【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...
【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...
【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...
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。