【技术实现步骤摘要】
本专利技术公开了一种基于人工智能的光伏阵列故障诊断方法及装置，属于光伏发电故障诊断领域。
技术介绍
1、光伏发电技术旨在将太阳能转化为清洁再生能源，具备地域无限制、规模灵活和环保等优势。然而，由于光伏组件工作在复杂的室外环境中，容易出现各类故障，如短路、开路、异常老化、以及受到树木或建筑物遮挡而引发的遮阴问题，甚至还会出现复合故障的情况。这些故障不仅导致发电功率降低，还可能引起光伏组件损坏，从而影响整个系统性能，增加了维护成本和安全风险。因此，及时发现光伏阵列的故障、准确识别故障类型，并采取相应措施以恢复其正常运行，对于提升光伏发电系统的可靠性和稳定性至关重要。
2、目前,国内外学者对光伏阵列的故障诊断研究分为物理检测法、功率损失法、i-v曲线法、时序电压电流法。物理检测法即通过热成像、通电、照射、超声波等物理手段，研究和分析故障组件的物理特性，无需接触，能快速侦测存在故障，但难以有效实现故障分类，检测设备昂贵，维护成本高，且受环境影响，因此难以大规模应用；功率损失法是通过计算输出电压、电流和功率理论值和实际值之间的差值，作为诊断算法的输入数据以实现故障诊断，检测灵敏度高，可实时检测故障，但设备安装严格，十分依赖仿真模型的精度，要不断更新仿真模型以适应光伏设备老化；i-v曲线法是通过计算光伏阵列i-v曲线中内外特征参数的差异性，进而通过智能算法实现故障诊断，能够识别的故障类型众多，还能够辨识阵列的积灰程度，但依赖算法的准确率，且需要大量故障数据集；时序电压电流法是通过信号分解或自编码等算法实现故障特征提取，再通过设定
技术实现思路
1、针对现有技术存在的问题，本专利技术提供一种基于人工智能的光伏阵列故障诊断方法及装置，通过核主成分分析(kpca)的基于核函数的非线性降维方法，先将故障样本映射到高维空间，再在高维空间中使用线性降维的方法，提取光伏阵列故障诊断模型输入的样本特征主成分；冠豪猪优化算法(crested porcupine optimizer,cpo)能够对卷积神经网络(cnn)的超参数进行寻优，提高故障诊断cnn模型的准确率。
2、本专利技术的技术方案如下：
3、一种基于人工智能的光伏阵列故障诊断方法，包括如下步骤：
4、步骤s1、获取光伏阵列在正常运行状态下与故障运行状态下的电气参数、辐照度及温度；
5、步骤s2、对上述步骤s1获取的数据进行kpca降维和归一化处理，将处理后的数据作为训练集；
6、步骤s3、构建cnn光伏阵列故障诊断模型，利用冠豪猪优化算法cpo优化cnn超参数，并将步骤s2中的训练集作为输入，训练优化后的cnn故障诊断模型，将正常状态或故障运行状态作为输出，得到cpo-cnn故障诊断模型；
7、步骤s4、获取光伏阵列故障待诊断数据，利用kpca降维并归一化后输入至步骤s3所述训练后的cpo-cnn故障诊断模型中，输出光伏阵列故障类型。
8、优选地，上述步骤s1中电气参数包括：最大功率点电压、最大功率点电流、最大功率、开路电压、短路电流、填充因子。
9、优选地，上述步骤s2包括如下步骤：
10、(3-1)kpca降维原理是将x＝(x1,x2,...,xn)t映射到高维特征空间中。核矩阵k为：
11、k＝(kij)n×n (1)
12、其中，核函数kij＝[(xit·xj)+r]p
13、式中，r为平移参数，是常数项；p为多项式的阶数，取1～10之间的整数；xi和xj为数据序列；n为数据维度。
14、(3-2)中心化核矩阵为：
15、
16、其中，
17、式中，l是n×n的单位矩阵。
18、(3-3)再计算中心化核矩阵的特征值λ1,λ2,...λn和对应的特征向量v1,v2,...vn，对特征值按降序排列，根据设定的降维后维度m，选取m个最大的特征值及其对应的特征向量，记为vm＝(v1,v2,...vm)，利用中心化核矩阵与vm相乘，即得到降维后的数据矩阵x'为：
19、
20、式中，为低维到高维的映射。
21、(3-4)利用归一化公式对得到的降维数据进行最大最小归一化处理，全部映射到[0,1]，所述归一化公式为：
22、
23、式中，x*为归一化后的数据；x为原始数据；xmin、xmax分别为样本数据的最小值、最大值。
24、优选地，上述步骤s3中，采用一维卷积神经网络(1d-cnn)，主要由输入层、卷积层、池化层、全连接层和输出层组成，卷积层用于提取数据特征，池化层减少参数数量并减少计算量，通过激活函数softmax进行分类，输出层输出分类结果；
25、softmax分类器位于全连接层之后，通过softmax函数就可以将多分类的输出值转换为范围在[0,1]且和为1的概率分布，最终模型得出每一个样本对应的分类情况，概率最高的即为该样本最终分类出的故障类型，表达式为：
26、
27、式中，zi为第i个节点的输出值；c为输出节点的个数，即分类的类别个数；i＝1,2,...,c；
28、所述豪猪优化算法步骤如下：
29、步骤s301：初始化cpo(豪猪优化)算法参数及cnn超参数寻优范围并随机生成豪猪种群；
30、步骤s302:初始化豪猪位置，每只豪猪的位置由对应的cnn超参数组成；
31、步骤s303：将超参数输入至cnn，并使用训练数据集对其进行训练，计算出每只豪猪所对应的适应度值；
32、步骤s304:根据每只豪猪的适应度值大小进行排序并得到当前最优冠豪猪位置；
33、步骤s305:对豪猪的适应度值和最优位置不断进行更新计算并重新排序；
34、步骤s306:每迭代一次，利用循环种群减少技术(cpr)更新种群数量；当种群迭代次数达到最大迭代次数或适应度达到要求时，输出豪猪最优位置所对应的参数即为cnn超参数的最优值；
35、步骤s307:利用cnn超参数的最优解建立模型，得到所述训练后的kpca-cpo-cnn人工智能故障诊断模型。
36、优选地，上述cnn超参数包括批大小、学习率、正则化系数、两卷积层的核大小和数量。
37、使用训练集分类错误率作为适应度函数，按照下式计算每只豪猪所对应的适应度值：
38、
39、式中，trainright为训练集正确诊断个数，traintotal为训练集总数。
40、优选地，上述豪猪优化算法具体步骤为：
41、(7-1)初始化cpo算法参数包括种群规模n、最大迭代次数tmax、自变量个数m、自变量上限自变量下限目标函本文档来自技高网...
【技术保护点】
1.一种基于人工智能的光伏阵列故障诊断方法，其特征在于包括如下步骤：
2.根据权利要求1所述的一种基于人工智能的光伏阵列故障诊断方法，其特征在于，所述步骤S1中电气参数包括：最大功率点电压、最大功率点电流、最大功率、开路电压、短路电流、填充因子。
3.根据权利要求1所述的一种基于人工智能的光伏阵列故障诊断方法，其特征在于，所述步骤S2包括如下步骤：
4.根据权利要求1所述的一种基于人工智能的光伏阵列故障诊断方法，其特征在于，所述步骤S3中，采用一维卷积神经网络(1D-CNN)，主要由输入层、卷积层、池化层、全连接层和输出层组成，卷积层用于提取数据特征，池化层减少参数数量并减少计算量，通过激活函数Softmax进行分类，输出层输出分类结果；
5.根据权利要求4所述的一种基于人工智能的光伏阵列故障诊断方法，其特征在于，所述CNN超参数包括批大小、学习率、正则化系数、两卷积层的核大小和数量。
6.根据权利要求4所述的一种基于人工智能的光伏阵列故障诊断方法，其特征在于，使用训练集分类错误率作为适应度函数，按照下式计算每只豪猪所对
7.根据权利要求4所述的一种基于人工智能的光伏阵列故障诊断方法，其特征在于，所述豪猪优化算法具体步骤为：
8.根据权利要求4所述的一种基于人工智能的光伏阵列故障诊断方法，其特征在于，所述循环种群减少技术的数学模型如下：
9.一种基于人工智能的光伏阵列故障诊断装置，其特征在于，包括：
10.一种基于人工智能的光伏阵列故障诊断装置，包括处理器以及存储器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于执行所述计算机程序以执行如权利1～8中任意一项所述方法。
...【技术特征摘要】
1.一种基于人工智能的光伏阵列故障诊断方法，其特征在于包括如下步骤：
2.根据权利要求1所述的一种基于人工智能的光伏阵列故障诊断方法，其特征在于，所述步骤s1中电气参数包括：最大功率点电压、最大功率点电流、最大功率、开路电压、短路电流、填充因子。
3.根据权利要求1所述的一种基于人工智能的光伏阵列故障诊断方法，其特征在于，所述步骤s2包括如下步骤：
4.根据权利要求1所述的一种基于人工智能的光伏阵列故障诊断方法，其特征在于，所述步骤s3中，采用一维卷积神经网络(1d-cnn)，主要由输入层、卷积层、池化层、全连接层和输出层组成，卷积层用于提取数据特征，池化层减少参数数量并减少计算量，通过激活函数softmax进行分类，输出层输出分类结果；
5.根据权利要求4所述的一种基于人工智能的光伏阵列故障诊断方法，其...
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。