本发明属于光伏阵列故障诊断，具体涉及基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法及系统。
背景技术：
1、近几年，光伏发电在我国飞速发展，光伏并网发电规模不断扩大。由于光伏阵列面积大、分布广泛，且在恶劣的自然环境下运行，容易发生组件老化、局部遮阴、开路和短路等问题。这些问题严重地影响到光伏系统的健康、光伏电站整体的运行及发电效率。因此，对光伏阵列的故障进行准确高效地诊断十分重要。
2、对于光伏阵列故障诊断的问题，传统故障诊断方法利用红外热图像检测光伏阵列出现的热板效应，但该方法使用成本较高且对红外热图像的精度有较高要求，无法大规模使用；传统故障诊断方法还通过光伏阵列实测曲线和伏安特性曲线的对比来实现故障诊断，但该方法不能做到实时地在线诊断，且需要建立精确的数学模型，实现难度很大。
3、除了上述的传统故障诊断方法，国内外学者也对机器学习方法进行了研究，如神经网络、核极限学习机、支持向量机、决策树等。该方法通过大量信息进行故障的分类识别，克服了由环境因素产生的随机性影响，具体有以下研究结果：
4、1.通过使用深度神经网络克服数据集中不同故障的红外热成像数据不平衡问题；
5、2.提出了一种基于i-v转换的特征提取方法，通过对比十种机器学习分类模型的使用效果证明其特征提取方法的合理性；
6、3.将随机森林(random forest,rf)集成学习算法用于光伏阵列早期故障的检测和诊断，优化了基于rf模型的泛化性能；
7、4.提出一种基于adaboost集成模型(aem)的光伏系统故障检测方法，实现了比rf集成学习算法更好的诊断能力；
8、5.通过对比三种改进决策树算法和rf算法对光伏阵列故障的诊断效果，证明lightgbm算法在光伏故障诊断方面的有效性。
9、然而，上述研究大多是针对光伏阵列在某一时刻仅发生一种故障的情况，而光伏系统可能会同时出现多种故障，使得研究人员难以建立准确机理模型和提取合理故障特征；同时，上述方法并未详细考虑参数选取对其算法性能的影响，而参数选择对于算法诊断效果的影响至关重要。
10、因此，设计一种能够准确诊断出光伏阵列不同类型故障状况的基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法及系统，就显得十分必要。其中，idbo指改进蜣螂优化算法，lightgbm指轻量级梯度提升机。
技术实现思路
1、本发明是为了克服现有技术中，传统光伏阵列故障诊断方法，无法在某一时刻同时准确诊断出多种故障状况的问题，提供了一种能够准确诊断出光伏阵列不同类型故障状况的基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法及系统。
2、为了达到上述发明目的，本发明采用以下技术方案：
3、基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法，包括如下步骤：
4、s1，输入正常工况和不同故障工况下的光伏阵列样本数据，并对所述光伏阵列样本数据进行标准化转换，划分训练集与测试集；
5、s2，初始化lightgbm模型的参数和idbo算法的参数，并设置蜣螂种群数量、自变量上下限、最大迭代次数和维度大小；
6、s3，对蜣螂种群初始化；
7、s4，根据各蜣螂种群的位置更新公式计算蜣螂新位置的适应度值；
8、s5，判断迭代次数是否达到最大，若是则结束迭代，比较所有迭代存储的最优适应度值并输出最优参数；若不是，则返回步骤s3；
9、s6，以idbo算法寻得的最优参数值构建最优的lightgbm模型，并对光伏阵列故障进行诊断测试。
10、作为优选，步骤s1中，故障工况包括短路故障、开路故障、局部遮阴和老化故障。
11、作为优选，步骤s1中，所述标准化转换具体采用如下公式：
12、
13、其中，g和t是普通条件下的辐照度和温度，gstc和tstc是stc下的辐照度和温度，βi是短路电流温度系数，βv是开路电压温度系数，kg是电压的辐照度修正系数，istc和vstc是普通条件下的电流和电压，iout和vout是普通条件下的电流和电压；stc指标准测试条件。
14、作为优选，步骤s2包括如下步骤：
15、s21，使用混沌数替代原idbo算法中的随机变量，具体为加入chebyshev混沌映射，公式如下：
16、χk+1＝cos(kcos-1(χk))
17、式中，χk+1代表第k+1代混沌序列的值，χk代表第k代混沌序列的当前值，k为当前迭代次数；
18、s22，引入黄金分割系数到位置更新中，使滚球蜣螂的位置更新公式如下所示：
19、xi(t+1)＝xi(t)·∣sin(r1)∣-r2·sin(r1)·∣c1x*-c2xi(t)∣；
20、式中，xi(t+1)第i只蜣螂更新后的位置信息，xi(t)第i只蜣螂的当前位置信息，x*代表当前最优解，r1∈(0,2π]的随机数，r2∈(0,π]的随机数，c1和c2是引入黄金分割数后得到的系数；
21、
22、式中，τ取值为的黄金分割数，a、b初始值设置为-π和π，随后a和b随着目标变化而改变；
23、s23，引入莱维飞行策略进行位置更新，使盗窃蜣螂的位置更新公式如下所示：
24、
25、式中，xb是全局最佳位置,g表示服从正态分布的1×d随机向量，d表示优化问题的维数，s表示一个随维度d变化的随机数，l(λ)为服从lévy分布的步长。
26、作为优选，在步骤s3中，根据步骤s21中的chebyshev混沌映射公式对蜣螂种群进行初始化。
27、作为优选，步骤s4中，各蜣螂种群的位置更新公式包括滚球蜣螂的位置更新公式和盗窃蜣螂的位置更新公式。
28、作为优选，步骤s4还包括如下步骤；
29、判断当前蜣螂种群的适应度值对比已存储的最佳适应度值是否更佳，若是，则替换存储的最佳适应度值为当前适应度值，并保存对应的数值；否则继续存储之前的最佳适应度值；
30、求取适应度值大小的公式为：
31、fitness＝1-acc；
32、其中，fitness是适应度值，fitness越小则表示模型诊断越准确；acc是代入寻优后超参数模型的准确率。
33、作为优选，步骤s6中，寻优的参数值包括学习率、决策树的数量或迭代次数、决策树的最大深度限制以及一个叶子节点所需的最小样本数。
34、本发明还提供了基于idbo-lightgbm混合模型的光伏阵列快速故障诊断系统包括：
35、数据处理模块，用于输入正常工况和不同故障工况下的光伏阵列样本数据，并对所述光伏阵列样本数据进行标准化转换，划分训练集与测试集；
36、参数设置模块，用于初始化lightgbm模型的参数和idbo算法的参数，并设置蜣螂种群数量、自变量上下限、最大迭代次数和维度大小；
37、初始化模块，用于对蜣螂种群初始化；
38、适应度值计算模块，用于根据各蜣螂种群的位置更新公式计算蜣螂新位置的适应度值；
39、迭代次数判断模块，用于判断迭代次数是否达到最大，若是则结束迭代，比较所有迭代存储的最优适应度值并输出最优参数；若不是，则返回初始化模块；
40、模型构建与测试模块，用于以idbo算法寻得的最优参数值构建最优的lightgbm模型，并对光伏阵列故障进行诊断测试。
41、本发明与现有技术相比，有益效果是：(1)本发明对dbo算法进行了3个方面的改进：其一，利用chebyshev混沌映射初始化蜣螂种群的位置；其二，引入黄金正弦策略，使滚球蜣螂能够对局部区域进行充分搜索；其三，引入莱维飞行，使盗窃蜣螂个体去到更广的搜索空间；上述改进解决了蜣螂优化算法收敛速度慢、容易陷入局部最优的问题；(2)本发明提出一种基于多工况的光伏阵列的建模，并以i-v特性曲线提取的故障特征作为模型输入，代表不同工况的标签作为模型输出，构建idbo优化lightgbm参数的光伏故障诊断方法；(3)本发明通过引入改进蜣螂优化算法对lightgbm进行参数寻优，进而建立一种基于idbo-lightgbm的故障诊断模型，可以更准确地识别出正常、老化、阴影、短路和开路等故障以及以上工况同时发生的复合故障。
1.基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法，其特征在于，步骤s1中，故障工况包括短路故障、开路故障、局部遮阴和老化故障。
3.根据权利要求1所述的基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法，其特征在于，步骤s1中，所述标准化转换具体采用如下公式：
4.根据权利要求1所述的基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法，其特征在于，步骤s2包括如下步骤：
5.根据权利要求4所述的基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法，其特征在于，在步骤s3中，根据步骤s21中的chebyshev混沌映射公式对蜣螂种群进行初始化。
6.根据权利要求5所述的基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法，其特征在于，步骤s4中，各蜣螂种群的位置更新公式包括滚球蜣螂的位置更新公式和盗窃蜣螂的位置更新公式。
7.根据权利要求6所述的基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法，其特征在于，步骤s4还包括如下步骤；
8.根据权利要求5所述的基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法，其特征在于，步骤s6中，寻优的参数值包括学习率、决策树的数量或迭代次数、决策树的最大深度限制以及一个叶子节点所需的最小样本数。
9.基于idbo-lightgbm混合模型的光伏阵列快速故障诊断系统，用于实现权利要求1-8任一项所述的基于idbo-lightgbm混合模型的光伏阵列快速故障诊断方法，其特征在于，所述基于idbo-lightgbm混合模型的光伏阵列快速故障诊断系统包括：
