[发明专利]基于线性判别分析和支持向量机的光伏阵列故障诊断方法

权利要求书

1.一种基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，包括如下步骤：

步骤S1、生成光伏阵列仿真数据并采集日常工作中光伏发电阵列最大功率点的若干个电气特征参数以及环境参数，得到特征参数测试样本矩阵；

步骤S2：对特征参数标准矩阵做线性判别分析，得到投影矩阵，并将标准矩阵乘上投影矩阵得到标准分类矩阵；

步骤S3：将标准分类矩阵作为训练集，通过支持向量机训练分类模型；

步骤S4：将测试样本矩阵乘上投影矩阵，得到新的样本矩阵；

步骤S5：通过S3中得到的分类模型对步骤S4中得到的新的样本矩阵进行分类，识别数据所属的分类。

2.根据权利要求1所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，步骤S1中，所述电气特征参数包括光伏阵列的最大功率点电流I_MPP、光伏阵列的最大功率点电压V_MPP、光伏阵列的短路电流I_SC、光伏阵列的开路电压V_OC、光伏阵列的最大输出功率P_MPP、光伏组件温度T_C、辐照度G以及开路电压与短路电流的乘积I_MPP·V_MPP。

3.根据权利要求1所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，步骤S1中，所述日常工作的工作状态包括正常工作、单支路开路、双支路开路、单支路上1个组件短路、单支路上2个组件短路、单支路上3个组件短路、单支路上1个组件受阴影遮蔽、单支路上2个组件受阴影遮蔽、组串轻度老化、组串中度老化。

4.根据权利要求1所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，所述步骤S2具体包括以下步骤：

步骤S21：由仿真数据建立矩阵X，矩阵X中包含N个样本点，任意样本点x_i都包含M个特征参数，而这些样本可以被分为k类，则(X,y)＝[(x₁,y₁),(x₂,y₂),…,(x_N,y_N)]^T，其中y为类编号集合y_i∈{C₁,C₂,…,C_k}；

步骤S22：定义N_j(j＝1,2,…,k)为第j类样本的数量，而U_j(j＝1,2,…,k)为第j类样本的集合，由于LDA的目的是使不同类间的距离尽量大，而相同类内的离散程度尽量小，因此定义类内散度矩阵S_W和类间散度矩阵S_b，S_W和S_b分别由以下公式计算计算：

其中，μ为所有样本均值向量，而μ_j(j＝1,2,…,k)为第j类样本的均值向量，μ_j可由以下公式计算

步骤S23：求矩阵S_b相对于矩阵S_W的广义特征值λ和广义特征向量ω，ω和λ满足以下公式：

S_bω＝λS_Wω

步骤S24：选择最大的d(d＜M)个广义特征值及其相对的特征向量，组合得到广义特征值矩阵Σ及投影矩阵Q。

步骤S25：经过线性判别分析得到的标准分类矩阵A可由如下公式计算：

A＝XQ。

5.根据权利要求4所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，步骤S3中，运用LibSVM工具箱对标准分类矩阵A进行分类，训练分类模型。

6.根据权利要求5所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，步骤S4的具体实现过程为：根据步骤S1中的得到的矩阵Y与步骤S24中得到的投影矩阵相乘，得到新的样本矩阵B，计算公式如下：

B＝YQ。

7.根据权利要求6所述的基于线性判别分析的光伏阵列工作状态分析与故障诊断方法，其特征在于，步骤S5的具体实现过程为：将步骤S4中得到的样本矩阵B输入步骤S3中得到的分类模型，将得到每个样本对应的类别标签，根据类别标签可以判断该样本属于何种状态。