CN110619479B - 光伏组件的故障判别模型建模方法及故障判别方法 - Google Patents

光伏组件的故障判别模型建模方法及故障判别方法 Download PDF

Info

Publication number
CN110619479B
CN110619479B CN201910899359.XA CN201910899359A CN110619479B CN 110619479 B CN110619479 B CN 110619479B CN 201910899359 A CN201910899359 A CN 201910899359A CN 110619479 B CN110619479 B CN 110619479B
Authority
CN
China
Prior art keywords
fault
data
model
photovoltaic module
judged
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.)
Active
Application number
CN201910899359.XA
Other languages
English (en)
Other versions
CN110619479A (zh
Inventor
尹芳
胡琼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sungrow Power Supply Co Ltd
Original Assignee
Sungrow Power Supply Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sungrow Power Supply Co Ltd filed Critical Sungrow Power Supply Co Ltd
Priority to CN201910899359.XA priority Critical patent/CN110619479B/zh
Publication of CN110619479A publication Critical patent/CN110619479A/zh
Application granted granted Critical
Publication of CN110619479B publication Critical patent/CN110619479B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本申请提供了一种光伏组件的故障判别模型建模方法及故障判别方法，该光伏组件的故障判别模型建模方法，包括：建立光伏组件的故障判别模型的样本数据库；其中，样本数据库包括：辐照数据及相同时段内的n种故障组件运行功率数据，且每种故障组件运行功率数据的数据量均满足预设要求；n为正整数；将样本数据库中的数据，按照日时间序列分布，生成n种故障组件运行功率数据和相同时段内辐照数据的数据曲线图像集；根据数据曲线图像集，建立故障判别模型，进而用于自动识别组件的故障，相较于现有的人工经验识别，该故障判别模型识别精度更高；且建模所采用的数据量满足预设要求，有利于特征识别，能够改善现有技术中识别偏差大的问题。

Description

光伏组件的故障判别模型建模方法及故障判别方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种光伏组件的故障判别模型建模方法及故障判别方法。
背景技术
近年来，随着太阳能光伏发电技术的发展和节能环保理念的深入，太阳能光伏发电有了广泛的应用，但国内外光伏发电系统建设数量和规模的逐年增加的同时，组件失效问题的出现也越发频繁。而光伏组件故障识别问题也随之受到重视。
现有的光伏组件检测技术中，主要通过结合数据的统计分析对光伏组件是否发生故障进行检测。在实际应用中，结合数据统计分析的方式主要通过直接检测出的相关数据，例如I-V曲线、P-V曲线、短路电流、开路电压等数据，对所检测出的相关数据与标称数据进行对比分析，识别组件目前存在的故障类型。
但是，结合数据统计分析的方式在对组件故障类型识别时，一方面受到操作人员的经验限制，测试出的数据具有波动性，进而影响故障判别精度；另一方面，所获得的光伏组件特性并不完全，诊断过程可能存在自检故障特征提取不完全导致信息遗漏，进而判断结果存在偏差，不利于电站的运维。
发明内容
基于上述现有技术的不足，本申请提供了一种光伏组件的故障判别模型建模方法及故障判别方法，该光伏组件的故障判别模型建模方法通过辐照数据及相同时段内的n种故障组件运行功率数据，建立故障判别模型，该光伏组件的故障判别方法，通过光伏组件的故障判别模型建模方法所建立的故障判别模型进行故障判别，以解决现有的结合数据统计分析对光伏组件故障检测所得结果，精度不高和存在偏差的问题。
为实现上述目的，本发明实施例提供如下技术方案：
本发明第一方面公开了一种光伏组件的故障判别模型建模方法，包括：
建立光伏组件的故障判别模型的样本数据库；其中，所述样本数据库包括：辐照数据及相同时段内的n种故障组件运行功率数据，且每种故障组件运行功率数据的数据量均满足预设要求；n为正整数；
将所述样本数据库中的数据，按照日时间序列分布，生成n种故障组件运行功率数据和相同时段内辐照数据的数据曲线图像集；
根据所述数据曲线图像集，建立所述故障判别模型。
可选地，在上述光伏组件的故障判别模型建模方法中，建立光伏组件的故障判别模型的样本数据库，包括：
收集光伏电站历史上平稳天气条件下的n种故障组件运行功率数据和1种同时段的辐照数据；
或者，
收集实验模拟得到的平稳天气条件下的n种故障组件运行功率数据及1种同时段的辐照数据。
可选地，在上述光伏组件的故障判别模型建模方法中，所述平稳天气条件为：
天气状态满足cv＜a、|SK|＜b及|K|＜c的各天；
其中，cv为当天的辐照离散程度，a为离散阈值，SK为当天的辐照偏度系数，b为偏度阈值，K为当天的辐照峰度系数，c为峰度阈值。
可选地，在上述光伏组件的故障判别模型建模方法中，根据所述数据曲线图像集，建立所述故障判别模型，包括：
将所述数据曲线图像集中的图像，转化成神经网络数据曲线图像；
对所有的所述神经网络数据曲线图像进行划分，分别得到训练集、验证集及测试集；
依据所述训练集中的神经网络数据曲线图像，建立第一模型，并通过所述第一模型，提取所述训练集中的神经网络数据曲线图像的特征，得到所述神经网络数据曲线图像的特征序列；
将所述特征序列作为输入，对第二模型进行训练，在完成对所述第二模型的训练后，通过所述验证集进行验证，并通过所述测试集进行测试，得到最终训练后的第二模型；
依据所述最终训练后的第二模型提取所述特征序列的深度特征，建立故障判别模型。
可选地，在上述光伏组件的故障判别模型建模方法中，所述第一模型为卷积神经网络CNN模型；所述依据所述训练集中的神经网络数据曲线图像，建立第一模型，包括：
将所述训练集中的神经网络数据曲线图像，按照时间序列作为所述第一模型的输入，建立所述第一模型。
可选地，在上述光伏组件的故障判别模型建模方法中，所述第二模型为长短期记忆网络LSTM模型，所述将所述特征序列作为输入，对第二模型进行训练，在完成对所述第二模型的训练后，通过所述验证集进行验证，并通过所述测试集进行测试，得到最终训练后的第二模型，包括：
将所述特征序列作为所述LSTM模型的输入，得到所述LSTM模型的隐藏层输出的网络输出值；
经过所述LSTM模型的softmax层将所述网络输出值映射成概率分布，得到所述LSTM模型的softmax层输出的实际输出值；
将所述实际输出值和期望输出值进行误差比较，得到所述LSTM模型的测试准确率和误差损失函数；
变更所述LSTM模型的网络参数，返回将所述特征序列作为所述LSTM模型的输入的步骤，直至所述实际输出值收敛并趋于稳定状态，或者，迭代次数达到次数阈值，得到多个不同网络参数下所述LSTM模型的测试准确率和误差损失函数；
通过所述验证集对多个不同网络参数下的所述LSTM模型进行验证，得到验证结果最优的LSTM模型；
通过所述测试集对所述验证结果最优的LSTM模型进行测试，得到所述最终训练后的第二模型。
可选地，在上述光伏组件的故障判别模型建模方法中，所述依据所述最终训练后的第二模型提取所述特征序列的深度特征，建立故障判别模型，包括：
依据训练后的LSTM模型提取所述特征序列的深度特征，得到n种故障组件运行功率数据曲线图像对应的光伏组件故障类型，以及1种所述辐照数据曲线图像对应的光伏组件无故障类型；其中，n为大于等于1的正整数；
基于n种所述故障组件运行功率数据曲线图像对应的光伏组件故障类型，以及1种所述辐照数据曲线图像对应的光伏组件无故障类型，建立所述故障判别模型。
可选地，在上述光伏组件的故障判别模型建模方法中，在所述将所述样本数据库中的数据，按照日时间序列分布，生成n种故障组件运行功率数据和相同时段内辐照数据的数据曲线图像集之后，还包括：
对所述数据曲线图像集中的图像进行预处理。
可选地，在上述光伏组件的故障判别模型建模方法中，所述对所述数据曲线图像集中的图像进行预处理，包括：
对所述数据曲线图像集中的图像进行第一预处理操作，得到第一预处理后的图像；其中，所述第一预处理操作包括：灰度矫正操作、噪声处理操作以及滤波处理操作中的至少一种操作；
对所述第一预处理后的图像进行增强处理，得到增强处理后的图像；
对所述增强处理后的图像进行归一化操作，得到归一化后的图像。
可选地，在上述光伏组件的故障判别模型建模方法中，所述对所述增强处理后的图像进行归一化操作，得到归一化后的图像，包括：
对所述增强处理后的图像进行双线性差值法处理或者逐样本相减处理，得到所述归一化后的图像。
本发明第二方面公开了一种光伏组件的故障判别方法，包括：
将待判别的故障组件运行功率数据，按照日时间序列分布，生成待判别的数据曲线图像；
将所述待判别的数据曲线图像输入故障判别模型进行判别，确定所述待判别的故障组件运行功率数据所针对光伏组件的故障类型；所述故障判别模型的初始模型为根据如上述任一光伏组件的故障判别模型建模方法得到的模型。
可选地，在上述光伏组件的故障判别方法中，在将待判别的故障组件运行功率数据，按照日时间序列分布，生成待判别的数据曲线图像之前，还包括：
判断所述待判别的故障组件运行功率数据所对应的辐照数据是否属于平稳天气条件下的数据；
若所述待判别的故障组件运行功率数据所对应的辐照数据属于平稳天气条件下的数据，则执行将待判别的故障组件运行功率数据，按照日时间序列分布，生成待判别的数据曲线图像的步骤。
可选地，在上述光伏组件的故障判别方法中，在判断所述待判别的故障组件运行功率数据所对应的辐照数据是否属于平稳天气条件下的数据之后，还包括：
若所述待判别的故障组件运行功率数据所对应的辐照数据属于平稳天气条件下的数据，则判断所述待判别的故障组件运行功率数据和所述所对应的辐照数据的相关系数是否小于相关阈值；
若所述待判别的故障组件运行功率数据和所述所对应的辐照数据的相关系数小于相关阈值，则执行将待判别的故障组件运行功率数据，按照日时间序列分布，生成待判别的数据曲线图像的步骤；
若所述待判别的故障运行功率数据和所述所对应的辐照数据的相关系数大于等于相关阈值，则不作判断。
可选地，在上述光伏组件的故障判别方法中，在将待判别的故障组件运行功率数据，按照日时间序列分布，生成待判别的数据曲线图像之后，还包括：
对所述待判别的数据曲线图像进行预处理。
可选地，在上述光伏组件的故障判别方法中，在将所述待判别的数据曲线图像输入故障判别模型进行判别，确定所述待判别的故障组件运行功率数据所针对光伏组件的故障类型之后，还包括：
判断所述故障判别模型输出的故障类型是否等于实际故障类型；
若所述故障判别模型输出的故障类型不等于实际故障类型，则对所述故障判别模型输出的故障类型进行矫正，并利用矫正后的故障类型更新样本库。
基于上述本发明实施例提供的光伏组件的故障判别模型建模方法，首先建立光伏组件的故障判别模型的样本数据库，其中，样本数据库中包括：辐照数据及相同时段内的n种故障组件运行功率数据，且每种故障组件运行功率数据的数据量均满足预设要求；n为正整数；其次，将样本数据库中的数据，按照日时间序列分布，生成n种故障组件运行功率数据和对应辐照数据的数据曲线图像集，最后，依据数据曲线图像集，建立故障判别模型，进而用于自动识别组件的故障类型，相较于现有技术中的人工经验识别，该故障判别模型识别精度更高；建模所采用的每种故障组件运行功率数据的数据量均满足预设要求，有利于特征识别，能够改善现有技术中识别偏差大的问题；最后，因该故障判别模型识别精度更高，偏差更小，所以应用本发明提供的故障判别模型，能够解决大型地面电站存在的故障难以区分的问题，为电站运维提供实际应用价值，提高运维效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1示出了本申请实施例提供的一种光伏组件的故障判别模型建模方法的流程图；
图2示出了本申请实施例提供的一种故障类型组件运行功率数据和对应时间段内辐照数据的数据图像对比图；
图3至图7示出了本申请实施例提供的五种光伏组件的故障判别模型建模方法的流程图；
图8至图11示出了本申请实施例提供的四种光伏组件的故障判别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请提出了一种光伏组件的故障判别模型建模方法，通过采用n种故障组件运行功率数据及相同时段内的辐照数据，建立故障判别模型。
请参见图1，该光伏组件的故障判别模型建模方法主要包括以下步骤：
S101、建立光伏组件的故障判别模型的样本数据库。
其中，样本数据库包括：辐照数据及相同时段内的n种故障组件运行功率数据，且每种故障组件运行功率数据的数据量均满足预设要求；n为正整数。
需要说明的是，为了更好的训练光伏组件的故障判别模型，需要建立样本数据库对模型进行训练。样本数据库中的数据主要为光伏电站历史上平稳天气条件下的辐照数据及相同时段内的n种故障组件运行功率数据。
还需要说明的是，辐照数据为：在正常状态下光伏组件的功率运行数据所对应的辐照度，可以使用辐照度计采集得到。辐照计所得的辐照数据，将其按照日时间序列分布，生成二维图像，在不考虑量纲的情况下，所生成的二维图像可代表正常状态下的光伏组件的功率运行数据。故障组件运行功率数据为光伏电站中光伏组件运行时所产生的功率数据，可根据光伏电站中相应的逆变器或者电表计量得到。因此，辐照数据和故障组件运行功率数据为不同来源的数据。
因为相同时刻的辐照数据和故障组件运行功率数据属于两种样本分布，无法直接利用采集到的绝对数据建立故障判别模型。因此，本发明根据辐照数据和故障组件运行功率数据呈高度相关性的特点，将二者的数据根据一段时刻在二维图形上的运行曲线，生成图像，也即为执行步骤S102。通过图像处理技术手段分析发生故障的故障组件运行功率数据和相同时段内辐照数据的差异，从而判定组件可能发生的故障类型。
可选地，建立光伏组件的故障判别模型的样本数据库中的方式，包括：
收集光伏电站历史上平稳天气条件下的n种故障组件运行功率数据和1种同时段的辐照数据。
或者，
收集实验模拟得到的平稳天气条件下的n种故障组件运行功率数据及1种同时段的辐照数据。
需要说明的是，通过模拟实验方式所获得的数据是人为将光伏组件设置成故障状态后，所收集故障组件运行功率数据和辐照数据。例如通过实验模拟阴影遮挡、PID(Potential Induced Degradation，电势诱导衰减)、子串短路、二极管短路、热斑、碎裂、黄变等组件故障情况，并获取光伏组件中n种故障组件运行功率数据和1种代表正常情况的辐照数据。其中，阴影遮挡包括稳固遮挡和临时遮挡。
还需要说明的是，选取平稳天气条件下故障组件运行功率数据主要是因为阴天或者其他非平稳天气条件的干扰因素过多，故障组件运行功率数据中的功率曲线变化差异较大，很难判断是否由故障引起。
平稳天气条件为：当天天气均满足cv＜a、|SK|＜b及|K|＜c。
其中，cv为当天的辐照离散程度，a为离散阈值，SK为当天的辐照偏度系数，b为偏度阈值，K为当天的辐照峰度系数，c为峰度阈值。
需要说明的是，若当天天气均满足cv＜a、|SK|＜b及|K|＜c，即说明当天的天气满足平稳天气条件，也即当天的数据满足作为样本数据库中的数据的筛选条件。
离散阈值a是根据当地电站历史情况进行设置的。偏度阈值b和峰度阈值c一般设置为接近于0的无限小数。
具体的，当天的辐照离散程度cv所采用的公式为：
Figure BDA0002211332130000091
当天的辐照偏度系数SK所采用的公式为：
Figure BDA0002211332130000092
当天的辐照峰度系数K所采用的公式为：
Figure BDA0002211332130000093
其中，G为辐照度，
Figure BDA0002211332130000094
为辐照序列的平均值，σ(G)为辐照序列的标准差，N为辐照序列的样本量。
需要说明的是，辐照离散程度cv也为辐照序列的变异系数，主要反映序列的离散程度；辐照偏度系数SK主要用于描述序列分布偏离对称性程度的特征数；辐照峰度系数K主要用于反映序列分布曲线顶端尖峭或扁平程度的指标。
还需要说明的是，样本数据库中数据的数据量必须要足够大，且能够涵盖所要研究故障所对应的所有类别故障数据和相同时段的辐照数据，也即每种故障组件运行功率数据的数据量均满足预设要求，这样才能够为训练网络储备充足的特征，从而确保训练所得的故障判别模型具有可靠性和稳定性。
S102、基于样本数据库中的数据，生成n种故障组件运行功率数据和相同时段内辐照数据的数据曲线图像集。
其中，将辐照数据和相同时段内故障组件运行功率数据，按照日时间序列分布，生成n种故障组件运行功率数据和相同时段内辐照数据的数据曲线图像集。
具体的，可将辐照数据和相同时段内故障组件运行功率数据，按照日时间序列分布，生成n种故障组件运行功率数据曲线图像和1种相同时段内辐照数据曲线图像，再将每一种故障组件运行功率数据曲线图像和1种相同时段内辐照数据曲线图像整合构成一张数据曲线图像，最后，将所有的数据曲线图像构成数据曲线图像集。
需要说明的是，在组件正常的情况下，功率和辐照曲线变化情况类似，相关性较高，而当组件出现故障时，功率和辐照曲线发生变动。可参见图2，示出了组件出现遮挡时，故障组件运行功率数据曲线图像和相同时段内辐照数据曲线图像，由图可知，当未出现遮挡时，故障组件运行功率数据曲线图像和相同时段内辐照数据曲线图像的曲线相关度很高，当出现遮挡时，阴影遮挡使得故障组件运行功率数据曲线呈现下凹情况(图中椭圆圈出部分)，两者之间的相关度很低。因此，可以利用辐照和功率二者之间的曲线关系判断光伏组件故障问题。
S103、根据数据曲线图像集，建立故障判别模型。
需要说明的是，可通过对数据曲线图像集中图像的特征提取及分析，并通过训练神经网络模型的方式，建立该故障判别模型。
在本实施例中，首先建立光伏组件的故障判别模型的样本数据库，其中，样本数据库中包括：辐照数据及相同时段内的n种故障组件运行功率数据，且每种故障组件运行功率数据的数据量均满足预设要求；n为正整数；其次，将样本数据库中的数据，按照日时间序列分布，生成n种故障组件运行功率数据和相同时段内辐照数据的数据曲线图像集；最后，依据数据曲线图像集，建立故障判别模型，进而用于自动识别组件的故障类型，相较于现有技术中的人工经验识别，该故障判别模型识别精度更高；建模所采用的每种故障组件运行功率数据的数据量均满足预设要求，有利于特征识别，能够改善现有技术中识别偏差大的问题；最后，因该故障判别模型识别精度更高，偏差更小，所以应用本发明提供的故障判别模型，能够解决大型地面电站存在的故障难以区分的问题，为电站运维提供实际应用价值，提高运维效率。
步骤S103根据数据曲线图像集，建立故障判别模型的具体过程，可以包括如图3所示的S301和S302。
S301、将数据曲线图像集中的图像，转化成神经网络数据曲线图像。
需要说明的是，所生成的数据曲线图像集中的图像不能直接被神经网络识别，所以要将数据曲线图像集中的图像，转化成神经网络数据曲线图像。具体的，可通过将数据曲线图像集中的图像的图片格式，转化成神经网络能识别的文件格式，并将转换格式后的图像作为神经网络数据曲线图像。
S302、提取神经网络数据图像的特征，得到神经网络数据曲线图像的特征序列。
其中，可以基于神经网络数据曲线图像，应用CNN(Convolutional NeuralNetwork，卷积神经网络)提取神经网络数据曲线图像的特征，得到神经网络数据曲线图像的特征序列。具体的，该CNN模型可以为根据训练集中的神经网络数据曲线图像，所建立的第一模型。
需要说明的是，CNN具有降低运算复杂度、提高特征提取能力的优点，所以采用CNN能够快速提取数据中有效的特征，可减少建模所需时间。当然，在实际应用中，还可以应用其他神经网络模型对神经网络数据图像的特征进行提取，本申请对提取神经网络数据图像的特征所采用的神经网络模型不作具体限定，均属于本申请的保护范围。
具体的，基于神经网络数据曲线图像，应用CNN提取神经网络数据曲线图像的特征，得到神经网络数据曲线图像的特征序列的过程可参见图4，包括以下步骤：
S401、依据神经网络数据曲线图像，确定目标数据曲线图像。
需要说明的是，目标数据曲线图像为所有神经网络数据曲线图像中被划分为训练集的图像。
其中，可通过对神经网络数据曲线图像进行划分，分别得训练集、验证集及测试集，并以训练集中的神经网络数据曲线图像作为目标数据曲线图像。
S402、对目标数据曲线图像应用CNN，构建CNN模型。
具体的，将经过预处理后的n种故障组件运行功率数据曲线图像和1种相同时段内的辐照数据曲线图像也即目标数据曲线图像，按照时间序列作为CNN的底层数据输入，构建CNN模型。其中，经过CNN模型的卷积、池化等各种操作，实现CNN模型的输出，完成构建CNN模型的操作。
S403、基于CNN模型提取神经网络数据曲线图像的特征，得到神经网络数据曲线图像的特征序列。
需要说明的是，依据步骤S402所构建的CNN模型，将神经网络数据曲线图像的数据作为输入，获得该神经网络数据曲线图像的特征序列。
S303、将神经网络数据曲线图像的特征序列作为输入，对第二模型进行训练，在完成对第二模型的训练后，通过验证集进行验证，并通过测试集进行测试，得到最终训练后的第二模型。
需要说明的是，第二模型可以为LSTM(Long Short-Term Memory，长短期记忆网络)模型，具有准确且能自动地从数据中提取特征，模型构建简单高效，高度准确的优点，同时还可以自动学习到数据更深层次、更具体的特征，因而具有更好的非线性拟合能力和分类能力。再者，属于循环神经网络的LSTM具有长久的时间记忆性，隐藏层的结果设计体现了时间序列之间的互相影响关系，具有更好的时序处理数据处理能力。例如，对于渐变型组件故障的诊断更加及时、准确，可以有效预防待故障被发现时造成的损失。
S304、依据最终训练后的第二模型提取特征序列的深度特征，建立故障判别模型。
具体的，最终训练后的第二模型为训练后的LSTM模型，依据训练后的LSTM模型提取特征序列的深度特征，建立故障判别模型的过程可参见图5，主要包括以下步骤：
S501、依据训练后的LSTM模型提取特征序列的深度特征，得到n种故障组件运行功率数据曲线图像对应的光伏组件故障类型，以及1种辐照数据曲线图像对应的光伏组件无故障类型。
其中，n为大于等于1的正整数。
S502、基于n种故障组件运行功率数据曲线图像对应的光伏组件故障类型，以及1种辐照数据曲线图像对应的光伏组件无故障类型，建立故障判别模型。
需要说明的是，LSTM模型具有很好的时间记忆性，能够充分挖掘故障序列时间特性。
还需要说明的是，还可根据训练后的LSTM模型提取特征序列的深度特征，输出的n种故障类型和1种正常类型的判别，建立光伏组件的故障预警系统。
当然，除了采用LSTM模型提取征序列的深度特征外，还可以采用现有技术中其它模型，提取得到征序列的深度特征，本申请对得到征序列的深度特征的方式不作具体限定，均属于本申请的保护范围。
在本实施例中，利用CNN-LSTM提取故障组件运行功率数据和相同时段内的辐照数据的图像特征进行分析，更能全面的反映二者之间的差异特点，相较于其他纯利用组件运行数据提取特征建立故障判别模型的方法，本申请所建立的故障判别模型更加精准，而且采用二维空间内重构图像的方式，减少了数据的特征损失，使得所建立的故障判别模型更精准。
图6为图3中的步骤S303将神经网络数据曲线图像的特征序列作为输入，对第二模型进行训练，在完成对所述第二模型的训练后，通过验证集进行验证，并通过测试集进行测试，得到最终训练后的第二模型的一种实施方式，包括S601至S607七个步骤：
S601、将神经网络数据曲线图像的特征序列作为LSTM模型的输入，得到LSTM模型的隐藏层输出的网络输出值。
需要说明的是，将神经网络数据曲线图像的特征序列输入LSTM模型后，由该LSTM模型的隐藏层经过权值矩阵得到网络输出值。
S602、经过LSTM模型的softmax层将网络输出值映射成概率分布，得到LSTM模型的softmax层输出的实际输出值。
需要说明的是，将隐藏层经过权值矩阵得到的网络输出值，再经过LSTM模型的softmax层，将网络输出值映射成概率分布，即样本序列属于不同类别的概率。
S603、将实际输出值和期望输出值进行误差比较，得到LSTM模型的测试准确率和误差损失函数。
其中，期望输出值为用户在对LSTM模型进行训练之前，预先期望该模型最终输出值的取值。期望输出值的取值可根据用户需求和应用环境确定，本申请不作具体限定，均属于本申请的保护范围。
需要说明的是，通过比较实际输出值与期望输出值之间的误差信息，对描述LSTM模型优劣的测试准确率值和误差损失函数等结果进行观察分析。
S604、判断实际输出值是否收敛并趋于稳定状态，或者，迭代次数是否达到次数阈值。
若实际输出值未收敛并趋于稳定状态，并且，迭代次数未达到次数阈值，则执行步骤S605。
需要说明的是，次数阈值可根据应用环境和用户需求，自行设定，本申请不作具体限定，均属于本申请的保护范围。
S605、变更LSTM模型的网络参数。
需要说明的是，变更LSTM模型的网络参数后返回步骤S601，直至实际输出值收敛并趋于稳定状态，或者，迭代次数达到次数阈值，得到对个不同网络参数下LSTM模型的测试准确率和误差损失函数。
还需要说明的是，模型的训练阶段是一个不断变更参数和优化的过程，这一过程持续进行，直到输出的数值收敛并且趋于一个稳定的状态或者迭代次数达到次数阈值。
S606、通过验证集对多个不同网络参数下的LSTM模型进行验证，得到验证结果最优的LSTM模型。
需要说明的是，变更LSTM模型网络参数后，得到多个不同网络参数下的LSTM模型，获得多个验证集，并通过验证集验证的方式，选择最好的LSTM模型，也即选择验证结果最优的LSTM模型。
S607、通过测试集对验证结果最优的LSTM模型进行测试，得到最终训练后的第二模型。
需要说明的是，通过测试集对验证结果最优的LSTM模型进行测试，得到泛化误差的估值，并得到最终训练后的第二模型。
通过不断变更网络参数得到最优的LSTM模型，或者通过验证集验证，得到最优的LSTM模型，通过最优的LSTM模型能够提取到特征序列更完整的深度特征，保证所建立的故障判别模型的精度和准确度。
在图1的基础之上，执行步骤S102基于样本数据库中的数据，生成n种故障组件运行功率数据和相同时段内辐照数据的数据曲线图像集之后，该光伏组件的故障判别模型建模方法还包括：
对数据曲线图像集中的图像进行预处理。
需要说明的是，由于样本数据库中的数据在采集的过程中，受到一定的外在因素影响，导致直接采用样本数据库中的数据生成的数据曲线图像存在一些异常，为了减小外在因素对生成数据曲线图像影响，降低所得故障判别模型精度和准确度，所以可以采用预处理的方式，对数据曲线图像集中的图像进行预处理。
可选地，请参见图7，对数据曲线图像集中的图像进行预处理的具体过程主要包括以下步骤：
S701、对数据曲线图像集中的图像进行第一预处理操作，得到第一预处理后的图像。
其中，第一预处理操作包括：灰度矫正操作、噪声处理操作以及滤波处理操作中的至少一种操作。
需要说明的是，由于样本数据库中的数据受到温度、天气等外在因素影响，生成的曲线图像可能存在异常波动。因此，需要对曲线图像进行灰度矫正、噪声处理、利用滤波器进行滤波处理。其中，滤波器可以为均值滤波器。
S702、对第一预处理后的图像进行增强处理，得到增强处理后的图像。
需要说明的是，为了使得故障判别模型中有利于故障类型识别的信息得到增强，不利于故障类型识别的信息被抑制，需要对图像进行增强处理。
S703、对增强处理后的图像进行归一化操作，得到归一化后的图像。
需要说明的是，对图像进行归一化为：将用于模型训练的图像的图片调整到相同尺寸。
具体的，可通过对增强处理后的图像进行双线性差值法处理或者逐样本相减处理，得到归一化后的图像。
在实际应用中，可根据应用环境和用户需求，自行选择采用双线性插值法处理或者逐样本相减处理进行归一化。当然，还可以采用其他的归一化方式进行归一化，本申请不作具体限定，均属于本申请的保护范围。
在本实施例中，通过对数据曲线图像集进行预处理之后，再执行后续的建模操作，可减少因外在因素对生成数据曲线图像影响，保证所得故障判别模型精度和准确度。
在上述光伏组件的故障判别模型建模方法的基础之上，本发明还提供了一种光伏组件的故障判别方法，请参见图8，主要包括以下步骤：
S801、依据待判别的故障组件运行功率数据，生成待判别的数据曲线图像。
其中，可以将待判别的故障组件运行功率数据，按照日时间序列分布，生成待判别的故障组件运行功率数据曲线，并将生成的待判别的故障组件运行功率数据曲线作为待判别的数据曲线图像。
S802、将待判别的数据曲线图像输入故障判别模型进行判别，确定待判别的故障组件运行功率数据所针对光伏组件的故障类型。
故障判别模型的初始模型为根据上述任一实施例提供的光伏组件的故障判别模型建模方法得到的模型。
需要说明的是，将待判别的故障组件运行功率数据曲线输入故障判别模型，故障判别模型会根据曲线和模型的映射关系，输出曲线所属的故障类型。
在本实施例中，通过故障判别模型对待判别的故障组件运行功率数据进行故障判别，确定待判别的故障组件运行功率数据所针对的光伏组件的故障类型。由于该故障判别模型的精度和准确度较高，偏差较小，所以对待判别的故障组件运行功率数据进行故障判别所得的故障判别结果的准确度也较高，运维人员可以根据故障判别结果，直接进行检修和运维，减少了运维的耗时。由于大型电站的地形复杂，运维较为艰难，在减少运维人员的前提下，有效区分光伏组件故障是高效运维的重要内容，若是将本发明应用于大型电站中，能够根据故障判别结果有效进行故障排查，减少现场运维工作。
在现有光伏组件检测方法，还存在采用拍摄组件图像的方式判断光伏组件故障，但是采用拍摄组件图像的方式需要配备高分辨率的红外摄像头，光伏组件检测所需设备成本昂贵。相较于现有的采用拍摄组件图像的方式判断光伏组件故障，本申请提供的光伏组件的故障判别方法所需成本较低。再者，采用拍摄组件图像的方式进行故障判别，需要参与拍摄的技术人员具有一定的专业性，且拍摄组件图像只是第一步，若想得到组件的故障结果还需要寻求他人的一定帮助，浪费了人力。
值得说明的是，现有技术中，还存在一种通过电气测量的方式判断光伏组件故障，但是基于电气测量方式需要对每一块光伏组件安装一个电压或者电流传感器进行实时检测，相较于本发明提供光伏组件的故障判别方法成本较高，若是大型电站，在每一块光伏组件安装一个电压或者电流传感器不切实际，所以采用电气测量的方式判断光伏组件故障一般仅适用于特殊场合或者小规模的光伏系统中。
可选地，在图8的基础之上，请参见图9，执行步骤S801依据待判别的故障组件运行功率数据，生成待判别的数据曲线图像之前，该光伏组件的故障判别方法还包括以下步骤：
S901、判断待判别的故障组件运行功率数据所对应的辐照数据是否属于平稳天气条件下的数据。
需要说明的是，只有在平稳天气条件下，对待判别的故障组件运行功率数据进行故障判别所得的结果准确度较高，所以在对待判别的故障组件运行功率数据进行故障判别之前，可以先执行判断其与是否属于平稳天气条件下的数据。
具体的，可以通过判断待判别的故障组件运行功率数据对应的辐照数据是否属于平稳天气条件下的数据，进而判断出待判别的故障组件运行功率数据是否属于平稳天气条件下的数据。
若判断出待判别的故障组件运行功率数据所对应的辐照数据属于平稳天气条件下的数据，则执行步骤S902。
S902、判断待判别的故障组件运行功率数据和所对应的辐照数据的相关系数是否小于相关阈值。
需要说明的是，待判别的故障组件运行功率数据和所对应的辐照数据的相关系数采用公式
Figure BDA0002211332130000171
进行描述。其中，ρGP代表相关系数；Cov(G,I)代表辐照序列和功率序列的协方差，σ(P)代表功率序列的标准差，σ(G)代表辐照序列的标准差。
相关阈值为根据当地电站历史数据情况进行设置的，也可根据应用环境和用户需求确定，主要用于衡量待判别的故障组件运行功率数据和所对应的辐照数据是否具备采用故障判别模型进行故障判别的条件。
具体的，当待判别的故障组件运行功率数据和所对应的辐照数据的相关系数大于相关阈值时，即说明待判别的故障组件运行功率数据和所对应的辐照数据的相关性很高，则确定出待判别的故障组件运行功率数据不满足采用故障判别模型进行故障判别的条件，也即不对待判别的故障组件运行功率数据作判断。而当待判别的故障组件运行功率数据和所对应的辐照数据的相关系数低于相关阈值时，即说明待判别的故障组件运行功率数据和所对应的辐照数据的相关性很低，则确定出待判别的故障组件运行功率数据满足采用故障判别模型进行故障判别的条件。
若判断出待判别的故障组件运行功率数据和所对应的辐照数据的相关系数小于相关阈值，则执行依据待判别的故障组件运行功率数据，生成待判别的数据曲线图像集的步骤。
若判断出待判别的故障组件运行功率数据和所对应的辐照数据的相关系数不小于相关阈值，则不作判断。
在本实施例中，通过预先判断待判别的故障组件运行功率数据是否属于平稳天气条件下的数据，以及待判别的故障组件运行功率数据和所对应的辐照数据相关系数是否小于相关阈值之后，再执行依据待判别的故障组件运行功率数据，生成待判别的数据曲线图像的步骤，使得所得的故障判别结果精度更高，偏差更小。
还需要说明的是，步骤S901和S902的执行顺序并不仅限于上述示出的执行顺序，也可先执行S902判断相关系数是否小于相关阈值，再执行S901判断数据是否属于平稳天气条件下的数据，亦或同时执行步骤S901和S902均可，本申请对步骤S901和S902的执行顺序不作具体限定，均属于本申请的保护范围。
当然，在实际应用中，也可根据应用环境和用户需求，选择性地执行步骤S901或者S902。无论选择执行步骤S901或者S902，均不影响本申请的具体实现，均属于本申请的保护范围。
可选地，在图9的基础之上，请参见图10，执行步骤S901判断待判别的故障组件运行功率数据所对应的辐照数据是否属于平稳天气条件下的数据之后，若判断出待判别的故障组件运行功率数据所对应的辐照数据不属于平稳天气条件下的数据，则还包括执行步骤S1001。
S1001、重新接入下一组待判别的故障组件运行功率数据。
需要说明的是，判断出待判别的故障组件运行功率数据所对应的辐照数据不属于平稳天气条件下的数据，则说明依据此待判别的故障组件运行功率数据使用故障判别模型进行故障判别，所得的结果可能误差较大，准确度较低，无太大的参考价值，所以可以选择不对其进行故障判别，而执行重新接入下一组待判别数据。
可选地，在执行步骤S801依据待判别的故障组件运行功率数据，生成待判别的数据曲线图像之后，该光伏组件的故障判别方法还包括：
将待判别的数据曲线图像进行预处理。
需要说明的是，将待判别的数据曲线图像进行预处理与上述光伏组件的故障判别模型建模方法中，对数据曲线图像集中的图像进行预处理相同，相关说明可相互参见，此处不再赘述。
可选地，在图8或图9的基础之上，请参见图11(以图9为例)，执行步骤S802将待判别的数据曲线图像输入故障判别模型进行判别，确定待判别的故障组件运行功率数据和待判别的辐照数据的故障类型之后，还包括：
S1101、判断故障判别模型输出的故障类型是否等于实际故障类型。
需要说明的是，若故障判别模型输出的故障类型为组件遮挡，但是实际故障类型为热斑，则判断出故障判别模型输出的故障类型不等于实际故障类型。如果故障判别模型输出的故障类型为组件遮挡，但是实际故障类型也为组件遮挡，则判断出故障判别模型输出的故障类型等于实际故障类型。
若判断出故障判别模型输出的故障类型不等于实际故障类型，则执行步骤S1102。
S1102、对故障判别模型输出的故障类型进行矫正，并利用矫正后的故障类型更新样本库。
需要说明的是，可以根据故障判别模型输出的故障类型是否等于实际故障类型，若故障判别模型输出的故障类型不为实际故障类型，则矫正故障判别模型输出的故障类型，以及利用矫正后的故障类型更新样本库，对故障判别模型进行强化学习，使得故障判别模型更加稳健。
还需要说明的是，通过采用故障判别模型输出的故障类型与实际故障类型进行比对的方式，当故障判别模型输出的故障类型与实际故障类型不相同时，可以以实际故障类型对样本库进行丰富以及对故障判别模型进行强化学习，增加了故障判别的准确性。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种光伏组件的故障判别模型建模方法，其特征在于，包括：
建立光伏组件的故障判别模型的样本数据库；其中，所述样本数据库包括：光伏电站历史上平稳天气条件下的辐照数据及相同时段内的n种故障组件运行功率数据，且每种故障组件运行功率数据的数据量均满足预设要求；n为正整数；所述平稳天气条件为：天气状态满足
Figure 862757DEST_PATH_IMAGE001
、
Figure 530499DEST_PATH_IMAGE002
及
Figure 464957DEST_PATH_IMAGE003
的各天；
其中，
Figure 661583DEST_PATH_IMAGE004
为当天的辐照离散程度，a为离散阈值，SK为当天的辐照偏度系数，b为偏度阈值，K为当天的辐照峰度系数，c为峰度阈值；
将所述样本数据库中的数据，按照日时间序列分布，生成n种故障组件运行功率数据和相同时段内辐照数据的数据曲线图像集；
将所述数据曲线图像集中的图像，转化成神经网络数据曲线图像；
对所有的所述神经网络数据曲线图像进行划分，分别得到训练集、验证集及测试集；
依据所述训练集中的神经网络数据曲线图像，建立第一模型，并通过所述第一模型，提取所述训练集中的神经网络数据曲线图像的特征，得到所述神经网络数据曲线图像的特征序列, 所述第一模型为卷积神经网络CNN模型；
将所述特征序列作为输入，对第二模型进行训练，在完成对所述第二模型的训练后，通过所述验证集进行验证，并通过所述测试集进行测试，得到最终训练后的第二模型，所述第二模型为长短期记忆网络LSTM模型；
依据训练后的LSTM模型提取所述特征序列的深度特征，得到n种故障组件运行功率数据曲线图像对应的光伏组件故障类型，以及1种辐照数据曲线图像对应的光伏组件无故障类型；其中，n为大于等于1的正整数；
基于n种所述故障组件运行功率数据曲线图像对应的光伏组件故障类型，以及1种所述辐照数据曲线图像对应的光伏组件无故障类型，建立所述故障判别模型。
2.根据权利要求1所述的光伏组件的故障判别模型建模方法，其特征在于，建立光伏组件的故障判别模型的样本数据库，包括：
收集光伏电站历史上平稳天气条件下的n种故障组件运行功率数据和1种同时段的辐照数据；
或者，
收集实验模拟得到的平稳天气条件下的n种故障组件运行功率数据及1种同时段的辐照数据。
3.根据权利要求1所述的光伏组件的故障判别模型建模方法，其特征在于，所述依据所述训练集中的神经网络数据曲线图像，建立第一模型，包括：
将所述训练集中的神经网络数据曲线图像，按照时间序列分布，作为所述第一模型的输入，建立所述第一模型。
4.根据权利要求1所述的光伏组件的故障判别模型建模方法，其特征在于，所述将所述特征序列作为输入，对第二模型进行训练，在完成对所述第二模型的训练后，通过所述验证集进行验证，并通过所述测试集进行测试，得到最终训练后的第二模型，包括：
将所述特征序列作为所述LSTM模型的输入，得到所述LSTM模型的隐藏层输出的网络输出值；
经过所述LSTM模型的softmax层将所述网络输出值映射成概率分布，得到所述LSTM模型的softmax层输出的实际输出值；
将所述实际输出值和期望输出值进行误差比较，得到所述LSTM模型的测试准确率和误差损失函数；
变更所述LSTM模型的网络参数，返回将所述特征序列作为所述LSTM模型的输入的步骤，直至所述实际输出值收敛并趋于稳定状态，或者，迭代次数达到次数阈值，得到多个不同网络参数下所述LSTM模型的测试准确率和误差损失函数；
通过所述验证集对多个不同网络参数下的所述LSTM模型进行验证，得到验证结果最优的LSTM模型；
通过所述测试集对所述验证结果最优的LSTM模型进行测试，得到所述最终训练后的第二模型。
5.根据权利要求1-4任一所述的光伏组件的故障判别模型建模方法，其特征在于，在将所述样本数据库中的数据，按照日时间序列分布，生成n种故障组件运行功率数据和相同时段内辐照数据的数据曲线图像集之后，还包括：
对所述数据曲线图像集中的图像进行预处理。
6.根据权利要求5所述的光伏组件的故障判别模型建模方法，其特征在于，所述对所述数据曲线图像集中的图像进行预处理，包括：
对所述数据曲线图像集中的图像进行第一预处理操作，得到第一预处理后的图像；其中，所述第一预处理操作包括：灰度矫正操作、噪声处理操作以及滤波处理操作中的至少一种操作；
对所述第一预处理后的图像进行增强处理，得到增强处理后的图像；
对所述增强处理后的图像进行归一化操作，得到归一化后的图像。
7.根据权利要求6所述的光伏组件的故障判别模型建模方法，其特征在于，所述对所述增强处理后的图像进行归一化操作，得到归一化后的图像，包括：
对所述增强处理后的图像进行双线性差值法处理或者逐样本相减处理，得到所述归一化后的图像。
8.一种光伏组件的故障判别方法，其特征在于，包括：
将待判别的故障组件运行功率数据，按照日时间序列分布，生成待判别的数据曲线图像；
将所述待判别的数据曲线图像输入故障判别模型进行判别，确定所述待判别的故障组件运行功率数据所针对光伏组件的故障类型；所述故障判别模型的初始模型为根据如权利要求1-7任一所述的光伏组件的故障判别模型建模方法得到的模型。
9.根据权利要求8所述的光伏组件的故障判别方法，其特征在于，在将待判别的故障组件运行功率数据，按照日时间序列分布，生成待判别的数据曲线图像之前，还包括：
判断所述待判别的故障组件运行功率数据所对应的辐照数据是否属于平稳天气条件下的数据；
若所述待判别的故障组件运行功率数据所对应的辐照数据属于平稳天气条件下的数据，则执行所述将待判别的故障组件运行功率数据，按照日时间序列分布，生成待判别的数据曲线图像的步骤。
10.根据权利要求9所述的光伏组件的故障判别方法，其特征在于，在判断所述待判别的故障组件运行功率数据所对应的辐照数据是否属于平稳天气条件下的数据之后，还包括：
若所述待判别的故障组件运行功率数据所对应的辐照数据属于平稳天气条件下的数据，则判断所述待判别的故障组件运行功率数据和所述所对应的辐照数据的相关系数是否小于相关阈值；
若所述待判别的故障组件运行功率数据和所述所对应的辐照数据的相关系数小于相关阈值，则执行将待判别的故障组件运行功率数据，按照日时间序列分布，生成待判别的数据曲线图像的步骤；
若所述待判别的故障运行功率数据和所述所对应的辐照数据的相关系数大于等于相关阈值，则不作判断。
11.根据权利要求8所述的光伏组件的故障判别方法，其特征在于，在将待判别的故障组件运行功率数据，按照日时间序列分布，生成待判别的数据曲线图像之后，还包括：
对所述待判别的数据曲线图像进行预处理。
12.根据权利要求9-11任一所述的光伏组件的故障判别方法，其特征在于，在将所述待判别的数据曲线图像输入故障判别模型进行判别，确定所述待判别的故障组件运行功率数据所针对光伏组件的故障类型之后，还包括：
判断所述故障判别模型输出的故障类型是否等于实际故障类型；
若所述故障判别模型输出的故障类型不等于实际故障类型，则对所述故障判别模型输出的故障类型进行矫正，并利用矫正后的故障类型更新样本库。
CN201910899359.XA 2019-09-23 2019-09-23 光伏组件的故障判别模型建模方法及故障判别方法 Active CN110619479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910899359.XA CN110619479B (zh) 2019-09-23 2019-09-23 光伏组件的故障判别模型建模方法及故障判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910899359.XA CN110619479B (zh) 2019-09-23 2019-09-23 光伏组件的故障判别模型建模方法及故障判别方法

Publications (2)

Publication Number Publication Date
CN110619479A CN110619479A (zh) 2019-12-27
CN110619479B true CN110619479B (zh) 2022-05-24

Family

ID=68924006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910899359.XA Active CN110619479B (zh) 2019-09-23 2019-09-23 光伏组件的故障判别模型建模方法及故障判别方法

Country Status (1)

Country Link
CN (1) CN110619479B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112097365A (zh) * 2020-07-10 2020-12-18 珠海派诺科技股份有限公司 基于预测和分类模型的空调故障检测与辩识方法及装置
CN112462731B (zh) * 2020-10-16 2022-06-24 北京西南交大盛阳科技股份有限公司 安全监督控制方法、安全监督控制装置、计算机设备及安全监督系统
CN114050787B (zh) * 2021-11-19 2024-04-09 山东理工大学 太阳能光伏发电组件故障在线检测装置及其检测方法
CN114152830A (zh) * 2021-12-02 2022-03-08 武汉工程大学 基于电流特征分析的无刷直流电机逆变器故障诊断方法
TWI805470B (zh) * 2022-08-15 2023-06-11 中原大學 具有虛功補償的三相逆變器裝置
CN116707445B (zh) * 2023-08-04 2023-11-03 华能新能源股份有限公司山西分公司 一种光伏组件故障定位方法和系统
CN118096748B (zh) * 2024-04-25 2024-08-30 国网山东省电力公司鱼台县供电公司 一种用于光伏阵列的故障检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106533361A (zh) * 2016-12-14 2017-03-22 河海大学常州校区 一种基于小波分析的光伏组件故障诊断方法
CN106777984A (zh) * 2016-12-19 2017-05-31 福州大学 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法
CN106961249A (zh) * 2017-03-17 2017-07-18 广西大学 一种光伏阵列故障诊断和预警方法
CN108805256A (zh) * 2018-08-07 2018-11-13 南京工业大学 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法
CN109670553A (zh) * 2018-12-25 2019-04-23 福州大学 基于自适应神经模糊推理系统的光伏阵列故障诊断方法
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184404B (zh) * 2015-08-31 2018-12-18 中国科学院广州能源研究所 适用于光伏系统全生命周期的输出功率分类预测系统
CN108280551B (zh) * 2018-02-02 2022-07-26 华北电力大学 一种利用长短期记忆网络的光伏发电功率预测方法
CN109214552A (zh) * 2018-08-09 2019-01-15 上海安悦节能技术有限公司 基于集成学习光伏预测的智能运维方法
CN110070226B (zh) * 2019-04-24 2020-06-16 河海大学 基于卷积神经网络与元学习的光伏功率预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106533361A (zh) * 2016-12-14 2017-03-22 河海大学常州校区 一种基于小波分析的光伏组件故障诊断方法
CN106777984A (zh) * 2016-12-19 2017-05-31 福州大学 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法
CN106961249A (zh) * 2017-03-17 2017-07-18 广西大学 一种光伏阵列故障诊断和预警方法
CN108805256A (zh) * 2018-08-07 2018-11-13 南京工业大学 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法
CN109670553A (zh) * 2018-12-25 2019-04-23 福州大学 基于自适应神经模糊推理系统的光伏阵列故障诊断方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断与定位;沈桂鹏;《陕西电力》;20160831;第44卷(第8期);第23-32页 *

Also Published As

Publication number Publication date
CN110619479A (zh) 2019-12-27

Similar Documents

Publication Publication Date Title
CN110619479B (zh) 光伏组件的故障判别模型建模方法及故障判别方法
CN106055918B (zh) 一种电力系统负荷数据的辨识及修正方法
CN110458230A (zh) 一种基于多判据融合的配变用采数据异常甄别方法
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN110336534A (zh) 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法
CN110879377B (zh) 基于深度信念网络的计量装置故障溯源方法
CN107832927B (zh) 基于灰色关联分析法的10kV线路线变关系评价方法
CN110503153B (zh) 基于差分进化算法和支持向量机的光伏系统故障诊断方法
Sun et al. A classification identification method based on phasor measurement for distribution line parameter identification under insufficient measurements conditions
CN111738348B (zh) 一种电力数据异常检测方法和装置
CN111008641B (zh) 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法
Shi et al. Expected output calculation based on inverse distance weighting and its application in anomaly detection of distributed photovoltaic power stations
CN111179576B (zh) 一种具有归纳学习的用电信息采集故障诊断方法及系统
CN112183877A (zh) 一种基于迁移学习的光伏电站故障智能诊断方法
CN112083275A (zh) 一种配网故障类型识别方法及系统
CN110717623B (zh) 融合多种天气状况的光伏发电功率预测方法及装置、设备
CN110866652B (zh) 一种基于lstm模型的在线pmu数据纠错方法及系统
CN116401601B (zh) 基于逻辑回归模型的停电敏感用户处置方法
CN117118355A (zh) 光伏板故障检测方法、装置、存储介质及电子设备
CN117458437A (zh) 一种短期风电功率预测方法、系统、设备及介质
CN116662840A (zh) 一种基于机器学习的低压台区用户相位识别方法
Reno et al. IMoFi (Intelligent Model Fidelity): Physics-Based Data-Driven Grid Modeling to Accelerate Accurate PV Integration Updated Accomplishments
Moradzadeh et al. Image processing-based data integrity attack detection in dynamic line rating forecasting applications
Pena et al. Data-Driven Detection of Phase Changes in Evolving Distribution Systems

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
GR01 Patent grant
GR01 Patent grant