一种基于小波多分辨分析和SVM的光伏发电阵列故障诊断和分类的方法与流程

本发明涉及光伏发电故障诊断和分类技术领域，特别是一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法。

背景技术：

发展新型能源是当今解决化石能源枯竭和环境污染等问题的重要战略，而太阳能因其清洁，能源丰富等优势成为发展新能源的首选。光伏发电是目前利用太阳能的主要方式，而采集太阳能的光伏发电阵列作为光伏发电系统的核心部件通常工作在复杂多变的户外环境中，易受风霜雨雪等恶劣因素的影响而产生诸如短路，开路，阴影等故障。故障的产生会降低光伏发电效率，造成意外的能源浪费和经济损失，更有甚者会留下安全隐患，引起火灾，危害人身安全。所以对光伏系统的工作状态进行监控，对出现的故障及时地检测和分类并发出警告，就能够有效地进行维护，降低因光伏阵列故障带来的能量损失，防止出现安全事故，具有良好的经济和社会效益。

国内外学者们已经先后提出了一系列的故障诊断方法，实现对不同的故障类型的检测和定位。典型的故障检测方法有对地电容检测法，时域反射分析法，红外热成像等。此外，随着人工智能的快速发展，学者们提出了运用支持向量机，神经网络，决策树等基于机器学习算法的故障诊断方案。对地电容检测法是根据对光伏组串的对地电容的测量来判断其是否发生断路并定位故障。时域反射分析法是向光伏组串注入一个脉冲，对返回信号的形状和延迟时间进行分析以此判断光伏组串中是否存在故障。对地电容测量法和时域反射分析法都需要进行离线检测，缺乏实时性，这样会耗费大量的人力和财力。而工作于正常状态和故障状态下的太阳电池会有存在明显的温差，故还可以采用红外热成像分析法进行故障诊断。红外热成像分析法虽然可以高效的进行故障诊断，但必须配备大量的红外摄像仪，经济效益差，难以得到推广。目前应用最多的是基于机器学习算法的故障诊断和分类方法。该方法具有较强的自学习能力，鲁棒性强，准确率高，已经成为研究的热点。目前大多数的机器学习算法是基于光伏阵列最大功率点电流impp,最大功率点电压vmpp,短路电流isc，开路电压voc和温照度g，环境温度t等变量作为特征进行训练学习，探索新的特征向量是研究光伏阵列故障诊断的重要研究方向。精确的故障诊断模型一般要求多维的数据，模型训练时间长，环境的不断变换也给模型的准确性带来了挑战。

技术实现要素：

有鉴于此，本发明的目的是提出一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法，环境适用性强，有较强的创新性，训练的模型能实现较高精度的故障诊断和分类。

本发明采用以下方案实现：一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法，包括以下步骤：

步骤s1：采集光伏阵列不同工作状态下不同温照度的电流和电压样本信号；

步骤s2：对采集的电流和电压信号进行归一化处理，并得到电流变化率、电压变化率、功率变化率和电导变化率四个样本信号；

步骤s3：设置窗口大小为l的滑动窗对步骤s2得到的四个样本信号进行滑动取窗口信号，对取得的四种窗口信号进行小波变换的多分辨率分析；

步骤s4：计算四个窗口信号第n层分解的高频信号的2范数；

步骤s5：取四个样本信号在故障发生时的窗口信号的第n层分解的高频信号的2范数作为特征值，构成维度为4的特征向量；

步骤s6：由不同工作状态的多组样本信号得到多个特征值向量，其中将m个特征向量作为训练数据，将n个特征向量作为测试数据；

步骤s7：设置支持向量机svm的参数，从训练数据中训练故障诊断模型，用测试数据检测该模型的分类的准确性。

进一步地，步骤s1中，光伏阵列的不同工作状态包括：正常、单组串1个组件短路、单组串一个组件开路以及单组串2个组件短路；其中，单组串1个组件短路、单组串一个组件开路以及单组串2个组件短路为故障状态，故障状态的样本信号包含了光伏阵列由正常到故障再到故障稳定的过程，捕获了故障发生时阵列电流和电压的变化特性。其中，电流和电压样本信号的采集时间窗口t＝10s，采样频率为200hz。

进一步地，步骤s2包括以下步骤：

步骤s21：对采集的电流和电压信号进行归一化处理：将阵列电流除以短路电流，将阵列电压除以开路电压；经过归一化处理能够克服不同光照度和不同温度的影响，归一化的公式如下：

ipv(t)＝ipv(t)/isc(t)；

vpv(t)＝vpv(t)/voc(t)

式中，ipv(t)表示采集的阵列电流样本信号，isc(t)表示阵列短路电流信号，ipv(t)表示归一化后的阵列电流样本信号,vpv(t)表示采集的阵列电压样本信号，voc(t)表示阵列开路信号,vpv(t)表示归一化后的阵列电压样本信号；经过归一化处理之后的电流和电压信号反映了不同工作状态下阵列信号的变化趋势，突出了变化特性；

步骤s22：采用下式得到电流变化率、电压变化率、功率变化率和电导变化率四个样本信号：

di(t)＝[ipv(n+1)-ipv(n)]/t；

dv(t)＝[vpv(n+1)-vpv(n)]/t；

dp(t)＝[ipv(n+1)v(n+1)-ipv(n)v(n)]/t；

dg(t)＝[ipv(n+1)/vpv(n+1)-ipv(n)/ipv(n)]/t；

式中，di(t)、dv(t)、dp(t)、dg(t)分别描述了光伏阵列不同工作状态的电流变化率，电压变化率，功率变化率和电导变化率的信号。

进一步地，步骤s3中，所述窗口大小l为20，采用db小波对取得的四种窗口信号进行6层多分辨率分解的小波变换；所述多分辨率分析为用高通和低通滤波器将信号分解成多个级别的高频细节和近似值。

较佳的，小波变换是一种应用广泛的数字信号处理方法，适用于分析非周期信号，可以同时对信号进行时间和频率分析。信号x(t)离散化为x(n),该信号的dwt可以由下式求解：

式中，ψ(t)是母小波，n是信号x(n)的点数，a＝a0^j是尺度因子，b＝kb0a0^j平移因子。a0＞0且为常数，b0≠0，j,k∈z。

多分辨率分析是用高通和低通滤波器将信号分解成多个级别的高频细节和近似值。时域信号f(t)可以由尺度函数φ(t)和小波函数ψ(t)表示,如下式所示：

式中，dj(k)是各级分解的细节系数，表达高频信息，而an(k)最后一级n级的近似系数，表达低频信息。

进一步地，步骤s4中，计算四个窗口信号第n层分解的高频信号的2范数采用下式：

式中，djn表示，n表示，dj表示第j层的高频系数,fi表示第i个信号提取的特征。

进一步地，步骤s5中，所述维度为4的特征向量为f＝[f1,f2,f3,f4]。

进一步地，步骤s7中，所述设置支持向量机svm的参数具体为：将svm的惩罚因子c设置为1000，将两个不同类别的支持向量到超平面的距离之和γ设置为5。具体为：

支持向量机的基本思想是通过线性可分的训练样本集找到一个最优分类超平面以实现不同类别的样本数据的划分。对于非线性的分类问题，可以将样本从原始空间映射到一个线性可分的高维特征空间，从而找到一个合适的最优分类超平面。

给定训练样本数据集，d＝{xi,yi}，i＝1,2,3,...,m,yi∈{-1,1}，其中xi为样本数据，m为训练样本总数，d为样本空间的维度，yi为样本相应的标签。它们能够被一个最优超平面所分离，该超平面可以表示为w^tx+b＝0，其中w∈r^d，为法向量，决定了超平面的方向；b∈r，为位移项，决定了超平面与原点间的距离，分类的阈值。

假设超平面能将训练样本正确分类，则对于{xi,yi}∈d，如果yi＝+1，则有w^tx+b＞0；如果yi＝-1，则有w^tx+b＜0。令：

则距离超平面最近的若干训练样本点使得上式的等号成立，它们被称之为支持向量(supportvectors，svs)，则两个不同类别的支持向量到超平面的距离之和为该距离被称为分类间隔。如果要使γ最大，则要求||w||²最小，同时要求分类面对所有的样本正确分类，需满足

yi(w^txi+b)≥1,i＝1,2,3,...,l

因此，求最优分类超平面问题，可以转化为一个二次规划问题，优化目标可以写为

s.t.yi(w^txi+b)≥1,i＝1,2,3,...,l

对于在样本空间线性可分的训练样本，其可以被最优分类超平面进行划分。然后，在现实任务中，常常存在线性不可分的情况，此时在训练样本中存在部分样本数据不满足公式(1)，存在一定分类的误差。因此，通过引入松弛变量ξi(ξi≥0)来解决此问题。因此，公式(1)可写为

yi(w^txi+b)≥1-ξi,i＝1,2,3,...,l

在最大化间隔的同时，要求不满足约束的样本要尽可能少。因此，优化目标函数可以改写为

其中，称为惩罚项，c为惩罚因子。因此，可以得到线性不可分时的最优分类面，称为广义分类超平面，可以表示为下面的优化问题

s.t.yi(w^txi+b)≥1-ξi

ξi≥0,i＝1,2,3,...,l

求解该优化问题可以借助拉格朗日乘子法，得到它的对偶问题如下式：

0≤αi≤c,i,j＝1,2,3,...,l

根据karush–kuhn–tucker(kkt)条件，可以得到αi(yi(w^txi+b)-1)＝0。如果αi＞0，则所对应的样本点位于最大间隔边界上，就是支持向量。则可以通过求解出w，并根据yi(w^txi+b)-1＝0求解出b，其中xi为支持向量，n为支持向量的数量。在确定w和b之后，得到分类决策函数如下所示

其次，针对非线性分类问题，svm采用核函数将样本从原始空间映射到更高维的特征空间，使得样本在这个特征空间内线性可分。令φ(x)表示将x映射后的特征向量，则在高维空间中超平面所对应的优化目标可表示为

s.t.yi(w^tφ(xi)+b)≥1-ξi

ξi≥0,i＝1,2,3,...,l

对应的对偶问题为

0≤αi≤c,i,j＝1,2,3,...,l

为避开计算样本xi和xj在高维空间中的内积运算，构造核函数k(·,·)，xi和xj在特征空间的内积转换为在原始样本空间中通过该函数计算的结果。k(·,·)表示如下

k(xi,xj)＝φ(xi)^tφ(xj)

则将前一个公式变为

0≤αi≤c,i,j＝1,2,3,...,l

此时分类决策函数变为

常用的核函数主要有多项式核函数、径向基(radialbasedkernel，rbf)核函数、双曲正切(sigmoid)核函数等。本发明中采用rbf核函数对svm进行应用。

rbf核函数表示为

k(xi,x)＝exp(-γ||xi-x||²)

支持向量机的分类效果将很大程度取决于c和γ的选择，本发明中将c设置为1000，γ设置为10。运用设置好参数svm，从构造的训练数据中训练出故障分类器，实现光伏发电阵列的故障诊断和分类。

与现有技术相比，本发明有以下有益效果：

1、本发明只采集了不同温照度下的正常和故障的电流和电压信号，由此得到电流变化率，电压变化率，功率变化率和电导变化率四个样本信号，突出了故障发生时的特性。不需要其他的数据特征，且能在不影响光伏发电系统工作的情况下进行故障检测与分类。

2、本发明基于小波多分辨分析的方法提取了4维的特征向量，用svm训练故障分类模型，实现了光伏发电阵列的故障诊断和分类。这种检测方案环境适用性强，有较强的创新性，训练的模型能实现较高精度的故障诊断和分类。本发明利用小波多分辨率分析技术可以提取信号的细节系数，突出故障发生的特征。用svm基于提取的特征向量训练的故障诊断模型，环境适用性强，实现了光伏发电阵列的准确地故障检测和分类。本发明的分类准确率达95％以上。

附图说明

图1为本发明实施例的方法流程示意图。

图2为本发明实施例的光伏发电系统拓扑图。

图3为本发明实施例的光伏发电系统实验平台图。

图4为本发明实施例的故障故障分类结果。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法，图2为本实施例的光伏发电系统拓扑图，系统由s×p个太阳能组件组成，通过逆变器与电网进行连接实现并网发电，通过模拟光伏发电阵列出现的故障状况，包括开路1，短路1和短路2故障三种故障。在不同温照下，针对每种故障情况进行实时故障诊断，具体包括以下步骤：

步骤s1：采集光伏阵列不同工作状态下不同温照度的电流和电压样本信号；

步骤s2：对采集的电流和电压信号进行归一化处理，并得到电流变化率、电压变化率、功率变化率和电导变化率四个样本信号；

步骤s3：设置窗口大小为l的滑动窗对步骤s2得到的四个样本信号进行滑动取窗口信号，对取得的四种窗口信号进行小波变换的多分辨率分析；

步骤s4：计算四个窗口信号第n层分解的高频信号的2范数；

步骤s5：取四个样本信号在故障发生时的窗口信号的第n层分解的高频信号的2范数作为特征值，构成维度为4的特征向量；

步骤s6：由不同工作状态的多组样本信号得到多个特征值向量，其中将m个特征向量作为训练数据，将n个特征向量作为测试数据；

步骤s7：设置支持向量机svm的参数，从训练数据中训练故障诊断模型，用测试数据检测该模型的分类的准确性。

较佳的，本实施例的系统参数如下表所示。

表1系统详细参数

本发明运用小波多分辨分析提取不同工作状态的光伏阵列电流变化率，电压变化率，功率变化率和电导变化率四个信号的细节系数作为特征，设置svm参数从构造的4维特征向量中训练故障分类器，实现光伏阵列的故障诊断和分类。

在本实施例中，步骤s1中，光伏阵列的不同工作状态包括：正常、单组串1个组件短路(以下称短路1)、单组串一个组件开路(以下称开路1)以及单组串2个组件短路(以下称短路2)；其中，单组串1个组件短路、单组串一个组件开路以及单组串2个组件短路为故障状态，故障状态的样本信号包含了光伏阵列由正常到故障再到故障稳定的过程，捕获了故障发生时阵列电流和电压的变化特性。其中，电流和电压样本信号的采集时间窗口t＝10s，采样频率为200hz。

本实施例的方法能够对不同光照度下的短路1，开路1和短路2故障进行检测。不同环境下光伏阵列的电信号在同种故障时有相似的变化特征，所提出的方法在组串式光伏发电系统较强的环境适用性。特别地，本实施例模拟光伏发电系正常、短路1，开路1和短路2四种工作状态进行数据采集。在2018年8月份分多个时间段，在不同的温照度下进行样本信号随机采集，每种工作状态采集150个样本信号，运用小波多分辨率分析得到150个特征向量，随机选取100个特征向量作为训练数据，剩余的50个特征向量作为测试数据。图3为本实施例中光伏发电系统实验平台图。采集的电流样本信号具体信息如表2所示。

表2样本信号采集信息

在本实施例中，步骤s2包括以下步骤：

步骤s21：对采集的电流和电压信号进行归一化处理：将阵列电流除以短路电流，将阵列电压除以开路电压；经过归一化处理能够克服不同光照度和不同温度的影响，归一化的公式如下：

ipv(t)＝ipv(t)/isc(t)；

vpv(t)＝vpv(t)/voc(t)

式中，ipv(t)表示采集的阵列电流样本信号，isc(t)表示阵列短路电流信号，ipv(t)表示归一化后的阵列电流样本信号,vpv(t)表示采集的阵列电压样本信号，voc(t)表示阵列开路信号,vpv(t)表示归一化后的阵列电压样本信号；经过归一化处理之后的电流和电压信号反映了不同工作状态下阵列信号的变化趋势，突出了变化特性；

步骤s22：采用下式得到电流变化率、电压变化率、功率变化率和电导变化率四个样本信号：

di(t)＝[ipv(n+1)-ipv(n)]/t；

dv(t)＝[vpv(n+1)-vpv(n)]/t；

dp(t)＝[ipv(n+1)v(n+1)-ipv(n)v(n)]/t；

dg(t)＝[ipv(n+1)/vpv(n+1)-ipv(n)/ipv(n)]/t；

式中，di(t)、dv(t)、dp(t)、dg(t)分别描述了光伏阵列不同工作状态的电流变化率，电压变化率，功率变化率和电导变化率的信号。

在本实施例中，步骤s3中，所述窗口大小l为20，采用db小波对取得的四种窗口信号进行6层多分辨率分解的小波变换；所述多分辨率分析为用高通和低通滤波器将信号分解成多个级别的高频细节和近似值。

较佳的，在本实施例中，小波变换是一种应用广泛的数字信号处理方法，适用于分析非周期信号，可以同时对信号进行时间和频率分析。信号x(t)离散化为x(n),该信号的dwt可以由下式求解：

式中，ψ(t)是母小波，n是信号x(n)的点数，a＝a0^j是尺度因子，b＝kb0a0^j平移因子。a0＞0且为常数，b0≠0，j,k∈z。

多分辨率分析是用高通和低通滤波器将信号分解成多个级别的高频细节和近似值。时域信号f(t)可以由尺度函数φ(t)和小波函数ψ(t)表示,如下式所示：

式中，dj(k)是各级分解的细节系数，表达高频信息，而an(k)最后一级n级的近似系数，表达低频信息。

在本实施例中，步骤s4中，计算四个窗口信号第n层分解的高频信号的2范数采用下式：

式中，djn表示，n表示，dj表示第j层的高频系数,fi表示第i个信号提取的特征。本发明提取4个样本信号的第6层分解的高频系数作为特征值，故i＝1,2,3,4，j＝6。

在本实施例中，步骤s5中，所述维度为4的特征向量为f＝[f1,f2,f3,f4]。

在本实施例中，步骤s7中，所述设置支持向量机svm的参数具体为：将svm的惩罚因子c设置为1000，将两个不同类别的支持向量到超平面的距离之和γ设置为5。具体为：

支持向量机的基本思想是通过线性可分的训练样本集找到一个最优分类超平面以实现不同类别的样本数据的划分。对于非线性的分类问题，可以将样本从原始空间映射到一个线性可分的高维特征空间，从而找到一个合适的最优分类超平面。

给定训练样本数据集，d＝{xi,yi}，i＝1,2,3,...,m,yi∈{-1,1}，其中xi为样本数据，m为训练样本总数，d为样本空间的维度，yⁱ为样本相应的标签。它们能够被一个最优超平面所分离，该超平面可以表示为w^tx+b＝0，其中w∈r^d，为法向量，决定了超平面的方向；b∈r，为位移项，决定了超平面与原点间的距离，分类的阈值。

假设超平面能将训练样本正确分类，则对于{xi,yi}∈d，如果yi＝+1，则有w^tx+b＞0；如果yi＝-1，则有w^tx+b＜0。令：

则距离超平面最近的若干训练样本点使得上式的等号成立，它们被称之为支持向量(supportvectors，svs)，则两个不同类别的支持向量到超平面的距离之和为该距离被称为分类间隔。如果要使γ最大，则要求||w||²最小，同时要求分类面对所有的样本正确分类，需满足

yi(w^txi+b)≥1,i＝1,2,3,...,l

因此，求最优分类超平面问题，可以转化为一个二次规划问题，优化目标可以写为

s.t.yi(w^txi+b)≥1,i＝1,2,3,...,l

对于在样本空间线性可分的训练样本，其可以被最优分类超平面进行划分。然后，在现实任务中，常常存在线性不可分的情况，此时在训练样本中存在部分样本数据不满足公式(1)，存在一定分类的误差。因此，通过引入松弛变量ξi(ξi≥0)来解决此问题。因此，公式(1)可写为

yi(w^txi+b)≥1-ξi,i＝1,2,3,...,l

在最大化间隔的同时，要求不满足约束的样本要尽可能少。因此，优化目标函数可以改写为

其中，称为惩罚项，c为惩罚因子。因此，可以得到线性不可分时的最优分类面，称为广义分类超平面，可以表示为下面的优化问题

s.t.yi(w^txi+b)≥1-ξi

ξi≥0,i＝1,2,3,...,l

求解该优化问题可以借助拉格朗日乘子法，得到它的对偶问题如下式：

0≤αi≤c,i,j＝1,2,3,...,l

根据karush–kuhn–tucker(kkt)条件，可以得到αi(yi(w^txi+b)-1)＝0。如果αi＞0，则所对应的样本点位于最大间隔边界上，就是支持向量。则可以通过求解出w，并根据yi(w^txi+b)-1＝0求解出b，其中xi为支持向量，n为支持向量的数量。在确定w和b之后，得到分类决策函数如下所示

其次，针对非线性分类问题，svm采用核函数将样本从原始空间映射到更高维的特征空间，使得样本在这个特征空间内线性可分。令φ(x)表示将x映射后的特征向量，则在高维空间中超平面所对应的优化目标可表示为

s.t.yi(w^tφ(xi)+b)≥1-ξi

ξi≥0,i＝1,2,3,...,l

对应的对偶问题为

0≤αi≤c,i,j＝1,2,3,...,l

为避开计算样本xi和xj在高维空间中的内积运算，构造核函数k(·,·)，xi和xj在特征空间的内积转换为在原始样本空间中通过该函数计算的结果。k(·,·)表示如下

k(xi,xj)＝φ(xi)^tφ(xj)

则将前一个公式变为

0≤αi≤c,i,j＝1,2,3,...,l

此时分类决策函数变为

常用的核函数主要有多项式核函数、径向基(radialbasedkernel，rbf)核函数、双曲正切(sigmoid)核函数等。本发明中采用rbf核函数对svm进行应用。

rbf核函数表示为

k(xi,x)＝exp(-γ||xi-x||²)

支持向量机的分类效果将很大程度取决于c和γ的选择，本发明中将c设置为1000，γ设置为10。运用设置好参数svm，从构造的训练数据中训练出故障分类器，实现光伏发电阵列的故障诊断和分类。用50个测试数据检测该分类的精度，图4为所提方案的故障分类结果。

相对应，短路1的标签为1，开路1的标签为2，短路2的标签为3，短路2的标签为4。在分类结果图中，如果预测标签和实际标签重合，则该数据的预测结果是准确的。如图4所示，50个短路1测试数据中有1个数据的预测标签和实际标签不一致，诊断精度为98％，开路1测试数据中有4个数据的预测出错，预测精度为92％，开路2测试数据中有2个数据的预测出错，预测精度为96％，而正常测试数据的预测准确率为100％。该方案实现了整体96.5％精度的故障诊断和分类。综上，本实施例中的故障诊断与分类效果如表3所示。

表3故障检测与分类结果

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。