[发明专利]一种光伏阵列故障诊断方法

权利要求书

1.一种光伏阵列故障诊断方法，其特征在于：所述方法基于多级聚类的支持向量机SVM算法,进行光伏阵列故障诊断，所述步骤如下：

(1)、首先对训练样本集的各类中心进行分级聚类，以聚类分析的相似性测度为均值距离，并假设每一级中前两类的均值距离最小，其他相似性测度同理,将均值最小的2个样本，并为一类；

(2)然后以(1)中得到的样本为SVM输入输出样本，对数据样本进行训练，得到各级的SVM模型,包括SVM1、SVM2、SVM3；

(3)最后将数据测试样本输入训练好的SVM模型中，进行逐级分类诊断，进一步确定系统的故障类型。

2.根据权利要求1所述的一种光伏阵列故障诊断方法，其特征在于:所述步骤(1)中的分级聚类的方法如下：

(2a)、假设有四类样本集，分别为A1,A2,A3,A4；A1为硬性阴影样本,A2为软性阴影样本,A3为老化样本,A4为最大功率点失配的样本，4类样本都由电压、电流、功率数据组成；

首先完全按照原始类别划分，即各类样本自称一类；A1和A2为阴影样本集具有相似的输出特性，他们的类均值距离最小，并为B1类，并以A1,A2分别作为SVM3训练集中的输入输出样本，以此得到SVM3的各参数值，同时把A3作为B2，A4作为B3；

(2b)、阴影样本集B1和老化样本集B2，在进行二级分类时，他们二者的类均值距离最小，并为C1类，并以B1,B2分别作为SVM2训练级中的输入输出样本，以此得到SVM2的各参数值，MPPT的失配严重影响逆变器的效率，可以根据逆变器效率加于区分，把B3作为C2；

(2c)、分别以C1、C2样本集的作为SVM1训练集中的输入输出样本，以此得到SVM1的各参数值；

根据训练样本的分布情况和最近距离准则自适应构成N-1个两类SVM，由此完成光伏系统硬性阴影、软性阴影、老化、MPPT失配4种故障的分级聚类。

3.根据权利要求1所述的一种光伏阵列故障诊断方法，其特征在于:所述步骤(3)中的分类诊断的方法如下：

第一步：由当前电流、电压、和交直流功率组成测试样本x,然后将待测样本x送入SVM1，根据SVM1的结果判断样本x属于C1还是C2，若属于，C2则判定样本X就属于A4，即MPPT失配故障；若属于C1，则进行第二步；

第二步：将待测样本x送入SVM2。根据SVM2的结果判断样本x属于B1还是B2，若属于B2,则判定样本X就属于A3，即老化故障；若属于B1，则进行第三步；

第三步：将待测样本x送入SVM3。根据SVM3的结果判断样本x属于A1还是A2，若结果为A1，即为硬性阴影，若结果为A2，即为软性阴影；

对于m个测试样本，只需按上述步骤逐个进行，最终均可找到所属类别，对光伏系统故障进行诊断，且不会出现拒绝分类区。

4.根据权利要求1所述的一种光伏阵列故障诊断方法，其特征在于:所述步骤(2)中的SVM模型的计算方法如下：

由四种故障下的电压、电流、交直流功率数据组成的样本A1、A2、A3、A4,两两组成一组样本容量，若A1和A2为例，组成的样本容量{x_i,y_i}(i＝1,2…m),m为样本容量；x_i为输入向量；y_i为目标函数输出数据，考虑到大多数情况下样本呈非线性关系,估计函数f可通过以下方法确定:将每一个样本点利用非线性函数φ映像到高维特征空间,再在高维特征空间进行线性回归,从而取得在原空间进行线性回归的效果。函数f为:

f(x,w)＝wφ(x)+b＝(w,φ(x))+b(1)

w为权值向量，b为常数；公式(1)表示一个平面，把样本{xi,yi}正确无误地分割开来，x,y表示公式(1)所代表的平面上的点；

系数w和b由最小化下式来估计:

Rsvm(c)=c1mΣi=1m(yi,wTφ(x)+b)+12||w||2---(2)]]>

Lz(y-f(x))=0|y-f(x)|≤ϵ|y-f(x)-ϵ||y-f(x)|≥ϵ---(3)]]>

在公式(2)中给出的正则化风险泛函中,第1部分是经验风险,R_svm为最小化风险泛函，它由ε不敏感损失函数来衡量；损失函数的用途在于它能用稀疏点来表示决策函数,c是正常数,它决定损失函数和正则化部分之间的平衡第2部分是正则化部分，为寻找系数w和b需要引入松弛变量ξ和ξ^*,使下式最小化:

RSVM=12||w||2+cΣi=1m(ξ+ξ*)---(4)]]>

其约束条件是:

wTφ(xi)+bi-yi≤ϵ+ξξ≥0yi-wTφ(xi)-bi≤ϵ+ξ*ξ*≥0---(5)]]>

其中，b_i为常数；

最后引入拉格朗日乘子,利用Wolf对偶技巧将上述问题转换为下面的对偶问题:

max L{{ai},{ai*}}=-12Σi=1mΣj=1m(ai,ai*)(aj,aj*)K(xi,xj)-ϵΣi=1m(ai,aj*)+Σimyi(ai,aj*)---(6)]]>

其中，L为拉格朗日乘子，a,a^*_i均为正常数，Σi=1m(ai,ai*)=0,ai,ai*∈[0,c]]]>

则公式(3)给出的回归表达式写成：

f(x,ai,ai*)=Σi=1m(ai,ai*)K(x,xi)+b---(7)]]>

称K(x,x_i)为核函数,公式(7)中的函数f完全由a_i和a决定，选择的核函数为：

K(x,xi)=exp(-||x-xi||2σ2)---(8)]]>

其中σ为核函数的宽度参数；

由此得到SVM的各参数。