期刊-基于SVM理论的光伏阵列电路故障诊断仿真分析-论文模板-电子技术-科技核心

PAGE1PAGE2基于SVM理论的光伏阵列电路故障诊断仿真分析摘要：光伏能源因为其清洁无污染在近年来得到了巨大的发展，但其在故障诊断、故障定位以及故障维护方面仍然存在很多的问题，进而影响了光伏发电的系统稳定性和运行成本。支持向量机（SupportVectorMachine，简称SVM）是数据挖掘中最新的一项二分类模型，可以有效地应用于光伏阵列电路的智能诊断领域。本文提出了一种适用光伏阵列电路故障诊断带有故障优先级的支持向量机多分类诊断方法，并通过在mathlab上通过代码仿真模拟，验证了不同故障样本的模型准确率的差异，确定了经过特征选择后故障样本训练具有准确度更高，系统复杂度和样本量较少，运算量最高的特点。关键词：支持向量机；光伏；拓扑结构；mathlab；仿真引言经济发展需要充足的能源做保障，我国经济体量早已成为世界第一，我国的能耗也攀升至世界首位。巨大的能源消耗带来了碳排放和其他污染，给我国的环保工作带来了巨大的压力，为了改变我国目前面临的环境问题，响应习近平总书记“绿水青山就是金山银山”的号召，就必须加大新型能源开发和发展的力度。光伏能源因为其清洁无污染，容易获取和利用，在近年来得到了巨大的发展。光伏电池能够在运行过程中实现“零排放、零污染”，随着光伏效率、寿命和耐用性不断提高，制造成本大幅度地降低，光伏能源在我国的能源序列中所占的比重越来越大。光伏阵列主要通过分布式发电的方式进入电网系统，具有安装方面、能源利用效率高等优点，可以有效降低光伏电力传输过程中的线路损耗。大规模的光伏阵列虽然在环保方面具有较高的优势，但光伏阵列在故障诊断、故障定位以及故障维护方面仍然存在很多的问题。大量位置分散、特性不同的分布式光伏阵列并入电网后，会对电网产生随机的能源波动，从而为配电系统带来谐波问题，影响电网系统运行的稳定性，从而产生故障隐患。同时，光伏阵列规模的扩大，内部电路故障的概率也会升高。由于分布式光伏阵列的特点，传统的电网故障并不适用，由于成本和安全因素，光伏阵列电网系统需要具备无人值守、智能检测，这就需要智能设备的算法支持。为做到对光伏阵列电网阵列故障的快速检测，就需要针对其电路的特点进行故障分析，提出合适的智能化故障诊断方法，以缩短光伏阵列故障持续的时间，提高光伏阵列供电的稳定性和可靠性，降低因光伏故障供电故障带来的损失。本文将提出了一种适用光伏阵列电路故障诊断带有故障优先级的支持向量机多分类诊断方法，以解决光伏阵列电路故障智能检测的问题，并通过仿真模拟进行了分析和验证。2支持向量机理论概述2.1支持向量机概述支持向量机(SupportVectorMachine，简称SVM)是数据挖掘中最新的一项二分类模型。虽然其相关理论和应用方面很多处于研究阶段，但其借助于最优化方法解决机器学习问题方面的优势，且在智能诊断等领域的理论以及应用路径已经基本完善，因此成为解决当前机器学习中分类问题和回归问题的重要工具，广泛应用于在数据挖掘、神经网络、机器学习以及视觉处理等领域。[1]支持向量机能够有效解决数据分类问题，监督机器学习算法，相对于其他算法模型，支持向量机模型在解决小样本、高维度以及非线性分类识别方面具有优势。[2-4]在光伏阵列微电路故障诊断中，支持向量机能够通过拉格朗日系数和对应的支持向量特征值有效解决故障样本中故障信息分类的问题，具有训练收敛快，泛化能力强的优点。2.2支持向量机的原理支持向量机方法的理论基础是Vapnik-Chervonenkis理论与构造风险最小理论，支持向量机的目标就是提高学习分类机器的泛化处理能力，通过最大化超平面之间的间隔，建立最好的分类超平面，使离超立体最接近的元素到超平面的间隔最大。这种方法能够有效解决高维小样本数据、非线性数据等模型问题，并能够在局部极小点等问题中展示良好的性能，进而可以应用到机器学习领域，用于光伏阵列电路故障检测的应用当中。[5]支持向量机的具体求解过程如下：………（1）其中，，为特征向量。(2)选择适当核函数以及参数，解决优化问题：……（2）……（3）得最优解：。选取的正分量，计算样本分类阈值：……（4）(4)构造最优判别函数：……（5）支持向量机内积核核函数K的主要种类有：线性内核函数：……（6）多项式核函数：……（7）高斯径向基核函数(RBF)：……（8）双曲正切核函数Sigmoid核函数：……（9）2.3线性和非线性支持向量机采用支持向量机做光伏阵列分类预测时，必须调整支持向量机的核函数参数以及惩罚参数，以便获得较好的分类精度，获取最优的参数，有效防止机器学习在故障诊断中产生欠学习和过学习的状态，从而对故障问题测试集合的预测达到较高的精确度。[6]根据对支持向量机输入数据的类型，可以将支持向量机分为两类：非线性支持向量机、线性支持向量机。2.3.1线性支持向量机若要介绍线性支持向量机，首先需要介绍下一个定义：线性分类器。A、B是两个不同的类别，需要在其中间加一个分类函数，这样就能够将A、B样本区分开，那么则说这个数据集是线性可分，其所对应的分类器便是线性分类器。对于二维空间，显然，分类函数可以看成是一条直线。同理，三维空间里分类函数就是一个平面，忽略空间的维数，分类函数就可以统称为超平面。[8]2.3.2非线性支持向量机从前一小节可以看出来，线性支持向量机是二类分类器。但是，在现实环境和问题中，往往要解决多类别的分类的问题。那么，怎么从二类分类器扩充到多类别分类器呢？就是一个值得思考探寻的方向。从二类分类器获取多类分类器的方法有很多，但在实际应用中，采用的较多的措施是通过寻找一个合适的非线性转换函数，进而能够使数据从原始的特征空间中映射到新的特征空间中，使得数据在新的特征空间中是线性可分的。但是，寻找这样的非线性转换函数很难，并且即使能找到，要实现这种非线性的转换也很麻烦。[9]3光伏阵列电路故障诊断模型3.1实现样本分类的步骤根据支持向量机的原理和研究方法，在建立光伏电路故障诊断分析的过程中，支持向量机的分类有以下四个步骤：建立支持向量机的训练样本集，特征向量，训练样本集中各个分类标签取为。为支持向量机调整合适的惩罚参数C和核函数参数。根据支持向量机确定的核函数参数和惩罚参数C，得到支持向量机的最优化对偶问题，支持向量机对偶问题的拉格朗系数a通常用SMO算法求解，公式如下：…（10）……………（11）利用ak求解出b，公式中的S=k|a>0,k=1,2…,N｝为所有支持向量机向量的下标符号，b的求解公式为：…（12）利用代入α和系数b可得支持向量机模型的决策函数，计算公式如下：…（13）3.2建立故障诊断的模型根据支持向量机回归实验的步骤，光伏阵列电路故障诊断仿真分析的模型流程如下所述：1、采集光伏阵列电路正常运行及发生故障时，电路连接处（PCC）的三相电流与连接处二相电压的信号值。2、计算第1步中采集到的电流与电压信号对应的小波能量熵，并把小波能量熵的值作为支持向量机有用的故障特征。3、通过改变光伏阵列电路的负载，电路系统拓扑结构以及电路故障点等相关参数，重复上述第1、2两个步骤，以获得支持向量机模型所需的大量故障训练特征样本，构成支持向量机原始的样本空间。本研究的样本空间通过改变光伏阵列故障的负荷以及故障点的位置，以及改变光伏阵列的分布式拓扑结构，一共地得到故障样本126个，每个样本由计算得到的小波能量熵构成的48个维度。光伏阵列的数据样本如表1所示。表1光伏阵列电路故障样本正常CGBGCG4、根据支持向量机的分析法对光伏阵列电路故原始故障进行特征选择降维处理，处理过程在mathlab平台上进行通过代码实现，故障特征取k大于85%，采用支持向量机发特征选的故障样本标签如图2所示。在训练样本中随机采取100个故障样本作为训练集，其余26个作为训练结果的测试集。[11]5、通过改变光伏阵列电路的负载，电路系统拓扑结构以及电路故障点等相关参数，重复上述第1、2两个步骤，以获得支持向量机模型所需的大量故障训练特征样本，构成支持向量机原始的样本空间。本研究的样本空间通过改变光伏阵列故障的负荷以及故障点的位置，以及改变光伏阵列的分布式拓扑结构，一共地得到故障样本126个，每个样本由计算得到的小波能量熵构成的48个维度。光伏阵列的数据样本如表2所示。表1光伏阵列电路故障样本正常CGBGCG6、根据支持向量机的分析法对光伏阵列电路故原始故障进行特征选择降维处理，处理过程在mathlab平台上进行通过代码实现，故障特征取k大于85%。通过分析可以发现，当故障样本的维数从48降低到18维度的时候，信息量就已经接近85%，因此采用支持向量机发特征选的故障样本标签如表3所示。在训练样本中随机采取100个故障样本作为训练集，其余26个作为训练结果的测试集。光伏阵列电路故障样本标签7、任意给定惩罚参数经验值C和核函数参数，以光伏阵列电路故障特征选择后的故障样本训练，通过支持向量机分析法确定故障优先级，实现基于会吃向量机光伏阵列线路故障智能诊断模型的建立。在关于支持向量机核函数的选择上，目前学术界并没有形成完整的理论和方法。本文采用的核函数根据光伏阵列电路的特点，采用线性不可分的高斯径向基核函数(RBF）。选择高斯径向基核函数有以下几点考虑[12]：1）linear核函数是线性不可分核函数的特殊情况，可以代替linear核函数；2）某些参数下光伏阵列电路核函数和sigmoid核函数很像，而sigmoid核函数则存在光伏阵列参数下无效的情形；3）比poly核函数，本次选择的核函数具有参数更小，参数取值更方便，因而应用范围更广，能够在光伏阵列线路故障很短中有很好的表现。4支持向量机仿真结果分析本文将惩罚参数C的经验值定为1，核函数方差g定为0.1，按照支持向量机训练支持样本的步骤，支持向量机多分类的故障优先级训练在mathlab上通过函数代码予以实现，经测试，支持向量机测试集上模型诊断的准确率为80.8%。本文选择光伏阵列微电路连接的三相电压的单一电气参数的小波能量熵作为特征向量，用于支持向量机的样本训练，其余参数保持一致，其中惩罚参数C=1，核函数方差g=0.1，随机选取100个故障样本作为支持向量训练集，其余26个作为训练样本结果的测试集，特征样本为24个维度，经过mathlab的代码实现，得到训练样本结果在测试集上准确率为61.5%。从而可以发现，通过同时选择三相电压三相电流作为故障电气量电气参数的小波能量熵训练样本，可以有效增加训练信息样本量，使得支持向量机故障智能检测的准确率更高，比单一的三相电压的单一电气参数的小波能量熵作为特征向量准确率高了大约16%以上。但是，如果采用同时选择三相电压三相电流作为故障电气量电气参数的小波能量熵训练样本后，故障信息的样本维度会由原来的24维度增加到48维度，训练样本数增加后系统训练的复杂度大幅度的提高，因此，需要通过改进降低训练样本的维度，将之降低到18维。经过测试，训练样本结果在测试集上准确率为80%，接近于同时选择三相电压三相电流作为故障电气量电气参数，因此，采用改进主元发降低训练样本维度后，不仅降低了训练样本系统的复杂性，也减弱了系统的数据噪声，提高了故障诊断的准确度。不同故障样本的模型准确率对比如表4所示。表4不同故障样本的模型准确率对比样本种类单故障量多故障量未降维改进主元法降维样本维数244818准确率61.5385%76.9231%80.7692%5结论和展望本文首先介绍了支持向量机的概念和特点、原理以及线性和非线性支持向量机的特点，并提出了一种适用光伏阵列电路故障诊断带有故障优先级的支持向量机多分类诊断方法，并通过在mathlab上通过代码仿真模拟，验证了不同故障样本的模型准确率的差异。通过实验对比，本研究认为采用结合改进主元分析法降低数据样本的维度后，能够在不降低实验准确度的前提下，有效降低训练样本的复杂程度以及由此带来训练系统的复杂程度，大幅度地提高算法训练的速度。本文通过同故障样本的模型的筛选，确定了经过特征选择后故障样本训练具有准确度更高，系统复杂度和样本量较少，运算量最高的特点。但本实验的C和g两个参数都是给定的经验值，从而导致本模型的准确度并不高，只有80%左右，需要进一步提高实验精度。如何寻找和优化本实验的C和g这两个优先的参数，是未来本研究工作的重点任务之一。以上作品的著作权为本作者所有，仅供参考，严禁抄袭，需要全套资料或者专业辅导请联系作者：QQ：2993571832微信：lxj1234511参考文献[1]王成山著.微电网分析与仿真理论[M].北京：科学出版社.2013.[2]R.Rajarajeswari,D.Suchitra,K.Vijayakumar,R.Jegatheesan.AnalyzingCustomerOutageCostinaMicrogrid[J].SpringerUS,2019,24(1):13-22.[3]李婷，陈英慧，商淼.微电网关键技术及其相关问题的研究[J].电子世界，2018(07):198+200.[4]Cheng-IChen,Chien-KaiLan,Yeong-ChinChen,Chung-HsienChen,Yung-RueiChang.WaveletEnergyFuzzyNeuralNetwork-BasedFaultProtectionSystemforMicrogrid[J]-MDPI,2020,13(4):94-102.[5]CarlosCORREA-BETA