CN106777984B - 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 - Google Patents
一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 Download PDFInfo
- Publication number
- CN106777984B CN106777984B CN201611173830.XA CN201611173830A CN106777984B CN 106777984 B CN106777984 B CN 106777984B CN 201611173830 A CN201611173830 A CN 201611173830A CN 106777984 B CN106777984 B CN 106777984B
- Authority
- CN
- China
- Prior art keywords
- sample
- cluster
- distance
- clustering algorithm
- density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000010248 power generation Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 239000000523 sample Substances 0.000 description 50
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000000306 component Substances 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 210000004209 hair Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，首先采集日常工作中光伏发电阵列最大功率点的若干个电气参数，得到每一日的电气参数样本组合；接着将每个电气参数样本进行归一化得到测试样本组合；然后根据归一化后的测试样本组合进行计算得到距离矩阵；接着采用基于密度的聚类算法对这些测试样本进行自动的聚类，获得若干个聚类；接着基于预先通过仿真模型获得的参考数据，分别计算每组参考数据和每个聚类之间的最小距离，形成一个距离向量；最后通过将距离向量中每个元素与聚类算法中的截断距离进行对比，识别每个聚类所属的工作类别。本发明可直接通过对光伏系统日常运行数据的聚类操作实现故障的准确诊断。
Description
技术领域
本发明涉及并网光伏发电系统工作状态分析及光伏阵列故障诊断技术领域，特别是一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法。
背景技术
光伏发电系统装机容量的日益增加对光伏系统的工作状态的分析和光伏阵列的故障诊断提出了需求。作为系统的核心部件，光伏阵列通常工作在复杂的户外环境中，易受到各种环境因素的影响，导致开路、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。目前，常规的光伏阵列故障检测和保护方式是通过增加保护器件，例如过电流保护器和对地故障断路器进行故障的防护。然而，由于光伏阵列输出的非线性、高故障阻抗、低照度运行及逆变器中最大功率跟踪等功能影响，一些故障的发生并不能由保护器件进行消除。
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。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。但这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以推广等缺点。
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、决策树算法、支持向量机等等。这些算法可以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，但是这些方法同时具有需要大量人工标定样本、不同的季节下训练的诊断模型并不通用、不同光伏发电系统需要重新训练模型等不足。
目前，云平台广泛用于各种光伏发电系统的监控，不同光伏系统每日的运行数据都发送至云平台中进行存储，这使得通过日常的运行数据对光伏系统的工作状态和故障进行分析成为了可能。通过对光伏日常归一化数据的分析，发现数据的分布具明显的非球状聚类、聚类的中心具有最高的密度并与其他更高的密度点有相当的距离等特性，因此适合采用一种新型的基于密度峰值的聚类算法(CFSFDP)对数据进行分析，然后进一步实现工作状态的分析和故障诊断。目前，公开发表的文献及专利中尚未见有将基于密度聚类算法应用于光伏阵列工作状态分析与故障诊断中。
发明内容
有鉴于此，本发明的目的是提出一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，采用基于密度的聚类算法，以此模型进行光伏发电阵列的故障诊断和分类，可精确的识别出光伏发电系统的运行状况。
本发明采用以下方案实现：一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，具体包括以下步骤：
步骤S1：采集日常工作中光伏发电阵列最大功率点的若干个电气参数，得到每一日的电气参数样本组合；
步骤S2：将每个电气参数样本进行归一化得到测试样本组合；
步骤S3：根据归一化后的测试样本组合进行计算得到距离矩阵；
步骤S4：采用基于密度的聚类算法对这些测试样本进行自动的聚类，获得若干个聚类；
步骤S5：基于预先通过仿真模型获得的参考数据，分别计算每组参考数据和每个聚类之间的最小距离，形成一个距离向量；
步骤S6：通过将距离向量中每个元素与聚类算法中的截断距离进行对比，识别每个聚类所属的工作类别。
进一步地，步骤S1中所述若干个电气参数包括阵列的最大功率点下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(Uj，Ij)，其中，j为样本采集序号，j为1到N的整数，每个数字代表一种工作状态，Uj为第j个电气参数样本组合中的电压参数样本，Ij代表第j个电气参数样本组合中的电流参数样本。
进一步地，步骤S1中所述日常工作的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。
进一步地，步骤S2中所述进行归一化具体为：将所述电气参数样本射到区间[0,1]内，具体映射公式为：
式中，m为光伏阵列中串联的太阳能板数目，n为光伏阵列中并联的太阳能板数目，UOC为参考太阳能板的开路电压，ISC为参考太阳能板的短路电流，为归一化后的电压参数样本，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：
进一步地，步骤S3中所述距离矩阵的得到采用欧氏距离的方法进行计算，具体采用下式计算：
dij＝||xi-xj||2；
式中，xi为第i个样本向量，xj为第j个样本向量,||·||代表2范式操作。
进一步地，所述步骤S4具体包括以下步骤：
步骤S41：根据步骤S3得到的距离矩阵，对其从小到大进行排序，选择2％处的距离值来设置样本截断距离dc；
步骤S42：根据截断距离dc，计算出每个样本点的局部密度值ρi和其与密度高于它且离它最近的样本点的距离δi，具体的计算公式分别如下：
步骤S43：计算出每个样本点的归一化的γi，并对γi进行排序，其中γi的计算采用公式如下：
式中，ρmax表示最大ρi值，δmax表示最大δi值；
步骤S44：根据3-σ法则，选择超过γi平均值对应的前几个点作为聚类的中心点，并以这些中心点为参考，将剩余的所有样本点按到最近邻的更高密度对象的最小距离进行划分到各个簇，完成数据的聚类。
进一步地，步骤S5具体为：建立光伏模型，在低照度下，通过模拟各种工作状态及故障，仿真获得标定的参考数据集；计算各个聚类之间到各类数据集的最小距离，获得距离向量：
其中c代表每个聚类的标号，NC为聚类总的数量，因此c∈[1,NC]；r代表参考数据集所包含的工作状态或故障的类别，NR为参考数据集总的数量，因此r∈[1,NR]。
进一步地，所述步骤S5具体为：将距离向量中的每个元素与截断距离dc进行对比来对每个聚类进行识别，如果dc,r小于dc，则该聚类判定为和参考数据r所对应的类别；如果所有的元素都大于dc，则将聚类判定为元素中最小值所对应的类别。
与现有技术相比，本发明有以下有益效果：本发明将光伏发电系统的日常运行状态和故障诊断转化为聚类问题，采用CFSFDP算法结合参考样本数据实现对光伏发电系统运行状态的判别和故障的诊断；本发明无需采集大量的样本数据对诊断模型进行训练，仅需对采集到的无标签的运行数据直接进行聚类操作，并通过仿真得到的少量带标签数据进行辅助实现聚类的识别，进而完成状态的识别和故障的诊断。通过对不同日常运行状态的模拟和实验测试，该方案均可精确的识别出光伏发电系统的运行状况。同时，该方案可直接移植到光伏监控系统中，例如云平台上，实现对不同光伏系统的监测。
附图说明
图1为本发明的方法流程示意图。
图2为本发明实施例中的光伏发电系统拓扑图。
图3为本发明实施例中的系统实验光伏平台图。
图4(a)为本发明实施例中正常工作状态时的原始数据分布图。
图4(b)为本发明实施例中正常工作状态时的γ以降序排列图。
图4(c)为本发明实施例中正常工作状态时的决策图。
图4(d)为本发明实施例中正常工作状态时的聚类及识别后的数据图。
图5(a)为本发明实施例中正常和短路1组合工作状态时的原始数据分布图。
图5(b)为本发明实施例中正常和短路1组合工作状态时的γ以降序排列图。
图5(c)为本发明实施例中正常和短路1组合工作状态时的决策图。
图5(d)为本发明实施例中正常和短路1组合工作状态时的聚类及识别后的数据图。
图6(a)为本发明实施例中正常和开路1组合工作状态时的原始数据分布图。
图6(b)为本发明实施例中正常和开路1组合工作状态时的γ以降序排列图。
图6(c)为本发明实施例中正常和开路1组合工作状态时的决策图。
图6(d)为本发明实施例中正常和开路1组合工作状态时的聚类及识别后的数据图。
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。
如图1所示，本实施例提供了一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法。图2为本实施例的光伏发电系统拓扑图，系统由m×n个光伏组件组成光伏阵列，通过并网逆变器与电网进行连接。在不同的大气温度和辐照度下，模拟三种光伏发电阵列日常运行中出现的不同工作状况，进行光伏发电系统的数据采集然后对数据进行聚类处理及识别，实施例的具体操作包括以下步骤：
步骤S1：采集日常工作中光伏发电阵列最大功率点的若干个电气参数，得到每一日的电气参数样本组合；
步骤S2：将每个电气参数样本进行归一化得到测试样本组合；
步骤S3：根据归一化后的测试样本组合进行计算得到距离矩阵；
步骤S4：采用一种新型的基于密度的聚类算法对这些测试样本进行自动的聚类，获得若干个聚类；
步骤S5：基于预先通过仿真模型获得的参考数据，分别计算每组参考数据和每个聚类之间的最小距离，形成一个距离向量；
步骤S6：通过判断距离向量中每个元素与聚类算法中的截断距离进行对比，识别每个聚类所属的工作类别。
较佳的，本实施例中采集数据所采用的光伏发电系统由20块太阳能面板组成，其中18块为工作面板，组成6串3并的方式，通过逆变器进行并网发电；另外2块为参考太阳能面板，1块获取开路电压UOC，另1块获取短路电流ISC，系统详细参数如表1所示。
表1
在本实施例中，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。
在本实施例中，所述工作状态包括正常工作、单光伏组串上1个组件短路(短路1)和单光伏组串上1个组件开路(开路1)。特别地，本实施例在模拟光伏发电系统的3种日常工作状态进行采集数据：正常工作、正常工作与短路1组合状态和正常工作与开路1组合状态，在不同的照度和温度下进行数据采集，采集样本的同时采集参考太阳能板的开路电压UOC和短路电流ISC以实现对数据的归一化处理。所实施的大气温度和辐照度及采集的光伏数据量具体信息如表2所示。
表2
在本实施例中，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：
式中，m为光伏阵列中串联的太阳能板数目，n为光伏阵列中并联的太阳能板数目，UOC为参考太阳能板的开路电压，ISC为参考太阳能板的短路电流，为归一化后的电压参数样本，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：较佳的，实施例三种模拟运行状况归一化后的数据分布分别如图4(a)、图5(a)和图6(a)所示。
在本实施例中，所述步骤S3中得到距离矩阵的具体方法是采用欧氏距离的方法进行计算，公式为：dij＝||xi-xj||2，xi为第i个样本向量，xj为第j个样本向量,||·||代表2范式操作。
在本实施例中，所述步骤S4采用一种新型的基于密度的聚类算法对这些测试样本进行自动的聚类，获得若干个聚类的具体方法为：
步骤S41：根据距离矩阵，对其从小到大进行排序，选择2％处的距离值来设置样本截断距离dc；
步骤S42：根据截断距离dc，计算出每个样本点的局部密度值ρi和其与密度高于它且离它最近的样本点的距离δi，具体的计算公式分别如下：和
步骤S43：计算出每个样本点的归一化的γi，采用公式如下:并对γi进行排序；
步骤S44：根据3-σ法则，选择超过γi平均值对应的前几个点作为聚类的中心点，并以这些中心点为参考，将剩余的所有样本点按到最近邻的更高密度对象的最小距离进行划分到各个簇，完成数据的聚类；
在本实施例中，所述步骤S5通过建立光伏模型，在低照度下，通过模拟各种工作状态及故障，仿真获得标定的参考数据集。计算各个聚类之间到各类数据集的最小距离，获得距离向量其中c代表每个聚类的标号，NC为聚类总的数量，因此c∈[1,NC]；r代表参考数据集所包含的工作状态或故障的类别，NR为参考数据集总的数量，因此r∈[1,NR]；
在本实施例中，所述步骤S6中将距离向量中的每个元素与截断距离dc进行对比来对每个聚类进行识别，如果dc,r小于dc，则该聚类判定为和参考数据r所对应的类别；如果所有的元素都大于dc，则将聚类判定为元素中最小值所对应的类别。
较佳的，根据步骤S4，本实施例根据数据计算局部密度值ρi和其与密度高于它且离它最近的样本点的距离δi，得到γi的降序排列图如图4(b)、图5(b)和图6(b)所示，根据3-σ法则选出聚类中心点，如图中圆圈所包含的点。对应的决策图分别如图4(c)、图5(c)和图6(c)所示，图中右上角的点即为聚类中心点。根据步骤S5和S6，实施例中数据的聚类和识别后的数据图分别如图4(d)、图5(d)和图6(d)所示，图4(d)中的数据被判别为与正常工作状态的参考数据归为同一类别，图5(d)中的两簇数据分别被判别为与正常工作状态和短路1的参考数据归为相同类别，图6(d)中的两簇数据分别被判别为与正常工作状态和开路1的参考数据归为相同类别，因此可以得出实施例中的数据均被准确的聚类和识别。
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。
Claims (6)
1.一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，其特征在于：包括以下步骤：
步骤S1：采集日常工作中光伏发电阵列最大功率点的若干个电气参数，得到每一日的电气参数样本组合；
步骤S2：将每个电气参数样本进行归一化得到测试样本组合；
步骤S3：将归一化后的测试样本组合进行计算得到距离矩阵；
步骤S4：采用基于密度的聚类算法对这些测试样本进行自动的聚类，获得若干个聚类；
步骤S5：基于预先通过仿真模型获得的参考数据，分别计算每组参考数据和每个聚类之间的最小距离，形成一个距离向量；
步骤S6：通过将距离向量中每个元素与聚类算法中的截断距离进行对比，识别每个聚类所属的工作类别；
其中，所述步骤S4具体包括以下步骤：
步骤S41：根据步骤S3得到的距离矩阵，对其从小到大进行排序，选择2％处的距离值来设置样本截断距离dc；
步骤S42：根据截断距离dc，计算出每个样本点的局部密度值ρi和密度高于它且离它最近的样本点的距离δi，具体的计算公式分别如下：
式中，dij表示距离矩阵；
步骤S43：计算出每个样本点的归一化的γi，并对γi进行排序，其中γi的计算采用公式如下：
式中，ρmax表示最大ρi值，δmax表示最大δi值；
步骤S44：根据3-σ法则，选择超过γi平均值对应的前几个点作为聚类的中心点，并以这些中心点为参考，将剩余的所有样本点按到最近邻的更高密度对象的最小距离进行划分到各个簇，完成数据的聚类；
其中，步骤S5具体为：建立光伏模型，在低照度下，通过模拟各种工作状态及故障，仿真获得标定的参考数据集；计算各个聚类之间到各类数据集的最小距离，获得距离向量：
其中c代表每个聚类的标号，NC为聚类总的数量，因此c∈[1,NC]；r代表参考数据集所包含的工作状态或故障的类别，NR为参考数据集总的数量，因此r∈[1,NR]。
2.根据权利要求1所述的一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，其特征在于：步骤S1中所述若干个电气参数包括阵列的最大功率点下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(Uj，Ij)，其中，j为样本采集序号，j为1到N的整数，Uj为第j个电气参数样本组合中的电压参数样本，Ij代表第j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所述的一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，其特征在于：步骤S1中所述日常工作的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。
4.根据权利要求1所述的一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，其特征在于：步骤S2中所述进行归一化具体为：将所述电气参数样本映射到区间[0,1]内，具体映射公式为：
式中，m为光伏阵列中串联的太阳能板数目，n为光伏阵列中并联的太阳能板数目，UOC为参考太阳能板的开路电压，ISC为参考太阳能板的短路电流，为归一化后的电压参数样本，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：
5.根据权利要求1所述的一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，其特征在于：步骤S3中所述距离矩阵的得到采用欧氏距离的方法进行计算，具体采用下式计算：
dij＝||xi-xj||2；
式中，xi为第i个样本向量，xj为第j个样本向量,||·||2代表2范式操作。
6.根据权利要求1所述的一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法，其特征在于：所述步骤S5进一步包括：将距离向量中的每个元素与截断距离dc进行对比来对每个聚类进行识别，如果dc,r小于dc，则该聚类判定为和参考数据r所对应的类别；如果所有的元素都大于dc，则将聚类判定为元素中最小值所对应的类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611173830.XA CN106777984B (zh) | 2016-12-19 | 2016-12-19 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611173830.XA CN106777984B (zh) | 2016-12-19 | 2016-12-19 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106777984A CN106777984A (zh) | 2017-05-31 |
| CN106777984B true CN106777984B (zh) | 2019-02-22 |
Family
ID=58889653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611173830.XA Active CN106777984B (zh) | 2016-12-19 | 2016-12-19 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106777984B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109933040B (zh) * | 2017-12-18 | 2020-08-07 | 中国科学院沈阳自动化研究所 | 基于层次密度峰值聚类和最相似模态的故障监测方法 |
| CN108460397B (zh) * | 2017-12-26 | 2020-06-26 | 东软集团股份有限公司 | 设备故障类型的分析方法、装置、储存介质和电子设备 |
| CN108334898A (zh) * | 2018-01-23 | 2018-07-27 | 华中科技大学 | 一种多模态工业过程模态辨识与故障分类方法 |
| CN108596648B (zh) * | 2018-03-20 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 一种商圈判定方法和装置 |
| CN108875796A (zh) * | 2018-05-28 | 2018-11-23 | 福州大学 | 基于线性判别分析和支持向量机的光伏阵列故障诊断方法 |
| CN108847686B (zh) * | 2018-07-02 | 2021-11-30 | 国电南瑞科技股份有限公司 | 一种光伏逆变器故障预测方法 |
| CN109039280B (zh) * | 2018-07-02 | 2020-02-18 | 福建农林大学 | 基于非主成分数据特征的光伏阵列故障诊断方法 |
| CN110286094B (zh) * | 2019-07-18 | 2022-04-01 | 山东省科学院海洋仪器仪表研究所 | 一种基于聚类分析的光谱模型转移方法 |
| CN110376519B (zh) * | 2019-08-30 | 2021-11-16 | 国家电网有限公司 | 高压断路器故障诊断方法、装置及终端设备 |
| CN110619479B (zh) * | 2019-09-23 | 2022-05-24 | 阳光电源股份有限公司 | 光伏组件的故障判别模型建模方法及故障判别方法 |
| CN110794305B (zh) * | 2019-10-14 | 2021-03-16 | 北京理工大学 | 一种动力电池故障诊断方法和系统 |
| CN111488947B (zh) * | 2020-04-28 | 2024-02-02 | 深圳力维智联技术有限公司 | 电力系统设备的故障检测方法与装置 |
| CN111915600B (zh) * | 2020-08-12 | 2023-09-26 | 南京工程学院 | 一种退役动力锂电池热特征一致性筛选方法 |
| CN112098850B (zh) * | 2020-09-21 | 2024-03-08 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
| CN112381388B (zh) * | 2020-11-12 | 2022-11-08 | 安徽江机重型数控机床股份有限公司 | 一种数控机床主轴电机运行监测方法 |
| CN113159601B (zh) * | 2021-04-30 | 2023-05-23 | 国网湖北省电力有限公司武汉供电公司 | 一种基于dbscan聚类算法的光伏电站运行状态分析方法 |
| CN117154647B (zh) * | 2023-10-16 | 2024-01-02 | 北京易动空间科技有限公司 | 一种用于电推进系统的电源控制方法 |
| CN117498801B (zh) * | 2023-12-29 | 2024-03-26 | 兰州理工大学 | 基于kkdpc透光率检测的光伏阵列遮阴故障诊断方法 |
| CN118040910B (zh) * | 2024-04-12 | 2024-06-28 | 国网山东省电力公司菏泽供电公司 | 一种偏远地区的微电网储能异常状态在线监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 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 |
| CN105376260A (zh) * | 2015-12-18 | 2016-03-02 | 重庆邮电大学 | 一种基于密度峰值聚类的网络异常流量监测系统 |
| CN105510693A (zh) * | 2015-11-24 | 2016-04-20 | 杭州市第一人民医院 | 一种基于霍尔电流和图像变化监测大型医用设备使用状态的方法 |
| CN105577679A (zh) * | 2016-01-14 | 2016-05-11 | 华东师范大学 | 一种基于特征选择与密度峰值聚类的异常流量检测方法 |
| CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
-
2016
- 2016-12-19 CN CN201611173830.XA patent/CN106777984B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 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 |
| CN105510693A (zh) * | 2015-11-24 | 2016-04-20 | 杭州市第一人民医院 | 一种基于霍尔电流和图像变化监测大型医用设备使用状态的方法 |
| CN105376260A (zh) * | 2015-12-18 | 2016-03-02 | 重庆邮电大学 | 一种基于密度峰值聚类的网络异常流量监测系统 |
| CN105577679A (zh) * | 2016-01-14 | 2016-05-11 | 华东师范大学 | 一种基于特征选择与密度峰值聚类的异常流量检测方法 |
| CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| K近邻优化的密度峰值快速搜索聚类算法;谢娟英 等;《中国科学: 信息科学》;20160122;第46卷(第2期);全文 |
| 一种基于簇中心点自动选择策略的密度峰值聚类算法;马春来 等;《计算机科学》;20160731;第43卷(第7期);全文 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106777984A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106777984B (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
| CN104753461B (zh) | 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 | |
| CN106712713B (zh) | 一种光伏电站的监测系统以及监测和异常定位方法 | |
| Zhu et al. | Fault diagnosis approach for photovoltaic arrays based on unsupervised sample clustering and probabilistic neural network model | |
| CN108062571B (zh) | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 | |
| CN105375878B (zh) | 一种在线检测和评估光伏系统效率的方法 | |
| CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
| CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
| CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
| CN106021806A (zh) | 一种基于核函数极限学习机的光伏组串故障诊断方法 | |
| CN104280612B (zh) | 一种基于单频电流传输特性的分布式谐波源辨识方法 | |
| CN106384186A (zh) | 一种分布式新能源并网电能质量监控方法及系统 | |
| CN108983749A (zh) | 基于k-svd训练稀疏字典的光伏阵列故障诊断方法 | |
| CN109766952A (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
| Yurtseven et al. | Sensorless fault detection method for photovoltaic systems through mapping the inherent characteristics of PV plant site: Simple and practical | |
| Liu et al. | Time series clustering and physical implication for photovoltaic array systems with unknown working conditions | |
| CN106845562B (zh) | 光伏组件的故障监测系统及数据处理方法 | |
| CN107742171A (zh) | 基于移动阴影图像识别的光伏电站发电功率预测方法 | |
| CN109583515A (zh) | 一种基于BP_Adaboost的光伏发电故障检测与分类方法 | |
| CN106779170A (zh) | 一种自动判别通道树障隐患的方法及装置 | |
| CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
| CN113131515A (zh) | 智能微电网ai故障检测及网络优化重构系统及方法 | |
| CN109992911A (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
| Liu et al. | A fault detection and diagnosis technique for solar system based on Elman neural network | |
| Zhou et al. | A shadow fault diagnosis method based on the quantitative analysis of photovoltaic output prediction error |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |