Способ диагностики неисправностей фотогальванических массивов, основанный на усовершенствованном алгоритме случайного леса

Изобретение относится к способу диагностики неисправностей фотогальванического массива, основанному на усовершенствованном методе случайного леса. Технический результат заключается в повышении точности диагностики неисправностей. Используют параметры общих главных линий и каждого ответвления фотогальванического массива для отражения рабочего состояния каждого ответвления в фотогальваническом массиве, а разница напряжения между массивами между различными ответвлениями отражает рабочее состояние каждого блока фотогальванической батареи в ответвлении, то есть осуществляется определение местоположения неисправности фотогальванического массива. В то же время с помощью неотобранных проб способ оптимизирован и усовершенствован в трех аспектах: передача полномочий голосования деревьев принятия решений, обработка ровного счета при голосовании и степень. 3 з.п. ф-лы, 13 ил., 8 табл.

 

1. Область техники

Настоящее изобретение относится к области фотогальванической техники, в частности, оно относится к способу диагностики неисправностей фотогальванических массивов, основанном на усовершенствованном алгоритме случайного леса.

2. Уровень техники

По мере возрастания потребностей в энергоресурсах, а также все большего истощения и повышения себестоимости ископаемых энергоносителей, а также под влиянием такого фактора как изменение климата, по всему миру стали бурно развиваться технологии возобновляемой энергетики, важной частью которых стала солнечная энергия, обладающая такими преимуществами как легкость получения, отсутствие шума, чистота и неисчерпаемость. В настоящее время солнечную энергию используют для производства электричества главным образом следующими двумя способами: фототермическая генерация и фотогальваническая генерация. Фототермическая электроэнергия сходна с тепловой, но тепло собирается огромной зеркальной поверхностью, а после нагрева воды используется пар для приведения в движение традиционной генераторной установки, вырабатывающей электроэнергию. Хотя такой способ позволяет избежать фотоэлектрического преобразования кремниевых кристаллов, в то же время существуют высокие требования к интенсивности освещения и высокая себестоимость выработки электроэнергии. Фотогальваническая генерация основана на фотовольтаическом эффекте, при котором солнечная энергия напрямую преобразуется в электроэнергию. При использовании этого способа строительство длится недолго, а в процессе работы не создаются отходы, сточные воды и другие загрязнения; фотогальваническая генерация особенно ценна в горных районах, на морских островах и в удаленных районах с неразвитым транспортом.

Обычно для фотогальванической генерации используются связки блоков фотогальванических батарей или параллельно стоящие фотогальванические батареи, при этом для параллельного расположения необходимо достаточно большое количество фотогальванических батарей, а в самих блоках фотогальванических батарей достаточно часто происходят сбои. Кроме того, когда параллельно расположенные батареи долго работают на открытом воздухе, т.е. в неблагоприятных рабочих условиях, легко происходит старение и повреждения, что приводит к снижению эффективности генерации фотогальванических батарей и даже к прекращению работы. При параллельном расположении сбой в отдельном блоке фотогальванической батареи может привести к снижению эффективности системы, а также оказывать неблагоприятное влияние на управление работой электрической системы, а в серьезных случаях может привести к материальным потерям, травмам и смерти персонала, поэтому диагностика параллельно расположенных фотогальванических батарей очень важна. В настоящее время используются прямые и непрямые способы диагностики неисправностей. Среди непрямых способов достаточно классическими являются инфракрасное измерение теплоты и сопоставление генерирующей мощности. Среди прямых способов достаточно широко применяются емкость на землю, отражение во временной области, алгоритм “умной” диагностики и измерение электрических характеристик, при этом в настоящее время особым потенциалом обладает диагностика, сочетающая алгоритм “умной” диагностики и измерение электрических характеристик.

Однако в существующих способах диагностики параллельно расположенных фотогальванических батарей достаточно редко учитывается определение местоположения. Главным образом это происходит потому, что в настоящее время для алгоритма умной диагностики применяются нейронные сети, например BP (Back Propagation), а количество блоков параллельных фотогальванических батарей достаточно велико. В этом случае когда в каком-либо одном или нескольких блоках происходит сбой, существует достаточно много способов перестановки и комбинации сбоев, и если добавить к этому еще и количество различных видов сбоев, то иногда могут возникать несколько сотен комбинаций сбоев, что требует достаточно большого количества обучающих образцов, время обучения также может увеличиться, при этом невозможно обеспечить достаточную точность диагностики и сложность диагностики достаточно высока.

Суть изобретения

Для решения описанных выше проблем и технических требований предлагается способ диагностики неисправностей фотогальванических массивов, основанный на усовершенствованном алгоритме случайного леса, который позволяет посредством измерения напряжения и тока между массивами блоков фотогальванических батарей определить рабочее состояние блока фотогальванических батарей, определяя таким образом местоположения сбоя.

Техническое решение, используемое в настоящем изобретении, состоит в следующем:

Способ диагностики неисправностей фотогальванических массивов, основанный на усовершенствованном алгоритме случайного леса, который включает следующее:

Определение типичного рабочего состояния фотогальванического массива в процессе работы. Фотогальванический массив включает n ответвлений, на каждом из которых находится m блоков фотогальванических батарей, типичное рабочее состояние фотогальванического массива используется для индикации рабочего состояния каждого блока фотогальванической батареи в фотогальваническом массиве, при этом m и n являются натуральными числами;

Когда фотогальванический массив находится в каждом типичном рабочем состоянии, происходит сбор параметров главных линий фотогальванического массива, соответствующих параметров каждого ответвления, а также разницы напряжения между различными ответвлениями;

На основе параметров главных линий массива, параметров ответвлений массива и разницей напряжения между массивами строится характеристический вектор сбоев, а из характеристического вектора сбоев получается набор проб данных фотогальванического массива; наборы проб данных разделяются на тренировочные наборы проб данных и измерительные наборы проб данных;

На основе алгоритма случайного леса используются наборы тренировочных проб для получения модели диагностики неисправностей фотогальванического массива, а наборы измерительных проб используются для тестирования модели диагностики неисправностей фотогальванического массива, модель диагностики неисправностей фотогальванического массива включает N деревьев принятия решений, где N является натуральным числом N ≥ 2;

С помощью созданной посредством тестирования модели диагностики неисправностей фотогальванического массива осуществляется диагностика фотогальванических массивов, для которых необходима диагностика, и получается результат голосования по поводу каждого типичного рабочего состояния N деревьев принятия решений;

Согласно соответствующим результатам голосования по поводу каждого типичного рабочего состояния получается результат диагностики неисправностей фотогальванического массива, требующего диагностики, и результат диагностики неисправностей применяется для индикации рабочего состояния каждого блока фотогальванических батарей в фотогальваническом массиве.

В дальнейших технических решениях настоящего изобретения параметры главных линий массива и параметры ответвлений массива будут соответственно включать напряжение в точке наибольшей мощности, ток в точке наибольшей мощности, напряжение разомкнутой цепи и ток короткого замыкания.

В дальнейших технических решениях настоящего изобретения модель диагностики неисправностей фотогальванического массива включает N деревьев принятия решений и соответствующие весовые коэффициенты каждого дерева принятия решений; с помощью созданной посредством тестирования модели диагностики неисправностей фотогальванического массива осуществляется диагностика фотогальванических массивов, которые требуют диагностики, включая:

- N деревьев принятия решений осуществляют голосование по поводу каждого типичного рабочего состояния, при этом собственный весовой коэффициент каждого дерева принятия решений принимается за количество отданных голосов;

- статистически рассчитывается результат голосования по поводу каждого типичного рабочего состояния.

В дальнейших технических решениях настоящего изобретения на основе алгоритма случайного леса тренировочные наборы проб используются для получения модели диагностики неисправностей фотогальванического массива, включая:

- N раз осуществляется отбор проб из набора тренировочных проб, содержащего p проб; во время каждого раунда р раз осуществляется отбор проб для составления вторичного набора тренировочных проб и набора неотобранных проб с последующим возвращением проб на место; вторичный отбор тренировочных проб включает р проб, выбранных во время этого раунда отбора, а набор неотобранных проб включает пробы, не выбранные из набора тренировочных проб во время текущего раунда забора проб, при этом р является натуральным числом;

-в результате тренировки по вторичному набору тренировочных проб каждого раунда забора проб создается одно дерево принятия решений, а используя набор неотобранных проб, соответствующий забору проб текущего раунда, осуществляется тестирование дерева принятия решений, и получается коэффициент точности неотобранных проб; согласно коэффициенту точности неотобранных проб рассчитывается соответствующий весовой коэффициент дерева принятия решений;

- весовые коэффициенты, полученные в результате тренировки N деревьев принятия решений и соответствующие каждому дереву принятия решений, обобщаются и получается модель диагностики неисправностей фотогальванического массива.

В дальнейших технических решениях настоящего изобретения в соответствии с внешним коэффициентом точности рассчитывается весовой коэффициент, соответствующий дереву принятия решений, включая следующие расчеты:

где w (i) является весовым коэффициентом, соответствующим дереву принятия решений № i, а H^oob (i) является внешним весовым коэффициентом, соответствующим дереву принятия решений № i, i и j являются параметрами, 1 ≤i  ≤ N, i является натуральным числом.

В дальнейших технических решениях настоящего изобретения этот способ также включает:

- обобщение N наборов неотобранных проб, и получение общего набора неотобранных проб, тестирование каждой пробы в общем наборе неотобранных проб с помощью полученной в результате тренировки модели диагностики фотогальванического массива, в результате чего получается начальный внешний весовой коэффициент;

- проба в целом включает K характеристик неисправностей, при этом в характеристику неисправности № k включается шум и с помощью модели диагностики неисправностей фотогальванического массива заново происходит тестирование пробы и получается новый коэффициент точности неотобранных проб; расчет разницы между первичным коэффициентом точности неотобранных проб и новым коэффициентом точности неотобранных проб определяет степень значимости характеристики № k, при этом K является натуральным числом, k является показателем, и изначальное значение k составляет 1;

- когда k < K, это приводит к тому, что k = k + 1, и повторно выполняется этап добавления шума в характеристику неисправности № k; вплоть до того, когда k = K, получается значение степени важности характеристики K неисправностей;

- у каждой пробы в наборе тренировочных проб удаляется t характеристик неисправности с наиболее низкой степенью важности среди K характеристик неисправности пробы, и получается обработанный набор тренировочных проб;

- на основе алгоритма случайного леса обработанные наборы тренировочных проб используются для образования модели диагностики неисправностей фотогальванического массива.

В дальнейших технических решениях настоящего изобретения согласно соответствующим результатам голосования по поводу каждого типичного рабочего состояния получается результат диагностики неисправностей фотогальванического массива, включающий следующее:

- если типичное рабочее состояние, соответствующее наивысшему числу голосов, только одно, то типичное рабочее состояние, соответствующее наивысшему числу голосов, и является выходом результата диагностики неисправностей;

- если типичных рабочих состояний, соответствующих наивысшему числу голосов, по крайней мере два, то выбираются L деревьев принятия решений с наивысшим весовым коэффициентом, и они заново осуществляют голосование по каждому типичному рабочему состоянию, и в случае наличия одного типичного рабочего состояния, набравшего голоса большинства деревьев принятия решений, это типичное рабочее состояние является выходом результата диагностики неисправностей; в противном случае типичное рабочее состояние, выбранное деревом принятия решений с наивысшим весовым коэффициентом, является выходным результатом диагностики неисправностей, при этом L является натуральным числом, и 2 ≤ L < N.

Полезный технический результат настоящего изобретения заключается в следующем:

1. Настоящее изобретение раскрывает определенный способ диагностики неисправностей фотогальванического массива, основанный на усовершенствованном алгоритме случайного леса, который использует параметры главных линий и каждого ответвления, а также разницу напряжений между массивами различных ответвлений; параметры главных линий и каждого ответвления могут отражать рабочее состояние каждого ответвления в фотогальваническом массиве, тем самым диагностируя, какая произошла неисправность и на каком ответвлении фотогальванического массива, а разница напряжения между массивами между различными ответвлениями может отражать рабочее состояние каждого блока фотогальванической батареи в ответвлении, тем самым диагностируя в каком конкретно блоке фотогальванической батареи какая неисправность произошла; сочетание этих двух видов информации позволяет эффективно определять местоположение неисправности в фотогальваническом массиве. В то же время применяемый алгоритм случайного леса, который используется для фактических особенностей фотогальванических массивов, позволяет преодолеть такие проблемы традиционных нейронных сетей как потребность в большом объеме данных и длительное время тренировки, а также легко и быстро справляется с задачей диагностики.

2. Способ, который раскрывается в настоящей заявке, основан на управляемом данными мышлении, сочетает алгоритм случайного леса, передачу полномочий деревьев принятия решений, обработку ровного счета при голосовании и степень важности переменных, позволяет осуществлять диагностику неисправностей фотогальванического массива и эффективно повышать точность диагностики.

3. Для раскрытого в настоящей заявке способа используется структура модели диагностики неисправностей усовершенствованного алгоритма случайного леса. Посредством объединения множества деревьев принятия решений создается мощный классификатор, осуществляется усовершенствование в ряде этапов, в частности, при использовании передачи полномочий деревьев принятия решений, обработке ровного счета при голосовании и степени важности характеристик неисправности, после чего формируется усовершенствованный алгоритм случайного леса. Результат диагностики показывает, что хотя для тренировки усовершенствованного алгоритма требуется больше времени, он обладает более высокой точностью и более надежным результатом диагностики.

Описание прилагаемых чертежей

Фиг. 1 представляет собой технологическую схему способа диагностики неисправностей фотогальванических массивов, основанного на усовершенствованном алгоритме случайного леса.

фиг. 2 представляет собой схематическое изображение сооружения фотогальванического массива 3*3.

фиг. 3-a представляет собой кривую выходных характеристик U-I блока единичной солнечной батареи при различной интенсивности света.

фиг. 3-b представляет собой кривую выходных характеристик U-Р блока единичной солнечной батареи при различной интенсивности света.

фиг. 3-с представляет собой кривую выходных характеристик U-I блока единичной солнечной батареи при различной температуре.

фиг. 3-d представляет собой кривую выходных характеристик U-Р блока единичной солнечной батареи при различной температуре.

фиг. 4 представляет собой кривую выходных характеристик блока единичной солнечной батареи при интенсивности света 600 Вт/м², 800 Вт/м², 1000 Вт/м².

фиг. 5-a представляет собой сравнительную схему кривых выходных характеристик при бесперебойной работе фотогальванического массива и в случае однократной неисправности.

фиг. 5-b представляет собой сравнительную схему кривых выходных характеристик при бесперебойной работе фотогальванического массива и в случае многократных неисправностей.

фиг. 6-a представляет собой кривую выходных характеристик в случае короткого замыкания в одном блоке фотогальванической батареи на одном ответвлении фотогальванического массива.

фиг. 6-b представляет собой кривую выходных характеристик в случае разомкнутой цепи на одном ответвлении фотогальванического массива.

фиг. 6-с представляет собой кривую выходных характеристик в случае, когда два блока фотогальванической батареи на одном ответвлении фотогальванического массива находятся в тени.

фиг. 6-d представляет собой кривую выходных характеристик в случае короткого замыкания одного блока фотогальванической батареи на одном ответвлении фотогальванического массива и тени на одном блоке фотогальванической батареи на другом ответвлении фотогальванического массива.

Конкретные варианты осуществления

Далее следуют конкретные варианты осуществления настоящего изобретения, сопровождающиеся изображениями.

Настоящее изобретение раскрывает способ диагностики неисправностей фотогальванических массивов, основанный на усовершенствованном алгоритме случайного леса. Как показано на Рис. 1., весь технологический процесс диагностики неисправностей включает следующие этапы:

Этап I. Сооружение фотогальванического массива формы m*n. Этот фотогальванический массив включает n параллельных ответвлений, на каждом из которых находится m последовательных блоков фотогальванических батарей, при этом m и n являются натуральными числами. В качестве блока фотогальванической батареи фотогальванического массива обычно выступает блок солнечной батареи, все блоки фотогальванической батареи имеют одинаковую спецификацию для обеспечения стабильного электрического потенциала фотогальванического массива. Кроме того, каждый блок фотогальванической батареи параллельно подключен к возвратному диоду, каждое ответвление последовательно подключено к изолирующему диоду, при этом быстродействующий плавкий предохранитель, датчики напряжения и тока и другие защитные и измерительные установки правильно установлены и исправны.

В настоящей заявке в качестве примера n=3, m=3, Схематическое изображение сооруженного фотогальванического массива 3*3 приведено на Фиг. 2 и включает ответвление A, ответвление B и ответвление C, каждое ответвление включает 3 последовательно соединенных блока фотогальванической батареи; на Рис. 2 не показаны возвратные диоды, изолирующие диоды и другие детали. В качестве блока фотогальванической батареи фотогальванического массива в настоящей заявке выступает блок солнечной батареи модели SunTech STP 270-24/Vd производителя Wuxi Suntech Solar Energy, Ltd. Параметры и спецификация блока солнечной батареи этой модели приведены в таблице ниже:

В условиях неизменной температуры и интенсивности света от 200 Вт/м² до 1000 Вт/м² (соответственно, 200, 400, 600, 800 и 1000 Вт/м²) кривая выходных характеристик U-I (напряжение-ток) показана на Рис. 3-a, а кривая выходных характеристик U-P (напряжение-мощность) показана на Рис. 3-b. В условиях неизменной интенсивности света при температуре, падающей от 35 °C до 15 °C (соответственно, 35 °C, 30 °C, 25 °C, 20 °C и 15 °C) кривая выходных характеристик U-I показана на Рис. 3-с, а кривая выходных характеристик U-P (напряжение-мощность) показана на Рис. 3-d. В частности, в условиях интенсивности света 600 Вт/м², 800 Вт/м² и 1000 Вт/м², приведенной в инструкции к продукции для этой модели блока солнечной батареи, кривая выходных характеристик показана на Рис. 4.

Этап II. Определение типичного рабочего состояния в процессе работы фотогальванического массива. Типичное рабочее состояние блока фотогальванических батарей по настоящей заявке используется для индикации рабочего состояния каждого блока фотогальванической батареи в блоке фотогальванических батарей. Достаточно часто возникающие во время фактической работы фотогальванического массива неисправности главным образом подразделяются на четыре вида: короткое замыкание, разомкнутая цепь, тень и смешанный вид неисправности. Когда на одном или нескольких ответвлениях фотогальванического массива происходят неисправности блока фотогальванической батареи, в кривых выходных характеристик ответвления, на котором произошла неисправность, а также всего фотогальванического массива происходят изменения. Например, на Рис. 5-а показаны кривые выходных характеристик ответвления с неисправностью, массива с неисправностью, исправного ответвления и исправного массива во время бесперебойной работы фотогальванического массива и во время происхождения однократной неисправности, а на Рис. 5-b показаны кривые выходных характеристик ответвления с неисправностью, массива с неисправностью, исправного ответвления и исправного массива во время бесперебойной работы фотогальванического массива и во время многократных неисправностей, при этом под исправным ответвлением понимается ответвление, каждый блок фотогальванической батареи которого исправно работает, под исправным массивом понимается массив, каждое ответвление которого исправно работает, под ответвлением с неисправностью понимается ответвление, на блоке фотогальванической батареи которого происходит неисправность, а под массивом с неисправностью понимается фотогальванический массив, на ответвлении которого происходит неисправность. Из изображений видно, что на исправном ответвлении высокая выходная сила тока и одинаковый выход каждого блока фотогальванической батареи, а ответвление с неисправностью обладает достаточно слабой способностью выводить силу тока и поэтому наблюдается явное снижение силы тока. Кривая выходных характеристик имеет две зоны: зону высокого напряжения и зону высокого тока. В зоне высокого напряжения можно посредством измерения выходного тока каждого ответвления определить состояние каждого ответвления, а в зоне высокого тока можно посредством измерения выходного напряжения блоков фотогальванической батареи определить местоположение неисправности.

В процессе работы фотогальванического массива могут возникать неисправности четырех вышеупомянутых видов, а если добавить к ним нормальные рабочие обстоятельства, то можно насчитать пять основных категорий рабочих состояний фотогальванического массива: состояние нормальной работы, состояние короткого замыкания, состояние разомкнутой цепи, состояние тени и состояние смешанного вида неисправностей:

(1) Состояние нормальной работы: все ответвления работают нормально.

(2) Состояние короткого замыкания: на каком-либо ответвлении или нескольких ответвлениях произошло короткое замыкание. Необходимо ответить, что ситуация, когда на всех блоках фотогальванической батареи в одном ответвлении происходит короткое замыкание, невозможна. Если во всех блоках фотогальванической батареи происходит короткое замыкание, сработает плавкий предохранитель и ответвление разомкнется.

(3) Состояние разомкнутой цепи: на каком-либо ответвлении или нескольких ответвлениях разомкнута цепь.

(4) Состояние тени: какое-либо ответвление или несколько ответвлений находятся в тени. В отличие от состояния короткого замыкания, возможна ситуация, когда все блоки фотогальванической батареи одного ответвления находятся в тени, поэтому такое состояние встречается достаточно часто.

(5) Состояние смешанного вида неисправностей: главным образом включает ситуацию, когда в фотогальваническом массиве одновременно происходят короткое замыкание и тень.

К этим пяти категориям рабочих состояний можно применять двухступенчатую классификацию состояния, т. е. сначала осуществляется грубая классификация, определяется местоположение в фотогальваническом массиве; на этом этапе не затрагивается местоположение неисправности; можно в соответствии с фактическими обстоятельствами и опытом выбрать несколько наиболее распространенных рабочих состояний. Необходимо отметить, что в фотогальванических системах неисправности тяжелой степени развиваются на основе неисправностей легкой степени; вероятность непосредственного возникновения неисправности тяжелой степени ничтожна мала. Кроме того, типов неисправностей тяжелой степени чрезвычайно много, поэтому в настоящей заявке главным образом учитываются неисправности слабой и средней степени, т. е. ситуации, когда по крайней мере одно ответвление в фотогальваническом массиве находится в нормальном рабочем состоянии. Например, предположим, что в фотогальваническом массиве, показанном на Рис. 2, ответвление С полностью находится в нормальном рабочем состоянии, тогда в качестве результата классификации первичной категории состояния можно выбрать 20 следующих рабочих состояний, как показано ниже:

В качестве примера кривые выходных характеристик рабочих состояний, соответствующих меткам состояния F2, F7, F10 и F18, показаны соответственно на Рис. 6-a, 6-b, 6-c и 6-d. На основе первичной категории состояния можно выделить вторичную категорию состояния и таким образом определить местоположение блока фотогальванической батареи в ответвлении, т. е. определить местоположение неисправности. Рассмотрим для примера метку состояния F2. Она обозначает ситуацию, когда в одном блоке фотогальванической батареи на одном ответвлении происходит короткое замыкание. Допустим, что в фотогальваническом массиве 3*3, показанном на Рис. 2, ответвление С фотогальванического массива находится в нормальном рабочем состоянии, это значит, что в одном блоке фотогальванической батареи либо на ответвлении А, либо на ответвлении В происходит короткое замыкание. Всего здесь может быть 6 различных ситуаций, на основе чего результаты вторичной классификации состояния показаны в таблице ниже:

Таким образом, результат выделения вторичного типа состояния на основе выделения первичного типа состояния, соответствующего метке состояния F3, можно показать следующим образом:

Различные другие ситуации аналогичны этим. До этого момента различные типичные рабочие состояния фотогальванического массива получались путем двухступенчатой классификации состояния.

Этап III. Сбор параметров электрической цепи фотогальванического массива. Когда фотогальванический массив находится в каждом типичном рабочем состоянии, происходит сбор параметров главных линий массива фотогальванического массива, соответствующих параметров каждого ответвления, а также разницы напряжения между массивами между различными ответвлениями. При этом параметры главных линий массива фотогальванического массива представляют собой параметры общих главных линий фотогальванического массива. Параметры главных линий массива по настоящей заявке включают напряжение в точке максимальной мощности общих главных линий V_m, ток в точке максимальной мощности I_m, напряжение разомкнутой цепи V_OC и ток короткого замыкания I_sc. С помощью этих четырех показателей можно прекрасно изобразить кривую выходных характеристик U-I блока фотогальванической батареи. Аналогично, собираемые по каждому ответвлению в фотогальваническом массиве напряжение в точке максимальной мощности ответвления V_m, ток в точке максимальной мощности I_m, напряжение разомкнутой цепи V_OC и ток короткого замыкания I_sc являются параметрами ответвлений массива. Как показано на Рис. 2, во время фактического использования параметры электрической цепи фотогальванического массива могут измеряться с помощью датчика напряжения и датчика тока, которыми укомплектован фотогальванический массив. Количество датчиков напряжения, которыми необходимо укомплектовать фотогальванический массив размером m×n, составляет [n× (m-1)/2], а количество датчиков тока составляет n+1, где [] обозначает округление вверх числа n× (m-1)/2. Датчики тока устанавливаются на всех ответвлениях, а также общей главной линии и используются для измерения тока ответвлений и тока общей главной линии; датчики напряжения устанавливаются между различными ответвлениями и используются для измерения разницы напряжения между массивами между различными ответвлениями. Например, на Рис. 2 установлено 3 датчика напряжения U_a, U_b и U_c, при этом датчик U_a установлен между ответвлением А и ответвлением В, датчик напряжения U_b установлен между ответвлением В и ответвлением C, датчик U_c установлен между ответвлением C и ответвлением А. В сущности, измерение тока ответвления и измерение разницы напряжения между ответвлениями осуществляется с целью измерения напряжения и тока каждого блока фотогальванической батареи. Изменения значений таких параметров как напряжение и сила тока отражают обстоятельства работы блоков фотогальванических батарей, тем самым позволяя определять местоположение неисправности. Принцип работы заключается в следующем:

В фотогальваническом массиве матрица напряжений фотогальванического массива U_{pv array} вычисляется по формуле:

где U₁₁ — выходное напряжение блока фотогальванической батареи №1 ответвления №1 фотогальванического массива, т.е. выходное напряжение PV1 на Рис. 2; U_mn — это выходное напряжение блока фотогальванической батареи № m ответвления № n фотогальванического массива, т. е. выходное напряжение PV9 на Рис. 2 и так далее. Отсюда вытекает следующее равенство фотогальванического массива:

где U_array — выходное напряжение фотогальванического массива, отсюда U₁₁ = U₂₁= … =U_mn = 1/m U_array, т.е. выходное напряжение каждого блока фотогальванической батареи составляет 1/m от выходного напряжения всего фотогальванического массива.

Матрица весового коэффициента фотогальванического массива A_pv array определяется как электрический потенциал в точке расположения датчика напряжения между ответвлениями:

где u₁₁ = U₂₁-U₁₁, u₂₁ = U_31-U₂₁, u_(m—1)1 = U_m1-U_(m-1)1 и так далее, таким образом, когда фотогальванический массив бесперебойно работает и находится в нормальном рабочем состоянии, значения элементов каждой колонки в матрице весовых коэффициентов A_{pv array} представляют собой арифметическую прогрессию, а значения элементов каждого ряда являются равными. Если в блоке фотогальванической батареи какого-либо ответвления происходит неисправность, то напряжение других блоков фотогальванической батареи также меняется, и выходное напряжения блока фотогальванической батареи после изменения рассчитывается по следующей формуле:

где U — выходное напряжение нормально работающего блока фотогальванической батареи, m — общее количество блоков фотогальванических батарей, которое содержит ответвление, x — количество блоков фотогальванической батареи, в которых произошли неисправности, на неисправном ответвлении, U_bad — выходное напряжение нормально работающих блоков фотогальванической батареи на неисправном ответвлении. Например, на Рис. 2. выходное напряжение блоков фотогальванической батареи PV1, PV2 и PV3 соответственно составляет . Когда в блоке фотогальванической батареи PV1 происходит неисправность PV1, возвратный диод осуществляет в нем короткое замыкание, тогда выход блока фотогальванической батареи PV1 равен 0, в приведенной выше формуле x=1, тогда есть 1/3 U_array ×3=U_bad ×(3-l), следовательно выходное напряжение на двух концах блоков фотогальванической батареи PV2 и PV3 составляет U_bad =1/2U_array, т. е. выходное напряжение соответствующих блоков фотогальванической батареи PV2 и PV3 также повышается. Следовательно, когда фотогальванический массив находится в состоянии неисправности (включая короткое замыкание, разомкнутую цепь, тень или смешанный вид неисправности), значения элементов каждого ряда исправного ответвления в матрице весовых коэффициентов являются равными, а значения элементов каждого ряда в ответвлении с неисправностью и значения элементов каждого ряда исправного ответвления не равны друг другу; кроме того, значения элементов каждой колонки неисправного ответвления представляют собой арифметическую прогрессию. Ниже показаны значения характеристик разницы напряжений между массивами, собранной каждым датчиком напряжения в условиях частичного короткого замыкания:

Значения вышеупомянутых меток состояния приведены в тексте приведенного выше Этапа II. Технический персонал данной отрасли должен понимать, что метки состояний F4–14 обозначают короткое замыкание PV1 на ответвлении A и PV4 на ответвлении В и так далее, в настоящей заявке каждый случай отдельно не описывается.

Когда на фотогальванический массив падает тень, разницы напряжений между массивами, собранные каждым датчиком напряжения, находятся в одном диапазоне; значения характеристик некоторых обстоятельств при наличии тени показаны в таблице ниже:

Маркировка состояния F9-1 обозначает следующее: на PV1 на ответвлении А падает тень. Аналогично, технический персонал данной отрасли понимает значение всех оставшихся меток, в настоящей заявке каждый случай отдельно не описывается.

Из приведенного выше описания известно, что когда в фотогальваническом массиве происходит неисправность, это выражается в матрице весовых коэффициентов A_{pv array}, следовательно, в разнице напряжений между массивами, собранной датчиком напряжения происходят изменения, таким образом, в настоящей заявке посредством анализа собранной разницы напряжения между массивами осуществляется определение местоположения неисправности фотогальванического массива.

Кроме того, из приведенного выше очевидно, что разница напряжения между массивами, зафиксированная датчиком напряжения, находится в пропорциональных отношениях с выходным напряжением фотогальванического массива U_array, что позволяет осуществить дальнейшее упрощение и вместо прямого использования собранной разницы напряжения между массивами поделить разницу напряжения между массивами на коэффициент напряжения, полученный из выходного напряжения U_array фотогальванического массива и выразить разницу напряжений между массивами с помощью коэффициента напряжения.

Этап IV. Характеристический вектор неисправностей и построение набора проб данных. В соответствии с собранными параметрами главных линий массива, параметрами ответвлений массива и разницей напряжения между массивами строится характеристический вектор неисправностей, а после получения характеристического вектора неисправностей, можно обобщить и построить набор проб данных; ввиду того, что технический персонал данной отрасли знает методы обобщения характеристического вектора неисправностей и получения набора проб данных, они не будут подробно описываться в настоящей заявке. Путем разделения набора проб данных получается набор тренировочных проб и набор проб для тестирования; обычно разделение на набор тренировочных проб и набор проб для тестирования происходит в пропорции 2:1.

Этап V. Построение модели диагностики неисправностей фотогальванического массива на основе усовершенствованного алгоритма случайного леса. Допустим, что набор тренировочных проб — это Х, а величина характеристического вектора неисправности — это K, и K является натуральным числом; количество деревьев принятия решений, которые необходимо построить для диагностики неисправностей — это N, N больше 2 и является натуральным числом, тогда этапы построения модели диагностики неисправностей фотогальванического массива на основе усовершенствованного алгоритма случайного ×××леса используя набор тренировочных проб кратко описаны ниже:

1. N раз осуществляется забор проб из набора тренировочных проб Х, содержащего р проб; во время раунда забора проб № i р раз осуществляется забор проб с последующим возвращением их на место; благодаря использованию метода забора проб с их возвращением на место происходит ситуация, когда часть проб забирается повторно, а часть проб не была забрана. р проб, которые были забраны во время этого раунда забора могут образовать вторичный набор тренировочных проб X_i, соответствующий этому раунду забора проб; а пробы из набора тренировочных проб которые не были забраны во время этого раунда забора, образуют набор неотобранных проб oob_i (out-of-bag), соответствующий этому раунду забора, при этом р является натуральным числом, i является параметром, 1 ≤ i ≤ N, а i является натуральным числом.

2. В результате тренировки с помощью вторичного набора тренировочных проб каждого раунда забора проб создается одно дерево принятия решений, а с помощью вторичного набора тренировочных проб X_i тренируется дерево принятия решений Q_i. Во время расщепления узловой точки дерева принятия решений из K характеристик неисправностей случайным образом выбирается q характеристик неисправностей, при этом q является натуральным числом и q ≤ K. Рассчитывается коэффициент Джини, соответствующий каждой из q характеристик неисправностей, а затем характеристика неисправности, соответствующая минимальному коэффициенту Джини, принимается за оптимальную характеристику для расщепления, и осуществляется расщепление узловой точки. Коэффициент Джини рассчитывается по существующей формуле, поэтому в настоящей заявке подробно не описывается.

3. В раунде забора проб № i ввиду того, что пробы из соответствующего ему набора неотобранных проб oob_i не участвовали в тренировке дерева принятия решений Q_i, этот набор может использоваться в качестве набора для тестирования; с помощью набора неотобранных проб oob_i осуществляется тестирование дерева принятия решений Q_i, в результате чего получается коэффициент точности неотобранных проб H^oob(i) этого дерева принятия решений Q_i.

В обыкновенном алгоритме случайного леса весовые коэффициенты деревьев принятия решений по умолчанию являются равными, поэтому деревья принятия решений, некоторые характеристики которых являются выдающимися, возможно, не смогут реализовать свои преимущества и даже могут потеряться среди множества голосов, поэтому в настоящем изобретении этот способ усовершенствован, деревья принятия решений получили больше полномочий, а преимущества характеристик определенного дерева принятия решения оценивается с помощью степени точности набора неотобранных проб. После окончания тренировки всех деревьев принятия решений рассчитывается коэффициент точности неотобранных проб для каждого дерева принятия решений, а для дерева принятий решений Q_i, полученного в результате тренировки во время раунда забора проб № i, с помощью соответствующей ей степени точности неотобранных проб H^oob(i) рассчитывается Qi весовой коэффициент этого дерева принятия решений Qi рассчитывается по следующей формуле:

где w(i) является весовым коэффициентом, соответствующим дереву принятия решений № i, а j является параметром.

4. Все деревья принятия решений и весовые коэффициенты, соответствующие каждому дереву принятия решений, собираются, обобщаются и образуют модель диагностики неполадок фотогальванического массива.

Этап VI. Дальнейшая оптимизация модели диагностики неисправностей фотогальванического массива. По мере увеличения размеров фотогальванических массивов количество одновременно работающих на нем ответвлений и датчиков напряжения также увеличивается, и величина характеристического вектора неисправностей также увеличивается, что повышает сложность тренировки модели. А с помощью набора неотобранных проб можно измерять степень важности характеристик неисправности пробы, а также удалять или упрощать часть характеристик неисправности. Конкретные этапы приведены ниже:

1. N наборов неотобранных проб oobi обобщаются, и получается общий набор неотобранных проб, происходит тестирование каждой пробы в общем наборе необработанных проб с помощью полученной в результате тренировки модели диагностики неисправностей фотогальванического массива, в результате чего получается начальный весовой коэффициент точности е, соответствующий этой пробе. Конкретные этапы приведены ниже. Модель диагностики неисправностей фотогальванического массива всего включает N деревьев принятия решений, с помощью каждого дерева принятия решений, прошедшего тренировку без использования этой пробы, осуществляется тестирование той пробы, что позволяет определить количество правильно и ошибочно прошедших тестирование деревьев, тем самым получается изначальный коэффициент точности неотобранных проб.

2. Эта проба в целом включает K характеристик неисправностей, при этом в характеристику неисправности № k включается шум, затем с помощью модели диагностики неисправностей фотогальванического массива заново происходит тестирование этой пробы, и получается новый коэффициент точности неотобранных проб е1; расчет разницы между первичным внешним коэффициентом точности и новым внешним коэффициентом точности е-е1 определяет степень значимости характеристики № k, при этом K является натуральным числом, k является показателем, и изначальное значение k составляет 1.

3. Когда k < K, это приводит к тому, что k = k + 1, и повторно выполняется вышеупомянутый этап 2, т. е. этап добавления шума в характеристику неисправности № k. Вплоть до того, когда k = K, получается значение степени важности всех K неисправностей этой пробы № K.

4. Рассчитанные с помощью каждой пробы в общем наборе неотобранных проб значения степени важности характеристик K неисправностей в целом стремятся к равности, но при фактической работе невозможно избежать погрешностей, поэтому после измерения степеней важности характеристик K неисправностей, отдельно рассчитанных по каждой пробе в общем наборе неотобранных проб, они обобщаются, и определяется t характеристик неисправностей с наиболее низкими значениями степени важности среди K характеристик неисправностей. После этого для каждой пробы в наборе тренировочных проб удаляется удаляется t характеристик неисправности с наиболее низкой степенью важности среди K характеристик неисправности пробы, и получается обработанный набор тренировочных проб, при этом 1 ≤ t ≤ K.

5. На основе алгоритма случайного леса обработанный набор тренировочных проб используется для построения модели диагностики неисправностей фотогальванического массива.

Этап VII. Тестирование модели диагностики неисправностей фотогальванического массива. С помощью набора проб для тестирования осуществляется тестирование модели диагностики неисправностей фотогальванического массива, и в конечном итоге получаются факторы точности диагностики, среднего времени тренировки и тестирования. В соответствии с вышеупомянутыми F1–F20 осуществляется диагностика типа первичного состояния фотогальванического массива, не происходит сокращения или удаления характеристик неисправностей, осуществляется диагностика неисправностей с помощью усовершенствованного алгоритма случайного леса и обыкновенного алгоритма случайного леса, для которой пробы в пропорции 2:1 разделяются на набор тренировочных проб и набор проб для тестирования; при этом для обоих алгоритмов используется одинаковая модель дерева принятия решений, количество деревьев принятия решений составляет 40, а в результате эксперимента получаются следующие показатели:

Как видно из приведенной выше таблицы, усовершенствованный алгоритм случайного леса, предложенный настоящей заявкой, хотя и требует немного большего времени для тренировки, но обеспечивает более высокую точность диагностики.

Вторичный тип состояния - это подвид первичного типа состояния; при достаточно большом размере фотогальванического массива существует достаточно много способов перестановки и комбинации состояний. Рассмотрим в качестве примера короткое замыкание, статистически можно рассчитать, что при коротком замыкании после классификации вторичного состояния количество равно 49, в результате эксперимента получаются следующие показатели. Аналогично, если установленное количество деревьев принятия решений равно 40, то средняя точность диагностики дерева принятия решений составляет 64,13 %, а величина характеристичного вектора неисправностей K = 19; после удаления 4 характеристик неисправностей с наиболее низкой степенью значимости средняя точность диагностики дерева принятия решений возрастает до 72,95 %, а с ней возрастает и точность диагностики модели диагностики неисправностей всего фотогальванического массива.

Этап 8. С помощью созданной посредством тестирования модели диагностики неисправностей фотогальванического массива осуществляется диагностика фотогальванического массива, требующего диагностики, т. е. происходит голосование по поводу каждого типичного рабочего состояния с помощью N деревьев принятия решений; во время голосования используется способ передачи полномочий, т. е. собственный весовой коэффициент каждого дерева принятия решений принимается за количество отданных голосов.

После окончания голосования рассчитывается результат голосования, соответствующий каждому типичному рабочему состоянию, после чего согласно результатам голосования, соответствующим каждому типичному рабочему состоянию, получается результат диагностики неисправностей фотогальванического массива, требующего диагностики, и полученный результат диагностики неисправностей применяется для индикации рабочего состояния каждого блока фотогальванической батареи в фотогальваническом массиве, а именно:

1) Количество типичных рабочих состояний с наивысшим измеренным числом голосов.

2) Если типичное рабочее состояние, соответствующее наивысшему числу голосов, только одно, то типичное рабочее состояние, соответствующее наивысшему числу голосов, непосредственно является выходным результатом диагностики неисправностей, в противном случае выполняется следующий этап 3).

3) Если типичных рабочих состояний, соответствующих наивысшему числу голосов, по крайней мере два, то в настоящей заявке используется инновационная стратегия обработки равного количества голосов, т. е. выбираются L деревьев принятия решений с наивысшим весовым коэффициентом, и они заново осуществляют голосование по каждому типичному рабочему состоянию, при этом L является натуральным числом, и 2 ≤ L < N. Выбор осуществляется в соответствии с фактическими обстоятельствами. В случае наличия одного типичного рабочего состояния, набравшего голоса большинства деревьев принятия решений, это типичное рабочее состояние является выходным результатом диагностики неисправностей; в противном случае типичное рабочее состояние, выбранное деревом принятия решений с наивысшим весовым коэффициентом, является выходом результата диагностики неисправностей. Например, допустим, что L = 3, если во время повторного голосования результаты голосования двух деревьев принятия решений будут одинаковыми, тогда этот результат будет экспортирован, а в противном случае экспортируется результат дерева принятия решений с самым высоким весовым коэффициентом.

Выше приведены только оптимальные варианты осуществления настоящего изобретения, и настоящее изобретение ими не ограничивается. Другие усовершенствования и изменения, выведенные или придуманные специалистами в данной области техники в духе и в соответствии с замыслом настоящего изобретения, также находятся в пределах объема защиты настоящего изобретения.

1. Способ диагностики неисправностей фотогальванических массивов, основанный на усовершенствованном алгоритме случайного леса, который включает следующее:

- определение типичного рабочего состояния фотогальванического массива в процессе работы, при этом вышеупомянутый фотогальванический массив включает n ответвлений, на каждом из которых находится m блоков фотогальванической батареи; вышеупомянутое типичное рабочее состояние фотогальванического массива используется для индикации рабочего состояния каждого блока фотогальванической батареи в фотогальваническом массиве, при этом m и n являются натуральными числами;

- когда фотогальванический массив находится в каждом из типичных рабочих состояний, происходит сбор параметров главных линий массива вышеупомянутого фотогальванического массива, параметров каждого из ответвлений массива, соответствующих каждому ответвлению, а также разницы напряжения между массивами между различными ответвлениями;

- в соответствии с параметрами вышеупомянутых главных линий массива, параметрами ответвлений массива и разницей напряжения между массивами строится характеристический вектор неисправностей, а в соответствии с характеристическим вектором неисправностей создается набор проб данных фотогальванического массива, наборы проб данных разделяются на наборы тренировочных проб и наборы проб для тестирования;

- на основе вышеупомянутого способа случайного леса с использованием вышеупомянутого набора тренировочных проб в результате тренировки получается модель диагностики неисправностей фотогальванического массива, а также с использованием вышеупомянутого набора проб для тестирования осуществляется тестирование вышеупомянутой модели диагностики неисправностей фотогальванического массива, при этом вышеупомянутая модель диагностики неисправностей фотогальванического массива включает N деревьев принятия решений, где N является натуральным числом, и N ≥ 2;

- с помощью созданной посредством тестирования вышеупомянутой модели диагностики неисправностей фотогальванического массива осуществляется диагностика фотогальванического массива, требующего диагностики, и получается результат голосования по поводу каждого вышеупомянутого типичного рабочего состояния вышеупомянутых N деревьев принятия решений;

- согласно результатам голосования, соответствующим каждому из вышеупомянутых типичных рабочих состояний, получается результат диагностики неисправностей вышеупомянутого фотогальванического массива, требующего диагностики, и вышеупомянутый результат диагностики неисправностей применяется для индикации рабочего состояния каждого блока фотогальванической батареи в вышеупомянутом фотогальваническом массиве;

при этом вышеупомянутая модель диагностики неисправностей фотогальванического массива включает N деревьев принятия решений и соответствующие весовые коэффициенты каждого вышеупомянутого дерева принятия решений; с помощью вышеупомянутой созданной посредством тестирования модели диагностики неисправностей вышеупомянутого фотогальванического массива осуществляется диагностика фотогальванического массива, требующего диагностики, и включающий следующее:

- вышеупомянутые N деревьев принятия решений осуществляют голосование по поводу каждого вышеупомянутого типичного рабочего состояния, при этом собственный весовой коэффициент каждого вышеупомянутого дерева принятия решений принимается за количество отданных голосов:

- cтатистически рассчитывается результат голосования, соответствующий каждому вышеупомянутому типичному рабочему состоянию;

при этом на основе вышеупомянутого способа случайного леса с использованием вышеупомянутого набора тренировочных проб в результате тренировки получается модель диагностики неисправностей фотогальванического массива, включающий:

- N раз осуществляется забор проб из набора тренировочных проб, содержащего p проб; во время каждого раунда р раз осуществляется забор проб для составления вторичного набора тренировочных проб и набора неотобранных проб с последующим возвращением проб на место; вышеупомянутый вторичный набор тренировочных проб включает р проб, забранных во время этого раунда забора, а вышеупомянутый набор неотобранных проб включает пробы, не забранные из вышеупомянутого набора тренировочных проб во время текущего раунда забора проб, при этом р является натуральным числом:

- в результате тренировки по вторичному набору тренировочных проб, соответствующему каждому раунду забора проб, создается одно дерево принятия решений, а используя набор неотобранных проб, соответствующий текущему раунду забора проб, осуществляется тестирование вышеупомянутого дерева принятия решений, и получается коэффициент точности неотобранных проб; согласно вышеупомянутому коэффициенту точности неотобранных проб рассчитывается весовой коэффициент, соответствующий вышеупомянутому дереву принятия решений;

- полученные в результате тренировки N деревьев принятия решений и весовые коэффициенты, соответствующие каждому дереву принятия решений, обобщаются, и получается вышеупомянутая модель диагностики неисправностей фотогальванического массива;

при этом способ включает следующее:

- N вышеупомянутых наборов неотобранных проб обобщаются, и получается общий набор неотобранных проб, происходит тестирование каждой пробы в вышеупомянутом общем наборе неотобранных проб с помощью полученной в результате тренировки вышеупомянутой модели диагностики неисправностей фотогальванического массива, в результате чего получается начальный весовой коэффициент неотобранных проб;

- вышеупомянутая проба в целом включает K характеристик неисправностей, при этом в характеристику неисправности № k включается шум и с помощью вышеупомянутой модели диагностики неисправностей фотогальванического массива заново происходит тестирование вышеупомянутой пробы, и получается новый коэффициент точности неотобранных проб; расчет разницы между вышеупомянутым первичным коэффициентом точности неотобранных проб и новым внешним коэффициентом точности определяет степень значимости характеристики № k, при этом K является натуральным числом, k является параметром, и изначальное значение k составляет 1;

- когда k < K, это приводит к тому, что k = k + 1 и повторно выполняется вышеупомянутый этап добавления шума в характеристику неисправности № k; вплоть до того, когда k = K, получается значение степени важности вышеупомянутой характеристики K неисправностей;

- у каждой пробы в вышеупомянутом наборе тренировочных проб удаляется t характеристик неисправности с наиболее низкой степенью важности среди K характеристик неисправности вышеупомянутой пробы, и получается обработанный набор тренировочных проб;

- на основе способа случайного леса обработанные вышеупомянутые тренировочные наборы проб используются для образования модели диагностики неисправностей фотогальванического массива.

2. Способ по п. 1, отличающийся тем, что:

параметры вышеупомянутых главных линий массива и параметры каждого вышеупомянутого ответвления массива соответственно включают напряжение в точке наибольшей мощности, ток в точке наибольшей мощности, напряжение разомкнутой цепи и ток короткого замыкания.

3. Способ по п. 1, отличающийся тем, что в соответствии с вышеупомянутым коэффициентом точности неотобранных проб рассчитывается вышеупомянутый весовой коэффициент, соответствующий дереву принятия решений, включающий следующие расчеты:

где w(i) является весовым коэффициентом, соответствующим дереву принятия решений № i, а H^oob(i) является весовым коэффициентом неотобранных проб, соответствующим дереву принятия решений № i, i и j являются параметрами, 1 ≤ i ≤ N, а i является натуральным числом.

4. Способ по п. 1, отличающийся тем, что согласно результатам голосования, соответствующим каждому типичному рабочему состоянию, получается вышеупомянутый результат диагностики неисправностей фотогальванического массива, включающий следующее:

- если типичное рабочее состояние, соответствующее наивысшему числу голосов, только одно, то типичное рабочее состояние, соответствующее наивысшему числу голосов, и является выходом результата вышеупомянутой диагностики неисправностей;

- если типичных рабочих состояний, соответствующих наивысшему числу голосов, по крайней мере два, то выбираются L деревьев принятия решений с наивысшим весовым коэффициентом, и они заново осуществляют голосование по каждому вышеупомянутому типичному рабочему состоянию, и в случае наличия одного типичного рабочего состояния, набравшего голоса большинства деревьев принятия решений, то это вышеупомянутое типичное рабочее состояние является выходом результата диагностики неисправностей; в противном случае типичное рабочее состояние, выбранное деревом принятия решений с наивысшим весовым коэффициентом, является вышеупомянутым выходом результата диагностики неисправностей, при этом L является натуральным числом и 2 ≤ L < N.