到SVM3的各参数值，同时把A3作为B2,A4作为B3 ;
[0056](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W BI, 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 ;
[0057](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；
[0058] 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。
[0059] 上述步骤（3)中的分类诊断的方法如下：
[0060] 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；
[OOW] 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BI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；
[00创第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；
[0063] 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。 W64] 上述步骤（2)中的SVM模型的计算方法如下： 阳O化]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：
[0066] f (X, W) = W 本（X)+b = (W,本（X))+b (1)
[0067]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；
[0068] 系数W和b由最小化下式来估计：
[00 例 （2)
[0070] C3)
[007U 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：
[00巧
《4)
[0073] 其约束条件是： W撕Y,')十6,'-义'《公十今
[0074] 中 * n 巧) -V,' -IV'抑公 +《C'兰.0 W75] 其中，bi为常数；
[0076] 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：
[0077]
(6) 阳〇7引其中，L为拉格朗日乘子，a，a*i均为正常数，芝(a,，a') = 〇，a,，a>^c]
[00巧]则公式（3)给出的回归表达式写成：
[0080] ,/'(-V,a-,a-j=J(a,,a- ) k( x, x-)+/7 C 7) 片I
[0081] 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：
[00間
(8) 阳083] 其中O为核函数的宽度参数；
[0084] 由此得到SVM的各参数。
[00化]W上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业描述的 只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和 改进，运些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权 利要求书及其等效物界定。
【主权项】
1. 一种光伏阵列故障诊断方法，其特征在于：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： (1) 、首先对训练样本集的各类中心进行分级聚类，以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； (2) 然后以（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 ; (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。2. 根据权利要求1所述的一种光伏阵列故障诊断方法，其特征在于：所述步骤（1)中 的分级聚类的方法如下： (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； 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，并以A1，A2分别作为SVM3训练集中的输入 输出样本，以此得到SVM3的各参数值，同时把A3作为B2, A4作为B3 ; (2b)、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，并以BI, B2分别作为SVM2训练级中的输入输出样本，以此得到SVM2的各参 数值，MPPT的失配严重影响逆变器的效率，可以根据逆变器效率加于区分，把B3作为C2 ; (2c)、分别以C1、C2样本集的作为SVMl训练集中的输入输出样本，以此得到SVMl的各 参数值； 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。3. 根据权利要求1所述的一种光伏阵列故障诊断方法，其特征在于：所述步骤（3)中 的分类诊断的方法如下： 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； 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B1，则进行第三步； 第三步：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A1，即为硬性阴影，若结果为A2,即为软性阴影； 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。4. 根据权利要求1所述的一种光伏阵列故障诊断方法，其特征在于：所述步骤（2)中 的SVM模型的计算方法如下： 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{Xl，yi} (i = 1，2…m)，m为样本容量；X1为输 入向量W1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 过以下方法确定：将每一个样本点利用非线性函数巾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： f (x, w) = w <}) (x) +b = (w, <}) (x)) +b (I) w为权值向量，b为常数；公式（I)表示一个平面，把样本{xi, 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； 系数w和b由最小化下式来估计：在公式（2)中给出的正则化风险泛函中，第1部分是经验风险，1?_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I和，使下式最小化：其中，1^为常数； 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：称K (X，Xi)为核函数，公式（7)中的函数f完全由ajP a决定，选择的核函数为：其中〇为核函数的宽度参数； 由此得到SVM的各参数。
【专利摘要】本发明公开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，步骤如下：（1）、首先对训练样本集的各类中心进行分级聚类，以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；（2）、然后以(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；（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。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。
【IPC分类】H02S50/10
【公开号】CN105141255
【申请号】CN201510498491
【发明人】丁坤, 冯莉, 陈富东, 顾鸿烨, 李元良, 覃思宇, 高列, 刘振飞
【申请人】河海大学常州校区
【公开日】2015年12月9日
【申请日】2015年8月12日