[发明专利]基于XGBoost的光伏阵列故障诊断方法

说明书

一种基于XGBoost的光伏阵列故障诊断方法，通过建立光伏组件等效电路模型，根据模型建立光伏组件基本电流方程后分析光照强度、温度对光伏组件内部参数的影响，得到组件伏安特性曲线随光照强度、温度的变化趋势并进一步分析不同程度下的光伏阵列故障对应的伏安特性曲线的变化情况，选取、构建反映不同故障特性的特征量，作为故障诊断的输入向量；然后建立光伏阵列仿真模型以模拟不同类型、不同程度的故障，通过调节光照强度、温度获取伏安特性曲线，读取、构建故障特征量，建立光伏阵列故障数据集，用于在离线阶段训练基于XGBoost算法的光伏阵列故障诊断模型；最后在在线阶段采用训练后的光伏阵列故障诊断模型融合多种不同类型、不同程度故障的光伏阵列故障特征量、光照强度、温度，通过极限梯度提升决策树得到光伏阵列多种不同类型、不同程度的故障。

技术领域

本发明涉及的是一种光伏组件故障诊断领域的技术，具体是一种基于XGBoost的光伏阵 列故障诊断方法。

背景技术

现有光伏故障诊断一般采用人工神经网络拟合光伏阵列量测信息与故障类型之间的关 系，需要大量的有标签数据进行训练，数据采集工作量大、模型训练耗时，当实际样本数较小 时，故障诊断精度难以保障；同时，现有基于XGBoost算法的故障诊断技术很少对于不同种类、 不同程度的故障类型进行区分，也不考虑小规模训练样本下的诊断表现，故无法适用于故障类 型复杂多样的光伏阵列领域。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于XGBoost的光伏阵列故障诊断方法， 将XGBoost算法引入光伏阵列的故障诊断中，考虑多种不同类型、不同程度的故障的同时准确 性和稳定性具有显著提高。

本发明是通过以下技术方案实现的：

本发明涉及一种基于XGBoost的光伏阵列故障诊断方法，通过建立光伏组件等效电路模 型，根据模型建立光伏组件基本电流方程后分析光照强度、温度对光伏组件内部参数的影响， 得到组件伏安特性曲线随光照强度、温度的变化趋势并进一步分析不同程度下的光伏阵列故障 对应的伏安特性曲线的变化情况，选取、构建反映不同故障特性的特征量，作为故障诊断的输 入向量；然后建立光伏阵列仿真模型以模拟不同类型、不同程度的故障，通过调节光照强度、 温度获取伏安特性曲线，读取、构建故障特征量，建立光伏阵列故障数据集，用于在离线阶段 训练基于XGBoost算法的光伏阵列故障诊断模型；最后在在线阶段采用训练后的光伏阵列故障 诊断模型融合多种不同类型、不同程度故障的光伏阵列故障特征量、光照强度、温度，通过极 限梯度提升决策树得到光伏阵列多种不同类型、不同程度的故障。

本发明涉及一种实现上述方法的系统，包括：数据采集单元、诊断模型搭建与训练单元、 故障诊断和结果输出单元，其中：数据采集单元通过模拟不同程度、不同类型的光伏阵列故障， 在不同G、T条件下获得光伏阵列伏安特性曲线，构建故障特征量，建立光伏阵列故障数据集； 诊断模型搭建与训练单元通过随机选取小规模训练集，搭建并训练得到能够诊断不同故障的 XGBoost算法诊断模型；故障诊断和结果输出单元通过输入各种故障样本，得到模型诊断结果， 并且与真实故障类型对比获得诊断的准确率。

技术效果

本发明考虑多种不同种类、不同程度的光伏阵列故障，构建融合多种故障特征的输入向 量，在常规读取伏安特性曲线上特征量以后，又构建多个反映多种故障信息的特征量作为诊断 输入向量，能够提升多种类型、不同程度故障的诊断精度。

附图说明

图1为实施例光伏组件等效电路模型示意图；

图2为实施例中不同光照强度、温度条件下光伏组件的伏安特性曲线；

图3为实施例中光伏阵列与部分故障示意图；

图4(a)～图4(d)为实施例中不同故障情况下光伏阵列伏安特性曲线变化情况；

图5为实施例中不同阴影模式示意图；