本发明专利技术提供一种光伏组串故障诊断方法及系统,方法包括:S1:通过逆变器定时采集光伏组串IV数据,并将IV数据储存至第一数据库;S2:构建异常数据过滤模型,并通过其将第一数据库中的IV数据进行聚类,分为正常数据和异常数据,将正常数据存储至第二数据库内,并丢弃异常数据;S3:分析第二数据库中的IV数据,获取每条IV数据特征;S4:通过IV数据特征对第二数据库的IV数据进行标注;S5:将标注好的IV数据处理成预设数据结构,并将其存储至第三数据库;S6:通过Transformer深度神经网络构建故障诊断模型,使用第三数据库内的数据训练故障诊断模型;S7:使用计算机编程语言调用异常数据过滤模型和故障诊断模型,以获得诊断结果。本发明专利技术提高故障诊断准确率。
【技术实现步骤摘要】
本专利技术涉及光伏发电,尤其涉及一种光伏组串故障诊断方法及系统。
技术介绍
1、近年来,太阳能光伏发电产业发展迅猛,光伏并网、光伏逆变器以及光伏组串等技术也迅速发展。光伏发电的能量源头是由若干块光伏组串通过串联或者并联的方式组成的光伏阵列,而未来光伏并网发电的趋势将是大型或者是特大型的电站,这些大型电站通常很少有人值守甚至是无人值守。作为光伏发电系统的核心,光伏面板是一种必须长期处在室外环境下的发电装置。空气中的灰尘落在光伏组串表面,会导致组件接受的阳光减少,热斑损坏不易被发现,大风、积雪导致的组件倒塌,不容易被及时发现,这些都导致发电量减少,影响经济效益,在无需投入大量运维成本的基础上研究光伏阵列在不同复杂环境下的故障检测是一个亟待解决的问题。
2、iv曲线可以提取出一些光伏阵列简单的电气参数(开路电压(voc),短路电流(isc),最大功率点电压(vmpp)、最大功率点电流(impp)以及填充因子(f)等),是一种检测光伏组串故障有效的方法。然而,传统的iv曲线故障诊断大多是依靠电站工作人员定期在电站现场进行巡检的方法,然而,这种方法所需电站工作人员多,人力成本较高,并且针对大规模电站,工作人员的检测的工作量大、不容易检全、检测效率低。当然,也有一些采用数值求解或近似解析的方法,无需工作人员进行现场巡检,且系统能够自动分析获得的iv曲线,检测出光伏阵列的运行状态,然而,使用这种方法检测的准确率却无法得到保障。
3、有鉴于此,确有必要提供一种光伏组串故障诊断方法及系统,以解决上述问题。
技术实现思路
1、本专利技术的目的在于提供一种光伏组串故障诊断方法及系统,该方法不仅能够减少对于无用数据的标注,还能提高故障诊断准确率,从而为后续诊断模型提供数据的可靠性。
2、为实现上述目的,本专利技术提供了一种光伏组串故障诊断方法,包括:
3、s1:通过逆变器定时采集光伏组串iv数据,并将获取的所述iv数据储存至第一数据库;
4、s2:构建异常数据过滤模型,将所述第一数据库中的iv数据通过所述异常数据过滤模型进行聚类,分为正常数据和异常数据,将所述正常数据存储至第二数据库内,并丢弃所述异常数据;
5、s3:分析所述第二数据库中的iv数据,获取每条所述iv数据的特征,通过所述iv数据的特征对所述第二数据库的iv数据进行标注;
6、s4:将标注好的iv数据处理成预设数据结构,并将所述预设数据结构的数据存储至第三数据库;
7、s5:通过transformer深度神经网络构建故障诊断模型,使用所述第三数据库内的数据训练故障诊断模型;
8、s6:使用计算机编程语言调用所述异常数据过滤模型和所述故障诊断模型,以获得诊断结果。
9、作为本专利技术的进一步改进,所述异常数据过滤模型通过dbscan聚类算法构建。
10、作为本专利技术的进一步改进,所述s3包括:
11、s31:对所述第二数据库中的每条iv数据进行非线性曲线拟合,并获取所述iv数据非线性曲线拟合后的各项曲线特征;
12、s32:把所述各项曲线特征加入所述第二数据库内对应的iv数据中;
13、s33:通过dbscan算法对所述第二数据库中每条iv数据分别进行聚类;
14、s34:对聚类后分成不同簇的iv数据进行标注。
15、作为本专利技术的进一步改进,所述各项曲线特征包括短路电流值、开路电压值、峰值功率、最佳电流、最佳电压以及填充因子。
16、作为本专利技术的进一步改进,所述s33包括:
17、s331:找到所述第二数据库中所有的核心对象;
18、s332:任意选取一个未遍历的核心对象,并创建一个新簇,所述核心对象及其邻域范围内的其他数据组成一级集合,将所述一级集合中的所有数据加入所述新簇;
19、s333:遍历所述一级集合中未创建新簇的其他核心对象,将其他核心对象及其邻域范围内还未被遍历的其他数据组成二级集合,将所述二级集合中的所有数据加入所述新簇,直至加入所述新簇中的所有核心对象都被遍历;
20、s334:重新选择一个未被遍历的核心对象,重复步骤s331~s333,直至第二数据库中所有核心对象均被遍历完成。
21、作为本专利技术的进一步改进,所述核心对象通过设定算法参数获取,所述算法参数包括邻域和最小样本数,若一个数据的邻域范围存在的其他数据大于等于最小样本数,则称该数据为核心对象。
22、作为本专利技术的进一步改进,所述s34中对数据进行标注为将不同的数字一一对应地添加到不同簇的iv数据内,作为所述iv数据的标签。
23、作为本专利技术的进一步改进,所述方法还包括s7:所述标签与故障库中的故障一一映射,所述故障库根据所述标签的信息,查找到与所述标签映射的故障,并给出与所述故障对应的修复建议。
24、作为本专利技术的进一步改进,所述故障模型包括电路短路、光伏板遮挡、玻璃碎裂、热斑中的至少一种。
25、为实现上述目的,本专利技术还提供了一种光伏组串故障诊断系统,适用上述光伏组串故障诊断方法,包括:
26、逆变器,用于采集光伏组串的iv数据;
27、数据获取模块,用于从所述逆变器定时获取iv数据并存储至第一数据库;
28、数据分析模块,用于分析获得各个所述iv数据的特征;
29、分类模块,用于将第一数据库中的数据分成正常数据和异常数据;
30、第一存储模块,用于存储第一数据库的数据;
31、第二存储模块,用于存储第二数据库的数据;
32、第三存储模块,用于存储第三数据库的数据;
33、标注模块,用于通过所述iv数据的特征对所述第二数据库的数据进行标注;
34、数据处理模块,用于将第二数据库内的数据预处理为预设数据结构;
35、第一模型构建模块,用于构建dbscan异常数据分类模型;
36、第二模型构建模块,用于构建深度神经网络transformer故障诊断模型;
37、计算机编程语言,用于调用所述异常数据过滤模型和所述故障诊断模型,以获得诊断结果;
38、故障库,用于存储与标签对应的各类故障及修复建议。
39、本专利技术的有益效果是:本专利技术的一种光伏组串故障诊断方法及系统,通过构建异常数据过滤模型,先将第一数据库中的iv数据通过异常数据过滤模型进行聚类后,丢弃掉异常数据,不仅能够减少对于无用数据的标注,还能提高故障诊断准确率,从而为后续诊断模型提供数据的可靠性。另外,通过transformer深度神经网络构建故障诊断模型,能够提高障诊断模型的训练速度,提取到的特征数量多,得到的诊断结果准确率高。
本文档来自技高网...
【技术保护点】
1.一种光伏组串故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的光伏组串故障诊断方法,其特征在于:所述异常数据过滤模型通过DBSCAN聚类算法构建。
3.根据权利要求1所述的光伏组串故障诊断方法,其特征在于,所述S3包括:
4.根据权利要求3所述的光伏组串故障诊断方法,其特征在于:所述各项曲线特征包括短路电流值、开路电压值、峰值功率、最佳电流、最佳电压以及填充因子。
5.根据权利要求3所述的光伏组串故障诊断方法,其特征在于:所述S33包括:
6.根据权利要求5所述的光伏组串故障诊断方法,其特征在于:所述核心对象通过设定算法参数获取,所述算法参数包括邻域和最小样本数,若一个数据的邻域范围存在的其他数据大于等于最小样本数,则称该数据为核心对象。
7.根据权利要求1所述的光伏组串故障诊断方法,其特征在于:所述S34中对数据进行标注为将不同的数字一一对应地添加到不同簇的IV数据内,作为所述IV数据的标签。
8.根据权利要求7所述的光伏组串故障诊断方法,其特征在于,所述方法还包括S7:所述标签与故障库中的故障一一映射,所述故障库根据所述标签的信息,查找到与所述标签映射的故障,并给出与所述故障对应的修复建议。
9.根据权利要求1所述的光伏组串故障诊断方法,其特征在于:所述故障模型包括电路短路、光伏板遮挡、玻璃碎裂、热斑中的至少一种。
10.一种光伏组串故障诊断系统,其特征在于,适用于权利要求1~9任一项所述的光伏组串故障诊断方法,包括:
...
【技术特征摘要】
1.一种光伏组串故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的光伏组串故障诊断方法,其特征在于:所述异常数据过滤模型通过dbscan聚类算法构建。
3.根据权利要求1所述的光伏组串故障诊断方法,其特征在于,所述s3包括:
4.根据权利要求3所述的光伏组串故障诊断方法,其特征在于:所述各项曲线特征包括短路电流值、开路电压值、峰值功率、最佳电流、最佳电压以及填充因子。
5.根据权利要求3所述的光伏组串故障诊断方法,其特征在于:所述s33包括:
6.根据权利要求5所述的光伏组串故障诊断方法,其特征在于:所述核心对象通过设定算法参数获取,所述算法参数包括邻域和最小样本数,若一个数据的邻域范围存在的其他数据大于等...
【专利技术属性】
技术研发人员:朱锐,张俊,尤任阳,
申请(专利权)人:阿特斯阳光电力集团股份有限公司,
类型:发明
国别省市:
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。