CN109117865A - 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 - Google Patents
一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 Download PDFInfo
- Publication number
- CN109117865A CN109117865A CN201810771909.5A CN201810771909A CN109117865A CN 109117865 A CN109117865 A CN 109117865A CN 201810771909 A CN201810771909 A CN 201810771909A CN 109117865 A CN109117865 A CN 109117865A
- Authority
- CN
- China
- Prior art keywords
- matrix
- principal component
- sample
- photovoltaic array
- analysis
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法,生成光伏阵列仿真数据并采集日常工作中光伏发电阵列最大功率点的电气特征参数以及环境参数,得到特征参数测试样本矩阵;接着对特征参数标准矩阵做主成分分析,得到投影矩阵,并将标准矩阵乘上投影矩阵得到标准主成分矩阵;然后对标准主成分矩阵做归一化处理,并将其作为训练集,通过支持向量机训练分类模型;接着将特征参数测试样本矩阵乘上投影矩阵,得到样本主成分矩阵,并对其做归一化处理;最后通过分类模型对归一化后的样本主成分矩阵进行分类,识别数据所属的分类。本发明可以通过对光伏系统日常运行数据的主成分分析和分类实现对故障的准确诊断。
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,特别是一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法。
背景技术
近年来,随着全球性环境和能源问题日益凸显,人们对于环境保护和削减化石燃料使用率的意识也在逐步强化,光伏能源应用因其获取方便且无污染而成为世界新能源领域的一大亮点。光伏电池在全球光伏产业发展的推动下飞速发展,在大型光伏电站、通讯、铁路、交通等领域有广泛的应用。此外,由于光伏组件成本逐步降低,光伏阵列总装机容量进一步提升。与日俱增的光伏系统为世界能源需求提供了极大的补充,但光伏发电阵列在安装初期可能会遭受不规范的安装和检修。此外,光伏阵列往往工作在复杂的户外环境中,易受到各种环境因素的影响,包括恶劣天气、紫外线、潮湿、腐蚀、阴影(树叶、鸟粪、建筑物阴影)等因素的影响,容易引起各种故障。光伏系统的增加同样也对光伏系统故障分析模块产生了极大的需求,如何快速、准确、有效地发现光伏系统的故障并及时解决,成为确保光伏系统稳定运行的重要问题。
近年来出现了许多光伏故障诊断与分类方法,涉及众多不同的研究方向。其中,基于电路结构分析法主要对电路基本结构进行改进,并配合一定数量的传感器以完成光伏阵列的参数采集、故障诊断及定位。然而,基于电路结构分析法安装过程复杂,若在大规模的光伏阵列上实现,所需传感器的数量庞大,且增加系统成本。电气参数检测法只需要测量输出端诸如电压电流之类的电信号即可进行分析。基于光伏阵列模型的检测方法将光伏阵列输出的实际测量值与模型输出作对比,以发现故障。然而,该方法需要在前期建立光伏阵列模型,且对于不同的光伏系统,该方法的泛用性较差。由于正常状态和故障下的光伏电池之间通常存在明显温差,根据这一特性,红外热成像技术现在越来越多被广泛应用于光伏故障的诊断和定位,该方法在光伏故障诊断中无需介入光伏阵列采集相关参数。然而,若要达到较为精确的分类,就必须配备高分辨率的红外摄像仪,这将增加系统的成本。
目前该领域研究的主流是基于人工智能的故障诊断方法。基于人工智能的故障诊断方法不依赖于数学模型,能够较好地应对光伏系统存在的复杂性、非线性、时变性等问题,同时具备在线故障检测与分类的能力。该技术依赖于对一定数据类型及一定特征的学习。任何新引入的特征都可以在之前训练的基础上确定。而在人工智能方法中还有一些无监督方法,其操作便捷,对数据的需求量也不大。
主成分分析是一种简化数据集的技术,它是一种线性变换,通过分析一个由相互关联的定量相关变量组成的数据表,旨在从表中提取重要信息,并将其表示为一组新的正交变量,称为主分量。主成分分析的主要过程是把数据投影到一个新的坐标系统中,使得输入数据集的最大方差落在第一个坐标(称为第一主成分)上,第二大方差落在第二个坐标(第二主成分)上,依次类推。因此,主成分分析通常用于减少数据集的维数,同时保留数据集中对方差贡献最大的特征。
由于光伏阵列具有多种输出参数,并且一些可能对光伏阵列输出产生影响的环境参量也可以看作是光伏阵列的相关参数。因此,一个光伏阵列的特征向量就具有多个维度。当故障发生时,光伏阵列的某些输出特征参数会产生变化,而环境参量的改变有时也会引发输出特征参数的改变。
目前,公开发表的文献及专利中尚未见有将主成分分析方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主成分分析实现光伏阵列工作状态分析与故障诊断方法,可以通过对光伏系统日常运行数据的主成分分析和分类实现对故障的准确诊断。
本发明采用以下方案实现:一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法,具体包括以下步骤:
步骤S1:生成光伏阵列仿真数据并采集日常工作中光伏发电阵列最大功率点的电气特征参数以及环境参数,得到特征参数测试样本矩阵;
步骤S2:对特征参数标准矩阵做主成分分析,得到投影矩阵,并将标准矩阵乘上投影矩阵得到标准主成分矩阵;
步骤S3:对步骤S2得到的标准主成分矩阵做归一化处理,并将其作为训练集,通过支持向量机训练分类模型;
步骤S4:将步骤S1得到的特征参数测试样本矩阵乘上步骤S2 中的投影矩阵,得到样本主成分矩阵,并对其做归一化处理;
步骤S5:通过步骤S3中训练得到的分类模型对步骤S4归一化后的样本主成分矩阵进行分类,识别数据所属的分类。
进一步地,步骤S1中,所述电气特征参数包括:光伏阵列的最大功率点电流IMPP、光伏阵列的最大功率点电压VMPP、光伏阵列的短路电流ISC、光伏阵列的开路电压VOC、光伏阵列的最大输出功率PMPP、光伏组件温度TC、辐照度G、以及开路电压与短路电流的乘积ISC·VOC。
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、单支路上3个组件短路、单支路上1个组件受阴影遮蔽、以及单支路上2个组件受阴影遮蔽
进一步地,步骤S2具体包括以下步骤:
步骤S21:根据矩阵X,计算其协方差矩阵CX;
步骤S22:根据公式CX=QΣQ-1,对协方差矩阵CX做特征值分解,得到的矩阵Q即为CX的特征向量组成的矩阵,而矩阵Σ则是由CX的特征值组成的对角矩阵;
步骤S23:分析矩阵Σ,按从大到小的顺序选择k个特征值,将矩阵Q中与选中的特征值相对应的特征向量组成投影矩阵P,k是主成分分析结果的目标维数;其中,k≤M,M为矩阵X中所包含特征参数的数量;
步骤S24:经PCA得到的标准主成分矩阵A:
A=XP。
进一步地,步骤S3具体包括以下步骤:
步骤S31:将标准主成分矩阵A的每个特征参数分别归一化到 [0,1]区间,得到归一化样本主成分矩阵计算公式如下:
式中,z1为归一化后的结果,x为矩阵中任意特征参数的一个样本,xmin为该特征参数中最小的样本,xmax为该特征参数中最大的样本;
步骤S32:将归一化样本主成分矩阵作为训练集,并运用LibSVM 工具箱对其进行分类。
进一步地,步骤S4包括以下步骤:
步骤S41:将步骤S1得到的特征参数测试样本矩阵Y以及步骤 S2得到的投影矩阵P相乘,得到样本主成分矩阵B:
B=YP;
步骤S42:将样本主成分矩阵B的每个特征参数分别归一化到[0,1]区间,得到归一化样本主成分矩阵
式中,z2为归一化后的结果,y为矩阵B中任意特征参数的一个样本,ymin为该特征参数中最小的样本,ymax为该特征参数中最大的样本。
进一步地,步骤S5具体为:将步骤S4得到的归一化后的样本主成分矩阵输入步骤S3训练得到的分类模型,得到每个样本对应的类别标签,根据类别标签来判断该样本属于何种状态。
与现有技术相比,本发明有以下有益效果:
1、本发明通过主成分分析对光伏阵列输出数据进行特征提取和投影变换,并通过支持向量机进行分类,以达到监测光伏发电系统的日常运行状态并进行故障诊断的目的。
2、本发明无需采集大量的样本数据对诊断模型进行训练,仅需对仿真得到的少量带标签数据做主成分分析,然后通过支持向量机或其他分类手段训练分类模型,即可用得到的分类模型检验测试样本。通过对不同日常运行状态的模拟和实验测试,该本发明均可精确的识别出光伏发电系统的运行状况。
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)表示k=2时的分维箱线图,即将仿真数据投影并降低至2 维。
图4(b)表示k=3时的分维箱线图,即将仿真数据投影并降低至3 维。
图4(c)表示k=4时的分维箱线图,即将仿真数据投影并降低至4 维。
图4(d)表示k=5时的分维箱线图,即将仿真数据投影并降低至5 维。
图4(e)表示k=6时的分维箱线图,即将仿真数据投影并降低至6 维。
图4(f)表示k=7时的分维箱线图,即将仿真数据投影并降低至7 维。
图4(g)表示k=8时的分维箱线图,即仅将仿真数据投影,其维度依旧为8维。
图5(a)表示k=2时的分维箱线图,即将实测数据投影并降低至2 维。
图5(b)表示k=3时的分维箱线图,即将实测数据投影并降低至3 维。
图5(c)表示k=4时的分维箱线图,即将实测数据投影并降低至4 维。
图5(d)表示k=5时的分维箱线图,即将实测数据投影并降低至5 维。
图5(e)表示k=6时的分维箱线图,即将实测数据投影并降低至6 维。
图5(f)表示k=7时的分维箱线图,即将实测数据投影并降低至7 维。
图5(g)表示k=8时的分维箱线图,即仅将实测数据投影,其维度依旧为8维。
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,以下详细说明都是例示性的,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主成分分析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,模拟八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主成分分析及识别。
本实施例具体为一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法,具体包括以下步骤:
步骤S1:生成光伏阵列仿真数据并采集日常工作中光伏发电阵列最大功率点的电气特征参数以及环境参数,得到特征参数测试样本矩阵;
步骤S2:对特征参数标准矩阵做主成分分析,得到投影矩阵,并将标准矩阵乘上投影矩阵得到标准主成分矩阵;
步骤S3:对步骤S2得到的标准主成分矩阵做归一化处理,并将其作为训练集,通过支持向量机训练分类模型;
步骤S4:将步骤S1得到的特征参数测试样本矩阵乘上步骤S2 中的投影矩阵,得到样本主成分矩阵,并对其做归一化处理;
步骤S5:通过步骤S3中训练得到的分类模型对步骤S4归一化后的样本主成分矩阵进行分类,识别数据所属的分类。
较佳的,在本实施例中,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VOC,另1块获取短路电流ISC,系统详细参数如表1 所示。
表1系统详细参数
在本实施例中,步骤S1中,所述电气特征参数包括:光伏阵列的最大功率点电流IMPP、光伏阵列的最大功率点电压VMPP、光伏阵列的短路电流ISC、光伏阵列的开路电压VOC、光伏阵列的最大输出功率 PMPP、光伏组件温度TC、辐照度G、以及开路电压与短路电流的乘积ISC·VOC。
在本实施例的仿真验证中,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(开路1)、双支路开路(开路2)、单支路上1个组件短路(短路1)、单支路上2个组件短路(短路2)、单支路上3个组件短路(短路3)、单支路上1个组件受阴影遮蔽(阴影1)、以及单支路上2个组件受阴影遮蔽(阴影2)。
表2仿真辐照度及光伏数据量具体信息
在本实施例的实测验证中,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(开路1)、双支路开路(开路2)、单支路上1个组件短路(短路1)、单支路上2个组件短路(短路2)、单支路上1个组件受阴影遮蔽(阴影1)、单支路上2个组件受阴影遮蔽(阴影2)。共计7种状态。所实施例的实测辐照度及光伏数据量具体信息如表3所示。
表3实测辐照度及光伏数据量具体信息
实施例 | 辐照度 | 数据数量 | 标签 |
正常 | 约200-1000W/m<sup>2</sup> | 训练数据:269个;测试数据:66个 | 1 |
开路1 | 约200-1000W/m<sup>2</sup> | 训练数据:270个;测试数据:66个 | 2 |
阴影1 | 约200-1000W/m<sup>2</sup> | 训练数据:270个;测试数据:66个 | 3 |
短路1 | 约200-1000W/m<sup>2</sup> | 训练数据:202个;测试数据:50个 | 4 |
开路2 | 约200-1000W/m<sup>2</sup> | 训练数据:317个;测试数据:79个 | 5 |
短路2 | 约200-1000W/m<sup>2</sup> | 训练数据:173个;测试数据:43个 | 6 |
阴影2 | 约200-1000W/m<sup>2</sup> | 训练数据:224个;测试数据:56个 | 7 |
在本实施例中,步骤S2具体包括以下步骤:
步骤S21:根据矩阵X,计算其协方差矩阵CX;
步骤S22:根据公式CX=QΣQ-1,对协方差矩阵CX做特征值分解,得到的矩阵Q即为CX的特征向量组成的矩阵,而矩阵Σ则是由CX的特征值组成的对角矩阵;
步骤S23:分析矩阵Σ,按从大到小的顺序选择k个特征值,将矩阵Q中与选中的特征值相对应的特征向量组成投影矩阵P,k是主成分分析结果的目标维数;其中,k≤M,M为矩阵X中所包含特征参数的数量;
步骤S24:经PCA得到的标准主成分矩阵A:
A=XP。
在本实施例中,步骤S3具体包括以下步骤:
步骤S31:将标准主成分矩阵A的每个特征参数分别归一化到 [0,1]区间,得到归一化样本主成分矩阵计算公式如下:
式中,z1为归一化后的结果,x为矩阵中任意特征参数的一个样本,xmin为该特征参数中最小的样本,xmax为该特征参数中最大的样本;
步骤S32:将归一化样本主成分矩阵作为训练集,并运用LibSVM 工具箱对其进行分类。
在本实施例中,步骤S4包括以下步骤:
步骤S41:将步骤S1得到的特征参数测试样本矩阵Y以及步骤 S2得到的投影矩阵P相乘,得到样本主成分矩阵B:
B=YP;
步骤S42:将样本主成分矩阵B的每个特征参数分别归一化到 [0,1]区间,得到归一化样本主成分矩阵
式中,z2为归一化后的结果,y为矩阵B中任意特征参数的一个样本,ymin为该特征参数中最小的样本,ymax为该特征参数中最大的样本。
在本实施例中,步骤S5具体为:将步骤S4得到的归一化后的样本主成分矩阵输入步骤S3训练得到的分类模型,得到每个样本对应的类别标签,根据类别标签来判断该样本属于何种状态。
较佳的,使用仿真数据时,根据步骤S2,本实施例将特征参数标准矩阵做主成分分析,最终得到的标准主成分矩阵分维箱线图如图 4(a)、图4(b)、图4(c)、图4(d)、图4(e)、图4(f)、图4 (g)所示,图中的每一个子图都代表一个维度。其中,图4(a)表示k=2时的视图,即将特征参数投影并降低至2维;图4(b)表示将特征参数投影并降低至3维;图4(c)表示将特征参数投影并降低至4维;图4(d)表示将特征参数投影并降低至5维;图4(e) 表示将特征参数投影并降低至6维;图4(f)表示将特征参数投影并降低至7维;图4(g)表示仅将特征参数投影,其维度依旧为8 维。而图中坐标轴横轴的数字代表状态类型,其中“1”代表正常工作状态,“2”代表单支路开路,“3”代表单支路上一个组件受阴影遮蔽,“4”代表单支路上一个组件短路,“5”代表双支路开路,“6”代表单支路上两个组件短路,“7”代表单支路上三个组件短路,“8”代表单支路上两个组件受阴影遮蔽。
较佳的,使用实测数据时,根据步骤S2,本实施例将特征参数标准矩阵做主成分分析,最终得到的标准主成分矩阵分维箱线图如图 5(a)、图5(b)、图5(c)、图5(d)、图5(e)、图5(f)、图5 (g)所示,图中的每一个子图都代表一个维度。其中,图5(a)表示k=2时的视图,即将特征参数投影并降低至2维;图5(b)表示将特征参数投影并降低至3维;图5(c)表示将特征参数投影并降低至4维;图5(d)表示将特征参数投影并降低至5维;图5(e) 表示将特征参数投影并降低至6维;图5(f)表示将特征参数投影并降低至7维;图5(g)表示仅将特征参数投影,其维度依旧为8 维。而图中坐标轴横轴的数字代表状态类型,其中“1”代表正常工作状态,“2”代表单支路开路,“3”代表单支路上一个组件受阴影遮蔽,“4”代表单支路上一个组件短路,“5”代表双支路开路,“6”代表单支路上两个组件短路,“7”代表单支路上两个组件受阴影遮蔽。
较佳的,使用仿真数据时,根据步骤S3和S4,本实施例将归一化后不同维度的仿真数据标准主成分矩阵通过SVM进行分类,并进一步进行测试,分类测试结果如表4所示。可以看出,当投影降维至7 维或直接投影时,得到的分类准确率最高,可以达到100%。
表4仿真数据分类测试结果
投影维数 | 准确率 |
2维 | 83.4746% |
3维 | 83.6864% |
4维 | 88.9831% |
5维 | 98.8710% |
6维 | 98.5484% |
7维 | 100% |
8维 | 100% |
较佳的,使用实测数据时,根据步骤S3和S4,本实施例将归一化后不同维度的仿真数据标准主成分矩阵通过SVM进行分类,并进一步进行测试,分类测试结果如表5所示。可以看出,当投影降维至6 维或7维时,得到的分类准确率最高,可以达到99.7685%。
表五实测数据分类测试结果
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。
Claims (7)
1.一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法,其特征在于:包括以下步骤:
步骤S1:生成光伏阵列仿真数据并采集日常工作中光伏发电阵列最大功率点的电气特征参数以及环境参数,得到特征参数测试样本矩阵;
步骤S2:对特征参数标准矩阵做主成分分析,得到投影矩阵,并将标准矩阵乘上投影矩阵得到标准主成分矩阵;
步骤S3:对步骤S2得到的标准主成分矩阵做归一化处理,并将其作为训练集,通过支持向量机训练分类模型;
步骤S4:将步骤S1得到的特征参数测试样本矩阵乘上步骤S2中的投影矩阵,得到样本主成分矩阵,并对其做归一化处理;
步骤S5:通过步骤S3中训练得到的分类模型对步骤S4归一化后的样本主成分矩阵进行分类,识别数据所属的分类。
2.根据权利要求1所述的一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法,其特征在于:步骤S1中,所述电气特征参数包括:光伏阵列的最大功率点电流IMPP、光伏阵列的最大功率点电压VMPP、光伏阵列的短路电流ISC、光伏阵列的开路电压VOC、光伏阵列的最大输出功率PMPP、光伏组件温度TC、辐照度G、以及开路电压与短路电流的乘积ISC·VOC。
3.根据权利要求1所述的一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法,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、单支路上3个组件短路、单支路上1个组件受阴影遮蔽、以及单支路上2个组件受阴影遮蔽。
4.根据权利要求1所述的一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法,其特征在于:步骤S2具体包括以下步骤:
步骤S21:根据矩阵X,计算其协方差矩阵CX;
步骤S22:根据公式CX=QΣQ-1,对协方差矩阵CX做特征值分解,得到的矩阵Q即为CX的特征向量组成的矩阵,而矩阵Σ则是由CX的特征值组成的对角矩阵;
步骤S23:分析矩阵Σ,按从大到小的顺序选择k个特征值,将矩阵Q中与选中的特征值相对应的特征向量组成投影矩阵P,k是主成分分析结果的目标维数;其中,k≤M,M为矩阵X中所包含特征参数的数量;
步骤S24:经PCA得到的标准主成分矩阵A:
A=XP。
5.根据权利要求1所述的一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法,其特征在于:步骤S3具体包括以下步骤:
步骤S31:将标准主成分矩阵A的每个特征参数分别归一化到[0,1]区间,得到归一化样本主成分矩阵计算公式如下:
式中,z1为归一化后的结果,x为矩阵中任意特征参数的一个样本,xmin为该特征参数中最小的样本,xmax为该特征参数中最大的样本;
步骤S32:将归一化样本主成分矩阵作为训练集,并运用LibSVM工具箱对其进行分类。
6.根据权利要求1所述的一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法,其特征在于:步骤S4包括以下步骤:
步骤S41:将步骤S1得到的特征参数测试样本矩阵Y以及步骤S2得到的投影矩阵P相乘,得到样本主成分矩阵B:
B=YP;
步骤S42:将样本主成分矩阵B的每个特征参数分别归一化到[0,1]区间,得到归一化样本主成分矩阵
式中,z2为归一化后的结果,y为矩阵B中任意特征参数的一个样本,ymin为该特征参数中最小的样本,ymax为该特征参数中最大的样本。
7.根据权利要求1所述的一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法,其特征在于:步骤S5具体为:将步骤S4得到的归一化后的样本主成分矩阵输入步骤S3训练得到的分类模型,得到每个样本对应的类别标签,根据类别标签来判断该样本属于何种状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810771909.5A CN109117865A (zh) | 2018-07-13 | 2018-07-13 | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810771909.5A CN109117865A (zh) | 2018-07-13 | 2018-07-13 | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109117865A true CN109117865A (zh) | 2019-01-01 |
Family
ID=64862575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810771909.5A Pending CN109117865A (zh) | 2018-07-13 | 2018-07-13 | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117865A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110374822A (zh) * | 2019-08-07 | 2019-10-25 | 电子科技大学 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
CN111082749A (zh) * | 2020-01-09 | 2020-04-28 | 远景智能国际私人投资有限公司 | 光伏组串运行状态的识别方法、装置及存储介质 |
CN112085108A (zh) * | 2020-09-11 | 2020-12-15 | 杭州华电下沙热电有限公司 | 基于自动编码器及k均值聚类的光伏电站故障诊断算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104595170A (zh) * | 2014-12-18 | 2015-05-06 | 中国矿业大学 | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 |
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 |
CN105426905A (zh) * | 2015-11-02 | 2016-03-23 | 国网山东省电力公司电力科学研究院 | 基于梯度直方图和支持向量机的机器人障碍物识别方法 |
CN106709428A (zh) * | 2016-12-01 | 2017-05-24 | 南京航空航天大学 | 一种基于欧拉核主成分分析的一维距离像稳健识别方法 |
-
2018
- 2018-07-13 CN CN201810771909.5A patent/CN109117865A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104595170A (zh) * | 2014-12-18 | 2015-05-06 | 中国矿业大学 | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 |
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 |
CN105426905A (zh) * | 2015-11-02 | 2016-03-23 | 国网山东省电力公司电力科学研究院 | 基于梯度直方图和支持向量机的机器人障碍物识别方法 |
CN106709428A (zh) * | 2016-12-01 | 2017-05-24 | 南京航空航天大学 | 一种基于欧拉核主成分分析的一维距离像稳健识别方法 |
Non-Patent Citations (6)
Title |
---|
中国人工智能学会编: "《中国人工智能进展•2009》", 31 December 2009, 北京邮电大学出版社 * |
代婷婷等: ""高斯混合模型算法提取复杂网络社团"", 《保山学院学报》 * |
张宇飞等: ""一种基于主成分分析和支持向量机的发动机故障诊断方法"", 《中国机械工程》 * |
林培杰等: ""一种PSO-SVM的光伏阵列故障检测与分类"", 《福州大学学报(自然科学版)》 * |
蒋冠等: "《货币国际化视角下的系统性风险传导机制与监管策略研究》", 30 June 2015, 昆明:云南大学出版社 * |
袁飞等: ""结合主成分分析和支持向量机的太阳耀斑预报模型"", 《科学通报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110374822A (zh) * | 2019-08-07 | 2019-10-25 | 电子科技大学 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
CN111082749A (zh) * | 2020-01-09 | 2020-04-28 | 远景智能国际私人投资有限公司 | 光伏组串运行状态的识别方法、装置及存储介质 |
CN112085108A (zh) * | 2020-09-11 | 2020-12-15 | 杭州华电下沙热电有限公司 | 基于自动编码器及k均值聚类的光伏电站故障诊断算法 |
CN112085108B (zh) * | 2020-09-11 | 2023-08-18 | 杭州华电下沙热电有限公司 | 基于自动编码器及k均值聚类的光伏电站故障诊断算法 |
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 | |
CN104601108B (zh) | 一种小型光伏电站的故障诊断方法 | |
CN104915747B (zh) | 一种发电机组的发电性能评估方法及设备 | |
CN105375878B (zh) | 一种在线检测和评估光伏系统效率的方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN109004903A (zh) | 适用于光伏阵列的故障检测系统及方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN103870923B (zh) | 基于信息熵的凝聚型层次聚类算法的风电场机群聚合方法 | |
CN109117865A (zh) | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 | |
CN205792451U (zh) | 一种光伏并网系统的故障检测装置 | |
CN106526347B (zh) | 一种基于数模混合仿真的光伏逆变器低电压穿越评估方法 | |
CN108053128A (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
Liu et al. | Time series clustering and physical implication for photovoltaic array systems with unknown working conditions | |
CN106160659A (zh) | 一种光伏电站区域定向故障诊断方法 | |
CN109583515A (zh) | 一种基于BP_Adaboost的光伏发电故障检测与分类方法 | |
CN109039280B (zh) | 基于非主成分数据特征的光伏阵列故障诊断方法 | |
CN109617526A (zh) | 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 | |
Velásquez | Root cause analysis for inverters in solar photo-voltaic plants | |
CN106845562A (zh) | 光伏组件的故障监测系统及数据处理方法 | |
Xu et al. | A fault diagnosis method for PV arrays based on new feature extraction and improved the Fuzzy C-Mean clustering | |
CN108875796A (zh) | 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 | |
CN114139614B (zh) | 一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和系统 | |
Ding et al. | A health status-based performance evaluation method of photovoltaic system | |
CN105701265B (zh) | 一种双馈风电机组建模方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |