[發明專利]一種基于稀疏表示和SVM的光伏發電陣列故障診斷與分類的方法

在審

• 申請號: 201811591020.5
• 申請日: 2018-12-20
• 公開（公告）號: CN109672406A
• 公開（公告）日: 2019-04-23
• 發明（設計）人: 林培杰;程樹英;鄭藝林;俞金玲;陳志聰;吳麗君;鄭茜穎
• 申請（專利權）人: 福州大學
• 主分類號: H02S50/10
• 分類號: H02S50/10
• 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

1.一種基于稀疏表示和SVM的光伏發電陣列故障診斷與分類的方法，其特征在于：包括以下步驟：

步驟S1：采集光伏陣列不同工作狀態下多組溫照度的電流樣本信號；其中不同工作狀態包括正常、單組串1個組件短路、單組串一個組件開路以及單組串2個組件短路；

步驟S2：對每個電流樣本信號進行歸一化處理，構造訓練樣本矩陣；

步驟S3：實驗探索K-SVD算法學習過完備字典的參數設置，包括訓練樣本矩陣的行數N、列數M、每類字典的詞匯量K、稀疏度L、以及迭代次數n；其中，行數N即為樣本信號的維度，列數N即為樣本信號的個數；

步驟S4：基于步驟S3設置好參數的K-SVD算法，從正常樣本矩陣、單組串1個組件短路樣本矩陣、單組串一個組件開路樣本矩陣和單組串2個組件短路中分別學習正常字典、單組串1個組件短路字典及單組串一個組件開路字典和單組串2個組件短路字典；

步驟S5：調用OMP算法，用學習的四種字典重構每一類的電流信號，并計算出原電流信號和重構信號的均方根誤差；

步驟S6：由4個均方根誤差組成維度為4的特征向量，每一類的多組電流信號可以得到多個特征向量；

步驟S7：設置SVM的參數，由特征向量訓練故障分類器以實現光伏陣列的故障診斷和分類；

其中，步驟S5中，采用下式來計算原電流信號和重構信號的均方根誤差：

式中，x(n)表示電流樣本信號，N表示了該電流信號的維度，y_i(n)表示第i類字典重構信號。

2.根據權利要求1所述的一種基于稀疏表示和SVM的光伏發電陣列故障診斷與分類的方法，其特征在于：步驟S2具體為：將陣列電流除以短路電流，經過歸一化處理可以消除不同溫照度的影響，其中歸一化的公式如下：

i_pv(t)＝I_pv(t)/I_SC(t)

式中，I_pv(t)為采集的陣列電流樣本信號，I_SC(t)表示陣列短路電流信號，i_pv(t)表示歸一化后的陣列電流樣本信號。

3.根據權利要求1所述的一種基于稀疏表示和SVM的光伏發電陣列故障診斷與分類的方法，其特征在于：步驟S3中，所述參數設置具體為：四種訓練信號樣本矩陣的行數N和列數M都分別為40和90；單組串1個組件短路字典的詞匯量K為60，稀疏值L為4；單組串一個組件開路字典的詞匯量K為55，稀疏值L為2；正常字典的詞匯量K為60，稀疏值L為3；單組串2個組件短路字典的詞匯量K為60，稀疏值L為4。

4.根據權利要求1所述的一種基于稀疏表示和SVM的光伏發電陣列故障診斷與分類的方法，其特征在于：步驟S4具體為：

步驟S41：樣本信號x_i在字典D下的稀疏表示轉化為下式的優化問題：

式中，D∈R^N×k為字典矩陣，K為字典的詞匯量，λ為正則化參數；a_i∈R^K為樣本x_i的稀疏表示系數；式子的前半部分表示盡可能地重構樣本信號，式子的后半部分則使盡量稀疏；其中，采用變量交替優化的方法對上式進行求解；

步驟S42：以a_i為初始值更新字典D，這就是字典學習的過程；這里采用的字典學習方法是基于逐列更新策略的K-SVD算法：

步驟S43：反復迭代步驟S42，最終得到字典D和樣本的x_i的稀疏表示。

5.根據權利要求1所述的一種基于稀疏表示和SVM的光伏發電陣列故障診斷與分類的方法，其特征在于：步驟S7中，所述設置SVM的參數具體為：將懲罰因子C設置為1000，將兩個不同類別的支持向量到超平面的距離之和γ為設置為10。