(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110605736.1 (22)申请日 2021.05.31 (65)同一申请的已公布的文献号 申请公布号 CN 113221468 A (43)申请公布日 2021.08.0 6 (73)专利权人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 陈志聪　林月达　吴丽君　程树英　 林培杰　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 陈明鑫　蔡学俊 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G06F 119/08(2020.01)(56)对比文件 CN 106021806 A,2016.10.12 CN 106067758 A,2016.1 1.02 CN 10976 6952 A,2019.0 5.17 CN 108923748 A,2018.1 1.30 CN 109194286 A,2019.01.1 1 EP 1403649 A2,2004.03.31 林培杰 等.一种P SO-SVM的光伏阵列故障检 测与分类. 《福州大 学学报 （自然科 学版） 》 .2017, 林文城 等.一种光伏组件I －V 特性曲线测 试及参数辨识系统. 《福州大 学学报 （自然科 学 版） 》 .2018, Lodhi et.al.Performance Evaluati on of Faults i n a Photovo ltaic Ar ray Based o n V-I and V-P C haracteristic Curve. 《2020 12th Internati onal Conference o n Measuring Technology and Mec hatronics Automati on (ICMTMA). Proce edings》 .2020, 审查员 陈银兰 (54)发明名称 基于集成学习的光伏阵列故障诊断方法 (57)摘要 本发明涉及基于集成学习的光伏阵列故障 诊断方法， 包括以下步骤： 获取光伏面板的实际 I‑V特性曲线信息和环境信息； 计算I ‑V特性曲线 的电气参数、 几何特征， 并结合光伏阵列单二极 管等效模型电路的模型参数和光伏 阵列的背板 温度、 环境辐照度作为故障特征； 对特征数据进 行零均值标准化处理， 并对故障标签进行序号编 码； 根据集成学习的模型堆叠方法搭建故障诊断 模型， 以极端随机树、 LightGBM、 支持向量机和K ‑ 近邻算法作为模 型堆叠第一层的算法， 极端随机 树作为第二层算法， 并用网格搜索选择算法的超 参数； 根据训练好的模型预测光伏阵列的故障类 型， 评估和优化光伏电站的工作状态。 本发明结 合不同算法的优点， 提升了故障诊断算法的预测 精度和稳定性。 权利要求书2页 说明书7页 附图5页 CN 113221468 B 2022.07.08 CN 113221468 B 1.一种基于集成学习的光伏阵列故障诊断方法， 其特 征在于： 包括以下步骤： 步骤S1： 获取光伏面板的实际I ‑V特性曲线信息和环境信息； 步骤S2： 根据步骤S1 获取的信息 完成特征工程， 获取光伏阵列故障特 征； 步骤S3： 对步骤S2获取的故障特 征进行归一 化处理， 并对故障标签进行编码； 步骤S4： 根据集成学习方法搭建故障诊断模型， 并选择模型超参数， 训练故障诊断模 型； 步骤S5： 根据训练好的模型预测光伏阵列的故障类型即将故障特征输入到训练好的模 型， 输出待测数据的故障类型； 通过特征构建和特 征选择完成步骤S2中所述的特 征工程； 所述特征构建具体按照如下步骤建立： 步骤Sa： 将I ‑V特性曲线的电气参数作为故障特征集， 包括： 开路电压Voc、 短路电流Isc、 最大功率Pm、 最大功率电压Vm和最大功率电流 Im； 步骤Sb： 根据I ‑V特性曲线计算曲线的几何特征添加到故障特征集， 包括： FF、 slop1、 slop2、 slop3、 slop4、 f1、 f2， 按如下 方式获取： 步骤Sc： 根据光伏模型参数辨识算法提取光伏阵列单二极管模型的模型参数添加到故 障特征集， 包括： 光电流Iph、 二极管反向饱和电流Io、 二极管理想化因子n、 等效串联电阻Rs、 等效并联电阻Rsh； 步骤Sd： 将阵列背板温度T和光照度Tr r添加到故障特 征集； 所述特征选择具体按照如下步骤建立： 步骤SA： 选择斯皮尔曼相关系数法计算特 征之间的相关性选择 特征； 步骤SB： 选择 XGBoost算法计算特 征重要性选择 特征； 步骤S4所述集成学习方法采用模型堆叠的Stacking方法， 选择极端随机树、 LightGBM、 支持向量机和K ‑近邻算法作为模型堆叠结构的第一层基础算法， 选择ET作为第二层算法； 模型超参数采用网格搜索进行确定 。 2.根据权利要求1所述的一种基于集成学习的光伏阵列故障诊断方法， 其特征在于： 步 骤S1所述I ‑V特性曲线信息包括： 工作电压V和 输出电流I； 所述环境信息包括： 阵列背板温 度T和环境辐照度Tr r。 3.根据权利要求1所述的一种基于集成学习的光伏阵列故障诊断方法， 其特征在于： 所权　利　要　求　书 1/2 页 2 CN 113221468 B 2述步骤S3具体按照如下步骤建立： 步骤1： 选择零均值标准 化方法对特 征数据进行归一 化处理， 其计算公式如下： 其中， μ代 表原始数据均值， δ代 表原始数据标准差； 步骤2： 选择序号编码对故障类型进行编码， 故障类型包括： 短路一块组件、 短路两块组 件、 组件老化、 组串老化、 阴影一 块组件、 阴影两块组件以及正常工作状态共7种工况 数据。 4.根据权利要求1所述的一种基于集成学习的光伏阵列故障诊断方法， 其特征在于： 所 述训练故障诊断模型的具体内容 为： 步骤a： 数据集的70％作为训练集， 30％作为测试集； 所述故障特征集是每条数据的特 征集合； 步骤b： 网格搜索确定集成学习第一层结构极端 随机树、 LightGBM、 支持向量机和K ‑近 邻算法的超参数； 步骤c： 选择5折交叉验证的方式用训练集分别训练极端随机树、 LightGBM、 支 持向量机 和K‑近邻算法； 每折交叉验证后四个模型都会预测验证集的故障标签， 预测测试集故障的 概率， 交叉验证训练结束后计算 概率平均值， 概 率最大的结果 为测试集的故障标签； 步骤d： 将步骤c的预测结果作为数据的新特 征,和原始数据标签结合构成新数据集； 步骤e： 网格搜索确定集成学习第二层结构ET算法的超参数； 步骤f： 新训练集训练ET算法， 预测 测试集的输出 结果。权　利　要　求　书 2/2 页 3 CN 113221468 B 3