[发明专利]一种基于分布式软测量模型的光伏电板故障检测方法

权利要求书

1.一种基于分布式软测量模型的光伏电板故障检测方法，其特征在于，包括以下步骤：

步骤(1)：利用光伏电板的数据采集系统采集光伏电板在正常运行状态下的N个样本数据向量x₁，x₂，…，x_N，每个样本数据向量具体由9个测量数据组成，依次是：光照强度，环境温度，电板温度，最大动态直流功率，直流电流，直流电压，交流功率，交流电压，交流电流；

步骤(2)：将N个样本数据向量x₁，x₂，…，x_N组成训练数据矩阵X＝[x₁，x₂，…，x_N]，并对X的各个行向量实施标准化处理，从而得到新数据矩阵其中，第i个样本数据向量x_i∈R^9×1，R^9×1表示9×1维的实数向量，i∈{1，2，…，N}；

步骤(3)：利用遗传算法优化的最小二乘回归算法建立分布式的软测量模型，具体的实施过程如步骤(3.1)至步骤(3.4)所示：

步骤(3.1)：初始化j＝3；

步骤(3.2)：将新数据矩阵中第j行的行向量设置为输出向量z_j∈R^1×N，并将中除第j行以外的其余8行的行向量组建输入矩阵X_j∈R^8×N；其中，R^1×N表示1×N维的实数向量，R^8×N表示8×N维的实数矩阵；

步骤(3.3)：利用遗传算法优化的最小二乘回归算法建立软测量模型：其中，e_j∈R^1×N表示误差向量，β_j∈R^8×1表示回归系数向量，R^8×1表示8×1维的实数向量，上标号T表示矩阵或向量的转置符号；

步骤(3.4)：判断是否满足条件：j＜9；若是，则设置j＝j+1后返回步骤(3.2)；若否，则得到7个软测量模型，以及7个误差向量e₃，e₄，…，e₉；

步骤(4)：将误差向量e₃，e₄，…，e₉合并成误差矩阵E＝[e₃^T，e₄^T，…，e₉^T]后，再计算协方差矩阵Λ＝E^TE/(N-1)与检测指标向量D＝diag{EΛ^-1E^T}，并将检测指标向量D中最大的元素记做D_max；其中，diag{ }表示将大括号内的矩阵对角线元素转变成向量的操作；

步骤(5)：利用光伏电板的数据采集系统采集最新采样时刻的样本数据向量x_t∈R^9×1，x_t中的9个数据依次是：光照强度，环境温度，电板温度，最大动态直流功率，直流电流，直流电压，交流功率，交流电压，交流电流；其中，下标号t表示最新采样时刻；

步骤(6)：根据公式对x_t中各行数据实施标准化处理得到新数据向量其中，和分别表示x_t和中第j行的数据，μ_j与δ_j分别表示X中第j行向量的平均值与标准差；

步骤(7)：调用步骤(3)中建立的分布式的软测量模型，得到7个误差数据f₃，f₄，…，f₉，再将这7个误差数据组成误差向量f_t＝[f₃，f₄，…，f₉]，具体的实施过程如步骤(7.1)至步骤(7.2)所示；

步骤(7.1)：设置表示中除第j行数据之外的其余8行数据组成的向量，再根据公式计算误差数据f_j；

步骤(7.2)：分别设置j等于3，4，…，9，并执行步骤(7.1)，即可对应得到7个误差数据f₃，f₄，…，f₉；

步骤(8)：计算检测指标D_t＝f_tΛ^-1f_t^T，并判断是否满足条件：D_t≤D_max；若是，则光伏电板正常运行，并返回步骤(5)；若否，则执行步骤(9)；

步骤(9)：返回步骤(5)继续利用最新采样时刻的样本数据实施故障检测；若连续6个采样时刻的检测指标皆大于D_max，则触发故障警报；反之，则光伏电板正常运行，并返回步骤(5)继续实施对光伏电板的故障检测。

2.根据权利要求1所述的一种基于分布式软测量模型的光伏电板故障检测方法，其特征在于：所述步骤(3.3)中利用遗传算法优化的最小二乘回归算法建立软测量模型，具体是利用遗传算法的二进制编码方式，每个二进制编码都由8位二进制数组成，这8位二进制数分别对应着输入矩阵X_j中的8行向量；然后，利用二进制编码中二进制数1和0来分别表示选取和不选取输入矩阵X_j中相应行的行向量，并将选取的行向量组成新输入矩阵后，再利用最小二乘回归算法建立新输入矩阵和输出向量z_j之间的回归模型，并将回归模型的误差用于计算二进制编码的适应度函数。