基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法
【技术领域】
[0001] 本发明设及光伏发电阵列故障检测和分类技术领域，特别是设及一种基于粒子群 优化支持向量机的光伏发电阵列故障诊断与分类方法。
【背景技术】
[0002] 光伏发电阵列通常工作在复杂的户外环境中，受到各种环境因素的影响，容易出 现开路、短路、硬性阴影、热斑等各种故障。故障的产生会降低电站的发电效率，严重时甚至 发生火灾，危害社会财产安全。因此，如果对光伏发电阵列在运行状态中出现的故障能够及 时地诊断、分类并进一步告警，就能减少光伏系统因不正常运行而导致的能量损失，降低故 障扩散的可能，避免安全事故的发生，从而提高光伏系统生命周期内的安全性及投入产出 比。
[0003] 目前，光伏阵列的故障检测方法主要有红外图像检测法、时域反射分析法和对地 电容法、基于多传感器检测法。正常工作与非正常工作的太阳能电池板之间存在一定的温 差，红外图像检测法利用被测物体的温度特性进行检测。时域反射分析法的原理为向光伏 串联电路注入一个脉冲，分析和观察返回波形，就可判断得到组件的故障类型和位置。对地 电容测量法通过分析测量得到的电容值来判断光伏串联电路中是否存在断路故障。基于 多传感器的故障诊断方法通过为每块光伏组件或者多块之间安装电压或电流传感器进行 实时监测，通过分析采集到的数据判断光伏阵列存在的故障类型，定位到故障组件。
[0004] 但该些方案存在一些不足之处；红外图像检测法不能区分温度相差不明显的状 态，故障检测的精度和效率取决于检测设备（红外热像仪）的等级，费用较大，实时性较 差；基于时域反射分析法不能对运行中的光伏阵列进行在线操作，不具有实时性，并且对设 备要求较高，诊断的精度有限；多传感器的故障检测方法存在所用传感器较多、检测结构在 大规模光伏阵列应用中难W推广等缺点。
[0005] 近些年来，人工智能被广泛应用到各种系统的故障诊断中。部分学者也将智能算 法引入到光伏发电阵列的故障诊断中，例如神经网络算法。该算法作为被广泛应用于模式 识别与函数逼近的方法，具有很强的鲁椿性、记忆能力、非线性映射能力W及强大的自学习 能力，可W模拟任意的非线性关系而无需去建立精确模型，实现故障的判断和分类，但是该 方法同时具有需要大量样本、泛化能力较差、易陷入局部极小点等缺点，其中最重要的问题 是推广能力不足，在学习样本不完备的情况下难W得到准确的诊断结论，对实际情况下中 小样本的问题较难于解决。在实际工程中的故障诊断问题往往较难得到很大量的样本，因 此故障样本的缺乏会成为制约神经网络在光伏发电阵列故障诊断和分类中的瓶颈问题。
[0006] 而基于结构风险最小化的支持向量机（SVM，SupportVectorMachine)适用于 小样本情况，其建立在统计学理论的VC维理论和结构风险最小化基础之上的。相比于 神经网络，SVM有效地解决了小样本、非线性、高维数和局部极小点等问题，其主要应用 于模式识别、函数逼近和时间序列预测等问题。粒子群优化算法（PS0,ParticleSwarm 化timization)具有不容易陷入局部最小、算法简单和计算量小等优势，采用粒子群优化 支持向量机参数方法不但加速了惩罚因子C和核函数参数g的寻优过程，同时也提高了模 型的识别能力和分类准确率，使识别质量和分类效率大为提高。所W如果能够将粒子群优 化支持向量机算法应用于光伏发电阵列的故障诊断和分类具有更好的适用性，则可W快速 准确对传感器的故障进行辨识与诊断。目前，公开发表的文献及专利中尚未见有将粒子群 优化支持向量机算法应用于光伏发电阵列的故障诊断和分类的研究。
【发明内容】
[0007] 有鉴于此，本发明的目的是提供一种基于粒子群优化支持向量机的光伏发电阵列 故障诊断与分类方法，采用PS0优化SVM中的参数C和g，SVM基于最佳参数C和g，W光伏 发电阵列的电气参数中最大功率点的电压和电流作为特征向量，训练SVM得到训练模型， W此模型进行光伏发电阵列的故障诊断和分类。 本发明采用W下方案实现；一种基于粒子群优化支持向量机的光伏发电阵列故障诊断 与分类方法，具体包括W下步骤： 步骤S1 ;采集不同工作状态下的光伏发电阵列工作于最大功率点时的若干个电气参 数，得到电气参数样本组合； 步骤S2 ;将步骤S1中获取的每个电气参数样本进行归一化； 步骤S3 ;根据步骤S2中归一化后的电气参数样本组合得到测试样本组合； 步骤S4 ;将测试样本组合分成训练集和验证集；对验证样本集中的每个样本进行预 巧。，采用PS0算法计算出最优的SVM核函数参数g和惩罚参数C， 步骤S5 ;根据步骤S4计算出的最优的核函数参数g和惩罚参数C，SVM分类器对训练 集样本中的每个样本进行训练，得到训练模型； 步骤S6 ;利用所述步骤S5建立的训练模型对光伏发电阵列工作时的电气参数进行检 测和分类，判断系统是否处于故障状态，若处于故障状态则给出故障类型。
[0008] 进一步地，所述步骤S1中所述若干个电气参数包括阵列的电压参数样本和电流 参数样本，所述电气参数样本组合记为（Uk，Ik)，其中，k为样本采集序号，其中k为1到N的 整数，每个数字代表一种工作状态，Uk为第k个电气参数样本组合中的电压参数样本，Ik代 表第k个电气参数样本组合中的电流参数样本。
[0009] 进一步地，所述工作状态包括正常工作、单支路开路、双支路开路、单支路上1个 组件短路、单支路上2个组件短路、单支路上2个组件局部阴影及2串支路上各2个组件局 部阴影。
[0010] 进一步地，所述步骤S2中对样本进行归一化的具体方法为；将电气参数样本映射 到区间[0, 1]内，具体映射公式为：
【主权项】
1. 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法，其特征在于具体 包括以下步骤： 步骤Sl :采集不同工作状态下的光伏发电阵列工作于最大功率点时的若干个电气参 数，得到电气参数样本组合； 步骤S2 :将步骤Sl中获取的每个电气参数样本进行归一化； 步骤S3 :根据步骤S2中归一化后的电气参数样本组合得到测试样本组合； 步骤S4 :将测试样本组合分成训练集和验证集；对验证样本集中的每个样本进行预 测，采用PSO算法计算出最优的SVM核函数参数g和惩罚参数C， 步骤S5 :根据步骤S4计算出的最优的核函数参数g和惩罚参数c，SVM分类器对训练 集样本中的每个样本进行训练，得到训练模型； 步骤S6 :利用所述步骤S5建立的训练模型对光伏发电阵列工作时的电气参数进行检 测和分类，判断系统是否处于故障状态，若处于故障状态则给出故障类型。
2. 根据权利要求1所述的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分 类方法，其特征在于：所述步骤Sl中所述若干个电气参数包括阵列的电压参数样本和电流 参数样本，所述电气参数样本组合记为（U k，Ik)，其中，k为样本采集序号，其中k为1到N的 整数，每个数字代表一种工作状态，U k为第k个电气参数样本组合中的电压参数样本，I k代 表第k个电气参数样本组合中的电流参数样本。
3. 根据权利要求1所述的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分 类方法，其特征在于：所述工作状态包括正常工作、单支路开路、双支路开路、单支路上1个 组件短路、单支路上2个组件短路、单支路上2个组件局部阴影及2串支路上各2个组件局 部阴影。
4. 根据权利要求1所述的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分 类方法，其特征在于：所述步骤S2中对样本进行归一化的具体方法为：将电气参数样本映 射到区间[〇, 1]内，具体映射公式为：
式中'为光伏阵列中串联的太阳能板数目，P为光伏阵列中并联的太阳能 板数目为参考太阳能板的开路电压为参考太阳能板的短路电流，4为归一化后的电 压参数样本，4为归一化后的电流参数样本，得到归一化后的电气参数样本组合为：(?,4 )〇
5. 根据权利要求1所述的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分 类方法，其特征在于：所述步骤S3中得到测试样本组合的具体方法为：选择径向基核函数：
^/支持向量机SVM的核函数，其中g为径向基核函数参数，Z i为第 i个样本向量，Jy为第j个样本向量。
6. 根据权利要求1所述的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分 类方法，其特征在于：步骤S4中采用PSO算法计算出最优的SVM核函数参数g和惩罚参数 c的具体方法为： 步骤S41 :初始化粒子群微粒的位置和速度，并初始化SVM的参数错分样本的惩罚因 子C和RBF核函数参数g ; 步骤S42 :评价粒子群中每个微粒的适应度，计算每个微粒的目标函数； 步骤S43 :对每个微粒，将微粒的适应度和经历过的当前最好位置pbest作比较，选择 适应度最大时的位置作为当前最好位置pbest ; 步骤S44 :对每个微粒，将微粒的适应度和经历过的全局最好位置gbest作比较，如果 微粒的适应度更好则重新设置gbest ; 步骤S45 :利用粒子速度更新方程变化微粒的位置和速度； 步骤S46 :终止条件的满足：当迭代次数或者适应值满足条件，则终止迭代，获得优化 最佳的SVM参数；否则返回步骤S43。
【专利摘要】本发明涉及一种基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法，具体包括以下步骤：步骤S1：采集光伏发电阵列工作于最大功率点时的若干个电气参数，得到电气参数样本组合；步骤S2：将每个电气参数样本进行归一化；步骤S3：根据归一化后的电气参数样本组合得到测试样本组合；步骤S4：采用PSO算法计算出最优的SVM核函数参数g和惩罚参数c；步骤S5：根据最优的核函数参数g和惩罚参数c对样本进行训练，得到训练模型；步骤S6：利用训练模型对光伏发电阵列的故障进行检测和分类。本发明能够有效提高光伏发电阵列故障检测和分类的准确性。
【IPC分类】G06K9-62, H02S50-00
【公开号】CN104753461
【申请号】CN201510168541
【发明人】林培杰, 程树英, 赖云锋, 陈志聪, 吴丽君, 章杰, 赖松林, 郑茜颖
【申请人】福州大学
【公开日】2015年7月1日
【申请日】2015年4月10日