[發明專利]基于差分進化隨機森林分類器的光伏陣列故障診斷方法

有效

• 申請號: 201711439293.3
• 申請日: 2017-12-27
• 公開（公告）號: CN108062571B
• 公開（公告）日: 2021-04-27
• 發明（設計）人: 陳志聰;韓付昌;吳麗君;俞金玲;林培杰;程樹英;鄭茜穎
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q50/06
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊;丘鴻超

本發明涉及一種基于差分進化隨機森林分類器的光伏陣列故障診斷方法。該方法：首先，采集各種工況條件下的光伏陣列電壓和各個光伏組串的電流，并以不同的標識符對各種工況進行標識；其次，采用基于袋外數據的分類誤判率均值大小確定隨機森林模型中決策樹的數量范圍；而后，利用差分進化算法對其決策樹數量范圍進行全局優化，得到最優的決策樹數量值；再而，將計算出的最優決策樹數量值帶入利用隨機森林分類器并對樣本進行訓練，得到隨機森林故障診斷訓練模型；最后，利用訓練模型對光伏陣列進行故障檢測和分類。本發明方法，能夠在保證最優的模型分類準確率的同時大大加快模型訓練速度，從而更快速、準確地實現對光伏發電陣列的故障檢測和分類。

技術領域

本發明涉及光伏發電陣列故障檢測和分類技術，特別是一種基于差分進化隨機森林分類器的光伏陣列故障診斷方法。

背景技術

大規模光伏電站是新能源利用的一種重要方式，其核心的光伏發電陣列在運行過程中由于受到外界自然環境與自身老化等問題的影響，不可避免地會發生一些故障，由于其故障比例在光伏系統中比較大，一旦發生故障就會對對整個光伏發電系統造成很大的破壞。如果這些故障不及時發現與排除，將會直接影響光伏發電系統的正常運行，嚴重時甚至會燒壞電池組件引發火災。因此實現光伏系統的故障診斷對發電系統的正常運行具有非常重要的意義。

傳統的光伏故障診斷方法主要有紅外檢測法、多傳感器法、對地電容測量法、時域反射法。紅外檢測法通過分析光伏組件的紅外圖像實現故障診斷，該方法需要很多紅外攝像儀與傳感器，檢測精度不夠高，實時性較差，設備費用昂貴；多傳感器法需要為光伏組件安裝一定數量的電壓傳感器和電流傳感器，通過分析采集到的電壓和電流數據實現故障診斷，但是所用傳感器數量較多、故障定位的精度較差、容易受外界環境因素影響、難以在大規模光伏陣列中推廣；而對地電容測量法和時域反射法都需要離線操作，效率較低， 適用范圍較小，只適用于串聯光伏電路，對測量設備的精度要求很高。

近些年，機器學習算法也被提出用于光伏系統的故障診斷，其中常用的診斷方法有人工神經網絡（ANN）和支持向量機（SVM）。人工神經網絡（ANN）具有較強的自學能力、適應性和非線性逼近能力等優點，但存在著參數優化難、收斂速度過慢等缺點。而支持向量機（SVM）作為比較經典的分類算法，克服了人工神經網絡（ANN）收斂速度慢和過擬合的問題，但存在處理大樣本數據時能力不足以及解決多分類問題精度較低等困難。而隨機森林作為集成學習中比較經典的算法之一，能夠解決人工神經網絡（ANN）收斂速度過慢，容易陷于過擬合等問題，同時也能解決支持向量機（SVM）處理大樣本數據的能力不足的缺點。更重要的是隨機森林能夠集成多種特征向量，有效提高診斷的正確率。E Cernadas等人在2014年評估了179個分類器（包括判別分析，貝葉斯，神經網絡，支持向量機，決策樹，增強，套袋法，提升法,隨機森林，廣義線性模型，最近鄰分類算法等方法），并證明隨機森林是最好的分類器。為此，本發明提出一種基于差分進化隨機森林分類器的光伏陣列故障診斷方法，通過分析袋外數據（OOB）的分類誤判率均值大小確定隨機森林模型中決策樹數量范圍，利用差分進化算法（DE）對其決策樹的范圍進行全局尋優，使得模型訓練時間大大減小，同時使故障檢測和分類的準確性達到最優，從而更快速、準確地實現對光伏發電陣列的故障檢測和分類。

目前，公開發表的文獻及專利中尚未見有本發明所提出的基于差分進化隨機森林分類器的光伏陣列故障診斷方法。

發明內容

本發明的目的在于提供一種基于差分進化隨機森林分類器的光伏陣列故障診斷方法，以克服現有相關技術的缺陷，從而更快速、準確地實現對光伏發電陣列的故障檢測和分類。

為實現上述目的，本發明的技術方案是：一種基于差分進化隨機森林分類器的光伏陣列故障診斷方法，包括如下步驟：

步驟S1：采集各種工況條件下的光伏陣列電壓和各個光伏組串的電流，并以不同的標識符對各種工況進行標識，該些電壓、電流數據和類別標識符構成樣本數據；