一种基于深度学习的太阳能光伏电池板故障检测方法技术

本发明专利技术公开了一种基于深度学习的太阳能光伏电池板故障检测方法。本方法先对采集到的光伏电池板时序电流数据进行数据清洗后，对处理后的电流数据分别进行横向、纵向特征提取，将提取到的特征与原电池板电流值生成检测数据集，之后将数据集先通过卷积神经网络得到电流数据深层次特征，再通过长短期记忆模型学习训练数据时间维度上的特征，最终以完成对光伏组件的故障检测。本发明专利技术通过对电站海量电流数据进行实验验证，证明了本方法在对光伏电池板进行故障检测时具有的90%以上的准确率，同时具有在电站部署投入使用的实用性和便利性。

A Fault Detection Method for Solar Photovoltaic Panels Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的太阳能光伏电池板故障检测方法
本专利技术涉及太阳能光伏电池板故障检测领域，尤其是涉及一种基于深度学习的太阳能光伏电池板故障检测方法。
技术介绍
近些年，由于传统化石能源造成的环境污染问题越来越严重，清洁能源如太阳能的需求量越来越大，越来越多的光伏电站平地而起，随之光伏电站在日常运转中所遇到的问题也随之增加。光伏电站通常建设在人迹罕至、环境条件恶劣的荒郊野地，一个电站通常占地上千亩，拥有上千万块的光伏组件，但电站日常运营维护人员往往不超过十人左右，而且由于光伏组件的故障多种多样，准确定位与判别光伏组件故障类型，对提高电站工作人员工作效率，进一步提高光伏发电系统的运行效率及降低发电成本具有重要意义。近些年来，国内外专家学者多通过对光伏组件发电系统进行数学建模及对光伏组件发电时电池板图像采用图像分析识别的角度，来针对某种特定光伏组件故障类型进行诊断。当前针对光伏组件故障诊断的类型主要分为在线诊断、离线诊断、以及基于神经网络的检测几大类别。在线诊断的方法主要有红外图像检测法、多传感器法参数估算法等；离线诊断法主要有时域反射分析法与对地电容测量法等；神经网络的检测有基于BP神经网络的检测方法。通常情况下，光伏公司会在不同的地理位置建立多个光伏电站运营。这些光伏电站由于建设时期的不同，采购的设备规格种类存在很大的差异性，即使是在同一光伏电站中，随着设备的损耗而造成的大量光伏组件更替，也会造成同一电站中的设备新旧混杂，并且同一汇流箱下的支路之间，在同一时间段内的电流数据也会因设备损耗的不同而存在明显差异。因此基于光伏阵列数学建模的方法不能十分精确的对大规模的光伏阵列进行很好的检测。同时电站经常建设在环境条件恶劣的郊外，这对于及时、安全、准确的获得光伏组件红外图像造成很大的困难。而且，基于经济因素的考虑，光伏公司不可能再全部为已经建成投入使用多年的光伏电站更新、增设多种传感器及新的数据采集设备，所以多传感器的方法无法适用于现有电站。本专利技术提出了一种基于CNN-LSTM的深度学习模型，仅需要使用电站采集到的基本电流数据，就可以很好的检测出故障光伏组件的位置及故障类型。同时，由于在实际使用中是使用训练好的深度学习模型进行检测，检测效率上要大大优于需要进行大量数学运算的基于数学建模的检测方法及需要采集图像的图像识别方法。本专利技术需要使用的数据类型少，数据获取方便，针对大规模光伏阵列计算速度快，利用光伏电站现有设备进行检测，无需增加额外设备，适用于已经投入使用的大规模光伏电站故障检测。
技术实现思路
本专利技术提供了一种基于深度学习的太阳能光伏电池板故障检测方法，实现过程为：步骤一：获取太阳能光伏电池板运行产生的电流数据集，对电流数据集进行降采样处理，根据太阳能光伏电池板每日的电流数据绘制成电流曲线图，根据电流曲线图制作出对应支路的标签数据集；步骤二：对电流数据集进行数据清洗，对电流数据集进行横向特征与纵向特征的提取，制作得到训练数据集与测试数据集；步骤三：使用CNN-LSTM模型进行学习训练，根据模型训练完成时的损失函数值与正确率以及验证测试数据集得到的正确率，对模型的结构与参数进行调整与优化；步骤四：使用实际光伏电站运行产生的电流数据对模型进行反复的验证与优化。其中，在根据电流曲线图制作出对应支路的标签数据集的步骤中，包括：根据支路运行时实际采集到的电流数据表现形式，将支路的运行状态分为六类，并基于六类进行标签数据集的制作。其中，六类标签分别是：1、正常发电，电流曲线表现为随着一天中时间的变化而近似表现为正态曲线；2、通讯故障，电流曲线多表现为无规律变化，或者存在明显脱离一般常识的电流值点；3、直角突变，电流曲线表现为在正常发电过程中，电流值突降到0不再恢复正常，存在突发性故障；4、组件修理，电流曲线表现为同一汇流箱下某条异常支路的电流曲线从零值恢复到正常发电；5、电流持平，电流持平一般分为两种，一种表现为电流值在零点持平，另一种表现为电流值持平在某任意点；6、电流低，同一汇流箱下某条支路运行时电流值总是比同汇流箱下其他支路电流低0.5A及以上。其中，对电流数据集进行数据清洗，对电流数据集进行横向特征与纵向特征的提取，制作得到训练数据集与测试数据集的步骤包括：将以秒为单位获得的二十四小时电流数据采样为以分钟为单位、区间为上午8点至下午6点的电流采样点，得到的每天电流数据为600个点；将单个汇流箱下的15条支路作为一个单位，将15条支路每一分钟的电流值当做一个电流组数据，每天的600采样点作为一个时间步长，即（600，15）；将每一时间步下的电流数据组进行横向特征的提取，在提取特征时，清洗掉大幅度偏离常理的电流值，补以0值代替；纵向特征的提取使用一阶差分，提取单条支路一天内随时间与太阳辐照的变化而变化的电流变化率；横向特征提取任一采样点时，同一汇流箱下15条支路中组成的数据组的电流平均值、最大值、方差、最小值、标准差，横向特征用以表示某一时刻时，汇流箱下支路发电电流的理想数值；将上述一个时间步提取到的特征与待检测支路这一时刻点的电流值组合起来，得到同一时间步下输入模型的电流数据。其中，使用CNN-LSTM模型对电流数据进行学习训练的步骤中，使用处理好的三维数据集（N，600,7），进入一个两层的卷积神经网络模型进行提取特征，得到向量（N，150,64）；将卷积模型输出的向量输入一个三层的长短期记忆模型进行训练，训练学习后的数据（N，64）进入一个全连接层后得到一维的输出，与数据标签计算损失函数值后，模型开始反向传播，调整整个模型内部的参数值。其中，在使用实际光伏电站运行产生的电流数据对模型进行反复的验证与优化时，使用不同光伏阵列区域与不同发电时期的电流数据对模型进行验证与优化。区别于现有技术，本专利技术提供的基于深度学习的太阳能光伏电池板故障检测方法，从光伏组件运行时采集到的电流表现形式作为对光伏组件故障进行分类的依据，使用CNN-LSTM的深度学习模型结构进行训练学习。本方法在大样本数据集上进行验证测试后，如表1显示，正确率可以达到92%，并且在得到训练好的模型后在使用过程中省去了花费大量时间的训练过程，可以在实际电站故障问题检测中较好的投入使用，不需要额外在电站中架设设备，运行速度快，避免了现存的一些方法需要在电站中添加额外数据采集设备的缺点，克服了现存方法仅仅只能针对几种故障进行检测的弊端，符合电站日常使用需要。附图说明图1为本专利技术提供的一种基于深度学习的太阳能光伏电池板故障检测方法的光伏阵列结构图。图2为本专利技术提供的一种基于深度学习的太阳能光伏电池板故障检测方法的流程示意图。图3为本专利技术提供的一种基于深度学习的太阳能光伏电池板故障检测方法的数据集处理示意图。图4为本专利技术提供的一种基于深度学习的太阳能光伏电池板故障检测方法的模型结构示意图。具体实施方式下面结合具体实施方式对本专利技术的技术方案作进一步更详细的描述。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。参阅图1，图1是本专利技术提供的一种基于深度学习的太阳能光伏电池板故障检测方法的流程示意图。该方法的步骤包括：步骤一本文档来自技高网...

【技术保护点】
1.一种基于深度学习的太阳能光伏电池板故障检测方法，其特征在于：步骤一：获取太阳能光伏电池板运行产生的电流数据集，对电流数据集进行降采样处理，根据太阳能光伏电池板每日的电流数据绘制成电流曲线图，根据电流曲线图制作出对应支路的标签数据集；步骤二：对电流数据集进行数据清洗，对电流数据集进行横向特征与纵向特征的提取，制作得到训练数据集与测试数据集；步骤三：使用CNN‑LSTM模型进行学习训练，根据模型训练完成时的损失函数值与正确率以及验证测试数据集得到的正确率，对模型的结构与参数进行调整与优化；步骤四：使用实际光伏电站运行产生的电流数据对模型进行反复的验证与优化。

【技术特征摘要】
1.一种基于深度学习的太阳能光伏电池板故障检测方法，其特征在于：步骤一：获取太阳能光伏电池板运行产生的电流数据集，对电流数据集进行降采样处理，根据太阳能光伏电池板每日的电流数据绘制成电流曲线图，根据电流曲线图制作出对应支路的标签数据集；步骤二：对电流数据集进行数据清洗，对电流数据集进行横向特征与纵向特征的提取，制作得到训练数据集与测试数据集；步骤三：使用CNN-LSTM模型进行学习训练，根据模型训练完成时的损失函数值与正确率以及验证测试数据集得到的正确率，对模型的结构与参数进行调整与优化；步骤四：使用实际光伏电站运行产生的电流数据对模型进行反复的验证与优化。2.根据权利要求1所述的基于深度学习的太阳能光伏电池板故障检测方法，其特征在于：在根据电流曲线图制作出对应支路的标签数据集的步骤中，包括：根据支路运行时实际采集到的电流数据表现形式，将支路的运行状态分为六类，并基于六类进行标签数据集的制作。3.根据权利要求2所述的基于深度学习的太阳能光伏电池板故障检测方法，其特征在于：六类标签分别是：1、正常发电，电流曲线表现为随着一天中时间的变化而近似表现为正态曲线；2、通讯故障，电流曲线多表现为无规律变化，或者存在明显脱离一般常识的电流值点；3、直角突变，电流曲线表现为在正常发电过程中，电流值突降到0不再恢复正常，存在突发性故障；4、组件修理，电流曲线表现为同一汇流箱下某条异常支路的电流曲线从零值恢复到正常发电；5、电流持平，电流持平一般分为两种，一种表现为电流值在零点持平，另一种表现为电流值持平在某任意点；6、电流低，同一汇流箱下某条支路运行时电流值总是比同汇流箱下其他支路电流低0.5A及以上。4.根据权利要求1所述的基于深度学习的太阳能光伏电池板故障检测方法，其特征在于：对电...

【专利技术属性】
技术研发人员：陈泽华，程起泽，刘晓峰，赵哲峰，蒋文杰，薛军，沈亮，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14