CN115498956A - 一种光伏阵列串联电弧故障诊断方法 - Google Patents
一种光伏阵列串联电弧故障诊断方法 Download PDFInfo
- Publication number
- CN115498956A CN115498956A CN202211160934.2A CN202211160934A CN115498956A CN 115498956 A CN115498956 A CN 115498956A CN 202211160934 A CN202211160934 A CN 202211160934A CN 115498956 A CN115498956 A CN 115498956A
- Authority
- CN
- China
- Prior art keywords
- arc fault
- gasf
- photovoltaic array
- image
- convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000013145 classification model Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000006835 compression Effects 0.000 claims description 15
- 238000007906 compression Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000000712 assembly Effects 0.000 claims description 3
- 238000000429 assembly Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种光伏阵列串联电弧故障诊断方法,包括以下步骤;步骤S1、按预设采样率采集采集光伏阵列直流母线处电流信号,形成故障时序信号,并计算预设时长时间窗内电流信号X的裕度因子C;步骤S2、将一维故障时序信号编码为二维特征图像以放大电弧故障的内在特征,形成二维特征图像的数据集;步骤S3、以二维特征图像的数据集训练深度卷积生成对抗网络DCGAN;深度卷积生成对抗网络利用数据增强方法增扩电弧故障样本;步骤S4、以二维特征图像的数据集和增扩后的电弧故障样本训练卷积神经网络分类模型CNN,以卷积神经网络分类模型对获取的疑似电弧故障样本进行判定,以辨识是否存在电弧故障;本发明能在有限的故障样本条件下完成串联电弧故障的辨识。
Description
技术领域
本发明涉及光伏发电技术领域,尤其是一种光伏阵列串联电弧故障诊断方法。
背景技术
近几年来,人类对化石能源的过度开采与使用,导致全球气候逐渐恶化,温度上升。为应对全球变暖问题,各国已开始重视对可再生能源的综合利用。太阳能作为一种可持续使用的清洁能源而备受青睐,据统计,截至到2021年,全球光伏发电装机容量已达773.2GW,预计到2025年将超过2TW。用光伏发电替代一部分的传统非可再生能源发电,虽有效缓解了温室效应,但也带来了诸多危险隐患。由于光伏发电系统工作环境恶劣,容易出现组件老化、导线绝缘受损、电缆接头松动等问题,这就导致了电弧故障的频繁发生,而电弧故障是引发光伏系统产生火灾的最主要原因。在光伏发电系统中,一般将电弧故障分为串联电弧故障与并联电弧故障。并联电弧故障的发生通常伴随着电信号的剧烈变化,常规的检测设备就能检测出来。但串联电弧故障发生时,电信号变化微弱,不足以启动保护装置切断故障回路,随着太阳能的持续注入,会进一步导致电弧熄灭困难。因此,设计一种高效、快速、精准的串联电弧故障诊断方法是非常有必要的。
目前,现有的串联电弧故障诊断算法较为多样,主要可归纳为时域、频域和时频域检测法。它们通过提取电信号在时、频域中的特征,利用分类器或阈值法完成串联电弧故障的辨识。实际上,电弧信号特征微弱,加之逆变器开关频率的影响以及环境因素的干扰,导致现有的识别算法准确率不高,鲁棒性较差,泛化能力弱。另外,串联电弧故障数据的获取是非常困难与耗时的,而正常数据样本却容易采集,样本不均衡问题也是导致现有的检测算法诊断效果较差的一个重要原因。
因此,本发明提出一种基于波形图像特征的串联电弧故障检测算法。该算法的优势在于,通过将一维故障时序信号编码为二维特征图像,以放大电弧故障的内在特征,从而提升检测算法的识别准确率。利用数据增强算法增扩电弧故障样本,在有限的故障样本条件下即可完成串联电弧故障的辨识。
发明内容
本发明提出一种光伏阵列串联电弧故障诊断方法,能在有限的故障样本条件下完成串联电弧故障的辨识。
本发明采用以下技术方案。
一种光伏阵列串联电弧故障诊断方法,所述诊断方法包括以下步骤;
步骤S1、按预设的采样率采集光伏阵列直流母线处电流信号,并计算预设时长时间窗内电流信号X的裕度因子C,进一步得到相邻两时间窗的裕度因子绝对差分值Cd,从而获取故障时序信号;
步骤S2、将一维故障时序信号编码为GASF特征图像以放大电弧故障的内在特征,形成GASF图像数据集;
步骤S3、以GASF图像数据集训练改进的深度卷积生成对抗网络;改进的深度卷积生成对抗网络用以增扩电弧故障样本;
步骤S4、以增扩后的故障GASF特征图像样本与正常GASF图像样本训练卷积神经网络分类模型CNN,以卷积神经网络分类模型对获取的疑似电弧故障样本进行判定,以辨识是否存在电弧故障。
所述步骤S1为数据采集步骤,包括以下步骤;
其中max、min分别表示对电流信号X求最大值与最小值,N为X的长度,Xi为电流信号X中的单一数据值;
步骤S12:以步骤S11预设时长的时间窗为步长,滑动采集并计算下一个窗口的裕度因子Ci+1,进一步,计算相邻两个时间窗口的裕度因子的绝对差分值Cd,以公式表述为;
Cd=|Ci-Ci+1| 公式二;
其中Ci为当前窗口的裕度因子值,Ci+1为下一个时间窗口的裕度因子值;
步骤S13:将每次计算的Cd与故障判定阈值Z相比较,若Cd≥Z,则判定出现了疑似电弧故障,此时启动采集设备截取包括该时间窗在内的前M个数据点与后N个数据点,作为需要进一步判别的疑似故障样本;若Cd小于Z,则继续以步骤S11的预设时长为时间窗滑动采集并计算Cd。
步骤S11中,采样率为200kHz,预设时长为0.25ms;步骤S13中,M和N均为500;Z为0.22。
所述步骤S2为图像转换步骤,包括以下步骤;
步骤S21:利用分段聚合近似法对长度为n的时序电流信号X进行降维,如下述公式三所示;
步骤S23:根据下述公式五将归一化后的数据编码至极坐标系下;
步骤S24:计算两个不同时刻的φj和,并基于余弦函数构成格拉姆角和场(GASF)矩阵,如下述公式六所示;
步骤S25:根据构造的GASF矩阵,生成GASF特征图像,以GASF图像形成为二维特征图像数据集。
所述步骤S3为数据增扩步骤,包括以下步骤;
步骤S31:将步骤S1中获取的电弧故障数据集经步骤S2转化为GASF图像后,利用其训练一个改进的深度卷积生成对抗网络DCGAN;
步骤S31:利用训练好的改进的DCGAN生成足量的电弧故障GASF特征图像。
所述深度卷积生成对抗网络的改进特征在于将通道注意力模块SE Model引入生成器,以优化深度卷积生成对抗网络对当前任务有用信息的专注性能,所述通道注意力模块包括压缩模块、激励模块和注意模块;
所述压缩模块的压缩操作为利用全局平均池化,将全局的空间信息压缩到通道中,从而得到一组具有全局信息的特征通道权重向量,其数学表达式为;
所述激励模块的激励操作利用各通道的聚合信息以获取通道之间的关联性。具体步骤为:将压缩操作得到的通道特征向量经过全连接层缩小为T/r个通道以减小计算量,再经过第二个全连接层将通道数恢复至T,最后采用sigmoid函数获取各通道的归一化权重。该过程的数学表达式为:
s=Fex(z,W)=σ[g(z,W)]=σ[W2δ(W1z)] 公式七;
其中,δ为ReLu激活函数,W1、W2为通道描述符;
改进后的DCGAN的整体网络结构为:对于生成器,输入维度为1×100的随机噪声,经过一个全连接层、BN层与tanh激活层后,输出维度为1×8192的向量,并将其重构为8×8×128的矩阵;
然后是两个包含128个卷积核的上采样卷积层;在生成网络的第二层卷积与第三层卷积中融合SE Model,SE Model使得卷积层提取的特征更加精确,避免图像生成冗余;
生成网络的最后一层通过卷积操作形成尺寸为64×64×3的虚假图像;生成器中的激活函数均采用tanh;
判别网络则使用了三个连续的卷积-最大池化层,第一个卷积层使用64个卷积核,其他均使用128个卷积核,最大池化层的步长为(2,2),最后经过两个全连接层输出判别结果;
在判别网络中,所有卷积层的卷积核大小为5×5,除了最后一层使用sigmoid作为激活函数,其余所有卷积层的激活函数均为tanh。
步骤S4为故障检测步骤,包括以下步骤;
步骤S41:利用步骤S1的数据采集技术获取正常状态下的电流数据样本,并经步骤S2转化为GASF图像;
步骤S42:利用正常GASF图像样本与增扩的电弧GASF特征图像样本训练一个卷积神经网络分类模型CNN,其具体网络结构以下述表1表述为:
步骤S43:根据步骤S1数据采集技术,将采集获取的疑似电弧故障样本输入到训练好的CNN分类模型中,完成电弧故障的辨识。
所述光伏阵列包括多块光伏板组件连接而成的阵列结构,光伏阵列通过三相逆变器并网发电。
所述诊断方法通过设于光伏阵列直流母线处的电流互感器配合示波器,来采集母线处的电流信号。
本发明的优势在于,通过将一维故障时序信号编码为二维特征图像,以放大电弧故障的内在特征,从而提升检测算法的识别准确率。利用数据增强算法增扩电弧故障样本,在有限的故障样本条件下即可完成串联电弧故障的辨识。
本发明的创新点和优势还在于:
(1)创新性地设计了一种轻便、快捷的启动算法,实现了串联电弧故障数据的初筛。该技术有效滤除了大部分非故障数据,有效提升了后端识别算法的效率,实现了故障时刻的捕捉与串联电弧故障数据的获取。
(2)创新性地将格拉姆角和场技术用于串联电弧故障诊断,该技术首次被应用在光伏阵列电弧故障诊断领域,通过将一维时序信号转化为二维图像,有效放大了电弧故障的微弱特征,提升了后端检测算法的识别准确率。
(3)创新性地对深度卷积生成对抗网络(DCGAN)进行了改进,将注意力模块融合到DCGAN的生成网络中,有效提升了增扩样本的质量。改进的DCGAN不仅解决了实际情况中样本不均衡的问题,同时减小了生成图像的失真,为诊断网络的训练提供了大量故障数据的支持,进一步提升了检测算法辨识准确率。
与现有的检测算法相比,本发明所提的光伏阵列串联电弧故障诊断方法抗扰性强,适应性好,准确率高
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
附图1是本发明步骤S1的流程示意图;
附图2是本发明步骤S2的流程示意图;
附图3是本发明步骤S3中,改进的DCGAN整体网络结构示意图;
附图4是本发明步骤S3的流程示意图;
附图5是本发明步骤S4的流程示意图;
附图6是本发明的整体流程示意图;
附图7是光伏阵列和数据采集点的示意图;
附图8是光伏阵列电弧故障状态与正常工况状态下的GASF特征图像对比示意图;
附图9是改进前后的DCGAN生成图像的PSNR对比示意图;
附图10是实施例中本发明的检测结果示意图。
具体实施方式
如图所示,一种光伏阵列串联电弧故障诊断方法,所述诊断方法包括以下步骤;
步骤S1、按预设的采样率采集光伏阵列直流母线处电流信号,并计算预设时长时间窗内电流信号X的裕度因子C,进一步得到相邻两时间窗的裕度因子绝对差分值Cd,从而获取故障时序信号;
步骤S2、将一维故障时序信号编码为GASF特征图像以放大电弧故障的内在特征,形成GASF图像数据集;
步骤S3、以GASF图像数据集训练改进的深度卷积生成对抗网络;改进的深度卷积生成对抗网络用以增扩电弧故障样本;
步骤S4、以增扩后的故障GASF特征图像样本与正常GASF图像样本训练卷积神经网络分类模型CNN,以卷积神经网络分类模型对获取的疑似电弧故障样本进行判定,以辨识是否存在电弧故障。
所述步骤S1为数据采集步骤,包括以下步骤;
其中max、min分别表示对电流信号X求最大值与最小值,N为X的长度,Xi为电流信号X中的单一数据值;
步骤S12:以步骤S11预设时长的时间窗为步长,滑动采集并计算下一个窗口的裕度因子Ci+1,进一步,计算相邻两个时间窗口的裕度因子的绝对差分值Cd,以公式表述为;
Cd=|Ci-Ci+1| 公式二;
其中Ci为当前窗口的裕度因子值,Ci+1为下一个时间窗口的裕度因子值;
步骤S13:将每次计算的Cd与故障判定阈值Z相比较,若Cd≥Z,则判定出现了疑似电弧故障,此时启动采集设备截取包括该时间窗在内的前M个数据点与后N个数据点,作为需要进一步判别的疑似故障样本;若Cd小于Z,则继续以步骤S11的预设时长为时间窗滑动采集并计算Cd。
步骤S11中,采样率为200kHz,预设时长为0.25ms;步骤S13中,M和N均为500;Z为0.22。
所述步骤S2为图像转换步骤,包括以下步骤;
步骤S21:利用分段聚合近似法对长度为n的时序电流信号X进行降维,如下述公式三所示;
步骤S23:根据下述公式五将归一化后的数据编码至极坐标系下;
步骤S24:计算两个不同时刻的φj和,并基于余弦函数构成格拉姆角和场(GASF)矩阵,如下述公式六所示;
步骤S25:根据构造的GASF矩阵,生成GASF特征图像,以GASF图像形成为二维特征图像数据集。
所述步骤S3为数据增扩步骤,包括以下步骤;
步骤S31:将步骤S1中获取的电弧故障数据集经步骤S2转化为GASF图像后,利用其训练一个改进的深度卷积生成对抗网络DCGAN;
步骤S31:利用训练好的改进的DCGAN生成足量的电弧故障GASF特征图像。
所述深度卷积生成对抗网络的改进特征在于将通道注意力模块SE Model引入生成器,以优化深度卷积生成对抗网络对当前任务有用信息的专注性能,所述通道注意力模块包括压缩模块、激励模块和注意模块;
所述压缩模块的压缩操作为利用全局平均池化,将全局的空间信息压缩到通道中,从而得到一组具有全局信息的特征通道权重向量,其数学表达式为;
所述激励模块的激励操作利用各通道的聚合信息以获取通道之间的关联性。具体步骤为:将压缩操作得到的通道特征向量经过全连接层缩小为T/r个通道以减小计算量,再经过第二个全连接层将通道数恢复至T,最后采用sigmoid函数获取各通道的归一化权重。该过程的数学表达式为:
s=Fex(z,W)=σ[g(z,W)]=σ[W2δ(W1z)] 公式七;
其中,δ为ReLu激活函数,W1、W2为通道描述符;
如图3所示,改进后的DCGAN的整体网络结构为:对于生成器,输入维度为1×100的随机噪声,经过一个全连接层、BN层与tanh激活层后,输出维度为1×8192的向量,并将其重构为8×8×128的矩阵;
然后是两个包含128个卷积核的上采样卷积层;在生成网络的第二层卷积与第三层卷积中融合SE Model,SE Model使得卷积层提取的特征更加精确,避免图像生成冗余;
生成网络的最后一层通过卷积操作形成尺寸为64×64×3的虚假图像;生成器中的激活函数均采用tanh;
判别网络则使用了三个连续的卷积-最大池化层,第一个卷积层使用64个卷积核,其他均使用128个卷积核,最大池化层的步长为(2,2),最后经过两个全连接层输出判别结果;
在判别网络中,所有卷积层的卷积核大小为5×5,除了最后一层使用sigmoid作为激活函数,其余所有卷积层的激活函数均为tanh。
步骤S4为故障检测步骤,包括以下步骤;
步骤S41:利用步骤S1的数据采集技术获取正常状态下的电流数据样本,并经步骤S2转化为GASF图像;
步骤S42:利用正常GASF图像样本与增扩的电弧GASF特征图像样本训练一个卷积神经网络分类模型CNN,其具体网络结构以下述表1表述为:
步骤S43:根据步骤S1数据采集技术,将采集获取的疑似电弧故障样本输入到训练好的CNN分类模型中,完成电弧故障的辨识。
所述光伏阵列包括多块光伏板组件连接而成的阵列结构,光伏阵列通过三相逆变器并网发电。
所述诊断方法通过设于光伏阵列直流母线处的电流互感器配合示波器,来采集母线处的电流信号。
实施例:
本例中,所提光伏阵列串联电弧故障诊断方法的整体流程如图6所示。首先根据步骤S1获取串联电弧故障数据,随后将其经步骤S2转化为GASF特征图像,接着利用电弧GASF图像训练改进的DCGAN,并对故障样本进行增扩,最后训练一个CNN分类模型,对步骤S1中获取的疑似电弧故障样本做进一步的分类识别。
所获数据样本均来自于如图7所示的光伏阵列,其由24块光伏组件构成,连接成2×12的阵列结构,三相逆变器被用于并网发电,所用光伏组件与逆变器的具体参数如下述表2所示。电弧故障发生装置串接于光伏阵列直流母线中,以模拟串联电弧故障。电流互感器CPL8100A钳于光伏阵列直流母线处,并配合DSOX2024A示波器采集母线处电流信号,计算用的服务器参数为:I5-10200H的CPU,16G的RAM。
表2
在图7所示的光伏阵列中,共采集到数据样本2600组,其中200组串联电弧故障数据用以训练改进的深度卷积生成对抗网络,并生成2000张电弧故障GASF特征图像。
正常数据样本2000组,使其与增扩的故障样本一起训练一个CNN分类模型。最后,正常状态、串联电弧故障数据样本各100组,用以测试诊断模型的准确性;照度突变与MPPT动作数据样本各100组,用以测试检测模型的抗干扰能力。本例中,使用200kHz采样率,5ms时间窗采集数据。数据样本的分布情况如下述表3所示。
表3
分别取正常状态、电弧故障、MPPT动作与照度突变数据样本各100组,计算每组样本的裕度因子绝对差分值的最大值,若该值大于等于0.22,则判断此样本为疑似电弧故障样本。所提的启动算法准确率如下述表4所示。
表4
由表4可以看到,本例所提的启动算法能够100%检测到电弧故障,对于正常状态与干扰情况,会出现一定概率的误启动,在实际检测中,有效筛除了部分非电弧故障样本,一定程度上减少了检测算法的执行次数。
本例所使用的格拉姆角和场技术效果如图8所示,通过将一维数据转化到二维空间,有效放大了电弧故障的微弱特征,提高了正常样本与故障样本的辨识度。
本例所提的改进深度卷积生成对抗网络效果如图9所示,通过在生成网络中融合通道注意力机制以避免图像生成冗余,从而提升增扩样本质量,减小生成图像的失真。
峰值信噪比(PSNR)是评价图像质量的一个重要指标,由图9可以看到,DCGAN的PSNR在2000代内一直处于波动状态,稳定性较差。相反,改进的DCGAN生成图像的PSNR明显更大,即本发明的诊断方法所提改进措施有效减小了图像的失真,且在第255代以后,生成图像的PSNR就逐渐趋于稳定。简言之,改进后,模型生成的图像质量和模型的稳定性均得到了提高。
本例中所提的故障检测技术检测结果如图10所示,抗干扰分析如下述表5所示。利用训练好的CNN分类模型对表3所示的测试样本与干扰进行测试,得到如图10所示的混淆矩阵,可以发现,测试集的整体识别率为99%,2个故障样本被误判为正常,而正常样本则能100%识别。根据表5所示的检测结果,所提算法面对MPPT动作、照度突变等干扰事件,均能100%辨识,不会产生误判,充分验证了所提算法具备良好的抗干扰能力。
表5
Claims (9)
1.一种光伏阵列串联电弧故障诊断方法,其特征在于:所述诊断方法包括以下步骤;
步骤S1、按预设的采样率采集光伏阵列直流母线处电流信号,并计算预设时长时间窗内电流信号X的裕度因子C,进一步得到相邻两时间窗的裕度因子绝对差分值Cd,从而获取故障时序信号;
步骤S2、将一维故障时序信号编码为GASF特征图像以放大电弧故障的内在特征,形成GASF图像数据集;
步骤S3、以GASF图像数据集训练改进的深度卷积生成对抗网络;改进的深度卷积生成对抗网络用以增扩电弧故障样本;
步骤S4、以增扩后的故障GASF特征图像样本与正常GASF图像样本训练卷积神经网络分类模型CNN,以卷积神经网络分类模型对获取的疑似电弧故障样本进行判定,以辨识是否存在电弧故障。
2.根据权利要求1所述的一种光伏阵列串联电弧故障诊断方法,其特征在于:所述步骤S1为数据采集步骤,包括以下步骤;
步骤S11:以预设的采样率采集光伏阵列直流母线处电流信号,并计算每个预设时长的时间窗内电流信号X的裕度因子C,其具体定义以公式表述为
其中max、min分别表示对电流信号X求最大值与最小值,N为X的长度,Xi为电流信号X中的单一数据值;
步骤S12:以步骤S11预设时长的时间窗为步长,滑动采集并计算下一个窗口的裕度因子Ci+1,进一步,计算相邻两个时间窗口的裕度因子的绝对差分值Cd,以公式表述为;
Cd=|Ci-Ci+1| 公式二;
其中Ci为当前窗口的裕度因子值,Ci+1为下一个时间窗口的裕度因子值;
步骤S13:将每次计算的Cd与故障判定阈值Z相比较,若Cd≥Z,则判定出现了疑似电弧故障,此时启动采集设备截取包括该时间窗在内的前M个数据点与后N个数据点,作为需要进一步判别的疑似故障样本;若Cd小于Z,则继续以步骤S11的预设时长为时间窗滑动采集并计算Cd。
3.根据权利要求2所述的一种光伏阵列串联电弧故障诊断方法,其特征在于:步骤S11中,采样率为200kHz,预设时长为0.25ms;步骤S13中,M和N均为500;Z为0.22。
4.根据权利要求2所述的一种光伏阵列串联电弧故障诊断方法,其特征在于:所述步骤S2为图像转换步骤,包括以下步骤;
步骤S21:利用分段聚合近似法对长度为n的时序电流信号X进行降维,如下述公式三所示;
步骤S23:根据下述公式五将归一化后的数据编码至极坐标系下;
步骤S24:计算两个不同时刻的φj和,并基于余弦函数构成格拉姆角和场(GASF)矩阵,如下述公式六所示;
步骤S25:根据构造的GASF矩阵,生成GASF特征图像,以GASF图像形成为二维特征图像数据集。
5.根据权利要求2所述的一种光伏阵列串联电弧故障诊断方法,其特征在于:
所述步骤S3为数据增扩步骤,包括以下步骤;
步骤S31:将步骤S1中获取的电弧故障数据集经步骤S2转化为GASF图像后,利用其训练一个改进的深度卷积生成对抗网络DCGAN;
步骤S31:利用训练好的改进的DCGAN生成足量的电弧故障GASF特征图像。
6.根据权利要求5所述的一种光伏阵列串联电弧故障诊断方法,其特征在于:所述深度卷积生成对抗网络的改进特征在于将通道注意力模块SE Model引入生成器,以优化深度卷积生成对抗网络对当前任务有用信息的专注性能,所述通道注意力模块包括压缩模块、激励模块和注意模块;
所述压缩模块的压缩操作为利用全局平均池化,将全局的空间信息压缩到通道中,从而得到一组具有全局信息的特征通道权重向量,其数学表达式为;
所述激励模块的激励操作利用各通道的聚合信息以获取通道之间的关联性。具体步骤为:将压缩操作得到的通道特征向量经过全连接层缩小为T/r个通道以减小计算量,再经过第二个全连接层将通道数恢复至T,最后采用sigmoid函数获取各通道的归一化权重。该过程的数学表达式为:
s=Fex(z,W)=σ[g(z,W)]=σ[W2δ(W1z)] 公式七;
其中,δ为ReLu激活函数,W1、W2为通道描述符;
改进后的DCGAN的整体网络结构为:对于生成器,输入维度为1×100的随机噪声,经过一个全连接层、BN层与tanh激活层后,输出维度为1×8192的向量,并将其重构为8×8×128的矩阵;
然后是两个包含128个卷积核的上采样卷积层;在生成网络的第二层卷积与第三层卷积中融合SE Model,SE Model使得卷积层提取的特征更加精确,避免图像生成冗余;
生成网络的最后一层通过卷积操作形成尺寸为64×64×3的虚假图像;生成器中的激活函数均采用tanh;
判别网络则使用了三个连续的卷积-最大池化层,第一个卷积层使用64个卷积核,其他均使用128个卷积核,最大池化层的步长为(2,2),最后经过两个全连接层输出判别结果;
在判别网络中,所有卷积层的卷积核大小为5×5,除了最后一层使用sigmoid作为激活函数,其余所有卷积层的激活函数均为tanh。
8.根据权利要求1所述的一种光伏阵列串联电弧故障诊断方法,其特征在于:所述光伏阵列包括多块光伏板组件连接而成的阵列结构,光伏阵列通过三相逆变器并网发电。
9.根据权利要求1所述的一种光伏阵列串联电弧故障诊断方法,其特征在于:所述诊断方法通过设于光伏阵列直流母线处的电流互感器配合示波器,来采集母线处的电流信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211160934.2A CN115498956A (zh) | 2022-09-22 | 2022-09-22 | 一种光伏阵列串联电弧故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211160934.2A CN115498956A (zh) | 2022-09-22 | 2022-09-22 | 一种光伏阵列串联电弧故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115498956A true CN115498956A (zh) | 2022-12-20 |
Family
ID=84469805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211160934.2A Pending CN115498956A (zh) | 2022-09-22 | 2022-09-22 | 一种光伏阵列串联电弧故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115498956A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118194025A (zh) * | 2024-05-15 | 2024-06-14 | 山东科技大学 | 基于迁移学习的燃料电池水故障诊断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108075728A (zh) * | 2016-11-15 | 2018-05-25 | 上海英孚特电子技术有限公司 | 一种光伏系统直流侧电弧故障类型辨识及保护装置 |
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 |
WO2019214268A1 (zh) * | 2018-05-09 | 2019-11-14 | 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 |
CN114266339A (zh) * | 2021-12-13 | 2022-04-01 | 南京理工大学 | 一种基于小样本和gaf-dcgan的滚动轴承故障诊断方法 |
CN115035336A (zh) * | 2022-06-08 | 2022-09-09 | 集美大学 | 基于gasf和cnn的三电平t型逆变器故障诊断方法 |
-
2022
- 2022-09-22 CN CN202211160934.2A patent/CN115498956A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108075728A (zh) * | 2016-11-15 | 2018-05-25 | 上海英孚特电子技术有限公司 | 一种光伏系统直流侧电弧故障类型辨识及保护装置 |
WO2019214268A1 (zh) * | 2018-05-09 | 2019-11-14 | 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 |
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 |
CN114266339A (zh) * | 2021-12-13 | 2022-04-01 | 南京理工大学 | 一种基于小样本和gaf-dcgan的滚动轴承故障诊断方法 |
CN115035336A (zh) * | 2022-06-08 | 2022-09-09 | 集美大学 | 基于gasf和cnn的三电平t型逆变器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
程起泽;陈泽华;张雲钦;蒋文杰;刘晓峰;沈亮;: "基于CNN-LSTM的太阳能光伏组件故障诊断研究", 电子技术应用, no. 04, 6 April 2020 (2020-04-06), pages 66 - 70 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118194025A (zh) * | 2024-05-15 | 2024-06-14 | 山东科技大学 | 基于迁移学习的燃料电池水故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
CN106405339B (zh) | 基于高低频小波特征关联的输电线路故障原因辨识方法 | |
CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
CN109145886A (zh) | 一种多源信息融合的异步电机故障诊断方法 | |
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 | |
CN103398769B (zh) | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 | |
CN106017879A (zh) | 基于振声信号特征融合的万能式断路器机械故障诊断方法 | |
CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
US10790779B2 (en) | Systems and methods for determining arc events using wavelet decomposition and support vector machines | |
CN103018629A (zh) | 一种基于马拉算法的电力系统故障录波数据分析方法 | |
CN115498956A (zh) | 一种光伏阵列串联电弧故障诊断方法 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN112557950A (zh) | 基于矩阵相似性的配电网谐振接地系统故障选线方法 | |
CN112857767A (zh) | 基于卷积神经网络的水轮发电机组转子故障声学判别方法 | |
CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
Gao et al. | Series arc fault diagnosis method of photovoltaic arrays based on GASF and improved DCGAN | |
Wang et al. | Partial discharge detection with convolutional neural networks | |
Aydin et al. | Artificial immune inspired fault detection algorithm based on fuzzy clustering and genetic algorithm methods | |
CN116189711B (zh) | 基于声波信号监测的变压器故障识别方法及装置 | |
Qian et al. | Research on DC arc fault detection in PV systems based on adjacent multi-segment spectral similarity and adaptive threshold model | |
CN115808600B (zh) | 基于数学形态学和模式识别的直流电弧检测方法 | |
CN115389888B (zh) | 一种基于高压电缆的局部放电实时监测系统 | |
CN116298725A (zh) | 故障电弧检测方法、系统及存储介质 |
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 |