技术领域
[0001] 本
发明涉及光伏发电故障检测和分类技术领域，特别是一种基于BP_Adaboost的光伏发电故障检测与分类方法。
背景技术
[0002] 光伏发电阵列通常工作在复杂的户外环境中，受到各种环境因素的影响，容易出现开路、
短路、阴影等各种故障。故障的产生会降低电站的发电效率，严重时甚至发生火灾，危害社会财产安全。因此，如果对光伏发电阵列在运行状态中出现的故障能够及时地检测、分类并进一步告警，就能减少光伏系统因不正常运行而导致的
能量损失，降低故障扩散的可能，避免安全事故的发生，从而提高光伏系统生命周期内的安全性及投入产出比。
[0003] 目前，光伏阵列的故障检测方法主要有红外图像检测法、时域反射分析法和对地电容法、基于多
传感器检测法。正常工作与非正常工作的
太阳能电池板之间存在一定的温差，红外图像检测法利用被测物体的
温度特性进行检测。时域反射分析法的原理为向光伏
串联电路注入一个脉冲，分析和观察返回
波形，就可判断得到组件的故障类型和
位置。对地电容测量法通过分析测量得到的电容值来判断光伏串联电路中是否存在断路故障。基于多传感器的故障诊断方法通过为每
块光伏组件或者多块之间安装
电压或
电流传感器进行实时监测，通过分析采集到的数据判断光伏阵列存在的故障类型，
定位到故障组件。
[0004] 但这些方案存在一些不足之处：红外图像检测法不能区分温度相差不明显的状态，故障检测的
精度和效率取决于检测设备(红外热像仪)的等级，
费用较大，实时性较差；基于时域反射分析法不能对运行中的光伏阵列进行在线操作，不具有实时性，并且对设备要求较高，诊断的精度有限；多传感器的故障检测方法存在所用传感器较多、检测结构在大规模光伏阵列应用中难以推广等缺点。
[0005] 近些年来，
人工智能被广泛应用到各种系统的故障诊断中。只能
算法在光伏阵列故障诊断中的应用也非常多。例如神经网络算法、
聚类算法、
决策树、数据融合、
支持向量机等。
[0006] 其中，BP神经网络具有很强的鲁棒性、记忆能
力、非线性映射能力以强大的
自学习能力，可以模拟任意的非线性关系而无需去建立精确模型。而Boosting算法也称为提升法或者增强学习法，它能够将预测精度比较低的弱学习器提升为精度较高的强学习器。Boosting算法对目前几乎所有流行的算法都具有适用性，进而提高原先算法的预测精度。
AdaBoost则是Boosting算法中最成功的代表之一，它也被评为
数据挖掘的十大算法之一。
所以，采用基于BP_Adaboost算法能够快速准确的光伏阵列的工作状态进行识别。
[0007] 目前，公开发表的文献及
专利中尚未见有将基于BP_Adaboost的强分类器应用于光伏发电阵列的故障诊断和分类的研究。
发明内容
[0008] 有鉴于此，本发明的目的是提出一种基于BP_Adaboost的光伏发电故障检测与分类方法，能够在不影响
光伏发电系统工作的情况下进行故障检测与分类。
[0009] 本发明采用以下方案实现：一种基于BP_Adaboost的光伏发电故障检测与分类方法，包括以下步骤：
[0010] 步骤S1：采集光伏发电阵列不同工作状态的最大功率点电压、各组串电流以及温照度，得到参数的样本组合；
[0011] 步骤S2：对每个参数样本进行归一化处理；
[0012] 步骤S3：确定BP神经网络个数t，确定BP神经网络的
输入层节点数m、隐含层节点数n和
输出层节点数p以及初始化BP神经网络的各项权值与
阈值；
[0013] 步骤S4：利用得到的样本训练每一个BP神经网络，得到每个BP神经网络的权重；
[0014] 步骤S5：t个神经网络通过权重合并成一个强分类器输出，得到训练模型；
[0015] 步骤S6：利用训练模型对光伏发电阵列的故障进行检测和分类，判断系统是否出现故障，若出现故障则给出故障类型。
[0016] 进一步地，所述步骤S1中，所述参数的样本组合记为(Uk，I1k，I2k，I3k，Tk，Sk)；其中，k为样本采集序号，其中k为1到N的整数，Uk为第k个电气参数样本组合中的电压参数样本，I1k代表第k个电气参数样本组合中的组串1电流参数样本，I2k代表第k个电气参数样本组合中的组串2电流参数样本，I3k代表第k个电气参数样本组合中的组串3电流参数样本，Tk代表第k个电气参数样本组合中的温度参数样本，Sk代表第k个电气参数样本组合中的光照度参数样本。
[0017] 进一步地，步骤S1中，所述不同工作状态包括：正常工作、单组串开路、双组串开路、单组串上1个组件短路、单组串上2个组件短路、单组串上1个组件局部阴影以及单组串上2个组件局部阴影。
[0018] 进一步地，步骤S2具体为：采用比例压缩法将同一种参数样本映射到区间[0,1]内。
[0019] 以电压样本U＝(U1,U2，...UK，...UN)为例，具体映射公式为：
[0020]
[0021] 式中，y表示归一化后得到的数据，Umax表示数据组U中的最大值，Umin表示数据组U中的最小值，ymax一般设为1，ymin一般设为-1。
[0022] 进一步地，步骤S3中，BP神经网络具体设置为：输入层节点数为6，隐含层节点数为8，输出层节点数为7，最大循环训练次数为100，学习速率设置为0.1，收敛误差设置为
0.00004。
[0023] 进一步地，步骤S3中，每个BP神经网络的权重的计算方法采用下式：
[0024]
[0025] 式中，t代表第t个BP神经网络，et代表第t个BP神经网络的预测误差和。
[0026] 与
现有技术相比，本发明有以下有益效果：本发明能够在不影响光伏发电系统工作的情况下进行故障检测与分类。用Adaboost算法将多个BP神经网络合并成一个强分类器，有效提高光伏发电阵列故障检测与分类的准确性。本发明的分类准确率可达97％以上。
附图说明
[0028] 图2为本发明实施例的光伏发电阵列系统拓扑图。
[0029] 图3为本发明实施例的光伏发电阵列系统示意图。
[0030] 图4为本发明实施例的训练结果图。
[0031] 图5为本发明实施例的预测效果图。
具体实施方式
[0032] 下面结合附图及实施例对本发明做进一步说明。
[0033] 应该指出，以下详细说明都是示例性的，旨在对本
申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
[0034] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本
说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0035] 如图1所示，本实施例提供了一种基于BP_Adaboost的光伏发电故障检测与分类方法，图2为本实施例的光伏发电系统拓扑图，系统由S×P个太阳能组件组成，通过逆变器与
电网进行连接实现并网发电，通过模拟光伏发电阵列出现的不同的故障状况，例如开路、短路、阴影等工作状态，在不同的
气候条件下，选择不同的时段，针对每种故障情况进行实时故障检测与定位，具体包括以下步骤：
[0036] 步骤S1：采集光伏发电阵列不同工作状态的最大功率点电压、各组串电流以及温照度，得到参数的样本组合；
[0037] 步骤S2：对每个参数样本进行归一化处理；
[0038] 步骤S3：确定BP神经网络个数t，确定BP神经网络的输入层节点数m、隐含层节点数n和输出层节点数p以及初始化BP神经网络的各项权值与阈值；
[0039] 步骤S4：利用得到的样本训练每一个BP神经网络，得到每个BP神经网络的权重；
[0040] 步骤S5：t个神经网络通过权重合并成一个强分类器输出，得到训练模型；
[0041] 步骤S6：利用训练模型对光伏发电阵列的故障进行检测和分类，判断系统是否出现故障，若出现故障则给出故障类型。
[0042] 较佳的，本实施例中采集数据所采用的光伏系统由18块太阳能面板组成，组成6串3并的方式，通过逆变器进行并网发电，系统如图3所示。
[0043] 在本实施例中，所述步骤S1中，所述参数的样本组合记为(Uk，I1k，I2k，I3k，Tk，Sk)；其中，k为样本采集序号，其中k为1到N的整数，Uk为第k个电气参数样本组合中的电压参数样本，I1k代表第k个电气参数样本组合中的组串1电流参数样本，I2k代表第k个电气参数样本组合中的组串2电流参数样本，I3k代表第k个电气参数样本组合中的组串3电流参数样本，Tk代表第k个电气参数样本组合中的温度参数样本，Sk代表第k个电气参数样本组合中的光照度参数样本。
[0044] 在本实施例中，步骤S1中，所述不同工作状态包括：正常工作、单组串开路、双组串开路、单组串上1个组件短路、单组串上2个组件短路、单组串上1个组件局部阴影以及单组串上2个组件局部阴影。
[0045] 在本实施例中，能够对不同照度下的短路、开路和阴影故障进行检测，同时提出的方法还适用于小型光伏阵列和组串式光伏发电系统。特别地，本实施例在模拟光伏发电系统的7种工作状态进行采集数据：正常工作、单组串开路(开路1)、双组串开路(开路2)、单组串1个组件短路(短路1)、单组串2个组件短路(短路2)、单组串一个组件局部阴影(局部阴影1)、单组串2个组件局部阴影(局部阴影2)。在2018年3月份分多个时间段，在不同的温照度下进行数据随机采集，采集的样本数一共，每种样本数量及其对应的标签值如表1所示。随机选取其中的2/3作为训练样本集，剩余1/3作为验证样本集。
[0046] 表1不同工作状态下采集的样本数
[0047]工作状态 正常 开路1 开路2 短路1 短路2 阴影1 阴影2
样本数 511 339 344 352 343 345 350
标签值 1 2 3 4 5 6 7
[0048] 在本实施例中，步骤S2具体为：采用比例压缩法将同一种参数样本映射到区间[0,1]内。
[0049] 以电压样本U＝(U1,U2，...UK，...UN)为例，具体映射公式为：
[0050]
[0051] 式中，y表示归一化后得到的数据，Umax表示数据组U中的最大值，Umin表示数据组U中的最小值，ymax一般设为1，ymin一般设为-1。
[0052] 在本实施例中，步骤S3中，BP神经网络具体设置为：输入层节点数为6，隐含层节点数为8，输出层节点数为7，最大循环训练次数为100，学习速率设置为0.1，收敛误差设置为0.00004。
[0053] 在本实施例中，步骤S3中，每个BP神经网络的权重的计算方法采用下式：
[0054]
[0055] 式中，t代表第t个BP神经网络，et代表第t个BP神经网络的预测误差和。
[0056] 较佳的，本实施例的训练与验证结果分别如图4和图5所示。算法的整体分类准确率达到了97％以上，每种工作状态下的分类准确率如表2所示。
[0057] 表2光伏阵列故障检测和分类准确率
[0058]
[0059] 相对应，10个BP神经网络的分类准确率如表3所示，10个BP神经网络的平均训练分类准确率为96.8％低于基于BP_Adaboost强分类器的98.1％。对于单个神经网络来说，除了第7个神经网络的训练精度达到98.4％，其余神经网络的精度都低于基于BP_Adaboost强分类器的训练精度98.1％。对于样本的预测精度来说，BP神经网络的平均预测精度为96.6％，低于基于BP_Adaboost强分类器的97.7％。同时，所有BP神经网络的预测精度都低于基于BP_Adaboost强分类器的预测精度97.7％。而且，BP神经网络的精度
波动比较大，最低的达到了92.9％。因此，基于BP_Adaboost的强分类器与BP神经网络相比精度更高，
稳定性也更高。
[0060] 表3 BP神经网络的分类准确率
[0061]
[0062] 以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
