一种基于神经网络的分布式光伏系统故障诊断方法

文档序号:9342849阅读:562来源:国知局
一种基于神经网络的分布式光伏系统故障诊断方法
【技术领域】
[0001] 本发明涉及光伏发电领域,特别是涉及一种基于神经网络的分布式光伏系统故障 诊断方法。
【背景技术】
[0002] 近年来,随着光伏系统装机容量的不断上涨,在光伏电站运营过程中,各种问题及 风险不断突显,不仅造成经济损失,严重时还将危及人身安全。光伏发电系统组成设备众 多,主要包括光伏阵列、直流汇流箱、光伏并网逆变器、交流配电柜以及升压变压器等电气 设备。这些设备在长期的运营中,也出现模型老化,性能衰减,寿命周期缩短等现象,导致系 统的发电效率降低,失去实用价值。因此采用合理的算法和策略,对光伏系统的工作状态进 行实时故障诊断和定期的性能评估对保障系统达到最大的能量收益和得到可靠的发电功 率具有重要意义。
[0003] 神经网络作为智能控制领域的一个新的分支,在各个领域的运用都取得了很大 的进展。由于神经网络可以任意逼近非线性函数,故它可以为非线性系统的辨识提供一种 通用模式,并且它是非算法式的,神经网络本身就是辨识模型,其可调参数反映在网络内部 的连接权上。它不需要建立以实际系统数学模型为基础的辨识格式,可以省去在辨识前对 系统建模的步骤。而RBF网络是一种较典型的神经网络,是从多变量函数插值发展而来的, 吸引了很多学者的研究兴趣,它是一种具有局部逼近性能和最佳逼近的性能的前馈神经网 络。RBF神经网络拥有良好的泛化能力,并有很快的学习收敛速度,光伏系统的输出特性是 一个非线性、随机的过程,使用RBF网络进行光伏系统故障的诊断,具有广阔的发展前景。

【发明内容】

[0004] 针对现有技术上存在的不足,本发明的目的是基于增加的光伏系统故障诊断的可 靠性,公开一种基于神经网络的分布式光伏系统故障诊断方法。
[0005] 为了实现上述目的,本发明是通过如下的技术方案来实现:
[0006] -种基于神经网络的分布式光伏系统故障诊断方法,该方法基于RBF神经网络, 对光伏阵列故障进行诊断。以光伏阵列的辐照度、温度参数组成系统输入信号xin,以电流、 电压、功率、逆变器的功率、电能质量为参数组成系统的输出信号为yciut,训练输入样本由Xin 和yciut组成,训练输出样本为y。光伏发电系统模型为实际的光伏电站和仿真模型,对于要 得到正常的数据时为仿真模型,用其获得与光伏系统实际输出相对应的参考数据;对于获 得待测数据时为实际的光伏电站,待测数据由数据采集系统采集电站的参数而得到。步骤 如下:
[0007] (1)、以由仿真模型得到的正常条件下的样本为输入,训练RBF网络,得到其相应 的结构参数。
[0008] (2)、然后以数据采集系统采集到的光伏电站的实际参数为待测样本,并作为已训 练好的RBF神经网络的输入,得到RBF神经网络的估计输出,进一步计算出估计输出和系统 实际输出信号之间的残差。
[0009] (3)、若残差超过故障限,则说明系统处于故障状态;反之,说明系统工作正常。
[0010] 上述的RBF神经网络:RBF神经网络属于三层前馈网络,包括输入层、输出层、隐含 层,以xji= 1,2, 3,…,n)为输入矢量,n为输入层节点数,fi(i= 1,2, 3,…,m)为隐含层 的函数,《 ,(i= 1,2, 3,…,m)为隐含层到输出层的权值,m为隐含层的节点数,yni为网络 的输出,即:
[0011]

[0012] 输入层和隐含层间由高斯函数构成,而输出层与隐含层则由线性函数构成。隐含 层节点的作用函数(基函数)对输入信号将在局部产生响应,即当输入信号靠近基函数的 中心范围时,隐含层节点将产生较大的输出。本发明采用的高斯基函数为:
[0013]
(2)
[0014] 其中,f(x)为隐含层节点的作用函数(基函数),x为n维输入矢量;C]为第j基 函数的中心,与x具有相同维数的矢量;带宽参数〇 ,决定了第j个基函数围绕中心点的宽 度;k是感知单元的个数。由最小二乘法得到。
[0015] 上述的Cj由最小二乘法得到:最小二乘法法的基本思想是:将径向基函数的中心 选作训练模式的子集,一次选择一个样本,通过正交化回归矩阵P的各分量& (P的j列),选 择带来误差压缩比大的回归算子,并通过选定的容差确定回归算子数,进而求出网络权值。 最小二乘法将RBF神经网络看作是一个线性回归模型:
[0016]
(:萏).
[0017] 其中,d(t)是期望输出,是权值,p,(t)是回归子,是x(t)的固定函数,e⑴ 表示误差。
[0018] p.j(t) =p.j(x(t)),这里假设e⑴与p.j(t)不相关。
[0019] 将公式⑶写成矩阵形式,即:
[0020] d=P0+EU)
[0021] #为公式(4)中的最小二乘解,^是d在基矢量空间上的投影,E为m维列向量, 即E=[e(1)e⑵…e(m)]T。对P进行三角分解为:
[0022] P=ffA (5)
[0023] 其中,A为MXM的上三角矩阵,且对角线上的元素为1,W为NXM的正交矩阵,其 列向量Wl正交:
[0024] ffTff=H(6)
[0025] H为对角元比的对角矩阵,h丨为:
[0026] h,=W)W,, 2<1<m(?)
[0027] W的列正交向量。
[0028] 令^ =g,贝1J公式(4)可写成:
[0029]d=ffg+E(8)
[0030] 公式(7)的最小二乘解为:
[0031] g= // 'W'd (9)
[0032] 其中g和j满足:
[0033] (10)
[0034] 用经典的Gram-Schmidt正交分解法可推导出上式,进一步从公式(10)式中可解 出最小二乘解i。由于在RBF神经网络中,输入数据点x(t)的数目通常较大,中心的选择可 以看作从数据集中选择一个子集,即从所有候选回归子中选择适当的建模所需要的若干回 归子,这可由最小二乘法来完成。因为W的正交性,由公式(7)的d(t)的平方和为:
[0035]
U1)
[0036] 则d(t)的方差为:
[0037]
[0038] (12)
[0039] 这里,iT1盗2增是引入Wl后的期望输出方差的增量,因此的误差wi减小率可定 义为:
[0040]
1 <I<i\! (13)
[0041] 对于可选择的若干个回归算子,每个回归算子对应一个误差压缩比,从误差压缩 比总选出最大的一个,这个误差压缩比对应的回归算子就是最终选择的回归算子。
[0042] 上述的带宽参数〇 1: 〇i决定了RBF单元接受域的大小,对网络的精度有极大的 影响。〇 ,的选择必须遵循的原则是所有的RBF单元的接受域之和覆盖整个训练样本空间。 通常应用最小二乘法后,可令每个类中心C]等于类中心与该类训练样本之间的平均距离, 即:
[0043]
(14)
[0044] 其中Nj为第j个样本的个数,t为转置;
[0045] 权值的调整采用梯度下降法,其迭代公式为:
[0046] ? (t+1) =co(t) +n(u-y)fT (x) (15)
[0047] 其中,n为学习速率,u为网络的期望输出,y为网络的输出,f(x)为隐层输出,T 为转置。
[0048] 上述的残差:定义与正常状态下的距离MD为:
[0049]
〇6)
[0050] 其中,k为数据的维数,R为与y和yciut的方差-协方差、相关系数相关的矩阵,T 为转置。
[0051] 需对计算的距离进行归一化处理,从而得到残差a。本发明采用的残差归一化函 数形式如下:
[0052]
(17)
[0053] 其中,c。基于正常数据对应的a设定值来确定,如下所示:
[0054]
(18)
[0055] 这里,Mean(MDn_al)为正常状态下的MD的平均值,a是正常状态下对应的a设 定值。
[0056] 当a〈设定的故障限时,系统正常;当a>设定的故障限时,系统出现故障,需及时 进行维修。
[0057] 本发明的实施过程简明易实现,能及时地进行光伏系统故障的诊断,有助于光伏 系统的运营维护。
【附图说明】
[0058] 下面结合附图和【具体实施方式】来详细说明本发明;
[0059] 图1是基于RBF神经网络的光伏系统故障诊断框图。
【具体实施方式】
[0060] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合
【具体实施方式】,进一步阐述本发明。
[0061] 如图1所示,一种基于神经网络的分布式光伏系统故障诊断方法,该方法基于RBF 神经网络,对光伏阵列故障进行诊断。以光伏阵列的辐照度、温度参数组成系统输入信号 xin,以电流、电压、功率、逆变器的功率、电能质量为参数组成系统的输出信号为 yciut,训练输 入样本由y_组成,训练输出样本为y。光伏发电系统模型为实际的光伏电站和仿真 模型,对于要得到正常的数据时为仿真模型,用其获得与光伏系统实际输出相对应的参考 数据;对于获得待测数据时为实际的光伏电站,待测数据由数据采集系统采集电站的参数 而得到。
[0062] (1)、以由仿真模型得到的正常条件下的样本为输入,训练RBF网络,得到其相应 的结构参数。
[0063] (2)、然后以数据采集系统采集到的光伏电站的实际参数为待测样本,并作为已训 练好的RBF神经网络的输入,得到RBF神经网络的估计输出,进一步计算出估计输出和系统 实际输出信号之间的残差。
[0064](3)、若残差超过故障限,则说明系统处于故障状态;反之,说明系统工作正常。
[0065] 上述的RBF神经网络:RBF神经网络属于三层前馈网络,包括输入层、输出层、隐含 层,以xji= 1,2, 3,…,n)为输入矢量,n为输入层节点数,fi(i= 1,2, 3,…,m)为隐含层 的函数,(i= 1,2, 3,…,m)为隐含层到输出层的权值,m为隐含层的节点数,yni为网络 的输出,即:
[0066]

[0067] 输入层和隐含层间由高斯函数构成,而输出层与隐含层则由线性函数构成。隐含 层节点的作用函数(基函数)对输入信号将在局部产生响应,即当输入信号靠近基函数的 中心范围时,隐含层节点
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1