【技术实现步骤摘要】
本专利技术属于光伏发电领域，具体涉及一种光伏系统故障预测方法、系统及设备。
技术介绍
1、随着“碳达峰、碳中和”目标的不断推进，新能源产业规模日渐发展扩大，光伏发电作为新能源中的支柱产业在我国已经获得长足发展。光伏阵列安装在室外环境中，持续暴露在恶劣环境下会诱发各种组件故障，严重的故障可能诱发火灾，因此光伏发电的组件故障预测成为重要的研究课题。
2、目前已有许多关于光伏故障预测的研究，大部分研究旨在于构建某一特征值，根据此特征值判断光伏系统是否故障。pei tingting等人在“a fault detection methodfor photovoltaic systems based on voltage and current observation andevaluation[j].energies,2019,12(9):1-16.”一文中对离线状态下的光伏阵列进行扫描，并利用开路电压、短路电流和最大功率点定义电压电流指标，根据实时采集的指标值和阈值比较判断系统是否存在故障。王元章等人在“基于bp神经网络的光伏阵列故障诊断研究[j].电力系统保护与控制,2013,41(16):108-114.”一文中利用bp网络训练光伏系统的电压电流指标，建立了一个基于bp神经网络的光伏故障诊断系统。程泽等人在“基于自适应混沌粒子群算法的光伏电池模型参数辨识[j].电工技术学报,2014,29(9):245-252.”一文中首先利用lambert w函数重新建立了光伏阵列模型，使用混沌粒子群算法搜索模型参数，比较正常和异常状
3、上述方法虽然能够实现光伏发电系统的故障识别，但大部分研究旨在于构建某一特征值，根据特征值设定阈值并根据此特征值阈值判断光伏系统是否故障，存在依赖模型精度、阈值设定、计算速度与准确性等不足。
技术实现思路
1、本专利技术的目的在于提供一种光伏系统故障预测方法、系统及设备，解决了现有的光伏系统故障预测方法存在的上述不足。
2、为了达到上述目的，本专利技术采用的技术方案是：
3、本专利技术提供的一种光伏系统故障预测方法，包括以下步骤：
4、获取待测光伏系统当前的运行监测数据，将得到的运行监测数据进行映射处理，得到映射点；
5、分别计算该映射点与预设的故障类点子集和非故障类点子集之间的距离，根据该距离判断待测光伏系统是否故障。
6、优选地，预设故障类点子集和非故障类点子集的具体方法是：
7、获取待测光伏系统上一年度每日运行监测数据，并将每日运行监测数据组成时间序列；
8、对得到的每个时间序列进行特征提取，得到特征矩阵；
9、将得到的每个特征矩阵进行映射，得到高维空间点；
10、将得到的每个高维空间点进行组合得到高维空间点集；
11、将得到的高维空间点集进行训练划分得到预设的故障类点子集和非故障类点子集。
12、优选地，每日运行监测数据包括电压、电流、功率、频率、功率因数和温度。
13、优选地，对得到的每个时间序列进行特征提取，得到特征矩阵的具体方法是：
14、利用shapelet算法对得到的每个时间序列进行特征提取，得到特征矩阵。
15、优选地，利用改进的kpca方法将得到的每个特征矩阵进行映射，得到高维空间点。
16、优选地，利用k-means算法将得到的高维空间点集进行训练划分得到故障类点子集和非故障类点子集。
17、一种光伏系统故障预测系统，包括：
18、映射处理单元，用于获取待测光伏系统当前的运行监测数据，将得到的运行监测数据进行映射处理，得到映射点；
19、故障判断单元，用于分别计算该映射点与预设的故障类点子集和非故障类点子集之间的距离，根据该距离判断待测光伏系统是否故障。
20、优选地，该系统还包括故障子集预设单元，该故障子集预设单元包括：
21、数据获取模块，用于获取待测光伏系统上一年度每日运行监测数据，并将每日运行监测数据组成时间序列；
22、特征矩阵提取模块，用于对得到的每个时间序列进行特征提取，得到特征矩阵；
23、映射模块，用于将得到的每个特征矩阵进行映射，得到高维空间点；
24、组合模块，用于将得到的每个高维空间点进行组合得到高维空间点集；
25、训练模块，用于将得到的高维空间点集进行训练划分得到预设的故障类点子集和非故障类点子集。
26、一种光伏系统故障预测设备，包括处理器、以及能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
27、与现有技术相比，本专利技术的有益效果是：
28、本专利技术提供的一种光伏系统故障预测方法，利用shapelet算法进行特征提取后，采用改进型kpca方法进行映射，后将特征矩阵输入k-means算法中进行分类，提高了分类效率和准确性，且提高了算法的可解释性。与传统算法相比，本文中提出的聚类模型将直接对故障和非故障运行状况进行分类，无需设置阈值进行比较，增强了本专利技术的适用性。同时，部分传统的光伏故障预测算法对特征的选取导致需要很多次循环的数据，这对模型训练的效率带来了很大的影响，本专利技术需要很少的训练数据即可实现故障预测。在将来的研究中，利用更多的标签数据，仅需要简单增减k-means算法的聚类个数即可实现不同故障类型的划分。
本文档来自技高网...【技术保护点】
1.一种光伏系统故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光伏系统故障预测方法，其特征在于，预设故障类点子集和非故障类点子集的具体方法是：
3.根据权利要求2所述的一种光伏系统故障预测方法，其特征在于，每日运行监测数据包括电压、电流、功率、频率、功率因数和温度。
4.根据权利要求2所述的一种光伏系统故障预测方法，其特征在于，对得到的每个时间序列进行特征提取，得到特征矩阵的具体方法是：
5.根据权利要求2所述的一种光伏系统故障预测方法，其特征在于，利用改进型的KPCA方法将得到的每个特征矩阵进行映射，得到高维空间点。
6.根据权利要求2所述的一种光伏系统故障预测方法，其特征在于，利用K-means算法将得到的高维空间点集进行训练划分得到故障类点子集和非故障类点子集。
7.一种光伏系统故障预测系统，其特征在于，包括：
8.根据权利要求7所述的一种光伏系统故障预测系统，其特征在于，该系统还包括故障子集预设单元，该故障子集预设单元包括：
9.一种光伏系统故障预测设备
...【技术特征摘要】
1.一种光伏系统故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光伏系统故障预测方法，其特征在于，预设故障类点子集和非故障类点子集的具体方法是：
3.根据权利要求2所述的一种光伏系统故障预测方法，其特征在于，每日运行监测数据包括电压、电流、功率、频率、功率因数和温度。
4.根据权利要求2所述的一种光伏系统故障预测方法，其特征在于，对得到的每个时间序列进行特征提取，得到特征矩阵的具体方法是：
5.根据权利要求2所述的一种光伏系统故障预测方法，其特征在于，利用改进型的kpca方法将得到的每个特征矩...
【专利技术属性】
技术研发人员：高晨，郑清伟，毕子明，童博，张红星，宋戈，高锟，郭再虎，赵勇，谢小军，胡华杰，
申请(专利权)人：华能陕西榆阳电力有限公司，
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。