1.一种基于稀疏RBF神经网络的光伏电板运行状态监测方法，其特征在于，具体包括以下所示步骤：

步骤(1)：确定光伏电板可实时测量的数据后，在光伏电板正常工作状态下，按照固定的采样时间间隔采集并存储各个采样时刻的样本数据向量；其中，每个采样时刻的样本数据向量中的8个数据依次是：光照强度，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)：将光照强度大于零的N个采样时刻的样本数据向量x1，x2，…，xN组成训练数据

8×N

矩阵X＝[x1，x2，…，xN]后，再对X∈R 中各个行向量实施归一化处理，从而得到新矩阵

8×1 8×N

其中，xi∈R 表示第i个采样时刻的样本数据向量，R 表示8×N维的实数矩阵，R表示实数

8×1

集，R 表示8×1维的实数向量，i∈{1，2，…，N}，实施归一化处理的方式具体如步骤(2.1)至步骤(2.2)所示；

1×N

步骤(2.1)：设zj∈R 表示矩阵X中的第j行的行向量；其中，j∈{1，2，…，8}；

步骤(2.2)：找出行向量zj中最小值mj和最大值Mj后，根据 计算得到新矩阵 中第j行的行向量步骤(3)：根据如下所示步骤(3.1)至步骤(3.5)确定稀疏RBF神经网络中间层神经元的中心点向量 和宽度参数δ1，δ2，…，δ8；

步骤(3.1)：确定聚类簇的总数为C，再初始化j＝1；

7×N

步骤(3.2)：将新矩阵 中除第j行向量以外的7行向量组成矩阵Xj∈R 后，再利用k均值聚类算法将矩阵Xj中的N列向量聚类成C簇，并将各聚类簇的中心点向量记录为步骤(3.3)：根据公式 计算第a个中心点向量 与第b个中心点向量 之间的平方距离 其中，a∈{1，2，…，C}，b∈{1，2，…，C}，上标号T表示矩阵或向量的转置；

步骤(3.4)：根据如下所示公式①计算宽度参数δj：步骤(3.5)：判断j是否小于8；若是，则设置j＝j+1后返回步骤(3.2)；若否，则得到稀疏RBF神经网络中间层神经元的中心点向量和宽度参数；

8×1

步骤(4)：分别依次将 中的列向量 当成输入向量ξ∈R ，计算得到稀疏RBF神经网络中间层神经元的输出向量y1，y2，…，yN；其中，计算第i个列向量 对应的稀疏RBF神经网络中间层神经元的输出向量yi的具体实施过程如步骤(4.1)至步骤(4.4)所示；

步骤(4.1)：设置输入向量 后，再初始化j＝1；

步骤(4.2)：将输入向量ξ中除第j个数据以外的7个数据组成列向量ξj后，再利用如下所

1×C

示公式②计算得到第j个子输出向量θj∈R ：上式中，e表示自然常数，c∈{1，2，…，C}，θj(c)表示θj中的第c个数据；

步骤(4.3)：判断j是否小于8；若是，则设置j＝j+1后返回步骤(4.2)；若否；则得到8个子输出向量θ1，θ2，…，θ8；

T

步骤(4.4)：将θ1，θ2，…，θ8合并成输出向量yi＝[θ1，θ2，…，θ8]；

步骤(5)：利用误差反向传播算法优化得到稀疏RBF神经网络输出层神经元的权重向量w1，w2，…，w8以及阈值d1，d2，…，d8；

步骤(6)：计算稀疏RBF神经网络输出层神经元的输出向量F1，F2，…，FN，再组建输出矩

8×1

阵G＝[F1，F2，…，FN]后，计算误差矩阵 其中，第i个输出向量Fi∈R 的计算方式如下所示：

上式中，Fi(j)表示Fi中的第j个数据，wj和dj分别表示第j个权重向量和第j个阈值，f(u)‑u

＝1/(1+e )表示稀疏RBF神经网络输出层神经元的激活函数， 为激活函数自变量；

步骤(7)：计算误差矩阵E中所有列向量的均值向量μ后，再计算协方差矩阵Λ＝(E‑U)T 8×N

(E‑U) /(N‑1)；其中，均值矩阵U∈R 是由N个均值向量μ组成；

T ‑1 N×1

步骤(8)：根据公式Q＝diag{(E‑U)Λ (E‑U)}计算监测指标向量Q∈R 后，再将Q中最大的10个数据的平均值记录为Qlim；其中，diag{}表示将花括号内的矩阵对角线元素转变成列向量的操作；

8×1

步骤(9)：采集光伏电板最新采样时刻的数据并组成一个样本数据向量xt∈R ；其中，下标号t表示最新采样时刻，xt中的8个数据是按照步骤(1)中所列的顺序依次排列；

步骤(10)：判断样本数据向量xt中的第一个数据是否大于0；若是，则执行步骤(11)；若否，则光伏电板处于待机状态，并返回步骤(9)；

步骤(11)：根据公式 对xt中各个数据实施归一化处理，从而得到新数据向量 其中，xt(j)和 分别表示xt和 中第j个数据，j∈{1，2，…，

8}；

步骤(12)：将 当成稀疏RBF神经网络的输入向量，计算得到输出层神经元的输出

8×1

向量Ft∈R ；

步骤(13)：根据公式 计算监测指标Qt后，再判断Qt是否小于Qlim；若是，则光伏电板当前采样时刻正常运行，并返回步骤(9)继续利用最新采样时刻的样本数据向量实施光伏电板运行状态监测；若否，则执行步骤(14)决策是否触发光伏电板异常警告；

步骤(14)：返回步骤(9)继续利用最新采样时刻的样本数据向量实施光伏电板故障检测；若连续6个采样时刻的监测指标皆大于Qlim，则触发光伏电板异常警告；反之，则光伏电板正常运行，并返回步骤(9)继续利用最新采样时刻的样本数据实施光伏电板运行状态监测。

2.根据权利要求1所述的一种基于稀疏RBF神经网络的光伏电板运行状态监测方法，其特征在于，步骤(12)中计算Ft的具体实施过程如下所示：步骤(12.1)：设置输入向量 后，再初始化j＝1；

步骤(12.2)：执行步骤(4.2)至步骤(4.3)，从而得到8个子输出向量θ1，θ2，…，θ8，再将T

其合并成输出向量yt＝[θ1，θ2，…，θ8]；

步骤(12.3)：根据公式 计算Ft中的第j个数据Ft(j)，从而得到输出

8×1

向量Ft∈R 。