CN109766952B - 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 - Google Patents

Abstract

本发明涉及一种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。包括以下步骤：首先，对光伏阵列各种工况下数据进行实时采集和滤波预处理，获得原始监测数据，然后从中提取归一化生成七维的故障样本数据集。让将获得的七维故障样本数据集，采用偏最小二乘法进行降维，生成三维的故障样本数据集，并随机将故障样本数据集分为训练集和测试集。其次，训练集用K折交叉生成训练子集和验证子集，训练和验证极限学习机故障诊断模型选出最优隐含层神经元个数。最后，使用训练集和极限学习机最优隐含层个数训练极限学习机，并用测试集检测得到故障诊断模型的测试精度，以验证模型的泛化性能。本发明的技术能对光伏阵列的常见故障进行准确可靠地诊断分类。

Description

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

技术领域

本发明涉及光伏发电阵列故障检测和分类领域，具体涉及一种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。

背景技术

全球环境污染日益严重，环境问题亟待解决，而新能源的应用能有效的缓解环境污染加剧问题，太阳能就是备受关注的新能源之一。根据国家能源局报告，2018年前三季度，我国光伏发电新增装机3454.4万千瓦，同比下降19.7％，其中，光伏电站1740.1万千瓦，同比减少37.2％；分布式光伏1714.3万千瓦，同比增长12％。我国非常重视太阳能的发展，光伏电站在我国的装机量日益增长。然而，光伏电站由于其工作条件受环境影响较大，较容易发生故障。如果这些故障不及时发现与排除，对光伏电站的发电效率影响非常大，严重时甚至会烧坏电池组件引发火灾。因此，光伏故障的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多种方法来检测和分类光伏系统中的故障。在这些方法中，基于智能算法和机器学习的方法受到越来越多的关注。

基于智能算法和机器学习的方法通常是通过提取光伏电站的各项数据通过智能算法计算得出计算结果，从这些结果中分析光伏电站的工作状况。例如，Majd i等人提出了一种基于PCA的小波优化加权平均(WOEWMA)的故障诊断算法。然而，该算法需要在连续时间内对光伏电站提取数据，数据量大，且需要较多的传感器来实时提取数据。近年来，人工神经网络(ANN)，决策树(DT)，支持向量机(SVM)，随机森林(RF)是光伏阵列故障诊断的常用分类算法。值得注意的是，目前基于机器学习和智能算法的光伏故障诊断中，算法输入特征都是电流电压温度和辐照度这几个参数之间计算程多维数据，少有为了计算简单，采用降维计算将算法的输入特征简单化。

发明内容

有鉴于此，本发明的目的在于提供一种基于偏最小二乘法降维以及极限学习机诊断方法，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，本发明采用如下技术方案：

一种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,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及环境参数，并通过采样滤波处理构成原始故障数据；

步骤S2:从原始故障数据中提取七维的故障特征向量，并提取得到七维故障样本数据集；

步骤S3:利用偏最小二乘法，对七维故障特征进行降维压缩至三维，得到三维的故障样本数据集；

步骤S4:将三维的故障样本数据集，随机分成独立的训练数据集和测试数据集，测试集用于测试故障诊断模型的泛化能力；

步骤S5:将训练数据集采用K折交叉验证生成训练子集和验证子集；

步骤S6:构建基于极限学习的机故障诊断模型，并根据得到训练子集和验证子集，得到最优隐含层神经元个数；

步骤S7：根据得到的最优隐含层神经元个数训练极限学习机故障诊断模型，得到训练后的极限学习机故障诊断模型；

步骤S8:根据训练后的极限学习机故障诊断模型，对测试数据集的样本数据进行检测和分类，判断光伏阵列系统是否处于故障状态；若处于故障状态，则给出故障种类。

进一步的，所述各种工况包括正常工作、线线故障、老化故障、阴影故障和开路故障。

进一步的，所述光伏电气特性数据包括光伏阵列的最大功率点电压、光伏组串的最大功率点电流、实时光伏面板温度、实时辐射度。

进一步的，所述七维故障样本数据集，包括：

1)归一化电压

U_a光伏阵列最大功率点电压；

N_s光伏阵列组件的串联数；U_stc标准环境下电压；n光伏理想因子；U_t热电压；β光伏开路电压温度系数；

2)归一化电流

I_a光伏阵列最大功率点电流；

N_p光伏阵列组件数；I_stc为标准环境下光伏阵列电流；α为光伏短路电流温度系数；

3)归一化功率

4)归一化电流电压斜率

5)组串电流离散率C_x；

I₁、I₂、I₃分别为光伏组串电流；

6)归一化辐照度

G_a最大功率点辐照度；G_stc为标准辐照度1000W/㎡；

7)归一化温度

T_a最大功率点温度；T_stc标准温度25℃。

进一步的，所述步骤S3利用偏最小二乘法进行降维具体为：

1)设X为初始7维特征[x₁,x₂,x₃,x₄,x₅,x₆,x₇]，Y为初始特征对应的工况，分别以数字1，2，3，4，5，6，7标识；计算第一主元的投影矩阵

提取第一主元t₁＝X×w₁；

2)计算X的载荷矩阵矩阵

Y的载荷矩阵

3)计算残差矩阵，X的残差矩阵X₁＝X-t₁×P^T,Y的残差矩阵Y₁＝Y-t₁×Q^T；

4)提取第二主元，计算第二主元的投影矩阵

提取第二主元t₂＝X₁×w₂；

5)计算X₁的载荷矩阵矩阵

Y₁的载荷矩阵

6)计算X₁的残差矩阵X₂＝X₁-t₂×P₂ ^T,Y₁的残差矩阵Y₂＝Y₁-t₂×Q₂ ^T；

7)提取第三主元，计算第三主元的投影矩阵

提取第三主元t₃＝X₂×w₃；

8)提取的主元T＝[t₁，t₂，t₃]即为X经PLS降维后的数据。

进一步的，所述构建基于极限学习的机故障诊断模型具体为：

1)对于训练集(X,Y)，X、Y含有N个样本；X为降维后的故障特征，Y为每个样本对应的工况；建立一个有M个隐含层的单隐含层前馈神经网络：

为激活函数；

2)随机分配输入层和隐含层的权值W_i、隐含层神经元阈值b_i；采用遍历法从50到500每隔50确定M的值；

3)采用最小二乘法计算隐含层与输出层的连接权值β_i；

计算

的最小β_i的值，确定最终单隐含层前馈神经网络即为极限学习机模型。

本发明与现有技术相比具有以下有益效果：

本发明通过使用PLS特征压缩算法对获取到的总体故障特征进行重要性权重排序压缩，减少了模型输入特征的维数，减少了计算量，提出的极限学习机故障诊断训练模型分类准确率较高，能够快速速、准确地实现对光伏发电阵列的故障检测和分类。

附图说明

图1为本发明中基于极限学习机的智能光伏阵列故障诊断方法的总体流程图；

图2为本发明一实施例中各种预设故障的原理图；

图3为本发明一实施例中PLS特征降维后特征图像；

图4为本发明一实施例中隐含层神经元个数对验证子集精度的影响；

图5为本发明一实施例中极限学习机对测试集分类性能结果图。

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。

请参照图1，本发明提供一种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,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及环境参数，并通过采样滤波处理构成原始故障数据；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、实时光伏面板温度、实时辐射度；该些电压、电流数据经过滤波处理构成原始故障数据，如表1所示；

表1.光伏阵列的工作参数

步骤S2:从原始故障数据中提取七维的故障特征向量，并提取得到七维故障样本数据集；具体包括：光伏阵列的最大功率点归一化电流、光伏阵列的最大输出点归一化电压、光伏阵列的最大输出点归一化功率、光伏组串的电流离散率、与斜率相关的增量导数比、实时归一化辐照度、实时归一化温度；所述原始故障数据映射计算构成总体故障特征，如表2所示；

表2、光伏阵列的总体特征

步骤S3:利用偏最小二乘法，对七维故障特征进行降维压缩至三维，得到三维的故障样本数据集；

步骤S4:将三维的故障样本数据集，随机分成独立的训练数据集(70％)和测试数据集(30％)，测试集用于测试故障诊断模型的泛化能力；

步骤S5:将训练数据集采用K折交叉验证生成训练子集和验证子集；

步骤S6:构建基于极限学习的机故障诊断模型，并根据得到训练子集和验证子集，得到最优隐含层神经元个数；

步骤S7：根据得到的最优隐含层神经元个数训练极限学习机故障诊断模型，得到训练后的极限学习机故障诊断模型；

步骤S8:根据训练后的极限学习机故障诊断模型，对测试数据集的样本数据进行检测和分类，判断光伏阵列系统是否处于故障状态；若处于故障状态，则给出故障种类。

在本实例中，所述各种工况包括正常工作、线线故障、老化故障、阴影故障和开路故障。

在本实例中，所述滤波处理采用基于高斯窗的非线性数字滤波器：中值滤波器来实现同相位滤波，滤除噪声干扰，平滑测量，消除MPP(最大功率点)所引起的测量差；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。

在本实例中，所述七维故障样本数据集，包括：

1)归一化电压

U_a光伏阵列最大功率点电压；

N_s光伏阵列组件的串联数；U_stc标准环境下电压；n光伏理想因子；U_t热电压；β光伏开路电压温度系数；

2)归一化电流

I_a光伏阵列最大功率点电流；

N_p光伏阵列组件数；I_stc为标准环境下光伏阵列电流；α为光伏短路电流温度系数；

3)归一化功率

4)归一化电流电压斜率

5)组串电流离散率C_x；

I₁、I₂、I₃分别为光伏组串电流；

6)归一化辐照度

G_a最大功率点辐照度；G_stc为标准辐照度1000W/㎡；

7)归一化温度

T_a最大功率点温度；T_stc标准温度25℃。

在本实例中，PLS降维的实现过程为：先分别抽取出原始数据的第一主成分，要求抽取的主成分尽可能的保留自变量的信息，而与因变量的相关程度最大，既该主成分与因变量的协方差最大，再以原始数据和第一主成分之间的残差为新的数据，再次提取主成分，同样使其尽可能保留自变量信息，与因变量的协方差最大为目标；依次提取，直到提取完成所需的主成分，具体为：

1)设X为初始7维特征[x₁,x₂,x₃,x₄,x₅,x₆,x₇]，Y为初始特征对应的工况，分别以数字1，2，3，4，5，6，7标识；计算第一主元的投影矩阵

提取第一主元t₁＝X×w₁；

2)计算X的载荷矩阵矩阵

Y的载荷矩阵

3)计算残差矩阵，X的残差矩阵X₁＝X-t₁×P^T,Y的残差矩阵Y₁＝Y-t₁×Q^T；

4)提取第二主元，计算第二主元的投影矩阵

提取第二主元t₂＝X₁×w₂；

5)计算X₁的载荷矩阵矩阵

Y₁的载荷矩阵

6)计算X₁的残差矩阵X₂＝X₁-t₂×P₂ ^T,Y₁的残差矩阵Y₂＝Y₁-t₂×Q₂ ^T；

7)提取第三主元，计算第三主元的投影矩阵

提取第三主元t₃＝X₂×w3；

8)提取的主元T＝[t1，t₂，t₃]即为X经PLS降维后的数据。

在本实例中，极限学习机故障诊断模型建立过程为，采用单隐含层前馈神经网络，在输入层与隐含层之间随机产生连接权值以及隐含层神经元的阈值，生成极限学习机算法模型，在训练时需设置隐含层神经元的个数以及激活函数，采用遍历法确定隐含层神经元个数，激活函数采用“tanh”函数，具体为：

1)对于训练集(X,Y)，X、Y含有N个样本；X为降维后的故障特征，Y为每个样本对应的工况；建立一个有M个隐含层的单隐含层前馈神经网络：

为激活函数；

2)随机分配输入层和隐含层的权值W_i、隐含层神经元阈值b_i；采用遍历法从50到500每隔50确定M的值；

3)采用最小二乘法计算隐含层与输出层的连接权值β_i；

计算

的最小β_i的值，确定最终单隐含层前馈神经网络即为极限学习机模型。

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串间的连接线实现；老化故障通过串联接入阻值为5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2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，并同步获取组件的实时温度、实时辐照度。

在本实施例中，每种工况分均在辐照度100-975w/㎡(每25w/㎡取一组数据值)和温度25-70℃(每2.5℃取一数据值)，进一步的，每种工况数据样本同样均为684组，并以阿拉伯数字1至7标识正常运行(N)、开路故障(O)、组串阴影故障(S)、组串老化5欧故障(A1)、短路(不同组串)两块故障(LL2)、短路(同组串)一块故障(LL1)、阵列老化5欧故障(A2)、共7种工况。用初始特征经PLS算法计算后，得到新的降维数据。样本中的每组数据为4维，其中1-3维为PLS算法压缩后的特征，第4维为类别标识。

在本实例中，本发明中极限学习的特点为：间隔50个神经元遍历50到500的隐含层神经元，神经元的激活函数为“tanh”，训练极限学习机，选择训练总体精度最高的神经元个数确定最终极限学习机，训练结束后用测试集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，若处于故障状态，则给出故障类型，并计算其分类精度。

在本实例中，采用K折交叉验证，先将数据集按70％和30％随机分成训练集和测试集，在训练集中进一步采用K折交叉验证分成训练集和验证子集，交叉验证中训练集用于训练极限学习机模型，验证子集用于评估极限学习机模型，选出最优极限学习机隐含层神经元个数，以增强极限学习机模型泛化能力，避免过拟合；在最后生成最终极限学习机模型时，再用测试集测试极限学习机分类诊断结果；

在本实例中，采用遍历法从50到500间隔50个神经元确定隐含层神经元个数，用交叉验证的验证子集验证极限学习机模型，采取5折交叉验证时验证子集的平均精度来验证隐含层神经元个数对极限学习机精度的影响，如图4所示。当神经元个数超过250个后，分类精度趋于稳定，超过350个神经元分类精度就会上下波动，所以，本发明中，极限学习机隐含层神经元个数在250到350之间即可。

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 (4)

1.一种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，其特征在于，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及环境参数，并通过采样滤波处理构成原始故障数据；

步骤S2：从原始故障数据中提取七维的故障特征向量，并提取得到七维故障样本数据集；

步骤S3：利用偏最小二乘法，对七维的 故障特征向量 进行降维压缩至三维，得到三维的故障样本数据集；

步骤S4：将三维的故障样本数据集，随机分成独立的训练数据集和测试数据集，测试数据 集用于测试故障诊断模型的泛化能力；

步骤S5：将训练数据集采用K折交叉验证生成训练子集和验证子集；

步骤S6：构建基于极限学习机的故障诊断模型，并根据得到训练子集和验证子集，得到最优隐含层神经元个数；

步骤S7：根据得到的最优隐含层神经元个数训练极限学习机故障诊断模型，得到训练后的极限学习机故障诊断模型；

步骤S8：根据训练后的极限学习机故障诊断模型，对测试数据集的样本数据进行检测和分类，判断光伏阵列系统是否处于故障状态；若处于故障状态，则给出故障种类；

所述步骤S3利用偏最小二乘法进行降维具体为：

1)设X为初始7维特征[x₁，x₂，x₃，x₄，x₅，x₆，x₇]，Y为初始特征对应的工况，分别以数字1，2，3，4，5，6，7标识；计算第一主元的投影矩阵

提取第一主元t₁＝X×w₁；

2)计算X的载荷矩阵

Y的载荷矩阵

3)计算残差矩阵，X的残差矩阵X₁＝X-t₁×P^T，Y的残差矩阵Y₁＝Y-t₁×Q^T；

4)提取第二主元，计算第二主元的投影矩阵

提取第二主元t₂＝X₁×w₂；

5)计算X₁的载荷矩阵

Y₁的载荷矩阵

6)计算X₁的残差矩阵X₂＝X₁-t₂×P₂ ^T，Y₁的残差矩阵Y₂＝Y₁-t₂×Q₂ ^T；

7)提取第三主元，计算第三主元的投影矩阵

提取第三主元t₃＝X₂×w₃；

8)提取的主元T＝[t₁，t₂，t₃]即为X经PLS降维后的数据；

所述构建基于极限学习机的 故障诊断模型具体为：

1)对于训练集(X，Y)，X、Y含有N个样本；X为降维后的故障特征，Y为每个样本对应的工况；建立一个有M个隐含层的单隐含层前馈神经网络：

为激活函数；

2)随机分配输入层和隐含层的权值W_i、隐含层神经元阈值b_i；采用遍历法从50到500每隔50确定M的值；

采用最小二乘法计算隐含层与输出层的连接权值β_i；计算

的最小β_i的值，确定最终单隐含层前馈神经网络即为极限学习机模型。

2.根据权利要求1所述的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，其特征在于：所述各种工况包括正常工作、线线故障、老化故障、阴影故障和开路故障。

3.根据权利要求1所述的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，其特征在于：所述光伏电气特性数据包括光伏阵列的最大功率点电压、光伏组串的最大功率点电流、实时光伏面板温度、实时辐射度。

4.根据权利要求1所述的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，其特征在于：所述七维故障样本数据集，包括：

1)归一化电压

U_a光伏阵列最大功率点电压；

N_s光伏阵列组件的串联数；U_stc标准环境下电压；n光伏理想因子；U_t热电压；β光伏开路电压温度系数；

2)归一化电流

I_a光伏阵列最大功率点电流；

N_p光伏阵列组件数；I_stc为标准环境下光伏阵列电流；α为光伏短路电流温度系数；

3)归一化功率

4)归一化电流电压斜率

5)组串电流离散率C_x；

I₁、I₂、I₃分别为光伏组串电流；

6)归一化辐照度

G_a最大功率点辐照度；G_stc为标准辐照度1000W/m²；

7)归一化温度

T_a最大功率点温度；T_stc标准温度25℃。

Images