TWI741727B

TWI741727B - 基於電性時序波形的光伏陣列故障診斷方法

Info

Publication number: TWI741727B
Application number: TW109126868A
Authority: TW
Inventors: 魏榮宗; 高偉
Original assignee: 國立臺灣科技大學
Priority date: 2020-08-07
Filing date: 2020-08-07
Publication date: 2021-10-01
Also published as: TW202207617A

Abstract

本發明提供一種基於電性時序波形的光伏陣列故障診斷方法，通過採集光伏陣列於故障發生前後的電壓和電流時序波形，並將電壓、電流和功率波形作為輸入信號，接著透過堆疊自動編碼器實現故障特徵提取，同時採用改進的深度森林對光伏陣列的線-線、開路、遮陰等故障進行診斷。

Description

基於電性時序波形的光伏陣列故障診斷方法

本發明涉及一種光伏陣列故障診斷方法，特別是涉及一種基於電性時序波形的光伏陣列故障診斷方法。

隨著近年來傳統化石能源逐漸枯竭和環境污染日益嚴重，人們對可再生清潔能源需求不斷上升。在清潔能源中，光伏發電因具有安裝迅速、環境適應強、可延展性高、維護成本低等優點，成為人們關注的焦點。伴隨著光伏發電裝機容量的增加，對光伏系統進行運行狀態監測和故障排查變得愈發重要。

光伏系統運行在環境多變的戶外，容易出現各種類型的故障，若不及時清除，就會出現發電功率損失、元件損壞、熱斑等問題甚至火災事故。為了確保光伏系統的安全運行，光伏系統的直流側一般會裝設過電流保護裝置(OCPD)和接地保護裝置(GFDI)，保護閾值的設定需嚴格按照電氣規範執行，如國家電氣規範(NEC)或歐洲國際電子電機委員會標準。但光伏系統的輸出特性為非線性，這使得光伏系統的故障檢測難以簡單實現。因為當光伏陣列發生輕中度故障或者在低照度下發生故障，這些保護設備會因最大功率點追蹤(Maximum power point tracking,MPPT)的作用而難以起到保護作用，導致故障得不到有效排除。

在現有技術中，有通過觀測光伏陣列在不同狀態下I-V曲線中V _oc、I _sc、V _mpp、I _mpp、P _mpp等外特徵參數和(或)內特徵參數與正常狀態的差異性，以實現故障診斷和分類目的I-V曲線診斷法，然而，這類方法需要將逆變器停止運行，通過特定的儀器測量I-V曲線、輻照度和環境溫度，造成光伏發電系統出現人為的功率損失。由於不能實現即時的故障檢測，導致故障會在陣列中存在一段時間而引起一定的安全隱患。

此外，光伏陣列的電壓電流診斷法是通過線上測量光伏陣列輸出的電壓、電流的波形，分析其在不同故障情況下的變化規律，挖掘相同故障下電氣參數的變化共通性，實現故障診斷。但這些方法對於不同的規模的光伏陣列，其特徵值需要重新設計，耗費大量時間。

在上述方法中多通過人為進行特徵提取，但人工特徵提取或利用先驗知識建立診斷模型的方法需要耗費大量的時間進行特徵的篩選，且可能會忽略掉某些潛在的特徵，進而導致故障診斷率的下降。

故，如何省去複雜的人工特徵設計，同時實現光伏陣列的故障特徵的自動提取，且在複雜環境變化的下也能實現高效的故障診斷，來克服上述的缺陷，已成為該項事業所欲解決的重要課題之一。

本發明所要解決的技術問題在於，針對現有技術的不足提供一種基於電性時序波形的光伏陣列故障診斷方法，利用堆疊自動編碼器自動提取出具有較高辨識度的特徵，之後利用改進的深度森林演算法實現故障特徵的增強和挖掘，在降低特徵向量維度的同時，可增強各級森林間資訊連通性，並提高診斷的準確率。

為了解決上述的技術問題，本發明所採用的其中一技術方案是提供一種基於電性時序波形的光伏陣列故障診斷方法，係用以診斷一光伏陣列的故障情形，其包括：建立一光伏陣列故障診斷模型，其包括一特徵提取模組、一多細微性掃描演算法及一級聯森林模型；取得該光伏陣列的已知故障類型的一歷史電性時序波形；配置該特徵提取模組從該歷史電性時序波形中提取多個特徵，並將該些特徵進行組合以產生一輸入特徵向量；使用該多細微性掃描演算法處理該輸入特徵向量以得到一增強特徵向量；以該增強特徵向量訓練該級聯森林模型，以產生該經訓練級聯森林模型；取得該光伏陣列的一當前電性時序波形；以及將該當前電性時序波形輸入該光伏陣列故障診斷模型，以判斷該當前電性時序波形的一故障類型。

在一些實施例中，光伏陣列故障診斷模型更包括一預處理程序，且該光伏陣列故障診斷方法更包括對所取得的該歷史電性時序波形執行該預處理程序，以產生一標準化歷史功率波形。

在一些實施例中，歷史電性時序波形包括一電壓時序波形及一電流時序波形，且預處理程序包括：將該電壓時序波形及該電流時序波形分別除以在一標準測試條件下，該光伏陣列的一開路電壓及一短路電流以得到一標準化電壓時序波形及一標準化電流時序波形；以及將該標準化電壓波形及該標準化電流時序波形相乘以得到一標準化功率時序波形，其中該歷史電性時序波形包括該標準化電壓時序波形、該標準化電流時序波形及該標準化功率時序波形。

在一些實施例中，特徵提取模組包括堆疊自動編碼器，該堆疊自動編碼器包括依序堆疊的多個自動編碼器，其中各該自動編碼器包括一輸入層及一隱含層，且各該自動編碼器的該隱含層的輸出作為下一層該自動編碼器的該隱含層的輸入，且該些自動編碼器係以一貪婪演算法進行預訓練以形成該堆疊自動編碼器。

在一些實施例中，該多細微性掃描演算法包括：通過具有一預定長度的一移動視窗對該輸入特徵向量進行取樣，以產生包括多個特徵向量的一子資料集，其中該些特徵向量各具有對應該預定長度的一預定維度；通過一第一隨機森林模型及一第一完全隨機森林模型對該子資料集進行分類，以分別產生對應的一第一子分類集及一第二子分類集；以及將該第一子分類集及該第二子分類集組合以產生該增強特徵向量。

在一些實施例中，該子資料集係具有k個特徵，且該第一隨機森林模型係從該子資料集中選擇

個特徵來對該子資料集進行分類，而該第一完全隨機森林模型係隨機從該子資料集的k個特徵中選擇其中之一來對該子資料集進行分類。

在一些實施例中，該級聯森林模型包括多個森林級，各該森林級包括多個成對的隨機森林模型及多個成對的完全隨機森林模型，其中，將各該森林級中成對的該些隨機森林模型的輸出以及成對的該些完全隨機森林模型的輸出各自進行平均處理，並與初始輸入的該增強特徵向量進行組合作為下一該森林級的輸入，並將該些森林級中，最終級的該森林級的輸出進行平均處理及極值處理，以獲得分類結果。

在一些實施例中，各該森林級包括至少二成對的該隨機森林模型及至少二成對的該完全隨機森林模型。

在一些實施例中，該增強特徵向量係分割為一訓練資料及一測試資料，且該訓練資料係用於對該級聯森林模型進行訓練。

在一些實施例中，以該訓練資料對該級聯森林模型進行訓練時，直到該級聯森林模型中相鄰的該些森林級的一分類準確率不再上升時，即可作為該經訓練級聯森林模型。

本發明的其中一有益效果在於，本發明所提供的基於電性時序波形的光伏陣列故障診斷方法，通過採集故障發生前後的電壓和電流時序波形，並進行標準化操作將標準化後的電壓、電流和功率波形作為輸入信號。接著透過堆疊自動編碼器實現故障特徵提取，同時採用改進的深度森林對光伏陣列的線-線、開路、遮陰等故障進行診斷，除了利用堆疊自動編碼器自動提取出具有較高辨識度的特徵，還可利用改進的深度森林演算法實現故障特徵的增強和挖掘，因此可以降低特徵向量維度，同時增強各級森林間資訊連通性，提高診斷的準確率。

為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。

PVS:光伏發電系統

100:光伏陣列

COV:電源轉換器

INV:逆變器

GFPD:接地保護模組

MPPT:最大功率點追蹤模組

PV:光伏元件

CELL:太陽電池片

Ir:輻照度偵測模組

Tc:溫度偵測模組

Ipv:輸出電流

Vpv:輸出電壓

BPD:旁路二極體

F1、F2、F3、F4、F5、F6:故障

1:光伏陣列故障診斷模型

10:預處理程序

12:特徵提取模組

14:多細微性掃描演算法

16:級聯森林模型

SAE:堆疊自動編碼器

AE1、AE2、AE3、AE4:自動編碼器

DataIn:輸入資料

Vi:輸入特徵向量

W:移動視窗

SDS:子資料集

RF1:第一隨機森林模型

CRF1:第一完全隨機樹森林模型

SCS1:第一子分類集

SCS2:第二子分類集

EF:增強資料特徵

RF:隨機森林模型

CRF:完全隨機森林模型

ave:平均處理

Max:極值處理

圖1為根據本發明實施例的基於電性時序波形的光伏陣列故障診斷方法的流程圖。

圖2為典型的光伏發電系統的示意圖。

圖3為根據本發明實施例的光伏陣列故障診斷模型。

圖4為本發明實施例的預處理程序的流程圖。

圖5為根據本發明實施例的堆疊自編碼器的架構示意圖。

圖6為根據本發明實施例的多細微性掃描演算法的結構示意圖。

圖7為根據本發明實施例的多細微性掃描演算法的流程圖。

圖8為根據本發明實施例的級聯森林模型的架構示意圖。

圖9為根據本發明實施例的基於電性時序波形的光伏陣列故障診斷方法的分類結果的混淆矩陣。

以下是通過特定的具體實施例來說明本發明所公開有關“基於電性時序波形的光伏陣列故障診斷方法”的實施方式，本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不背離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。另外，本文中所使用的術語“或”，應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。

圖1為根據本發明實施例的基於電性時序波形的光伏陣列故障診斷方法的流程圖。參閱圖1所示，本發明實施例提供一種基於電性時序波形的光伏陣列故障診斷方法，係用以診斷一光伏陣列的故障情形。

圖2為典型的光伏發電系統的示意圖。參照圖2，光伏發電系統PVS包括光伏陣列100、電源轉換器COV、逆變器INV、接地保護模組GFPD及最大功率點追蹤模組MPPT。光伏陣列100將多個光伏元件PV串聯以提升陣列的輸出電壓，且將多個光伏元件PV形成的串列進行並聯以提升光伏陣列100的輸出電流，進而獲得較大功率的能源輸出。光伏元件PV可如圖所示包括多個太陽電池片CELL、旁路二極體BPD、輻照度偵測模組Ir及溫度偵測模組Tc。

由於其輸出的電壓與電流為非線性關係，且極易受到陽光輻照度和太陽光電面板溫度的影響，所以光伏陣列需要通過最大功率點跟蹤模組MPPT，使輸出功率持續保持在最大值點，從而使光伏陣列100的工作效率達到最高。其中，最大功率點跟蹤模組MPPT可例如是通過處理器執行的最大功率點跟蹤演算法，且可例如為擾動觀測(Perturb and observe,P&O)法。

以下首先說明本發明的光伏陣列故障診斷方法使用電性時序波形作為診斷依據的原因。光伏陣列100在運行過程中，容易出現各種各樣的故障，如線-線短路、開路、接地、電弧、遮陰、旁路二極體損壞等故障。以下以圖2提供的光伏發電系統PVS為例，來介紹多種故障的特性。

線間故障(L-L Fault)是指在光伏陣列的線路中某兩個位置發生意外短接，使部分光伏元件被短路，進而導致功率損失。此類故障可以發生在同一光伏串內，也可發生在相鄰的兩個光伏串之間。在圖2中，以每個光伏串包括10個光伏元件PV為例，故障F1處有9塊模組被短路，換言之，在相同光伏串內有90%的光伏模組被短路，則可稱之為線間故障90%失配(L-L Fault 90% mismatch，可簡稱為LL-90%)。故障F2為兩個光伏串間發生短路，缺失了20%的元件，稱其為L-L Fault 20% mismatch(LL-20%)；同理，F3故障為L-L Fault 10% mismatch(LL-10%)。失配比越大表明線間故障越嚴重。

開路故障(OC Fault)指的是光伏陣列100中的某一/些串出現中斷點(如圖2中的故障F4處)，導致故障串進入開路狀態，不產生能量。光伏陣列100剩餘串可以正常工作，從而出現功率損失。

遮陰是指光伏陣列100的某些模組被樹木、建築物的陰影或者落葉、鳥糞遮擋而導致陣列輸出功率受損的情況。當光伏陣列100發生遮陰時，光伏陣列100的I-V曲線可能會出現雙峰。當光伏陣列100工作在左側峰時，此時的故障稱為旁路二極體BPD導通的遮陰故障(PSBO)；當光伏陣列100工作在右側峰時，此時的故障稱為旁路二極體BPD不導通的遮陰故障(PSBR)。這是因為每個光伏元件PV是由串聯的太陽電池片CELL和並聯在太陽電池片CELL兩側的旁路二極體BPD組成(如圖2中虛線部分所示)。當光伏陣列100中若干串的少數模組或太陽電池片CELL被遮陰時(如圖2中故障F5)，被遮陰模組的電流會因為輻照度降低而大幅降低，遮陰部分的電池工作於負載狀態，被遮陰模組的旁路二極體BPD被啟動而導通。被遮陰的模組短路，光伏陣列100的電流從旁路二極體BPD流過，從而保護光伏陣列100整體的工作效率。旁路二極體BPD從關閉到導通存在一個過程，這個過程取決於光伏模組遮陰前後輻照度的大小，若遮陰前後的輻照度相差很小，則旁路二極體BPD還不會被啟動，反之則會導通。當光伏陣列100中若干串較多模組或電池片CELL被遮陰時(如圖2中故障F6)，因為多個被遮蔭電池片CELL的電流都下降，導致它們的旁路二極體BPD都不會導通，使得整個光伏陣列100的輸出電流Ipv下降，從而影響整體的發電效率。

而在發生遮陰故障時，被遮陰部分的電池輻照度逐漸減小，在旁路二極體BPD還沒導通之前，光伏陣列100的總輸出電流Ipv一直在下降。當被遮陰的電池的輻照度減小到一定程度時，旁路二極體BPD被啟動，遮陰電池所在的電池串被短路。此時，正常運行電池的輸出電流從旁路二極體BPD流過，光伏陣列100的輸出電流Ipv又變大，而光伏陣列100的輸出電壓Vpv因為被遮陰電池串的短路而變小。

另一方面，當光伏陣列100發生PSBR故障時，旁路二極體BPD從始至終都處於關閉狀態，因此光伏陣列100的輸出電流Ipv會持續下降，而輸出電壓Vpv不會發生較大變化。

再者，當光伏陣列100發生OC故障時，故障串開路，無電流輸出，光伏陣列100的輸出電流Ipv只由剩餘串提供，故導致光伏陣列100的輸出電流Ipv突然下降。對於正常串來說，其開路前後的輸出電壓Vpv基本保持不變，由於總輸出電流Ipv變化導致重新執行MPPT策略尋找新的最大功率點，在開路瞬間輸出電壓Vpv存在一個震盪的過程，經過較短的時間的調整，陣列會重新穩定在新的MPPT點。

此外，當光伏陣列100發生線-線故障時，由於元件出現了失配，陣列的端電壓降低，沒有短路的回路會把所發的部分電流壓入短路模組，從而導致總輸出電流Ipv驟降。如果端電壓小於逆變器INV的啟動電壓，逆變器INV會退出運行，光伏發電系統PVS將無功率輸出。如果端電壓大於逆變器INV的啟動電壓，逆變器INV繼續工作，執行MPPT調整，光伏陣列100的輸出電壓Vpv會逐漸下降、總輸出電流Ipv逐漸提高，以滿足最大功率輸出的要求。當光伏陣列100發生較為嚴重的線間故障時，此時故障電流的幅值較大，可由過電流保護裝置(OCPD)將故障切除。

從上述分析可以發現，不同的故障發生時，故障前後的電壓、電流和功率會出現相應的變化，這個變化過程蘊含這大量的特徵資訊，可以作為故障辨識的資料指標。基於上述基礎，本發明將以故障發生前後的電壓、電流、以及功率的時序變化波形作為診斷的依據，來對光伏陣列的故障進行辨識。

請復參考圖1，本發明實施例的基於電性時序波形的光伏陣列故障診斷方法包括下列步驟：

步驟S100：建立一光伏陣列故障診斷模型。可進一步參考圖3，其為根據本發明實施例的光伏陣列故障診斷模型。如圖3所示，光伏陣列故障診斷模型1包括特徵提取模組12、多細微性掃描演算法14及級聯森林模型16。

步驟S101：取得光伏陣列的已知故障類型的歷史電性時序波形。其中，歷史電性時序波形可包括電壓時序波形及電流時序波形。

在可選實施例中，光伏陣列故障診斷模型1可進一步包括預處理程序10，其用於針對所取得的歷史電性時序波形執行預處理程序，以產生標準化歷史功率波形。

考慮到不同模組參數的差異以及光伏陣列規模的不同，需要對採集到的電壓、電流資料進行標準化以提高方法的適應性和泛化能力。由於本研究主要是以故障瞬間的波形變換規律作為辨識的特徵，這些規律與太陽光輻照度和面板溫度無關，所以標準化時無需考慮環境的影響，更無需採集二者資料。資料標準化方法為：將電壓時序波形及電流時序波形分別除以在STC(1000W/m²，25℃)下，光伏陣列100的開路電壓和短路電流得到標準化後的電壓、電流值，並進一步將標準化後的電壓、電流相乘則得到功率的標準化值。其運算式可表示為下式(1)-(3)：

其中m和n分別表示光伏陣列並、串聯的組件個數；I _pv(i)和V _pv(i)分別表示第i個電流和電壓值。

(i)、

(i)和

(i)分別表示第i個標準化後的電流、電壓和功率值。I _sc和V _oc表示模組在STC下的短路電流和開路電壓。

因此，請進一步參照圖4，其為本發明實施例的預處理程序的流程圖。如圖所示，預處理程序可包括下列步驟：

步驟S200：將電壓時序波形及電流時序波形分別除以在標準測試條件下，光伏陣列的開路電壓及短路電流，以得到標準化電壓時序波形及標準化電流時序波形。

步驟S202：將標準化電壓波形及標準化電流時序波形相乘以得到標準化功率時序波形。其中，如上式(1)-(3)所示，歷史電性時序波形包括標準化電壓時序波形、標準化電流時序波形及標準化功率時序波形。

請復參考圖1，方法進入步驟S102：配置特徵提取模組12從歷史電性時序波形中提取多個特徵，並將該些特徵進行組合以產生輸入特徵向量。其中，特徵提取模組12可例如包括主成分分析(Principal Component Analysis,PCA)算法、奇異值分解(Singular Value Decomposition,SVD)演算法、自動編碼器及堆疊自動編碼器的至少其中之一，或上述的任意組合。

詳細而言，自動編碼器(Auto Encoder,AE)是一種無監督的深度學習演算法，可以自動從無標注的資料中學習特徵，給出比原始資料更好的特徵描述。然而，倘若僅使用單個自編碼器從高維資料中提取出低維的特徵，往往會因為資料過度壓縮出現大量有效資訊的丟失。如果通過使用多個自編碼器逐級逐層慢慢壓縮資料，就可以逐漸挖掘到資料中更加豐富的故障資訊，從而避免有效資料的丟失，保留資料中的潛在特徵。這種多個AE網路順序堆疊形成的神經網路，稱為堆疊自編碼器(SAE)。可進一步參考圖5，其為根據本發明實施例的堆疊自編碼器的架構示意圖。如圖5所示，堆疊自動編碼器SAE包括依序堆疊的多個自動編碼器AE1、AE2、AE3、AE4，其中，自動編碼器AE1、AE2、AE3、AE4各包括一輸入層及一隱含層，且自動編碼器AE1、AE2、AE3、AE4各自的隱含層的輸出作為下一層的自動編碼器的隱含層的輸入，且自動編碼器係以貪婪演算法進行預訓練以形成堆疊自動編碼器SAE。

詳細而言，將輸入資料DataIn輸入堆疊自動編碼器SAE後，使用貪婪演算法對堆疊自動編碼器SAE進行逐層預訓練，換言之，是將一個訓練好的AE網路的隱含層壓縮特徵作為下一層AE網路的輸入，經過多個AE網路的堆疊後，將最後一個網路壓縮得到的資料作為所要提取的輸入特徵向量Vi。

請復參考圖1，方法進入步驟S103：使用多細微性掃描演算法處理輸入特徵向量以得到增強特徵向量。

可進一步參考圖6，其為根據本發明實施例的多細微性掃描演算法的結構示意圖。如圖6所示。假定有一長度為a的一維輸入特徵向量Vi，若使用長度為b的移動視窗W進行滑動選擇，且每次僅滑動一個單位長度，則將產生a-b+1個具有b維特徵向量的子資料集SDS。對於有c個類別的分類問題，將所有的子資料集分別經過第一隨機森林模型RF1及第一完全隨機樹森林模型CRF1分類後，得到對應的第一子分類集SCS1及第二子分類集SCS2。將第一子分類集SCS1及第二子分類集SCS2拼接起來，即得到經過多細微性掃描演算法處理後的增強資料特徵EF。其中，隨機森林模型與完全隨機樹森林模型的區別在於樹特徵的選取。

詳細而言，若子資料集SDS具有k個特徵，且第一隨機森林模型RF1係從子資料集SDS中選擇

k個特徵，再選擇其中基尼係數最好的特徵來對子資料集SDS進行分類，而第一完全隨機森林模型CRF1係隨機從子資料集SDS的k個特徵中選擇其中之一來對子資料集SDS進行分類。更詳細而言，第一隨機森林模型RF1及第一完全隨機樹森林模型CRF1可各自包括多個決策樹，而所選擇的特徵將用於在各決策樹中對子資料集SDS進行分類。

因此，可進一步參考圖7，其為根據本發明實施例的多細微性掃描演算法的流程圖。如圖7所示，綜合以上敘述，多細微性掃描演算法可包括下列步驟：

步驟S300：通過具有預定長度的移動視窗對輸入特徵向量進行取樣，以產生包括多個特徵向量的子資料集。其中，該些特徵向量各具有對應預定長度的預定維度。

步驟S301：通過第一隨機森林模型及第一完全隨機森林模型對子資料集進行分類，以分別產生對應的第一子分類集及第二子分類集。

步驟S302：將第一子分類集及第二子分類集組合以產生增強特徵向量。

接著，回到步驟s104：以增強特徵向量訓練級聯森林模型，以產生經訓練級聯森林模型。

詳細而言，現有的深度森林(gcForest)每一級的輸入向量是由前一級森林輸出的類分佈估計向量與初始特徵向量拼接而成。隨著森林的級數不斷加深，特徵向量所攜帶的文本資訊將不斷退化，從而導致分類結果不穩定。雖然可通過將每一級的輸入向量改為之前所有級的輸出類分佈向量拼接初始特徵向量，來解決這一問題，但隨著級聯層數的加深，該改進方法的每一級的輸入維度將不斷加大，形成「維度災」。因此，本發明提出一種新的改進深度森林(Improved grained cascade forest)方法，既能減小各級輸入向量特徵的維度，又能保持各級森林之間連通的效果。

請進一步參考圖8，其為根據本發明實施例的級聯森林模型的架構示意圖。如圖所示，級聯森林模型包括多個森林級，各森林級包括多個成對的隨機森林模型RF及多個成對的完全隨機森林模型CRF，其中，將各森林級中成對的隨機森林模型RF的輸出以及成對的完全隨機森林模型CRF的輸出各自進行平均處理ave，並與初始輸入的增強特徵向量EF進行組合作為下一森林級的輸入，並將多個森林級中的最終級的森林級的輸出進行平均處理ave，再進行極值處理Max，即可獲得分類結果。在一些實施例中，各該森林級包括至少二成對的隨機森林模型RF及至少二成對的完全隨機森林模型CRF，但本發明不限於此。

在上述級聯森林模型的架構下，由於每級中包含隨機森林和完全隨機樹森林，每個森林都會生成各自的類分佈估計向量，因此將同種類型森林的輸出向量取平均值，則能夠得到一個增強的類分佈估計向量，同時使得輸出的向量成倍減小，並且，本發明的級聯森林模型將多個森林級中的每一級的輸入向量改進為初始輸入的增強特徵向量，並與之前每一級森林輸出的平均值進行拼接，因此綜合考慮了此前每一級森林分類結果的影響。換言之，不僅可以減小各級輸入特徵的維度，還保留了各級分類結果和初始特徵向量的特徵資訊。

在步驟S302中，增強特徵向量FE分割為訓練資料及測試資料，且訓練資料係用於對級聯森林模型進行訓練，除此之外，以訓練資料對級聯森林模型進行訓練時，直到級聯森林模型中相鄰的該些森林級的一分類準確率不再上升時，即可作為經訓練級聯森林模型。

訓練完成後，請復參考圖1，方法進入步驟s105：取得光伏陣列的當前電性時序波形。

步驟S106：將當前電性時序波形輸入光伏陣列故障診斷模型，以判斷當前電性時序波形的故障類型。

以下說明針對本發明提供的基於電性時序波形的光伏陣列故障診斷方法的模擬驗證。本發明使用MATLAB/SIMULINK軟體搭建一個模擬平臺來獲取驗證演算法所需的模擬資料。光伏發電系統的規模如圖2所示，由50個光伏元件PV組成，陣列規模是5×10。光伏組件在STC下的參數為：開路電壓V _oc=38.5V，短路電流I _sc=9.09A，最大功率點電壓V _mpp=31.3V，最大功率點電流I _mpp=8.63A。為了覆蓋多種運行環境，模擬場景資料如表1所示。其中，輻照度從300到1250W/m²，變化步長為50W/m²，溫度從10℃到55℃，變化步長為5℃。模擬所獲得的正常狀態樣本200組，開路故障200組，遮陰故障400組(PSBO\PSBR，遮陰電池照度在0.1s內減少到100W/m²)，線間故障800組(失配比分別為10%、20%、30%及40%，定義為LL-10%、LL-20%、LL-30%及LL-40%)。數據的取樣速率設為2kHz，整個視窗为0.5s(依據實測資料設計)。

為了實現特徵的自動提取，建立了三個堆疊自動編碼器(SAE)，並將標準化後的電壓、電流和功率波形分別輸入這三個SAE模型。SAE超參數的調整採用常規的試錯法，目標是使得損失函數最小。經過反覆試驗，最終可例如提取出三個30維的特徵值，進行首尾拼接後，形成一個90維的特徵向量。

以下進一步說明本發明提供的經過改良的級聯森林模型的分類結果。將經過堆疊自編碼器所提取的90維光伏陣列故障特徵，作為輸入向量訓練改進深度森林模型，並進行分類性能測試。總數據樣本為1600個，50%用於訓練，50%用於測試。圖9為根據本發明實施例的基於電性時序波形的光伏陣列故障診斷方法的分類結果的混淆矩陣，而表2展示了在不同光照下各類別的分類結果。從混淆矩陣可以看出，所提方法對光伏陣列故障辨識具有極高的準確率，只有Normal、LL-10%和PSBO三類存在誤診斷情況。從細分表中進一步發現，所提方法在不同的輻照度下，各類故障的辨識準確率也存在差異。具體而言，在低輻照度(G<600W/m²)下發生PSBO和LL-10%類故障時，由於它們的時序波形變化不明顯，導致這兩類故障極易和正常狀態混淆，這也是這兩類故障準確率降低的原因。隨著太陽輻照度的提升，該演算法的準確率也相應隨之提高，當照度大於650W/m²時，各類故障的檢測準確率都達到100%。這是由於在中高輻照度下，光伏陣列的故障時域波形變化較為顯著，本發明提供的基於電性時序波形的光伏陣列故障診斷方法能夠高效的提取故障特徵，並進行科學而精準的辨識。

表2

[實施例的有益效果]

以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。

Claims

一種基於電性時序波形的光伏陣列故障診斷方法，係用以診斷一光伏陣列的故障情形，其包括：建立一光伏陣列故障診斷模型，其包括一特徵提取模組、一多細微性掃描演算法及一級聯森林模型；取得該光伏陣列的已知故障類型的一歷史電性時序波形；配置該特徵提取模組從該歷史電性時序波形中提取多個特徵，並將該些特徵進行組合以產生一輸入特徵向量；使用該多細微性掃描演算法處理該輸入特徵向量以得到一增強特徵向量；以該增強特徵向量訓練該級聯森林模型，以產生該經訓練級聯森林模型；取得該光伏陣列的一當前電性時序波形；以及將該當前電性時序波形輸入該光伏陣列故障診斷模型，以判斷該當前電性時序波形的一故障類型。
如請求項1所述的光伏陣列故障診斷方法，其中該光伏陣列故障診斷模型更包括一預處理程序，且該光伏陣列故障診斷方法更包括：對所取得的該歷史電性時序波形執行該預處理程序，以產生一標準化歷史功率波形。
如請求項2所述的光伏陣列故障診斷方法，其中該歷史電性時序波形包括一電壓時序波形及一電流時序波形，且預處理程序包括：將該電壓時序波形及該電流時序波形分別除以在一標準測試條件下，該光伏陣列的一開路電壓及一短路電流以得到一標準化電壓時序波形及一標準化電流時序波形；以及將該標準化電壓波形及該標準化電流時序波形相乘以得到一標準化功率時序波形，其中該歷史電性時序波形包括該標準化電壓時序波形、該標準化電流時序波形及該標準化功率時序波形。
如請求項1所述的光伏陣列故障診斷方法，其中該特徵提取模組包括一堆疊自動編碼器，該堆疊自動編碼器包括依序堆疊的多個自動編碼器，其中各該自動編碼器包括一輸入層及一隱含層，且各該自動編碼器的該隱含層的輸出作為下一層該自動編碼器的該隱含層的輸入，且該些自動編碼器係以一貪婪演算法進行預訓練以形成該堆疊自動編碼器。
如請求項1所述的光伏陣列故障診斷方法，其中該多細微性掃描演算法包括：通過具有一預定長度的一移動視窗對該輸入特徵向量進行取樣，以產生包括多個特徵向量的一子資料集，其中該些特徵向量各具有對應該預定長度的一預定維度；通過一第一隨機森林模型及一第一完全隨機森林模型對該子資料集進行分類，以分別產生對應的一第一子分類集及一第二子分類集；以及將該第一子分類集及該第二子分類集組合以產生該增強特徵向量。
如請求項5所述的光伏陣列故障診斷方法，其中該子資料集係具有k個特徵，且該第一隨機森林模型係從該子資料集中選擇
個特徵來對該子資料集進行分類，而該第一完全隨機森林模型係隨機從該子資料集的k個特徵中選擇其中之一來對該子資料集進行分類。
如請求項1所述的光伏陣列故障診斷方法，其中該級聯森林模型包括多個森林級，各該森林級包括多個成對的隨機森林模型及多個成對的完全隨機森林模型，其中，將各該森林級中成對的該些隨機森林模型的輸出以及成對的該些完全隨機森林模型的輸出各自進行平均處理，並與初始輸入的該增強特徵向量進行組合作為下一該森林級的輸入，並將該些森林級中，最終級的該森林級的輸出進行平均處理及極值處理，以獲得分類結果。
如請求項7所述的光伏陣列故障診斷方法，其中各該森林級包括至少二成對的該隨機森林模型及至少二成對的該完全隨機森林模型。
如請求項1所述的光伏陣列故障診斷方法，其中該增強特徵向量係分割為一訓練資料及一測試資料，且該訓練資料係用於對該級聯森林模型進行訓練。
如請求項9所述的光伏陣列故障診斷方法，其中以該訓練資料對該級聯森林模型進行訓練，直到該級聯森林模型中相鄰的該些森林級的一分類準確率不再上升，即作為該經訓練級聯森林模型。