1.一种基于回声状态网络的光伏电板故障检测方法,其特征在于,包括以下步骤:步骤(1):在光伏电板正常工作状态下,利用数据采集系统每隔1分钟采集一次样本数据,具体包括9个数据,并将每次采集的这9个数据组成一个列向量;其中,列向量中的9个数据依次为:光照强度,环境温度,电板温度,最大动态直流功率,直流电流,直流电压,交流功率,交流电压,和交流电流;
步骤(2):按照采集的时间先后顺序,将光伏电板正常工作状态下采集得到的N个列向量x1,x2,…,xN组成训练数据矩阵X=[x1,x2,…,xN],并对X的各个行向量实施归一化处理,从而得到新数据矩阵 其中,归一化处理的方式为:将行向量减去该行向量的最小值后,再除以该行向量的最大值与最小值之差;
步骤(3):依次分别将X中第3行至第9行的行向量用作回声状态网络模型的输出,并将X中其它8行的行向量用作回声状态网络模型的输入,建立回声状态网络模型,具体的实施过程如步骤(3.1)至步骤(3.11)所示:步骤(3.1):初始化j=3;
1×N
步骤(3.2):将新数据矩阵 中第j行的行向量zj∈R 用作回声状态网络模型的输出,再将 中其余8行的行向量组建成输入矩阵Xj∈R8×N后用作回声状态网络模型的输入;其中,R1×N表示1×N维的实数向量,R8×N表示8×N维的实数矩阵;
步骤(3.3):搭建一个回声状态网络模型,具体包括:8个输入节点,L个储蓄池节点,和1个输出节点;其中,储蓄池节点的激活函数f(u)=tanh(u)为双曲正切函数,u为函数自变量;
步骤(3.4):初始化权值连接矩阵Wj∈RL×L;其中,Wj的各个元素都是按照均匀分布在区间[-1,1]范围内随机产生的;
步骤(3.5):对权值连接矩阵Wj进行稀疏度修正,具体实施过程是将Wj中小于等于0.1且大于等于-0.1的非对角线上的元素修改成0;
步骤(3.6):计算权值连接矩阵Wj的所有特征值,并对所有特征值计算绝对值后,再将最大的绝对值记做α;
步骤(3.7):判断α是否小于1;若否,则根据公式Wj=0.8·Wj/α更新权值连接矩阵Wj后,再保留权值连接矩阵Wj;若是,则直接保留权值连接矩阵Wj;
L×1
步骤(3.8):初始化输入权值矩阵 初始化反馈权值向量Vj∈R ;其中,输入权值矩阵和反馈权值向量中的元素都是按照均匀分布在区间[-1,1]范围内随机产生的;
步骤(3.9):根据公式 计算输出权值向量 其中,
表示zj中第2个至第N个元素组成的向量,上标号T表示矩阵或向量的转置符号,λ为正则系数,I为K×K维的单位矩阵,n=N-1,K=9+L,矩阵Zj的组成方式如下所示:上式中, 表示Xj中第2列至第N列的列向量组成的矩阵, 表示zj中第1个至第N-1个元素组成的向量, 表示状态矩阵Sj∈RL×N中第2列至第N列的列向量组成的矩阵,状态矩阵Sj中第一列向量为零向量,Sj中第i列向量 的计算方式如下所示:上式中, 表示Xj中的第i列向量,i∈{2,3,…,N}, 表示状态矩阵Sj中的第i-1列向量, 表示zj中的第i-1个元素;
步骤(3.10):保留模型参数集 并根据公式 计算输出
估计向量yj∈R1×n后,再计算估计误差向量
步骤(3.11):判断是否满足条件:j<9;若是,则设置j=j+1后,返回步骤(3.2);若否,则得到模型参数集φ3,φ4,…,φ9,以及误差向量e3,e4,…,e9;
步骤(4):将误差向量e3,e4,…,e9合并成误差矩阵E=[e3T,e4T,…,e9T]后,再计算误差
1×7 T
矩阵E中所有行向量的平均值向量μ∈R ,并根据公式Λ=(E-U) (E-U)/(N-1)计算协方差矩阵Λ;其中,均值矩阵U∈Rn×7由n个平均值向量μ∈R1×7组成;
步骤(5):根据公式D=diag{(E-U)Λ-1(E-U)T}计算检测指标向量D,并将检测指标向量D中最大的元素记做Dlim;其中,diag{ }表示将大括号内的矩阵对角线元素转变成向量的操作;
步骤(6):利用光伏电板的数据采集系统采集最新采样时刻的样本数据xt∈R9×1,xt中的
9个数据依次是:光照强度,环境温度,电板温度,最大动态直流功率,直流电流,直流电压,交流功率,交流电压,交流电流;其中,下标号t表示最新采样时刻;
步骤(7):对xt实施归一化处理,从而得到数据向量
步骤(8):调用步骤(3)中的7个模型参数集φ3,φ4,…,φ9,计算得到7个误差数据f3,f4,…,f9,再将这7个误差数据组成误差向量ft=[f3,f4,…,f9],具体的实施过程如步骤(8.1)至步骤(8.9)所示:步骤(8.1):初始化j=3;
步骤(8.2):将数据向量 中的第j个元素 用作回声状态网络模型的输出,并将 中其余8个元素组成输入向量γj∈R8×1后用作回声状态网络模型的输入,再计算t采样时刻的状态向量 其中, 为数据向量 中的第j个元素, 是t-1采样时刻样本数据xt-1经归一化处理后得到的数据向量,st-1为t-1采样时刻的状态向量,t-
1采样时刻表示t采样时刻的前一个采样时刻;
步骤(8.3):组建向量 后,再计算 从而可以得到误差数据
步骤(8.4):判断是否满足条件:j<9;若是,则设置j=j+1后,返回步骤(8.2);若否,则将7个误差数据f3,f4,…,f9组成误差向量ft=[f3,f4,…,f9];
步骤(9):计算检测指标Dt=(ft-μ)Λ-1(ft-μ)T后,再判断是否满足条件:Dt≤Dlim;若是,则光伏电板正常运行,并返回步骤(6)继续实施对光伏电板的故障检测;若否,则执行步骤(10);
步骤(10):返回步骤(6)继续利用最新采样时刻的样本数据实施故障检测;若连续6个采样时刻的检测指标皆大于Dlim,则触发故障警报;反之,则光伏电板正常运行,并返回步骤(6)继续实施对光伏电板的故障检测。
2.根据权利要求1所述的一种基于回声状态网络的光伏电板故障检测方法,其特征在于,所述步骤(7)中对样本数据xt实施归一化处理的具体过程如下所示:步骤(7.1):根据公式 对xnew中的第k行的元素实施归一化处理,从而得到 中的第k行的元素 其中, 与 分别表示训练数据矩阵X中第k行向量的最大值元素与最小值元素,k∈{1,2,…,11};
步骤(7.2):分别设置k等于1,2,…,11,并执行步骤(7.1)可完成对xnew中各行元素的归一化处理。