[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

说明书

本发明涉及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。该方法包括：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。本发明可以通过对光伏系统日常运行数据的线性判别分析和分类实现对故障的准确诊断。

技术领域

本发明涉及并网光伏发电系统中光伏阵列故障诊断技术领域，特别是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。

背景技术

可再生能源是一个在世界范围内日益受到关注的关键挑战问题，其中太阳能作为传统化石燃料的替代品，具有清洁、可持续、安全、环境友好、零二氧化碳排放等优点。此外，光伏能源是最具经济竞争力的可再生能源之一，它通过减少对化石燃料的依赖，增加了国家的能源安全。

尽管近年来光伏发电技术已经取得了长足的进步，但在现实使用中，依然存在许多影响光伏阵列运行效率的问题，从而显著影响光伏系统的性能。事实上，光伏系统面临不同故障的威胁，例如短路、老化、开路、阴影遮蔽等。这些故障会影响到光伏阵列的正常工作，甚至大大降低它们寿命。光伏系统直流端的故障往往难以避免，并可能导致能量损失、系统停机，甚至严重的安全问题。因此，及早发现并识别被监测的光伏系统中可能出现的故障至关重要。我们需要一个准确且实时的故障检测和诊断策略，以提高光伏系统的效率，避免高昂的维护成本，并降低可能导致设备损坏的风险。

目前有许多用于检测光伏系统中故障的诊断技术。其中一些技术是基于光伏模块电路的模拟，而有些则使用不同的光伏模块输出的电气信号进行统计分析，如电流和电压。如对地电容检测法是为了检测一个组串中的开路故障；时域反射法向光伏组串注入一个脉冲，通过分析和观察返回波形以检测出故障点、故障类型和阻抗变化，该方法无需提供气象数据。然而，这些方法只能在离线模式下运行，实时性较差。关于机器学习的故障诊断方法中，有基于RBF神经网络的故障诊断方法，该方法首先对光伏组件进行参数辨识，获取到各工况下组件内部等效参数作为故障训练网络的输入向量，该方法能更为客观、有效地识别出故障类型。但该方法仍然缺乏对局部固有阴影故障的检测，同时其故障模型的诊断精度和训练时间还有较大提升空间。

线性判别分析(Linear Discriminant Analysis，LDA)是由R.Fischer于1936年提出，其目的是找出使类内方差最小的投影超平面，并且使投影后的各类间距离最大。与主成分分析类似，我们可以通过解特征值问题与定义超平面的特征向量来达成上述两个目的。而得到的超平面可以用于分类、降维以及分析给定特征的重要性。LDA的可分离性是由平均值和方差的统计度量来定义的。LDA的优点之一是可以通过求解广义特征值系统得到解决方案，因此可以对快速处理大规模的数据样本。

与主成分分析不同的是，LDA的分类过程是监督式分类。在进行分类之前，需要输入带有标签的样本数据进行训练，得到一个投影向量矩阵，进而通过这个投影向量矩阵对待测数据进行投影变换，以达到对待测数据分类的目的。

光伏阵列具有多种特征参数，当故障发生时，某些特征参数将发生变化。若将多种故障混合的光伏阵列输出数据通过线性判别分析进行投影，使得相同故障数据之间的方差最小，而不同故障数据类中心之间的距离最大，可以达到很好的分类效果。目前，公开发表的文献及专利中尚未见有将LDA和SVM结合应用于光伏阵列工作状态分析与故障诊断中。

发明内容

本发明的目的在于提供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，采用LDA方法对光伏阵列的数据进行投影变换，并进一步通过监督式学习方式得到分类模型，以此模型进行光伏阵列的故障诊断和分类，可精确的识别出光伏发电系统的运行状况。