一种基于加权KNN的光伏组件遮挡面积分类方法

技术领域

本发明属于数据分类领域，具体涉及一种基于加权KNN的光伏组件遮挡面积分类方法。

背景技术

随着世界人口的增加和社会生产力的进步，人们对能源的需求不断提高。然而，传统的化石燃料具有高消耗量和不可再生性，严重制约了经济的发展。太阳能是地球上分布最广、储量最大的新能源，具有清洁高效的特点，太阳能的利用将在未来的能源结构中发挥重要作用。

光伏发电系统依赖于太阳光照射发电，然而，在实际光伏发电现场，可能会受到多云天气、建筑物、表面灰尘等形成的阴影或遮挡的影响，造成串光伏组件的串并联失效问题，影响发电系统的输出功率，甚至可能会形成热斑，导致组件的损坏。不同的遮挡物会有不同的遮挡面积，如面积较小的鸟粪、面积较大的树叶等，对于光伏组件的影响也不相同。因此，判别光伏遮挡故障面积有助于对遮挡故障实现更精确的定位与分类，有助于光伏发电的整体运维。

光伏电气数据具有很强的不确定性，目前的研究大多数是对故障的大种类进行诊断，比较少针对遮挡故障本身进行研究与诊断。随着科学技术的发展，机器学习算法逐渐成熟，具有很快的计算速度和很高的求解效率。因此，将机器学习和遮挡面积分类相结合，提出了基于加权KNN的光伏组件遮挡面积分类方法。

发明内容

为解决上述问题，本发明公开了一种基于加权KNN(K最邻近算法)的光伏组件遮挡面积分类方法，能够提取出光伏组件在不同遮挡情况下的电气数据特征，然后根据这些特征进行遮挡面积分类，为后面处理故障提供有效的数据支撑。

为达到上述目的，本发明的技术方案如下：

一种基于加权KNN的光伏组件遮挡面积分类方法，包括以下步骤：

A1：数据采集，采集若干组被遮挡的光伏组件的I-V曲线数据，遮挡区域占电池片面积的比值从0-100％；

A2：数据预处理，每一组采集到的I-V曲线数据包含400个采样点，设定采样频率为△U＝0.5V，仅采样保留部分数据点；

A3：将预处理后的数据进行特征提取；

A4：构建加权KNN分类器对光伏组件遮挡面积范围进行分类。

进一步的，所述步骤A3中的特征提取时，先提取I-V曲线的极值个数，若有多个极值点，则提取局部功率最大点对应的电压和电流作为特征，否则就提取全局最大功率点的电流和电压作为特征。

进一步的，所述步骤A4的具体方法是：

B1：构建训练样本集合X；

B2：设定K的初值；

B3：计算待测样本特征和训练样本特征之间的距离，选取距离最小的K个样本；

B4：选取B3中距离最小的K个样本中出现次数最多的种类作为光伏组件遮挡面积的类别。

进一步的，所述步骤B3中计算距离的公式为欧氏距离：

定义为：

其中第i个样本表示为

本发明有益效果是：

本发明所述的一种基于加权KNN的光伏组件遮挡面积分类方法，可以应用在光伏发电运维系统中，经过算法可以判别光伏的遮挡面积情况，有助于后续进一步判断遮挡物种类，从而进行有效的故障处理；本发明的方法简单，实现方便，支持增量学习，达到了很高的分类准确率，有助于对遮挡故障实现更精确的定位与分类，有助于光伏发电的整体运维。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

如图所示，本发明所述的一种基于加权KNN的光伏组件遮挡面积分类方法是由下列步骤实现的：

A1：数据采集

首先采集了若干组被遮挡的光伏组件的I-V曲线数据，遮挡区域占电池片面积的比值从0到100％，构建训练数据集；

A2：数据预处理

每一组采集到的I-V曲线数据包含400个采样点，设定采样频率为△U＝0.5V，仅采样保留部分数据点；

A3：将预处理后的数据进行特征提取

先提取I-V曲线的极值个数，若有多个极值点，则提取局部功率最大点对应的电压和电流作为特征，否则就提取全局最大功率点的电流和电压作为特征；

A4：构建加权KNN分类器

1、构建训练样本集合X；

2、设定K的初值；

3、计算待测样本特征和训练样本特征之间的欧式距离，欧氏距离定义为：

4、选取距离最小的K个样本；

5、选取B3中距离最小的K个样本中出现次数最多的种类作为光伏组件遮挡面积的类别。

以上对本发明提供的一种基于加权KNN的光伏组件遮挡面积分类方法进行了详细介绍。具体实施例的说明只是用于帮助理解本发明的方法及其核心思想。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。