CN115455730B - 一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，包括以下步骤：步骤1、采集光伏组件的重要特征参数；步骤2、基于邻域保持嵌入NPE改进完全邻域保持CNPE嵌入算法；步骤3、利用CNPE算法对步骤1采集而来的重要特征参数进行处理，将所采数据进行数据降维与特征提取；步骤4、根据步骤3降维后的数据与原始数据的关系，计算重构误差矩阵；步骤5、根据步骤4的重构误差矩阵建立光伏组件热斑故障评估函数；步骤6、根据步骤5的评估函数制作评估函数曲线。本发明无需昂贵硬件，同时诊断速度与诊断精度都有所提升，可以诊断出类似透明遮挡物或细小电线遮挡物引起的光伏组件热斑故障。

Description

一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法

技术领域

本发明涉及一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，属于故障诊断技术领域。

背景技术

传统能源在世界能源供应占比逐渐下降，主要原因是其不可再生性以及污染性。光伏发电业务快速发展，凭借其安全性与可靠性成为世界各国焦点，光伏组件是光伏发电的基本组成部分，但由于光伏组件普遍工作环境恶劣，容易被树叶、鸟粪等遮挡，从而导致被遮挡的电池单元变为负载同时吸收热量，经过一定时间的热量累积，光伏组件易形成热斑故障。热斑故障诊断是光伏系统故障诊断的难点。目前主流的热斑故障诊断技术分为几类，第一类是图像处理法：利用热成像仪拍摄光伏组件，可以直观地观察组件局部温度过高的地方；第二类是光伏组件建模法：建立光伏组件模型，将光伏组件工作时的电压、电流、温度等参数与标准情况下的光伏组件工作时的电气参数进行对比，从而判断光伏组件的工作状态。第三类是多传感器法：在光伏组件串的特定位置安装电流传感器，检测电流值并与正常工作下的光伏组件串对比，从而实现故障的定位。上述的传统热斑故障诊断方法硬件成本过高，需要昂贵的热成像仪器，或者需要大量的电流、电压传感器。如何在减少成本的同时，提高光伏组件热斑故障的诊断精度与诊断速度是目前光伏组件故障诊断技术亟待解决的重要问题之一。

发明内容

本发明的目的在于通过挖掘光伏组件特征参数之间的内在联系从而诊断热斑故障。

为解决上述技术问题，本发明采用的技术方案为：

一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，包括以下步骤：

步骤1、采集光伏组件的重要特征参数；

步骤2、基于邻域保持嵌入NPE改进完全邻域保持CNPE嵌入算法；

步骤3、利用CNPE算法对步骤1采集而来的重要特征参数进行处理，将所采数据进行数据降维与特征提取；

步骤4、根据步骤3降维后的数据与原始数据的关系，计算重构误差矩阵；

步骤5、根据步骤4的重构误差矩阵建立光伏组件热斑故障评估函数；

步骤6、根据步骤5的评估函数制作评估函数曲线。

所述重要特征参数包括{U_OC，I_SC，U_M，I_M，M_PP，FF，T，G}，其中，U_OC为光伏组件开路电压，I_SC为光伏组件短路电流，U_M为最大功率点处电压，I_M为最大功率点处电流，M_PP为最大功率点，FF为填充因子，T为光伏组件表面温度，G为辐照度。

步骤2具体包括以下步骤：

S201：将NPE算法涉及到的广义特征值计算问题转化为两个特征值分解的问题，即S_t和S_c，S_t是一个D×D的对称矩阵，S_t由下式表示：

S_t＝X(I-W)^T(I-W)X^T+XX^T

其中，X为包含8个重要特征参数{U_OC，I_SC，U_M，I_M，M_PP，FF，T，G}的数据集，I为单位矩阵，W为NPE算法最小化目标函数时获得的权重矩阵；

S202：令M＝(I-W)^T(I-W)，上式则化为S_t＝XMX^T+XX^T，对S_t进行特征值分解：

其中，U为S_t分解后的特征矩阵，且U＝(U_r U_r)为D×D的正交矩阵，Σ为特征值，U_r∈R^D×r为U的分块矩阵，U_r∈R^D×(D-r)为U^T的分块矩阵，Σ₁为特征值矩阵的分块矩阵，Σ₁∈R^r×r且非奇异，r为矩阵S_t的秩，D与R为实数；

S203：令投影矩阵A＝U_rk+U_rl，且U_r ^TX＝0，其中k∈R^r，l∈R^D-r，且NPE算法的目标函数式由下式表示，其中c为常数，S.t.之后的式子为目标函数的约束条件：

S204：对上述NPE算法的目标函数作如下变化：

S.t.k^TΣ₁ ^-1/2Σ₁ ^1/2U_r ^TXX^TU_rΣ₁ ^-1/2Σ₁ ^1/2k＝c

令ξ＝Σ₁ ^1/2k，S₀＝Σ₁ ^-1/2U_r ^TXMX^TU_rΣ₁ ^-1/2，S_c＝Σ₁ ^-1/2U_r ^TXX^TU_rΣ₁ ^-1/2，上式可由下式表示：

将S₀与S_c相加，随后带入S_t：

S₀+S_c＝Σ₁ ^-1/2U_r ^TS_tU_rΣ₁ ^-1/2＝I_r×r

S205：得出CNPE算法的目标函数式：

S206：计算投影矩阵：

S_cξ＝λξ

上式中，λ为需要求解的特征值，得到特征值之后求出与之对应的特征向量，取解的前t个最大非零特征值ξ₁～ξ_t，其对应的特征向量为a₁～a_t，组成投影矩阵A。

步骤3具体包括以下步骤：

利用CNPE算法将步骤1所采的数据集X进行处理，处理过程中算法提取了数据集X的非线性特征(非线性降维将高维空间数据映射到低维空间中，这个过程即提取了高维数据的非线性特征)，随后确立有关时间序列的投影关系，投影前与投影后数据如下：

上式中，i与s为整数，X_i,s为投影前数据集，Y_i,s为投影后数据集，投影关系如下式：

Y_i,s＝A^TX_i,s

上式中，X_i,s∈R^s×m，Y_i,s∈R^s×l，A∈R^m×l，s、m、l为整数，代表矩阵的维数。

步骤4具体包括以下步骤：

根据步骤3降维后的数据与原始数据集X的关系，计算重构误差矩阵E_i,s，重构误差矩阵E_i,s推导如下：

步骤5具体包括以下步骤：

S501：由步骤1获取发生热斑时的光伏组件数据集如下：

X^f＝X+F

其中，F是由热斑故障引起的异常矩阵，F∈R^N×m，N与m为整数，代表异常矩阵的维数；X^f为发生遮挡时采集的光伏组件的数据集；

S502：利用步骤2提出的CNPE算法和步骤3提出的投影关系对故障数据集进行处理，该种处理方式适用于正常数据集以及故障数据集，故障数据集投影到低维空间如下式：

Y_i,s ^f＝A^TX_i,s ^f

S503：推导故障数据集的重构误差矩阵E_i,s ^f：

E_i,s ^f＝F_i,s-(AA^T)^-1AA^TF_i,s

E_i,s ^f是由热斑故障引起的重构误差矩阵；

S504：提出光伏组件热斑故障评估函数：

J(i)＝tr(E_i,s ^TE_i,s)

上式中，tr为矩阵的迹；

当光伏组件出现热斑故障时，上式改写为：

J(i)＝tr(E_i,s ^TE_i,s)+tr((E_i,s ^f)^TE_i,s ^f)

选取光伏组件正常工作情况下评估函数的最大值作为阈值：

J_th＝maxJ(i)。

步骤6具体包括以下步骤：

选取任意光伏组件有关时间序列的若干个采样点，分别计算其评估函数值，随后将评估函数值绘制成曲线，该曲线即为评估函数曲线，若曲线上任意一点大于阈值J_th，则该光伏组件出现热斑故障，若评估函数曲线上所有点皆不超过阈值J_th，则该光伏组件为正常组件，未发生热斑故障；

光伏组件包括光伏板。

采集光伏组件的重要特征参数包括采集若干正常光伏组件以及异常光伏组件的重要特征参数。

异常光伏组件包括单故障光伏组件、多故障光伏组件、线性遮挡故障光伏组件、乌云遮挡故障光伏组件、跨单个电池单元的遮挡故障光伏组件和跨多个电池单元的遮挡故障光伏组件。

本发明具有以下有益效果：

本发明所涉及的一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，通过数据驱动的方式诊断热斑故障，使用由NPE算法改进而来的CNPE算法对所采数据进行降维以及特征提取，降维后的数据很大程度上保留了光伏组件的故障信息，利用降维后的数据与降维前的数据计算重构误差矩阵，最后利用重构误差矩阵计算得出评估函数并利用评估函数绘制评估函数曲线，评估函数曲线可以直观地观察热斑故障及其严重程度，该方法具有以下优点：

1、数据驱动式的热斑故障方法相较于传统热斑故障诊断方法节省了大量硬件成本，不再需要昂贵的热成像仪器或者大量的电流、电压传感器。

2、本发明采用的CNPE算法在计算时可以很好的避免高阶矩阵的奇异性以及广义特征值求解问题，使用CNPE算法降维后的数据很大程度上保留了光伏组件的故障信息。

3、本发明提出的评估函数可以诊断出热斑故障，将一定数量的采样点绘制成评估函数曲线后也可直观的观察热斑故障的严重程度。

附图说明

图1是本发明的流程示意图；

图2是热斑故障诊断的数采设备；

图3是模拟故障光伏组件图；

图4是图3中情况1到情况3诊断结果图；

图5是图3中情况4到情况6诊断结果图；

图6是图3中情况7到情况9诊断结果图；

图7是图3中情况10到情况12诊断结果图；

图8是图3中情况13到情况15诊断结果图；

图9不同算法对比效果图。

具体实施方式

以下将结合附图及实施方式对本发明进一步详细地解释说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参见图1，本实施例提供一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，通过以下技术方案实现：

步骤1、采集光伏组件的8个重要特征参数{U_OC，I_SC，U_M，I_M，M_PP，FF，T，G}，其中U_OC为光伏组件开路电压，I_SC为光伏组件短路电流，U_M为最大功率点处电压，I_M为最大功率点处电流，M_PP为最大功率点，FF为填充因子，T为光伏组件表面温度，G为辐照度。随后采集若干正常光伏组件以及异常光伏组件的重要特征参数。

填充因子FF的计算公式为：

步骤1具体包括以下步骤：

如图2所示，利用AV 6592便携式太阳能电池测试仪测量光伏组件的{U_OC，I_SC，U_M，I_M，M_PP}；利用辐照度计测量光伏组件的{T，G}；计算填充因子FF。在本实施例中共采集15组故障光伏组件的数据以及若干正常光伏组件的数据。如图3所示，本文共采集15种不同遮挡位置以及不同遮挡面积模拟热斑故障，其中情况12、情况13分别为电线遮挡以及透明胶带遮挡。

步骤2、提出一种基于邻域保持嵌入(NPE)改进而来的完全邻域保持(CNPE)嵌入算法；

步骤2具体包括以下步骤：

S201：将NPE算法涉及到的广义特征值计算问题转化为两个特征值分解的问题，即S_t和S_c，S_t是一个D×D的对称矩阵，由于数据驱动式检测光伏组件热斑的方法对数据量要求大，所以矩阵S_t维数高。S_t可由下式表示，其中X为包含8个重要特征参数{U_OC，I_SC，U_M，I_M，M_PP，FF，T，G}的数据集，I为单位矩阵，W为NPE算法最小化目标函数时获得的权重矩阵。

S_t＝X(I-W)^T(I-W)X^T+XX^T

S202：令M＝(I-W)^T(I-W)，上式则化为S_t＝XMX^T+XX^T，对S_t进行特征值分解：

其中，U为S_t分解后的特征矩阵，且U＝(U_r U_r)为D×D的正交矩阵，Σ为特征值，U_r∈R^D×r为U的分块矩阵，U_r∈R^D×(D-r)为U^T的分块矩阵，Σ₁为特征值矩阵的分块矩阵，Σ₁∈R^r×r且非奇异，r为矩阵S_t的秩，D与R为实数。

S203：令投影矩阵A＝U_rk+U_rl，且U_r ^TX＝0，其中k∈R^r，l∈R^D-r，且NPE算法的目标函数式可由下式表示，其中c为常数，S.t.之后的式子为目标函数的约束条件。

S204：对上述NPE算法的目标函数作如下变化

S.t.k^TΣ₁ ^-1/2Σ₁ ^1/2U_r ^TXX^TU_rΣ₁ ^-1/2Σ₁ ^1/2k＝c

令ξ＝Σ₁ ^1/2k，S₀＝Σ₁ ^-1/2U_r ^TXMX^TU_rΣ₁ ^-1/2，S_c＝Σ₁ ^-1/2U_r ^TXX^TU_rΣ₁ ^-1/2，上式可由下式表示：

将S₀与S_c相加，随后带入S_t：

S₀+S_c＝Σ₁ ^-1/2U_r ^TS_tU_rΣ₁ ^-1/2＝I_r×r

S205：得出CNPE算法的目标函数式：

S206：计算投影矩阵：

S_cξ＝λξ

上式中，λ为需要求解的特征值，得到特征值之后求出与之对应的特征向量，取解的前t个最大非零特征值ξ₁～ξ_t，其对应的特征向量为a₁～a_t，组成投影矩阵A。因此NPE的广义特征值最小化问题转化为上式的最大特征值求解，CNPE计算的特征值精度高，且避免了高阶矩阵的奇异性问题。

步骤3、利用CNPE算法对采集而来的8个重要特征参数进行处理，将所采数据进行数据降维与特征提取；

步骤3具体包括以下步骤：

利用CNPE算法将步骤1所采的数据集X进行处理并提取X的非线性特征，随后确立有关时间序列的投影关系，投影前与投影后数据如下。

上式中，i与s为整数，X_i,s为投影前数据集，Y_i,s为投影后数据集，投影关系如下式：

Y_i,s＝A^TX_i,s

取S206解的前t个最大非零特征值ξ₁～ξ_t，其对应的特征向量为a₁～a_t组成投影矩阵A，X_i,s∈R^s×m，Y_i,s∈R^s×l，A∈R^m×l，s、m、l为整数，代表矩阵的维数。

步骤4、根据步骤3降维后的数据与原始数据的关系，计算重构误差矩阵；

步骤4具体包括以下步骤：

根据步骤3降维后的数据与原始数据的关系，计算重构误差矩阵，光伏组件的高维信息投影至低维空间时，会有一定信息量的丢失，因此会产生重构误差，重构误差难以避免且仅与系统不确定性有关，重构误差矩阵E_i,s推导如下：

步骤5、根据步骤4的重构误差矩阵建立光伏组件热斑故障评估函数；

步骤5具体包括以下步骤：

S501：由步骤1获取发生热斑时的光伏组件数据集如下：

X^f＝X+F

其中，F是由热斑故障引起的异常矩阵，F∈R^N×m，N与m为整数，代表异常矩阵的维数；X^f为发生遮挡时采集的光伏组件的数据集。

S502：利用步骤2提出的CNPE算法和步骤3提出的投影关系对故障数据集进行处理，该种处理方式适用于正常数据集以及故障数据集，故障数据集投影到低维空间如下式：

Y_i,s ^f＝A^TX_i,s ^f

S503：推导故障数据集的重构误差矩阵E_i,s ^f：

E_i,s ^f＝F_i,s-(AA^T)^-1AA^TF_i,s

E_i,s ^f是由热斑故障引起的重构误差矩阵，因此光伏组件的热斑故障诊断可以通过监测E_i,s ^f判断。

S504：提出光伏组件热斑故障评估函数：

J(i)＝tr(E_i,s ^TE_i,s)

上式中，tr为矩阵的迹。使用CNPE算法将数据降维前后会有一定的误差，原始数据集X降维后变为Y数据集，当Y数据集想要重构为X数据集时会产生误差E。

当光伏组件出现热斑故障时，上式改写为：

J(i)＝tr(E_i,s ^TE_i,s)+tr((E_i,s ^f)^TE_i,s ^f)

选取光伏组件正常工作情况下评估函数的最大值作为阈值：

J_th＝maxJ(i)

本实施例以评估函数值来判断光伏组件是否出现热斑故障，阈值J_th由正常工况下光伏组件评估函数值的最大值确定，在具体实施例中，首先根据正常光伏组件评估函数值确立阈值，随后计算故障光伏组件评估函数值，最后绘制步骤6中的评估函数曲线，可以直观看出光伏组件是否发生热斑故障。

步骤6、根据步骤5所提的评估函数制作评估函数曲线，从而直观的观察热斑故障的严重程度；

步骤6具体包括以下步骤：

选取任意光伏板有关时间序列的100个采样点，计算其评估函数值，随后将评估函数值绘制成曲线，该曲线即为评估函数曲线，若曲线上任意一点大于阈值J_th，则该光伏组件出现热斑故障，若曲线上所有点皆不超过阈值J_th，则该光伏组件为正常组件，未发生热斑故障。

如图3所示，编号1到编号7(即情况1～情况7)是使用纸板遮挡模仿实际光伏组件应用中的不同面积、不同位置遮挡的单故障情况；上图中编号8到编号11(即情况8～情况11)是使用纸板遮挡模仿实际光伏组件应用中的不同面积、不同位置遮挡的多故障情况；编号12(即情况12)是使用电线遮挡模仿实际应用中的线性遮挡；编号13(即情况13)是使用透明胶带遮挡模仿实际应用中的乌云遮挡；编号14(即情况14)是使用纸板遮挡模仿现实中跨电池单元的遮挡；编号15(即情况15)是使用纸板遮挡模仿现实中不规则跨多个电池单元的遮挡。

本实施例使用一种基于CNPE的特征提取和空对空投影的故障诊断方法进行，结果如图4～图8所示，其中J为评估函数值，横坐标中0-100为光伏组件正常工作时的评估函数曲线，100-200为发生不同热斑故障时的评估函数曲线，虚线为光伏组件正常工作时评估函数曲线的最大值。

评估函数曲线可以准确的判断光伏组件是否发生热斑故障，如图4所示，情况1-情况3的热斑故障均被精准诊断。情况4-情况6的诊断结果如图5所示，情况4的评估函数值比情况5和情况6都大很多，因为随着阴影遮挡面积的增大，热斑故障的严重程度也越高，这一点同时体现在图6上，图6分别为一块、两块和三块硬纸板，其中三块硬纸板遮挡的阴影面积最大，评估函数曲线与横坐标面积也最大，热斑故障比情况7，情况8严重。如图7～图8所示，情况12，与情况13分别为电线遮挡以及透明胶带遮挡，由此可见，对于细小阴影遮挡引起的热斑故障，本实施例仍有良好诊断效果。

本实施例与其它数据驱动式的光伏组件热斑故障诊断方法相比，速度与精度都有所提升，如图9所示，本发明的一种基于CNPE的热斑诊断方法在运算速度以及识别率上都优于使用NPE的热斑故障诊断方法与使用PCA的热斑故障诊断方法。而ISOMAP算法识别率与CNPE算法一致，但运算速度是CNPE算法的两倍。

本发明公开一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，该方法将光伏组件的8个重要参数作为故障特征，利用完全邻域保持嵌入算法进行特征提取与数据降维，将结果投影至新空间，随后根据降维前后产生的重构误差矩阵建立光伏组件热斑评估模型，并提出一种可以判断光伏组件热斑故障严重程度的评估函数。该评估函数可以评估热斑故障严重程度并通过评估函数曲线直观展示评估结果。本发明相较于传统的光伏组件热斑诊断方法，无需昂贵硬件，同时诊断速度与诊断精度都有所提升，可以诊断出类似透明遮挡物或细小电线遮挡物引起的光伏组件热斑故障。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间，以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的方法。

以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (6)

1.一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，其特征在于，包括以下步骤：

步骤1、采集光伏组件的重要特征参数；

步骤2、基于邻域保持嵌入NPE改进完全邻域保持CNPE嵌入算法；

步骤3、利用CNPE算法对步骤1采集而来的重要特征参数进行处理，将所采数据进行数据降维与特征提取；

步骤4、根据步骤3降维后的数据与原始数据的关系，计算重构误差矩阵；

步骤5、根据步骤4的重构误差矩阵建立光伏组件热斑故障评估函数；

步骤6、根据步骤5的评估函数制作评估函数曲线；

步骤2具体包括以下步骤：

S201：将NPE算法涉及到的广义特征值计算问题转化为两个特征值分解的问题，即S_t和S_c，S_t是一个D×D的对称矩阵，S_t由下式表示：

S_t＝X(I-W)^T(I-W)X^T+XX^T

其中，X为包含8个重要特征参数{U_OC，I_SC，U_M，I_M，M_PP，FF，T，G}的数据集，I为单位矩阵，W为NPE算法最小化目标函数时获得的权重矩阵；

S202：令M＝(I-W)^T(I-W)，上式则化为S_t＝XMX^T+XX^T，对S_t进行特征值分解：

其中，U为S_t分解后的特征矩阵，且U＝(U_r U_r)为D×D的正交矩阵，Σ为特征值，U_r∈R^D×r为U的分块矩阵，U_r∈R^D×(D-r)为U^T的分块矩阵，Σ₁为特征值矩阵的分块矩阵，Σ₁∈R^r×r且非奇异，r为矩阵S_t的秩，D与R为实数；

S203：令投影矩阵A＝U_rk+U_rl，且U_r ^TX＝0，其中k∈R^r，l∈R^D-r，且NPE算法的目标函数式由下式表示，其中c为常数，S.t.之后的式子为目标函数的约束条件：

S204：对上述NPE算法的目标函数作如下变化：

S.t.k^TΣ₁ ^-1/2Σ₁ ^1/2U_r ^TXX^TU_rΣ₁ ^-1/2Σ₁ ^1/2k＝c

令ξ＝Σ₁ ^1/2k，S₀＝Σ₁ ^-1/2U_r ^TXMX^TU_rΣ₁ ^-1/2，S_c＝Σ₁ ^-1/2U_r ^TXX^TU_rΣ₁ ^-1/2，上式可由下式表示：

S.t.ξ^TS_cξ＝c

将S₀与S_c相加，随后带入S_t：

S₀+S_c＝Σ₁ ^-1/2U_r ^TS_tU_rΣ₁ ^-1/2＝I_r×r

S205：得出CNPE算法的目标函数式：

S.t.ξ^TS_cξ＝c

S206：计算投影矩阵：

S_cξ＝λξ

上式中，λ为需要求解的特征值，得到特征值之后求出与之对应的特征向量，取解的前t个最大非零特征值ξ₁～ξ_t，其对应的特征向量为a₁～a_t，组成投影矩阵A；

所述重要特征参数包括{U_OC，I_SC，U_M，I_M，M_PP，FF，T，G}，其中，U_OC为光伏组件开路电压，I_SC为光伏组件短路电流，U_M为最大功率点处电压，I_M为最大功率点处电流，M_PP为最大功率点，FF为填充因子，T为光伏组件表面温度，G为辐照度；

步骤3具体包括以下步骤：

利用CNPE算法将步骤1所采的数据集X进行处理，随后确立有关时间序列的投影关系，投影前与投影后数据如下：

上式中，i与s为整数，X_i,s为投影前数据集，Y_i,s为投影后数据集，投影关系如下式：

Y_i,s＝A^TX_i,s

上式中，X_i,s∈R^s×m，Y_i,s∈R^s×l，A∈R^m×l，s、m、l为整数，代表矩阵的维数；

步骤4具体包括以下步骤：

根据步骤3降维后的数据与原始数据集X的关系，计算重构误差矩阵E_i,s，重构误差矩阵E_i,s推导如下：

2.根据权利要求1所述的一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，其特征在于，

步骤5具体包括以下步骤：

S501：由步骤1获取发生热斑时的光伏组件数据集如下：

X^f＝X+F

其中，F是由热斑故障引起的异常矩阵，F∈R^N×m，N与m为整数，代表异常矩阵的维数；X^f为发生遮挡时采集的光伏组件的数据集；

S502：利用步骤2提出的CNPE算法和步骤3提出的投影关系对故障数据集进行处理，该种处理方式适用于正常数据集以及故障数据集，故障数据集投影到低维空间如下式：

Y_i,s ^f＝A^TX_i,s ^f

S503：推导故障数据集的重构误差矩阵E_i,s ^f：

E_i,s ^f＝F_i,s-(AA^T)^-1AA^TF_i,s

E_i,s ^f是由热斑故障引起的重构误差矩阵；

S504：提出光伏组件热斑故障评估函数：

J(i)＝tr(E_i,s ^TE_i,s)

上式中，tr为矩阵的迹；

当光伏组件出现热斑故障时，上式改写为：

J(i)＝tr(E_i,s ^TE_i,s)+tr((E_i,s ^f)^TE_i,s ^f)

选取光伏组件正常工作情况下评估函数的最大值作为阈值：

J_th＝max J(i)。

3.根据权利要求1所述的一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，其特征在于，

步骤6具体包括以下步骤：

选取任意光伏组件有关时间序列的若干个采样点，分别计算其评估函数值，随后将评估函数值绘制成曲线，该曲线即为评估函数曲线，若曲线上任意一点大于阈值J_th，则该光伏组件出现热斑故障，若评估函数曲线上所有点皆不超过阈值J_th，则该光伏组件为正常组件，未发生热斑故障；

4.根据权利要求1～3任意一项所述的一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，其特征在于，光伏组件包括光伏板。

5.根据权利要求1所述的一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，其特征在于，采集光伏组件的重要特征参数包括采集若干正常光伏组件以及异常光伏组件的重要特征参数。

6.根据权利要求5所述的一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法，其特征在于，异常光伏组件包括单故障光伏组件、多故障光伏组件、线性遮挡故障光伏组件、乌云遮挡故障光伏组件、跨单个电池单元的遮挡故障光伏组件和跨多个电池单元的遮挡故障光伏组件。

Images