曹鹏晋

（浙江大唐国际江山新城热电有限责任公司，浙江 江山 324100）

1 概述

太阳能光伏发电是目前最流行的绿色发电方式之一，而光伏逆变器是光伏发电系统的重要环节，一旦其发生故障则严重影响光伏发电系统的安全稳定运行，因此准确地诊断逆变器的故障十分重要。

从20 世纪开始，国内外相关学者就光伏逆变器故障诊断展开广泛研究。传统的光伏逆变器的故障诊断方法主要是根据三相电流判断逆变器开关电源故障，该方法需要人为设定阈值。随着人工智能、大数据技术的不断发展，基于机器学习的故障诊断技术被应用到电气设备的故障诊断中。机器学习是一种数据驱动型模式识别方法，可以直接从数据中提取内部关系，利用数据集构建统计模型从而对数据进行预测和分析，提高系统的性能。文献[1]提出了基于隐马尔可夫模型的光伏逆变器故障诊断方法，对于非线性系统该方法仍然适用。文献[2]将卷积神经网络应用到光伏逆变器的故障诊断中，并在不同白噪声水平的条件下进行测试。文献[3]提出了一种基于稀疏贝叶斯极限学习机的光伏逆变器诊断方法，该方法从运维数据中提出特征并进行模型训练，实现了光伏逆变器故障的准确诊断。为了进一步提升逆变器故障诊断的速度，本文提出了基于PCA-CNN的光伏逆变器故障诊断方法。

2 理论基础

2.1 主成分分析

主成分分析是一种多元统计的分析方法，在数据降维、信号处理、模式识别等领域有着广泛地应用。……