[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

本發明涉及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，首先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；接著對每個電流樣本信號進行歸一化處理，構造訓練樣本矩陣；然后實驗探索K?SVD算法學習過完備字典的參數設置，并分別學習正常字典、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；接著調用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，并可以得到多個特征向量；最后設置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。本發明不需要其他的數據特征，且能在不影響光伏發電系統工作的情況下進行故障檢測與分類。

技術領域

本發明涉及光伏發電故障診斷和分類技術領域，特別是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。

背景技術

太陽能因其清潔、無污染和永不枯竭等特點已經成為解決全球能源緊缺，環境污染等問題的戰略手段。而作為太陽能應用的最主要形式，光伏發電得到了快速的發展。直流側光伏陣列是光伏發電系統中能量采集的核心部分，通常工作在復雜的戶外環境中，易受到各種環境因素的影響而引起不同的故障。但由于光伏陣列輸出特性的非線性、故障電流較低等因素的影響，傳統保護器件往往失效。故障的存在不僅使光伏陣列發電效率顯著降低，還將縮短光伏組件工作壽命甚至產生火災隱患。所以對光伏系統的工作狀態進行監控，實時地對出現的故障進行檢測并發出警告，可以降低因光伏陣列故障帶來的能量損失，防止出現安全事故，具有重要的意義。

典型的故障檢測方法有對地電容檢測法，時域反射分析法，紅外熱成像等。對地電容檢測法是根據對光伏組串的對地電容的測量來判斷其是否發生斷路并定位故障。時域反射分析法是向光伏組串注入一個脈沖，對返回信號的形狀和延遲時間進行分析以此判斷光伏組串中是否存在故障。對地電容測量法和時域反射分析法都需要進行離線檢測，缺乏實時性，這樣會耗費大量的人力和財力。而工作于正常狀態和故障狀態下的太陽電池會有存在明顯的溫差，故還可以采用紅外熱成像分析法進行故障診斷。紅外熱成像分析法雖然可以高效的進行故障診斷，但必須配備大量的紅外攝像儀，經濟成本高，難以得到推廣。

隨著人工智能的快速發展，學者們提出了運用支持向量機，神經網絡，決策樹等基于機器學習算法的故障診斷方案，這也是目前應用最為廣泛的故障診斷和分類方法。該方法具有較強的自學習能力，魯棒性強，準確率高，能實現較多類型的故障診斷和分類。目前大多數的機器學習算法是基于光伏陣列最大功率點電流IMPP,最大功率點電壓VMPP，短路ISC，開路電壓VOC和溫照度G，環境溫度T 等變量作為特征進行訓練學習，探索新的特征向量是研究光伏陣列故障診斷的要解決的重要問題，而精確的模型要求多維的數據，模型訓練時間長，環境的不斷變換也給模型的準確性帶來了挑戰。

目前，公開發表的文獻及專利中尚未見有將稀疏表示理論結合SVM應用于發電陣列的故障診斷和分類的研究。

發明內容

有鑒于此，本發明的目的是提出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，不需要其他的數據特征，且能在不影響光伏發電系統工作的情況下進行故障檢測與分類。

本發明采用以下方案實現：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，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；并分別記為正常，短路1，開路1和短路2；

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；