技术领域本发明涉及光伏组件故障诊断方法，尤其涉及一种基于决策树模型的光伏组件异常老化和局部阴影故障诊断方法。
背景技术：
由于太阳能的取之不竭和无污染等特性，光伏发电的应用呈现出高速发展的态势。系统运行状态的监控及维护对光伏发电系统的安全运行至关重要，及时、可靠的故障预警能够避免火灾、设备损毁等重大事故，并提高光伏电站的运行寿命及经济效益。目前大部分光伏电站都采用人工巡检维护，逐块检测光伏组件电气参数来判断是否正常。但是光伏组件安装在高处或野外恶劣环境中，工作电压达到上百伏，人工维护既费时，又危险。所以光伏组件的在线故障诊断显得日益重要。在光伏组件的故障诊断研究中，故障的征兆和故障类型之间存在非常复杂的非线性对应关系，这使得无法建立一个合适的故障诊断数学模型。其中，光伏组件的故障可以分为局部阴影和异常老化。在不同的工作状态下，光伏组件的输出呈现出不同的变化。为了便于故障诊断方法的实现，通过观察和研究，确定了四个输出参数，即最大功率点电流Im、最大功率点电压Um、短路电流Isc和开路电压Uoc作为光伏组件故障诊断的依据。国内外有很多针对光伏组件的故障诊断方法，主要有神经网络法、模糊控制法、多传感器检测法、红外图像分析法、时域反射法和对地电容测量法等。神经网络法和模糊算法都需要光照仪和温度，神经网络法通过学习光伏系统发生故障时故障状态和故障原因之间的对应关系，然后保存在神经网络结构和权值中，将测量得到的电压或电流值输入训练好的神经网络，实现故障诊断；模糊控制法通过估计出在正常情况下的输出，然后利用这个值与实时测量值进行比较，实现故障诊断；多传感器检测法通过分析传感器测得的数据判断故障类型；红外图像分析法根据光伏组件在正常与故障时工作温度不同的原理，通过分析拍摄到红外图像判断故障类型；时域反射分析法通过向串联光伏电路注入一个脉冲，分析返回的信号形状和延迟时间判断故障类型；对地电容测量法通过测量串联光伏电路的对地电容值判断出断路的位置。上述BP网络需要事先采用训练样本离线训练，而且权值的调整是多次反馈，收敛速度慢且易陷入局部极小点，这些缺点限制了其在故障诊断领域充分发挥优势；模糊控制法的模糊逻辑系统缺少自学习能力,而这种能力在某些高要求的实时故障诊断情况下又是必需的；红外图像分析法和多传感器检测法可以在线检测，但对于大规模的光伏系统而言，这两种方法的主要限制是需要很多的红外摄像仪和传感器，会进一步增加光伏系统的发电成本；对地电容测量法和时域反射分析法只能离线进行检测，同时只适用于串联光伏电路，对于测量设备的精度要求也很高。
技术实现要素：
针对现有技术存在的缺陷，本发明的目的是提供一种基于决策树模型的光伏组件故障诊断方法，能够准确地对光伏组件的运行故障进行诊断，极大地提高了光伏组件故障诊断的准确性，确保光伏组件安全、可靠地运行。为达到上述目的，本发明采用下述技术方案：一种基于决策树模型的光伏组件故障诊断方法，包括以下步骤：步骤一：采集光伏组件数据：开路电压Uoc、短路电流Isc、最大功率点电压Um和电流Im，经过数据处理得到：填充因子FF、斜率因子K和输出电流比Im/Isc；步骤二：构建基于决策树的光伏组件故障诊断模型，分别通过训练与测试样本数据的选取与处理、建树和树的剪枝、建立决策树模型和决策树精确度验证的四个环节来构建光伏组件故障诊断模型；步骤三：决策判断，将开路电压Uoc、短路电流Isc、最大功率点电压Um、电流Im，以及填充因子FF、斜率因子K和输出电流比Im/Isc导入到光伏组件故障诊断模型判断光伏组件的故障状态。所述步骤一中，采集光伏组件的四个输出参数：开路电压Uoc、短路电流Isc、最大功率点电压Um和电流Im，经过数据处理得到的填充因子FF如下式所示：FF=ImUmIscUoc---(1)]]>斜率因子K为组件I-U曲线中最大功率点至开路电压点直线斜率的绝对值，其计算公式如下：K=ImUoc-Um---(2)]]>所述步骤二中，训练与测试样本数据的选取与处理环节中的数据由实验或仿真获得，实验或仿真中光伏组件分别工作在正常，局部阴影和异常老化的情况下，对数据进行划分，所述数据集一部分用于模拟训练，另一部分用于测试。所述步骤二中建树环节，将样本进行递归划分，具体划分步骤如下：首先，选一个自变量xi，再选取xi的一个值vi，vi把n维空间划分为两部分，一部分的所有点都满足xi≤vi，另一部分的所有点都满足xi＞vi，对非连续变量来说属性值的取值只有两个，即等于该值或不等于该值；然后，将上面得到的两部分按上述操作重新选取一个属性继续划分，采用Gini值作为划分的标准：节点中的属性集合为A＝{A1,A2,…,Am