CN109034220A - 一种基于最优旋转森林的智能光伏阵列故障诊断方法 - Google Patents
一种基于最优旋转森林的智能光伏阵列故障诊断方法 Download PDFInfo
- Publication number
- CN109034220A CN109034220A CN201810766919.XA CN201810766919A CN109034220A CN 109034220 A CN109034220 A CN 109034220A CN 201810766919 A CN201810766919 A CN 201810766919A CN 109034220 A CN109034220 A CN 109034220A
- Authority
- CN
- China
- Prior art keywords
- fault
- photovoltaic array
- array
- photovoltaic
- optimal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 238000003745 diagnosis Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000003066 decision tree Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013506 data mapping Methods 0.000 claims abstract description 5
- 230000032683 aging Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000000429 assembly Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明涉及一种基于最优旋转森林的智能光伏阵列故障诊断方法。该方法：首先，采集各种工况条件下的光伏电气特性数据并进行数据映射相关运算，得到全面的故障特征；其次，利用ReliefF特征选择算法对其进行重要性权重排序，获得最重要的故障特征；而后，利用改进旋转森林算法对其进行处理获得基分类器的输入变量；再而，极限学习机代替原始旋转森林算法中的决策树以克服过拟合问题，遍历法获取最优模型参数；进一步地，利用改进旋转森林算法与极限学习机相结合的混合算法对训练集中的每个样本进行训练，得到最优旋转森林故障诊断训练模型；最后，利用训练模型对光伏阵列进行故障检测和分类。本发明方法分类准确率较高，是一种有效的光伏故障诊断替代方案。
Description
技术领域
本发明涉及光伏发电阵列故障检测和分类技术，特别是一种基于最优旋转森林的智能光伏阵列故障诊断方法。
背景技术
作为替代能源，太阳能近年来受到了广泛关注。根据国际可再生能源署（IRENA）的最新公告，到2017年底，全球光伏电站的装机容量已达到390GW。然而，光伏电站由于外部恶劣运行条件经受多种故障，这可能导致大量的能量损失以及潜在的安全风险。如果这些故障不及时发现与排除，将会直接影响光伏发电系统的正常运行，严重时甚至会烧坏电池组件引发火灾。因此，故障诊断对于其提高发电效率，可靠性和安全性是十分有必要的。近年来，国内外学者已经开发了许多方法来检测和分类光伏系统中的故障。在这些方法中，基于仿真模型和基于智能算法的方法受到越来越多的关注。
基于仿真模型的方法通常是通过光伏阵列等效电路模型的预测值和实时数据测量值之间的性能比较来实现故障诊断。例如，Platon等人提出了一种基于模型预测与实际测量之间功率损耗的故障诊断算法。然而，该算法需要开发多种不同辐照度范围的仿真模型。Lin Xue等人提出了一种基于功率损耗的重构技术来识别故障。但是，它在大型光伏系统应用中需要安装大量开关。根据以前的文献，这些基于仿真模型的方法可能无法有效地检测故障。基于智能算法的诊断方法可以通过使用智能计算和机器学习技术来实现故障诊断。例如，Hazra等人采用三种元启发式优化技术开发了一种新型的光伏故障诊断方法。基于多分辨率信号分解（MSD）和模糊推理系统（FIS）的故障检测方法也被提出用于故障诊断。近年来，人工神经网络（ANN），决策树（DT），支持向量机（SVM），基于核函数的极限学习机（KELM），基于组件模型参数的诊断算法，小波包等方法是光伏阵列故障诊断的常用分类算法。值得注意的是，由于优良的分类结果性能，新兴的基于决策树的旋转森林（RoF）算法受到越来越多关注。尽管旋转森林算法在某些分类任务上获得了比其他集合方法（如套袋法（Bagging），AdaBoost，随机森林（Random Forest）等）更高的精度，但尚未在光伏阵列故障诊断领域中进行相关研究和性能分析。
为此，本发明提出一种基于最优旋转森林的智能光伏阵列故障诊断方法，通过使用ReliefF特征选择算法对获取到的总体故障特征进行重要性权重排序，获得最重要的故障特征。利用改进的旋转森林算法对其进行处理获得基分类器的模型输入变量，极限学习机代替原始旋转森林算法中的决策树基分类器以克服过拟合问题，遍历法获取最优模型参数。利用改进旋转森林算法与极限学习机相结合的混合算法对训练集中的每个样本进行训练，得到最优旋转森林故障诊断训练模型。提出的最优旋转森林故障诊断训练模型分类准确率较高，是一种有效的光伏故障诊断替代方案。
目前，公开发表的文献及专利中尚未见有本发明所提出的基于最优旋转森林的智能光伏阵列故障诊断方法。
发明内容
本发明的目的在于提供一种基于最优旋转森林的智能光伏阵列故障诊断方法，以克服现有相关技术的缺陷，从而更快速、准确地实现对光伏发电阵列的故障检测和分类。
为实现上述目的，本发明的技术方案是：一种基于最优旋转森林的智能光伏阵列故障诊断方法，包括如下步骤：
步骤S1：采集各种工况条件下的光伏电气特性数据，具体包括：光伏阵列的最大功率点电压、各个光伏组串的最大功率点电流、参考板的实时开路电压、参考板的实时短路电流；该些电压、电流数据经过滤波处理构成原始故障特征；
步骤S2：将所述原始故障特征进行数据映射相关运算，得到新的故障特征，具体包括：光伏阵列的最大功率点电流、光伏阵列的最大输出功率、光伏阵列的归一化电流、光伏阵列的归一化电压、光伏阵列的填充因子、光伏组串的电流离散率、与斜率相关的增量导数比；所述原始故障特征和新的故障特征构成总体故障特征；
步骤S3：根据所述步骤S2获取到的总体故障特征，利用ReliefF特征选择算法对总体故障特征进行重要性权重排序，权重小于预设阈值的特征将被移除，获得最重要的模型输入特征；
步骤S4：根据所述步骤S3获得的模型输入特征，利用改进旋转森林算法对其进行处理获得基分类器的模型输入；而后，采用极限学习机神经网络代替原始旋转森林算法中的决策树基分类器以克服过拟合问题，基分类器的数目选用默认值L =6；
步骤S5：根据所述步骤S4获得的极限学习机基分类器的模型输入及其数目，利用改进旋转森林算法与极限学习机神经网络相结合的混合算法对训练集中的每个样本进行训练，得到最优旋转森林故障诊断训练模型；
步骤S6：对实际待测工况进行处理，并利用所述最优旋转故障诊断训练模型，对所述实际待测工况下的光伏阵列电压电流数据进行检测和分类，判断光伏发电阵列系统是否处于故障状态；若处于故障状态，则给出故障类型。
在本发明一实施例中，所述工况包括正常工作、组串级线线故障、阵列级线线故障、老化故障、阴影故障、开路故障；其中，组串级线线故障，即组串中一块或多块组件被短路；阵列级线线故障，即不同组串中电势差为一块或多块组件工作电压的电位点被短路；老化故障，即组串老化和阵列老化；阴影故障，即组串中一块或多块组件发生阴影遮挡；开路故障，即组串中连接线发生意外断路。
在本发明一实施例中，所述滤波处理采用基于凯泽窗的有限长单位冲激响应低通滤波器来实现同相位滤波，滤除噪声干扰，平滑测量；所述原始故障特征、新的故障特征和总体故障特征均为平衡数据，即每类特征有相同的样本数。
在本发明一实施例中，所述与斜率相关的增量导数比涉及光伏阵列的三个输出坐标点，具体包括：阵列的最大功率点坐标（V pv-mpp，I pv-mpp），阵列的开路电压点坐标（V oc-pv，0），阵列的短路电流点坐标（0，I sc-pv）。
在本发明一实施例中，利用改进的旋转森林技术获得基分类器的模型输入的具体实现方式为：将步骤S3获得的模型输入特征随机划分为k个特征子集并使用Bootstrap方法进行样本抽样；以求解最优旋转森林算法的分类准确率最大值为目标，利用遍历法获取最优模型参数K，对抽样后的样本进行K次旋转；每次旋转过程中，使用主成分分析法进行特征变换，获得步骤S3所述的基分类器的模型输入。
在本发明一实施例中，所述随机划分的特征子集数目k的范围从2递增至n，n为步骤S3获得的模型输入特征数目；所述遍历法依次遍历k的各个候选值确定最优模型参数K。
相较于现有技术，本发明具有以下有益效果：本发明方法通过使用ReliefF特征选择算法对获取到的总体故障特征进行重要性权重排序，获得最重要的故障特征。利用改进的旋转森林技术对其进行处理获得基分类器的模型输入变量，极限学习机代替原始旋转森林算法中的决策树基分类器以克服过拟合问题，遍历法获取最优模型参数，利用改进旋转森林算法与极限学习机相结合的混合算法对训练集中的每个样本进行训练，得到最优旋转森林故障诊断训练模型。提出的最优旋转森林故障诊断训练模型分类准确率较高，是一种有效的光伏故障诊断替代方案。
附图说明
图1为本发明中基于最优旋转森林的智能光伏阵列故障诊断方法的总体流程图。
图2为本发明中获取样本数据的实验平台实物图。
图3为本发明一实施例中各种预设故障的原理图。
图4为本发明一实施例中ReliefF特征选择算法对总体故障特征进行权重排序的结果图。
图5为本发明一实施例中改进旋转森林算法在遍历不同k值时的分类精度结果图。
图6为本发明一实施例中最优旋转森林算法对每种工况条件下的分类精度结果图。
图7为本发明一实施例中三种不同算法的总体分类性能结果对比图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种基于最优旋转森林的智能光伏阵列故障诊断方法，包括如下步骤：
步骤S1：采集各种工况条件下的光伏电气特性数据，具体包括：光伏阵列的最大功率点电压、各个光伏组串的最大功率点电流、参考板的实时开路电压、参考板的实时短路电流；该些电压、电流数据经过滤波处理构成原始故障特征；
步骤S2：将所述原始故障特征进行数据映射相关运算，得到新的故障特征，具体包括：光伏阵列的最大功率点电流、光伏阵列的最大输出功率、光伏阵列的归一化电流、光伏阵列的归一化电压、光伏阵列的填充因子、光伏组串的电流离散率、与斜率相关的增量导数比；所述原始故障特征和新的故障特征构成总体故障特征；
步骤S3：根据所述步骤S2获取到的总体故障特征，利用ReliefF特征选择算法对总体故障特征进行重要性权重排序，权重小于预设阈值的特征将被移除，获得最重要的模型输入特征；
步骤S4：根据所述步骤S3获得的模型输入特征，利用改进旋转森林算法对其进行处理获得基分类器的模型输入；而后，采用极限学习机神经网络代替原始旋转森林算法中的决策树基分类器以克服过拟合问题，基分类器的数目选用默认值L =6；
步骤S5：根据所述步骤S4获得的极限学习机基分类器的模型输入及其数目，利用改进旋转森林算法与极限学习机神经网络相结合的混合算法对训练集中的每个样本进行训练，得到最优旋转森林故障诊断训练模型；
步骤S6：对实际待测工况进行处理，并利用所述最优旋转故障诊断训练模型，对所述实际待测工况下的光伏阵列电压电流数据进行检测和分类，判断光伏发电阵列系统是否处于故障状态；若处于故障状态，则给出故障类型。
所述工况包括正常工作、组串级线线故障、阵列级线线故障、老化故障、阴影故障、开路故障；其中，组串级线线故障，即组串中一块或多块组件被短路；阵列级线线故障，即不同组串中电势差为一块或多块组件工作电压的电位点被短路；老化故障，即组串老化和阵列老化；阴影故障，即组串中一块或多块组件发生阴影遮挡；开路故障，即组串中连接线发生意外断路。
所述滤波处理采用基于凯泽窗的有限长单位冲激响应低通滤波器来实现同相位滤波，滤除噪声干扰，平滑测量；所述原始故障特征、新的故障特征和总体故障特征均为平衡数据，即每类特征有相同的样本数。
所述与斜率相关的增量导数比涉及光伏阵列的三个输出坐标点，具体包括：阵列的最大功率点坐标（V pv-mpp，I pv-mpp），阵列的开路电压点坐标（V oc-pv，0），阵列的短路电流点坐标（0，I sc-pv）。
利用改进的旋转森林技术获得基分类器的模型输入的具体实现方式为：将步骤S3获得的模型输入特征随机划分为k个特征子集并使用Bootstrap方法进行样本抽样；以求解最优旋转森林算法的分类准确率最大值为目标，利用遍历法获取最优模型参数K，对抽样后的样本进行K次旋转；每次旋转过程中，使用主成分分析法进行特征变换，获得步骤S3所述的基分类器的模型输入。所述随机划分的特征子集数目k的范围从2递增至n，n为步骤S3获得的模型输入特征数目；所述遍历法依次遍历k的各个候选值确定最优模型参数K。
以下为本发明的具体实现过程。
本发明提供一种基于最优旋转森林的智能光伏阵列故障诊断方法，流程框图如图1所示。图2为本实施例中用于获取样本数据的实验平台实物图，其中光伏阵列采用20块型号为GL-M100太阳能组件，分成3个组串，每个组串采用6块组件串联，组成6×3的串并联连接方式。剩余的两个组件作为参考组件，位于光伏阵列的左侧。
本发明提供一种基于最优旋转森林的智能光伏阵列故障诊断方法，本实施例中各种预设工况包括：正常工作；组串级线线故障，即组串中短路组件的数量为1块和2块；阵列级线线故障，即短接不同组串中电势差为1块和2块组件工作电压的电位点；老化故障，即组串老化4欧和阵列老化4欧；阴影故障，即组串中阴影组件的数量为1块和2块；开路故障，即断开某一组串中组件间的连接线。
本实施例中的预设故障创建方法：线线故障通过使用导线使不同电位点短路实现；开路故障通过断开光伏组件间的连接线实现；老化故障通过串联接入阻值为4欧的大功率铝壳电阻实现；阴影故障通过使用半透明的亚克力板遮挡组件实现。各种预设故障的原理图如图3所示。
通过模拟光伏发电阵列出现的不同故障状况，在不同的气候条件下，选择不同的时段，针对每种故障情况获取海量光伏阵列电压和各个组串电流数据，并同步获取参考组件的实时开路电压、参考组件的实时短路电流数据。具体包括以下步骤：
步骤S1：采集各种工况条件下的光伏电气特性数据，具体包括：光伏阵列的最大功率点电压（V PV-mpp）、各个光伏组串的最大功率点电流（I 1, I 2, I 3）、参考板的实时开路电压（V oc-Ref）、参考板的实时短路电流（I sc-Ref）。该些电压、电流数据经过滤波处理构成原始故障特征；
步骤S2：将所述原始故障特征进行数据映射相关运算，得到新的故障特征，具体包括：光伏阵列的最大功率点电流（I PV-mpp）、光伏阵列的最大输出功率（P PV-mpp）、光伏阵列的归一化电流（I norm）、光伏阵列的归一化电压（V norm）、光伏阵列的填充因子（FF）、光伏组串的电流离散率（C）、与斜率相关的增量导数比（S 1，S 2，S 3）。所述原始故障特征和新的故障特征构成总体故障特征，如表1所示；
步骤S3：根据所述步骤S2获取到的总体故障特征，利用ReliefF特征选择算法对其总体故障特征进行重要性权重排序，权重小于预设阈值的特征将被移除，获得最重要的模型输入特征。在本实施例中，ReliefF特征选择算法对总体故障特征进行权重排序的结果如图4所示。其中，V oc, I 1, V pv-mpp, C, FF, V norm, S 2, I norm八个特征的重要性权重较高，被选用来构建诊断模型。
步骤S4：根据所述步骤S3获得的模型输入特征，利用改进旋转森林算法对其进行处理获得基分类器的模型输入；极限学习机（ELM）神经网络代替原始旋转森林算法中的决策树基分类器以克服过拟合问题，基分类器的数目选用默认值L =6；
步骤S5：根据所述步骤S4获得的极限学习机基分类器的模型输入及其数目，利用改进旋转森林算法与极限学习机神经网络相结合的混合算法对训练集中的每个样本进行训练，得到最优旋转森林故障诊断训练模型；
步骤S6：通过所述步骤S1对实际待测工况进行处理，并利用所述最优旋转故障诊断训练模型，对所述实际待测工况下的光伏阵列电压电流数据进行检测和分类，判断光伏发电阵列系统是否处于故障状态；若处于故障状态，则给出故障类型。
较佳的，在本实施例中，每种工况分多个时间段，在不同的照度和温度下进行数据采集，采样率为200Hz，每种工况数据达2160000组；采用基于凯泽窗的有限长单位冲激响应低通滤波器来实现同相位滤波，并使用downsample函数进行等间隔数据抽取；原始故障特征、新的故障特征和总体故障特征均为平衡数据，在本实施例中，每类特征有相同的样本数，均为5400组。
进一步的，每种工况数据样本同样均为5400组，并以阿拉伯数字1至10标识组串级线线一块故障（I-LL1）、组串级线线两块故障（I-LL2）、阵列级线线一块故障 （C-LL1）、阵列级线线两块故障（C-LL2）、组串老化4欧故障（D-S）、阵列老化4欧故障（D-A）、组串阴影一块故障（Shade1）、组串阴影两块故障（Shade2）、开路故障（Open）、正常运行（Normal）共10种工况。样本中的每组数据为9维，其中1-8维为ReliefF算法选择出的重要性权重较高的八个特征，第9维为类别标识。
进一步的，在本实施例中，将上述9维的模型输入特征随机划分为k个特征子集并使用Bootstrap方法进行样本抽样；极限学习机（ELM）神经网络代替原始旋转森林算法中的决策树基分类器以克服过拟合问题，基分类器的数目选用默认值L =6；以求解最优旋转森林算法的分类准确率最大值为目标，利用遍历法获取最优模型参数K，改进旋转森林算法在遍历不同k值时的20次独立运行的平均分类精度结果如图5所示。在本实施例中，随机划分的特征子集数目k的范围从2递增至8（k的取值通常不为1，因为结果不稳定），依次遍历各个候选值确定最优模型参数K=8。对抽样后的样本进行K（在本实施例中取值为8）次旋转；每次旋转过程中，使用主成分分析法（PCA）进行特征变换，获得步骤S3所述的基分类器的模型输入。
进一步的，在本实施例中，将所述9维的10种工况样本数据随机选取其中75%作为训练样本集，剩余25%作为测试样本集。根据获得的极限学习机基分类器的模型输入及基分类器数目，利用旋转森林算法与极限学习机神经网络相结合的混合算法对训练集中的每个样本进行训练，得到最优旋转森林故障诊断训练模型；利用所述最优旋转故障诊断训练模型，对所述测试样本集进行检测和分类，判断光伏发电阵列系统是否处于故障状态，并计算其故障检测精度；若处于故障状态，则给出故障类型，并计算其分类精度。
为不失一般性，在本实施例中，最优旋转森林采用20次的独立运行，其20次的分类准确率取均值，每种工况的分类准确率如图6所示；该最优旋转森林故障诊断训练模型对组串级线线一块（I-LL1）的分类准确率达到97.23%，在所有工况中的分类准确率最低，可能由于存在数据重叠，导致微弱的错误分类；而对开路故障（Open）分类准确率可以达到100%，总体分类准确率达98.63%。
进一步的，在本实施例中，标准的极限学习机算法和标准的旋转森林算法分别运行20次，其20次的平均检测精度和平均分类精度如表2所示，三种不同算法的总体分类性能结果对比如图7所示。最优旋转森林故障诊断模型的总体分类准确率达98.63%，标准的极限学习机算法总体分类准确率达98.07%，标准的旋转森林算法总体分类准确率达78.87%。在本实施例中，未经优化的旋转森林总体分类准确率为78.87%，经本发明的方法优化后的总体分类准确率大大提升，克服了旋转森林算法中存在的过拟合问题。同时，本发明方法也增加样本的多样性，使得极限学习机的分类准确率有所提升，是一种有效的光伏故障诊断替代方案。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (6)
1.一种基于最优旋转森林的智能光伏阵列故障诊断方法，其特征在于，包括如下步骤：
步骤S1：采集各种工况条件下的光伏电气特性数据，具体包括：光伏阵列的最大功率点电压、各个光伏组串的最大功率点电流、参考板的实时开路电压、参考板的实时短路电流；该些电压、电流数据经过滤波处理构成原始故障特征；
步骤S2：将所述原始故障特征进行数据映射相关运算，得到新的故障特征，具体包括：光伏阵列的最大功率点电流、光伏阵列的最大输出功率、光伏阵列的归一化电流、光伏阵列的归一化电压、光伏阵列的填充因子、光伏组串的电流离散率、与斜率相关的增量导数比；所述原始故障特征和新的故障特征构成总体故障特征；
步骤S3：根据所述步骤S2获取到的总体故障特征，利用ReliefF特征选择算法对总体故障特征进行重要性权重排序，权重小于预设阈值的特征将被移除，获得最重要的模型输入特征；
步骤S4：根据所述步骤S3获得的模型输入特征，利用改进旋转森林算法对其进行处理获得基分类器的模型输入；而后，采用极限学习机神经网络代替原始旋转森林算法中的决策树基分类器以克服过拟合问题，基分类器的数目选用默认值L =6；
步骤S5：根据所述步骤S4获得的极限学习机基分类器的模型输入及其数目，利用改进旋转森林算法与极限学习机神经网络相结合的混合算法对训练集中的每个样本进行训练，得到最优旋转森林故障诊断训练模型；
步骤S6：对实际待测工况进行处理，并利用所述最优旋转故障诊断训练模型，对所述实际待测工况下的光伏阵列电压电流数据进行检测和分类，判断光伏发电阵列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所述的一种基于最优旋转森林的智能光伏阵列故障诊断方法，其特征在于，所述工况包括正常工作、组串级线线故障、阵列级线线故障、老化故障、阴影故障、开路故障；其中，组串级线线故障，即组串中一块或多块组件被短路；阵列级线线故障，即不同组串中电势差为一块或多块组件工作电压的电位点被短路；老化故障，即组串老化和阵列老化；阴影故障，即组串中一块或多块组件发生阴影遮挡；开路故障，即组串中连接线发生意外断路。
3.根据权利要求1所述的一种基于最优旋转森林的智能光伏阵列故障诊断方法，其特征在于，所述滤波处理采用基于凯泽窗的有限长单位冲激响应低通滤波器来实现同相位滤波，滤除噪声干扰，平滑测量；所述原始故障特征、新的故障特征和总体故障特征均为平衡数据，即每类特征有相同的样本数。
4.根据权利要求1所述的一种基于最优旋转森林的智能光伏阵列故障诊断方法，其特征在于，所述与斜率相关的增量导数比涉及光伏阵列的三个输出坐标点，具体包括：阵列的最大功率点坐标（V pv-mpp，I pv-mpp），阵列的开路电压点坐标（V oc-pv，0），阵列的短路电流点坐标（0，I sc-pv）。
5.根据权利要求1所述的一种基于最优旋转森林的智能光伏阵列故障诊断方法，其特征在于，利用改进旋转森林算法获得基分类器的模型输入的具体实现方式为：将步骤S3获得的模型输入特征随机划分为k个特征子集并使用Bootstrap方法进行样本抽样；以求解最优旋转森林算法的分类准确率最大值为目标，利用遍历法获取最优模型参数K，对抽样后的样本进行K次旋转；每次旋转过程中，使用主成分分析法进行特征变换，获得步骤S3所述的基分类器的模型输入。
6.根据权利要求5所述的一种基于最优旋转森林的智能光伏阵列故障诊断方法，其特征在于，所述随机划分的特征子集数目k的范围从2递增至n，n为步骤S3获得的模型输入特征数目；所述遍历法依次遍历k的各个候选值确定最优模型参数K。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810766919.XA CN109034220A (zh) | 2018-07-13 | 2018-07-13 | 一种基于最优旋转森林的智能光伏阵列故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810766919.XA CN109034220A (zh) | 2018-07-13 | 2018-07-13 | 一种基于最优旋转森林的智能光伏阵列故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109034220A true CN109034220A (zh) | 2018-12-18 |
Family
ID=64642249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810766919.XA Pending CN109034220A (zh) | 2018-07-13 | 2018-07-13 | 一种基于最优旋转森林的智能光伏阵列故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109034220A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111245365A (zh) * | 2020-01-09 | 2020-06-05 | 南京工业大学 | 基于动态加权深度森林的光伏组件故障诊断方法 |
| CN111327271A (zh) * | 2020-01-20 | 2020-06-23 | 福州大学 | 基于半监督极限学习机的光伏阵列故障诊断方法 |
| CN111652191A (zh) * | 2020-06-30 | 2020-09-11 | 东北大学 | 一种基于陆空两级光伏发电系统的故障检测方法及系统 |
| CN112749763A (zh) * | 2021-01-27 | 2021-05-04 | 武汉理工大学 | 用于玻璃质量影响因素的时间序列分类分析方法及系统 |
| CN112821865A (zh) * | 2020-12-30 | 2021-05-18 | 南京南瑞继保工程技术有限公司 | 一种光伏电站低效设备快速定位方法 |
| CN113095173A (zh) * | 2021-03-29 | 2021-07-09 | 西安交通大学 | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 |
| CN113157728A (zh) * | 2021-02-23 | 2021-07-23 | 北京科技大学 | 一种地下柴油铲运机循环工况的识别方法 |
| CN113568368A (zh) * | 2021-07-30 | 2021-10-29 | 北京石油化工学院 | 一种工控数据特征重排序算法的自适应确定方法 |
| CN113610350A (zh) * | 2021-07-08 | 2021-11-05 | 中南民族大学 | 复杂工况故障诊断方法、设备、存储介质及装置 |
| CN116310859A (zh) * | 2023-01-16 | 2023-06-23 | 自然资源部国土卫星遥感应用中心 | 一种基于多源遥感数据的光伏阵列故障智能检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100184248A1 (en) * | 2008-02-05 | 2010-07-22 | Twin Creeks Technologies, Inc. | Creation and Translation of Low-Relieff Texture for a Photovoltaic Cell |
| CN108008176A (zh) * | 2017-11-22 | 2018-05-08 | 福州大学 | 一种光伏阵列实时状态监测与故障定位系统 |
| CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 福州大学 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
-
2018
- 2018-07-13 CN CN201810766919.XA patent/CN109034220A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100184248A1 (en) * | 2008-02-05 | 2010-07-22 | Twin Creeks Technologies, Inc. | Creation and Translation of Low-Relieff Texture for a Photovoltaic Cell |
| CN108008176A (zh) * | 2017-11-22 | 2018-05-08 | 福州大学 | 一种光伏阵列实时状态监测与故障定位系统 |
| CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 福州大学 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
Non-Patent Citations (8)
| Title |
|---|
| LU XIAO ET AL.: "A Dynamic Nonlinear Process Fault Diagnosis Method Using Canonical Rotation Forest", 《PROCEEDINGS OF THE 35TH CHINESE CONTROL CONFERENCE》 * |
| MARKO ROBNIK-ˇSIKONJA ET AL.: "Theoretical and Empirical Analysis of ReliefF and RReliefF", 《MACHINE LEARNING》 * |
| TAO CHEN: "An Improved Rotation Forest Algorithm Based on Heterogeneous Classifiers Ensemble for Classifying Gene Expression Profile", 《AMSE JOURNALS-AMSE IIETA》 * |
| 丁要军: "基于改进的旋转森林算法的不平衡网络流量分类方法", 《计算机应用》 * |
| 刘亚卿等: "面向基因数据分类的旋转森林算法研究", 《中国计量学院学报》 * |
| 敖培等: "基于集成改进ELM的蛋白质结晶偏好预测", 《科技创新导报》 * |
| 杜晓明: "基于旋转森林和极限学习机的大样本集成分类算法", 《科学技术与工程》 * |
| 肖怀铁等: "《基于核方法的雷达高分辨距离像目标识别理论与方法》", 30 September 2015, 北京:国防工业出版社 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111245365B (zh) * | 2020-01-09 | 2020-12-15 | 南京工业大学 | 基于动态加权深度森林的光伏组件故障诊断方法 |
| CN111245365A (zh) * | 2020-01-09 | 2020-06-05 | 南京工业大学 | 基于动态加权深度森林的光伏组件故障诊断方法 |
| CN111327271A (zh) * | 2020-01-20 | 2020-06-23 | 福州大学 | 基于半监督极限学习机的光伏阵列故障诊断方法 |
| CN111652191A (zh) * | 2020-06-30 | 2020-09-11 | 东北大学 | 一种基于陆空两级光伏发电系统的故障检测方法及系统 |
| CN112821865B (zh) * | 2020-12-30 | 2022-03-29 | 南京南瑞继保工程技术有限公司 | 一种光伏电站低效设备快速定位方法 |
| CN112821865A (zh) * | 2020-12-30 | 2021-05-18 | 南京南瑞继保工程技术有限公司 | 一种光伏电站低效设备快速定位方法 |
| CN112749763A (zh) * | 2021-01-27 | 2021-05-04 | 武汉理工大学 | 用于玻璃质量影响因素的时间序列分类分析方法及系统 |
| CN112749763B (zh) * | 2021-01-27 | 2022-06-03 | 武汉理工大学 | 用于玻璃质量影响因素的时间序列分类分析方法及系统 |
| CN113157728B (zh) * | 2021-02-23 | 2024-03-19 | 北京科技大学 | 一种地下柴油铲运机循环工况的识别方法 |
| CN113157728A (zh) * | 2021-02-23 | 2021-07-23 | 北京科技大学 | 一种地下柴油铲运机循环工况的识别方法 |
| CN113095173A (zh) * | 2021-03-29 | 2021-07-09 | 西安交通大学 | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 |
| CN113095173B (zh) * | 2021-03-29 | 2024-04-02 | 西安交通大学 | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 |
| CN113610350A (zh) * | 2021-07-08 | 2021-11-05 | 中南民族大学 | 复杂工况故障诊断方法、设备、存储介质及装置 |
| CN113610350B (zh) * | 2021-07-08 | 2024-04-23 | 中南民族大学 | 复杂工况故障诊断方法、设备、存储介质及装置 |
| CN113568368A (zh) * | 2021-07-30 | 2021-10-29 | 北京石油化工学院 | 一种工控数据特征重排序算法的自适应确定方法 |
| CN116310859B (zh) * | 2023-01-16 | 2023-09-12 | 自然资源部国土卫星遥感应用中心 | 一种基于多源遥感数据的光伏阵列故障智能检测方法 |
| CN116310859A (zh) * | 2023-01-16 | 2023-06-23 | 自然资源部国土卫星遥感应用中心 | 一种基于多源遥感数据的光伏阵列故障智能检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109034220A (zh) | 一种基于最优旋转森林的智能光伏阵列故障诊断方法 | |
| 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 | |
| CN109766952B (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 | |
| CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
| CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
| CN109670553B (zh) | 基于自适应神经模糊推理系统的光伏阵列故障诊断方法 | |
| 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 | |
| Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
| CN112787591B (zh) | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 | |
| CN111245365B (zh) | 基于动态加权深度森林的光伏组件故障诊断方法 | |
| Abd el-Ghany et al. | A new monitoring technique for fault detection and classification in PV systems based on rate of change of voltage-current trajectory | |
| CN113378449A (zh) | 一种基于模糊c均值聚类的光伏组件健康状态诊断方法 | |
| CN107276531A (zh) | 一种光伏组件在线故障分级诊断系统及方法 | |
| Eskandari et al. | Optimization of SVM classifier using grid search method for line-line fault detection of photovoltaic systems | |
| CN114640304A (zh) | 一种基于i-v曲线的光伏组件电流失配故障诊断方法 | |
| CN118130968A (zh) | 一种基于深度学习的数据驱动的非侵入式反孤岛检测方法 | |
| Wang et al. | Optimal sensor placement and fault diagnosis model of PV array of photovoltaic power stations based on XGBoost | |
| CN117411436B (zh) | 光伏组件状态检测方法、系统及存储介质 | |
| Paul et al. | Series AC arc fault detection using decision tree-based machine learning algorithm and raw current | |
| CN112748330A (zh) | 基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置 | |
| CN115586402B (zh) | 配电网故障诊断与处理方法 | |
| CN117150220A (zh) | 一种基于机器学习的光伏阵列故障诊断方法 | |
| Elgamal et al. | Seamless Machine Learning Models to Detect Faulty Solar Panels | |
| CN113675877B (zh) | 一种基于深度学习的含分布式电源配网故障诊断方法 | |
| Wang et al. | Fault diagnosis method based on an improved KNN algorithm for PV strings |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |
|
| RJ01 | Rejection of invention patent application after publication |