CN114358165A - 基于多源数据融合的预防光伏组件接地故障的检测方法 - Google Patents

Abstract

本发明公开了一种基于多源数据融合的预防光伏组件接地故障的检测方法，包括：获取光伏组件不同时空维度的数据源；选择不同的数据分析方法对相应类型的数据源状态进行分析；对各数据源的状态分析结果进行融合和验证，得到光伏组件的接地故障概率。本发明通过对多维度数据源进行融合分析，实现了准确预测光伏组件的接地故障率，有效预防光伏组件的接地故障，保障了光伏组件连续稳定发电。

Description

基于多源数据融合的预防光伏组件接地故障的检测方法

技术领域

本发明涉及光伏发电技术领域，更具体的说是涉及一种基于多源数据融合的预防光伏组件接地故障的检测方法。

背景技术

光伏组件作为光伏发电系统的核心设备，它的工作效率将直接影响企业的经济效益，光伏组件的故障处理、日常维护是保证发电核心设备可利用率的重要措施。现场越来越多的问题与事故表明光伏组件的接地故障是光伏电站最常见的故障之一。

目前，检查光伏组件接地故障的检测方法主要是采用检测电路进行，当检测出来，光伏组件接地故障已经发生，造成了停电损失。

因此，如何提供一种能够预防光伏组件接地故障的检测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于多源数据融合的预防光伏组件接地故障的检测方法，通过对多维度数据源进行融合分析，实现了准确预测光伏组件的接地故障率，有效预防光伏组件的接地故障，保障了光伏组件连续稳定发电。

为了实现上述目的，本发明采用如下技术方案：

一种基于多源数据融合的预防光伏组件接地故障的检测方法，包括：

获取光伏组件不同时空维度的数据源；

选择不同的数据分析方法对相应类型的所述数据源状态进行分析；

对各所述数据源的状态分析结果进行融合和验证，得到光伏组件的接地故障概率。

优选的，在上述一种基于多源数据融合的预防光伏组件接地故障的检测方法中，还包括：

基于所述光伏组件的接地故障概率和光伏组件当前所处位置，从预先构建的知识库中查询对应的应对措施并分发至相应的维修终端。

优选的，在上述一种基于多源数据融合的预防光伏组件接地故障的检测方法中，还包括：

将光伏组件的数据源状态、接地故障概率、实际接地故障和应对措施写入所述知识库中，对所述知识库进行更新。

可选的，在上述一种基于多源数据融合的预防光伏组件接地故障的检测方法中，所述数据源的类型至少包括：光伏组件的视频成像数据、家族缺陷数据、在线运行参数、运行维护数据、振动传感器数据、天气预报数据和光伏电站的工作票数据。

可选的，在上述一种基于多源数据融合的预防光伏组件接地故障的检测方法中，所述光伏组件的视频成像数据由无人机或低空气球挂载相机获得；所述家族缺陷数据从预先构建的知识库中获得；所述天气预报数据从服务器接口获取；所述在线运行参数、所述运行维护数据和所述振动传感器数据从光伏运维管理系统获取。

可选的，在上述一种基于多源数据融合的预防光伏组件接地故障的检测方法中，采用图像搜索匹配算法对所述光伏组件的视频成像数据进行分析；采用模糊数学的方法对所述家族缺陷数据进行分析；采用LSTM算法对所述天气预报数据中的短时短期天气预报数据进行分析，采用BP神经网络算法对所述天气预报数据中的中期天气预报数据进行分析，再对短时、短期和中期三种天气预报数据的分析结果进行加权平均；采用统计方法对所述在线运行参数、所述运行维护数据和所述振动传感器数据进行分析；采用查询或搜索方法对光伏电站的工作票数据进行分析。

可选的，在上述一种基于多源数据融合的预防光伏组件接地故障的检测方法中，对所述光伏组件的视频成像数据进行分析的过程，包括：

提取所述光伏组件的视频数据中的视频帧，采用图像搜索匹配算法将所述视频帧与光伏组件区域原始状态图像进行比对，判断两者之间的一致性程度；

将一致性程度低于预设值的视频帧进行标记，作为警示图像；

识别出所述警示图像中光伏组件的表面状态，并判断周围是否存在现场施工作业。

可选的，在上述一种基于多源数据融合的预防光伏组件接地故障的检测方法中，所述对各所述数据源的状态分析结果进行融合和验证，得到光伏组件的接地故障概率，包括：

采用数据融合算法对不同所述数据源的状态分析结果进行加权平均，得到光伏组件故障信息的计算结果；计算结果包括故障类型、发生故障的位置和接地故障概率值；

采用BP神经网络算法对数据融合算法的计算结果进行拟合验证，预测输出光伏组件的接地故障概率值；

对比所述数据融合算法的计算结果中的接地故障概率值和所述BP神经网络算法输出的接地故障概率值，若二者之间的偏差值在预设值内，则当前计算结果有效，若二者之间的偏差值不在预设值内，则当前计算结果无效。

可选的，在上述一种基于多源数据融合的预防光伏组件接地故障的检测方法中，所述数据融合算法的表达式如下：

Y₁＝∑y_ib_i；

其中，i表示数据源类型，y_i表示第i类数据源的状态分析结果，b_i表示第i类数据源的状态分析结果的权重，且1＝∑b_i。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于多源数据融合的预防光伏组件接地故障的检测方法，该方法对光伏组件的视频成像数据、天气预报的短时短期中期数据、光伏组件的家族信息、运行维护数据、光伏组件的在线运行参数、振动传感器数据和光伏电站的工作票进行数据融合，计算得出光伏组件接地故障的概率，并自动生成光伏组件接地故障后的应对措施，实现了有效预防光伏组件的接地故障，保障了光伏组件连续稳定发电。

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附图为本发明提供的基于多源数据融合的预防光伏组件接地故障的检测方法在一个实施例中的流程图；

图2附图为本发明提供的基于多源数据融合的预防光伏组件接地故障的检测方法在另一个实施例中的流程图。

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。

如图1所示，本发明实施例公开了一种基于多源数据融合的预防光伏组件接地故障的检测方法，包括以下步骤：

S1、获取光伏组件不同时空维度的数据源；

S2、选择不同的数据分析方法对相应类型的所述数据源状态进行分析；

S3、对各所述数据源的状态分析结果进行融合和验证，得到光伏组件的接地故障概率。

在一个实施例中，还包括：

S4、基于所述光伏组件的接地故障概率和光伏组件当前所处位置，从预先构建的知识库中查询对应的应对措施并分发至相应的维修终端。其中，光伏组件的家族缺陷信息从知识库中获得。当接地故障概率超过设定阈值后，则判断为存在故障，并从知识库中查询应对措施。

在其他实施例中，还包括：

如图2所示，S5、将光伏组件的数据源状态、接地故障概率、实际接地故障和应对措施写入所述知识库中，对所述知识库进行更新。

实际接地故障是根据实际的记录获取得到。每次发生故障后，实际发生的故障类型、时间、处理措施等相关内容，都会记录到知识库中，进行知识库的更新。严格来说，每次故障都是不同的，发生的时间不同，条件也不尽相同，实际发生的故障加入知识库中，会增强知识库的能力

本发明实施例还可以自动设置权重，权重根据光伏组件知识库得到。

本发明实施例根据需要设置的目标，来采用不同的设置方法自动设置权重权重；例如，当倾向于以天气条件为侧重点时，则设置权重的时候，会增大天气条件的权重值。

下面对上述各步骤进行进一步描述。

S1中，所述数据源的类型至少包括：光伏组件的视频成像数据、家族缺陷数据、在线运行参数、运行维护数据、振动传感器数据、天气预报数据和光伏电站的工作票数据。

其中，与时间有关的数据源有光伏组件的家族缺陷数据、运行维护数据、短时短期中期的天气预报数据和光伏电站的工作票。与空间有关的数据源有光伏组件的视频成像数据、振动传感器数据和光伏电站的工作票。光伏组件的基本数据源为光伏组件的运行参数，如电压、电流、热量、位置信息、自身位置信息。

家族缺陷数据是指光伏组件的同一厂家的缺陷数据；不同厂家为不同家族。在实际应用中，如果某厂家的光伏组件存在缺陷，则其产品可能会普遍存在缺陷。利用这种特性，可以对该项指标赋予较高的权重值。

光伏电站的工作票上记录了光伏电站进行施工、检修等工作的时间、地点、区域范围、工作类别和内容。如果有光伏组件附近进行挖坑、拆除、安装等作业，则对光伏组件破坏概率大大增加，例如经常有施工挖断线缆、挖坏光伏组件基础的情况。

各数据源的获得方式如下：

所述光伏组件的视频成像数据由高空摄像机采集。具体为无人机或低空气球挂载相机，通过无线4G和5G信号，先传输到视频采集服务装置，再由视频采集服务装置通过光纤传输到监控服务平台进行视频分析和数据处理，识别光伏组件表面状态，同时判断是否存在现场施工作业。其中，视频采集服务装置负责收集和存储相机的视频图像数据，做一些初步的处理；监控服务平台负责监控光伏电站的光伏组件运行状态，有视频数据，有传感器的采集数据，如电压、电流、功率、发电量等，其中视频图像数据的数据量很大，而光伏组件的电压、电流、功率、发电量等数据，虽然点数多，但是每个点所占用的存储空间很小，每个点仅占用4个字节。

家族缺陷数据从预先构建的光伏组件知识库中获取。

短时短期中期的天气预报数据从服务器接口获取。

运行维护数据、运行参数、振动传感器数据从光伏运维管理系统中获取。

光伏电站的工作票由调度系统下达，从光伏运维管理系统中获取。

S2中，选择不同的数据分析方法对相应类型的所述数据源状态进行分析的具体过程为：

采用图像搜索匹配算法对所述光伏组件的视频成像数据进行分析。具体为：

1、提取所述光伏组件的视频数据中的视频帧，采用图像搜索匹配算法将所述视频帧与光伏组件区域原始状态图像进行比对，判断两者之间的一致性程度；

2、将一致性程度低于预设值的视频帧进行标记，作为警示图像；如果一致性程度为95％以上，则为有效图像；如果一致性程度低于95％，则以低空气球挂载的相机视频获得的图像为准，并设置告警标志，作为警示图像。

3、识别出所述警示图像中光伏组件的表面状态，并判断周围是否存在现场施工作业。采用图像识别的方法，识别出光伏组件的非正常状态，如缺失、翻转、残破等，同时，分析出光伏组件周围的施工作业现场，设置重点区域。

采用模糊数学的方法对所述家族缺陷数据进行分析；对其产品质量分为好、一般、差三个级别，对应的权重为2，1，0。

采用LSTM算法对所述天气预报数据中的短时短期天气预报数据进行分析，采用BP神经网络算法对所述天气预报数据中的中期天气预报数据进行分析，再对短时、短期和中期三种天气预报数据的分析结果进行加权平均，权重各为1/3。

采用统计方法对所述在线运行参数、所述运行维护数据和所述振动传感器数据进行分析；计算最大值、最小值、均方差等，识别上述数据是否存在异常。

从光伏电站的工作票分析得出光伏组件的位置，该位置的光伏组件影响程度为1，其他位置的光伏组件影响程度为0。。目前的工作票，在打印纸质的时候，也会在系统中形成记录；工作票包含了工作内容、时间、人员、地点、措施等内容。所以，采用查询或搜索方法很容易从工作票中获得光伏组件的位置信息。

S3中，对各所述数据源的状态分析结果进行融合和验证，得到光伏组件的接地故障概率，具体包括：

采用数据融合算法对不同所述数据源的状态分析结果进行加权平均，得到光伏组件故障信息的计算结果；计算结果包括故障类型、发生故障的位置和接地故障概率；

采用BP神经网络算法对数据融合算法的计算结果进行拟合验证，预测输出光伏组件的接地故障概率值；

对比数据融合算法的计算结果中的接地故障概率值和BP神经网络算法输出的接地故障概率值，若二者之间的偏差值在预设值内，则当前计算结果有效，若二者之间的偏差值不在预设值内，则当前计算结果无效。

具体的，其中，所述数据融合算法的表达式如下：

Y₁＝∑y_ib_i；

其中，i表示数据源类型，y_i表示第i类数据源的状态分析结果，b_i表示第i类数据源的状态分析结果的权重，且1＝∑b_i。

在一个具体实施例中，y_i(i＝1，2，3，4，5，6)，分别是视频分析结果、短时短期中期天气预报数据处理结果、光伏组件在线状态参数处理结果、光伏组件振动传感器数据处理结果、光伏电站工作票处理结果、光伏组件家族缺陷信息处理结果。

b_i(i＝1，2，3，4，5，6)，分别是视频分析结果、短时短期中期天气预报结果、光伏组件在线状态参数处理结果、光伏组件振动传感器处理结果、光伏电站工作票处理结果、光伏组件家族缺陷信息处理结果的权重。

上述六种数据源Yi的处理结果，分别由不同数据源的不同算法处理而得的。具体是：

视频分析结果，由无人机或低空气球挂载的相机的视频图像数据处理而得到，视频分析结果的内容包括：数据源类型、光伏组件故障类型，光伏组件的位置、发生故障的概率。

短时短期中期天气预报数据处理结果，是根据获取的天气预报数据，计算出对未来影响的权重，该权重值会增加其他计算结果的贡献值。当未来天气恶化时(即无光照时间较长)，则权重值较大；当未来天气晴朗，该权重值较小，趋近于0。采用模糊数学的方法，未来天气状况由好到坏，分别对应权重值{0.01，0.2，0.6，0.8，1.5，1.8}即{非常好，好，一般，较差，非常差，特别恶劣}。非常好，即未来两周内，天气晴朗，光照充分。好，即未来一周内天气晴朗，光照充分，但是有多云的可能，一周后天气不确定。一般，即未来两天内天气较好，可能存在有云的情况，两天后的天气有云或阴天存在。较差，即未来三天内阴天。非常差，即未来一周无光照，且存在大风、降水等。特别恶劣，即未来两周无光照，天气存在雨、雪、冰雹、大风等。这些天气状况，对应上面的权重值。

光伏组件在线状态参数处理结果，根据所监测的光伏组件的电压、电流、发电量等参数进行判别光伏组件的状态，包括了光伏组件的位置，光伏组件的状态。光伏组件的状态，按照模糊数学的方法，状态分为{非常好，好，一般，坏，非常坏}，对应的数值分别为{1.0，0.8，0.5，0.2，0.1}。

光伏组件振动传感器数据处理结果，是根据振动传感器的在线数据，来区分状态，当振动传感器的数据高出规定值时，为坏的状态；当振动传感器的数据符合要求时，为好的状态。对应的数据值为{0.2，1.0}。数据处理结果，同时也包括光伏组件的位置信息。

光伏电站工作票处理结果、光伏组件家族缺陷信息处理结果的方式与上面类似。

上述六种数据源的权重bi分配原则为：

从大到小的排序：光伏组件在线状态参数处理结果、光伏组件振动传感器处理结果、视频分析结果、光伏电站工作票处理结果、短时短期中期天气预报结果、光伏组件家族缺陷信息处理结果。他们的权重值加起来等于1。例如，可以取值{0.30，0.25，0.20，0.15，0.08，0.02}。0.30+0.25+0.20+0.15+0.08+0.02＝1.0。

采用BP神经网络算法对第一接地故障概率值进行验证的具体过程为：

每次计算，都会存储数据融合算法的实际结果和计算结果；其中，实际结果是故障发生后，以计算结果存储；当故障未发生，以0存储。这样，在积累数据较多后，这些数据将成为BP神经网络算法的训练数据。

BP神经网络算法根据积累的数据，来预测新的数据；新的数据同数据融合算法的计算结果进行对比，观察其差异水平。如果差异性不明显，则结果有效。如果差异性明显，则结果无效。

对数据融合算法的计算结果进行BP神经网络训练，然后对未来结果进行预测，将预测结果同对多源数据融合分析第一算法的结果进行对比验证。一般情况下，会有一些偏差；如果偏差值较大，相对值超过30％，则存在问题，当前计算结果无效；如果偏差很小，在10％以内，则当前计算结果有效。

数据融合算法输出的结果是光伏组件的故障信息，包括故障类型、发生故障的位置，发生故障的概率；重要的是概率值。其本质是求分类后的概率值，来确定故障发生的最大可能性。

BP神经网络进行预测的时候，与数据融合算法的输出结果是有关联的，相当于利用数据融合算法的计算结果再进行预测。预测后与数据融合算法的结果进行比对。也就是说数据融合算法类似于粗筛的过程，BP神经网络算法类似于再加工一次。由于BP神经网络算法是非线性算法，所以两次的结果不是完全一致的。当偏差较小的时候，则认为预测结果是可靠的。当偏差较大，说明预测结果不可信，不可判断为故障，需要进一步分析原因。

S4中，知识库中记录了光伏组件的位置信息、故障类型、故障描述、故障产生原因、故障的应对措施等记录；根据光伏组件发生接地故障的概率，确定故障类型和故障描述，结合光伏组件所处的位置信息，查找到应对措施。因为不同位置的同种故障，其应对措施是有区别的。任务自动分发，是将光伏故障的应对措施，形成任务清单和操作指导，分发给对应的维修终端，由维修人员去处理。

S5中，将光伏组件的接地故障概率与实际发生故障进行对比，并将光伏组件的接地故障概率所对应的光伏组件的数据源状态、实际接地故障和应对措施写入所述知识库中，对所述知识库进行更新。目的是生成有价值的知识信息，为后面新的光伏组件状态和光伏组件接地故障发生时，提供或者检索信息。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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 (9)

1.一种基于多源数据融合的预防光伏组件接地故障的检测方法，其特征在于，包括：

获取光伏组件不同时空维度的数据源；

选择不同的数据分析方法对相应类型的所述数据源状态进行分析；

对各所述数据源的状态分析结果进行融合和验证，得到光伏组件的接地故障概率。

2.根据权利要求1所述的一种基于多源数据融合的预防光伏组件接地故障的检测方法，其特征在于，还包括：

基于所述光伏组件的接地故障概率和光伏组件当前所处位置，从预先构建的知识库中查询对应的应对措施并分发至相应的维修终端。

3.根据权利要求2所述的一种基于多源数据融合的预防光伏组件接地故障的检测方法，其特征在于，还包括：

将光伏组件的接地故障概率与实际发生故障进行对比，并将光伏组件的接地故障概率所对应的光伏组件的数据源状态、实际接地故障和应对措施写入所述知识库中，对所述知识库进行更新。

4.根据权利要求2所述的一种基于多源数据融合的预防光伏组件接地故障的检测方法，其特征在于，所述数据源的类型至少包括：光伏组件的视频成像数据、家族缺陷数据、在线运行参数、运行维护数据、振动传感器数据、天气预报数据和光伏电站的工作票数据。

5.根据权利要求4所述的一种基于多源数据融合的预防光伏组件接地故障的检测方法，其特征在于，所述光伏组件的视频成像数据由无人机或低空气球挂载相机获得；所述家族缺陷数据从预先构建的知识库中获得；所述天气预报数据从服务器接口获取；所述在线运行参数、所述运行维护数据和所述振动传感器数据从光伏运维管理系统获取。

6.根据权利要求4所述的一种基于多源数据融合的预防光伏组件接地故障的检测方法，其特征在于，采用图像搜索匹配算法对所述光伏组件的视频成像数据进行分析；采用模糊数学的方法对所述家族缺陷数据进行分析；采用LSTM算法对所述天气预报数据中的短时短期天气预报数据进行分析，采用BP神经网络算法对所述天气预报数据中的中期天气预报数据进行分析，再对短时、短期和中期三种天气预报数据的分析结果进行加权平均；采用统计方法对所述在线运行参数、所述运行维护数据和所述振动传感器数据进行分析；采用查询或搜索方法对光伏电站的工作票数据进行分析。

7.根据权利要求3所述的一种基于多源数据融合的预防光伏组件接地故障的检测方法，其特征在于，对所述光伏组件的视频成像数据进行分析的过程，包括：

提取所述光伏组件的视频数据中的视频帧，采用图像搜索匹配算法将所述视频帧与光伏组件区域原始状态图像进行比对，判断两者之间的一致性程度；

将一致性程度低于预设值的视频帧进行标记，作为警示图像；

识别出所述警示图像中光伏组件的表面状态，并判断周围是否存在现场施工作业。

8.根据权利要求1所述的一种基于多源数据融合的预防光伏组件接地故障的检测方法，其特征在于，所述对各所述数据源的状态分析结果进行融合和验证，得到光伏组件的接地故障概率，包括：

采用数据融合算法对不同所述数据源的状态分析结果进行加权平均，得到光伏组件故障信息的计算结果；计算结果包括故障类型、发生故障的位置和接地故障概率值；

采用BP神经网络算法对所述数据融合算法的计算结果进行拟合验证，预测输出光伏组件的接地故障概率值；

对比所述数据融合算法的计算结果中的接地故障概率值和所述BP神经网络算法输出的接地故障概率值，若二者之间的偏差值在预设值内，则当前计算结果有效，若二者之间的偏差值不在预设值内，则当前计算结果无效。

9.根据权利要求7所述的一种基于多源数据融合的预防光伏组件接地故障的检测方法，其特征在于，所述数据融合算法的表达式如下：

Y₁＝∑y_ib_i；

其中，i表示数据源类型，y_i表示第i类数据源的状态分析结果，b_i表示第i类数据源的状态分析结果的权重，且1＝∑b_i。

Images