一種基于最小二乘支持向量機的光伏電站故障診斷方法
【技術領域】
[0001] 本發明涉及一種基于最小二乘支持向量機的光伏電站故障診斷方法，屬于新能源 控制技術領域。
【背景技術】
[0002] 近年來，在各國政府的大力支持下，具有清潔環保、無污染、可再生等優點的光伏 發電得到了快速的發展。隨著光伏電站規模的擴大，電站的設備劇增，設備眾多、占地面積 大、環境惡劣等問題使得故障頻發是不可避免的。因此，為了在光伏發電運行過程中有效監 測出各種故障，提高光伏發電系統的發電量、降低發電成本，保證整個光伏電站的安全穩定 運行，提出一種智能高效的故障診斷方法是非常必要的。
[0003] 為了減少電站損失，提高發電量，我國各高校及電力企業相繼開展了對光伏電站 故障診斷的研究工作。大多數的研究對象是光伏陣列或逆變器等單個設備的故障診斷，并 沒有考慮到整個光伏電站是由若干光伏陣列、逆變器、匯流箱等機組共同構成的大系統。中 國專利申請號201510197855. 2公開了一種光伏發電系統在線故障診斷方法，該方法在各 塊光伏組件、各路匯流箱上分別設置監測模塊進行實時監測來判斷是否發生了故障，這種 方法對于大規模的光伏電站顯然是不行的，顯著增加了系統的成本和安裝難度；中國專利 申請號201410449777. 6公開了一種基于模糊聚類算法的光伏電站故障診斷方法，模糊隸 屬函數和模糊規則無法保證任何情況下都為最優，而且模糊邏輯系統缺少自學習能力；中 國專利申請號201410295094. X公開了一種光伏電站故障診斷方法，雖然可以快速的進行 故障診斷但需要依靠電站的歷史經驗數據，沒有考慮新建電站樣本數據較少的情況。
【發明內容】
[0004] 本發明的目的是提供一種基于最小二乘支持向量機的光伏電站故障診斷方法，以 解決目前光伏故障診斷過程中出現的小樣本、非線性和高維數的問題。
[0005] 本發明為解決上述技術問題提供了一種基于最小二乘支持向量機的光伏電站故 障診斷方法，該故障診斷方法包括以下步驟：
[0006] 1)獲取光伏電站不同工作狀態下相關設備的電氣參數、通訊參數、開關狀態、環境 參數構成故障診斷特征向量；
[0007] 2)建立基于最小二乘支持向量機的故障診斷模型；
[0008] 3)使用訓練樣本對故障診斷模型進行訓練，計算出故障診斷模型模型參數的最優 解，得到訓練完成的故障診斷模型；
[0009] 4)將光伏電站的測試樣本或實時樣本輸入到模型中進行故障診斷。
[0010] 所述的步驟2)中的故障診斷模型的建立過程如下：
[0011] A.將步驟1)中的故障特征向量的一部分作為訓練樣本，并將該訓練樣本映射到 高維特征空間；
[0012] B.構造最優線性決策函數對故障診斷特征向量訓練樣本進行分類；
[0013] C.求解最小二乘支持向量機目標函數確定決策函數中的系數向量和偏差項；
[0014] D.以得到的系數向量和偏差項帶入決策函數即為所建立的故障診斷模型。
[0015] 所述步驟B中的決策函數為：
[0016] y (X) = sign [ (Wm)τ Φ (X)+bm]m = 1，2, 3, 4, 5, 6
[0017] 其中，wm、bm分別為第m個LS-SVM的系數向量、偏差項，可通過求解該LS-SVM的目 標函數來確定，其目標函數為：
[0021] 其中，Xl、yj別為輸入的第i個特征向量訓練樣本及其對應的輸出；η為特征向 量訓練樣本的數量；r為懲罰系數，且r>0 為第m個LS-SVM中X1的誤差變量，且#
[0022] 所述步驟3)中故障診斷模型的最優參數是采用分層多粒子群優化算法計算得 到。
[0023] 采用分層多粒子群優化算法計算故障診斷模型的最優參數的過程如下：
[0024] a.將每個發電單元下的訓練樣本劃分為一個種群，確定粒子群規模N，初始化參 數慣性因子、學習因子、速度限值、最大迭代次數、粒子速度；
[0025] b.第1層每個種群在控制變量變化范圍內隨機生成m個解，計算目標函數值，并把 最優位置向量解Pl傳送到第2層；
[0026] c.第2層接收第1層傳送的L個最優位置向量解作為粒子的初始值，進行各種群 之間的協調，并計算目標函數值，取各種群的最優值進行第二次優化，更新全局最優解P2 及對應的目標函數值；
[0027] d.判斷迭代結束條件，滿足則終止迭代，輸出最優的LS-SVM參數，不滿足則轉到 f ;
[0028] f.第1層中每個粒子群根據迭代公式更新粒子的飛行速度，把位置向量傳送到第 2層，轉到步驟C0
[0029] 所述步驟4)將光伏電站的測試樣本或實時樣本輸入到模型中后分別計算每個決 策函數的函數值，得到故障診斷特征向量樣本所對應的故障狀態，判斷系統是否處于故障 狀態，若處于故障狀態則給出故障類型。
[0030] 所述步驟1)中的工作狀態包括正常工作狀態和故障狀態，故障狀態包括組件短 路、組件斷路、匯流箱故障、逆變器故障、變壓器故障、大面積陰影。
[0031] 所述步驟1)中的相關設備包括光伏電站內匯流箱、逆變器、電能表和變壓器設 備。
[0032] 本發明的有益效果是：本發明首先從監控系統獲取光伏電站不同工作狀態下相 關設備的電氣參數、通訊參數、開關狀態、環境參數構成故障診斷特征向量；結合光伏電站 的故障特征建立基于最小二乘支持向量機的故障診斷模型；使用訓練樣本對故障診斷模型 進行訓練，采用分層多粒子群優化算法計算出模型參數的最優解，得到訓練完成的故障診 斷模型；將光伏電站的測試樣本或實時樣本輸入到模型中進行故障診斷。本發明采用最小 二乘支持向量機模型可有效解決小樣本、非線性、高維數的問題，并且可將二次規劃問題轉 變為線性方程組，提高求解問題的速度和收斂精度；采用分層多粒子群優化算法來優化模 型的參數，降低了系統優化變量的維數和復雜性，提高了收斂精度和速度；本發明不僅診斷 速度快、精度高，而且能夠解決新建光伏電站診斷樣本少的問題，在樣本數據較少的情況下 仍能獲得較高的診斷準確率；從整個光伏電站的角度出發，綜合分析各設備的實時數據及 環境數據來進行故障診斷，為電站運維人員及時提供故障信息，從而減少故障造成的損失， 利于光伏電站的安全穩定運行，具有廣泛的工程應用價值。
【附圖說明】
[0033]圖1是本發明實施例中的基于最小二乘支持向量機故障診斷的流程示意圖。
【具體實施方式】
[0034] 下面結合附圖對本發明的【具體實施方式】做進一步的說明。
[0035] 如圖1所示的基于最小二乘支持向量機故障診斷的流程示意圖，具體診斷步驟 為：
[0036] 1.從監控系統中采集光伏電站不同工作狀態下光伏陣列工作于最大功率跟蹤點 時相關設備的電氣參數、通訊狀態、開關狀態、環境參數，構成故障診斷特征向量。
[0037] 故障診斷特征向量為匯流箱、逆變器、環境監測儀、電能表及箱變的故障特征向量 的組合，分別為：
[0038] 匯流箱的特征向量記為（UHlk、IHlk、CHjk、K Hjk)，分別為電壓、電流、通訊狀態、開關狀 態，i代表第i條匯流支路，j代表第j個匯流箱。
[0039] 逆變器的特征向量記為（UNlk、INlk、PNlk、C Nlk、KNlk)，分別為直流側電壓、直流側電流、 輸出總有功功率、通訊狀態、開機狀態，i代表第i個逆變器。
[0040] 環境監測儀的特征向量記為（sk、Tk、U，分別為光照強度、環境溫度、電池板溫 度。
[0041] 電能表的特征向量記為PDk，代表電度量。
[0042] 箱變的特征向量記為TBk，代表油溫。
[0043] 上述特征向量中，k為樣本采集序號，k為1到N的整數，每個數字代表一種工作狀 ??τ O
[0044] 工作狀態包括正常工作狀態和故障狀態，故障狀態包括組件短路、組件斷路、匯流 箱故障、逆變器故障、變壓器故障、大面積陰影。
[0045] 2.結合光伏電站的故障特征，建立基于最小二乘支持向量機（LS-SVM)的故障診 斷模型。<