(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111436972.1 (22)申请日 2021.11.29 (71)申请人 青海大学 地址 810016 青海省西宁市宁大路251号 (72)发明人 陈来军　薛小代　马恒瑞　金成　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 代理人 姬莉 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/08(2006.01) H02S 50/10(2014.01) G06F 111/10(2020.01) (54)发明名称 一种光伏阵列故障智能诊断方法 (57)摘要 本发明涉及光伏阵列故障诊断技术领域， 公 开了一种光伏阵列故障智能诊断方法， 包括： S1： 分析光伏组件的标准数学模型， 标准数学模型如 式1： ， 建立光伏 阵列仿真模 型， 针对不同故障状态下的光伏阵列 进行故障特性分析， 得到光伏阵列的故障特征参 数， S2： 根据S1中得到的故障特征参数建立基于 SSA‑KELM的光伏阵列故障诊断模型， 本发明方法 具有良好的诊断精度和稳定的诊断效率， 能够识 别并诊断光伏阵列的各种故障类型。 权利要求书3页 说明书12页 附图4页 CN 114117921 A 2022.03.01 CN 114117921 A 1.一种光伏阵列故障智能诊断方法， 其特 征在于， 包括： S1： 分析光伏组件的标准数 学模型， 所述标准数 学模型如式1： 式中： Iph为光生电流， I0为光伏组件中P ‑N结的反向饱和电流， q为电荷常数q＝1.602 × 1019C， Rs、 Rsh分别为等效串联电阻和等效并联电阻， α 为二极管理想系数， K为玻尔兹曼系(K ＝1.38065 ×10‑23J/K， T为光伏组件的温度， I、 V分别为光伏组件的输出电流和电压， 建立光 伏阵列仿真模型， 针对不同故障状态下 的光伏阵列进行故障特性分析， 得到光伏阵列的故 障特征参数； S2： 根据S1中得到的所述故障特 征参数建立基于S SA‑KELM的光伏阵列故障诊断模型。 2.如权利要求1所述的光伏阵列故障智能诊断方法， 其特征在于， 所述S1中光伏阵列故 障特性分析包括： 采用增加串联电阻的方式来实现光伏阵列老化故障的模拟， 分别选取串联电阻Rs为6、 8、 10Ω， 分别代表三种不同的老化情况， 通过改变不同组件光照强度的大小， 能够模拟不同 遮阴模式下光伏阵列的输出 特性曲线； 正常状态下， 光伏阵列的I ‑V特性曲线呈单阶梯状， P ‑V特性曲线呈单峰状， 模式1表示 被遮挡组件分布在不同支路， 光伏阵列处于不均匀光照中， I ‑V特性曲线呈双阶梯状， P ‑V特 性曲线呈双峰状， 模式2表示单个支路中所有组件均被遮挡， 但光照强度相同， 光伏阵列的 I‑V特性依然表现为单阶梯状， P ‑V特性曲线同样为单峰状， 输出功率随着被遮挡组件数目 的增加而减少， 模式3表示在同一支路中， 各光伏组件的光照强度不同， I ‑V特性曲线 呈多阶 梯状， P‑V特性曲线呈多峰状； 设定光伏阵列中的每一列 为一条支路， 每条支路分别 串联电阻R1、 R2和R3， 并将电阻值 设为无穷大， 来模拟光伏阵列在不同状况下的开路故障， 通过将支路中的1、 2、 3个光伏组件 分别短接， 来模拟不同数量的组件短路的故障情况。 3.如权利要求1所述的光伏阵列故障智能诊断方法， 其特 征在于， 所述S2包括： S21： 在极限学习机的基础上 结合核函数 得到核极限学习机建立故障诊断模型； S22： 利用麻雀搜索算法对所述核极限学习机的关键参数进行优化； S23： 提取故障特 征参数。 4.如权利要求3所述的光伏阵列故障智能诊断方法， 其特 征在于， 所述S21具体包括： 当训练样本D＝{(xn,yn),n＝1,2…,N}时， 其回归函数为 y＝f(x)＝h(x)β        (2) 式中： x为输入样本， f(x)为网络输出， h(x)为ELM的非线性映射， 将上述表达式转换为 矩阵形式为 Hβ ＝T      (3) 其中H为隐含层的输出矩阵， T为期望输出向量， 极限学习机的最终求解目标可以等价 为求解线性方程Hβ ＝T的最小二乘解， 即寻找最优的权值β 使得代价函数最小， 根据广义逆 矩阵理论， 其 解为：权　利　要　求　书 1/3 页 2 CN 114117921 A 2式中： H+表示隐含层输出矩阵H的广义逆矩阵， I为对角矩阵， C为惩罚系数， 通过结合支 持向量机的原理提出核极限学习机， 将核函数引入极限学习机， 采用核函数来代替HTH， 核 函数定义如下： 式中： ΩELM为核矩阵， k(xI,xj)为核函数， 通常选用RBF核， K(xi,xj)＝exp(‑γ||xi,xj||2)   (6) 式中γ为核参数， | |xi,xj||为欧式范式， 因此， 核极限学习机 输出函数 可以表示 为： 核极限学习机利用核函数K(xi,xj)将输入样本从低维输入空间映射到高维隐含层特征 空间， 以稳定的核映射代替极限学习机中的随机映射。 5.如权利要求 4所述的光伏阵列故障智能诊断方法， 其特 征在于， 所述S2 2具体包括： 通过麻雀搜索算法优化所述核极限学习机的关键参数， 在每次迭代过程中， 发现者进 行位置更新的描述 为： 式中： t代表当前迭代次数， itermax是一个常数， 表示最大迭代次数， α ∈(0,1)是一个随 机数， R2∈[0,1]和ST∈[0.5,1]分别表示 预警值和安全值， Q 是服从正态分布的随机数， 当R2 <ST时， 说明周围没有捕食者出现， 发现者可以进行广泛的搜索， 如果R2≥ST， 说明有捕食者 出现威胁到 了种群的安全， 需要到其 他地方进行觅食； 追随者进行位置更新的描述 为： 式中： xb是目前发现者的最优位置， xw则表示当前最差的位置， 当i>n/2 时， 表明部分麻 雀处于十分饥饿的状态， 即适应度值很低， 需要到其它地方觅食， 以获取 更多的能量； 当群体的一些 麻雀感知到危险后， 也会进行相应位置的更新：权　利　要　求　书 2/3 页 3 CN 114117921 A 3