一种光伏阵列故障诊断方法
【技术领域】
[0001] 本发明设及光伏发电领域，特别是设及一种光伏阵列故障诊断方法。
【背景技术】
[0002] 随着全球能源问题的日益突出，人们逐渐将目光转向再生能源。太阳能作为一种 清洁能源具有较大发展空间。在过去的几年里，因为光伏材料价格的下降W及各国政府的 政策支持，光伏产业得到了快速的发展，预计2015年和2020年我国光伏产业年产量可达 1. 35亿m2和2. 73亿m2。目前光伏组件的寿命大约为25年，运就要求光伏电站在运25年 时间里可W稳定、持续、高效的发电。但是，光伏电站往往安装在比较恶劣的环境中，导致老 化、热斑、短路等故障频发。而光伏系统通常在无人值守的情况下运行，系统故障的发生可 能会导致输出功率降低甚至影响整个系统的正常运行。因此，用行之有效的方法及时地发 现故障并排除故障，对延长光伏系统的维护和光伏组件使用寿命和维持光伏电站正常运行 是十分有意义的。
[0003] 目前，常用的光伏阵列故障诊断和定位方法可W分为视觉判断法、热性能法及电 学法3种。热性能和视觉方法，都需要在阵列前面架设热成像仪或摄影机，对热成像仪或者 摄像机摄制的图像进行人工观测或者进行图像处理，找出故障点。运类方法，实时性较差， 且故障诊断和定位的精度和效率取决于热成像仪或者摄像机的等级，不利于在线故障诊 断、定位和报警等。而电学法中，常用的对地电容检测法和时域反射法均需在系统停止工作 时，对光伏系统进行检测后进行故障定位，对系统的实时运行影响较大。因此，在光伏电站 的运营维护中，故障诊断具有较大的发展前景。
[0004] 基于支持向量机（SuppcxrtVectorMachine,SVM)的故障诊断方法：支持向量机 方法与基于模型的故障诊断相比，该方法无需复杂的数学建模，亦无需知道系统的机理， 只需获取系统的运行数据即可对复杂非线性系统进行描述；同时，与经典的人工神经网络 (Artificial化ural化twork，ANN)方法相比，SVM只需要较少的样本即可对非线性系统进 行学习。因此，该类方法更能适应故障诊断的需求，具有非常优秀的工程应用前景，也逐渐 成为当前研究的一个热点。自1999年此类方法被用至故障诊断领域W来，其研究呈快速发 展态势。
【发明内容】
[0005] 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，公开一种光伏阵列故障诊断方法。
[0006] 为了实现上述目的，本发明是通过如下的技术方案来实现：
[0007] 一种光伏阵列故障诊断方法，所述方法基于多级聚类的支持向量机SVM算法，进 行光伏阵列故障诊断，所述步骤如下：
[000引 （1)、首先对训练样本集的各类中屯、进行分级聚类，W聚类分析的相似性测度为均 值距离，并假设每一级中前两类的均值距离最小，其他相似性测度同理，将均值最小的2个 样本，并为一类；
[0009] 似、然后W(1)中得到的样本为SVM输入输出样本，对数据样本进行训练，得到各 级的SVM模型，包括SVM1、SVM2、SVM3;
[0010] (3)、最后将数据测试样本输入训练好的SVM模型中，进行逐级分类诊断，进一步 确定系统的故障类型。
[0011] 上述步骤（1)中的分级聚类的方法如下：
[0012] (2a)、假设有四类样本集，分别为Al,A2,A3,A4 ;A1为硬性阴影样本，A2为软性阴 影样本，A3为老化样本，A4为最大功率点失配的样本，4类样本都由电压、电流、功率数据组 成；
[0013] 首先完全按照原始类别划分，即各类样本自称一类;Al和A2为阴影样本集具有相 似的输出特性，他们的类均值距离最小，并为Bl类，并WAl,A2分别作为SVM3训练集中的 输入输出样本，W此得到SVM3的各参数值，同时把A3作为B2,A4作为B3;
[0014] (化）、阴影样本集Bl和老化样本集B2,在进行二级分类时，他们二者的类均值距 离最小，并为Cl类，并WBI,B2分别作为SVM2训练级中的输入输出样本，W此得到SVM2的 各参数值，MPPT的失配严重影响逆变器的效率，可W根据逆变器效率加于区分，把B3作为 C2 ;
[001引 （2c)、分别WC1、C2样本集的作为SVMl训练集中的输入输出样本，W此得到SVMl的各参数值；
[0016] 根据训练样本的分布情况和最近距离准则自适应构成N-I个两类SVM，由此完成 光伏系统硬性阴影、软性阴影、老化、MPPT失配4种故障的分级聚类。
[0017] 上述步骤（3)中的分类诊断的方法如下：
[0018] 第一步：由当前电流、电压、和交直流功率组成测试样本X，然后将待测样本X送入 SVMl，根据SVMl的结果判断样本X属于Cl还是C2,若属于，C2则判定样本X就属于A4,即 MPPT失配故障；若属于Cl，则进行第二步；
[0019] 第二步：将待测样本X送入SVM2。根据SVM2的结果判断样本X属于Bl还是B2， 若属于B2,则判定样本X就属于A3,即老化故障；若属于BI,则进行第S步；
[0020] 第S步：将待测样本X送入SVM3。根据SVM3的结果判断样本X属于Al还是A2， 若结果为Al,即为硬性阴影，若结果为A2,即为软性阴影；
[0021] 对于m个测试样本，只需按上述步骤逐个进行，最终均可找到所属类别，对光伏系 统故障进行诊断，且不会出现拒绝分类区。
[0022] 上述步骤（2)中的SVM模型的计算方法如下：
[0023] 由四种故障下的电压、电流、交直流功率数据组成的样本A1、A2、A3、A4,两两组成 一组样本容量，若Al和A2为例，组成的样本容量{xi，yj(i= 1，2…m)，m为样本容量；Xi 为输入向量；为目标函数输出数据，考虑到大多数情况下样本呈非线性关系，估计函数f 可通过W下方法确定：将每一个样本点利用非线性函数4映像到高维特征空间，再在高 维特征空间进行线性回归，从而取得在原空间进行线性回归的效果。函数f为：
[0024] f(X, W)=W 本（X)+b =(W,本（X))+b (1)
[00巧]W为权值向量，b为常数；公式（1)表示一个平面，把样本Ixi,yi}正确无误地分割 开来，X，y表示公式（1)所代表的平面上的点；
[00別 （2)
[0026] 系数W和b由最小化下式来估计：
[00測 （绿)
[0029] 在公式似中给出的正则化风险泛函中，第1部分是经验风险，为最小化风 险泛函，它由e不敏感损失函数来衡量；损失函数的用途在于它能用稀疏点来表示决策函 数，C是正常数，它决定损失函数和正则化部分之间的平衡第2部分是正则化部分，为寻找 系数w和b需要引入松弛变量C和使下式最小化： W30]
(4)
[0031] 其约束条件是：
[0032] <m/抑X,) +与一乂'<公 +辜 《>〇 (5) yi-^^^(6{x,)-b^<s+ (6 《* > 0
[0033] 其中，bi为常数；
[0034] 最后引入拉格朗日乘子，利用Wolf对偶技巧将上述问题转换为下面的对偶问题：
[0035]
(技）
[0036] 其中，L为拉格朗日乘子，a，a*i均为正常数，乏仁，3')二〇，和<￡化(] 到-
[0037] 则公式（3)给出的回归表达式写成：
[0038] j=免(。,，。;(.、-，A','H 巧) 担1
[0039] 称K(x，Xi)为核函数，公式（7)中的函数f完全由曰1和a决定，选择的核函数为：
[0040]
(8)
[0041] 其中O为核函数的宽度参数； 阳0创 由此得到SVM的各参数。
[0043] 本发明的实施过程简明易实现，能及时地进行故障的诊断，有助于光伏系统的运 营维护。
【附图说明】
[0044] 下面结合附图和【具体实施方式】来详细说明本发明；
[0045] 图1是分级聚类图；
[0046] 图2是分类诊断图。
【具体实施方式】
[0047] 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。
[0048] 针对已建立的分布式并网系统，本发明对该系统输出数据进行了分析。 W例如图1、图2所示，一种光伏阵列故障诊断方法，方法基于多级聚类的支持向量机SVM算法，进行光伏阵列故障诊断，所述步骤如下：
[0050] (1)、首先对训练样本集的各类中屯、进行分级聚类，W聚类分析的相似性测度为均 值距离，并假设每一级中前两类的均值距离最小，其他相似性测度同理，将均值最小的2个 样本，并为一类；
[005U似、然后W(1)中得到的样本为SVM输入输出样本，对数据样本进行训练，得到各 级的SVM模型，包括SVM1、SVM2、SVM3 ;
[0052](3)、最后将数据测试样本输入训练好的SVM模型中，进行逐级分类诊断，进一步 确定系统的故障类型。
[0053] 上述步骤（1)中的分级聚类的方法如下：
[0054](2a)、假设有四类样本集，分别为Al,A2,A3,A4 ;A1为硬性阴影样本，A2为软性阴 影样本，A3为老化样本，A4为最大功率点失配的样本，4类样本都由电压、电流、功率数据组 成； 阳化5] 首先完全按照原始类别划分，即各类样本自称一类;Al和A2为阴影样本集具有相 似的输出特性，他们的类均值距离最小，并为Bl类，并WAl,A2分别作为SVM3训练集中的 输入输出样本，W此得