CN109359702A - 基于卷积神经网络的光伏阵列故障诊断方法 - Google Patents
基于卷积神经网络的光伏阵列故障诊断方法 Download PDFInfo
- Publication number
- CN109359702A CN109359702A CN201811529061.1A CN201811529061A CN109359702A CN 109359702 A CN109359702 A CN 109359702A CN 201811529061 A CN201811529061 A CN 201811529061A CN 109359702 A CN109359702 A CN 109359702A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic
- power generation
- array
- neural networks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000010248 power generation Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 230000007257 malfunction Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Abstract
本发明涉及一种基于卷积神经网络的光伏阵列故障诊断方法，包括以下步骤：步骤S1:采集预设工况下的光伏发电阵列数据；步骤S2:根据得到的光伏发电阵列数据，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；步骤S3:将所述样本数据分成训练集和验证集,并利用18层卷积神经网络、1层dropout层与1层全连接神经网络对训练集中的样本数据进行训练，得到故障诊断训练模型；步骤S4:根据得到的验证集和故障诊断训练模型，对所述实际待测工况下的光伏发电阵列数据进行诊断，判断光伏发电阵列是否处于故障状态以及故障类型。本发明可以准确识别出光伏组件正常与多个故障状态。
Description
技术领域
本发明涉及光伏发电阵列故障检测领域，具体涉及一种基于卷积神经网络的光伏阵列故障诊断方法。
背景技术
由于光伏组件阵列安装和工作在复杂的户外环境中，同时受到湿度，紫外线，风激振等各种环境因素的作用，容易出现局部短路、性能下降、裂纹或者开路等各种故障问题，故障的发生将会降低光伏电站的发电效率，严重时甚至会发生火灾，危害社会财产安全，为了尽可能地延长光伏发电系统的寿命、使其逼近理论的工作年限，以及使光伏电站尽可能地高效发电，从而降低光伏发电的成本，提高电站的运营过程中的安全性，及时、有效和高效的维护十分关键。随着世界各国光伏发电装机量的快速增长，光伏发电系统的自动监测与故障诊断近年来得到国内外越来越多的学者和相关机构的关注。
近年来，多种基于时序数据的故障诊断方法与技术相继被提出。基于小波变换的故障诊断办法使用小波变换对时序信号进行分析，由此实现对故障的检测。但该算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往往是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阵列的电流电压时序曲线的特征。当有些故障发生时，其故障程度是不同的，但是他们由于是同一种故障，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。
典型的卷积神经网络网络理论由LeCun等于1989年提出，卷积神经网络模型由全连接网络衍生而来，该算法模型由卷积层，池化层以及激活函数组成，由于卷积层与池化层的存在，减小了传统全连接神经网络的冗余连接，降低了运算复杂程度。卷积神经网络相对于基本全连接神经网络，其特征提取的能力更强；而相对于传统BP神经网络、支持向量机算法，在图像分类具有相似或更好的分类效果。通过不断使用反向传播的方式迭代训练，使得训练出的卷积网络具有对电流曲线图片的特征提取能力，最后通过全连接神经网络对故障进行诊断与分类。最终建立的故障检测模型显著提高了故障检测的准确度。
发明内容
有鉴于此，本发明的目的在于提供一种基于卷积神经网络的光伏阵列故障诊断方法，可以准确识别出光伏组件正常与多个故障状态。
为实现上述目的，本发明采用如下技术方案：
一种基于卷积神经网络的光伏阵列故障诊断方法，包括以下步骤：
步骤S1:采集预设工况下的光伏发电阵列数据；
步骤S2:根据得到的光伏发电阵列数据，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；
步骤S3:将所述样本数据分成训练集和验证集,并利用18层卷积神经网络、1层dropout层与1层全连接神经网络对训练集中的样本数据进行训练，得到故障诊断训练模型；
步骤S4:根据得到的验证集和故障诊断训练模型，对所述实际待测工况下的光伏发电阵列数据进行诊断，判断光伏发电阵列是否处于故障状态以及故障类型。
进一步的，所述光伏发电阵列数据包括连续采集的时序电流与时序电压数据。
进一步的，所述步骤S2具体为;
步骤S21:使用窗口大小为L的滑动窗,采样率为每秒S个数据点,对实时采集的光伏阵列时序电流数据与时序电压数据进行截取，将截取的数据作为样本数据保存；
步骤S22:将所述步骤S21中获取的样本数据进行图形绘制，在图形绘制过程，将数据采集时间作坐标轴的X轴，数据大小作为坐标轴的Y轴分别绘制出电流与电压曲线。
进一步的，所述预设工况包括正常工作、光伏阵列开路1串、光伏阵列开路2串、组串中短路1块光伏组件、组串中短路2块光伏组件。
本发明与现有技术相比具有以下有益效果：
本发明基于时序数据和卷积神经网络，可以准确识别出光伏组件正常与多个故障状态，并可以被拓展到不同规模光伏阵列的故障检测中，为光伏电站的维护工作提供便利。
附图说明
图1为本发明中基于卷积神经网络的光伏阵列故障诊断方法的流程图。
图2为本发明一实例中光伏发电组串系统拓扑图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明提供一种卷积神经网络的光伏发电阵列故障检测方法，流程框图如图1所示。图2为本实施例的光伏发电系统拓扑图，系统由S×P个太阳能组件组成，通过模拟光伏发电阵列出现的故障状态与否，在不同的气候条件下，选择不同的时段，针对是否存在故障情况获取连续阵列电流与电压数据，具体包括以下步骤：
步骤S1:采集预设工况下的光伏阵列时序电流数据与时序电压数据；
步骤S2:根据得到的光伏阵列时序电流数据与时序电压数据，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；
步骤S21:使用窗口大小为2001的滑动窗,采样率为每秒200个数据点,对实时采集的光伏阵列时序电流数据与时序电压数据进行截取，将截取的数据作为样本数据保存；
步骤S22:将所述步骤S21中获取的样本数据进行图形绘制，在图形绘制过程，将数据采集时间作坐标轴的X轴，数据大小作为坐标轴的Y轴分别绘制出电流与电压曲线。
步骤S3:将所述样本数据分成训练集和验证集,并利用18层卷积神经网络、1层dropout层与1层全连接神经网络对训练集中的样本数据进行训练，得到故障诊断训练模型；
步骤S4:根据得到的验证集和故障诊断训练模型，对所述实际待测工况下的光伏阵列时序电流数据与时序电压数据进行诊断，判断光伏发电阵列是否处于故障状态以及故障类型。
实施例1：
在本实施例中，在2017年7-8月份内分多个时间段，在不同的照度和温度下进行数据随机采集，采集的样本总数1331组，每种样本数量、比例如表1所示。随机选取其中70%组作为训练样本集，剩余30%作为验证样本集。
在本实施例中，采集数据所采用的光伏发电系统由3*6块太阳能面板组成，组成6串3并的方式。
表1 故障样本数量及比例
| 参数 | 正常 | 开路1 | 开路2 | 短路1 | 短路2 |
| 总样本 | 422 | 300 | 178 | 322 | 178 |
| 训练样本 | 295 | 210 | 125 | 226 | 125 |
| 测试样本 | 128 | 90 | 53 | 96 | 53 |
| 样本占比 | 30.14% | 21.44% | 12.71% | 23.00% | 12.71% |
在本实施例中，步骤S2中对样本进行曲线绘制的具体方法为：以采集电流电压数据的时间先后作为电流曲线的横轴，将电流数值与电压作为该曲线的纵轴分别绘制曲线。
通过所采用的卷积神经网络对获得的样本图片进行分类训练，由此得到光伏组件的故障诊断模型。
对该模型的故障分类进行了20次随机测试，得到每次平均运行时间为0.012s，故障分类平均准确率如表2所示，
表2 故障诊断结果
| 光伏阵列工作类型 | 平均准确率 |
| 正常 | 99.72% |
| 开路1 | 99.89% |
| 开路2 | 100% |
| 短路1 | 99.22% |
| 短路2 | 98.4 % |
| 总准确率 | 99.51% |
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (4)
1.一种基于卷积神经网络的光伏阵列故障诊断方法，其特征在于，包括以下步骤：
步骤S1:采集预设工况下的光伏发电阵列数据；
步骤S2:根据得到的光伏发电阵列数据，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；
步骤S3:将所述样本数据分成训练集和验证集,并利用18层卷积神经网络、1层dropout层与1层全连接神经网络对训练集中的样本数据进行训练，得到故障诊断训练模型；
步骤S4:根据得到的验证集和故障诊断训练模型，对所述实际待测工况下的光伏发电阵列数据进行诊断，判断光伏发电阵列是否处于故障状态以及故障类型。
2.根据权利要求1所述的基于卷积神经网络的光伏阵列故障诊断方法，其特征在于：所述光伏发电阵列数据包括连续采集的时序电流与时序电压数据。
3.根据权利要求2所述的基于卷积神经网络的光伏阵列故障诊断方法，其特征在于：所述步骤S2具体为;
步骤S21:使用窗口大小为L的滑动窗,采样率为每秒S个数据点,对实时采集的光伏阵列时序电流数据与时序电压数据进行截取，将截取的数据作为样本数据保存；
步骤S22:将所述步骤S21中获取的样本数据进行图形绘制，在图形绘制过程，将数据采集时间作坐标轴的X轴，数据大小作为坐标轴的Y轴分别绘制出电流与电压曲线。
4.根据权利要求1所述的基于卷积神经网络的光伏阵列故障诊断方法，其特征在于：所述预设工况包括正常工作、光伏阵列开路1串、光伏阵列开路2串、组串中短路1块光伏组件、组串中短路2块光伏组件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811529061.1A CN109359702A (zh) | 2018-12-14 | 2018-12-14 | 基于卷积神经网络的光伏阵列故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811529061.1A CN109359702A (zh) | 2018-12-14 | 2018-12-14 | 基于卷积神经网络的光伏阵列故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109359702A true CN109359702A (zh) | 2019-02-19 |
Family
ID=65329633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811529061.1A Pending CN109359702A (zh) | 2018-12-14 | 2018-12-14 | 基于卷积神经网络的光伏阵列故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109359702A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110224673A (zh) * | 2019-05-14 | 2019-09-10 | 太原理工大学 | 一种基于深度学习的太阳能光伏电池板故障检测方法 |
| CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 |
| CN110487787A (zh) * | 2019-07-10 | 2019-11-22 | 精锐视觉智能科技（深圳）有限公司 | 一种元器件损耗检测方法、装置、存储介质及终端设备 |
| CN110515781A (zh) * | 2019-07-03 | 2019-11-29 | 北京交通大学 | 一种复杂系统状态监测及故障诊断方法 |
| CN112098760A (zh) * | 2020-09-21 | 2020-12-18 | 广东电网有限责任公司佛山供电局 | 基于卷积神经网络的电力故障信号检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105048507A (zh) * | 2015-09-06 | 2015-11-11 | 苏州健雄职业技术学院 | 光伏微网发电系统的自动投切控制装置 |
| CN105787511A (zh) * | 2016-02-26 | 2016-07-20 | 清华大学 | 基于支持向量机的道岔故障诊断方法及系统 |
| CN106503853A (zh) * | 2016-11-02 | 2017-03-15 | 华南师范大学 | 一种基于多标度卷积神经网络的外汇交易预测模型 |
| CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 福州大学 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
| CN108106841A (zh) * | 2017-12-21 | 2018-06-01 | 西安交通大学 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
| CN108445861A (zh) * | 2018-02-05 | 2018-08-24 | 华南理工大学 | 一种基于卷积神经网络算法的转辙机故障检测方法及系统 |
| CN108647716A (zh) * | 2018-05-09 | 2018-10-12 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
-
2018
- 2018-12-14 CN CN201811529061.1A patent/CN109359702A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105048507A (zh) * | 2015-09-06 | 2015-11-11 | 苏州健雄职业技术学院 | 光伏微网发电系统的自动投切控制装置 |
| CN105787511A (zh) * | 2016-02-26 | 2016-07-20 | 清华大学 | 基于支持向量机的道岔故障诊断方法及系统 |
| CN106503853A (zh) * | 2016-11-02 | 2017-03-15 | 华南师范大学 | 一种基于多标度卷积神经网络的外汇交易预测模型 |
| CN108106841A (zh) * | 2017-12-21 | 2018-06-01 | 西安交通大学 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
| CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 福州大学 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
| CN108445861A (zh) * | 2018-02-05 | 2018-08-24 | 华南理工大学 | 一种基于卷积神经网络算法的转辙机故障检测方法及系统 |
| CN108647716A (zh) * | 2018-05-09 | 2018-10-12 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| 何攸旻，: "高速铁路道岔故障诊断方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 王元章 等，: "基于BP神经网络的光伏阵列故障诊断研究", 《电力系统保护与控制》 * |
| 魏东 等，: "基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究", 《中国电机工程学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110224673A (zh) * | 2019-05-14 | 2019-09-10 | 太原理工大学 | 一种基于深度学习的太阳能光伏电池板故障检测方法 |
| CN110515781A (zh) * | 2019-07-03 | 2019-11-29 | 北京交通大学 | 一种复杂系统状态监测及故障诊断方法 |
| CN110487787A (zh) * | 2019-07-10 | 2019-11-22 | 精锐视觉智能科技（深圳）有限公司 | 一种元器件损耗检测方法、装置、存储介质及终端设备 |
| CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备 |
| CN112098760A (zh) * | 2020-09-21 | 2020-12-18 | 广东电网有限责任公司佛山供电局 | 基于卷积神经网络的电力故障信号检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109359702A (zh) | 基于卷积神经网络的光伏阵列故障诊断方法 | |
| CN108062571B (zh) | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 | |
| CN106021806B (zh) | 一种基于核函数极限学习机的光伏组串故障诊断方法 | |
| CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
| CN104753461B (zh) | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 | |
| CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
| Feng et al. | Electrical insulator defects detection method based on yolov5 | |
| CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
| CN109766952B (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
| CN112787591B (zh) | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 | |
| CN113037214B (zh) | 一种基于s-v曲线的光伏组件阴影遮挡故障诊断方法 | |
| CN106768933A (zh) | 一种基于遗传算法的风电机组叶片故障诊断方法 | |
| CN109583515A (zh) | 一种基于BP_Adaboost的光伏发电故障检测与分类方法 | |
| CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 | |
| CN114640304B (zh) | 一种基于i-v曲线的光伏组件电流失配故障诊断方法 | |
| CN114627082A (zh) | 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法 | |
| CN114139614B (zh) | 一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和系统 | |
| Aziz et al. | Critical comparison of power-based wind turbine fault-detection methods using a realistic framework for SCADA data simulation | |
| CN109117865A (zh) | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 | |
| CN111539950A (zh) | 一种基于机器视觉的太阳能板缺陷检测系统 | |
| Demirci et al. | Defective PV cell detection using deep transfer learning and EL imaging | |
| CN116051530A (zh) | 基于图像修复的半监督光伏电池表面异常检测方法 | |
| Aziz et al. | SCADA data based realistic simulation framework to evaluate environmental impact on performance of wind turbine condition monitoring systems | |
| CN114565581A (zh) | 一种配电线路低值绝缘子的检测方法、记录媒体及系统 | |
| CN110417350B (zh) | 一种光伏阵列的故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |