基于卷积神经网络的光伏阵列故障诊断方法技术

本发明专利技术涉及一种基于卷积神经网络的光伏阵列故障诊断方法，包括以下步骤：步骤S1:采集预设工况下的光伏发电阵列数据；步骤S2:根据得到的光伏发电阵列数据，进行图形绘制，得到时序曲线图，并将时序曲线图保存为图片作为样本数据；步骤S3:将所述样本数据分成训练集和验证集,并利用18层卷积神经网络、1层dropout层与1层全连接神经网络对训练集中的样本数据进行训练，得到故障诊断训练模型；步骤S4:根据得到的验证集和故障诊断训练模型，对所述实际待测工况下的光伏发电阵列数据进行诊断，判断光伏发电阵列是否处于故障状态以及故障类型。本发明专利技术可以准确识别出光伏组件正常与多个故障状态。

【技术实现步骤摘要】
基于卷积神经网络的光伏阵列故障诊断方法
本专利技术涉及光伏发电阵列故障检测领域，具体涉及一种基于卷积神经网络的光伏阵列故障诊断方法。
技术介绍
由于光伏组件阵列安装和工作在复杂的户外环境中，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、性能下降、裂纹或者开路等各种故障问题，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，从而降低光伏发电的成本，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，由此实现对故障的检测。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阵列的电流电压时序曲线的特征。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。典型的卷积神经网络网络理论由LeCun等于1989年提出，卷积神经网络模型由全连接网络衍生而来，该算法模型由卷积层，池化层以及激活函数组成，由于卷积层与池化层的存在，减小了传统全连接神经网络的冗余连接，降低了运算复杂程度。卷积神经网络相对于基本全连接神经网络，其特征提取的能力更强；而相对于传统BP神经网络、支持向量机算法，在图像分类具有相似或更好的分类效果。通过不断使用反向传播的方式迭代训练，使得训练出的卷积网络具有对电流曲线图片的特征提取能力，最后通过全连接神经网络对故障进行诊断与分类。最终建立的故障检测模型显著提高了故障检测的准确度。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于卷积神经网络的光伏阵列故障诊断方法，可以准确识别出光伏组件正常与多个故障状态。为实现上述目的，本专利技术采用如下技术方案：一种基于卷积神经网络的光伏阵列故障诊断方法，包括以下步骤：步骤S1:采集预设工况下的光伏发电阵列数据；步骤S2:根据得到的光伏发电阵列数据，进行图形绘制，得到时序曲线图，并将时序曲线图保存为图片作为样本数据；步骤S3:将所述样本数据分成训练集和验证集,并利用18层卷积神经网络、1层dropout层与1层全连接神经网络对训练集中的样本数据进行训练，得到故障诊断训练模型；步骤S4:根据得到的验证集和故障诊断训练模型，对所述实际待测工况下的光伏发电阵列数据进行诊断，判断光伏发电阵列是否处于故障状态以及故障类型。进一步的，所述光伏发电阵列数据包括连续采集的时序电流与时序电压数据。进一步的，所述步骤S2具体为;步骤S21:使用窗口大小为L的滑动窗,采样率为每秒S个数据点,对实时采集的光伏阵列时序电流数据与时序电压数据进行截取，将截取的数据作为样本数据保存；步骤S22:将所述步骤S21中获取的样本数据进行图形绘制，在图形绘制过程，将数据采集时间作坐标轴的X轴，数据大小作为坐标轴的Y轴分别绘制出电流与电压曲线。进一步的，所述预设工况包括正常工作、光伏阵列开路1串、光伏阵列开路2串、组串中短路1块光伏组件、组串中短路2块光伏组件。本专利技术与现有技术相比具有以下有益效果：本专利技术基于时序数据和卷积神经网络，可以准确识别出光伏组件正常与多个故障状态，并可以被拓展到不同规模光伏阵列的故障检测中，为光伏电站的维护工作提供便利。附图说明图1为本专利技术中基于卷积神经网络的光伏阵列故障诊断方法的流程图。图2为本专利技术一实例中光伏发电组串系统拓扑图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。本专利技术提供一种卷积神经网络的光伏发电阵列故障检测方法，流程框图如图1所示。图2为本实施例的光伏发电系统拓扑图，系统由S×P个太阳能组件组成，通过模拟光伏发电阵列出现的故障状态与否，在不同的气候条件下，选择不同的时段，针对是否存在故障情况获取连续阵列电流与电压数据，具体包括以下步骤：步骤S1:采集预设工况下的光伏阵列时序电流数据与时序电压数据；步骤S2:根据得到的光伏阵列时序电流数据与时序电压数据，进行图形绘制，得到时序曲线图，并将时序曲线图保存为图片作为样本数据；步骤S21:使用窗口大小为2001的滑动窗,采样率为每秒200个数据点,对实时采集的光伏阵列时序电流数据与时序电压数据进行截取，将截取的数据作为样本数据保存；步骤S22:将所述步骤S21中获取的样本数据进行图形绘制，在图形绘制过程，将数据采集时间作坐标轴的X轴，数据大小作为坐标轴的Y轴分别绘制出电流与电压曲线。步骤S3:将所述样本数据分成训练集和验证集,并利用18层卷积神经网络、1层dropout层与1层全连接神经网络对训练集中的样本数据进行训练，得到故障诊断训练模型；步骤S4:根据得到的验证集和故障诊断训练模型，对所述实际待测工况下的光伏阵列时序电流数据与时序电压数据进行诊断，判断光伏发电阵列是否处于故障状态以及故障类型。实施例1：在本实施例中，在2017年7-8月份内分多个时间段，在不同的照度和温度下进行数据随机采集，采集的样本总数1331组，每种样本数量、比例如表1所示。随机选取其中70%组作为训练样本集，剩余30%作为验证样本集。在本实施例中，采集数据所采用的光伏发电系统由3*6块太阳能面板组成，组成6串3并的方式。表1故障样本数量及比例参数正常开路1开路2短路1短路2总样本422300178322178训练样本295210125226125测试样本12890539653样本占比30.14%21.44%12.71%23.00%12.71%在本实施例中，步骤S2中对样本进行曲线绘制的具体方法为：以采集电流电压数据的时间先后作为电流曲线的横轴，将电流数值与电压作为该曲线的纵轴分别绘制曲线。通过所采用的卷积神经网络对获得的样本图片进行分类训练，由此得到光伏组件的故障诊断模型。对该模型的故障分类进行了20次随机测试，得到每次平均运行时间为0.012s，故障分类平均准确率如表2所示，表2故障诊断结果光伏阵列工作类型平均准确率正常99.72%开路199.89%开路2100%短路199.22%短路298.4%总准确率99.51%以上所述仅为本专利技术的较佳实施例，凡依本专利技术申请专利范围所做的均等变化与修饰，皆应属本专利技术的涵盖范围。本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络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:采集预设工况下的光伏发电阵列数据；步骤S2:根据得到的光伏发电阵列数据，进行图形绘制，得到时序曲线图，并将时序曲线图保存为图片作为样本数据；步骤S3:将所述样本数据分成训练集和验证集,并利用18层卷积神经网络、1层dropout层与1层全连接神经网络对训练集中的样本数据进行训练，得到故障诊断训练模型；步骤S4:根据得到的验证集和故障诊断训练模型，对所述实际待测工况下的光伏发电阵列数据进行诊断，判断光伏发电阵列是否处于故障状态以及故障类型。

【技术特征摘要】
1.一种基于卷积神经网络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:采集预设工况下的光伏发电阵列数据；步骤S2:根据得到的光伏发电阵列数据，进行图形绘制，得到时序曲线图，并将时序曲线图保存为图片作为样本数据；步骤S3:将所述样本数据分成训练集和验证集,并利用18层卷积神经网络、1层dropout层与1层全连接神经网络对训练集中的样本数据进行训练，得到故障诊断训练模型；步骤S4:根据得到的验证集和故障诊断训练模型，对所述实际待测工况下的光伏发电阵列数据进行诊断，判断光伏发电阵列是否处于故障状态以及故障类型。2.根据权利要求1所述的基于卷积神经网络的光伏阵列故障诊断方法，其特征在于：所述光伏发电阵列数据...

【专利技术属性】
技术研发人员：程树英，林培杰，卢箫扬，陈志聪，吴丽君，章杰，郑茜颖，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35