CN114936789A - 一种基于时序特征分解技术的并网光伏发电系统状态监测方法 - Google Patents

Abstract

本发明公开一种基于时序特征分解技术的并网光伏发电系统状态监测方法，旨在通过分析提取并网光伏发电系统采样数据的时间序列相关特征，并同时考虑采样数据的时变特性，从而解决并网光伏发电系统的运行状态监测问题。具体来讲，本发明方法设计了一种全新的时序特征分解方法技术，以并网光伏发电系统配套的SCADA系统提供的实时采样数据为对象，直接通过特征自回归模型的方式，挖掘出数据中蕴藏的满足时序误差最小化的时序相关特征来构建相应的监测指标。本发明方法通过监测时序特征的时序回归误差以及静态的模型误差来监测采样数据中的异常变化，从两个方面确保了并网光伏发电系统运行状态监测的全面性。

Description

一种基于时序特征分解技术的并网光伏发电系统状态监测 方法

技术领域

本发明涉及一种并网光伏发电系统运行状态监测方法，特别涉及一种基于时序特征分解技术的并网光伏发电系统状态监测方法。

背景技术

随着全球对能源需求的不断增加，传统化石能源的紧缺己经成为一个不争的事实，太阳能以其自身的优越性被人们广泛的关注。把太阳能转化为大家常生活中使用的交流电能是并网光伏发电系统的功能所在。由于光伏阵列发出的是不可直接使用的波动电流，因而需要光伏并网逆变器，将其转化为与电网同频同相的交流电，因而并网光伏逆变器是决定并网效率和性能的核心部件。并网光伏发电系统的最大特点是光伏阵列产生的直流电经过并网逆变器转换为符合市电电网要求的交流电后接入市电网络，并网系统中光伏阵列所产生的电力除了供给交流负载外，多余的电力反馈给电网。

由于和大电网相连接，不必考虑负载供电的稳定性。有大电网来接纳光伏发电系统输出的电能，且输出的质量相对稳定，因而并网光伏发电系统得到了越来越广泛的关注。随着目前光伏并网发电越来越多，光伏发电的建设规模越来越大，并网光伏发电系统的状态监测是保证光伏发电正常运行的保证。如果使用人工巡检的方式，将消耗大量的人力和物力。此外并网发电以后，光伏发电系统将作为电力系统的一部分，如果配电网络出现故障，或者光伏发电系统出现故障，都将会影响到整个电力系统的正常运行。在自动化研究领域，并网光伏发电系统是目前发展速度最快的电力技术之一。因此，如何实时监测并网光伏发电系统的正常运行是保证电力持续稳定供应的重中之重。

近年来，通过利用并网光伏发电系统的实时测量数据来实现对其运行状态监测已经逐渐得到了业内的认可，衍生出了一系列的基于数据特征分析与提取策略的光伏发电运行状态监测方法。其中，分析时间序列的数据往往可以挖掘出巨大的数据价值，这种数据价值可以是依据事物历史发展规律，进一步推测事物未来的发展，简言之就是时间序列预测。所谓时间序列预测就是从时间序列的数据中找出演化规律，构建数学模型，并对未来发展进行定量估计，在这其中最重要的一点就是基于数据中存在的先后顺序。在当前技术环境下，并网光伏发电系统都安装有配套的监视控制与数据采集系统(Supervisory ControlAnd Data Acquisition，缩写：SCADA)，以固定设置的采样时间间隔，不间断的对并网光伏发电系统实施数据采集与监视。SCADA系统的广泛应用为实施时间序列分析的并网光伏发电系统运行状态监测提供了坚实的数据基础。

发明内容

本发明所要解决的主要技术问题是：如何通过分析提取并网光伏发电系统采样数据的时间序列相关特征，并同时考虑采样数据的时变特性，从而解决并网光伏发电系统的运行状态监测问题。具体来讲，本发明方法设计推理出了一种新型的时间序列采样数据特征分解技术(简称：时序特征分解)，以并网光伏发电系统配套的SCADA系统提供的实时采样数据为对象，挖掘出数据中蕴藏的时序相关特征来构建相应的监测指标。

本发明方法解决上述问题所采用的技术方案为：一种基于时序特征分解技术的并网光伏发电系统状态监测方法，包括以下所示步骤：

步骤(1)：在并网光伏发电系统正常运行状态下，利用SCADA系统获取各个采样时刻的测量数据，并按照采样时间先后依次将N个采样时刻的测量数据对应存储为N个数据向量x₁，x₂，…，x_N；其中，第i个采样时刻的数据向量x_i∈R^11×1具体由第i个采样时刻的11个测量数据组成，依次分别是：光照强度，环境温度，直流电压，直流电流，直流变换器的输出电压，交流逆变器的三相电压和三相电流；下标号i∈{1，2，…，N}，R^11×1表示11×1维的实数向量，R表示实数集。

步骤(2)：将x₁，x₂，…，x_N组成数据矩阵X＝[x₁，x₂，…，x_N]^T后，再根据

对X中各列的列向量分别实施标准化处理，从而得到新矩阵

其中，z_j∈R^N×1表示数据矩阵X中的第j列的列向量，

表示新矩阵

中第j列的列向量，μ_j和δ_j分别表示列向量z_j中所有元素的平均值和标准差，j∈{1，2，…，11}，R^N×11表示N×11维的实数矩阵，上标号T表示矩阵或向量的转置。

步骤(3)：根据如下所示公式①分别构造时序矩阵Y和时序扩展矩阵Z后，再对矩阵

实施奇异值分解，从而得到酉矩阵U和奇异值对角矩阵V。

上式中，D表示时序阶数，

分别表示新矩阵

中的第1行，第2行，...，第D-1行，第D行，第D+1行，...，第N-D行，第N-2行，第N-1行，和第N行的行向量。

步骤(4)：按照如下所示步骤(4.1)至(4.7)为时序矩阵Y和时序扩展矩阵Z实施时序特征分解，得到特征分解矩阵W∈R^11×M，回归系数矩阵P∈R^11×M，时序系数矩阵B∈R^D×M，和时序误差矩阵E∈R^(N-D)×11；其中，M等于时序特征的个数，R^(N-D)×11表示(N-D)×11维的实数矩阵。

步骤(4.1)：设置时序特征的个数等于M后，再初始化m＝1。

步骤(4.2)：初始化分解向量w_m∈R^11×1为一个任意的11×1维的非零实数向量后，再根据公式

更新分解向量w_m。

步骤(4.3)：根据公式

计算时序系数向量β_m；其中，I_D表示D×D维的单位矩阵，

表示计算I_D和w_m的克罗内克积(Kronecker)，具体的计算方法如下所示：

步骤(4.4)：根据公式

计算矩阵G后，再根据公式G＝V^-0.5U^TGUV^-0.5更新矩阵G；其中，I₁₁表示11×11维的单位矩阵，

表示计算β_m和I₁₁的克罗内克积，具体的计算方式如下所示：

上式中，b₁，b₂，…，b_D分别表示β_m中的D个元素。

步骤(4.5)：计算G的最小特征值所对应的特征向量g后，再根据公式w_m＝UV^-0.5g计算得到分解向量w_m。

步骤(4.6)：根据公式

更新特征向量w_m后，判断w_m是否收敛；若否，则返回步骤(4.3)；若是，则根据p_m＝Lw_m计算第m个回归系数向量p_m，根据公式

计算第m个时序误差向量e_m，并保留w_m，p_m和e_m后，再根据公式

和

分别更新Y和Z后，再执行步骤(4.7)。

步骤(4.7)：判断m是否小于M；若是，则设置m＝m+1后，返回步骤(4.2)；若否，则将保留的M个回归系数向量p₁，p₂，…，p_M组成回归系数矩阵P＝[p₁，p₂，…，p_M]，将保留的M个分解向量w₁，w₂，…，w_M组成特征分解矩阵W＝[w₁，w₂，…，w_M]，将M个时序系数向量β₁，β₂，…，β_M组成时序系数矩阵B＝[β₁，β₂，…，β_M]，将M个时序误差向量e₁，e₂，…，e_M组成时序误差矩阵E＝[e₁，e₂，…，e_M]后，再根据公式W＝W(P^TW)^-1更新特征分解矩阵W。

需要说明的是，以上述步骤(4.1)至步骤(4.7)的具体实施过程是本发明方法所涉及的一种全新的时序特征分解技术，其目标为了使通过分解向量w_m使得时序特征之间的时序误差最小化，即：

上式中，矩阵

表示计算β_m和w_m之间的克罗内克积。时序误差向量

的长度的平方值

通过经典的拉格朗日乘子法可对上式④进行求解，需先通过系数λ构造朗格朗日函数

再分别计算J相对于w_m和β_m的偏导数，即：

上式⑤和⑥分别等于0时，则上式④中的目标函数取极值，由此可得：

因此，求解分解向量w_m实则求解一个典型的广义特征值问题：Gw_m＝λLw_m。而当w_m已知时，则即可根据上式⑦中的第二个公式直接计算β_m。

为了避免L的奇异问题，可先对L实施奇异值分解，即：L＝UVU^T。然后，通过矩阵A＝V^-0.5U^T，即可将Gw_m＝λLw_m等价转换成AGA^T(A^-Tw_m)＝λ(A^-Tw_m)。令g＝A^-Tw_m，则可得到如下所示的标准的特征值求解问题：

V^-0.5U^TGUV^-0.5g＝λg ⑧

当求解出最小特征值对应的特征向量后，即可通过w_m＝A^Tg＝UV^-0.5g计算分解向量w_m，这也就是上述步骤(4.4)中的最小特征值问题计算的由来。由于求解β_m需要已知w_m而求解w_m需要已知β_m，因此设计出上述步骤(4.3)至步骤(4.6)所示的循环迭代实施过程。

当求解出第一个分解向量w₁后，再求解第2个分解向量w₂之前，需要从时序矩阵Y与时序扩展矩阵Z中分别删除上一个分解向量的特征提取作用，因此需要通过如下所示的最小二乘计算方式求解回归系数向量p_m，从而使

最小化：

其中，时序特征向量

由于w_m已通过

进行了尺度处理，从而使

因此得到p_m＝Lw_m。在此基础上，可分别通过公式

和

从Y和Z中剔除上一个时序特征向量的影响，即步骤(4.6)中的实施过程。

步骤(5)：根据公式

计算模型误差矩阵F，并计算时序误差矩阵E的协方差矩阵Λ＝E^TE/(N-D-1)后，再根据公式Q_d＝diag{E^TΛ^-1E}和Q_s＝diag{F^TF}分别计算时序监测指标向量Q_d和静态监测指标向量Q_s；其中，diag{}表示将大括号内的矩阵对角线元素转变成列向量的操作。

步骤(6)：分别将Q_d和Q_s中的最大值记录为Q_d，max和Q_s，max，并计算综合监测指标向量ψ＝Q_d/Q_d，max+Q_s/Q_s，max后，再将ψ中的最大值记录为ψ_max。

步骤(7)：利用SCADA系统获取并网光伏发电系统在最新采样时刻的11个测量数据，并将这11个测量数据按照步骤(1)中所述顺序依次排列后组成一个11×1维的数据向量y_t∈R^11×1后，再根据公式

对y_t中的各个元素实施标准化处理，从而得到列向量

其中，j∈{1，2，…，11}，y_t(j)和

分别表示y_t和

中的第j个元素，t表示最新采样时刻。

步骤(8)：将前D个采样时刻的数据向量依次记录为y_t-1，y_t-2，…，y_t-D，并按照步骤(7)中的实施过程，分别对其实施标准化处理，从而对应得到列向量

后，再根据如下所示步骤(8.1)至步骤(8.4)计算得到时序误差向量e_t∈R^M×1和模型误差向量f_t∈R^{11 ×1}。

步骤(8.1)：分别根据公式

和

依次计算当前采样时刻及其前D个采样时刻的时序特征向量s_t，s_t-1，...，和s_t-D后，再初始化m＝1。

步骤(8.2)：根据如下所示公式⑧计算时序误差向量e_t中的第m个元素e_t(m)：

e_t(m)＝s_t(m)-[s_t-1(m)，s_t-2(m)，…，s_t-D(m)]B(m) ⑩

上式中，s_t(m)，s_t-1(m)，s_t-2(m)，...，s_t-D(m)分别表示时序特征向量s_t，s_t-1，s_t-2...，和s_t-D中的第m个元素，B(m)表示时序系数矩阵B中的第m列的列向量。

步骤(8.3)：判断m是否小于M；若是，则设置m＝m+1后，返回步骤(8.2)；若否，则得到时序误差向量e_t中的所有M个元素。

步骤(8.4)：根据公式

计算模型误差向量f_t。

步骤(9)：根据公式C_d＝e_t ^TΛ^-1e_t和C_s＝f_t ^Tf_t分别计算时序监测指标C_d和静态监测指标C_s后，再计算当前采样时刻的综合监测指标

步骤(10)：判断是否满足条件

若是，则并网光伏发电系统运行正常，返回步骤(7)继续利用最新采样时刻的测量数据实施状态监测；若否，则执行步骤(11)从而决策是否触发异常警报。

步骤(11)：返回步骤(7)继续利用最新采样时刻的测量数据实施状态监测，若连续A个采样时刻的综合监测指标都大于ψ_max，则触发异常警报；反之，则并网光伏发电系统运行正常。

在上述步骤(11)中，连续的A个采样时刻需要根据不同的场合与监测任务要求确定出参数A的具体数值。例如，若某个并网光伏发电系统是按照5分钟的采样间隔采集数据，而监测任务要求在60分钟内给出并网光伏发电系统是否异常的信息，则A＝60÷5＝12。

通过以上所述实施步骤，本发明方法的优势介绍如下。

首先，本发明方法涉及采用了一种全新的针对并网光伏发电系统采样数据的时序特征分解的技术，该方法技术直接通过特征自回归模型的方式，分析提取出满足时序误差最小化的潜藏特征；其次，本发明方法通过监测时序特征的时序回归误差以及静态的模型误差来监测采样数据中的异常变化，从两个方面确保了并网光伏发电系统运行状态监测的全面性。

附图说明

图1为本发明方法的实施流程示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明公开了一种基于时序特征分解技术的并网光伏发电系统状态监测方法，下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。

步骤(1)：在并网光伏发电系统正常运行状态下，利用配套的SCADA系统获取各个采样时刻的测量数据，并按照采样时间先后依次将N个采样时刻的测量数据分别存储为N个数据向量x₁，x₂，…，x_N；各个数据向量中的11的测量数据需按照如下所示顺序依次排列：光照强度，环境温度，直流电压，直流电流，直流变换器的输出电压，交流逆变器的三相电压和三相电流。

步骤(2)：将x₁，x₂，…，x_N组成数据矩阵X＝[x₁，x₂，…，x_N]^T后，再根据

对X中各列的列向量分别实施标准化处理，从而得到新矩阵

步骤(3)：根据前述公式①分别构造时序矩阵Y和时序扩展矩阵Z后，再对矩阵

实施奇异值分解，从而得到酉矩阵U和奇异值对角矩阵V；

通过矩阵L的计算方式可以发现，L实则是一个对角矩阵。因此，对L实施奇异值分解会得到两个相同的酉矩阵和一个由奇异值组成的对角矩阵，相应的奇异值分解形式即可表示成：L＝UVU^T。

此外，对L实施奇异值分解的目的是为了剔除非常接近于零的奇异值，从而使奇异值对角矩阵V可逆。在本发明方法中，剔除小于10^-6的奇异值。

步骤(4)：为并网光伏发电系统的测量数据实施时序特征分解，得到特征分解矩阵W∈R^11×M，回归系数矩阵P∈R^11×M，时序系数矩阵B∈R^D×M，和时序误差矩阵E∈R^(N-D)×11，具体的实施过程如步骤(4.1)至步骤(4.7)所示。

步骤(5)：根据公式

计算模型误差矩阵F，并计算时序误差矩阵E的协方差矩阵Λ＝E^TE/(N-D-1)后，再根据公式Q_d＝diag{E^TΛ^-1E}和Q_s＝diag{F^TF}分别计算时序监测指标向量Q_d和静态监测指标向量Q_s。

步骤(6)：分别将Q_d和Q_s中的最大值记录为Q_d，max和Q_s，max，并计算综合监测指标向量ψ＝Q_d/Q_d，max+Q_s/Q_s，max后，再将ψ中的最大值记录为ψ_max。

步骤(7)：利用并网光伏发电系统配套的SCADA系统获取最新采样时刻的11个测量数据，并将这11个测量数据按照步骤(1)中所述顺序依次排列后组成一个11×1维的数据向量y_t∈R^11×1后，再根据公式

对y_t中的各个元素实施标准化处理，从而得到列向量

步骤(8)：将前D个采样时刻的数据向量依次记录为y_t-1，y_t-2，…，y_t-D，并按照步骤(7)中的实施过程，分别对其实施标准化处理，从而对应得到列向量

后，再利用步骤(4)中得到的特征分解矩阵W，回归系数矩阵P，和时序系数矩阵B，计算得到时序误差向量e_t∈R^M×1和模型误差向量f_t∈R^11×1，具体的实施过程如步骤(8.1)至步骤(8.4)所示。

需要指出的是，下标号t表示当前采样时刻，也即是：最新采样时刻；而t-1表示当前采样时刻的前一个采样时刻，t-2表示当前采样时刻的前两个采样时刻，以此类推。

步骤(9)：根据公式C_d＝e_t ^TΛ^-1e_t和C_s＝f_t ^Tf_t分别计算时序监测指标C_d和静态监测指标C_s后，再计算当前采样时刻的综合监测指标

步骤(10)：判断是否满足条件

若是，则并网光伏发电系统运行正常，返回步骤(7)继续利用最新采样时刻的测量数据实施状态监测；若否，则执行步骤(11)从而决策是否触发异常警报。

步骤(11)：返回步骤(7)继续利用最新采样时刻的测量数据实施状态监测，若连续A个采样时刻的综合监测指标都大于ψ_max，则触发异常警报；反之，则并网光伏发电系统运行正常。

Claims (3)

1.一种基于时序特征分解技术的并网光伏发电系统状态监测方法，其特征在于，具体包括以下所示步骤：

步骤(1)：在并网光伏发电系统正常运行状态下，利用SCADA系统获取各个采样时刻的测量数据，并按照采样时间先后将N个采样时刻的测量数据依次对应存储为N个数据向量x₁，x₂，…，x_N；其中，第i个采样时刻的数据向量x_i∈R^11×1具体由第i个采样时刻的11个测量数据组成，排列顺序依次是：光照强度，环境温度，直流电压，直流电流，直流变换器的输出电压，交流逆变器的三相电压和三相电流；下标号i∈{1，2，…，N}，R^11×1表示11×1维的实数向量，R表示实数集；

步骤(2)：将x₁，x₂，…，x_N组成数据矩阵X＝[x₁，x₂，…，x_N]^T后，再根据

对X中各列的列向量分别实施标准化处理，从而得到新矩阵

其中，z_j∈R^N×1表示X中第j列的列向量，

表示新矩阵

中第j列的列向量，μ_j和δ_j分别表示列向量z_j中所有元素的平均值和标准差，j∈{1，2，…，11}，R^N×11表示N×11维的实数矩阵，上标号T表示矩阵或向量的转置；

步骤(3)：根据如下所示公式①分别构造时序矩阵Y和时序扩展矩阵Z后，再对矩阵

实施奇异值分解，从而得到酉矩阵U和奇异值对角矩阵V；

上式中，D表示时序阶数，

分别表示

中的第1行，第2行，…，第D-1行，第D行，第D+1行，…，第N-D行，第N-2行，第N-1行，和第N行的行向量；

步骤(4)：利用时序矩阵Y和时序扩展矩阵Z实施时序特征分解，得到特征分解矩阵W∈R^11×M，回归系数矩阵P∈R^11×M，时序系数矩阵B∈R^D×M，和时序误差矩阵E∈R^(N-D)×11；其中，M等于时序特征的个数，R^(N-D)×11表示(N-D)×11维的实数矩阵；

步骤(5)：根据公式

计算模型误差矩阵F，并计算时序误差矩阵E的协方差矩阵Λ＝E^TE/(N-D-1)后，再根据公式Q_d＝diag{E^TΛ^-1E}和Q_s＝diag{F^TF}分别计算时序监测指标向量Q_d和静态监测指标向量Q_s；其中，diag{}表示将大括号内的矩阵对角线元素转变成列向量的操作；

步骤(6)：分别将Q_d和Q_s中的最大值记录为Q_d，max和Q_s，max，并计算综合监测指标向量ψ＝Q_d/Q_d，max+Q_s/Q_s，max后，再将ψ中的最大值记录为ψ_max；

步骤(7)：利用SCADA系统获取并网光伏发电系统在最新采样时刻的11个测量数据，并将这11个测量数据按照步骤(1)中所述顺序依次排列后组成一个11×1维的数据向量y_t∈R^11×1后，再根据公式

对y_t中的各个元素实施标准化处理，从而得到列向量

其中，j∈{1，2，…，11}，y_t(j)和

分别表示y_t和

中的第j个元素；

步骤(8)：将前D个采样时刻的数据向量依次记录为y_t-1，y_t-2，…，y_t-D，并按照步骤(7)中的实施过程，分别对其实施标准化处理，从而对应得到列向量

后，再根据如下所示步骤(8.1)至步骤(8.4)计算得到时序误差向量e_t∈R^M×1和模型误差向量f_t∈R^11×1；

步骤(8.1)：分别根据公式

和

依次计算当前采样时刻及其前D个采样时刻的时序特征向量s_t，s_t-1，…，和s_t-D后，再初始化m＝1；

步骤(8.2)：根据如下所示公式②计算时序误差向量e_t中的第m个元素e_t(m)：

e_t(m)＝s_t(m)-[s_t-1(m)，s_t-2(m)，…，s_t-D(m)]B(m) ②

上式中，s_t(m)，s_t-1(m)，s_t-2(m)，…，s_t-D(m)分别表示时序特征向量s_t，s_t-1，s_t-2…，和s_t-D中的第m个元素，B(m)表示时序系数矩阵B中的第m列的列向量；

步骤(8.3)：判断m是否小于M；若是，则设置m＝m+1后，返回步骤(8.2)；若否，则得到时序误差向量e_t中的所有M个元素；

步骤(8.4)：根据公式

计算模型误差向量f_t；

步骤(9)：根据公式C_d＝e_t ^TΛ^-1e_t和C_s＝f_t ^Tf_t分别计算时序监测指标C_d和静态监测指标C_s后，再计算当前采样时刻的综合监测指标

步骤(10)：判断是否满足条件

若是，则并网光伏发电系统运行正常，返回步骤(7)继续利用最新采样时刻的测量数据实施状态监测；若否，则执行步骤(11)从而决策是否触发异常警报；

步骤(11)：返回步骤(7)继续利用最新采样时刻的测量数据实施状态监测，若连续A个采样时刻的综合监测指标都大于ψ_max，则触发异常警报；反之，则并网光伏发电系统运行正常。

2.根据权利要求1所述的一种基于时序特征分解技术的并网光伏发电系统状态监测方法，其特征在于，所述步骤(4)的具体实施过程如下所示：

步骤(4.1)：设置时序特征的个数等于M后，再初始化m＝1；

步骤(4.2)：初始化分解向量w_m∈R^11×1为一个任意的11×1维的非零实数向量后，再根据公式

更新分解向量w_m；

步骤(4.3)：根据公式

计算时序系数向量β_m；其中，I_D表示D×D维的单位矩阵，

表示计算I_D和w_m的克罗内克积；

步骤(4.4)：根据公式

计算矩阵G后，再根据公式G＝V^-0.5U^TGUV^-0.5更新矩阵G；其中，I₁₁表示11×11维的单位矩阵；

步骤(4.5)：计算G的最小特征值所对应的特征向量g后，再根据公式w_m＝UV^-0.5g计算得到分解向量w_m；

步骤(4.6)：根据公式

更新特征向量w_m后，判断w_m是否收敛；若否，则返回步骤(4.3)；若是，则根据p_m＝Lw_m计算第m个回归系数向量p_m，根据公式

计算第m个时序误差向量e_m，并保留w_m，p_m和e_m后，再根据公式

和

分别更新Y和Z后，再执行步骤(4.7)；

步骤(4.7)：判断m是否小于M；若是，则设置m＝m+1后，返回步骤(4.2)；若否，则将保留的M个回归系数向量p₁，p₂，…，p_M组成回归系数矩阵P＝[p₁，p₂，…，p_M]，将保留的M个分解向量w₁，w₂，…，w_M组成特征分解矩阵W＝[w₁，w₂，…，w_M]，将M个时序系数向量β₁，β₂，…，β_M组成时序系数矩阵B＝[β₁，β₂，…，β_M]，将M个时序误差向量e₁，e₂，…，e_M组成时序误差矩阵E＝[e₁，e₂，…，e_M]后，再根据公式W＝W(P^TW)^-1更新特征分解矩阵W。

3.根据权利要求1所述的一种基于时序特征分解技术的并网光伏发电系统状态监测方法，其特征在于，所述步骤(3)中对矩阵L实施奇异值分解时，需删除小于10^-6的奇异值，再将其余大于等于10^-6的奇异值组成奇异值对角矩阵V。

Images