[发明专利]基于差分进化随机森林分类器的光伏阵列故障诊断方法

说明书

本发明涉及一种基于差分进化随机森林分类器的光伏阵列故障诊断方法。该方法：首先，采集各种工况条件下的光伏阵列电压和各个光伏组串的电流，并以不同的标识符对各种工况进行标识；其次，采用基于袋外数据的分类误判率均值大小确定随机森林模型中决策树的数量范围；而后，利用差分进化算法对其决策树数量范围进行全局优化，得到最优的决策树数量值；再而，将计算出的最优决策树数量值带入利用随机森林分类器并对样本进行训练，得到随机森林故障诊断训练模型；最后，利用训练模型对光伏阵列进行故障检测和分类。本发明方法，能够在保证最优的模型分类准确率的同时大大加快模型训练速度，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。

技术领域

本发明涉及光伏发电阵列故障检测和分类技术，特别是一种基于差分进化随机森林分类器的光伏阵列故障诊断方法。

背景技术

大规模光伏电站是新能源利用的一种重要方式，其核心的光伏发电阵列在运行过程中由于受到外界自然环境与自身老化等问题的影响，不可避免地会发生一些故障，由于其故障比例在光伏系统中比较大，一旦发生故障就会对对整个光伏发电系统造成很大的破坏。如果这些故障不及时发现与排除，将会直接影响光伏发电系统的正常运行，严重时甚至会烧坏电池组件引发火灾。因此实现光伏系统的故障诊断对发电系统的正常运行具有非常重要的意义。

传统的光伏故障诊断方法主要有红外检测法、多传感器法、对地电容测量法、时域反射法。红外检测法通过分析光伏组件的红外图像实现故障诊断，该方法需要很多红外摄像仪与传感器，检测精度不够高，实时性较差，设备费用昂贵；多传感器法需要为光伏组件安装一定数量的电压传感器和电流传感器，通过分析采集到的电压和电流数据实现故障诊断，但是所用传感器数量较多、故障定位的精度较差、容易受外界环境因素影响、难以在大规模光伏阵列中推广；而对地电容测量法和时域反射法都需要离线操作，效率较低， 适用范围较小，只适用于串联光伏电路，对测量设备的精度要求很高。

近些年，机器学习算法也被提出用于光伏系统的故障诊断，其中常用的诊断方法有人工神经网络（ANN）和支持向量机（SVM）。人工神经网络（ANN）具有较强的自学能力、适应性和非线性逼近能力等优点，但存在着参数优化难、收敛速度过慢等缺点。而支持向量机（SVM）作为比较经典的分类算法，克服了人工神经网络（ANN）收敛速度慢和过拟合的问题，但存在处理大样本数据时能力不足以及解决多分类问题精度较低等困难。而随机森林作为集成学习中比较经典的算法之一，能够解决人工神经网络（ANN）收敛速度过慢，容易陷于过拟合等问题，同时也能解决支持向量机（SVM）处理大样本数据的能力不足的缺点。更重要的是随机森林能够集成多种特征向量，有效提高诊断的正确率。E Cernadas等人在2014年评估了179个分类器（包括判别分析，贝叶斯，神经网络，支持向量机，决策树，增强，套袋法，提升法,随机森林，广义线性模型，最近邻分类算法等方法），并证明随机森林是最好的分类器。为此，本发明提出一种基于差分进化随机森林分类器的光伏阵列故障诊断方法，通过分析袋外数据（OOB）的分类误判率均值大小确定随机森林模型中决策树数量范围，利用差分进化算法（DE）对其决策树的范围进行全局寻优，使得模型训练时间大大减小，同时使故障检测和分类的准确性达到最优，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。

目前，公开发表的文献及专利中尚未见有本发明所提出的基于差分进化随机森林分类器的光伏阵列故障诊断方法。

发明内容

本发明的目的在于提供一种基于差分进化随机森林分类器的光伏阵列故障诊断方法，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，本发明的技术方案是：一种基于差分进化随机森林分类器的光伏阵列故障诊断方法，包括如下步骤：

步骤S1：采集各种工况条件下的光伏阵列电压和各个光伏组串的电流，并以不同的标识符对各种工况进行标识，该些电压、电流数据和类别标识符构成样本数据；