CN109389104A - 一种户用光伏电站逆变器故障预测方法 - Google Patents
一种户用光伏电站逆变器故障预测方法 Download PDFInfo
- Publication number
- CN109389104A CN109389104A CN201811455420.3A CN201811455420A CN109389104A CN 109389104 A CN109389104 A CN 109389104A CN 201811455420 A CN201811455420 A CN 201811455420A CN 109389104 A CN109389104 A CN 109389104A
- Authority
- CN
- China
- Prior art keywords
- fault
- layers
- network model
- predicted
- photovoltaic plant
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Photovoltaic Devices (AREA)
- Inverter Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种户用光伏电站逆变器故障预测方法,其通过将采集到样本数据,即逆变器在不同故障类型下输出电压信号,然后进行小波变换进行特征提取,得到各种故障类型对应的特征向量,并用其训练神经网络模型,得到故障预测模型,然后再采集带预测数据,并进行小波变换得到对应的待预测特征向量,并将其输入该故障预测模型得到相应的故障类型。
Description
技术领域
本发明涉及光伏技术领域,具有涉及一种户用光伏电站逆变器故障预测方法。
背景技术
光伏逆变器系统出现故障是指其运行处于不正常的状态,即逆变器相应的输出超出规定要求,造成逆变器的功能低于行业标准的水平。逆变器出现故障通常都是功率器件发生故障引起的。对于三电平NPC型光伏逆变器装置,其最薄弱的环节在于其中众多的功率器件。由于逆变器电路中有大量的功率开关器件,具有很强的非线性,因此,要找到电路故障信号与故障类型之间的数学关系十分困难。这时需要借助神经网络强大的分类能力来找出其间的非线性映射,从而实现故障诊断或预测的目的,这是因为神经网络具有强大的自学习和适应能力,应用之前不必给出故障模式的判别函数和经验知识,只需要将故障样本数据进行训练学习,即通过对各种故障模式下的状态信息进行训练,找出从状态信息到故障模式之间的映射,从而得到相应的预测模型来对故障模式进行预测/诊断。
基于此,本发明提供一种基于神经网络的户用光伏电站逆变器故障预测方法。
发明内容
针对上述存在的技术问题,本发明提供一种户用光伏电站逆变器故障预测方法
为了解决上述技术问题,本发明采用的技术方案为:
一种户用光伏电站逆变器故障预测方法,其包括下列步骤:
采集逆变器不同故障状态下的样本数据,并对所述样本数据标记故障类型;
采用小波变换法对所述样本数据进行特征提取,得到每种故障的特征向量;
选取深度残差网络模型ResNet-34作为预测模型,将该网络模型ResNet-34中的完全连接层FC层初始化使得该层的权重归零,然后在所述FC层后添加softmax分类器,得到改进型网络模型ResNet-34;
将所述特征向量输入所述FC层和softmax分类器中获得初始预测故障类型,将所述初始预测故障类型与所述特征向量对应的故障类型进行比较,通过训练所述FC层的权重值,使得二者的差值达到预设阈值,此时对应的FC层的权重值即为所述FC层所需的权重值,该包含所需的权重值的FC层对应的网络模型即为迁移卷积神经网络模型;
采集逆变器的待预测数据,并将待预测数据经过小波变换后得到待预测特征向量,并将所述待预测特征向量输入所述迁移卷积神经网络模型的FC层和分类器中,输出预测的故障类型
其中,所述深度残差网络模型ResNet-34中的FC层的神经元设置为128个。
本发明的有益之处在于:
本发明通过将采集到样本数据,即逆变器在不同故障类型下输出电压信号,然后进行小波变换进行特征提取,得到各种故障类型对应的特征向量,并用其训练神经网络模型,得到故障预测模型,然后再采集带预测数据,并进行小波变换得到对应的待预测特征向量,并将其输入该故障预测模型得到相应的故障类型。
附图说明
图1为本发明的户用光伏电站逆变器故障预测方法的一实施例的流程图。
具体实施方式
下面结合附图,对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为本发明一种户用光伏电站逆变器故障预测方法的一实施例的流程图,具体地,本实施例的该逆变器故障预测方法包括步骤:
S11,采集逆变器在7种不同故障状态下的样本数据。
本实施例中,该逆变器的7种故障状态分别为:F1:任一IGBT发生基极驱动故障;F2:任一IGBT发生短路故障;F3:任一IGBT发生间歇性短路故障;F4:任一相几个IGBT同时发生断路故障;F5:任一相几个IGBT同时发生短路故障;F6:任何交叉两相发生几个IGBT同时发生短路故障;F7:任一无源元件发生失效;该样本数据是指逆变器在在7中不同故障类型状态下所采集的桥臂电压和上、下管电压。
S12,采用小波变换法对该样本数据进行特征提取,得到对应的特征向量。
本实施例中,先对所采集的样本数据进行Park变换,再转变为ud和uq信号,然后进行3层小波包分解,分解后每个电压信号将会被形成8个频带,从而使得每个故障类型对应于一个24维的特征向量。
S13,将34层深度残差网络模型ResNet-34中的完全连接层FC层初始化使得该层的权重归零(FC层的神经元设置为128个),然后在FC层后添加softmax分类器,得到改进型网络模型ResNet-34。
S14,将步骤S12中获得的特征向量,输入FC层和分类器中获得一个故障类型,将该故障类型与该特征向量对应的故障类型(即该特征向量对应的样本数据所标记的故障类型)进行比较,通过训练FC层的权重值,使得A和B的差值达到预设阈值,此时对应的FC层的权重值即为FC层所需的新的权重值,该包含新的权重值的FC层对应的网络模型即为迁移卷积神经网络模型;
S15,采集逆变器的待预测数据,并经过小波变换后得到待预测特征向量。
S16,将所述待预测特征向量输入迁移卷积神经网络模型中,输出预测故障类型。
进一步地,本实施例中,还可计算同一时段内(例如一个月或者一周)预测到的每种故障类型的故障概率(即一个月内或一周内发生该种故障的概率),并构相应的建数据库,从而为逆变器故障分析提供参考数据
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种户用光伏电站逆变器故障预测方法,其特征在于,该方法包括下列步骤:
采集逆变器不同故障状态下的样本数据,并对所述样本数据标记故障类型;
采用小波变换法对所述样本数据进行特征提取,得到每种故障的特征向量;
选取深度残差网络模型ResNet-34作为预测模型,将该网络模型ResNet-34中的完全连接层FC层初始化使得该层的权重归零,然后在所述FC层后添加softmax分类器,得到改进型网络模型ResNet-34;
将所述特征向量输入所述FC层和softmax分类器中获得初始预测故障类型,将所述初始预测故障类型与所述特征向量对应的故障类型进行比较,通过训练所述FC层的权重值,使得二者的差值达到预设阈值,此时对应的FC层的权重值即为所述FC层所需的权重值,该包含所需的权重值的FC层对应的网络模型即为迁移卷积神经网络模型;
采集逆变器的待预测数据,并将待预测数据经过小波变换后得到待预测特征向量,并将所述待预测特征向量输入所述迁移卷积神经网络模型的FC层和分类器中,输出预测的故障类型。
2.如权利要求1所述的户用光伏电站逆变器故障预测方法,其特征在于,所述深度残差网络模型ResNet-34中的FC层的神经元设置为128个。
3.如权利要求1或2所述的户用光伏电站逆变器故障预测方法,其特征在于,所述故障类型为7种。
4.如权利要求1或2所述的户用光伏电站逆变器故障预测方法,其特征在于,还包括步骤:计算同一时段内预测到的每种故障类型的故障概率。
5.如权利要求4所述户用光伏电站逆变器故障预测方法,其特征在于,还包括步骤:
根据计算得到的每种故障类型的故障概率构建数据库。
6.如权利要求11或2所述的方法,其特征在于,采集样本数据和待预测数据时是采集逆变器的桥臂电压和上、下管电压。
7.如权利要求11或2所述的方法,其特征在于,采用小波变换对样本数据进行处理时,是采用3层小波包分解的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811455420.3A CN109389104A (zh) | 2018-11-30 | 2018-11-30 | 一种户用光伏电站逆变器故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811455420.3A CN109389104A (zh) | 2018-11-30 | 2018-11-30 | 一种户用光伏电站逆变器故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109389104A true CN109389104A (zh) | 2019-02-26 |
Family
ID=65430206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811455420.3A Pending CN109389104A (zh) | 2018-11-30 | 2018-11-30 | 一种户用光伏电站逆变器故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389104A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
CN109946080A (zh) * | 2019-04-08 | 2019-06-28 | 西安交通大学 | 一种基于嵌入式循环网络的机械设备健康状态识别方法 |
CN110780188A (zh) * | 2019-10-18 | 2020-02-11 | 合肥工业大学 | 一种igbt驱动电路故障诊断方法 |
CN112183877A (zh) * | 2020-10-13 | 2021-01-05 | 上海大学 | 一种基于迁移学习的光伏电站故障智能诊断方法 |
CN113159077A (zh) * | 2021-05-24 | 2021-07-23 | 南京工程学院 | 一种基于混合卷积神经网络的三相逆变器故障识别方法 |
CN113505850A (zh) * | 2021-07-27 | 2021-10-15 | 西安热工研究院有限公司 | 基于深度学习的锅炉故障预测方法 |
CN114091524A (zh) * | 2021-10-15 | 2022-02-25 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种逆变器故障预警系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229544A (zh) * | 2017-12-22 | 2018-06-29 | 南昌大学 | 一种npc三电平光伏逆变器开路故障诊断方法 |
CN108334936A (zh) * | 2018-01-30 | 2018-07-27 | 华中科技大学 | 基于迁移卷积神经网络的故障预测方法 |
US20180238951A1 (en) * | 2016-09-07 | 2018-08-23 | Jiangnan University | Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter |
-
2018
- 2018-11-30 CN CN201811455420.3A patent/CN109389104A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180238951A1 (en) * | 2016-09-07 | 2018-08-23 | Jiangnan University | Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter |
CN108229544A (zh) * | 2017-12-22 | 2018-06-29 | 南昌大学 | 一种npc三电平光伏逆变器开路故障诊断方法 |
CN108334936A (zh) * | 2018-01-30 | 2018-07-27 | 华中科技大学 | 基于迁移卷积神经网络的故障预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
CN109946080A (zh) * | 2019-04-08 | 2019-06-28 | 西安交通大学 | 一种基于嵌入式循环网络的机械设备健康状态识别方法 |
CN109946080B (zh) * | 2019-04-08 | 2020-06-16 | 西安交通大学 | 一种基于嵌入式循环网络的机械设备健康状态识别方法 |
CN110780188A (zh) * | 2019-10-18 | 2020-02-11 | 合肥工业大学 | 一种igbt驱动电路故障诊断方法 |
CN112183877A (zh) * | 2020-10-13 | 2021-01-05 | 上海大学 | 一种基于迁移学习的光伏电站故障智能诊断方法 |
CN113159077A (zh) * | 2021-05-24 | 2021-07-23 | 南京工程学院 | 一种基于混合卷积神经网络的三相逆变器故障识别方法 |
CN113159077B (zh) * | 2021-05-24 | 2023-10-27 | 南京工程学院 | 一种基于混合卷积神经网络的三相逆变器故障识别方法 |
CN113505850A (zh) * | 2021-07-27 | 2021-10-15 | 西安热工研究院有限公司 | 基于深度学习的锅炉故障预测方法 |
CN114091524A (zh) * | 2021-10-15 | 2022-02-25 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种逆变器故障预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389104A (zh) | 一种户用光伏电站逆变器故障预测方法 | |
CN102208028B (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
Chan | Application of neural-network computing in intelligent alarm processing (power systems) | |
EP3460494A1 (en) | A method and apparatus for automatic detection of a fault type | |
Haque et al. | Deep learning based micro-grid fault detection and classification in future smart vehicle | |
CN107632258A (zh) | 一种基于小波变换和dbn的风机变流器故障诊断方法 | |
CN108196143A (zh) | 电力变压器故障深度诊断方法及终端设备 | |
CN108510005A (zh) | 一种基于卷积神经网络的配电网高阻接地故障识别方法 | |
CH698898A2 (de) | System und Verfahren zur verbesserten Zustandsüberwachung eines Anlagensystems. | |
Xu et al. | Application of artificial neural network to the detection of the transformer winding deformation | |
CN203241494U (zh) | 直流系统交流串电及绝缘故障监测选线装置 | |
CN101170447A (zh) | 基于主动探针的服务故障诊断系统及其方法 | |
CN105487009A (zh) | 基于k均值的RBF神经网络算法的电机故障诊断方法 | |
Qu et al. | Deep convolution neural network based fault detection and identification for modular multilevel converters | |
CN107328560A (zh) | 一种有载分接开关诊断方法及装置 | |
CN107677903A (zh) | 一种变压器状态监测数据的聚类分析方法 | |
CN104076813A (zh) | 基于贝叶斯决策树的tcas系统故障综合诊断方法和系统 | |
CN105891698A (zh) | 一种Boost电路多参数在线辨识方法 | |
CN112884070A (zh) | 一种基于迁移学习的高压开关故障诊断方法 | |
Dhumale et al. | Fault detection and diagnosis of high speed switching devices in power inverter | |
CN107490758A (zh) | 基于故障传播的模块化bp神经网络电路故障诊断方法 | |
CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN106354692A (zh) | 面向SoC的片上TDDB退化监测及失效预警电路 | |
CN105629144B (zh) | 基于指纹库的高压开关设备局部放电诊断方法及系统 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 |
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 |