一种基于迁移学习的光伏电站故障智能诊断方法技术

本发明专利技术公开一种基于迁移学习的光伏电站故障智能诊断方法，包括如下步骤：S1、采集光伏电站历史运行数据，并对所采集的数据进行预处理；S2、获取光伏发电功率的关键影响因素；S3、根据所述关键影响因素从预处理后的光伏电站历史运行数据中选取训练样本集，并基于LSTM构建光伏发电功率预测模型，通过训练样本集对所述光伏发电功率预测模型进行训练；S4、基于训练好的光伏发电功率预测模型，采用迁移学习方法对光伏电站进行故障诊断。本发明专利技术能够智能高效的对光伏组件进行故障诊断。

【技术实现步骤摘要】
一种基于迁移学习的光伏电站故障智能诊断方法
本专利技术涉及光伏电站故障诊断
，特别是涉及一种基于迁移学习的光伏电站故障智能诊断方法。
技术介绍
近年来，伴随社会的高速发展，传统能源日益供需失衡。传统化石燃料发电对环境造成的污染越发严峻，生态破坏严重，成为世界各国重点关注的领域。在巨大的能源缺失和环境污染的压力下，风能、太阳能、潮汐能等有利于人与自然和谐发展的新能源的开发与利用得到大幅度推广。其中太阳能清洁环保，资源充足且容易获取，光伏发电技术被认为是最有前途的发电方式之一，具有广阔的应用市场。光伏电站发电具有明显的波动性和间歇性，大规模光伏电站并网会给电力系统的稳定运行和安全带来巨大的挑战。准确预测光伏电站的输出功率，能够提高光伏电站运营效率，帮助调度部门调整运行方式，保障光伏并网后电力系统的安全稳定。现阶段，光伏电站中光伏组件所占投资比重仍较大，约占总造价40％左右。理论上，光伏组件的使用寿命一般为20至25年，但是光伏电站通常安装在环境比较恶劣的室外，容易发生各种故障，这直接影响了光伏系统的正常发电，甚至会造成火灾等毁灭性灾害本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的光伏电站故障智能诊断方法，其特征在于，包括如下步骤：/nS1、采集光伏电站历史运行数据，并对所采集的数据进行预处理；/nS2、获取光伏发电功率的关键影响因素；/nS3、根据所述关键影响因素从预处理后的光伏电站历史运行数据中选取训练样本集，并基于LSTM构建光伏发电功率预测模型，通过训练样本集对所述光伏发电功率预测模型进行训练；/nS4、基于训练好的光伏发电功率预测模型，采用迁移学习方法对光伏电站进行故障诊断。/n

【技术特征摘要】
1.一种基于迁移学习的光伏电站故障智能诊断方法，其特征在于，包括如下步骤：
S1、采集光伏电站历史运行数据，并对所采集的数据进行预处理；
S2、获取光伏发电功率的关键影响因素；
S3、根据所述关键影响因素从预处理后的光伏电站历史运行数据中选取训练样本集，并基于LSTM构建光伏发电功率预测模型，通过训练样本集对所述光伏发电功率预测模型进行训练；
S4、基于训练好的光伏发电功率预测模型，采用迁移学习方法对光伏电站进行故障诊断。


2.根据权利要求1所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S1中，光伏电站历史运行数据包括历史发电功率数据、光伏组件电参数数据、气象数据，数据采样间隔为30分钟。


3.根据权利要求1所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S2中，采用皮尔逊相关性分析方法获取光伏发电功率的关键影响因素。


4.根据权利要求1所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S3具体包括如下步骤：
S3.1、根据所述关键影响因素从预处理后的光伏电站历史运行数据中选取训练样本集；
S3.2、基于LSTM构建光伏发电功率预测模型；
S3.3、设定光伏发电功率预测模型的参数，并通过训练样本集对光伏发电功率预测模型进行训练及优化；
S3.4、测试光伏发电功率预测模型的预测准确性。


5.根据权利要求4所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S3.1中，训练样本集包括气象数据、电气数据。


6.根据权利要求5所述的基于迁移学习的光伏电站故障智能诊断方法，其特...

【专利技术属性】
技术研发人员：汪飞，胡杉，朱文浩，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海;31