一种基于分布式软测量模型的光伏电板故障检测方法

本发明涉及一种光伏电板故障诊断方法，特别涉及一种基于分布式软测量模型的光伏电板故障检测方法。

随着电力需求的日益增长以及对环境问题的关注，再生能源的利用已逐渐成为了当前世界能源领域的热门研究话题。作为新能源技术的代表，光伏发电技术能将太阳能转变成电能，其主要的实现手段是通过光伏电板。从操控光伏电板运行的要求来看，及时的检测出光伏电板的故障状态是非常重要的。在现有的科研文献与专利中，针对光伏电板的故障检测研究已经出现了某些研究成果。比如，通过分析电流-电压的变化特性来自动区分出光伏电板的产出能量故障。此外，极限学习机也被应用于检测和诊断光伏电板故障。近年来，随着深度学习研究的兴起，深度神经网络同样已成功应用于光伏电板故障的分类诊断。

随着传感器技术与信息技术的飞速发展与广泛应用，实时数据的自动获取在光伏电板系统中已经变成一件很普通的技术了。因此，大量的光伏电板数据为数据驱动的故障检测提供了坚实的数据基础。相比之下，传统基于机理知识分析检测光伏电板故障的技术遇到了技术发展的瓶颈。然而，利用实时测量的数据来驱动光伏电板故障检测却不得不面对来自于环境的干扰因素，在不同的天气环境下，即使是正常工作的光伏电板其电流和电压等数据也都会出现非稳定变化情况。此外，利用光伏电板数据进行建模时，一般可用的都是正常运行状态的测量数据。换句话说，数据驱动的光伏电板故障检测还得从挖掘数据之间关系的角度出发，按照单分类的思想来实施。

考虑到光照强度和环境温度会直接影响光伏电板的运行状态，数据驱动的光伏电板故障除了依赖自身的电流与电压等信号外，还需要实时测量光照强度和环境温度等因素的数据。此外，光伏电板正常运行时，其电流和电压等电信号数据之间是存在较强的相关性的，且与光照强度和环境温度也直接相关。从这个角度上看，由于数据驱动的光伏电板故障检测实施时可用的只有正常运行状态下的样本数据，如何描述这些测量变量之间的相关性，成为了光伏电板故障检测实施成功与否的关键。

本发明所要解决的主要技术问题是：如何在挖掘光伏电板自身电信号与环境测量信号之间的相关性特征的基础上，实施对光伏电板运行状态是否出现故障进行实时检测。具体来讲，本发明方法首先为光伏电板的九个测量变量建立分布式的软测量模型，从而描述出变量之间的相关关系，具体采用的软测量建模方法为遗传算法优化的最小二乘回归算法；其次，本发明方法利用分布式软测量模型的误差来实施故障检测，具体实现方式是计算误差的平方马氏距离指标，并结合上限值来实现故障发生与否的诊断。

本发明方法解决上述问题所采用的技术方案为：一种基于分布式软测量模型的光伏电板故障检测方法，包括以下所示步骤：

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，...，xN，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，...，xN组成训练数据矩阵X＝[x1，x2，...，xN]，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xi∈R9×1，R9×1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zj∈R1×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Xj∈R8×N；其中，R1×N表示1×N维的实数向量，R8×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，ej∈R1×N表示误差向量，βj∈R8×1表示回归系数向量，R8×1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。

需要说明的是，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Xj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Xj中的相应行的行向量，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zj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。

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＝[e3T，e4T，...，e9T]后，再计算协方差矩阵Λ＝ETE/(N-1)与检测指标向量D＝diag{EΛ-1ET}，并将检测指标向量D中最大的元素记做Dmax；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xt∈R9×1，xt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xt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xt和中第j行的数据，μj与δj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6个误差数据f4，f5，...，f9，再将这6个误差数据组成误差向量ft＝[f4，f5，...，f9]。

步骤(8)：计算检测指标Dt＝ftΛ-1ftT，并判断是否满足条件：Dt≤Dmax；若是，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；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Dmax，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实时故障检测。

通过以上所述实施步骤，本发明方法的优势介绍如下。

首先，本发明方法通过建立多个变量之间的软测量模型的方式来量化测量变量间的相关关系，起到了精准量化相关关系的效果。其次，本发明方法使用遗传算法优化的最小二乘回归算法，可以从最优的角度保证最小二乘回归模型的精度，进而保证了相关关系量化的准确程度。最后，在具体实施案例中，通过案例实施结果的对比充分的说明了本发明方法的可靠性与优越性。

图1为本发明方法的实施流程示意图。

图2为故障检测结果示意图。

下面结合附图和具体实施方式对本发明进行详细说明。

本发明公开了一种基于分布式软测量模型的光伏电板故障检测方法，下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。

步骤(1)：利用光伏电板的数据采集系统采集光伏电板正常运行一个月的N个样本数据向量x1，x2，...，xN，每个样本数据向量具有由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，...，xN组成训练数据矩阵X＝[x1，x2，...，xN]，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xi∈R9×1，R9×1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，具体的实施过程如前述步骤(3.1)至步骤(3.4)所示。

步骤(4)：将误差向量e3，e4，...，e9合并成误差矩阵E＝[e3T，e4T，...，e9T]后，再计算协方差矩阵Λ＝ETE/(N-1)与检测指标向量D＝diag{EΛ-1ET}，并将检测指标向量D中最大的元素记做Dmax；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xt∈R9×1，具体包括：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xt中各行数据实施标准化处理得到新数据向量

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ft＝[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fj。

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Dt＝ftΛ-1ftT，并判断是否满足条件：Dt≤Dmax；若是，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实时故障检测；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Dmax，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实时故障检测。

当光伏电板出现逆变器断路故障时，相应的故障检测详情如图2所示。从图2中可以看出，在故障发生期间，本发明方法的故障检测指标大小皆大于Dmax，从而能有效的检测出故障。