1.一种光伏逆变器故障预测方法,其特征在于:
将同一光伏发电站的光伏逆变器集群的历史监测信号作为原始特征库,通过稀疏自编码算法从原始特征库中提取每一采样时刻的光伏逆变器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器,计算光伏逆变器集群的累积偏心距离矩阵,对累积偏心距离矩阵进行归一化处理并设定预警阈值,最终实现光伏逆变器故障的预测;
所述光伏逆变器集群中每台光伏逆变器的历史监测信号包括:光伏逆变器输出总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度,光伏逆变器每一路PV的直流输入功率、直流电流、直流电压。
2.根据权利要求1所述的光伏逆变器故障预测方法,其特征在于,每一采样时刻的光伏逆变器集群的主特征矩阵的具体提取方法如下:
用t1,t2,…,tk表示时间序列,其中,k为大于2的一个正整数,则tk时刻的原始特征矩阵表示为其中,m为光伏逆变器的个数,原始特征矩阵
分别表示第i台光伏逆变器第1、2、…、n路监测信号的采样值,n为每台光伏逆变器监测信号的总通道数;
构建包含输入层、隐层、输出层的三层稀疏自编码网络,网络隐层的激活值表示为a=f(w1x(i)+b1),其中,w1表示输入层的权值矩阵,b1表示输入层的偏移矩阵;网络输出层的值表示为h(i)=f(w2a+b2),其中w2表示隐层的权值矩阵,b2表示隐层的偏移矩阵;随机初始化稀疏自编码网络参数w1、w2、b1、b2;
稀疏自编码网络的总体代价函数表示为
其中,β为稀疏惩罚的权重,s2为网络隐层神经元的个数;
其中,λ为衰减参数的权重,nl表示网络的总层数,sl表示第l层网络的神经元个数,表示连接l层第j个神经元和l+1层第i个神经元的权值;
其中,ρ为稀疏参数,表示隐层第j个神经元对输入x(i)的激活值;
训练稀疏自编码网络,即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新,当达到设定的迭代次数时,网络训练结束,此时的网络参数即为使总体代价函数Jsparse最小的网络参数w'1、w'2、b'1、b'2;
则tk时刻光伏逆变器集群的主特征矩阵表示为其中,第i台光伏逆变器主特征矩阵
第j台光伏逆变器主特征矩阵
j表示m台光伏逆变器中除第i台光伏逆变器外的任意一台光伏逆变器的序号。
3.根据权利要求1所述的光伏逆变器故障预测方法,其特征在于,每一采样时刻的聚类中心光伏逆变器的具体搜寻方法如下:
依次计算第i台光伏逆变器的局部密度ρi、距离δi;其中,i=1,2,…,m;m为光伏逆变器的个数;根据j≠i计算第i台光伏逆变器的局部密度ρi,其中,j表示m台光伏逆变器中除第i台光伏逆变器外的任意一台光伏逆变器的序号,dij表示第i台光伏逆变器与第j台光伏逆变器的距离,dc表示截断距离,是事先指定的一个参数;第i台光伏逆变器与第j台光伏逆变器的距离dij的计算公式为
其中,
表示第i台光伏逆变器主特征矩阵,
表示第j台光伏逆变器主特征矩阵;
根据计算第i台光伏逆变器的距离δi,其中,集合I={ρj>ρi},
表示在所有局部密度大于ρi的光伏逆变器中,与第i台光伏逆变器距离最小的光伏逆变器与第i台光伏逆变器之间的距离,
表示第i台光伏逆变器具有最大局部密度时,与第i台光伏逆变器距离最大的光伏逆变器与第i台光伏逆变器之间的距离;进而通过公式γi=ρiδi,计算每台光伏逆变器的中心权重γi;tk时刻具有最大中心权重γi的光伏逆变器即为tk时刻聚类中心光伏逆变器,聚类中心光伏逆变器主特征矩阵
4.根据权利要求1所述的光伏逆变器故障预测方法,其特征在于,计算光伏逆变器集群的累积偏心距离矩阵的具体方法如下:
根据计算tk时刻每台光伏逆变器与聚类中心光伏逆变器之间的距离,得到对应的距离矩阵
则光伏逆变器集群的累积偏心距离矩阵为
5.根据权利要求1所述的光伏逆变器故障预测方法,其特征在于,对累积偏心距离矩阵进行归一化处理并设定预警阈值的具体方法如下:
归一化处理的累积偏心距离矩阵其中,max(li)表示在m台光伏逆变器中,最大的累积偏心距离;合理设定预警阈值EW∈[0,1];比较gi与EW,当gi<EW时,则第i台光伏逆变器正常,当gi≥EW时,则第i台光伏逆变器将要发生故障,向检修人员发出预警信息,从而实现了基于光伏逆变器集群的光伏逆变器故障的准确预测。