CN117764547A - 一种光伏组串故障诊断方法及系统 - Google Patents
一种光伏组串故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117764547A CN117764547A CN202211120201.6A CN202211120201A CN117764547A CN 117764547 A CN117764547 A CN 117764547A CN 202211120201 A CN202211120201 A CN 202211120201A CN 117764547 A CN117764547 A CN 117764547A
- Authority
- CN
- China
- Prior art keywords
- data
- database
- fault diagnosis
- model
- photovoltaic string
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000001914 filtration Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000008439 repair process Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
本发明提供一种光伏组串故障诊断方法及系统,方法包括:S1:通过逆变器定时采集光伏组串IV数据,并将IV数据储存至第一数据库;S2:构建异常数据过滤模型,并通过其将第一数据库中的IV数据进行聚类,分为正常数据和异常数据,将正常数据存储至第二数据库内,并丢弃异常数据;S3:分析第二数据库中的IV数据,获取每条IV数据特征;S4:通过IV数据特征对第二数据库的IV数据进行标注;S5:将标注好的IV数据处理成预设数据结构,并将其存储至第三数据库;S6:通过Transformer深度神经网络构建故障诊断模型,使用第三数据库内的数据训练故障诊断模型;S7:使用计算机编程语言调用异常数据过滤模型和故障诊断模型,以获得诊断结果。本发明提高故障诊断准确率。
Description
技术领域
本发明涉及光伏发电技术领域,尤其涉及一种光伏组串故障诊断方法及系统。
背景技术
近年来,太阳能光伏发电产业发展迅猛,光伏并网、光伏逆变器以及光伏组串等技术也迅速发展。光伏发电的能量源头是由若干块光伏组串通过串联或者并联的方式组成的光伏阵列,而未来光伏并网发电的趋势将是大型或者是特大型的电站,这些大型电站通常很少有人值守甚至是无人值守。作为光伏发电系统的核心,光伏面板是一种必须长期处在室外环境下的发电装置。空气中的灰尘落在光伏组串表面,会导致组件接受的阳光减少,热斑损坏不易被发现,大风、积雪导致的组件倒塌,不容易被及时发现,这些都导致发电量减少,影响经济效益,在无需投入大量运维成本的基础上研究光伏阵列在不同复杂环境下的故障检测是一个亟待解决的问题。
IV曲线可以提取出一些光伏阵列简单的电气参数(开路电压(Voc),短路电流(Isc),最大功率点电压(Vmpp)、最大功率点电流(Impp)以及填充因子(f)等),是一种检测光伏组串故障有效的方法。然而,传统的IV曲线故障诊断大多是依靠电站工作人员定期在电站现场进行巡检的方法,然而,这种方法所需电站工作人员多,人力成本较高,并且针对大规模电站,工作人员的检测的工作量大、不容易检全、检测效率低。当然,也有一些采用数值求解或近似解析的方法,无需工作人员进行现场巡检,且系统能够自动分析获得的IV曲线,检测出光伏阵列的运行状态,然而,使用这种方法检测的准确率却无法得到保障。
有鉴于此,确有必要提供一种光伏组串故障诊断方法及系统,以解决上述问题。
发明内容
本发明的目的在于提供一种光伏组串故障诊断方法及系统,该方法不仅能够减少对于无用数据的标注,还能提高故障诊断准确率,从而为后续诊断模型提供数据的可靠性。
为实现上述目的,本发明提供了一种光伏组串故障诊断方法,包括:
S1:通过逆变器定时采集光伏组串IV数据,并将获取的所述IV数据储存至第一数据库;
S2:构建异常数据过滤模型,将所述第一数据库中的IV数据通过所述异常数据过滤模型进行聚类,分为正常数据和异常数据,将所述正常数据存储至第二数据库内,并丢弃所述异常数据;
S3:分析所述第二数据库中的IV数据,获取每条所述IV数据的特征,通过所述IV数据的特征对所述第二数据库的IV数据进行标注;
S4:将标注好的IV数据处理成预设数据结构,并将所述预设数据结构的数据存储至第三数据库;
S5:通过Transformer深度神经网络构建故障诊断模型,使用所述第三数据库内的数据训练故障诊断模型;
S6:使用计算机编程语言调用所述异常数据过滤模型和所述故障诊断模型,以获得诊断结果。
作为本发明的进一步改进,所述异常数据过滤模型通过DBSCAN聚类算法构建。
作为本发明的进一步改进,所述S3包括:
S31:对所述第二数据库中的每条IV数据进行非线性曲线拟合,并获取所述IV数据非线性曲线拟合后的各项曲线特征;
S32:把所述各项曲线特征加入所述第二数据库内对应的IV数据中;
S33:通过DBSCAN算法对所述第二数据库中每条IV数据分别进行聚类;
S34:对聚类后分成不同簇的IV数据进行标注。
作为本发明的进一步改进,所述各项曲线特征包括短路电流值、开路电压值、峰值功率、最佳电流、最佳电压以及填充因子。
作为本发明的进一步改进,所述S33包括:
S331:找到所述第二数据库中所有的核心对象;
S332:任意选取一个未遍历的核心对象,并创建一个新簇,所述核心对象及其邻域范围内的其他数据组成一级集合,将所述一级集合中的所有数据加入所述新簇;
S333:遍历所述一级集合中未创建新簇的其他核心对象,将其他核心对象及其邻域范围内还未被遍历的其他数据组成二级集合,将所述二级集合中的所有数据加入所述新簇,直至加入所述新簇中的所有核心对象都被遍历;
S334:重新选择一个未被遍历的核心对象,重复步骤S331~S333,直至第二数据库中所有核心对象均被遍历完成。
作为本发明的进一步改进,所述核心对象通过设定算法参数获取,所述算法参数包括邻域和最小样本数,若一个数据的邻域范围存在的其他数据大于等于最小样本数,则称该数据为核心对象。
作为本发明的进一步改进,所述S34中对数据进行标注为将不同的数字一一对应地添加到不同簇的IV数据内,作为所述IV数据的标签。
作为本发明的进一步改进,所述方法还包括S7:所述标签与故障库中的故障一一映射,所述故障库根据所述标签的信息,查找到与所述标签映射的故障,并给出与所述故障对应的修复建议。
作为本发明的进一步改进,所述故障模型包括电路短路、光伏板遮挡、玻璃碎裂、热斑中的至少一种。
为实现上述目的,本发明还提供了一种光伏组串故障诊断系统,适用上述光伏组串故障诊断方法,包括:
逆变器,用于采集光伏组串的IV数据;
数据获取模块,用于从所述逆变器定时获取IV数据并存储至第一数据库;
数据分析模块,用于分析获得各个所述IV数据的特征;
分类模块,用于将第一数据库中的数据分成正常数据和异常数据;
第一存储模块,用于存储第一数据库的数据;
第二存储模块,用于存储第二数据库的数据;
第三存储模块,用于存储第三数据库的数据;
标注模块,用于通过所述IV数据的特征对所述第二数据库的数据进行标注;
数据处理模块,用于将第二数据库内的数据预处理为预设数据结构;
第一模型构建模块,用于构建DBSCAN异常数据分类模型;
第二模型构建模块,用于构建深度神经网络Transformer故障诊断模型;
计算机编程语言,用于调用所述异常数据过滤模型和所述故障诊断模型,以获得诊断结果;
故障库,用于存储与标签对应的各类故障及修复建议。
本发明的有益效果是:本发明的一种光伏组串故障诊断方法及系统,通过构建异常数据过滤模型,先将第一数据库中的IV数据通过异常数据过滤模型进行聚类后,丢弃掉异常数据,不仅能够减少对于无用数据的标注,还能提高故障诊断准确率,从而为后续诊断模型提供数据的可靠性。另外,通过Transformer深度神经网络构建故障诊断模型,能够提高障诊断模型的训练速度,提取到的特征数量多,得到的诊断结果准确率高。
附图说明
图1是本发明的光伏组串故障诊断方法的流程图。
图2是本发明的光伏组串故障诊断系统的结构框图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
在此,需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
另外,还需要说明的是,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。
请参阅图1所示,本发明提供了一种光伏组串故障诊断方法,包括步骤S1至步骤S6。
S1:通过逆变器10定时采集光伏组串IV数据,并将获取的所述IV数据储存至第一数据库。具体地,通过逆变器10定时采集光伏组串IV数据,设定逆变器10采样数为至少五个采样点,并随机抽取200台逆变器10做定时数据采集,每台逆变器10有18个端口,每个采样点的属性有电压和电流,并把获取的IV数据存储至第一数据库。
在本发明一实施例中,通过逆变器10定时采集光伏组串IV数据。设定逆变器10采样数为10个采样点,并随机抽取200台逆变器10定时一月或者一周进行数据采集,每天分别在早9点、中午1点以及下午4点做数据采集,每台逆变器10有18个端口,每个采样点的属性有电压和电流,这样就能采集到108000条数据,并把获取的IV数据存储至第一数据库。可以理解的是,采集点的数量越多,诊断结果越精准,诊断的准确率越高。
S2:构建异常数据过滤模型,将所述第一数据库中的IV数据通过所述异常数据过滤模型进行聚类,分为正常数据和异常数据,将所述正常数据存储至第二数据库内,并丢弃所述异常数据。
由于在这108000条数据中大多数是异常的无用数据,无用数据的存在会对后续诊断模型的标注的准确率产生较大的影响,所以先对上述数据进行过滤操作,不仅能够减少对于无用数据的标注,还能大大增加标注的准确率,继而大大增加了为后续诊断模型提供数据的可靠性。
本发明通过聚类算法DBSCAN构建异常数据过滤模型,并使用该异常数据过滤模型对第一数据库中的数据进行聚类。由于DBSCAN算法是基于密度的算法,且属于无监督类机器学习算法。因此,通过调整在一个点周围邻近区域的半径以及邻近区域内至少包含点的个数这两个参数,可以有效地区分正常数据和异常数据。也就是说,由于异常数据是那些逆变器10采集的IV数据存在数据丢失、噪声干扰等影响的数据,正常的IV数据和异常的IV数据有着明显的区别特征。故在以一个确定的半径为邻近区域半径的情况下,异常数据周围包含的点的个数较少,而正常数据周围包含的点的个数较多,以此有效地把第一数据库内的数据分成正常数据和异常数据,将正常数据存储至第二数据库,将异常数据丢弃。通过在步骤S2中将第一数据库中的数据先通过聚类算法DBSCAN构建的异常数据过滤模型进行过滤,对异常数据的过滤效果可达到98%以上,进而可以大大减少了步骤S3中对无用数据的分析以及标注,提高后续诊断模型的准确率,准确率可达100%,同时,提高了后续诊断模型的数据的可靠性。
在本实施例中,经过异常数据过滤模型过滤后的数据大约有8000条,即通过本发明的异常数据过滤模型过滤的异常数据有100000条,因此通过该聚类算法构建的异常数据过滤模型可以大大减少了无用数据的标注,提高诊断的效率和准确性。
S3:分析所述第二数据库中的IV数据,获取每条所述IV数据的特征,通过所述IV数据的特征对所述第二数据库的IV数据进行标注。
进一步地,步骤S3包括:S31:对所述第二数据库中的每条IV数据进行非线性曲线拟合,并获取所述IV数据非线性曲线拟合后的各项曲线特征;S32:把所述各项曲线特征加入所述第二数据库内对应的IV数据中;S33:通过DBSCAN算法对所述第二数据库中每条IV数据分别进行聚类;S34:对聚类后分成不同簇的IV数据进行标注。
在本实施例中,在对第一数据库中的108000条IV数据进行过滤后,去除掉100000条异常数据,将8000条正常数据存储至第二数据库中,对第二数据库中的8000条正常IV数据进行分析,从而获取每条所述IV数据的特征。
由于IV曲线不仅仅包括电流和电压,还包括填充因子等其他特征,故仅从电压以及电流这两个信息描述IV曲线不够准确,需要更多维度的信息。因此,在分析第二数据库中的数据时,需要先获取每条所述IV数据的特征,对第二数据库中每条IV数据进行非线性曲线拟合,并获取所述IV数据非线性曲线拟合后的各项曲线特征。其中,各项曲线特征包括短路电流值、开路电压值、峰值功率、最佳电流、最佳电压以及填充因子等,并把各项曲线特征加入第二数据库内对应的IV数据中,以提高IV曲线的准确性。
然后,通过机器学习DBSCAN算法对所述第二数据库中每条IV数据分别进行聚类。具体地,步骤S33包括:S331:找到所述第二数据库中所有的核心对象;S332:任意选取一个未遍历的核心对象,并创建一个新簇,所述核心对象及其邻域范围内的其他数据组成一级集合,将所述一级集合中的所有数据加入所述新簇;S333:遍历所述一级集合中未创建新簇的其他核心对象,将其他核心对象及其邻域范围内还未被遍历的其他数据组成二级集合,将所述二级集合中的所有数据加入所述新簇,直至加入所述新簇中的所有核心对象都被遍历;S334:重新选择一个未被遍历的核心对象,重复步骤S331~S333,直至第二数据库中所有核心对象均被遍历完成。
进一步地,所述核心对象通过设定算法参数获取,所述算法参数包括邻域和最小样本数,若一个数据的邻域范围存在的其他数据大于等于最小样本数,则称该数据为核心对象。具体地,设定邻域范围r和最小样本数minP。首先找到第二数据库中所有的核心对象。如果一个数据的邻域范围r存在的其他数据大于等于最小样本数minP,则称该数据为核心对象。也就是说,核心对象的邻域范围r内存在至少minP个其他数据。任意选取一个未遍历的核心对象P1,并创建一个新簇N1。将该核心对象P1及其邻域范围r内的其他数据组成集合C1,将集合C1中的所有数据加入簇N1中。遍历集合C1中的其他核心对象P1i,将核心对象P1i及其邻域范围r内还未被遍历的其他数据组成集合C1i,将集合C1i中的所有数据加入该簇N1,直至加入N1中的所有核心对象都被遍历。然后,重新选择一个未被遍历的核心对象,重复上述步骤,直至数据集中的所有核心对象均被遍历完成。如此,将第二数据库中的IV数据进行聚类,分成不同的簇。
对聚类后分成不同簇的IV数据进行标注。该标注主要是指将不同的数字一一对应地添加到不同簇的IV数据内,作为所述IV数据的标签。例如,将分到正常数据簇的数据标注为0,将分到电路短路故障数据簇的数据标注为1,将分到光伏板遮挡故障数据簇的数据标注为2,以此类推,即将这些0、1、2...数字添加到该不同簇的IV数据内,作为数据的标签。通过数据的标签可以与故障库中的故障一一映射,进而可以快速找到该标签映射的故障,并给出与所述故障对应的修复建议。
需要说明的是,在标注之前需定好标注规则,并严格按照标注规定进行标注。例如,建立“不知道”和”异常”这个标签,防止出现模棱两可的结果。其中,异常是指异常数据。由于在步骤S2中通过聚类算法DBSCAN构建的异常数据过滤模型可对异常数据的过滤效果可达到98%以上,剩余的不足2%的异常数据可在对IV数据进行标注时筛选出来,以防出现错误的诊断,提高诊断准确率。
S4:将标注好的IV数据处理成预设数据结构,并将所述预设数据结构的数据存储至第三数据库。
因为每台机器所处的环境可能有所差异,故得不到标准的IV曲线,所以需要先对每条所述第二数据库内的标注好的IV数据做归一化处理。也就是将所述IV数据中的当前电压值除以开路电压值,得到归一化的电压值,将所述IV数据中的当前电流值除以短路电流值,得到归一化的电流值。再根据功率计算公式求出每个采样点的功率,以获得最大功率值。归一化处理后的结果只会改变数值的大小,不会改变曲线的形状。通过归一化处理可以获取每个采样点的真实电流、实际电压、实际功率、理论电流,并存归一化处理后的IV数据存储至第三数据库。
需要知道的是,处理后的数据结构内还应封装有元数据时间、机器编号以及端口号等信息。即在逆变器10采集光伏组串IV数据时就采集了IV数据的元数据时间、机器编号以及端口号等信息,在步骤S3中,将元数据时间、机器编号以及端口号等信息封装在预设数据结构内。
S5:通过Transformer深度神经网络构建故障诊断模型,使用所述第三数据库内的数据训练故障诊断模型。通过Transformer构建的深度神经网络能够不断学习IV数据与故障类型之间的关系,调整网络中每一层的权重参数,能够挖掘出IV数据与故障类型之间的映射。实验发现,Transformer模型的性能比时序循环神经网络RNN更好。虽然两者都能表达序列特征,但是Transformer因为分为了几个子神经网络,比RNN提取的特征更多,因此准确率更高。经训练后的Transformer模型,在训练集上达到99%的准确率,在测试集上达到94%的准确率。且由于结构本身的特点,RNN只能串行训练,而Transformer能够并行训练,故Transformer模型训练速度更快。
S6:使用计算机编程语言120调用所述异常数据过滤模型和所述故障诊断模型,以获得诊断结果。
在本实施例中,故障类别包括电路短路、光伏板遮挡、玻璃碎裂、热斑等故障当中的至少一种。
进一步地,计算机编程语言120包括Python、C++中的任一种。优选地,因C++在运行效率以及性能方面明显优于Python,因此,在本实施中使用C++对模型和算法进行编译。
进一步地,本发明的一种光伏组串故障诊断方法还包括S7:将步骤S3中的标签与故障库中的故障一一映射,所述故障库根据所述标签的信息,查找到与所述标签映射的故障,并给出与所述故障对应的修复建议。即本发明的一种光伏组串故障诊断方法,不仅可以远程、大规模、定时地为用户诊断出光伏组串的故障,还能针对每个故障给出精确的修复建议。
具体地,依据故障诊断模型给出的最终预测结果(0、1、2...这些标签),通过预测出的标签映射到故障库中,故障库根据接收到的标签信息,查找到该故障,并给出该故障对应的修复建议。比如未接入组串故障,给出建议:请接入组串。组串漏配,给出建议:检查参数配置是否有误。
本发明的一种光伏组串故障诊断方法,无需工作人员进入电站现场进行巡检,减少了人力成本,可以远程为用户诊断出光伏组串的故障,诊断方便,且一次性可以诊断全部组串,检测效率高。另外,本发明的光伏组串故障诊断方法采用大数据算法,通过大量的IV数据来训练故障诊断模型,故障诊断模型能够自主提取出IV数据的特征,挖掘出IV数据与故障之间的深度映射关系,提高模型的鲁棒性,准确率更高,同时,通过后期数据的不断获取,模型还可以得到不断优化,更加智能。另外,本发明基于DBSCAN无监督聚类算法增加了异常数据过滤模型,大大减少了对无用数据的标注量,为后续故障诊断模型提供数据的可靠性。在故障诊断模型中采用了Transformer算法,相较于BP神经网络,本发明采用的模型学习的速度更快,且BP神经网络属于局部搜索的优化算法,可能陷入局部极值,使得训练失败,在实际训练中,BP神经网络的网络容量存在可能性与可行性这一矛盾点,因此,采用BP神经网络构建的故障诊断模型往往只能诊断出少数的几类故障。而本发明采用Transformer算法属于全局优化算法,不会陷入局部极值的情况,而且Transformer算法属于深度学习算法,能够诊断出全部的故障,提高故障诊断的种类和准确性。
请参阅图2所示,本发明还提供了一种光伏组串故障诊断系统,适用上述光伏组串故障诊断方法,光伏组串故障诊断系统包括:
逆变器10,用于采集光伏组串的IV数据;
数据获取模块20,用于从所述逆变器10定时获取IV数据并存储至第一数据库;
数据分析模块30,用于分析获得各个所述IV数据的特征;
分类模块40,用于将第一数据库中的数据分成正常数据和异常数据;
第一存储模块50,用于存储第一数据库的数据;
第二存储模块60,用于存储第二数据库的数据;
第三存储模块70,用于存储第三数据库的数据;
标注模块80,用于通过所述IV数据的特征对所述第二数据库的数据进行标注;
数据处理模块90,用于将第二数据库内的数据预处理为预设数据结构;
第一模型构建模块100,用于构建DBSCAN异常数据分类模型;
第二模型构建模块110,用于构建深度神经网络Transformer故障诊断模型;
计算机编程语言120,用于调用所述异常数据过滤模型和所述故障诊断模型,以获得诊断结果;其中,计算机编程语言120包括Python、C++中的任一种。
故障库,用于存储与标签对应的各类故障及修复建议。
通过上述光伏组串故障诊断系统,不仅可以远程、大规模、定时为用户诊断出光伏组串的故障,还能给出精确的修复建议。通过大量的数据支持,统计分析组串故障类型等信息,为后续电站建设提供咨询。通过Transformer深度神经网络学习IV数据中的特征,能够深入挖掘出IV数据和故障之间的联系,提高模型的鲁棒性。训练好的模型可以很方便的再硬件RAM、浏览器或者服务器上部署,移植方便。
综上所述,本发明的一种光伏组串故障诊断方法及系统,能够解决现有的光伏组串故障诊断方法人工成本高、工作量大、效率低以及检测准确率低的问题。通过构建异常数据过滤模型,先将第一数据库中的IV数据通过异常数据过滤模型进行聚类后,丢弃掉异常数据,不仅能够减少对于无用数据的标注,还能提高故障诊断准确率,从而为后续诊断模型提供数据的可靠性。另外,通过Transformer深度神经网络构建故障诊断模型,能够提高障诊断模型的训练速度,提取到的特征数量多,得到的诊断结果准确率高。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种光伏组串故障诊断方法,其特征在于,包括:
S1:通过逆变器定时采集光伏组串IV数据,并将获取的所述IV数据储存至第一数据库;
S2:构建异常数据过滤模型,将所述第一数据库中的IV数据通过所述异常数据过滤模型进行聚类,分为正常数据和异常数据,将所述正常数据存储至第二数据库内,并丢弃所述异常数据;
S3:分析所述第二数据库中的IV数据,获取每条所述IV数据的特征,通过所述IV数据的特征对所述第二数据库的IV数据进行标注;
S4:将标注好的IV数据处理成预设数据结构,并将所述预设数据结构的数据存储至第三数据库;
S5:通过Transformer深度神经网络构建故障诊断模型,使用所述第三数据库内的数据训练故障诊断模型;
S6:使用计算机编程语言调用所述异常数据过滤模型和所述故障诊断模型,以获得诊断结果。
2.根据权利要求1所述的光伏组串故障诊断方法,其特征在于:所述异常数据过滤模型通过DBSCAN聚类算法构建。
3.根据权利要求1所述的光伏组串故障诊断方法,其特征在于,所述S3包括:
S31:对所述第二数据库中的每条IV数据进行非线性曲线拟合,并获取所述IV数据非线性曲线拟合后的各项曲线特征;
S32:把所述各项曲线特征加入所述第二数据库内对应的IV数据中;
S33:通过DBSCAN算法对所述第二数据库中每条IV数据分别进行聚类;
S34:对聚类后分成不同簇的IV数据进行标注。
4.根据权利要求3所述的光伏组串故障诊断方法,其特征在于:所述各项曲线特征包括短路电流值、开路电压值、峰值功率、最佳电流、最佳电压以及填充因子。
5.根据权利要求3所述的光伏组串故障诊断方法,其特征在于:所述S33包括:
S331:找到所述第二数据库中所有的核心对象;
S332:任意选取一个未遍历的核心对象,并创建一个新簇,所述核心对象及其邻域范围内的其他数据组成一级集合,将所述一级集合中的所有数据加入所述新簇;
S333:遍历所述一级集合中未创建新簇的其他核心对象,将其他核心对象及其邻域范围内还未被遍历的其他数据组成二级集合,将所述二级集合中的所有数据加入所述新簇,直至加入所述新簇中的所有核心对象都被遍历;
S334:重新选择一个未被遍历的核心对象,重复步骤S331~S333,直至第二数据库中所有核心对象均被遍历完成。
6.根据权利要求5所述的光伏组串故障诊断方法,其特征在于:所述核心对象通过设定算法参数获取,所述算法参数包括邻域和最小样本数,若一个数据的邻域范围存在的其他数据大于等于最小样本数,则称该数据为核心对象。
7.根据权利要求1所述的光伏组串故障诊断方法,其特征在于:所述S34中对数据进行标注为将不同的数字一一对应地添加到不同簇的IV数据内,作为所述IV数据的标签。
8.根据权利要求7所述的光伏组串故障诊断方法,其特征在于,所述方法还包括S7:所述标签与故障库中的故障一一映射,所述故障库根据所述标签的信息,查找到与所述标签映射的故障,并给出与所述故障对应的修复建议。
9.根据权利要求1所述的光伏组串故障诊断方法,其特征在于:所述故障模型包括电路短路、光伏板遮挡、玻璃碎裂、热斑中的至少一种。
10.一种光伏组串故障诊断系统,其特征在于,适用于权利要求1~9任一项所述的光伏组串故障诊断方法,包括:
逆变器,用于采集光伏组串的IV数据;
数据获取模块,用于从所述逆变器定时获取IV数据并存储至第一数据库;
数据分析模块,用于分析获得各个所述IV数据的特征;
分类模块,用于将第一数据库中的数据分成正常数据和异常数据;
第一存储模块,用于存储第一数据库的数据;
第二存储模块,用于存储第二数据库的数据;
第三存储模块,用于存储第三数据库的数据;
标注模块,用于通过所述IV数据的特征对所述第二数据库的数据进行标注;
数据处理模块,用于将第二数据库内的数据预处理为预设数据结构;
第一模型构建模块,用于构建DBSCAN异常数据分类模型;
第二模型构建模块,用于构建深度神经网络Transformer故障诊断模型;
计算机编程语言,用于调用所述异常数据过滤模型和所述故障诊断模型,以获得诊断结果;
故障库,用于存储与标签对应的各类故障及修复建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211120201.6A CN117764547A (zh) | 2022-09-15 | 2022-09-15 | 一种光伏组串故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211120201.6A CN117764547A (zh) | 2022-09-15 | 2022-09-15 | 一种光伏组串故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117764547A true CN117764547A (zh) | 2024-03-26 |
Family
ID=90313118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211120201.6A Pending CN117764547A (zh) | 2022-09-15 | 2022-09-15 | 一种光伏组串故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764547A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951633A (zh) * | 2024-03-27 | 2024-04-30 | 中节能甘肃武威太阳能发电有限公司 | 一种光伏发电设备故障诊断方法及系统 |
-
2022
- 2022-09-15 CN CN202211120201.6A patent/CN117764547A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951633A (zh) * | 2024-03-27 | 2024-04-30 | 中节能甘肃武威太阳能发电有限公司 | 一种光伏发电设备故障诊断方法及系统 |
CN117951633B (zh) * | 2024-03-27 | 2024-06-11 | 中节能甘肃武威太阳能发电有限公司 | 一种光伏发电设备故障诊断方法及系统 |
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 | |
CN108647716B (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
Zhao et al. | Hierarchical anomaly detection and multimodal classification in large-scale photovoltaic systems | |
CN107451600B (zh) | 一种基于隔离机制的在线光伏热斑故障检测方法 | |
CN110224673B (zh) | 一种基于深度学习的太阳能光伏电池板故障检测方法 | |
CN110619479B (zh) | 光伏组件的故障判别模型建模方法及故障判别方法 | |
CN109617526A (zh) | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 | |
Liu et al. | Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I–V curves | |
Mustafa et al. | Fault identification for photovoltaic systems using a multi-output deep learning approach | |
Jia et al. | Defect prediction of relay protection systems based on LSSVM-BNDT | |
Van Gompel et al. | Cost-effective fault diagnosis of nearby photovoltaic systems using graph neural networks | |
Ziane et al. | Detecting partial shading in grid-connected PV station using random forest classifier | |
CN115712873A (zh) | 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法 | |
Serrano-Luján et al. | Case of study: Photovoltaic faults recognition method based on data mining techniques | |
Yun et al. | Research on fault diagnosis of photovoltaic array based on random forest algorithm | |
CN117764547A (zh) | 一种光伏组串故障诊断方法及系统 | |
CN113326667B (zh) | 一种太阳能电池板故障诊断方法及系统 | |
Zhao et al. | A photovoltaic array fault diagnosis method considering the photovoltaic output deviation characteristics | |
CN116879672A (zh) | 一种基于时间卷积网络的台区总表故障智能辨识方法 | |
CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN112215256A (zh) | 一种低压配电网多源数据处理方法 |
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 |