The present invention relates to a diagnostic method of photovoltaic array fault based on Wasserstein GAN. Firstly, the current and voltage time series data of photovoltaic array are collected; secondly, the acquired time series current and voltage data of photovoltaic array are plotted as curves and saved as samples; secondly, the discriminator D and generator G in Wasserstein GAN network are designed; and then, the discriminator G in Wasserstein GAN is trained. Discriminator D generator G; Then, the trained discriminator D is used as the feature extraction network of photovoltaic array sequential current and voltage curve pictures, and the full-connected neural network is used to train the feature classifier to classify the features obtained from the feature extraction network, and the diagnostic model of photovoltaic array sequential current and voltage data is obtained. The proposed method for fault diagnosis of sequential current and voltage data of photovoltaic array based on Wasserstein GAN can accurately detect and classify the faults of photovoltaic array on the basis of unsupervised training.
【技术实现步骤摘要】
一种基于WassersteinGAN的光伏阵列故障诊断方法
本专利技术涉光伏发电阵列故障检测
,特别是一种基于WassersteinGAN的光伏阵列故障诊断方法。
技术介绍
由于光伏组件阵列的工作环境是复杂的户外环境,同时受到湿度,紫外线,风激振等各种环境因素的作用,容易出现局部短路、开路、热斑等各种故障问题,故障的发生将会降低光伏电站的发电效率,严重时甚至会发生火灾,危害社会财产安全,为了尽可能地延长光伏发电系统的寿命、使其逼近理论的工作年限,以及使光伏电站尽可能地高效发电,提高电站的运营过程中的安全性,及时、有效和高效的维护十分关键。随着世界各国光伏发电装机量的快速增长,光伏发电系统的自动监测与故障诊断近年来得到国内外越来越多的学者和相关机构的关注。近年来,多种基于时序数据的故障诊断方法与技术相继被提出。基于小波变换的故障诊断办法使用小波变换对时序信号进行分析,由此实现对故障的诊断。但该算法对时序诊断精度上还有提升空间,以及该算法还未对故障类型进行分类。对于时序的电流电压数据,对其进行故障诊断与分类时往往是使用像小波变换这种处理方式,对时序数据的特征进行提取。这种特征往往是一种变化趋势的特征,但是这种方式并不能完全表示一个故障发生时光伏系统电流电压曲线的特征。当有些故障发生时,其故障程度是不同的,但是他们由于是同一种故障,因此会有相似的变化过程,但却在故障前后发生了数值的变化,如图所示1与图2所示。在相同的故障下,由于故障程度不同,造成了这两种故障具有相似的变化曲线,但在最后的稳定数值有所不同。其中,图1为单个光伏组串中1个组件短路的电流电压图。 ...
【技术保护点】
1.一种基于Wasserstein GAN的光伏阵列故障诊断方法,其特征在于:包括以下步骤:步骤S1:对各预设工况下的光伏发电阵列进行电流与电压数据采集;步骤S2:将步骤S1获取的光伏发电阵列的电流与电压数据绘制在同一张图片上并保存为样本;步骤S3:通过Wasserstein GAN设计一个鉴别器网络D与一个生成器网络G;步骤S4:将步骤S2中的样本数据分成训练集和验证集,并采用无监督的训练方式训练Wasserstein GAN中的鉴别器网络D与一个生成器网络G;步骤S5:将训练后的鉴别器网络D作为电流电压曲线图片的特征提取网络,采用神经网络训练特征分类器,对鉴别器网络D得到的特征进行分类,得到光伏组件的故障诊断模型;步骤S6:通过所述步骤S1以及所述步骤S2对实际待测工况进行处理,并利用步骤S4的Wasserstein GAN与步骤S5的故障诊断模型,对所述实际待测工况下的光伏发电阵列时序电流与时序电压数据进行诊断,判断光伏发电阵列系统是否处于故障状态以及故障种类。
【技术特征摘要】
1.一种基于WassersteinGAN的光伏阵列故障诊断方法,其特征在于:包括以下步骤:步骤S1:对各预设工况下的光伏发电阵列进行电流与电压数据采集;步骤S2:将步骤S1获取的光伏发电阵列的电流与电压数据绘制在同一张图片上并保存为样本;步骤S3:通过WassersteinGAN设计一个鉴别器网络D与一个生成器网络G;步骤S4:将步骤S2中的样本数据分成训练集和验证集,并采用无监督的训练方式训练WassersteinGAN中的鉴别器网络D与一个生成器网络G;步骤S5:将训练后的鉴别器网络D作为电流电压曲线图片的特征提取网络,采用神经网络训练特征分类器,对鉴别器网络D得到的特征进行分类,得到光伏组件的故障诊断模型;步骤S6:通过所述步骤S1以及所述步骤S2对实际待测工况进行处理,并利用步骤S4的WassersteinGAN与步骤S5的故障诊断模型,对所述实际待测工况下的光伏发电阵列时序电流与时序电压数据进行诊断,判断光伏发电阵列系统是否处于故障状态以及故障种类。2.根据权利要求1所述的一种基于WassersteinGAN的光伏阵列故障诊断方法,其特征在于:步骤S2具体包括以下步骤:步骤S21:将所采集的光伏组件时序电流数据与时序电压分别以2001个点作为一组样本进行切割;步骤S22:将所述步骤S21中获取的...
【专利技术属性】
技术研发人员:林培杰,程树英,卢箫扬,陈志聪,吴丽君,郑茜颖,章杰,
申请(专利权)人:福州大学,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。