CN114722895A - 一种基于非侵入式状态检测的光伏阵列故障诊断方法 - Google Patents

Abstract

本发明属于光伏发电技术领域，具体涉及一种基于非侵入式状态检测的光伏阵列故障诊断方法。在对原始数据进行主成分分析的基础上，将时序电压、电流数据进行极点对称模态分解，并采用镜像延拓来修复模态分解后本征模函数的断点缺失。将分解出来的本征模函数进行Hilbert‑Huang变换并形成Hilbert边际谱能量，放大了时序电压、电流的实际波形，减小了噪声的影响，实现了特征向量的有效提取。利用Adaboost算法形成的组合分类器，采用模糊聚类‑马氏距离模型计算出样本组的矢量相似度，对组合分类器的权重系数进行有效更新，加强了分类器对误差的感知能力，从而实现对故障数据的有效挖掘，实现了光伏阵列系统的在线故障诊断。

Description

一种基于非侵入式状态检测的光伏阵列故障诊断方法

技术领域

本发明属于光伏发电技术领域，具体涉及一种基于非侵入式状态检测的光伏阵列故障诊断方法。

背景技术

随着对可再生能源的支持力度的不断提升，越来越多的大型光伏设备不断地投入使用。光伏阵列作为光伏发电系统的重要组成部分，对其电气参数监测和故障类型诊断显得尤为重要。由于光伏发电设备一般位于荒漠、矿坑以及屋顶等位置，工作环境较为恶劣，所以光伏阵列组件的运行状态和绝缘水平受外部环境的影响较大，从而使得光伏阵列容易发生短路、开路以及绝缘老化等故障情况屡见不鲜。由此可见，寻求一种有效的光伏阵列故障诊断方法对于提高光伏发电系统的利用率水平具有极大的现实意义。传统的光伏阵列故障诊断方法包括基于热成像及超声波的物理检测法、能量衰减计算法、I-V曲线分析法等。物理检测法主要是通过红外热成像、超声探测等物理手段，通过检测到光伏阵列温度的梯度变化实现对光伏阵列运行情况的实时监测，此方法虽然具有较强的简便性和实践性，但是需要另外购置昂贵的检测设备，并且需要较高的维护成本和较大的人员劳动强度。能量衰减计算法主要是通过测量环境温度和辐照度来估算理论输出电压、电流和功率，再计算理论值和实际值之间的差值，并将差值作为诊断算法的输入数据以实现故障诊断。这种方法的缺点在于，光伏阵列处于最大功率追踪点(MPPT)时，仿真模型与实际系统之间的数据误差增大，会造成故障诊断模型的严重判断错误。I-V曲线分析法是当前光伏阵列故障诊断的通用方法，在工程实践中具有广泛的应用，但是采用这种方法时需要将逆变器退出运行，从而会造成不必要的人为误差。

发明内容

为克服传统光伏阵列故障诊断方式的缺点，实现准确、快速、经济、便捷的光伏阵列故障诊断，本发明所要解决的技术问题在于提供一种基于非侵入式状态检测的光伏阵列故障诊断方法。

本发明是这样实现的，

首先在将原始数据进行主成分分析(PCA)的基础之上，采用极点模态分解(ESMD)的改进希尔伯特-黄变换对数据的处理。之后是应用模糊聚类-马氏距离模型形成计算相似度，从而完成主分类器的权重系数更新，实现了主分类器对一般情况下的光伏阵列故障的自适应诊断，而非传统方式下的人工测量。

一种基于非侵入式状态检测的光伏阵列故障诊断方法，包含以下步骤：

步骤1、对输入数据进行PCA降维处理以及标准化，求出输入系统时序电压电流的极值点，并记为E_p＝(x_i,y_i)其中，i＝1,2,…,n，设两两所求的极值点之间的线段点为F_t，t＝1,2,…,n-1,则F_t表示为:

步骤2、采用内部插值法对P条曲线进行拟合，得到计算均值计算曲线L^*：

设某一输入的原始数据向量为x(t)，求出原始数据向量x(t)与计算均值计算曲线L^*之间的差值并重复步骤2，直到计算均值计算曲线的绝对值小于允许误差ε或者迭代次数小于最大迭代次数K≤K_max，求得首个分解后的本征模函数IMF₁；

步骤3、计算原始数据向量x(t)与本征模函数IMF₁之间的差值并重复步骤1至步骤2，求得分解之后的剩余本征模函数IMF₁、IMF₂,...,IMF_n和余量函数R(t)；

步骤4、迭代系数K的取值范围在[K_min,K_max]之间，通过K_min不断对K值进行更新，定义标准差比值V_s为：

其中，R(t)为本征模函数的分解余量，X为原始信号，F为标准度量值，随着K值不断地更新，标准差比值V_s随之变化，当V_s取最小值时，求出此时的K值并返回步骤1重新循环一次，并得到最终的分解结果：

步骤5、采用镜像延拓对分解的各本征模函数进行修复；

步骤6、利用柯西主值P对经过镜像延拓修复之后的各本征模函数进行Hilbert-Huang变换：

其中τ为时间的积分变量，M(τ)为主值函数，P为柯西主值，则解析函数表示为：

z(t)＝M(t)+iy(t)＝A(t)e^jθ(t)

对瞬时相位角求导，求出瞬时角频率ω(t)，并得到Hilbert谱：

Hilbert边际能量谱表示为：

步骤7、采用Hilbert边际能量谱，提取在光伏阵列不同故障状态下的特征向量，形成故障样本，采用Adaboost分类器对故障样本的分类。

进一步地，步骤7中，采用模糊聚类-马氏距离模型形成样本数据的相似度对Adaboost组合分类器的权重系数进行更新，包含以下步骤：

步骤71、利用以下公式计算出组合分类器中第M个样本组中第i个元素:

则得到Adaboost组合分类器的惯性权重系数矩阵为：

步骤72、通过模糊聚类-马氏距离模型计算出的样本相似度对Adaboost组合分类器的权重系数矩阵进行更新，首先对输入数据进行模糊聚类，使得输入的数据集合形成若干个聚类样本中心点：

其中x_i为数据集中的每个样本，c_j为聚类中心；

步骤73、计算第K个样本组中聚类中心与训练样本子集的马氏距离，其倒数值即为样本组的矢量相似度：

其中x_jk为第K个样本组中第j个元素，c_jk为第K个样本组中的聚类中心点，LL^T为协方差矩阵，则样本组的矢量相似度表示为：

S_jk＝[s_1k,s_2k,…,s_jk]

步骤74、利用样本组的矢量相似度对Adaboost组合分类器的权重系数进行更新：

得到Adaboost组合分类器的最终表达形式：

进一步地，对输入数据进行PCA降维处理以及标准化包括：无量纲单位化处理之后的原始数据矩阵：

构造一个范数为1的变量S₁，其中，变量S₁是能够准确描述原始数据矩阵中的变量特征，并且以变量S₁的方差大小来衡量矩阵中原始数据的特征维度；变量S₁的方差表示为：

其中，S₁为预设变量的方差，m为数据矩阵的维度，t₁为S₁的标准化特征向量，V为变换之后的主成分矩阵；

将变量S₁的方差代入Lagrange函数中，将参数λ求偏导，并将结果置零：

L₁＝t′₁Vt₁-λ₁(t′₁t₁-1)

Vt₁＝λ₁t₁

t₁和λ₁分别为V的特征值和特征向量；

将参数λ进行特征值分解，其结果为λ₁，λ₂，λ₃，...，λ_k，其中，λ₁对应第一个主要成分，λ₂对应第二个主要成分，以此类推λ_k对应第k个主要成分，在k个主成分中的前m个主成分的累计贡献率表示为：

取累计贡献率大于85％的数据进行下一步的计算。

本发明与现有技术相比，有益效果在于：

本方法能够实现准确、快速、经济、便捷的光伏阵列故障诊断，并且本发明所使用的方法在进行故障诊断时候不需将逆变器退出运行，消除了人为功率误差的影响，此外，本方法不必测量环境温度与辐照度，降低了不必要的人力成本，省去了传统方式下的人工测量。本发明仅通过电气量数据的检测与分析即可实现故障的判别，使故障诊断流程得以有效优化并满足了非侵入式状态检测的基本要求，在实际生产中具有广阔的开发与应用前景。

本方法通过采用平方预测误差(SPE)以及Hotelling’s T2统计量计算出组合分类器模型的置信区间，通过实时监测出的电气量的Q统计量是否超出置信区间来判断系统是否处于故障状态，并由Adaboost组合分类器的输出来甄别故障类型，从而实现了光伏阵列系统的在线故障诊断。相较于传统光伏阵列的故障检测方式并针对于现场的复杂实际情况，在便利性、准确性和经济性上有了更加深入的考量，并且能够很好的满足非侵入式故障状态检测与诊断的诸多要求。

附图说明

图1为本发明中的总体框架流程图；

图2为本发明中通过对分类器输入历史故障数据所诊断出的不同故障状态下的波形仿真图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了消除前端数据集合的单位量纲差异，使电力数据集合的特征得到有效的统一，首先要将原始数据集合进行无量纲归一化处理，使得原始数据集合在某一特定的范围内浮动：

x_m＝(x_k-x_min)/(x_max-x_min)

由于输入模型的原始数据集合规模较大，并且具有噪声特性，对后续光伏阵列的故障甄别会产生较大的不良影响。所以，为了降低原始数据集合过高的特征维度，减小噪声对数据采集所造成的偏差，采用PCA对样本数据进行降维降噪。其具体步骤如下所示：

基于步骤(1)，得到无量纲单位化处理之后的原始数据矩阵：

构造一个范数为1的变量S₁，变量S₁的作用是能够准确描述原始数据矩阵中的变量特征，并且以变量S₁的方差大小来衡量矩阵中原始数据的特征维度。变量S₁的方差可以表示为：

其中，S₁为预设变量的方差，m为数据矩阵的维度，t₁为S₁的标准化特征向量，V为变换之后的主成分矩阵。

其次将变量S₁的方差代入Lagrange函数中，将参数λ求偏导，并将结果置零：

L₁＝t′₁Vt₁-λ₁(t′₁t₁-1)

Vt₁＝λ₁t₁

由此可见，t₁和λ₁为V的特征值和特征向量，特征值t₁主要作用在于描述了原始数据x_m在主成分V上的荷载，而λ主要作用在于体现主成分的贡献水平。

之后，将λ进行特征值分解，其结果为λ₁，λ₂，λ₃，...，λ_k。其中，λ₁对应第一个主要成分，λ₂对应第二个主要成分，以此类推λ_k对应第k个主要成分。由此，在k个主成分中的前m个主成分的累计贡献率可以表示为：

为了保证能够充分体现原始数据集合的特征，累计贡献率一般会大于85％。

利用经验模态分解处理光伏阵列时序信号时，不可避免地会产生模态混叠的现象，模态混叠会使得本征模函数IMF与原始数据集合产生偏移，大幅度削减了故障诊断的精准度与可靠性。基于以上原因，本发明将处理之后的原始数据集合通过基于极点对称模态分解(ESMD)的改进的Hilbert-Huang变换方法，使之分解为若干个本征模函数，并形成HHT频谱图，从而减小了模态混叠对诊断结果的不利影响。

在对输入数据进行PCA降维处理以及标准化之后，求出输入系统时序电压电流的极值点，并记为E_p＝(x_i,y_i)(i＝1,2,…,n)。设两两所求的极值点之间的线段点为F_t(t＝1,2,…,n-1),则F_t可以表示为:

之后，计算均值计算曲线L^*。采用内部插值法对P条曲线进行拟合，从而可以得到计算均值计算曲线L^*：

设某一输入的原始数据向量为x(t)，求出x(t)与均值计算曲线L^*之间的差值并重复以上步骤，直到均值计算曲线的绝对值小于允许误差ε或者迭代次数小于最大迭代次数K≤K_max，由此求得首个分解后的本征模函数IMF₁。对P条曲线进行拟合形成计算均值计算曲线L^*，并且当拟合结果的误差小于允许误差ε时，结束拟合过程的迭代，输出的拟合结果即为本征模函数IMF1。计算x(t)与IMF₁之间的差值并重复以上步骤，即可求得分解之后的剩余本征模函数IMF₁、IMF₂,...,IMF_n和余量函数R(t)。

之后，由于迭代系数K的取值范围在[K_min,K_max]之间，通过K_min不断对K值进行更新。定义标准差比值V_s为：

其中，R(t)为本征模函数的分解余量，X为原始信号，F为标准度量值。随着K值不断地更新，标准差比值V_s也随之变化。当V_s取最小值时，此时的K并返回步骤1重新循环一次，并得到最终的分解结果：

由于在一般情况下模态分解会使分解波信号产生端点失真，会使故障诊断值不满足技术要求，所以采用镜像延拓对分解的波信号进行了修复，最大程度地还原了原始信号的数据特征，改善端点效应对故障诊断的影响。

最后，利用柯西主值P对经过镜像延拓处理之后的各本征模函数进行Hilbert-Huang变换：

其中τ为时间的积分变量，M(τ)为主值函数，P为柯西主值。则解析函数可以表示为：

z(t)＝M(t)+iy(t)＝A(t)e^jθ(t)

对瞬时相位角求导，即可求出瞬时角频率ω(t)，并得到Hilbert谱：

Hilbert边际谱能量可以表示为：

在Hilbert边际谱能量中，采用平方的形式对Hilbert谱进行完善，使Hilbert谱中的实际波形分量得到有效强化，并可以实现在PCA基础之上的进一步降噪，减小了IMF与原始数据集合产生的偏移，能够更加精准的把握时序波动信号的变动趋势，有助于实现电压、电流等非平稳信号的有效分解，大幅度提升了故障诊断的精准度与可靠性。

由于在一般情况下模态分解会使分解波信号产生端点失真，会使故障诊断值不满足技术要求，所以采用镜像延拓对分解的波信号进行了修复，最大程度地还原了原始信号的数据特征，改善了端点效应对故障诊断的影响。

在获得Hilbert边际谱能量的基础上，可以提取在光伏阵列不同故障状态之下的特征向量，从而形成可靠的训练样本，为之后Adaboost分类器对故障样本的分类学习与故障判别提供支撑，具体流程图如图1所示。

采用以马氏距离为基础的各样本相似度对Adaboost组合分类器的权重系数进行更新。数据样本的错误率e被定义为错误数据的个数占数据总数的比例，也是Adaboost算法进行有效分类的数据基础。Adaboost算法可以不断的更新其自身的权重系数，通过逐步增加错分样本的所占比例，使算法更专注于错分样本并加以修正，最终可以实现故障样本的有效分类。

设E_ij为数据集合的错误率矩阵，具体可以表示为：

则组合分类器中第M个样本组中第i个元素的权重可由以下公式计算:

则可以得到组合分类器的惯性权重系数矩阵为：

之后，通过模糊聚类-马氏距离模型计算出的样本相似度对组合分类器的权重系数矩阵进行更新。首先对输入数据进行模糊聚类，使得输入的数据集合形成若干个聚类样本中心点。

其中x_i为数据集中的每个样本，c_j为聚类中心。随着迭代次数的逐渐累积，目标函数的值逐渐减小，从而使得所有数据的样本x_i向各自隶属的最大的聚类中心靠拢，而关联程度较低的数据之间将彼此分开，进而初步完成对数据集的模糊聚类处理。

其次，计算第K个样本组中聚类中心与训练样本子集的马氏距离，其倒数值即为样本组的矢量相似度：

其中x_jk为第K个样本组中第j个元素，c_jk为第K个样本组中的聚类中心点，LL^T为协方差矩阵，则样本组的矢量相似度可表示为：

S_jk＝[s_1k,s_2k,...,s_jk]

最后，利用样本组的矢量相似度对Adaboost组合分类器的权重系数进行更新：

由此，可以得到Adaboost组合分类器的最终表达形式：

在形成了基于Adaboost组合分类器的基础之上，并调用故障历史数据库的信息完成对其训练。为了进一步对Adaboost组合分类器对光伏阵列故障的诊断结果的准确度做出合理评价，本发明采用平方预测误差(SPE)计算出组合分类器模型的置信区间，平方预测误差(SPE)的计算公式如下所示：

将计算出的置信区间与国标规定的标准值进行对比，若置信区间未超过标准值则系统不报警；若置信区间超过标准阈值则动作于故障报警，并由Adaboost组合分类器输出所甄别出来的故障类型，从而完成对系统诊断准确程度的精准考量并实现了光伏阵列故障类型的在线诊断，图2为本发明利用故障诊断系统在不同故障状态下所输出的波形图，由此可见本发明所提出的方法可以满足光伏阵列故障诊断的具体要求。

综上，本发明所提出的应用于光伏阵列系统的非侵入式故障状态检测法切实可行，可以有效地提高故障的识别能力，保证光伏阵列系统稳定运行，是一种值得推广的光伏阵列故障状态检测法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于非侵入式状态检测的光伏阵列故障诊断方法，其特征在于，包含以下步骤：

步骤1、对输入数据进行PCA降维处理以及标准化，求出输入系统时序电压电流的极值点，并记为E_p＝(x_i,y_i)其中，i＝1,2,…,n，设两两所求的极值点之间的线段点为F_t，t＝1,2,…,n-1,则F_t表示为:

步骤2、采用内部插值法对P条曲线进行拟合，得到计算均值计算曲线L^*：

设某一输入的原始数据向量为x(t)，求出原始数据向量x(t)与计算均值计算曲线L^*之间的差值并重复步骤2，直到计算均值计算曲线的绝对值小于允许误差ε或者迭代次数小于最大迭代次数K≤K_max，求得首个分解后的本征模函数IMF₁；

步骤3、计算原始数据向量x(t)与本征模函数IMF₁之间的差值并重复步骤1至步骤2，求得分解之后的剩余本征模函数IMF₁、IMF₂,...,IMF_n和余量函数R(t)；

步骤4、迭代系数K的取值范围在[K_min,K_max]之间，通过K_min不断对K值进行更新，定义标准差比值V_s为：

其中，R(t)为本征模函数的分解余量，X为原始信号，F为标准度量值，随着K值不断地更新，标准差比值V_s随之变化，当V_s取最小值时，求出此时的K值并返回步骤1重新循环一次，并得到最终的分解结果：

步骤5、采用镜像延拓对分解的各本征模函数进行修复；

步骤6、利用柯西主值P对经过镜像延拓修复之后的各本征模函数进行Hilbert-Huang变换：

其中τ为时间的积分变量，M(τ)为主值函数，P为柯西主值，则解析函数表示为：

z(t)＝M(t)+iy(t)＝A(t)e^jθ(t)

对瞬时相位角求导，求出瞬时角频率ω(t)，并得到Hilbert谱：

Hilbert边际能量谱表示为：

步骤7、采用Hilbert边际能量谱，提取在光伏阵列不同故障状态下的特征向量，形成故障样本，采用Adaboost分类器对故障样本的分类。

2.按照权利要求1所述的方法，其特征在于，步骤7中，采用模糊聚类-马氏距离模型形成样本数据的相似度对Adaboost组合分类器的权重系数进行更新，包含以下步骤：

步骤71、利用以下公式计算出组合分类器中第M个样本组中第i个元素:

则得到Adaboost组合分类器的惯性权重系数矩阵为：

步骤72、通过模糊聚类-马氏距离模型计算出的样本相似度对Adaboost组合分类器的权重系数矩阵进行更新，首先对输入数据进行模糊聚类，使得输入的数据集合形成若干个聚类样本中心点：

其中x_i为数据集中的每个样本，c_j为聚类中心；

步骤73、计算第K个样本组中聚类中心与训练样本子集的马氏距离，其倒数值即为样本组的矢量相似度：

其中x_jk为第K个样本组中第j个元素，c_jk为第K个样本组中的聚类中心点，LL^T为协方差矩阵，则样本组的矢量相似度表示为：

S_jk＝[s_1k,s_2k,...,s_jk]

步骤74、利用样本组的矢量相似度对Adaboost组合分类器的权重系数进行更新：

得到Adaboost组合分类器的最终表达形式：

3.按照权利要求1所述的方法，其特征在于，步骤1中，对输入数据进行PCA降维处理以及标准化包括：无量纲单位化处理之后的原始数据矩阵：

构造一个范数为1的变量S₁，其中，变量S₁是能够准确描述原始数据矩阵中的变量特征，并且以变量S₁的方差大小来衡量矩阵中原始数据的特征维度；变量S₁的方差表示为：

其中，S₁为预设变量的方差，m为数据矩阵的维度，t₁为S₁的标准化特征向量，V为变换之后的主成分矩阵；

将变量S₁的方差代入Lagrange函数中，将参数λ求偏导，并将结果置零：

L₁＝t′₁Vt₁-λ₁(t′₁t₁-1)

Vt₁＝λ₁t₁

t₁和λ₁分别为V的特征值和特征向量；

将参数λ进行特征值分解，其结果为λ₁，λ₂，λ₃，...，λ_k，其中，λ₁对应第一个主要成分，λ₂对应第二个主要成分，以此类推λ_k对应第k个主要成分，在k个主成分中的前m个主成分的累计贡献率表示为：

取累计贡献率大于85％的数据进行下一步的计算。

Images