换器控制器故障，然后分别对上述故障类型从1到8进行编号
。
[0013]进一步地，所述电气参数，具体包括：光伏阵列电流
、
光伏阵列电压
、
直流电压
、A
相电流
、B
相电流
、C
相电流
、A
相电压
、B
相电压
、C
相电压
、
交流三相电流大小
、
交流三相电流频率
、
交流三相电压大小和交流三相电压频率
。
[0014]进一步地，对所述数据集的电气参数进行预处理，具体包括步骤：
[0015]识别数据集中的电气参数类别数和样本数并打乱数据集；
[0016]划分训练集和测试集，根据类别数循环取出不同类别的样本数据并随机放入训练集和测试集，其中设定训练集占数据集数量的
75
％；
[0017]对训练集和测试集的样本数据进行归一化处理，即映射到区间
[0,1]内
。
[0018]进一步地，设置
ISSA
‑
RF
算法中涉及到的基本参数，具体包括：优化参数个数
、
决策树数目与决策树深度的数值上下限和麻雀数量，其中，
[0019]优化参数个数＝2；
[0020]决策树数目与决策树深度的数值上限＝
[500,13]；
[0021]决策树数目与决策树深度的数值下限＝
[100,01]；
[0022]麻雀数量＝
10。
[0023]进一步地，建立基于
ISSA
‑
RF
算法的故障分类模型，具体包括步骤：
[0024]A、
首先建立
ISSA
模型：
[0025]A1、
对改进麻雀搜寻算法中的基础参数进行设置，其中安全阈值设定为
0.5
，发现者比例为
20
％，加入者比例为
80
％，预警者比例为
10
％，优化参数为2；
[0026]A2、
精英反向学习优化初始种群，选取最优个体作为最终的初始种群，设当前麻雀种群个体位置的矩阵
X
和第
i
只麻雀位置的矩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种光伏发电系统故障分类方法，其特征在于，具体包括如下步骤：获取不同工作状态下的若干个电气参数，所述电气参数采集于光伏发电阵列工作于最大功率点时，将所述电气参数的样本组合作为数据集；对所述数据集的电气参数进行预处理；设置
ISSA
‑
RF
算法中涉及到的基本参数并以此建立基于
ISSA
‑
RF
算法的故障分类模型，使用所述数据集中的训练集对该故障分类模型进行训练；利用训练后的故障分类模型对该测试集中光伏发电系统工作时的电气参数进行检测和分类，判断光伏发电系统是否处于故障状态，若处于故障状态则输出故障类型
。2.
根据权利要求1所述的光伏发电系统故障分类方法，其特征在于，所述不同工作状态，具体包括：正常状态
、
逆变器故障
、
反馈传感器故障
、
电网异常故障
、
局部阴影故障
、
单支路开路故障
、MPPT
控制器故障和升压转换器控制器故障，然后分别对上述故障类型从1到8进行编号
。3.
根据权利要求1所述的光伏发电系统故障分类方法，其特征在于，所述电气参数，具体包括：光伏阵列电流
、
光伏阵列电压
、
直流电压
、A
相电流
、B
相电流
、C
相电流
、A
相电压
、B
相电压
、C
相电压
、
交流三相电流大小
、
交流三相电流频率
、
交流三相电压大小和交流三相电压频率
。4.
根据权利要求1所述的光伏发电系统故障分类方法，其特征在于，对所述数据集的电气参数进行预处理，具体包括步骤：识别数据集中的电气参数类别数和样本数并打乱数据集；划分训练集和测试集，根据类别数循环取出不同类别的样本数据并随机放入训练集和测试集，其中设定训练集占数据集数量的
75
％；对训练集和测试集的样本数据进行归一化处理，即映射到区间
[0,1]
内
。5.
根据权利要求1所述的光伏发电系统故障分类方法，其特征在于，设置
ISSA
‑
RF
算法中涉及到的基本参数，具体包括：优化参数个数
、
决策树数目与决策树深度的数值上下限和麻雀数量，其中，优化参数个数＝2；决策树数目与决策树深度的数值上限＝
[500,13]
；决策树数目与决策树深度的数值下限＝
[100,01]
；麻雀数量＝
10。6.
根据权利要求1所述的光伏发电系统故障分类方法，其特征在于，建立基于
ISSA
‑
RF
算法的故障分类模型，具体包括步骤：
A、
首先建立
ISSA
模型：
A1、
对改进麻雀搜寻算法中的基础参数进行设置，其中安全阈值设定为
0.5
，发现者比例为
20
％，加入者比例为
80
％，预警者比例为
10
％，优化参数为2；
A2、
精英反向学习优化初始种群，选取最优个体作为最终的初始种群，设当前麻雀种群个体位置的矩阵
X
和第
i
只麻雀位置的矩阵
X
i
分别为：
X
i
＝
[x
i,1
,
…
,x
i,j
,
…
,x
i,d
]
式中，
x
i,j
表示第
i
只麻雀在第
j
维中的位置信息，
d
是待优化变量的维度，令麻雀的适应度即目标函数表达式如下：
F
＝
[f(X1)
ꢀ…ꢀ
f(X
i
)
ꢀ…ꢀ
f(X
n
)]
T
式中，
f(X
i
)
＝
X
i2
是第
i
只麻雀的个体适应度，由以上可得第
i
只麻雀个体位置的反向解
X
i
*
为：
X
i
*
＝
α3[min(x
i,j
)+max(x
i,j
)]
‑
X
i
式中，
α3是
(0
，
1]
范围的随机数
,
利用随机生成的
α3值可以生成多个反向解，如果生成的反向解超出上下边界值，即上限
[500,13]
和下限
[100,01]
，则重置反向解，然后对原可行解和反向解的适应度进行评估，选出更优解即精英个体位置作为初始种群的个体位置；
A3、
计算每只麻雀适应度并排序；
A4、
判断麻雀位置更新策略：设定转换概率
p
＝
0.7
，若均匀分布随机数
r∈[0
，
1]
小于转换概率
p
，则使用原始公式更新麻雀发现者
、
加入者和预警者的位置，并利用自适应
t
变异公式更新每只麻雀的位置，公式如下：
①
发现者位置更新：式中，
R
是当前迭代次数，
R
max
是最大迭代次数，
α1是
(0
，
1]
范围均匀分布的随机数，
Q
是服从正态分布的随机数，
L
是各元素都为1的1行多维矩阵，
R
a
∈[0,1]
和
R
s
∈[0.5,1]
分别代表预警值和安全阈值；
②
加入者位置更新：式中，
X
b
和
X
w
分别表示全局最优位置和...

【专利技术属性】
技术研发人员：舒杰，廖卓颖，陈炯聪，张靖，
申请(专利权)人：中国科学院广州能源研究所，
类型：发明
国别省市：