CN105978487A - 基于内部等效参数的光伏组件故障诊断方法 - Google Patents

Abstract

本发明公开一种基于内部等效参数的光伏组件故障诊断方法。首先，对不同故障下光伏组件内部等效参数进行特征提取；其次，分别采用BP神经网络、RBF神经网络、Elman神经网络和RVM算法建立基于外特性电气参数的4种光伏组件故障诊断模型，用于光伏组件的初步故障诊断；最后，提出了一种基于改进证据相似度的光伏组件数据融合故障诊断模型，将上述4种模型的诊断结果作为该改进数据融合算法的基本概率分配(BPA)函数值，在决策层进行融合诊断输出。本发明的基于内部等效参数的光伏组件故障诊断方法，有效提高了故障诊断结果的可信度、降低了单一方法对诊断结果所引起的误判率。

Description

基于内部等效参数的光伏组件故障诊断方法

技术领域

本发明涉及光伏组件的故障诊断方法，属于新能源发电领域。

背景技术

当前，过度开采与使用化石能源导致生态环境急剧恶化，严重威胁人类的生存和社会的可持续发展。化解能源和生态环境危机的有效方法之一就是减少对化石能源的过度依赖，积极开展可再生能源的利用，其中，光伏发电以其独特的发电特性取得了广泛地发展与应用。然而，由于光伏组件长期工作在比较恶劣的环境中，各种故障情况难以避免，使得实际使用寿命大为降低。一旦光伏组件发生运行故障，直接危害是损坏组件本身，降低发电效率；间接危害则是造成整个光伏发电系统不能正常运行或对电网造成影响，进而酿成重大经济损失。

事实上，由于外界环境的复杂多变，使得光伏组件呈现故障起因复杂性和故障类型多样性，现有的故障诊断技术和方法难以适应光伏组件故障诊断的需要，因此，研究有效的光伏组件故障诊断方法已是迫在眉睫。

发明内容

发明目的：本发明建立一种基于内部等效参数的光伏组件故障诊断方法，能够实现对光伏组件正常、短路故障、R_s异常老化故障和R_sh异常老化故障的有效诊断。

发明内容：本发明提出一种基于内部等效参数的光伏组件故障诊断方法，包括如下步骤：

步骤10：对不同故障下光伏组件内部等效参数进行特征提取；

通常，单块光伏组件由若干个模型参数一致的电池片串联而成，设串联连接个数为N_s，在相同工况下输出特性均相同。光伏组件中各内部等效参数可分别表示为：

$\left\{\begin{array}{c}{R}_{s,M}=N_s{R}_s\\ R_{sh,M}=N_s{R}_{sh}\\ I_{ph,M}=I_{ph}\\ I_{SD,M}=I_{SD}\\ n_M=N_{s}n\end{array}\right.---\left(1\right)$

式中，R_s,M、R_sh,M、I_ph,M、I_SD,M和n_M分别表示光伏组件内部等效串联电阻、等效并联电阻、光生电流、二极管反向饱和电流和理想因子；R_s、R_sh、I_ph、I_SD和n分别表示光伏电池单体内部等效串联电阻、等效并联电阻、光生电流、二极管反向饱和电流和理想因子；N_s为光伏组件串联个数。

由式(1)可知，当光伏组件发生短路故障时，R_s,M、R_sh,M和n_M会同时发生变化，且R_s,M和R_sh,M阻值按同比例发生变化。光伏组件中短路电池片个数可通过n_M值的变化估算。

以TSM-250PC05A型光伏组件为研究对象，该光伏组件由N_s(N_s＝60)个光伏电池串联而成。在短路故障时，其内部等效参数R_s、R_sh和n随短路电池片个数呈现如下规律性变化：

${\hat{x}}_j=(60-s)x_j,j=1,2,5---\left(2\right)$

式中，为短路时各对应参数值；x_j为正常时对应参数值；s为短路电池片个数，取值范围为1至60；j＝1,2,5时，x_j分别代表式(1)中R_s、R_sh和n。

当光伏组件发生异常老化时，其内部等效参数呈现如下规律：(1)R_s会出现一定程度增加；(2)R_sh会出现一定程度减少；(3)R_s和R_sh会同时发生变化，但变化率不一致。

综上所述，当光伏组件发生短路故障和异常老化故障时，选取上述各参数作为故障特征信息，能够区分出不同的故障类型：当光伏组件出现短路故障时，R_s、R_sh和n值会发生变化；当光伏组件出现异常老化故障时，R_s和R_sh值会发生变化。

步骤20：分别采用BP神经网络、RBF神经网络、Elman神经网络和RVM算法，建立了基于内部等效参数的4种光伏组件故障诊断模型，用于光伏组件的初步故障诊断；

光伏组件发生故障时，其内部等效参数均有不同程度的变化，将各参数作为特征信息，则其故障诊断问题可视为一个复杂的非线性模式识别问题，本发明将BP神经网络、RBF神经网络、Elman神经网络和RVM算法应用于光伏组件的故障诊断中。

在上述光伏组件故障诊断时，将内部等效参数I_ph、I_SD、n、R_s和R_sh作为输入变量，以组件正常、短路、R_s异常老化和R_sh异常老化等4种运行状态作为模型输出，分别用O₁、O₂、O₃及O₄表示，建立上述4种光伏组件内部等效参数的故障诊断模型。

步骤30：提出了一种基于改进证据相似度的光伏组件数据融合故障诊断模型，将上述4种模型的诊断结果作为该改进数据融合算法的基本概率分配(BPA)函数值，在决策层进行融合诊断输出。

首先，引入相容系数构造参考证据体；其次，通过相似三角函数并结合参考证据体，进行异常证据体判定；最后，依据D-S合成规则进行证据合成，得出最终融合结果。

Step1、参考证据体构造

理论上而言，参考证据体需具有全局意义，故本专利提出加权平均证据作为参考证据体。设m₁和m₂是辨识框架Θ＝{A₁,A₂,...,A_H}上两个BPA函数，其相容系数为：

$R_{12}=\frac{2\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_1\left(A_h\right)m_2\left(A_h\right)}{\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_1{\left(A_h\right)}^2+\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_2{\left(A_h\right)}^2}---\left(3\right)$

当系统中存在m_i(i＝1,2,...,I)个证据源，则对证据m_i的支持度为：

$sup\left(m_i\right)=\underset{j=1,j\≠i}{\overset{I}{\mathrm{\Σ}}}{R}_{ij}---\left(4\right)$

进行归一化后，可得到证据m_i相应的权重系数为：

$\left\{\begin{array}{c}\mathrm{\ω}\left(m_i\right)=\frac{sup\left(m_i\right)}{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\sup \left(m_j\right)}\\ \underset{j=1}{\overset{J}{\mathrm{\Σ}}}\mathrm{\ω}\left(m_j\right)=1\end{array}\right.,j=1,2,...,J---\left(5\right)$

用加权平均证据作为参考证据体，即参考证据体为：

$m_{MAE}:m_{MAE}\left(A_h\right)=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\mathrm{\ω}\left(m_i\right)\·m_i\left(A_h\right),h=1,2,...,H---\left(6\right)$

Step2、异常证据体判定

在获得参考证据体后，通过余弦相似度定义证据相似度，在获取证据的相似度后，设置判定阈值，对证据是否异常进行判定。

根据向量夹角余弦定理，定义原证据向量与参考证据体的夹角余弦为cos(m_i,m_MAE)，并将其作为证据相似度Sim_i，可知：

$\left\{\begin{array}{c}{\mathrm{Sim}}_i=cos(m_i,m_{MAE})=\frac{m_i^T{m}_{MAE}}{{\[\left(m_i^T{m}_i\right)\left(m_{MAE}^T{m}_{MAE}\right)\]}^{1/2}}\\ m_i^T{m}_{MAE}=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_i\left(A_h\right)m_{MAE}\left(A_h\right)\\ m_i^T{m}_i=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_i\left(A_h\right)m_i\left(A_h\right)\\ m_{MAE}^T{m}_{MAE}=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_{MAE}\left(A_h\right)m_{MAE}\left(A_h\right)\end{array}\right.---\left(7\right)$

则平均相似度为：

${\mathrm{Sim}}_{avg}=\frac{1}{I}\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{\mathrm{Sim}}_i---\left(8\right)$

设置阈值为Sim_avg，若Sim_i≤Sim_avg，用m_MAE替换该证据体，则有：

m_i:m_i(A_h)＝m_MAE(A_h)h＝1,2,...,H (9)

Step3、采用D-S合成规则进行数据融合

通过参考证据和证据相似度作为异常证据的判定依据，结合参考证据体对原证据源中异常证据进行处理，采用D-S合成规则对处理后的各证据进行组合。

原理：本发明基于内部等效参数的光伏组件故障诊断方法，其目的旨在有效提高光伏组件故障诊断水平。

有益效果：建立了一种基于内部等效参数的光伏组件故障诊断方法，本发明能够显著降低单一故障诊断方法所引起的误判率，提高光伏组件故障诊断结果的准确性和合理性。

附图说明

图1：为本发明的光伏电池单体短路个数对输出电压影响。

图2：为本发明的光伏组件内部阻值变化时输出特性曲线。

图3：为本发明的基于内部等效参数的光伏组件故障诊断融合模型。

具体实施方式

下面结合附图，对本发明进行详细说明。

一种基于内部等效参数的光伏组件故障诊断方法，包括如下步骤：

步骤10：对不同故障下光伏组件内部等效参数进行特征提取；

步骤20：分别采用BP神经网络、RBF神经网络、Elman神经网络和RVM算法，建立基于内部等效参数的4种光伏组件故障诊断模型，用于光伏组件的初步故障诊断；

步骤30：建立基于改进证据相似度的光伏组件数据融合故障诊断模型，将上述4种模型的诊断结果作为该改进数据融合算法的基本概率分配BPA函数值，在决策层进行融合诊断输出。

光伏组件常见的非阴影故障类型主要有短路和异常老化2大类。针对不同的光伏组件故障进行分析，首先从数学模型内部等效参数方面获得不同故障下参数变化规律，为光伏组件的故障诊断提供理论基础和故障特征信息。

当光伏组件发生短路故障时，各内部等效参数就会不同于其在正常状态下的表现，这些差异含有丰富的故障特征信息。通常，单块光伏组件由若干个模型参数一致的电池片串联而成，设串联连接个数为Ns，在相同工况下输出特性均相同。光伏组件中各内部等效参数可分别表示为：

$\left\{\begin{array}{c}{R}_{s,M}=N_s{R}_s\\ R_{sh,M}=N_s{R}_{sh}\\ I_{ph,M}=I_{ph}\\ I_{SD,M}=I_{SD}\\ n_M=N_{s}n\end{array}\right.---\left(1\right)$

式中，R_s,M、R_sh,M、I_ph,M、I_SD,M和n_M分别表示光伏组件内部等效串联电阻、等效并联电阻、光生电流、二极管反向饱和电流和理想因子；R_s、R_sh、I_ph、I_SD和n分别表示光伏电池单体内部等效串联电阻、等效并联电阻、光生电流、二极管反向饱和电流和理想因子；N_s为光伏组件串联个数。

由式(1)可知，当光伏组件发生短路故障时，R_s,M、R_sh,M和n_M会同时发生变化，且R_s,M和R_sh,M阻值按同比例发生变化。光伏组件中短路电池片个数可通过n_M值的变化估算。

以TSM-250PC05A型光伏组件为研究对象，该光伏组件由N_s(N_s＝60)个光伏电池串联而成。在短路故障时，其内部等效参数R_s、R_sh和n随短路电池片个数呈现如下规律性变化：

${\hat{x}}_j=(60-s)x_j,j=1,2,5---\left(2\right)$

式中，为短路时各对应参数值；x_j为正常时对应参数值；s为短路电池片个数，取值范围为1至60；j＝1,2,5时，x_j分别代表式(1)中R_s、R_sh和n。

光伏组件的异常老化主要表现在内部等效串联电阻R_s增加、并联电阻R_sh减小。图2为在STC下，R_s逐步增加和R_sh逐步减小时，仿真所得光伏组件输出特性曲线。

由图2可知，当光伏组件发生异常老化时，其内部等效参数呈现如下规律：(1)R_s会出现一定程度增加；(2)R_sh会出现一定程度减少；(3)R_s和R_sh会同时发生变化，但变化率不一致。

综上所述，当光伏组件发生短路故障和异常老化故障时，选取上述各参数作为故障特征信息，能够区分出不同的故障类型：当光伏组件出现短路故障时，R_s、R_sh和n值会发生变化；当光伏组件出现异常老化故障时，R_s和R_sh值会发生变化。

光伏组件发生故障时，其内部等效参数均有不同程度的变化，将各参数作为特征信息，则其故障诊断问题可视为一个复杂的非线性模式识别问题，本发明将BP神经网络、RBF神经网络、Elman神经网络和RVM算法应用于光伏组件的故障诊断中。

在光伏组件故障诊断时，将内部等效参数I_ph、I_SD、n、R_s和R_sh作为输入变量，以组件正常、短路、R_s异常老化和R_sh异常老化等4种运行状态作为模型输出，分别用O₁、O₂、O₃及O₄表示，建立上述4种光伏组件内部等效参数故障诊断模型，表1所示为光伏组件的各运行状态与神经网络输出的对应关系。

表1光伏组件各运行状态与神经网络输出的对应关系

实际情况下，通过单一方法对光伏组件进行故障诊断，难免会出现故障误判，因此融合其它故障诊断方法的结果综合考虑，以提高故障诊断结果的可信度。

为实现对多个数据源信息进行综合表达，Dempster给出一种证据合成规则。D-S合成规则：设辨识框架Θ上有两个证据e₁和e₂，m₁和m₂分别为其对应BPA，A_i和B_j分别为焦元，则证据合成规则为：

其中，K为冲突系数，主要反映证据间的冲突程度，定义为：

D-S合成规则具有交换性、结合性和聚焦性。由于D-S合成规则满足结合性，所以它同样适用于多个证据的合成，公式如下：

其中，

当存在冲突证据时，D-S合成规则有时会产生与常理相悖的结果，并且D-S证据理论的聚焦性会使得信度快速向元素较少的焦元过度集中，降低合成证据结果的准确性。因此，证据理论研究的热点之一就是如何解决D-S合成规则的悖论问题。

基于此，本专利提出了一种基于改进证据相似度的证据合成规则方法，以提高融合算法的实用性。

首先，引入相容系数构造参考证据体；其次，通过相似三角函数并结合参考证据体，进行异常证据体判定；最后，依据D-S合成规则进行证据合成，得出最终融合结果。

Step1、参考证据体构造

理论上而言，参考证据体需具有全局意义，故本专利提出加权平均证据作为参考证据体。设m₁和m₂是辨识框架Θ＝{A₁,A₂,...,A_H}上两个BPA函数，其相容系数为：

$R_{12}=\frac{2\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_1\left(A_h\right)m_2\left(A_h\right)}{\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_1{\left(A_h\right)}^2+\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_2{\left(A_h\right)}^2}---\left(7\right)$

当系统中存在m_i(i＝1,2,...,I)个证据源，则对证据m_i的支持度为：

$sup\left(m_i\right)=\underset{j=1,j\≠i}{\overset{I}{\mathrm{\Σ}}}{R}_{ij}---\left(8\right)$

进行归一化后，可得到证据m_i相应的权重系数为：

$\left\{\begin{array}{c}\mathrm{\ω}\left(m_i\right)=\frac{sup\left(m_i\right)}{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\sup \left(m_j\right)}\\ \underset{j=1}{\overset{J}{\mathrm{\Σ}}}\mathrm{\ω}\left(m_j\right)=1\end{array}\right.,j=1,2,...,J---\left(9\right)$

用加权平均证据作为参考证据体，即参考证据体为：

$m_{MAE}:m_{MAE}\left(A_h\right)=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\mathrm{\ω}\left(m_i\right)\·m_i\left(A_h\right),h=1,2,...,H---\left(10\right)$

Step2、异常证据体判定

在获得参考证据体后，通过余弦相似度定义证据相似度，在获取证据的相似度后，设置判定阈值，对证据是否异常进行判定。

根据向量夹角余弦定理，定义原证据向量与参考证据体的夹角余弦为cos(m_i,m_MAE)，并将其作为证据相似度Sim_i，可知：

$\left\{\begin{array}{c}{\mathrm{Sim}}_i=cos(m_i,m_{MAE})=\frac{m_i^T{m}_{MAE}}{{\[\left(m_i^T{m}_i\right)\left(m_{MAE}^T{m}_{MAE}\right)\]}^{1/2}}\\ m_i^T{m}_{MAE}=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_i\left(A_h\right)m_{MAE}\left(A_h\right)\\ m_i^T{m}_i=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_i\left(A_h\right)m_i\left(A_h\right)\\ m_{MAE}^T{m}_{MAE}=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}{m}_{MAE}\left(A_h\right)m_{MAE}\left(A_h\right)\end{array}\right.---\left(11\right)$

则平均相似度为：

${\mathrm{Sim}}_{avg}=\frac{1}{I}\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{\mathrm{Sim}}_i---\left(12\right)$

设置阈值为Sim_avg，若Sim_i≤Sim_avg，用m_MAE替换该证据体，则有：

m_i:m_i(A_h)＝m_MAE(A_h)h＝1,2,...,H (13)

Step3、采用D-S合成规则进行数据融合

通过参考证据和证据相似度作为异常证据的判定依据，结合参考证据体对原证据源中异常证据进行处理，采用D-S合成规则对处理后的各证据进行组合。

基于上述分析结果，建立如图3所示的基于改进证据相似度的光伏组件故障诊断融合模型。由图3可知，通过可编程直流电子负载获取光伏组件的运行数据，通过IAFSA参数辨识算法获取光伏组件的内部等效参数值，IAFSA的详细流程参见文献:Wei Han,Hong-huaWang,and Ling Chen.Parameters Identification for Photovoltaic Module Based onan Improved Artificial Fish Swarm Algorithm[J].The Scientific World Journal,2014,859239:1-12.

在此基础上，将上述数值分别输入到BP神经网络、RBF神经网络、Elman神经网络和RVM算法故障模型中，获取各自的故障诊断结果；最后，将其作为各证据源的BPA值输入至基于改进证据相似度的数据融合故障诊断模型中，获取最终的决策级融合结果。

综上所述，本发明摒弃单一故障诊断方法所引起的误判这一缺陷，所提融合模型能够有效地处理冲突证据，诊断结果更加准确、可信，选取其作为决策层融合算法可以进一步提高光伏组件故障诊断的准确性和合理性。

Claims (5)

1.一种基于内部等效参数的光伏组件故障诊断方法，其特征在于，所述诊断方法的建立包括如下步骤：

步骤10：对不同故障下光伏组件内部等效参数进行特征提取；

步骤20：分别采用BP神经网络、RBF神经网络、Elman神经网络和RVM算法，建立基于内部等效参数的4种光伏组件故障诊断模型，用于光伏组件的初步故障诊断；

步骤30：建立基于改进证据相似度的光伏组件数据融合故障诊断模型，将上述4种模型的诊断结果作为该改进数据融合算法的基本概率分配BPA函数值，在决策层进行融合诊断输出。

2.根据权利要求1所述的一种基于内部等效参数的光伏组件故障诊断方法，其特征在于，所述步骤10中光伏组件各内部等效参数特征数据的获取过程如下：

通常，单块光伏组件由若干个模型参数一致的电池片串联而成，设串联连接个数为N_s，在相同工况下输出特性均相同；光伏组件中各内部等效参数可分别表示为：

$\left\{\begin{array}{c}{R}_{s,M}=N_s{R}_s\\ R_{sh,M}=N_s{R}_{sh}\\ I_{ph,M}=I_{ph}\\ I_{SD,M}=I_{SD}\\ n_M=N_{s}n\end{array}\right.---\left(1\right)$

式中，R_s,M、R_sh,M、I_ph,M、I_SD,M和n_M分别表示光伏组件内部等效串联电阻、等效并联电阻、光生电流、二极管反向饱和电流和理想因子；R_s、R_sh、I_ph、I_SD和n分别表示光伏电池单体内部等效串联电阻、等效并联电阻、光生电流、二极管反向饱和电流和理想因子；N_s为光伏组件串联个数；

由式(1)可知，当光伏组件发生短路故障时，R_s,M、R_sh,M和n_M会同时发生变化，且R_s,M和R_sh,M阻值按同比例发生变化；光伏组件中短路电池片个数可通过n_M值的变化估算；

以TSM-250PC05A型光伏组件为研究对象，该光伏组件由N_s(N_s＝60)个光伏电池串联而成；在短路故障时，其内部等效参数R_s、R_sh和n随短路电池片个数呈现如下规律性变化：

${\hat{x}}_j=(60-s)x_j,j=1,2,5---\left(2\right)$

式中，为短路时各对应参数值；xj为正常时对应参数值；s为短路电池片个数，取值范围为1至60；j＝1,2,5时，x_j分别代表式(1)中R_s、R_sh和n；

当光伏组件发生异常老化时，其内部等效参数呈现如下规律：(1)R_s会出现一定程度增加；(2)R_sh会出现一定程度减少；(3)R_s和R_sh会同时发生变化，但变化率不一致；

综上所述，当光伏组件发生短路故障和异常老化故障时，选取上述各参数作为故障特征信息，能够区分出不同的故障类型：当光伏组件出现短路故障时，R_s、R_sh和n值会发生变化；当光伏组件出现异常老化故障时，R_s和R_sh值会发生变化。

3.根据权利要求1所述的一种基于内部等效参数的光伏组件故障诊断方法，其特征在于，所述步骤20中4种光伏组件初步故障诊断模型的建立过程如下：

光伏组件发生故障时，其内部等效参数均有不同程度的变化，将各参数作为特征信息，则其故障诊断问题可视为一个复杂的非线性模式识别问题，本发明将BP神经网络、RBF神经网络、Elman神经网络和RVM算法应用于光伏组件的故障诊断中；

在上述光伏组件故障诊断时，将内部等效参数I_ph、I_SD、n、R_s和R_sh作为输入变量，以组件正常、短路、R_s异常老化和R_sh异常老化等4种运行状态作为模型输出，分别用O₁、O₂、O₃及O₄表示，建立上述4种光伏组件内部等效参数的故障诊断模型。

4.根据权利要求1所述的一种基于内部等效参数的光伏组件故障诊断方法，其特征在于，所述步骤30中对光伏组件故障诊断融合模型的建立过程如下：

首先，引入相容系数构造参考证据体；其次，通过相似三角函数并结合参考证据体，进行异常证据体判定；最后，依据D-S合成规则进行证据合成，得出最终融合结果：

Step1、参考证据体构造

理论上而言，参考证据体需具有全局意义，故本专利提出加权平均证据作为参考证据体；设m₁和m₂是辨识框架Θ＝{A₁,A₂,…,A_H}上两个BPA函数，其相容系数为：

$R_{12}=\frac{2\underset{h=1}{\overset{H}{\Σ}}{m}_1\left(A_h\right)m_2\left(A_h\right)}{\underset{h=1}{\overset{H}{\Σ}}{m}_1{\left(A_h\right)}^2+\underset{h=1}{\overset{H}{\Σ}}{m}_2{\left(A_h\right)}^2}---\left(3\right)$

当系统中存在m_i(i＝1,2,…,I)个证据源，则对证据m_i的支持度为：

$sup\left(m_i\right)=\underset{j=1,j\≠i}{\overset{I}{\Σ}}{R}_{ij}---\left(4\right)$

进行归一化后，可得到证据m_i相应的权重系数为：

$\left\{\begin{array}{c}\mathrm{\ω}\left(m_i\right)=\frac{sup\left(m_i\right)}{\underset{j=1}{\overset{J}{\Σ}}sup\left(m_j\right)}\\ \underset{j=1}{\overset{J}{\Σ}}\mathrm{\ω}\left(m_j\right)=1\end{array}\right.,j=1,2,...,J---\left(5\right)$

用加权平均证据作为参考证据体，即参考证据体为：

$m_{MAE}:m_{MAE}\left(A_h\right)=\underset{i=1}{\overset{I}{\Σ}}\mathrm{\ω}\left(m_i\right)\·m_i\left(A_h\right),h=1,2,...,H---\left(6\right)$

Step2、异常证据体判定

在获得参考证据体后，通过余弦相似度定义证据相似度，在获取证据的相似度后，设置判定阈值，对证据是否异常进行判定；

根据向量夹角余弦定理，定义原证据向量与参考证据体的夹角余弦为cos(m_i,m_MAE)，并将其作为证据相似度Sim_i，可知：

$\left\{\begin{array}{c}{\mathrm{Sim}}_i=cos(m_i,m_{MAE})=\frac{m_i^T{m}_{MAE}}{{\[\left(m_i^T{m}_i\right)\left(m_{MAE}^T{m}_{MAE}\right)\]}^{1/2}}\\ m_i^T{m}_{MAE}=\underset{h=1}{\overset{H}{\Σ}}{m}_i\left(A_h\right)m_{MAE}\left(A_h\right)\\ m_i^T{m}_i=\underset{h=1}{\overset{H}{\Σ}}{m}_i\left(A_h\right)m_i\left(A_h\right)\\ m_{MAE}^T{m}_{MAE}=\underset{h=1}{\overset{H}{\Σ}}{m}_{MAE}\left(A_h\right)m_{MAE}\left(A_h\right)\end{array}\right.---\left(7\right)$

则平均相似度为：

${\mathrm{Sim}}_{avg}=\frac{1}{I}\underset{i=1}{\overset{I}{\Σ}}{\mathrm{Sim}}_i---\left(8\right)$

设置阈值为Sim_avg，若Sim_i≤Sim_avg，用m_MAE替换该证据体，则有：

m_i:m_i(A_h)＝m_MAE(A_h) h＝1,2,…,H (9)

Step3、采用D-S合成规则进行数据融合

通过参考证据和证据相似度作为异常证据的判定依据，结合参考证据体对原证据源中异常证据进行处理，采用D-S合成规则对处理后的各证据进行组合。

5.根据权利要求1所述的一种基于内部等效参数的光伏组件故障诊断方法，其特征在于，本专利可实现对光伏组件正常、短路故障、R_s异常老化故障和R_sh异常老化故障的有效诊断，显著提高光伏发电系统的安全性、稳定性。