CN108847686A - 一种光伏逆变器故障预测方法 - Google Patents

Abstract

本发明公开了一种光伏逆变器故障预测方法，包括如下步骤：将同一光伏发电站的光伏逆变器集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的光伏逆变器集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器，计算光伏逆变器集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现光伏逆变器故障的预测。本发明实现了光伏逆变器故障的预测，可在线运行、计算方便、无特殊要求限制，适用于不同规模的光伏逆变器集群，可移植性好，有利于检修人员建立合理有效的维修计划，确保微电网的安全稳定运行。

Description

一种光伏逆变器故障预测方法

技术领域

本发明涉及一种光伏逆变器故障预测方法，属于微电网技术领域。

背景技术

太阳能光伏发电作为一种可持续、可再生的清洁能源发电方式，已成为世界能源需求供应的重要组成部分。光伏逆变器是光伏发电系统的关键部件，其健康状态直接影响整个光伏发电系统运行的安全与稳定。随着光伏发电系统容量的不断增加，微电网对光伏逆变器的健康状态评估技术也提出了更高的要求。因此，实时监测光伏逆变器的运行状态，及时准确地预测光伏逆变器故障的发生，有利于建立合理有效的维修计划，减少不必要的断电时间，节省企业的维护费用，确保微电网的安全稳定运行。

目前，光伏逆变器的检修通常采用事后维修，检修人员难以实时掌握光伏逆变器的健康状态。通过故障预测技术可以帮助检修人员提前预判光伏逆变器可能发生故障，然而目前现有的故障预测方法大多依赖设备的全寿命周期运行数据，建立的故障预测模型也仅适用于单台设备，模型的可移植性较差，尚缺乏一种有效的可推广的光伏逆变器故障预测方法。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种光伏逆变器故障预测方法，能够准确有效地实现光伏逆变器故障的在线预测。

为达到上述目的，本发明所采用的技术方案是：一种光伏逆变器故障预测方法：

将同一光伏发电站的光伏逆变器集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的光伏逆变器集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器，计算光伏逆变器集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现光伏逆变器故障的预测；

所述光伏逆变器集群中每台光伏逆变器的历史监测信号包括：光伏逆变器输出总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度，光伏逆变器每一路PV的直流输入功率、直流电流、直流电压。

进一步的，每一采样时刻的光伏逆变器集群的主特征矩阵的具体提取方法如下：

用t₁,t₂,…,t_k表示时间序列，其中，k为大于2的一个正整数，则t_k时刻的原始特征矩阵表示为其中，m为光伏逆变器的个数，原始特征矩阵 分别表示第i台光伏逆变器第1、2、…、n路监测信号的采样值，n为每台光伏逆变器监测信号的总通道数；

构建包含输入层、隐层、输出层的三层稀疏自编码网络，网络隐层的激活值表示为a＝f(w₁x⁽ⁱ⁾+b₁)，其中，w₁表示输入层的权值矩阵，b₁表示输入层的偏移矩阵；网络输出层的值表示为h⁽ⁱ⁾＝f(w₂a+b₂)，其中w₂表示隐层的权值矩阵，b₂表示隐层的偏移矩阵；随机初始化稀疏自编码网络参数w₁、w₂、b₁、b₂；

稀疏自编码网络的总体代价函数表示为

其中，β为稀疏惩罚的权重，s₂为网络隐层神经元的个数；

其中，λ为衰减参数的权重，nl表示网络的总层数，sl表示第l层网络的神经元个数，表示连接l层第j个神经元和l+1层第i个神经元的权值；

其中，ρ为稀疏参数，表示隐层第j个神经元对输入x⁽ⁱ⁾的激活值；

训练稀疏自编码网络，即基于反向传播算法通过迭代对参数w₁、w₂、b₁、b₂进行更新，当达到设定的迭代次数时，网络训练结束，此时的网络参数即为使总体代价函数J_sparse最小的网络参数w'₁、w'₂、b'₁、b'₂；

则t_k时刻光伏逆变器集群的主特征矩阵表示为其中，第i台光伏逆变器主特征矩阵第j台光伏逆变器主特征矩阵j表示m台光伏逆变器中除第i台光伏逆变器外的任意一台光伏逆变器的序号。

进一步的，每一采样时刻的聚类中心光伏逆变器的具体搜寻方法如下：

依次计算第i台光伏逆变器的局部密度ρ_i、距离δ_i；其中，i＝1,2,…,m；m为光伏逆变器的个数；根据j≠i计算第i台光伏逆变器的局部密度ρ_i，其中，j表示m台光伏逆变器中除第i台光伏逆变器外的任意一台光伏逆变器的序号，d_ij表示第i台光伏逆变器与第j台光伏逆变器的距离，d_c表示截断距离，是事先指定的一个参数；第i台光伏逆变器与第j台光伏逆变器的距离d_ij的计算公式为其中，表示第i台光伏逆变器主特征矩阵，表示第j台光伏逆变器主特征矩阵；

根据计算第i台光伏逆变器的距离δ_i，其中，集合I＝{ρ_j>ρ_i}， 表示在所有局部密度大于ρ_i的光伏逆变器中，与第i台光伏逆变器距离最小的光伏逆变器与第i台光伏逆变器之间的距离， 表示第i台光伏逆变器具有最大局部密度时，与第i台光伏逆变器距离最大的光伏逆变器与第i台光伏逆变器之间的距离；进而通过公式γ_i＝ρ_iδ_i，计算每台光伏逆变器的中心权重γ_i；t_k时刻具有最大中心权重γ_i的光伏逆变器即为t_k时刻聚类中心光伏逆变器，聚类中心光伏逆变器主特征矩阵

进一步的，计算光伏逆变器集群的累积偏心距离矩阵的具体方法如下：

根据计算t_k时刻每台光伏逆变器与聚类中心光伏逆变器之间的距离，得到对应的距离矩阵则光伏逆变器集群的累积偏心距离矩阵为

进一步的，对累积偏心距离矩阵进行归一化处理并设定预警阈值的具体方法如下：

归一化处理的累积偏心距离矩阵其中，max(l_i)表示在m台光伏逆变器中，最大的累积偏心距离；合理设定预警阈值EW∈[0,1]；比较g_i与EW，当g_i<EW时，则第i台光伏逆变器正常，当g_i≥EW时，则第i台光伏逆变器将要发生故障，向检修人员发出预警信息，从而实现了基于光伏逆变器集群的光伏逆变器故障的准确预测。

与现有技术相比，本发明的有益效果是：

一、对光伏逆变器集群的信号进行集中监测，通过提取光伏逆变器集群的主特征矩阵、搜寻聚类中心光伏逆变器、归一化光伏逆变器集群的累积偏心距离矩阵并设定预警阈值，最终实现了基于光伏逆变器集群的光伏逆变器故障的准确预测。检修人员可根据光伏逆变器故障预测结果，对光伏逆变器实施有针对性的维修维护方案，与通常采用的事后维修方式相比，缩短了设备停工修理时间，减少了企业因设备停工造成的经济损失，实现了光伏逆变器的主动维修。

二、目前，常用的设备故障预测方法通常依赖单一设备的全寿命周期运行数据，通过建模的方式学习设备的全寿命周期运行数据，以实现设备的故障预测。这类方法完全依赖设备的全寿命周期运行数据，不适用于缺乏全寿命周期运行数据的场景，且训练好的模型仅适用于单台设备，可移植性较差。本发明的核心思想是将同一光伏逆变器集群中的光伏逆变器进行相互比较，通过计算得到光伏逆变器集群的累积偏心距离矩阵，利用累积偏心距离衡量光伏逆变器的健康状态，最后结合设定的预警阈值即可实现光伏逆变器的故障预测。与现在常用的设备故障预测方法相比，本方法很好地考虑并融合了光伏逆变器集群式安装的特点，不依赖光伏逆变器的全寿命周期运行数据，对光伏逆变器集群的历史监测信号的监测时间跨度不做要求，适用于不同规模的光伏逆变器集群，方法的可移植性好。

附图说明

图1是本发明的流程图。

具体实施方式

本发明光伏逆变器故障预测方法，将同一光伏发电站的光伏逆变器集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的光伏逆变器集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器，计算光伏逆变器集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现光伏逆变器故障的预测。

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，是本发明的流程图，包括如下步骤：

步骤一、以当前时间为起点，将同一光伏发电站的光伏逆变器集群在一段历史时间范围内的历史监测信号作为原始特征库，光伏逆变器集群中每台光伏逆变器的监测信号包括：光伏逆变器输出总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度，光伏逆变器每一路PV的直流输入功率、直流电流、直流电压。

步骤二、通过稀疏自编码算法从原始特征库中提取每一采样时刻的光伏逆变器集群的主特征矩阵，计算过程如下：

一段历史时间范围的时间序列用t₁,t₂,…,t_k表示，其中，k为大于2的一个正整数，则当前时刻t_k对应的原始特征矩阵可以表示为其中，m为光伏逆变器的个数，原始特征矩阵 分别表示第i台光伏逆变器第1、2、…、n路监测信号的采样值，n为每台光伏逆变器监测信号的总通道数。

构建包含输入层、隐层、输出层的三层稀疏自编码网络，网络隐层的激活值表示为a＝f(w₁x⁽ⁱ⁾+b₁)，其中，w₁表示输入层的权值矩阵，b₁表示输入层的偏移矩阵；网络输出层的值表示为h⁽ⁱ⁾＝f(w₂a+b₂)，其中w₂表示隐层的权值矩阵，b₂分别隐层的偏移矩阵；随机初始化稀疏自编码网络参数w₁、w₂、b₁、b₂。

计算稀疏自编码网络的总体代价函数：

其中，β为稀疏惩罚的权重(可设定为3)，s₂为网络隐层神经元的个数(隐层神经元个数可设定为3)。

其中，h⁽ⁱ⁾表示网络输出层的值，λ为衰减参数的权重(可设定为0.0001)，nl表示网络的总层数，sl表示第l层网络的神经元个数，表示连接l层第j个神经元和l+1层第i个神经元的权值。

其中，ρ为稀疏参数(可设定为0.15)，表示隐层第j个神经元对输入x⁽ⁱ⁾的激活值。

训练稀疏自编码网络，即基于反向传播算法通过迭代对参数w₁、w₂、b₁、b₂进行更新，当达到设定的迭代次数时(迭代次数可设定为100次)，网络训练结束，此时的网络参数即为使总体代价函数J_sparse最小的网络参数w'₁、w'₂、b'₁、b'₂。

则t_k时刻光伏逆变器集群的主特征矩阵表示为其中，第i台光伏逆变器主特征矩阵第j台光伏逆变器主特征矩阵j表示m台光伏逆变器中除第i台光伏逆变器外的任意一台光伏逆变器的序号。

步骤三、依次搜索时间序列t₁,t₂,…,t_k中每一采样时刻的聚类中心光伏逆变器，以t_k时刻为例，搜寻计算过程如下：

根据j≠i计算第i台光伏逆变器的局部密度ρ_i，其中，j表示m台光伏逆变器中除第i台光伏逆变器外的任意一台光伏逆变器的序号，d_ij表示第i台光伏逆变器与第j台光伏逆变器的距离，d_c表示截断距离(截断距离可设定为d_ij的最小值min(d_ij))，是事先指定的一个参数；第i台光伏逆变器与第j台光伏逆变器的距离d_ij的计算公式为其中，表示第i台光伏逆变器主特征矩阵，表示第j台光伏逆变器主特征矩阵。

根据计算每台光伏逆变器的距离δ_i，其中，集合I＝{ρ_j>ρ_i}， 表示在所有局部密度大于ρ_i的光伏逆变器中，与第i台光伏逆变器距离最小的光伏逆变器与第i台光伏逆变器之间的距离， 表示第i台光伏逆变器具有最大局部密度时，与第i台光伏逆变器距离最大的光伏逆变器与第i台光伏逆变器之间的距离；进而通过公式γ_i＝ρ_iδ_i，计算每台光伏逆变器的中心权重γ_i；t_k时刻具有最大中心权重γ_i的光伏逆变器即为t_k时刻聚类中心光伏逆变器，聚类中心光伏逆变器主特征矩阵

步骤四、计算光伏逆变器集群的累积偏心距离矩阵，计算过程如下：

根据计算t_k时刻每台光伏逆变器与聚类中心光伏逆变器之间的距离，得到对应的距离矩阵则光伏逆变器集群的累积偏心距离矩阵为

步骤五、归一化处理的累积偏心距离矩阵其中，max(l_i)表示在m台光伏逆变器中，最大的累积偏心距离；合理设定预警阈值EW∈[0,1](预警阈值EW可设定为0.8)。

步骤六、比较g_i与EW，当g_i<EW时，则第i台光伏逆变器正常，当g_i≥EW时，则第i台光伏逆变器将要发生故障，向检修人员发出预警信息，从而实现了基于光伏逆变器集群的光伏逆变器故障的准确预测。

本发明可实现光伏逆变器故障的在线预测，可以帮助检修人员提前预判光伏逆变器可能发生故障，对光伏逆变器实施有针对性的维修维护方案，与通常采用的事后维修方式相比，缩短了设备停工修理时间，减少了企业因设备停工造成的经济损失，实现了光伏逆变器的主动维修。且本发明可在线运行、计算方便、无特殊要求限制，适用于不同规模的光伏逆变器集群，可移植性好，有利于检修人员建立合理有效的维修计划，确保微电网的安全稳定运行。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种光伏逆变器故障预测方法，其特征在于：

将同一光伏发电站的光伏逆变器集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的光伏逆变器集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器，计算光伏逆变器集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现光伏逆变器故障的预测；

所述光伏逆变器集群中每台光伏逆变器的历史监测信号包括：光伏逆变器输出总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度，光伏逆变器每一路PV的直流输入功率、直流电流、直流电压。

2.根据权利要求1所述的光伏逆变器故障预测方法，其特征在于，每一采样时刻的光伏逆变器集群的主特征矩阵的具体提取方法如下：

用t₁,t₂,…,t_k表示时间序列，其中，k为大于2的一个正整数，则t_k时刻的原始特征矩阵表示为其中，m为光伏逆变器的个数，原始特征矩阵分别表示第i台光伏逆变器第1、2、…、n路监测信号的采样值，n为每台光伏逆变器监测信号的总通道数；

构建包含输入层、隐层、输出层的三层稀疏自编码网络，网络隐层的激活值表示为a＝f(w₁x⁽ⁱ⁾+b₁)，其中，w₁表示输入层的权值矩阵，b₁表示输入层的偏移矩阵；网络输出层的值表示为h⁽ⁱ⁾＝f(w₂a+b₂)，其中w₂表示隐层的权值矩阵，b₂表示隐层的偏移矩阵；随机初始化稀疏自编码网络参数w₁、w₂、b₁、b₂；

稀疏自编码网络的总体代价函数表示为

其中，β为稀疏惩罚的权重，s₂为网络隐层神经元的个数；

其中，λ为衰减参数的权重，nl表示网络的总层数，sl表示第l层网络的神经元个数，表示连接l层第j个神经元和l+1层第i个神经元的权值；

其中，ρ为稀疏参数，表示隐层第j个神经元对输入x⁽ⁱ⁾的激活值；

训练稀疏自编码网络，即基于反向传播算法通过迭代对参数w₁、w₂、b₁、b₂进行更新，当达到设定的迭代次数时，网络训练结束，此时的网络参数即为使总体代价函数J_sparse最小的网络参数w'₁、w'₂、b'₁、b'₂；

则t_k时刻光伏逆变器集群的主特征矩阵表示为其中，第i台光伏逆变器主特征矩阵第j台光伏逆变器主特征矩阵j表示m台光伏逆变器中除第i台光伏逆变器外的任意一台光伏逆变器的序号。

3.根据权利要求1所述的光伏逆变器故障预测方法，其特征在于，每一采样时刻的聚类中心光伏逆变器的具体搜寻方法如下：

依次计算第i台光伏逆变器的局部密度ρ_i、距离δ_i；其中，i＝1,2,…,m；m为光伏逆变器的个数；根据j≠i计算第i台光伏逆变器的局部密度ρ_i，其中，j表示m台光伏逆变器中除第i台光伏逆变器外的任意一台光伏逆变器的序号，d_ij表示第i台光伏逆变器与第j台光伏逆变器的距离，d_c表示截断距离，是事先指定的一个参数；第i台光伏逆变器与第j台光伏逆变器的距离d_ij的计算公式为其中，表示第i台光伏逆变器主特征矩阵，表示第j台光伏逆变器主特征矩阵；

根据计算第i台光伏逆变器的距离δ_i，其中，集合I＝{ρ_j>ρ_i}， 表示在所有局部密度大于ρ_i的光伏逆变器中，与第i台光伏逆变器距离最小的光伏逆变器与第i台光伏逆变器之间的距离， 表示第i台光伏逆变器具有最大局部密度时，与第i台光伏逆变器距离最大的光伏逆变器与第i台光伏逆变器之间的距离；进而通过公式γ_i＝ρ_iδ_i，计算每台光伏逆变器的中心权重γ_i；t_k时刻具有最大中心权重γ_i的光伏逆变器即为t_k时刻聚类中心光伏逆变器，聚类中心光伏逆变器主特征矩阵

4.根据权利要求1所述的光伏逆变器故障预测方法，其特征在于，计算光伏逆变器集群的累积偏心距离矩阵的具体方法如下：

根据计算t_k时刻每台光伏逆变器与聚类中心光伏逆变器之间的距离，得到对应的距离矩阵则光伏逆变器集群的累积偏心距离矩阵为

5.根据权利要求1所述的光伏逆变器故障预测方法，其特征在于，对累积偏心距离矩阵进行归一化处理并设定预警阈值的具体方法如下：

归一化处理的累积偏心距离矩阵其中，max(l_i)表示在m台光伏逆变器中，最大的累积偏心距离；合理设定预警阈值EW∈[0,1]；比较g_i与EW，当g_i<EW时，则第i台光伏逆变器正常，当g_i≥EW时，则第i台光伏逆变器将要发生故障，向检修人员发出预警信息，从而实现了基于光伏逆变器集群的光伏逆变器故障的准确预测。