[发明专利]基于半监督极限学习机的光伏阵列故障诊断方法

说明书

本发明涉及一种基于半监督极限学习机的光伏阵列故障诊断方法。首先，通过采集装置获取光伏阵列的输出电压‑电流曲线；接着，对电流‑电压曲线进行特征提取，并构造带调节系数的拟合特征输出方程；其次，采用基于粒子群‑信赖域反射优化的非线性最小二乘法求解调节系数；通过对特征输出方程进行移项与标准化得到特征标准化方程；再者，采用基于人工蜂群优化的半监督极限学习机作为分类器用于少量标签样本结合大量无标签样本的光伏阵列故障识别；最后，定期测量光伏阵列正常运行的电流‑电压曲线更新标准化方程，能适应于光伏阵列的自然老化。

技术领域

本发明涉及电力电气设备领域，具体涉及一种基于半监督极限学习机的光伏阵列故障诊断方法。

背景技术

随着光伏产业的蓬勃发展，光伏系统的建设成本逐渐降低，装机容量和数量不断增加，运行和维护的成本也不断增加。由于光伏系统需要安装于有诸多不确定因素的户外环境，运行过程中容易受到热循环、湿度、紫外线、阴影等各种环境因素的影响，容易导致各种未知故障发生，发电效率降低，故障严重时甚至损坏设备，造成火灾等严重危害。复杂的室外环境使得光伏模组容易发生短路接地的电气故障，异常老化、热斑等光伏电池片的内部故障，以及部分遮阴等由外部物体引发的问题。虽然故障状态下的光伏阵列还能持续运行，但发电效率低下，长期未排除故障还会引起模组不可逆的损坏，甚至引发火灾。因此，故障诊断技术在光伏发电系统中越发重要，及时可靠的故障预警能有效提高太阳光电的运行寿命和经济效益。光伏系统的I-V曲线包含了丰富的信息，近年来光伏逆变器内嵌在线I-V追踪器的发展，能在不增加额外硬件的情况下获取每一串列的I-V曲线，对光伏模组的故障诊断具有重要意义。从I-V曲线中提取相应的诊断参数，进行故障分析与识别是目前研究的热点。在实际光伏案场中，光伏系统的运营商往往会在云端中保存大量的无标签历史数据，而半监督学习算法能利用这些历史无标签数据，结合极少量的标签数据就能进行故障分类模型的建立，在光伏故障诊断中有很好的前景。当前运用于光伏故障的半监督学习算法仍有不足，还有很大的提升空间。

发明内容

有鉴于此，本发明的目的在于提供一种基于半监督极限学习机的光伏阵列故障诊断方法，通过少量标签样本结合大量无标签样本实现光伏阵列故障识别，并能适应于光伏阵列的自然老化。

为实现上述目的，本发明采用如下技术方案：

一种基于半监督极限学习机的光伏阵列故障诊断方法，包括以下步骤：

步骤S1:获取光伏系统在不同故障状态的电压-电流曲线；

步骤S2:根据得到的不同故障状态的电压-电流曲线，进行特征提取，并构造带调节系数的拟合特征输出方程；

步骤S3:基于粒子群-信赖域反射算法以及非线性最小二乘法计算出特征系数，得到完整的光伏参数特征方程；

步骤S4:对完整的光伏参数特征方程进行移项与标准化处理，得到特征标准化方程；

步骤S5:根据特征标准化方程，获取光伏系统标准化特征数据，并分为有标签训练集和无标签训练集；

步骤S6:根据得到的有标签训练集和无标签训练集，构建并训练人工蜂群优化的半监督极限学习机；

步骤S7:获取待测光伏系统的标准化特征数据，并输入训练好的人工蜂群优化的半监督极限学习机，识别故障。

进一步的，所述步骤S2具体为：

步骤S21:提取电流-电压曲线的开路电压V_oc，最大功率点电流I_m，最大功率点电压V_m，以及等效串联电阻R_s作为辨识特征量；

其中，等效串联电阻R_s的定义如下：