基于深度神经网络的光伏电站缓变故障监测方法技术

一种基于深度神经网络的光伏电站缓变故障监测方法及系统，通过离线构建故障预测模型，并使用预处理后的历史数据，根据已知故障类型对应的样本数据建模并对模型进行训练和测试，然后通过该故障预测模型实时对整个光伏电站受监控的所有设备进行实时故障监测，提交结果的同时对故障预测模型进行持续线上更新。本发明专利技术能够充分利用光伏电站系统中采集的历史数据，解决当前光伏电站系统组件定期维护成本高，故障难预防难排查的问题。

Deep Neural Network Based Slow Change Fault Monitoring Method for Photovoltaic Power Station

【技术实现步骤摘要】
基于深度神经网络的光伏电站缓变故障监测方法
本专利技术涉及的是一种电站控制领域的技术，具体是一种基于深度神经网络的光伏电站缓变故障监测方法。
技术介绍
光伏电站作为目前比较热门的新能源解决方案，其运行情况受各种因素影响较大，而故障防护完全依靠运维人员定期全面维护，处理成本非常高昂。目前，对于光伏系统的大数据采集方案较多，而数据应用方案的少，尤其是故障处理这一方面迫切需要专门的软件系统实时提供运维建议、实现有目的性的检修与维护。
技术实现思路
本专利技术针对现有技术存在的上述不足，提出一种基于深度神经网络的光伏电站缓变故障监测方法，能够充分利用光伏电站系统中采集的历史数据，解决当前光伏电站系统组件定期维护成本高，故障难预防难排查的问题。本专利技术是通过以下技术方案实现的：本专利技术涉及一种基于深度神经网络的光伏电站缓变故障监测方法，通过离线构建故障预测模型，并使用预处理后的历史数据，根据已知故障类型对应的样本数据建模并对模型进行训练和测试，然后通过该故障预测模型实时对整个光伏电站受监控的所有设备进行实时故障监测，提交结果的同时对故障预测模型进行持续线上更新。所述的故障类型包括但不限于逆变器异常、汇流箱异常、组件损坏或遮挡、线路故障等。所述的离线构建是指：通过训练分离出不同故障类型的早期故障特征量，确定正常运行情况的控制限和异常情况下的统计量，结合主元分析的方法，简化主要的早期特征量集合，并作相应的故障分类，形成不同故障类型的故障演变标尺，进而得到故障预测模型。所述的早期故障特征量是指：在设备未进入实际故障且运行状况异于健康状态时所呈现的相关特征量，诸如设备的运行发热量、功耗、输出功率等。定义故障早期特征量能帮助在缓变故障的早期发现故障，即可确定早期故障检出点。所述的主元分析是指：从多个故障可能的相关特征量中提取整合少数几个综合指标，将高维深层特征集成为一维的主要故障特征量，实现数据集的简化。所述的故障分类是指：通过计算训练样本归属不同类的概率对样本分类，从而判断出其故障类型。所述的故障演变标尺是指：对定义好的故障类型，建立起该故障下设备剩余寿命与通过主元分析所确定的主要故障特征量之间的指数型的非线性关系，使得通过主要故障特征量即可对应到当前故障所处阶段，即或设备剩余寿命。所述的故障预测模型具体为含有N个隐层的深度神经网络(DNN)模型，包括由自编码器进行堆叠而成的多个隐层神经网络，该故障预测模型首先进行自下而上的无监督逐层特征提取，然后利用有监督的学习方法对整个网络参数进行微调与修正，从而能够在原始数据中提取到系统与各类故障相关的本质特征属性，并定义出这些特征与各故障缓变过程的非线性拟合关系。所述的测试是指：通过测试样本对离线模型进行伪实时预测，针对不符合预期的情况进行参数调整与模型优化，最终得到可以上线的初步版本。所述的伪实时预测是指：通过已知故障的测试数据，对预测模型进行检测，测试是否有误报或者失报的情况。所述的线上更新是指：对预测结果的准确性，即误报率、失报率进行评估，预测正确则持续运行，误报则调整参数对模型进行更新。技术效果与现有技术相比，本专利技术通过深度神经网络发掘光伏电站历史运行数据，可以准确提取早期故障相关特征量，并依据特征量建立剩余寿命预测模型。通过模型对电站实时的运行数据进行分析，能够预测出近期可能的设备故障，提高了光伏电站维护的效率和故障视情处理的准确性。从而降低停运率，节约维护成本。附图说明图1为本专利技术系统流程示意图；图2为本专利技术故障预测算法网络结构图。具体实施方式如图1所示，为本实施例涉及的一种基于深度神经网络的光伏电站缓变故障监测系统，包括：建模学习模块、模型验证模块、监控模块和更新模块，其中：建模学习模块通过对所选取的光伏电站历史数据(1至3年的运行参数记录及典型故障数据)进行学习分类，对于所选取几种常见缓变故障进行学习，得到其早期主要故障特征量，并拟合出其与所对应故障设备剩余寿命间非线性关系的模型；模型验证模块通过未用于建模部分输出的模型，对于不满足预期的情况，即模型反映出过高的误报/失报率，可提供参数修改的反馈及参考，对于验证通过符合预期的模型，即可上线到实时部分运行；监控模块根据最新的模型监控电站运行，对出现缓变故障征兆的设备提前提出视情维护的要求，更新模块将出现误报与失报的情况及时反馈给离线系统以定期对模型进行更新。如图2所示，本专利技术涉及上述系统的监测方法，具体包括以下步骤：步骤1)利用基于自编码器的深度学习的强大表征能力，构建含有N个隐层的深度神经网络(DNN)模型，其输入为m个电站运行参数，例如设备温度、输出功率、伏安特性等。定义k个常见缓变故障类型，如逆变器异常、汇流箱异常、组件损坏或遮挡、线路故障等，并依据历史数据存在有部分观测矩阵A∈Am×k，该矩阵反应某参数输入集合是否与某缓变故障相关。根据输入参数的N层自编码将观测输入投影到小于k维度的隐空间，后在输出空间对应不同故障类型来判断输入是否对应某个缓变故障。形式化地说，对于给定的输入参数xm，即为m个电站运行参数，标签为ρm，ρm＝1，2，…，M，构建网络为[Net，Tr]＝Feedforward(θ；H1，H2，…，HN；xm)，其中θ＝{W，b}，W为权值矩阵，b为偏置向量，H1，H2，…，HN为各隐层神经元的个数。各层的编码器对输入样本特征进行逐层抽取：并在网络顶层增加一个分类器层，利用BP算法对整个网络参数进行修正，并获得输出对应预测结果，即为故障类型或无故障。步骤2)通过模型的为实时仿真，计算测试样本归属不同类的概率，利用softmax对样本进行分类为经过特征提取之后的实际输出；Classification(m)表示第m个测试样本的分类标签，即诊断出的测试样本符合哪种缓变故障类型的早期特征。通过主元分析的方式将故障特征从多为向量集成为一位特征变量，即将多维向量分析后得到的平方预测误差统计量用来定义故障演变标尺。分析之前DNN模型所抽取的多组数据的第N各隐层特征，分为正常运行特征hNormal和故障运行特征hAbnormal，依据正常特征hNormal建立主元模型，并获取控制限δ，再依据故障特征计算得故障数据平方预测误差统计量的值，并作平滑处理其中t＝1，2，…，M，w为由平滑窗口内所包含样本个数所定义得窗口长度。将与δ得差值处于tstart和tfailure间的部分构建为缓变故障的演变标尺Rs。tstart是利用深度学习获得的早期故障检出时刻，视为检出点，tfailure则是浅层神经网络所检出的故障发生实际时刻，是为故障点。将故障时刻的剩余寿命记作0，得到剩余寿命预测的表达为RUL(t)＝tfailure-t,结合演变标尺R的误差修正，得到非线性剩余寿命预测模型为RUL(t)＝f(R(t))+E(R(t))，其中误差修正定义为E(R(t))＝RUL(Rs(t))-f(Rs(t))。步骤3)在线上模型实时运行中，会先对在线数据做深层特征抽取，得到高维特征hRuntime，再利用主元分析做特征融合，得到主要故障特征量，最后依据带修正的实时剩余寿命预测模型给出当前运行状态下的故障预测。本专利技术通过基于自编码器的深度神经网络，对光伏电站的缓变故障的早期特征进行了挖掘，并建立了故障早期特征与设备剩余寿命间的关系模型，从本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的光伏电站缓变故障监测方法，其特征在于，通过离线构建故障预测模型，并使用预处理后的历史数据，根据已知故障类型对应的样本数据建模并对模型进行训练和测试，然后通过该故障预测模型实时对整个光伏电站受监控的所有设备进行实时故障监测，提交结果的同时对故障预测模型进行持续线上更新；所述的离线构建是指：通过训练分离出不同故障类型的早期故障特征量，确定正常运行情况的控制限和异常情况下的统计量，结合主元分析的方法，简化主要的早期特征量集合，并作相应的故障分类，形成不同故障类型的故障演变标尺，进而得到故障预测模型；所述的早期故障特征量是指：在设备未进入实际故障且运行状况异于健康状态时所呈现的特征量；所述的故障预测模型具体为含有若干隐层的深度神经网络模型。

【技术特征摘要】
1.一种基于深度神经网络的光伏电站缓变故障监测方法，其特征在于，通过离线构建故障预测模型，并使用预处理后的历史数据，根据已知故障类型对应的样本数据建模并对模型进行训练和测试，然后通过该故障预测模型实时对整个光伏电站受监控的所有设备进行实时故障监测，提交结果的同时对故障预测模型进行持续线上更新；所述的离线构建是指：通过训练分离出不同故障类型的早期故障特征量，确定正常运行情况的控制限和异常情况下的统计量，结合主元分析的方法，简化主要的早期特征量集合，并作相应的故障分类，形成不同故障类型的故障演变标尺，进而得到故障预测模型；所述的早期故障特征量是指：在设备未进入实际故障且运行状况异于健康状态时所呈现的特征量；所述的故障预测模型具体为含有若干隐层的深度神经网络模型。2.根据权利要求1所述的光伏电站缓变故障监测方法，其特征是，所述的早期故障特征量包括：运行发热量、功耗、输出功率。3.根据权利要求1所述的光伏电站缓变故障监测方法，其特征是，所述的主元分析是指：从多个故障可能的特征量中提取整合少数几个综合指标，将高维深层特征集成为一维的主要故障特征量，实现数据集的简化。4.根据权利要求1所述的光伏电站缓变故障监测方法，其特征是，所述的故障分类是指：通过计...

【专利技术属性】
技术研发人员：孔璐，饶若楠，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31