一种光伏储能系统在线故障诊断方法及系统技术方案

本发明专利技术涉及光伏发电领域，具体涉及一种光伏储能系统在线故障诊断方法及系统。该方法及系统包括：采集光伏储能系统的原始数据；使用数据驱动data driven和卷积神经网CNN，对原始数据进行特征提取，获取特征数据；根据特征数据对光伏储能系统进行在线故障诊断。本发明专利技术能够提高光伏储能系统在线故障诊断准确率。够提高光伏储能系统在线故障诊断准确率。够提高光伏储能系统在线故障诊断准确率。

【技术实现步骤摘要】
一种光伏储能系统在线故障诊断方法及系统


[0001]本专利技术涉及光伏发电领域，具体而言，涉及一种光伏储能系统在线故障诊断方法及系统。

技术介绍

[0002]传统的小波变换的故障诊断办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储能系统的电流电压时序曲线的特征。当同一种故障发生时，其故障程度是不同的，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。

技术实现思路

[0003]本专利技术实施例提供了一种光伏储能系统在线故障诊断方法及系统，以提高光伏储能系统在线故障诊断准确率。
[0004]根据本专利技术的一实施例，提供了一种光伏储能系统在线故障诊断方法，包括以下步骤：
[0005]S101:采集光伏储能系统的原始数据；
[0006]S102:使用数据驱动data driven和卷积神经网CNN，对原始数据进行特征提取，获取特征数据；
[0007]S103:根据特征数据对光伏储能系统进行在线故障诊断。
[0008]进一步地，在步骤S101与步骤S102之间，方法还包括：
[0009]对原始数据进行主成分分析PCA。
[0010]进一步地，对原始数据进行主成分分析PCA包括：
[0011]主成分分析PCA将高维度的光伏储能系统数据信号，降维以实现主成分的故障特征提取，将主要的特征从原始复杂多样故障信号中提取出来。
[0012]进一步地，步骤S101包括：
[0013]监测并采集光伏储能系统的原始数据，绘制变化曲线，建立光伏储能系统变化模型，收集大量的光伏储能系统数据，进行故障诊断分析，根据不同类别的故障，划分为不同的数据集。
[0014]进一步地，光伏储能系统的原始数据包括电压、电流、功率和频率信号。
[0015]进一步地，步骤S102包括：
[0016]结合数据驱动data driven和卷积神经网CNN，对原始数据进行特征提取，对数据进行建模并分析，再对数据进行图形绘制，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。
[0017]进一步地，在步骤S102中，卷积神经网络CNN首先将特征提取出来的时频图打好标
签，然后将不同类别的故障时频图输入到卷积神经网络CNN中，输出为类别标签，然后训练神经网络，最后进行测试仿真验证双向锂离子电池故障诊断。
[0018]根据本专利技术的另一实施例，提供了一种光伏储能系统在线故障诊断系统，包括：
[0019]数据采集单元，用于采集光伏储能系统的原始数据；
[0020]特征提取单元，用于使用数据驱动data driven和卷积神经网CNN，对原始数据进行特征提取，获取特征数据；
[0021]故障诊断单元，用于根据特征数据对光伏储能系统进行在线故障诊断。
[0022]一种存储介质，存储介质存储有能够实现上述任意一项光伏储能系统在线故障诊断方法的程序文件。
[0023]一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的光伏储能系统在线故障诊断方法。
[0024]本专利技术实施例中的光伏储能系统在线故障诊断方法及系统，采集光伏储能系统的原始数据；使用数据驱动data driven和卷积神经网CNN，对原始数据进行特征提取，获取特征数据；根据特征数据对光伏储能系统进行在线故障诊断，提高光伏储能系统在线故障诊断准确率。
附图说明
[0025]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0026]图1为本专利技术光伏储能系统在线故障诊断方法的流程图；
[0027]图2为本专利技术光伏储能系统在线故障诊断系统的模块图。
具体实施方式
[0028]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0029]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0030]实施例1
[0031]根据本专利技术的一实施例，提供了一种光伏储能系统在线故障诊断方法，参见图1，包括以下步骤：
[0032]S101:采集光伏储能系统的原始数据；
[0033]S102:使用数据驱动data driven和卷积神经网CNN，对原始数据进行特征提取，获取特征数据；
[0034]S103:根据特征数据对光伏储能系统进行在线故障诊断。
[0035]本专利技术实施例中的光伏储能系统在线故障诊断方法，采集光伏储能系统的原始数据；使用数据驱动data driven和卷积神经网CNN，对原始数据进行特征提取，获取特征数据；根据特征数据对光伏储能系统进行在线故障诊断，提高光伏储能系统在线故障诊断准确率。
[0036]其中，在步骤S101与步骤S102之间，方法还包括：
[0037]对原始数据进行主成分分析PCA。
[0038]其中，对原始数据进行主成分分析PCA包括：
[0039]主成分分析PCA将高维度的光伏储能系统数据信号，降维以实现主成分的故障特征提取，将主要的特征从原始复杂多样故障信号中提取出来。
[0040]其中，步骤S101包括：
[0041]监测并采集光伏储能系统的原始数据，绘制变化曲线，建立光伏储能系统变化模型，收集大量的光伏储能系统数据，进行故障诊断分析，根据不同类别的故障，划分为不同的数据集。
[0042]其中，光伏储能系统的原始数据包括电压、电流、功率和频率信号。
[0043]其中，步骤S102包括：
[0044]结合数据驱动data driven和卷积神经网CNN，对原始数据进行特征提取，对数据进行建模并分析，再对数据进行图形绘制，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。
[0045]其中，在步骤S102中，卷积神经网络CNN首先将特征提取出来的时频图打好标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏储能系统在线故障诊断方法，其特征在于，包括以下步骤：S101:采集光伏储能系统的原始数据；S102:使用数据驱动data driven和卷积神经网CNN，对原始数据进行特征提取，获取特征数据；S103:根据特征数据对光伏储能系统进行在线故障诊断。2.根据权利要求1所述的光伏储能系统在线故障诊断方法，其特征在于，在步骤S101与步骤S102之间，所述方法还包括：对原始数据进行主成分分析PCA。3.根据权利要求2所述的光伏储能系统在线故障诊断方法，其特征在于，对原始数据进行主成分分析PCA包括：主成分分析PCA将高维度的光伏储能系统数据信号，降维以实现主成分的故障特征提取，将主要的特征从原始复杂多样故障信号中提取出来。4.根据权利要求1所述的光伏储能系统在线故障诊断方法，其特征在于，步骤S101包括：监测并采集光伏储能系统的原始数据，绘制变化曲线，建立光伏储能系统变化模型，收集大量的光伏储能系统数据，进行故障诊断分析，根据不同类别的故障，划分为不同的数据集。5.根据权利要求4所述的光伏储能系统在线故障诊断方法，其特征在于，光伏储能系统的原始数据包括电压、电流、功率和频率信号。6.根据权利要求1所述的光伏储能系统在线...

【专利技术属性】
技术研发人员：郭媛君，陈云乔，杨之乐，李冰，王尧，吴承科，张豪，赵正源，王盛，
申请(专利权)人：广东碳中和研究院韶关，
类型：发明
国别省市：