CN115940806B - 一种光伏发电系统及其故障诊断方法 - Google Patents

一种光伏发电系统及其故障诊断方法 Download PDF

Info

Publication number
CN115940806B
CN115940806B CN202310034557.6A CN202310034557A CN115940806B CN 115940806 B CN115940806 B CN 115940806B CN 202310034557 A CN202310034557 A CN 202310034557A CN 115940806 B CN115940806 B CN 115940806B
Authority
CN
China
Prior art keywords
target data
data
model
prediction model
temperature
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
CN202310034557.6A
Other languages
English (en)
Other versions
CN115940806A (zh
Inventor
曹莹
张绪生
周明龙
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.)
Boteng Digital Technology Hangzhou Co ltd
Original Assignee
Boteng Digital Technology Hangzhou 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 Boteng Digital Technology Hangzhou Co ltd filed Critical Boteng Digital Technology Hangzhou Co ltd
Priority to CN202310034557.6A priority Critical patent/CN115940806B/zh
Publication of CN115940806A publication Critical patent/CN115940806A/zh
Application granted granted Critical
Publication of CN115940806B publication Critical patent/CN115940806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Photovoltaic Devices (AREA)

Abstract

本发明提供了一种光伏发电系统及其故障诊断方法，其中，方法包括：获取多组逆变器温度、环境温度、辐照度以及光伏背板温度，并进行标准化处理，输入第一模型和第二模型中进行交叉训练，从而得到第一预测模型和第二预测模型，对当前的光伏发电系统的数据进行计算，从而判断是否具有故障。本发明的有益效果：实现了根据其对应的变化情况，即使没有达到过高的电压或者温度，也可以对故障进行识别，起到一个更早预防的作用，从而减少火灾等进一步恶劣的情况，提高了光伏发电系统的安全性。

Description

一种光伏发电系统及其故障诊断方法
技术领域
本发明涉及光伏发电领域，特别涉及一种光伏发电系统及其故障诊断方法。
背景技术
光伏发电系统是常见的电能来源之一，目前由于光伏发电系统在运行过程当中存在系统复杂、数据庞多等情况，使得系统易发生故障，严重时可能会引起大规模停电、火灾等恶劣情况。快速地检测光伏发电系统是否发生故障能够很好地提高光伏发电系统的工作效率。现有技术中，主要是通过过高的电压或者温度来实现对光伏发电系统的故障的判断，然而室外的环境是千变万化的，光伏发电系统一般设在室外，因此对于一些存在安全隐患但是其没有达到过高的电压或者温度，导致识别程度较低，不能及时发现故障。
发明内容
本发明的主要目的为提供一种光伏发电系统及其故障诊断方法，旨在解决对于一些存在安全隐患但是其没有达到过高的电压或者温度识别程度较低，不能及时发现故障的问题。
本发明一种光伏发电系统的故障诊断方法，所述光伏发电系统包括光伏阵列、控制单元以及受控于所述控制单元的逆变器、电网和环境参数获取模块，所述环境参数获取模块包括多个环境参数测量装置，各个环境参数测量装置分别与所述逆变器或者光伏阵列上的光伏背板连接，所述故障诊断方法包括：
通过环境参数获取装置以及温度获取装置获取光伏发电系统工作时的n个时间点的环境参数和温度，分别得到n组逆变器温度、环境温度、辐照度以及光伏背板温度；
将各组逆变器温度、所述环境温度以及所述光伏背板温度按照预设的第一转换方法分别转换为第一数据、第二数据和第三数据，将所述辐照度按照预设的第二转换方法转换为第四数据；其中，第一数据、第二数据、第三数据以及第四数据的维度相同；
根据第一数据、第二数据和第四数据，确定第一目标数据，根据第三数据、第二数据和第四数据，确定第二目标数据，以及根据第三数据和第一数据，确定第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据；
将n组的第一目标数据和第三目标数据输入至第一模型，以及将第二目标数据和第三目标数据输入至第二模型中进行交叉训练，以得到训练完成后的第一预测模型和第二预测模型；
获取当前的逆变器温度、环境温度、辐照度以及光伏背板温度，并转换为对应的实时第一目标数据、实时第二目标数据以及实时第三目标数据；其中，所述实时第一目标数据与第一目标数据对应，所述实时第二目标数据与第二目标数据对应，所述实时第三目标数据与第三目标数据对应；
将所述实时第一目标数据和实时第三目标数据输入第一预测模型中，得到第一输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第二输出结果；
判断所述第一输出结果与第二输出结果的差值是否大于预设值；
若大于预设值，则判定当前的所述光伏发电系统发生故障。
进一步地，所述将n组的第一目标数据和第三目标数据输入至第一模型，以及将第二目标数据和第三目标数据输入至第二模型中进行交叉训练，以得到训练完成后的第一预测模型和第二预测模型的步骤，包括：
将所述第一目标数据
Figure 3369DEST_PATH_IMAGE001
输入至第一模型中，得到最佳预测值，将所述第三目标数据/>
Figure 999138DEST_PATH_IMAGE002
输入所述第一模型中，通过公式/>
Figure 123082DEST_PATH_IMAGE003
对所述第一模型进行初始训练，并得到训练后的暂时预测值/>
Figure 580609DEST_PATH_IMAGE004
和第一中间模型，以及
将所述第二目标数据
Figure 202171DEST_PATH_IMAGE005
以及第三目标数据/>
Figure 821371DEST_PATH_IMAGE002
输入至第二模型中，通过公式
Figure 619563DEST_PATH_IMAGE006
对所述第二模型进行初始训练，得到第二中间模型；其中，/>
Figure 428250DEST_PATH_IMAGE007
，/>
Figure 910178DEST_PATH_IMAGE008
，/>
Figure 434700DEST_PATH_IMAGE009
表示第一模型的参数集，/>
Figure 720188DEST_PATH_IMAGE010
表示第二模型的参数集，/>
Figure 722779DEST_PATH_IMAGE011
为所述最佳预测值，第一模型和第二模型为未训练的生成对抗网络模型的两个模型；
根据公式
Figure 528055DEST_PATH_IMAGE012
对所述第一中间模型和所述第二中间模型进行二次训练，训练完成后得到第一预测模型和第二预测模型；其中/>
Figure 285796DEST_PATH_IMAGE013
表示在满足上述公式的前提下取/>
Figure 793000DEST_PATH_IMAGE009
的最小值以及/>
Figure 350015DEST_PATH_IMAGE010
的最大值。
进一步地，所述训练完成后得到所述第一预测模型和所述第二预测模型的步骤之后，还包括：
获取检测样本集以及各组样本数据对应的实际情况；其中，所述实际情况包括有故障和无故障；所述检测样本集中的一组数据包括：第一检测数据，第二检测数据以及第三检测数据；
将所述第一检测数据输入至所述第一预测模型中，得到第五输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第六输出结果；
根据所述第五输出结果与所述第六输出结果以及所述实际情况得到所述第一预测模型和所述中间第二预测模型的综合损失值；
判断所述综合损失值是否小于预设损失值；
若是，则判定训练完成后得到所述第一预测模型和所述第二预测模型满足训练要求。
进一步地，所述若大于预设值，则判定当前的所述光伏发电系统发生故障的步骤之后，还包括：
从n个时间点的环境参数和温度中选取与当前光伏发电系统最接近的一组逆变器温度、环境温度、辐照度以及光伏背板温度；
根据选取的逆变器温度、环境温度、辐照度以及光伏背板温度计算对应的历史第一目标数据、历史第二目标数据以及历史第三目标数据；其中，所述历史第一目标数据与第一目标数据对应，所述历史第二目标数据与第二目标数据对应，所述历史第三目标数据与第三目标数据对应；
将所述历史第一目标数据和历史第三目标数据输入第一预测模型中，得到第三输出结果，以及将所述历史第二目标数据和历史第三目标数据输入第二预测模型中，得到第四输出结果；
比较所述第一输出结果和第三输出结果，以及比较第二输出结果和第四输出结果；
根据比较结果推测故障发生的位置。
进一步地，所述光伏阵列与所述逆变器之间设置有第一熔断点，所述逆变器和所述电网之间设置有第二熔断点，所述第一熔断点和所述第二熔断点受控于所述控制单元，所述根据比较结果推测故障发生的位置的步骤之后，还包括：
根据推测所述故障发生的位置熔断所述第一熔断点和/或所述第二熔断点。
本发明还提供了一种光伏发电系统，所述光伏发电系统包括光伏阵列、控制单元以及受控于所述控制单元的逆变器、电网和环境参数获取模块，所述环境参数获取模块包括多个环境参数测量装置，各个环境参数测量装置分别与所述逆变器或者光伏阵列上的光伏背板连接，所述光伏发电系统包括：
第一获取模块，用于通过环境参数获取装置以及温度获取装置获取光伏发电系统工作时的n个时间点的环境参数和温度，分别得到n组逆变器温度、环境温度、辐照度以及光伏背板温度；
转换模块，用于将各组逆变器温度、所述环境温度以及所述光伏背板温度按照预设的第一转换方法分别转换为第一数据、第二数据和第三数据，将所述辐照度按照预设的第二转换方法转换为第四数据；其中，第一数据、第二数据、第三数据以及第四数据的维度相同；
计算模块，用于根据第一数据、第二数据和第四数据，确定第一目标数据，根据第三数据、第二数据和第四数据，确定第二目标数据，以及根据第三数据和第一数据，确定第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据；
第一输入模块，用于将n组的第一目标数据和第三目标数据输入至第一模型，以及将第二目标数据和第三目标数据输入至第二模型中进行交叉训练，以得到训练完成后的第一预测模型和第二预测模型；
第二获取模块，用于获取当前的逆变器温度、环境温度、辐照度以及光伏背板温度，并转换为对应的实时第一目标数据、实时第二目标数据以及实时第三目标数据；其中，所述实时第一目标数据与第一目标数据对应，所述实时第二目标数据与第二目标数据对应，所述实时第三目标数据与第三目标数据对应；
第二输入模块，用于将所述实时第一目标数据和实时第三目标数据输入第一预测模型中，得到第一输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第二输出结果；
判断模块，用于判断所述第一输出结果与第二输出结果的差值是否大于预设值；
判定模块，用于若大于预设值，则判定当前的所述光伏发电系统发生故障。
进一步地，所述第一输入模块，包括：
输入子模块，用于将所述第一目标数据
Figure 321382DEST_PATH_IMAGE014
输入至第一模型中，得到最佳预测值，将所述第三目标数据/>
Figure 187707DEST_PATH_IMAGE015
输入所述第一模型中，通过公式
Figure 932940DEST_PATH_IMAGE016
对所述第一模型进行初始训练，并得到训练后的暂时预测值/>
Figure 542913DEST_PATH_IMAGE004
和第一中间模型，以及将所述第二目标数据/>
Figure 368786DEST_PATH_IMAGE005
以及第三目标数据/>
Figure 156745DEST_PATH_IMAGE017
输入至第二模型中，通过公式/>
Figure 638542DEST_PATH_IMAGE018
对所述第二模型进行初始训练，得到第二中间模型；其中，/>
Figure 52206DEST_PATH_IMAGE007
，
Figure 483318DEST_PATH_IMAGE008
，/>
Figure 691445DEST_PATH_IMAGE009
表示第一模型的参数集，/>
Figure 660538DEST_PATH_IMAGE010
表示第二模型的参数集，/>
Figure 177362DEST_PATH_IMAGE011
为所述最佳预测值，，第一模型和第二模型为未训练的生成对抗网络模型的两个模型；
训练子模块，用于根据公式
Figure 915511DEST_PATH_IMAGE012
对所述第一中间模型和所述第二中间模型进行二次训练，训练完成后得到第一预测模型和第二预测模型；其中/>
Figure 560119DEST_PATH_IMAGE019
表示在满足上述公式的前提下取/>
Figure 563978DEST_PATH_IMAGE009
的最小值以及/>
Figure 319445DEST_PATH_IMAGE010
的最大值。
进一步地，所述第一输入模块，还包括：
实际情况获取子模块，用于获取检测样本集以及各组样本数据对应的实际情况；其中，所述实际情况包括有故障和无故障；所述检测样本集中的一组数据包括：第一检测数据，第二检测数据以及第三检测数据；
数据输入子模块，用于将所述第一检测数据输入至所述第一预测模型中，得到第五输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第六输出结果；
损失值计算子模块，用于根据所述第五输出结果与所述第六输出结果以及所述实际情况得到所述第一预测模型和所述中间第二预测模型的综合损失值；
损失值判断子模块，用于判断所述综合损失值是否小于预设损失值；
判定子模块，用于若是，则判定训练完成后得到所述第一预测模型和所述第二预测模型满足训练要求。
进一步地，所述光伏发电系统，还包括：
选取模块，用于从n个时间点的环境参数和温度中选取与当前光伏发电系统最接近的一组逆变器温度、环境温度、辐照度以及光伏背板温度；
历史数据计算模块，用于根据选取的逆变器温度、环境温度、辐照度以及光伏背板温度计算对应的历史第一目标数据、历史第二目标数据以及历史第三目标数据；其中，所述历史第一目标数据与第一目标数据对应，所述历史第二目标数据与第二目标数据对应，所述历史第三目标数据与第三目标数据对应；
历史数据输入模块，用于将所述历史第一目标数据和历史第三目标数据输入第一预测模型中，得到第三输出结果，以及将所述历史第二目标数据和历史第三目标数据输入第二预测模型中，得到第四输出结果；
输出结果比较模块，用于比较所述第一输出结果和第三输出结果，以及比较第二输出结果和第四输出结果；
故障推测模块，用于根据比较结果推测故障发生的位置。
进一步地，所述光伏阵列与所述逆变器之间设置有第一熔断点，所述逆变器和所述电网之间设置有第二熔断点，所述第一熔断点和所述第二熔断点受控于所述控制单元，所述光伏发电系统，还包括：
熔断模块，用于根据推测所述故障发生的位置熔断所述第一熔断点和/或所述第二熔断点。
本发明的有益效果：通过获取多组逆变器温度、环境温度、辐照度以及光伏背板温度，并进行标准化处理，输入第一模型和第二模型中进行交叉训练，从而得到第一预测模型和第二预测模型，对当前的光伏发电系统的数据进行计算，从而判断是否具有故障，实现了根据其对应的变化情况，即使没有达到过高的电压或者温度，也可以对故障进行识别，起到一个更早预防的作用，从而减少火灾等进一步恶劣的情况，极大地提高了光伏发电系统的安全性。
附图说明
图1 是本发明一实施例的一种光伏发电系统的故障诊断方法的流程示意图；
图2 是本发明一实施例的一种光伏发电系统的结构示意框图；
图3 为本申请一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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的一部分实施例，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作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。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后等）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，所述的连接可以是直接连接，也可以是间接连接。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1，本发明提出一种光伏发电系统的故障诊断方法，所述光伏发电系统包括光伏阵列、控制单元以及受控于所述控制单元的逆变器、电网和环境参数获取模块，所述环境参数获取模块包括多个环境参数测量装置，各个环境参数测量装置分别与所述逆变器或者光伏阵列上的光伏背板连接，包括：
S1：通过环境参数获取装置以及温度获取装置获取光伏发电系统工作时的n个时间点的环境参数和温度，分别得到n组逆变器温度、环境温度、辐照度以及光伏背板温度；
S2：将各组逆变器温度、所述环境温度以及所述光伏背板温度按照预设的第一转换方法分别转换为第一数据、第二数据和第三数据，将所述辐照度按照预设的第二转换方法转换为第四数据；其中，第一数据、第二数据、第三数据以及第四数据的维度相同；
S3：根据第一数据、第二数据和第四数据，确定第一目标数据，根据第三数据、第二数据和第四数据，确定第二目标数据，以及根据第三数据和第一数据，确定第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据；
S4：将n组的第一目标数据和第三目标数据输入至第一模型，以及将第二目标数据和第三目标数据输入至第二模型中进行交叉训练，以得到训练完成后的第一预测模型和第二预测模型；
S5：获取当前的逆变器温度、环境温度、辐照度以及光伏背板温度，并转换为对应的实时第一目标数据、实时第二目标数据以及实时第三目标数据；其中，所述实时第一目标数据与第一目标数据对应，所述实时第二目标数据与第二目标数据对应，所述实时第三目标数据与第三目标数据对应；
S6：将所述实时第一目标数据和实时第三目标数据输入第一预测模型中，得到第一输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第二输出结果；
S7：判断所述第一输出结果与第二输出结果的差值是否大于预设值；
S8：若大于预设值，则判定当前的所述光伏发电系统发生故障。
其中，光伏阵列包括多个连接的光伏背板，所述的光伏背板的规格、数量及阵列连接形式不限，用户可根据需要自行选定。在一定的环境参数下，光伏阵列输出直流电传递至逆变器，逆变器经其内部的控制电路对直流电进行相应处理(包括最大功率跟踪及直流转交流等)后输出符合电网要求的交流电并入电网，多个环境参数测量装置包括，辐照度仪，环境温度热电偶，光伏背板温度热电偶，逆变器温度热电偶，其中，光伏背板温度热电偶与光伏背板连接，用于测定光伏背板的温度，环境温度热电偶设置在与光伏背板相近且温度互不影响的位置处，用于测量光伏背板所处的环境温度，逆变器温度热电偶与逆变器连接，用于测量逆变器的温度，每个环境参数测量装置均与控制单元连接，用于将测量的数据传递至控制单元。
如上述步骤S1所述，通过环境参数获取装置以及温度获取装置获取光伏发电系统工作时的n个时间点的环境参数和温度，分别得到n组逆变器温度、环境温度、辐照度以及光伏背板温度。即通过对应的环境参数获取装置获取到对应的环境参数和温度，需要说明的是，若逆变器具有多个，其对应的逆变器温度也可以包括多个，然后一一进行计算，光伏背板也可以包括多个，其对应的光伏背板温度也可以包括多个，一一进行计算即可，即计算了一个光伏背板的温度后，再进行另一个光伏背板的温度计算。
如上述步骤S2所述，将各组逆变器温度、所述环境温度以及所述光伏背板温度按照预设的第一转换方法分别转换为第一数据、第二数据和第三数据，将所述辐照度按照预设的第二转换方法转换为第四数据；其中转换的方式是将其中的逆变器温度转换为对应的数值或者向量，具体的第一转换方式为温度与对应的值之间的第一对应表，然后根据第一对应表转换为对应的数据，同理第二转换方式为将辐照度按照第二对应表转换为对应的数据，具体的转换参数本申请不做具体限定，可以根据实际情况和测试情况进行设定。需要说明的是，需要保证第一数据、第二数据、第三数据以及第四数据的维度相同，以便于后续进行计算。
如上述步骤S3所述，根据第一数据、第二数据和第四数据，确定第一目标数据，根据第三数据、第二数据和第四数据，确定第二目标数据，以及根据第三数据和第一数据，确定第三目标数据，具体地，将第一数据减去第二数据加上第四数据，得到第一目标数据，将第三数据减去第二数据加上第四数据，得到第二目标数据，以及将第三数据减去第一数据，得到第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据。对数据进行预处理，其对应的温差和辐照度可以体现出对应元件的参数，即将第一数据减去第二数据加上第四数据，得到第一目标数据，将第三数据减去第二数据加上第四数据，得到第二目标数据，而逆变器温度与光伏背板温度之间的差值可以作为共同参数输入至第一模型和第二模型中，以作为第一模型和第二模型的参数权衡，使第一模型和第二模型的输出结果相近。
如上述步骤S4所述，将n组的第一目标数据和第三目标数据输入至第一模型，以及将第二目标数据和第三目标数据输入至第二模型中进行交叉训练，以得到训练完成后的第一预测模型和第二预测模型，其中交叉训练的方式为第一模型需要根据第二模型的输出结果进行纠正，第二模型需要根据第一模型输出的结果进行纠正，具体地，将数据分别输入第一模型和第二模型中，可以得到相应的输出结果，该输出结果一般是一个具体的数值，然后第一模型根据第二模型的输出结果对自身的输出结果进行纠正，同样的第二模型根据第一模型的输出结果进行纠正，从而进行交叉训练，得到训练完成后的第一预测模型和第二预测模型。需要说明的是，第一模型和第二模型输出的值并不表示什么，其关键在于二者的差值，当光伏发电系统异常时，第一模型和第二模型的输出值的差值会相应变大。其中，第一模型和第二模型分别为生成对抗网络所对应的两个子模型，其中这两个子模型均为卷积神经网络模型，根据生成对抗网络的思想，对第一模型和第二模型进行交叉训练，从而迫使第一模型和第二模型根据同组但是不同的数据可以生成相同的结果，具体地，第一模型为生成模型，第二模型为判别模型。
如上述步骤S5所述，获取当前的逆变器温度、环境温度、辐照度以及光伏背板温度，并转换为对应的实时第一目标数据、实时第二目标数据以及实时第三目标数据，其中，所述实时第一目标数据与第一目标数据对应，所述实时第二目标数据与第二目标数据对应，所述实时第三目标数据与第三目标数据对应，对应的方式具体是指，例如实时第一目标数据是依照第一目标数据的计算方式计算而来，同样是根据对应的逆变器温度、环境温度、辐照度以及光伏背板温度计算而来。
如上述步骤S6所述，将所述实时第一目标数据和实时第三目标数据输入第一预测模型中，得到第一输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第二输出结果。当光伏发电系统发生故障时，其对应的温差和数值都会发生变化，也因此其对应的第一输出结果和第二输出结果的差值会相应变大，当差值大于预设值时就可以认定其发生了故障，否则，认为是正常的。从而实现了根据其对应的变化情况，即使没有达到过高的电压或者温度，也可以对故障进行识别，起到一个更早预防的作用，从而减少火灾等进一步恶劣的情况，极大地提高了光伏发电系统的安全性。
在一个实施例中，所述将n组的第一目标数据和第三目标数据输入至第一模型，以及将第二目标数据和第三目标数据输入至第二模型中进行交叉训练，以得到训练完成后的第一预测模型和第二预测模型的步骤S4，包括：
S401：将所述第一目标数据
Figure 646521DEST_PATH_IMAGE020
输入至第一模型中，得到最佳预测值，将所述第三目标数据/>
Figure 9500DEST_PATH_IMAGE017
输入所述第一模型中，通过公式
Figure 953185DEST_PATH_IMAGE021
对所述第一模型进行初始训练，并得到训练后的暂时预测值/>
Figure 512343DEST_PATH_IMAGE004
和第一中间模型，以及将所述第二目标数据/>
Figure 506975DEST_PATH_IMAGE005
以及第三目标数据
Figure 227806DEST_PATH_IMAGE017
输入至第二模型中，通过公式/>
Figure 658787DEST_PATH_IMAGE006
对所述第二模型进行初始训练，得到第二中间模型；其中，/>
Figure 490477DEST_PATH_IMAGE007
，/>
Figure 870774DEST_PATH_IMAGE008
，
Figure 762507DEST_PATH_IMAGE009
表示第一模型的参数集，/>
Figure 680784DEST_PATH_IMAGE010
表示第二模型的参数集，/>
Figure 66897DEST_PATH_IMAGE011
为所述最佳预测值，第一模型和第二模型为未训练的生成对抗网络模型的两个模型；
S402：据公式
Figure 285389DEST_PATH_IMAGE012
对所述第一中间模型和所述第二中间模型进行二次训练，训练完成后得到第一预测模型和第二预测模型；其中/>
Figure 348023DEST_PATH_IMAGE013
表示在满足上述公式的前提下取/>
Figure 238750DEST_PATH_IMAGE009
的最小值以及/>
Figure 740138DEST_PATH_IMAGE010
的最大值。
如上述步骤S401-S402所述，对于每组数据而言，所述第一目标数据输入至第一模型中，得到最佳预测值，其中，第一模型中具有随机的参数集，为预先构建的参数集，从而使其可以正常地输出结果，以便于训练，同理，第二模型中同样具有随机的参数集，使第二模型可以正常地输出结果，通过公式
Figure 16399DEST_PATH_IMAGE021
进行训练，另外，训练的方式是采用随机梯度下降方法进行更新，即在当前的样本训练完成后，又进行下一个样本的训练，每次训练完成后都对参数集进行更新，从而完成对第一模型的训练。同理通过公式/>
Figure 266245DEST_PATH_IMAGE006
进行第二模型的训练，每次训练完成后都对参数集进行更新，从而完成对第一模型的训练，更新的方式也可以是随机梯度下降方法进行更新，具体地，再根据公式
Figure 690274DEST_PATH_IMAGE012
进行综合，对第一模型和第二预测模型进行二次训练，其中，需要说明的是，每个样本都需要进行上述三个公式的训练，即在一组样本的训练过程中，需要对样本进行两次更新。最终得到中间第一预测模型参数集/>
Figure 667457DEST_PATH_IMAGE009
以及第二模型参数集/>
Figure 339835DEST_PATH_IMAGE010
的最优值，为了使模型的训练效果更好，此处应当尽可能将第一模型的参数集/>
Figure 806588DEST_PATH_IMAGE009
取最小值，将第二模型参数集/>
Figure 406328DEST_PATH_IMAGE010
取最大值。
在一个实施例中，所述训练完成后得到所述第一预测模型和所述第二预测模型的步骤S402之后，还包括：
S4031：获取检测样本集以及各组样本数据对应的实际情况；其中，所述实际情况包括有故障和无故障；所述检测样本集中的一组数据包括：第一检测数据，第二检测数据以及第三检测数据；
S4032：将所述第一检测数据输入至所述第一预测模型中，得到第五输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第六输出结果；
S4033：根据所述第五输出结果与所述第六输出结果以及所述实际情况得到所述第一预测模型和所述中间第二预测模型的综合损失值；
S4034：判断所述综合损失值是否小于预设损失值；
S4035：若是，则判定训练完成后得到所述第一预测模型和所述第二预测模型满足训练要求。
如上述步骤S4031-S4035所述，实现了对第一预测模型和第二预测模型的训练检测，即获取到检测样本集以及各组样本数据对应的实际情况，其中，该检测样本集以及实际情况可以包含n组数据中的一些数据，也可以是额外的数据，本申请对此不作限定，为了避免结果所带来的误差，优选获取额外的数据作为检测样本集，将其输入第一预测模型和第二预测模型中，可以得到第五输出结果和第六输出结果然后根据其差值，得到综合损失值，其中综合损失值为各组检测数据中预测错误的数据占比全部的检测数据的分值，预设损失值为预设的损失值，当小于该预设的损失值时则说明所述第一预测模型和所述第二预测模型满足训练要求，若不满足要求，则需要继续训练，直至满足训练要求。
在一个实施例中，所述若大于预设值，则判定当前的所述光伏发电系统发生故障的步骤S8之后，还包括：
S901：从n个时间点的环境参数和温度中选取与当前光伏发电系统最接近的一组逆变器温度、环境温度、辐照度以及光伏背板温度；
S902：根据选取的逆变器温度、环境温度、辐照度以及光伏背板温度计算对应的历史第一目标数据、历史第二目标数据以及历史第三目标数据；其中，所述历史第一目标数据与第一目标数据对应，所述历史第二目标数据与第二目标数据对应，所述历史第三目标数据与第三目标数据对应；
S903：将所述历史第一目标数据和历史第三目标数据输入第一预测模型中，得到第三输出结果，以及将所述历史第二目标数据和历史第三目标数据输入第二预测模型中，得到第四输出结果；
S904：比较所述第一输出结果和第三输出结果，以及比较第二输出结果和第四输出结果；
S905：根据比较结果推测故障发生的位置。
如上述步骤S901-S902所述，其中，选取其中一组最接近的逆变器温度、环境温度、辐照度以及光伏背板温度，具体地，可以求出每组数据与当前光伏发电系统对应的数据，所对应的实时逆变器温度、环境温度、辐照度以及光伏背板温度的差值之和，然后根据差值之和的最小值选取逆变器温度、环境温度、辐照度以及光伏背板温度并计算对应的历史第一目标数据、历史第二目标数据以及历史第三目标数据。
如上述步骤S903-S905所述，将所述历史第一目标数据和历史第三目标数据输入第一预测模型中，得到第三输出结果，以及将所述历史第二目标数据和历史第三目标数据输入第二预测模型中，得到第四输出结果；比较所述第一输出结果和第三输出结果，以及比较第二输出结果和第四输出结果；根据比较结果推测故障发生的位置，其中根据比较结果推测故障发生的位置，可以是根据历史情况进行分析，即统计每次的输出结果比较结果，然后找出对应的故障位置，从而进行故障发生的位置推测。
在一个实施例中，所述光伏阵列与所述逆变器之间设置有第一熔断点，所述逆变器和所述电网之间设置有第二熔断点，所述第一熔断点和所述第二熔断点受控于所述控制单元，所述根据比较结果推测故障发生的位置的步骤S905之后，还包括：
S10051：根据推测所述故障发生的位置熔断所述第一熔断点和/或所述第二熔断点。
如上述步骤S10051所述，熔断点受控于控制单元，当知晓了故障的发生的位置之后，可以通过控制单元控制对应的熔断点进行熔断，从而避免发生短路，着火的现象，极大地提高了安全性能。
参照图2，本发明还提供了一种光伏发电系统，所述光伏发电系统包括光伏阵列、控制单元以及受控于所述控制单元的逆变器、电网和环境参数获取模块，所述环境参数获取模块包括多个环境参数测量装置，各个环境参数测量装置分别与所述逆变器或者光伏阵列上的光伏背板连接，所述光伏发电系统包括：
第一获取模块10，用于通过环境参数获取装置以及温度获取装置获取光伏发电系统工作时的n个时间点的环境参数和温度，分别得到n组逆变器温度、环境温度、辐照度以及光伏背板温度；
转换模块20，用于将各组逆变器温度、所述环境温度以及所述光伏背板温度按照预设的第一转换方法分别转换为第一数据、第二数据和第三数据，将所述辐照度按照预设的第二转换方法转换为第四数据；其中，第一数据、第二数据、第三数据以及第四数据的维度相同；
计算模块30，用于根据第一数据、第二数据和第四数据，确定第一目标数据，根据第三数据、第二数据和第四数据，确定第二目标数据，以及根据第三数据和第一数据，确定第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据；
第一输入模块40，用于将n组的第一目标数据和第三目标数据输入至第一模型，以及将第二目标数据和第三目标数据输入至第二模型中进行交叉训练，以得到训练完成后的第一预测模型和第二预测模型；
第二获取模块50，用于获取当前的逆变器温度、环境温度、辐照度以及光伏背板温度，并转换为对应的实时第一目标数据、实时第二目标数据以及实时第三目标数据；其中，所述实时第一目标数据与第一目标数据对应，所述实时第二目标数据与第二目标数据对应，所述实时第三目标数据与第三目标数据对应；
第二输入模块60，用于将所述实时第一目标数据和实时第三目标数据输入第一预测模型中，得到第一输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第二输出结果；
判断模块70，用于判断所述第一输出结果与第二输出结果的差值是否大于预设值；
判定模块80，用于若大于预设值，则判定当前的所述光伏发电系统发生故障。
在一个实施例中，所述第一输入模块40，包括：
输入子模块，用于将所述第一目标数据
Figure 983940DEST_PATH_IMAGE020
输入至第一模型中，得到最佳预测值，将所述第三目标数据/>
Figure 234792DEST_PATH_IMAGE015
输入所述第一模型中，通过公式
Figure 623180DEST_PATH_IMAGE016
对所述第一模型进行初始训练，并得到训练后的暂时预测值/>
Figure 959483DEST_PATH_IMAGE004
和第一中间模型，以及将所述第二目标数据/>
Figure 91518DEST_PATH_IMAGE005
以及第三目标数据/>
Figure 196877DEST_PATH_IMAGE017
输入至第二模型中，通过公式/>
Figure 5433DEST_PATH_IMAGE018
对所述第二模型进行初始训练，得到第二中间模型；其中，/>
Figure 314186DEST_PATH_IMAGE007
，
Figure 499180DEST_PATH_IMAGE008
，/>
Figure 459046DEST_PATH_IMAGE009
表示第一模型的参数集，/>
Figure 189235DEST_PATH_IMAGE010
表示第二模型的参数集，/>
Figure 765710DEST_PATH_IMAGE011
为所述最佳预测值，第一模型和第二模型为未训练的生成对抗网络模型的两个模型；
训练子模块，用于根据公式
Figure 426499DEST_PATH_IMAGE012
对所述第一中间模型和所述第二中间模型进行二次训练，训练完成后得到第一预测模型和第二预测模型；其中/>
Figure 53920DEST_PATH_IMAGE019
表示在满足上述公式的前提下取/>
Figure 407541DEST_PATH_IMAGE009
的最小值以及/>
Figure 205733DEST_PATH_IMAGE010
的最大值。
在一个实施例中，所述第一输入模块40，还包括：
实际情况获取子模块，用于获取检测样本集以及各组样本数据对应的实际情况；其中，所述实际情况包括有故障和无故障；所述检测样本集中的一组数据包括：第一检测数据，第二检测数据以及第三检测数据；
数据输入子模块，用于将所述第一检测数据输入至所述第一预测模型中，得到第五输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第六输出结果；
损失值计算子模块，用于根据所述第五输出结果与所述第六输出结果以及所述实际情况得到所述第一预测模型和所述中间第二预测模型的综合损失值；
损失值判断子模块，用于判断所述综合损失值是否小于预设损失值；
判定子模块，用于若是，则判定训练完成后得到所述第一预测模型和所述第二预测模型满足训练要求。
在一个实施例中，所述光伏发电系统，还包括：
选取模块，用于从n个时间点的环境参数和温度中选取与当前光伏发电系统最接近的一组逆变器温度、环境温度、辐照度以及光伏背板温度；
历史数据计算模块，用于根据选取的逆变器温度、环境温度、辐照度以及光伏背板温度计算对应的历史第一目标数据、历史第二目标数据以及历史第三目标数据；其中，所述历史第一目标数据与第一目标数据对应，所述历史第二目标数据与第二目标数据对应，所述历史第三目标数据与第三目标数据对应；
历史数据输入模块，用于将所述历史第一目标数据和历史第三目标数据输入第一预测模型中，得到第三输出结果，以及将所述历史第二目标数据和历史第三目标数据输入第二预测模型中，得到第四输出结果；
输出结果比较模块，用于比较所述第一输出结果和第三输出结果，以及比较第二输出结果和第四输出结果；
故障推测模块，用于根据比较结果推测故障发生的位置。
在一个实施例中，所述光伏阵列与所述逆变器之间设置有第一熔断点，所述逆变器和所述电网之间设置有第二熔断点，所述第一熔断点和所述第二熔断点受控于所述控制单元，所述光伏发电系统，还包括：
熔断模块，用于根据推测所述故障发生的位置熔断所述第一熔断点和/或所述第二熔断点。
本发明的有益效果：通过获取多组逆变器温度、环境温度、辐照度以及光伏背板温度，并进行标准化处理，输入第一模型和第二模型中进行交叉训练，从而得到第一预测模型和第二预测模型，对当前的光伏发电系统的数据进行计算，从而判断是否具有故障，实现了根据其对应的变化情况，即使没有达到过高的电压或者温度，也可以对故障进行识别，起到一个更早预防的作用，从而减少火灾等进一步恶劣的情况，极大地提高了光伏发电系统的安全性。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种环境参数等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现上述任一实施例所述的光伏发电系统的故障诊断方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时可以实现上述任一实施例所述的光伏发电系统的故障诊断方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM一多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种光伏发电系统的故障诊断方法，其特征在于，所述光伏发电系统包括光伏阵列、控制单元以及受控于所述控制单元的逆变器、电网和环境参数获取模块，所述环境参数获取模块包括多个环境参数测量装置，各个环境参数测量装置分别与所述逆变器或者光伏阵列上的光伏背板连接，所述故障诊断方法包括：
通过环境参数获取装置以及温度获取装置获取光伏发电系统工作时的n个时间点的环境参数和温度，分别得到n组逆变器温度、环境温度、辐照度以及光伏背板温度；
将各组逆变器温度、所述环境温度以及所述光伏背板温度按照预设的第一转换方法分别转换为第一数据、第二数据和第三数据，将所述辐照度按照预设的第二转换方法转换为第四数据；其中，第一数据、第二数据、第三数据以及第四数据的维度相同；第一转换方法为温度与对应的值之间的第一对应表，根据第一对应表转换为对应的数据，第二转换方法为将辐照度按照第二对应表转换为对应的数据；
根据第一数据、第二数据和第四数据，确定第一目标数据，根据第三数据、第二数据和第四数据，确定第二目标数据，以及根据第三数据和第一数据，确定第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据；
将n组的第一目标数据和第三目标数据输入至第一模型，以及将第二目标数据和第三目标数据输入至第二模型中进行交叉训练，以得到训练完成后的第一预测模型和第二预测模型；其中，第一模型和第二模型分别为生成对抗网络所对应的两个子模型，两个子模型均为卷积神经网络模型；
获取当前的逆变器温度、环境温度、辐照度以及光伏背板温度，并转换为对应的实时第一目标数据、实时第二目标数据以及实时第三目标数据；其中，所述实时第一目标数据与第一目标数据对应，所述实时第二目标数据与第二目标数据对应，所述实时第三目标数据与第三目标数据对应；
将所述实时第一目标数据和实时第三目标数据输入第一预测模型中，得到第一输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第二输出结果；
判断所述第一输出结果与第二输出结果的差值是否大于预设值；
若大于预设值，则判定当前的所述光伏发电系统发生故障。
2.如权利要求1所述的光伏发电系统的故障诊断方法，其特征在于，所述将n组的第一目标数据和第三目标数据输入至第一模型，以及将第二目标数据和第三目标数据输入至第二模型中进行交叉训练，以得到训练完成后的第一预测模型和第二预测模型的步骤，包括：
将所述第一目标数据
Figure QLYQS_1
输入至第一模型中，得到最佳预测值，将所述第三目标数据
Figure QLYQS_2
输入所述第一模型中，通过公式
Figure QLYQS_3
对所述第一模型进行初始训练，并得到训练后的暂时预测值/>
Figure QLYQS_4
和第一中间模型，以及
将所述第二目标数据
Figure QLYQS_7
以及第三目标数据/>
Figure QLYQS_8
输入至第二模型中，通过公式/>
Figure QLYQS_10
对所述第二模型进行初始训练，得到第二中间模型；其中，/>
Figure QLYQS_6
，/>
Figure QLYQS_9
，/>
Figure QLYQS_11
表示第一模型的参数集，/>
Figure QLYQS_12
表示第二模型的参数集，/>
Figure QLYQS_5
为所述最佳预测值，第一模型和第二模型为未训练的生成对抗网络模型的两个模型；
根据公式
Figure QLYQS_13
对所述第一中间模型和所述第二中间模型进行二次训练，训练完成后得到第一预测模型和第二预测模型；其中/>
Figure QLYQS_14
表示在满足上述公式的前提下取/>
Figure QLYQS_15
的最小值以及/>
Figure QLYQS_16
的最大值。
3.如权利要求2所述的光伏发电系统的故障诊断方法，其特征在于，所述训练完成后得到所述第一预测模型和所述第二预测模型的步骤之后，还包括：
获取检测样本集以及各组样本数据对应的实际情况；其中，所述实际情况包括有故障和无故障；所述检测样本集中的一组数据包括：第一检测数据，第二检测数据以及第三检测数据；
将所述第一检测数据输入至所述第一预测模型中，得到第五输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第六输出结果；
根据所述第五输出结果与所述第六输出结果以及所述实际情况得到所述第一预测模型和所述中间第二预测模型的综合损失值；
判断所述综合损失值是否小于预设损失值；
若是，则判定训练完成后得到所述第一预测模型和所述第二预测模型满足训练要求。
4.如权利要求1所述的光伏发电系统的故障诊断方法，其特征在于，所述若大于预设值，则判定当前的所述光伏发电系统发生故障的步骤之后，还包括：
从n个时间点的环境参数和温度中选取与当前光伏发电系统最接近的一组逆变器温度、环境温度、辐照度以及光伏背板温度；
根据选取的逆变器温度、环境温度、辐照度以及光伏背板温度计算对应的历史第一目标数据、历史第二目标数据以及历史第三目标数据；其中，所述历史第一目标数据与第一目标数据对应，所述历史第二目标数据与第二目标数据对应，所述历史第三目标数据与第三目标数据对应；
将所述历史第一目标数据和历史第三目标数据输入第一预测模型中，得到第三输出结果，以及将所述历史第二目标数据和历史第三目标数据输入第二预测模型中，得到第四输出结果；
比较所述第一输出结果和第三输出结果，以及比较第二输出结果和第四输出结果；
根据比较结果推测故障发生的位置。
5.如权利要求4所述的光伏发电系统的故障诊断方法，其特征在于，所述光伏阵列与所述逆变器之间设置有第一熔断点，所述逆变器和所述电网之间设置有第二熔断点，所述第一熔断点和所述第二熔断点受控于所述控制单元，所述根据比较结果推测故障发生的位置的步骤之后，还包括：
根据推测所述故障发生的位置熔断所述第一熔断点和/或所述第二熔断点。
6.一种光伏发电系统，其特征在于，所述光伏发电系统包括光伏阵列、控制单元以及受控于所述控制单元的逆变器、电网和环境参数获取模块，所述环境参数获取模块包括多个环境参数测量装置，各个环境参数测量装置分别与所述逆变器或者光伏阵列上的光伏背板连接，所述光伏发电系统包括：
第一获取模块，用于通过环境参数获取装置以及温度获取装置获取光伏发电系统工作时的n个时间点的环境参数和温度，分别得到n组逆变器温度、环境温度、辐照度以及光伏背板温度；
转换模块，用于将各组逆变器温度、所述环境温度以及所述光伏背板温度按照预设的第一转换方法分别转换为第一数据、第二数据和第三数据，将所述辐照度按照预设的第二转换方法转换为第四数据；其中，第一数据、第二数据、第三数据以及第四数据的维度相同；第一转换方法为温度与对应的值之间的第一对应表，根据第一对应表转换为对应的数据，第二转换方法为将辐照度按照第二对应表转换为对应的数据；
计算模块，用于根据第一数据、第二数据和第四数据，确定第一目标数据，根据第三数据、第二数据和第四数据，确定第二目标数据，以及根据第三数据和第一数据，确定第三目标数据，从而得到n组的第一目标数据、第二目标数据以及第三目标数据；
第一输入模块，用于将n组的第一目标数据和第三目标数据输入至第一模型，以及将第二目标数据和第三目标数据输入至第二模型中进行交叉训练，以得到训练完成后的第一预测模型和第二预测模型；其中，第一模型和第二模型分别为生成对抗网络所对应的两个子模型，两个子模型均为卷积神经网络模型；
第二获取模块，用于获取当前的逆变器温度、环境温度、辐照度以及光伏背板温度，并转换为对应的实时第一目标数据、实时第二目标数据以及实时第三目标数据；其中，所述实时第一目标数据与第一目标数据对应，所述实时第二目标数据与第二目标数据对应，所述实时第三目标数据与第三目标数据对应；
第二输入模块，用于将所述实时第一目标数据和实时第三目标数据输入第一预测模型中，得到第一输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第二输出结果；
判断模块，用于判断所述第一输出结果与第二输出结果的差值是否大于预设值；
判定模块，用于若大于预设值，则判定当前的所述光伏发电系统发生故障。
7.如权利要求6所述的光伏发电系统，其特征在于，所述第一输入模块，包括：输入子模块，用于将所述第一目标数据
Figure QLYQS_17
输入至第一模型中，得到最佳预测值，将所述第三目标数据/>
Figure QLYQS_18
输入所述第一模型中，通过公式/>
Figure QLYQS_19
对所述第一模型进行初始训练，并得到训练后的暂时预测值/>
Figure QLYQS_20
和第一中间模型，以及
将所述第二目标数据
Figure QLYQS_21
及第三目标数据/>
Figure QLYQS_22
入至第二模型中，通过公式
Figure QLYQS_23
对所述第二模型进行初始训练，得到第二中间模型；其中，/>
Figure QLYQS_24
，/>
Figure QLYQS_25
表示第一模型的参数集，/>
Figure QLYQS_26
表示第二模型的参数集，/>
Figure QLYQS_27
为所述最佳预测值，第一模型和第二模型为未训练的生成对抗网络模型的两个模型；
训练子模块，用于根据公式
Figure QLYQS_28
对所述第一中间模型和所述第二中间模型进行二次训练，训练完成后得到第一预测模型和第二预测模型；其中/>
Figure QLYQS_29
表示在满足上述公式的前提下取/>
Figure QLYQS_30
的最小值以及/>
Figure QLYQS_31
的最大值。
8.如权利要求7所述的光伏发电系统，其特征在于，所述第一输入模块，还包括：
实际情况获取子模块，用于获取检测样本集以及各组样本数据对应的实际情况；其中，所述实际情况包括有故障和无故障；所述检测样本集中的一组数据包括：第一检测数据，第二检测数据以及第三检测数据；
数据输入子模块，用于将所述第一检测数据输入至所述第一预测模型中，得到第五输出结果，以及将所述实时第二目标数据和实时第三目标数据输入第二预测模型中，得到第六输出结果；
损失值计算子模块，用于根据所述第五输出结果与所述第六输出结果以及所述实际情况得到所述第一预测模型和所述中间第二预测模型的综合损失值；
损失值判断子模块，用于判断所述综合损失值是否小于预设损失值；
判定子模块，用于若是，则判定训练完成后得到所述第一预测模型和所述第二预测模型满足训练要求。
9.如权利要求6所述的光伏发电系统，其特征在于，所述光伏发电系统，还包括：
选取模块，用于从n个时间点的环境参数和温度中选取与当前光伏发电系统最接近的一组逆变器温度、环境温度、辐照度以及光伏背板温度；
历史数据计算模块，用于根据选取的逆变器温度、环境温度、辐照度以及光伏背板温度计算对应的历史第一目标数据、历史第二目标数据以及历史第三目标数据；其中，所述历史第一目标数据与第一目标数据对应，所述历史第二目标数据与第二目标数据对应，所述历史第三目标数据与第三目标数据对应；
历史数据输入模块，用于将所述历史第一目标数据和历史第三目标数据输入第一预测模型中，得到第三输出结果，以及将所述历史第二目标数据和历史第三目标数据输入第二预测模型中，得到第四输出结果；
输出结果比较模块，用于比较所述第一输出结果和第三输出结果，以及比较第二输出结果和第四输出结果；
故障推测模块，用于根据比较结果推测故障发生的位置。
10.如权利要求9所述的光伏发电系统，其特征在于，所述光伏阵列与所述逆变器之间设置有第一熔断点，所述逆变器和所述电网之间设置有第二熔断点，所述第一熔断点和所述第二熔断点受控于所述控制单元，所述光伏发电系统，还包括：
熔断模块，用于根据推测所述故障发生的位置熔断所述第一熔断点和/或所述第二熔断点。
CN202310034557.6A 2023-01-10 2023-01-10 一种光伏发电系统及其故障诊断方法 Active CN115940806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310034557.6A CN115940806B (zh) 2023-01-10 2023-01-10 一种光伏发电系统及其故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310034557.6A CN115940806B (zh) 2023-01-10 2023-01-10 一种光伏发电系统及其故障诊断方法

Publications (2)

Publication Number Publication Date
CN115940806A CN115940806A (zh) 2023-04-07
CN115940806B true CN115940806B (zh) 2023-05-23

Family

ID=85818449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310034557.6A Active CN115940806B (zh) 2023-01-10 2023-01-10 一种光伏发电系统及其故障诊断方法

Country Status (1)

Country Link
CN (1) CN115940806B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116380176B (zh) * 2023-05-29 2023-08-29 深圳市百事泰电气有限公司 一种基于数字信号处理的逆变器的负载预警系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020029327A1 (zh) * 2018-08-10 2020-02-13 江南大学 一种基于改进随机森林算法的光伏阵列故障诊断方法
WO2020238866A1 (zh) * 2019-05-28 2020-12-03 华为技术有限公司 一种检测条件确定方法、装置及光伏系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218674A (zh) * 2013-04-07 2013-07-24 国家电网公司 基于bp神经网络模型的光伏发电系统输出功率预测方法
CN103472331B (zh) * 2013-09-13 2015-10-21 同济大学 一种基于光伏物理模型的光伏发电故障诊断系统
CN109150100A (zh) * 2018-09-13 2019-01-04 国网电子商务有限公司 光伏电站的故障检测方法、装置、设备及存储介质
CN109934423B (zh) * 2019-04-25 2020-04-21 山东大学 基于并网逆变器运行数据的光伏电站功率预测方法及系统
CN111539550B (zh) * 2020-03-13 2023-08-01 远景智能国际私人投资有限公司 光伏阵列工作状态的确定方法、装置、设备及存储介质
CN113326667B (zh) * 2021-08-03 2021-12-10 深圳格瑞特新能源有限公司 一种太阳能电池板故障诊断方法及系统
CN113702730A (zh) * 2021-08-04 2021-11-26 国家能源集团新能源技术研究院有限公司 用于光伏组件的故障诊断方法、系统及处理器

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020029327A1 (zh) * 2018-08-10 2020-02-13 江南大学 一种基于改进随机森林算法的光伏阵列故障诊断方法
WO2020238866A1 (zh) * 2019-05-28 2020-12-03 华为技术有限公司 一种检测条件确定方法、装置及光伏系统

Also Published As

Publication number Publication date
CN115940806A (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN101907868B (zh) 牵引供电系统智能故障诊断方法及其系统
CN109143094B (zh) 一种动力电池的异常数据检测方法和装置
CN115940806B (zh) 一种光伏发电系统及其故障诊断方法
CN110838075A (zh) 电网系统暂态稳定的预测模型的训练及预测方法、装置
CN107025172B (zh) 一种基于概率风险评价的软件测试方法
EP2863509A1 (en) System and method for analyzing oscillatory stability in electrical power transmission systems
CN106707221A (zh) 一种电能计量装置中传感器故障诊断方法及系统
KR20220037156A (ko) 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치
CN118134267B (zh) 基于多数据融合建模的变电站安全预警方法及系统
JP2016091312A (ja) 異常診断装置及び異常診断方法
CN111624986A (zh) 基于案例库的故障诊断方法和系统
CN115238831B (zh) 故障预测方法、装置、计算机设备和存储介质
CN116164843A (zh) 一种基于物联网的电缆监测预警方法及系统
CN117031182B (zh) 配电站所终端遥测值异常检测方法及系统
CN115422635A (zh) 基于bim的钢结构工程监测方法、系统、设备及存储介质
CN112884199A (zh) 水电站设备故障预测方法、装置、计算机设备和存储介质
CN117951626B (zh) 一种基于智能优化算法的电网异常状态检测方法及系统
CN111124898B (zh) 问答系统测试方法、装置、计算机设备和存储介质
CN117791856B (zh) 一种基于巡检机器人的电网故障预警方法及装置
CN104317778A (zh) 基于海量监测数据的变电设备故障诊断方法
JP2022113534A (ja) 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム
CN105759217B (zh) 一种基于可测数据的铅酸蓄电池组在线故障诊断方法
Hagmar et al. On-line voltage instability prediction using an artificial neural network
CN113379279B (zh) 基于不完整数据的深度强化学习短期电压稳定性评估方法
CN115062533A (zh) 多元回归预测模型的构建、预测方法及介质

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
GR01 Patent grant
GR01 Patent grant