一种基于GS-SVM的光伏阵列积灰程度评估方法技术

本发明专利技术公开了一种基于GS

【技术实现步骤摘要】
一种基于GS
‑
SVM的光伏阵列积灰程度评估方法


[0001]本专利技术属于光伏发电
，更为具体地讲，涉及一种基于GS
‑
SVM的光伏阵列积灰程度评估方法。

技术介绍

[0002]光伏发电近年来在清洁能源领域发展势头迅猛，截止2022年底，国内累计光伏装机容量达到87.41GW。从近几年光伏发电的运维情况分析，光伏阵列运行中易受风沙、落尘、污秽、雨雾等自然因素影响，阵列表面积灰问题严重，可能导致发电效率下降20％
‑
40％。因此，积灰程度检测与评估已成为了光伏电站运维不可或缺的基础工作和难点问题。
[0003]针对光伏阵列积灰评估问题，目前的研究多集中于理论与现场试验相结合的积灰模型检测方法。该方法通常通常是以光伏阵列的工程模型作为对照，从而对实际情况进行分析、判断，需要精确的工程模型，但是由于阵列特性以及地域差异影响，建模难度较大，很难做到广泛适用性。近几年也有一批基于计算机视觉的方法涌现，利用不同积灰状态下阵列表面图像颜色及纹理特征差异来辨识积灰程度。但是增加了额外的设备成本，且采集图像数据噪声含量很高。此外，基于采集积灰评估特征量，如光照强度、温度、电压、电流以及功率等，利用机器学习方法进行模型训练和积灰程度辨识的方法逐渐展现优势。只是当积灰阵列混有局部短路、局部开路、全局老化以及局部阴影等其他常见故障时，上述机器学习方法的辨识精度会大受影响，不易开展工程应用研究。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于GS
‑
SVM的光伏阵列积灰程度评估方法，可以解决目前基于机器学习算法的光伏阵列积灰程度评估模型采集特征量多、评估精度易受其他故障干扰等问题。
[0005]为实现上述专利技术目的，本专利技术一种基于GS
‑
SVM的光伏阵列积灰程度评估方法，其特征在于，包括以下步骤：
[0006](1)、采集光伏阵列在不同条件下的短路电流；
[0007](1.1)、设置积灰密度间隔Δd，划分积灰密度等级，设置等级编号k，k＝1,2,
…
,K，K为积灰密度等级数量；
[0008](1.2)、采集光伏阵列在不同光照强度G
i
、不同环境温度T
j
以及不同积灰密度ρ
k
下的短路电流，其中，第i种光照强度第j种环境温度第k种积灰密度下的短路电流记为I
i,j,k
，i＝1,2,
…
,n，j＝1,2,
…
,m，n为光照强度的等级数，m为环境温度的等级数；
[0009](2)、构建训练数据集；
[0010]在每一组采集数据中，将不同工况下的短路电流I
i,j,k
与对应的光照强度G
i
和环境温度T
j
组成训练数据x
d
＝(G
i
,T
i
,I
i,j,k
)，将对应的积灰密度ρ
k
作为标签y
d
，从而构建出训练数据集{(x1,y1),(x2,y2),
…
,(x
d
,y
d
),
…
(x
D
,y
D
)}；
[0011](3)、设置支持向量机SVM待寻优的超参数；
[0012](3.1)、选取N个核函数，设置每个核函数的核参数g的取值，以及每个核函数的惩罚因子C的取值；
[0013](3.2)、引入第l个核函数存在一个从输入空间到特征空间的映射在高维特征空间中寻找最大间隔分离超平面：
[0014][0015]其中，w,b为超参数，d1≠d2,d1,d2∈[1,D]；
[0016](3.2)、利用拉格朗日函数以及强对偶转化，通过化解消去w,b，将上式转换为如下目标优化问题：
[0017][0018]其中，为相应积灰程度下的拉格朗日算子，C为核函数的惩罚因子；
[0019](4)、更新训练数据集；
[0020](4.1)、将训练数据(x1,x2)及对应标签代入步骤(3.2)中的公式，计算出目标值minL，然后更换核函数最终得到N组目标值minL，最后将N组目标值minL求和后替换训练数据集中的x1，更新后的x1记为y1保存不变；
[0021](4.2)、将训练数据(x2,x3)对应标签按照步骤(4.1)继续处理，得到更新后的y2保存不变；然后以此类推，直到最后一组训练数据对应标签按照步骤(4.1)继续处理，得到更新后的y
D
保存不变；
[0022](5)、构造GS
‑
SVM模型；
[0023]GS
‑
SVM模型包括三维坐标系的网格GS和支持向量机SVM，其中，三维坐标系的网格GS模型为(K,C,g)，K表示引入的核函数，C为核函数的惩罚因子，g为核函数的核参数；
[0024](6)、训练GS
‑
SVM模型；
[0025](6.1)、将更新后的训练数据集均分为M个训练子集，其中，第κ个训练子集记为σ
κ
，κ＝1,2,
…
,M；
[0026](6.2)、初始化κ＝1，将第κ个训练子集输入至GS
‑
SVM模型，然后根据三维坐标系的网格GS选取一组超参数(K,C,g)代入SVM模型，SVM模型对第κ个训练子集的每一组训练数据进行处理，得到对应的预测标签；
[0027](6.3)、根据每组训练数据的预测标签与真实标签，统计每组训练数据的分类准确率，如果预测标签与真实标签相同，则分类准确率记为1，否则记为0；
[0028](6.4)、统计第κ个训练子集中所有训练数据的分类准确率的平均值，记为p
κ
；
[0029](6.5)、判断当前迭代次数κ是否达到最大值M，若κ＜M，则进入步骤(6.6)；否则，进入步骤(6.7)；
[0030](6.6)、令κ＝κ+1，然后返回步骤(6.2)；
[0031](6.7)、在M组分类准确率的平均值中，找出最大值max(p
κ
)，然后再找出max(p
κ
)那组超参数(K,C,g)，即为所求最优超参数，进而得到训练后的GS
‑
SVM模型；
[0032](7)、光伏阵列积灰程度的实时评估；
[0033]实时采集光伏阵列在光照强度G、环境温度T但积灰密度未知的状态下的短路电流I，然后将光照强度G、环境温度T和短路电流I组成测试数据x＝(G,T,I)，再将测试数据x＝(G,T,I)输入至训练完成的GS
‑
SVM模型，从而输出预测标签值，得到光伏阵列的积灰等级。
[0034]本专利技术的专利技术目的是这样实现的：
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GS
‑
SVM的光伏阵列积灰程度评估方法，其特征在于，包括以下步骤：(1)、采集光伏阵列在不同条件下的短路电流；(1.1)、设置积灰密度间隔Δd，划分积灰密度等级，设置等级编号k，k＝1,2,
…
,K，K为积灰密度等级数量；(1.2)、采集光伏阵列在不同光照强度G
i
、不同环境温度T
j
以及不同积灰密度ρ
k
下的短路电流，其中，第i种光照强度第j种环境温度第k种积灰密度下的短路电流记为I
i,j,k
，i＝1,2,
…
,n，j＝1,2,
…
,m，n为光照强度的等级数，m为环境温度的等级数；(2)、构建训练数据集；在每一组采集数据中，将不同工况下的短路电流I
i,j,k
与对应的光照强度G
i
和环境温度T
j
组成训练数据x
d
＝(G
i
,T
i
,I
i,j,k
)，将对应的积灰密度ρ
k
作为标签y
d
，从而构建出训练数据集{(x1,y1),(x2,y2),
…
,(x
d
,y
d
),
…
(x
D
,y
D
)}；(3)、设置支持向量机SVM待寻优的超参数；(3.1)、选取N个核函数，设置每个核函数的核参数g的取值，以及每个核函数的惩罚因子C的取值；(3.2)、引入第l个核函数存在一个从输入空间到特征空间的映射在高维特征空间中寻找最大间隔分离超平面：其中，w,b为超参数，d1≠d2,d1,d2∈[1,D]；(3.2)、利用拉格朗日函数以及强对偶转化，通过化解消去w,b，将上式转换为如下目标优化问题：其中，为相应积灰程度下的拉格朗日算子，C为核函数的惩罚因子；(4)、更新训练数据集；(4.1)、将训练数据(x1,x2)及对应标签代入步骤(3.2)中的公式，计算出目标值minL，然后更换核函数最终得到N组目标值m...

【专利技术属性】
技术研发人员：张逴，魏东，乔劼，李树成，辜辰瑜，凌雨童，代敏，唐九龄，易建波，冯炳赫，
申请(专利权)人：四川晟天新能源发展有限公司，
类型：发明
国别省市：