CN114997745A - 一种基于深度特征提取的光伏故障诊断溯源方法 - Google Patents

一种基于深度特征提取的光伏故障诊断溯源方法 Download PDF

Info

Publication number
CN114997745A
CN114997745A CN202210895601.8A CN202210895601A CN114997745A CN 114997745 A CN114997745 A CN 114997745A CN 202210895601 A CN202210895601 A CN 202210895601A CN 114997745 A CN114997745 A CN 114997745A
Authority
CN
China
Prior art keywords
fault
equipment
diagnosis
photovoltaic
input
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.)
Granted
Application number
CN202210895601.8A
Other languages
English (en)
Other versions
CN114997745B (zh
Inventor
姚中原
庞然
张宇
吴凯
周小兵
袁赛杰
刘治
严祺慧
孙捷
施俊佼
胡皓
叶季蕾
张一凡
李斌
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.)
Huaneng Rudong Baxianjiao Offshore Wind Power Co ltd
Clean Energy Branch of Huaneng International Power Jiangsu Energy Development Co Ltd Clean Energy Branch
Original Assignee
Huaneng Rudong Baxianjiao Offshore Wind Power Co ltd
Clean Energy Branch of Huaneng International Power Jiangsu Energy Development Co Ltd Clean Energy Branch
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 Huaneng Rudong Baxianjiao Offshore Wind Power Co ltd, Clean Energy Branch of Huaneng International Power Jiangsu Energy Development Co Ltd Clean Energy Branch filed Critical Huaneng Rudong Baxianjiao Offshore Wind Power Co ltd
Priority to CN202210895601.8A priority Critical patent/CN114997745B/zh
Publication of CN114997745A publication Critical patent/CN114997745A/zh
Application granted granted Critical
Publication of CN114997745B publication Critical patent/CN114997745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于深度特征提取的光伏故障诊断溯源方法，步骤包括：首先对输入的光伏设备运行数据按照告警阈值进行筛选输出设备故障告警和对应的设备运行数据，然后通过卷积自编码器进行故障特征提取，形成故障特征张量；然后将故障特征张量输入经过基于卷积神经网络的卷积自编码器，输出故障诊断结果；最后基于故障诊断结果、设备拓扑数据进行故障定位与溯源，输出故障综述。该方法具有很强的抗干扰性和鲁棒性，对光伏设备运行数据质量要求较低；通过卷积自编码器，实现了故障特征的自动提取，降低了人工特征提取的决策风险，表现出优秀的诊断性能。

Description

一种基于深度特征提取的光伏故障诊断溯源方法
技术领域
本发明涉及一种光伏发电故障诊断方法，尤其涉及一种基于深度特征提取的光伏故障诊断溯源方法，属于光伏技术领域。
背景技术
国内外现有光伏电站运维系统缺乏针对光伏发电设备的故障智能诊断手段，一旦无法及时检测到光伏发电设备故障，将会直接影响电站发电量。但目前光伏电站故障处理主要依靠现有的光伏监控系统，通过监控系统产生设备告警后，再由运维人员响应处理。但在实际应用中，电站监控系统错误报警和重复报警现象严重，导致用户对报警电站进行盲目维修，耗费大量人力、物力、财力，同时也给用户的监测和维护带来较大的困难。光伏发电系统出现异常或故障的成因多且复杂，对其进行准确识别和定位可解决光伏企业面临的难题。建立切实有效的光伏发电系统智能故障诊断溯源方法，并大幅度提高其故障识别准确度和故障定位的精度，是光伏领域亟待解决的一大问题。
现有的光伏发电故障诊断方法，主要分为物理法和机器学习法。物理法是通过输入各设备的测量量，基于参数辨识建立模型，实现对设备的物理故障的诊断和识别。在建立参数辨识模型时，主要是通过采集故障数据样本，结合设备物理参数建立故障仿真模型来实现故障诊断。机器学习法主要是通过构建面向故障诊断的决策树（即故障树），推导故障模式和故障数据之间的关联关系，从而实现故障智能诊断。前者的缺点是由于收集数据样本的限制，仿真模型存在很大的模型偏向，对于设备种类众多，规格各异，运行工况复杂的光伏发电，应用受到很大限制，诊断模型鲁棒性不高。后者缺点是操作复杂，对构建故障树的人员专业知识要求严格，实施难度大。另一方面，有些类型的光伏发电设备故障是由上下级设备故障引起的，仅仅定位到测量异常的设备而未定位故障源，将无法为运维人员提供全面的运维检修建议。
通过对以上算法存在的问题以及解决方法的研究，结合工程应用的实际需求，需要研究计算结果更加精确，适用范围更广，满足工业应用需要的新方法。
发明内容
本发明要解决的技术问题是现有的光伏发电故障诊断方法在模型建立方面专业性要求高，预测的精确性差异很大，受不同数据质量和设备工况影响很大，极易发生误报警，而且不具备实现故障溯源功能，导致推广价值不高的问题，基于该问题，本发明提供一种基于深度特征提取的光伏故障诊断溯源方法。
为解决上述技术问题，本发明采用的技术方案为：
本发明提供了一种基于深度特征提取的光伏故障诊断溯源方法。整个方法包括故障特征提取、故障诊断和故障溯源3个阶段。
故障特征提取阶段的任务是将输入的发电设备运行数据和在线统计指标通过卷积自编码器进行特征提取，生成故障特征张量。故障诊断通过将故障特征张量输入卷积神经网络模型进行故障诊断分类。故障溯源阶段对故障诊断结果进行故障定位与溯源，输出故障综述。
一种基于深度特征提取的光伏故障诊断溯源方法，包括如下步骤：
步骤1，输入光伏关键发电设备的运行数据与在线统计指标，按照人工配置的告警阈值进行数据筛选，对运行数据或在线统计指标超阈值的设备输出设备故障告警信息，并记录告警设备及其在同一上级设备下的所有同类设备的运行数据，形成故障状态量矩阵Se；
构造卷积自编码器，其输入层为故障状态量矩阵Se，输出为故障特征矩阵，对故障状态量矩阵Se的在线数据进行故障特征提取，生成故障特征张量Re；
步骤2，分为训练阶段和诊断阶段；训练阶段将通过步骤1生成的故障特征矩阵历史数据和故障诊断人工标注集输入卷积神经网络模型，对卷积神经网络模型进行训练，生成已训练的故障诊断模型；在诊断阶段将待诊断的故障特征张量Re输入故障诊断模型，输出设备故障诊断结果；
步骤3，对设备故障诊断结果进行故障源判定，输出判定结果；故障源分为：设备自身故障、上级设备故障和下级设备故障；对于故障源判定为上、下级设备故障的，则需输入光伏设备拓扑数据，通过故障溯源检索找到该故障对应的上、下级设备，再将该上、下级设备作为分析对象，提取其运行数据，计算在线统计指标，重复步骤1~3，直到找到故障源设备为止。
优选地，所述光伏关键发电设备包括光伏组串、汇流箱、逆变器、升压变。
优选地，所述运行数据包括输入/输出电流、输入/输出电压、输入/输出有功功率、负载、无功功率、并网频率、逆变器效率、机柜温度、逆变器单位产出UG；
所述在线统计指标包括：逆变器单位产出均值偏差UGMB、组串电流离散率、汇流箱电流离散率DI；
Figure 280528DEST_PATH_IMAGE001
（1）
Figure 601788DEST_PATH_IMAGE002
（2）
Figure 654320DEST_PATH_IMAGE003
（3）
其中，G为逆变器日发电量，单位为kwh；
P0为逆变器额定容量，单位为kw；
UGMB i 为第i个逆变器的单位产出均值偏差；
UG i 是指第i个逆变器的单位产出；
Figure 188069DEST_PATH_IMAGE004
是指同一子阵下所有逆变器单位产出的均值；
I i 是第i个汇流箱输出电流或第i个光伏组串电流；
Figure 632826DEST_PATH_IMAGE005
是该逆变器下所有光伏组串或汇流箱电流的均值。
优选地，所述故障状态量矩阵Se的公式为：
Figure 265932DEST_PATH_IMAGE006
（4）
其中，x nm 为与设备e同一上级设备下的第n个同类设备的第m个测量量归一化后的值；测量量包括输入/输出电流、输入/输出电压、输入/输出有功功率、负载、无功功率。
优选地，所述卷积自编码器的网络结构基于卷积神经网络模型构建，包括卷积层、池化层和反卷积层。
优选地，所述故障特征张量Re的生成方法为：利用设备故障状态量历史数据训练卷积自编码器，生成故障特征提取模型Mex，再将待诊断的设备e的故障状态量矩阵Se输入Mex，输出故障特征张量Re，
Figure 667745DEST_PATH_IMAGE007
（5）
其中，Re是维度为k×j×l的故障特征r的张量，包含l个维度为k×j的故障特征矩阵。
优选地，步骤2具体包括如下步骤：
步骤2.1，构造卷积神经网络模型CNN，输入为故障特征矩阵，最后一个全连接层，负责输出故障诊断向量，向量的维度n即为故障类别数；
步骤2.2，在训练阶段，设置卷积神经网络模型的损失函数L CNN 为交叉熵损失函数，如式（6），设置卷积神经网络模型训练的学习率Lr，迭代次数epoch，批处理大小batch_size,
Figure 270764DEST_PATH_IMAGE008
（6）
其中，y是由人工标注的训练样本的真实分类值，即故障诊断人工标注集中的真实分类值；
Figure 710973DEST_PATH_IMAGE009
是卷积神经网络模型预测的分类值；
将故障特征矩阵历史数据集和对应的故障诊断人工标注集输入到卷积神经网络模型CNN进行模型训练，输出故障诊断模型Mcl；
步骤2.3，在诊断阶段，将待诊断的设备e的故障特征张量Re输入故障诊断模型Mcl，输出故障诊断结果
Figure 609921DEST_PATH_IMAGE010
，其中，φ i 对应为诊断为第i种故障的归一化概率，取Max（φ i ）为故障最终分类结果。
优选地，故障类别数即为故障最终分类结果，故障类别数包括电网电流过低、电网电流过高、电网电压过低、电网电压过高、电网频率过低、电网频率过高、孤岛保护、内部温度高、防雷器故障、绝缘阻抗异常、风扇异常、紧急停机故障、直流输入过电流、直流输入过电压、零电压穿越保护、低电压穿越保护、直流电压异常关机、逆向功率保护、逆变驱动线缆故障和输出接地故障。
优选地，步骤3具体包括如下步骤：
步骤3.1，基于故障分类与故障源对应关系表，基于步骤2的设备故障诊断结果，进行设备故障源判定，将各类设备故障判定为自身故障、上级设备故障或下级设备故障；
步骤3.2，对于故障源判定为设备自身故障的，直接输出故障综述；
步骤3.3，对于故障源判定为上级或下级设备故障的，则输入光伏设备拓扑数据，通过故障溯源检索找到该故障对应的上、下级设备ec。
步骤3.4，将上、下级设备ec作为分析对象，提取其对应的运行数据，计算在线统计指标，构造故障状态量矩阵Sec，重复步骤3.1~3.3，直到找到故障源设备es为止。
优选地，所述故障分类与故障源对应关系表为：
当故障分类为电网频率/电压/电流过低或过高、孤岛保护时，故障源对应为上级设备故障；
当故障分类为内部温度高、防雷器故障、绝缘阻抗异常、风扇异常、紧急停机故障时，故障源对应为设备自身故障故障；
当故障分类为直流输入过电流、直流输入过电压时，故障源对应为下级设备故障。
本发明的优点在于：
1.本发明具有很强的抗干扰性和鲁棒性，对设备故障数据质量要求较低；
2.本发明通过卷积自编码器，实现了故障特征的自动提取，降低了人工特征提取的决策风险，表现出优秀的诊断性能。
3.本发明通过卷积神经网络模型实现故障智能诊断，可以实现通过海量故障数据对规律进行自学习，可以采用相对固定的超参数，避免了传统基于故障仿真的方法精度依赖于仿真场景与实际情况的符合程度，而基于决策时的方法精度依赖于领域专家的经验的问题。
4.本发明通过故障溯源方法实现了故障源设备的定位，为运维检修策略制定提供了更加丰富的数据支撑。
本发明为解决光伏故障诊断溯源问题提供了新的思路。首先利用卷积自编码模型作为特征提取器，提取光伏故障特征向量，然后将故障特征向量输入到卷积神经网络模型进行故障诊断分类，再通过故障溯源，最终输出光伏故障诊断结果。
附图说明
图1为本发明的方法流程图；
图2 为本发明中自编码器的结构图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，本发明提供了一种基于深度特征提取的光伏故障诊断溯源方法，包括如下步骤：
步骤1，输入光伏关键发电设备的运行数据与在线统计指标，按照人工配置的告警阈值进行数据筛选，对运行数据与在线统计指标超阈值的设备发出告警。并记录告警设备及其在同一上级设备下的所有同类设备的运行数据形成设备组故障状态量矩阵；然后利用卷积自编码器对设备状态量矩阵在线数据进行故障特征提取，生成故障特征张量。
步骤1.1，输入光伏组串、汇流箱、逆变器、升压变等光伏关键发电设备运行数据和光伏子阵的在线统计指标数据。数据内容包括：（1）设备运行数据：输入/输出电流、输入/输出电压、输入/输出有功功率、负载、无功功率、并网频率、逆变器效率、机柜温度、逆变器单位产出UG（计算方法见公式1）等；（2）在线统计指标数据：逆变器单位产出均值偏差UGMB（计算方法见公式2）、组串电流离散率、汇流箱电流离散率DI（计算方法见公式3）等。
Figure 135580DEST_PATH_IMAGE001
（1）
Figure 276712DEST_PATH_IMAGE002
（2）
Figure 837006DEST_PATH_IMAGE003
（3）
其中，G为逆变器日发电量，单位为kwh；
P0为逆变器额定容量，单位为kw；
UGMB i 为第i个逆变器的单位产出均值偏差；
UG i 是指第i个逆变器的单位产出；
Figure 638347DEST_PATH_IMAGE004
是指同一子阵下所有逆变器单位产出的均值；
I i 是第i个汇流箱输出电流（上级设备为集中式逆变器）或第i个光伏组串电流（上级设备为组串式逆变器）；
Figure 916881DEST_PATH_IMAGE005
是该逆变器下所有光伏组串或汇流箱电流的均值。
步骤1.2，人工配置各设备运行数据和光伏子阵统计指标的告警阈值如表1，对输入数据进行筛选，对设备运行数据或光伏子阵统计指标超阈值的设备e，输出故障告警信息，并记录告警设备在告警时刻的运行数据，经过归一化后形成设备e及其同上级设备组成的故障状态量矩阵Se，见公式4。
Figure 720758DEST_PATH_IMAGE006
（4）
其中，x nm 为与设备e同一上级设备下的第n个同类设备的第m个测量量（如输入/输出电流、输入/输出电压、输入/输出有功功率、负载、无功功率等）归一化后的值。
在本实施例中，某光伏子阵的1号升压变下有200台组串式逆变器，逆变器的运行数据测量量包括输入/输出电流、输入/输出有功功率、无功功率、逆变器效率共6种。则当其中某个逆变器e发生超阈值告警时，故障状态量矩阵Se的维度为200×6。
表1设备告警阈值配置表
Figure 276504DEST_PATH_IMAGE011
步骤1.3，构造卷积自编码器，其网络结构如图2，输入层为设备故障状态量矩阵Se，输出为故障特征矩阵，其网络结构基于卷积神经网络模型构建，包括卷积层、池化层和反卷积层。
步骤1.4，利用设备故障状态量历史数据训练卷积自编码器，生成故障特征提取模型Mex，再将待诊断的设备e的故障状态量矩阵Se输入Mex，输出故障特征张量Re，见公式5。
Figure 641889DEST_PATH_IMAGE012
（5）
其中，Re是维度为k×j×l的故障特征r的张量，包含l个维度为k×j的故障特征矩阵。
本实施例中，k，j，l是故障特征张量Re的维度，是利用卷积神经网络从故障状态量矩阵Se提取特征的输出，其值是由输入的故障状态量矩阵Se的维度m,n，二维卷积核的尺寸以及卷积核个数共同决定的。如本实施例，故障状态量矩阵的维度是200×6，在本实施例中构造的卷积自编码器卷积核的大小为6×6，卷积核个数为3，输出的故障特征张量的维度为178×4×3。
步骤2，分为训练阶段和诊断阶段。训练阶段将通过步骤1生成的故障特征矩阵历史数据和已标注的故障诊断结果输入卷积神经网络模型，对卷积神经网络模型进行训练，生成已训练的故障诊断模型。在诊断阶段将待诊断的故障特征张量Re输入故障诊断模型，输出设备故障诊断结果。
步骤2.1，构造卷积神经网络模型CNN，输入为故障特征矩阵，最后一个全连接层，负责输出故障诊断向量，向量的维度n即为故障类别数。在本实施例中针对逆变器故障目标分类一共20种，因此输出向量的维度为20，其故障分类明细表如表2。
故障诊断向量是指故障诊断概率向量，其中每个元素的值表示该故障特征矩阵被诊断为某个故障目标分类的概率。
表2逆变器故障分类明细表
Figure 876561DEST_PATH_IMAGE013
步骤2.2，在训练阶段，设置卷积神经网络模型的损失函数L CNN 为交叉熵损失函数，如公式（6），设置卷积神经网络模型训练的学习率Lr，迭代次数epoch，批处理大小batch_size,
Figure 625074DEST_PATH_IMAGE008
（6）
其中，y是由人工标注的训练样本的真实分类值；
Figure 410495DEST_PATH_IMAGE009
是卷积神经网络模型预测的分类值。
本实施例中，训练样本来源于历史故障状态数据，真实分类值是由人工标注获得的，即通过人工经验分析已发生的故障状态数据，进行故障分类，形成故障诊断人工标注集。
模型预测的分类概率值即为预测分类值，只不过利用卷积神经网络模型输出的是分类概率而不是分类标签。
根据实验效果，通常设置卷积神经网络模型的学习率Lr在0.01~0.001之间，根据计算资源的丰富程度，迭代次数epoch设置为100次~500次之间，批处理大小batch_size根据GPU显存尺寸设置为8~32之间，为了保证卷积神经网络模型收敛性，批处理大小不能低于8。
将故障特征矩阵历史数据集和对应的故障诊断人工标注集输入到卷积神经网络模型CNN进行模型训练，输出故障诊断模型Mcl。
步骤2.3，在诊断阶段，将待诊断的设备e的故障特征张量Re输入故障诊断模型Mcl，输出故障诊断结果
Figure 320682DEST_PATH_IMAGE010
，其中，φ i 对应为诊断为第i种故障的归一化概率，取Max（φ i ）为故障最终分类结果。
故障归一化概率是由卷积神经网络模型的输出层（softmax层）生成的，该层的作用是输出一个向量f c ，其中每个元素φ i 为诊断为第i种故障（一共有如表2所示的20种故障）的概率，并且Σφi =1。
Max（φ i ）即为从φ 1，φ 2，……，φ 20中找出最大的一个值，根据对训练样本的统计，其所对应的分类有最大的可能性是正确分类，因此作为最终分类结果。
步骤3，对设备故障诊断结果进行故障源判定，输出判定结果。故障源可分为：设备自身故障、上级设备故障和下级设备故障3类。对于故障源判定为设备自身故障的，直接输出故障综述；对于故障源判定为上、下级设备故障的，则需输入光伏设备拓扑数据，通过故障溯源检索找到该故障对应的上下级设备，再将该上下级设备作为分析对象，提取其运行数据，计算在线统计指标，重复步骤1~3，直到找到故障源设备为止。
对于故障源判定为上级或下级设备故障的设备故障，故障溯源检索可以通过读取光伏电站的光伏设备拓扑数据来实现对该设备上级或下级设备的检索，再通过连续执行上级或下级设备的故障分类和故障源判定，最终找到故障源为自身故障或整个拓扑中最上级（下级）的设备，实现故障溯源。
步骤3.1，领域专家根据各类设备故障的特性，构造故障分类与故障源对应关系表（如表4），基于设备故障诊断结果，进行设备故障源判定，将各类设备故障判定为自身故障、上级设备故障或下级设备故障。对于光伏电站，在实践中，用表3定义各类设备故障的自上而下级层级关系。
表3故障自上而下层级关系
Figure 42650DEST_PATH_IMAGE014
以逆变器故障为例，其各类故障与故障源对应关系表如表4。
表4逆变器故障分类与故障源对应关系表
Figure 329275DEST_PATH_IMAGE015
结合表3和表4，如通过步骤2，故障诊断为组串式逆变器输入侧过流，则可以定位为其下级的组串电流故障。
步骤3.2，对于故障源判定为设备自身故障的，直接输出故障综述。如组串式逆变器通过步骤2故障诊断为内部温度高，则直接输出故障诊断综述。
步骤3.3，对于故障源判定为上级或下级设备故障的，则需输入光伏设备拓扑数据（如表5），通过故障溯源检索找到该故障对应的上下级设备ec。
以逆变器为例，逆变器拓扑数据样例如表5。
表5逆变器拓扑数据样例
Figure 954554DEST_PATH_IMAGE016
逆变器的上下级设备故障，基于表5，通过故障溯源检索可以实现对故障逆变器的上级故障升压变设备或下级故障汇流箱设备的检索。
步骤3.4，将ec作为分析对象，提取其对应的运行数据，计算在线统计指标，构造故障状态量矩阵Sec，重复步骤3.1~3.3，直到找到故障源设备es为止。如组串式逆变器输入侧过流，通过溯源找到其下级所有组串，通过构造组串故障状态量矩阵，重复步骤3.1~3.3，由于组串为最下级设备，即可实现故障诊断溯源。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间，以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的方法。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种基于深度特征提取的光伏故障诊断溯源方法，其特征在于，包括如下步骤：
步骤1，输入光伏关键发电设备的运行数据与在线统计指标，按照人工配置的告警阈值进行数据筛选，对运行数据或在线统计指标超阈值的设备输出设备故障告警信息，并记录告警设备及其在同一上级设备下的所有同类设备的运行数据，形成故障状态量矩阵Se；
构造卷积自编码器，其输入层为故障状态量矩阵Se，输出为故障特征矩阵，对故障状态量矩阵Se的在线数据进行故障特征提取，生成故障特征张量Re；
步骤2，分为训练阶段和诊断阶段；训练阶段将通过步骤1生成的故障特征矩阵历史数据和故障诊断人工标注集输入卷积神经网络模型，对卷积神经网络模型进行训练，生成已训练的故障诊断模型；在诊断阶段将待诊断的故障特征张量Re输入故障诊断模型，输出设备故障诊断结果；
步骤3，对设备故障诊断结果进行故障源判定，输出判定结果；故障源分为：设备自身故障、上级设备故障和下级设备故障；对于故障源判定为上、下级设备故障的，则需输入光伏设备拓扑数据，通过故障溯源检索找到该故障对应的上、下级设备，再将该上、下级设备作为分析对象，提取其运行数据，计算在线统计指标，重复步骤1~3，直到找到故障源设备为止。
2.根据权利要求1所述的方法，其特征在于，所述光伏关键发电设备包括光伏组串、汇流箱、逆变器、升压变。
3.根据权利要求1所述的方法，其特征在于，所述运行数据包括输入/输出电流、输入/输出电压、输入/输出有功功率、负载、无功功率、并网频率、逆变器效率、机柜温度、逆变器单位产出UG；
所述在线统计指标包括：逆变器单位产出均值偏差UGMB、组串电流离散率、汇流箱电流离散率DI；
Figure 675184DEST_PATH_IMAGE001
（1）
Figure 274661DEST_PATH_IMAGE002
（2）
Figure 974764DEST_PATH_IMAGE003
（3）
其中，G为逆变器日发电量，单位为kwh；
P0为逆变器额定容量，单位为kw；
UGMB i 为第i个逆变器的单位产出均值偏差；
UG i 是指第i个逆变器的单位产出；
Figure 844762DEST_PATH_IMAGE004
是指同一子阵下所有逆变器单位产出的均值；
I i 是第i个汇流箱输出电流或第i个光伏组串电流；
Figure 503277DEST_PATH_IMAGE005
是该逆变器下所有光伏组串或汇流箱电流的均值。
4.根据权利要求1所述的方法，其特征在于，故障状态量矩阵Se的公式为：
Figure 855630DEST_PATH_IMAGE006
（4）
其中，x nm 为与设备e同一上级设备下的第n个同类设备的第m个测量量归一化后的值；测量量包括输入/输出电流、输入/输出电压、输入/输出有功功率、负载、无功功率。
5.根据权利要求1所述的方法，其特征在于，所述卷积自编码器的网络结构基于卷积神经网络模型构建，包括卷积层、池化层和反卷积层。
6.根据权利要求1所述的方法，其特征在于，所述故障特征张量Re的生成方法为：利用设备故障状态量历史数据训练卷积自编码器，生成故障特征提取模型Mex，再将待诊断的设备e的故障状态量矩阵Se输入Mex，输出故障特征张量Re，
Figure 93844DEST_PATH_IMAGE007
（5）
其中，
Figure 832997DEST_PATH_IMAGE008
是维度为k×j×l的故障特征r的张量，包含l个维度为k×j的故障特征矩阵。
7.根据权利要求1所述的方法，其特征在于，步骤2具体包括如下步骤：
步骤2.1，构造卷积神经网络模型CNN，输入为故障特征矩阵，最后一个全连接层，负责输出故障诊断向量，向量的维度n即为故障类别数；
步骤2.2，在训练阶段，设置卷积神经网络模型的损失函数L CNN 为交叉熵损失函数，如式（6），设置卷积神经网络模型训练的学习率Lr，迭代次数epoch，批处理大小batch_size，
Figure 396834DEST_PATH_IMAGE009
（6）
其中，y是由人工标注的训练样本的真实分类值，即故障诊断人工标注集中的真实分类值；
Figure 970903DEST_PATH_IMAGE010
是卷积神经网络模型预测的分类值；
将故障特征矩阵历史数据集和对应的故障诊断人工标注集输入到卷积神经网络模型CNN进行模型训练，输出故障诊断模型Mcl；
步骤2.3，在诊断阶段，将待诊断的设备e的故障特征张量Re输入故障诊断模型Mcl，输出故障诊断结果
Figure 12809DEST_PATH_IMAGE011
，其中，φ i 对应为诊断为第i种故障的归一化概率，取Max（φ i ）为故障最终分类结果。
8.根据权利要求7所述的方法，其特征在于，故障类别数即为故障最终分类结果，故障类别数包括电网电流过低、电网电流过高、电网电压过低、电网电压过高、电网频率过低、电网频率过高、孤岛保护、内部温度高、防雷器故障、绝缘阻抗异常、风扇异常、紧急停机故障、直流输入过电流、直流输入过电压、零电压穿越保护、低电压穿越保护、直流电压异常关机、逆向功率保护、逆变驱动线缆故障和输出接地故障。
9.根据权利要求1所述的方法，其特征在于，步骤3具体包括如下步骤：
步骤3.1，基于故障分类与故障源对应关系表，基于步骤2的设备故障诊断结果，进行设备故障源判定，将各类设备故障判定为自身故障、上级设备故障或下级设备故障；
步骤3.2，对于故障源判定为设备自身故障的，直接输出故障综述；
步骤3.3，对于故障源判定为上级或下级设备故障的，则输入光伏设备拓扑数据，通过故障溯源检索找到该故障对应的上、下级设备ec；
步骤3.4，将上、下级设备ec作为分析对象，提取其对应的运行数据，计算在线统计指标，构造故障状态量矩阵Sec，重复步骤3.1~3.3，直到找到故障源设备es为止。
10.根据权利要求9所述的方法，其特征在于，所述故障分类与故障源对应关系表为：
当故障分类为电网频率/电压/电流过低或过高、孤岛保护时，故障源对应为上级设备故障；
当故障分类为内部温度高、防雷器故障、绝缘阻抗异常、风扇异常、紧急停机故障时，故障源对应为设备自身故障故障；
当故障分类为直流输入过电流、直流输入过电压时，故障源对应为下级设备故障。
CN202210895601.8A 2022-07-28 2022-07-28 一种基于深度特征提取的光伏故障诊断溯源方法 Active CN114997745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210895601.8A CN114997745B (zh) 2022-07-28 2022-07-28 一种基于深度特征提取的光伏故障诊断溯源方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210895601.8A CN114997745B (zh) 2022-07-28 2022-07-28 一种基于深度特征提取的光伏故障诊断溯源方法

Publications (2)

Publication Number Publication Date
CN114997745A true CN114997745A (zh) 2022-09-02
CN114997745B CN114997745B (zh) 2022-10-04

Family

ID=83021778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210895601.8A Active CN114997745B (zh) 2022-07-28 2022-07-28 一种基于深度特征提取的光伏故障诊断溯源方法

Country Status (1)

Country Link
CN (1) CN114997745B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628608A (zh) * 2023-04-23 2023-08-22 华能国际电力江苏能源开发有限公司 一种光伏发电故障诊断方法及系统
CN117290803A (zh) * 2023-11-27 2023-12-26 深圳鹏城新能科技有限公司 一种储能逆变器远程故障诊断方法、系统及介质

Citations (9)

* Cited by examiner, † Cited by third party
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
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
CN109977624A (zh) * 2019-05-06 2019-07-05 上海交通大学 基于深度神经网络的光伏电站缓变故障监测方法
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
CN110943857A (zh) * 2019-11-20 2020-03-31 国网湖北省电力有限公司信息通信公司 基于卷积神经网络的电力通信网故障分析及定位方法
CN111010084A (zh) * 2019-12-12 2020-04-14 山东中实易通集团有限公司 一种光伏电站智能监控分析平台及方法
CN111413955A (zh) * 2020-04-16 2020-07-14 华能国际电力股份有限公司 一种发变组远程故障诊断系统
CN111461915A (zh) * 2019-01-18 2020-07-28 中国电力科学研究院有限公司 一种光伏电厂运行实时信息管理系统及管理方法
CN113743528A (zh) * 2021-09-15 2021-12-03 集美大学 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
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
CN111461915A (zh) * 2019-01-18 2020-07-28 中国电力科学研究院有限公司 一种光伏电厂运行实时信息管理系统及管理方法
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
CN109977624A (zh) * 2019-05-06 2019-07-05 上海交通大学 基于深度神经网络的光伏电站缓变故障监测方法
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
CN110943857A (zh) * 2019-11-20 2020-03-31 国网湖北省电力有限公司信息通信公司 基于卷积神经网络的电力通信网故障分析及定位方法
CN111010084A (zh) * 2019-12-12 2020-04-14 山东中实易通集团有限公司 一种光伏电站智能监控分析平台及方法
CN111413955A (zh) * 2020-04-16 2020-07-14 华能国际电力股份有限公司 一种发变组远程故障诊断系统
CN113743528A (zh) * 2021-09-15 2021-12-03 集美大学 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A.MELLIT等: "Fault detection and diagnosis methods for photovoltaic systems:A review", 《RENEWABLE AND SUSTAINABLE ENERGY REVIEWS》 *
那峙雄 等: "多尺度特征融合的光伏电站故障诊断", 《计算机工程与应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628608A (zh) * 2023-04-23 2023-08-22 华能国际电力江苏能源开发有限公司 一种光伏发电故障诊断方法及系统
CN117290803A (zh) * 2023-11-27 2023-12-26 深圳鹏城新能科技有限公司 一种储能逆变器远程故障诊断方法、系统及介质
CN117290803B (zh) * 2023-11-27 2024-03-26 深圳鹏城新能科技有限公司 一种储能逆变器远程故障诊断方法、系统及介质

Also Published As

Publication number Publication date
CN114997745B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
Zhu et al. Fault diagnosis approach for photovoltaic arrays based on unsupervised sample clustering and probabilistic neural network model
Huang et al. Design of hybrid artificial bee colony algorithm and semi-supervised extreme learning machine for PV fault diagnoses by considering dust impact
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
CN112383052B (zh) 基于电力物联网的电网故障修复方法和装置
CN104809658B (zh) 一种低压配网台区线损的快速分析方法
CN110533331B (zh) 一种基于输电线路数据挖掘的故障预警方法和系统
CN109670213B (zh) 一种风电场多机等值建模方法及装置
Badr et al. Fault identification of photovoltaic array based on machine learning classifiers
CN109409444B (zh) 一种基于先验概率的多元电网故障类型的判别方法
CN106503439A (zh) 一种基于数据挖掘的采集故障预警系统的方法
Kolhe et al. GA-ANN for short-term wind energy prediction
CN114997745B (zh) 一种基于深度特征提取的光伏故障诊断溯源方法
Liu et al. Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I–V curves
Hajji et al. Fault detection and diagnosis in grid-connected PV systems under irradiance variations
Liang et al. Status evaluation method for arrays in large-scale photovoltaic power stations based on extreme learning machine and k-means
Dawood et al. Red deer optimized recurrent neural network for the classification of power quality disturbance
CN111091141B (zh) 一种基于分层Softmax的光伏背板故障诊断方法
Fu et al. Fault diagnosis of photovoltaic array based on SE-ResNet
Li et al. Simulation of multivariate scheduling optimization for open production line based on improved genetic algorithm
Kumar Performance modelling and optimisation of the rice processing industrial system using PSO
CN114154567A (zh) 一种基于机器学习的风电场站运行数据异常识别方法
CN114266720A (zh) 基于混合神经网络的电力导线故障检测方法及系统
Thapa et al. A machine learning-based approach to detection of fault locations in transmission networks
Dyamond et al. Detecting anomalous events for a grid connected pv power plant using sensor data
Mgaya et al. Machine learning approach for classifying power outage in secondary electric distribution network

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