CN113283580A - 一种太阳能电池板故障自动检测方法 - Google Patents
一种太阳能电池板故障自动检测方法 Download PDFInfo
- Publication number
- CN113283580A CN113283580A CN202110482858.6A CN202110482858A CN113283580A CN 113283580 A CN113283580 A CN 113283580A CN 202110482858 A CN202110482858 A CN 202110482858A CN 113283580 A CN113283580 A CN 113283580A
- Authority
- CN
- China
- Prior art keywords
- current
- vector
- data set
- layer
- fault
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 68
- 230000008859 change Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 9
- 230000032683 aging Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- 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)
- Photovoltaic Devices (AREA)
Abstract
本发明一种太阳能电池板故障自动检测方法，属于光伏电池板故障检测技术领域；所要解决的技术问题为：提供一种太阳能电池板故障自动检测方法的改进；解决该技术问题采用的技术方案为：根据光伏电厂采集的实时电流数据制作成适合神经网络故障诊断模型的训练数据集和测试数据集，将数据集依次通过神经网络的三个残差模块提取电流深层次的特征，数据集先通过神经网络模型中的残差模块的膨胀卷积提取电流信息的深层次特征，通过一个小型子网络根据样本的不同自动学习一组阈值，再对学习的阈值进行软阈值化，最后将网络学习到的残差函数和恒等映射函数进行加权，最终进入全连接层进行分类完成对光伏电池板的故障检测；本发明应用于太阳能光伏电池板的日常维护。
Description
技术领域
本发明一种太阳能电池板故障自动检测方法，属于光伏电池板故障检测技术领域。
背景技术
随着经济全球化的发展，世界各国经济发展迅速，人们生活水平显著提高，对于能源的需求量与日俱增，不可再生能源的短缺成为一个不可避免的问题，太阳能由于获取方式简单，不受地域限制，太阳辐射能的总量可观，太阳的能量比较长久，而且太阳能的使用不会造成环境污染，绿色能源的发展为各国解决能源短缺和由不可再生能源引起的环境污染问题中起着举足轻重的作用，随着太阳能的发展，光伏产业随之兴起。
光伏电站一般规模较大，占地面积广，能源公司从经济角度考虑，一般选择建设在人迹罕至的郊区，为确保光伏电站的顺利运行，能源公司会为光伏电站配置少数的维保人员；由于光伏电站的规模较大，维保人员需要巡检维护的范围广，光伏组件较多，为维保人员准确定位故障光伏组件的物理位置以及故障类型具有极其重要的研究意义。
近几年，国家大力支持人工智能和大数据的发展，人工智能已经被应用到生活的方方面面，人工智能也极大地促进了太阳能光伏组件的故障诊断研究发展，有使用红外图像检测光伏组件的热斑故障，红外图像检测法主要基于故障组件和正常组件的温度差异检测故障，使用传感器进行故障检测，对光伏***的电池进行分块化处理，并将多个传感器分别放置在合适的位置，检测各支路的电流和光伏组件电池板的电压，通过采集的电流和电压值去综合判断故障发生位置；上述红外图像检测法和多传感器法对于大型光伏阵列需要投入大量的红外摄像头和传感器设备，导致经济成本过高并不适用，仅适用于小型光伏电站；另外有基于电气测量的故障诊断方法通过测量I-V曲线、接地电容值、反馈信号等方法进行故障诊断，但该方法的缺陷是不能准确定位故障发生的具***置，能够判断的故障类型受限；因此有必要对现有光伏电池板的故障确定及调整方法进行改进。
发明内容
本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种太阳能电池板故障自动检测方法的改进。
为了解决上述技术问题，本发明采用的技术方案为：一种太阳能电池板故障自动检测方法，包括如下工作参数检测调整步骤：
步骤一：对工作中的光伏电池板参数进行检测，采集光伏电池板的电流数据集，对电流数据集进行特征提取，制作得到训练数据集与测试数据集，根据可视化的电流数据制作标签数据集；
步骤二：使用软阈值化的时序卷积神经网络模型进行学习训练，根据模型训练时的损失函数值、正确率、验证测试数据集得到的正确率，对模型的结构与参数进行调整与优化；
步骤三：将实际光伏电站运行产生的电流数据对模型进行反复的验证与优化调整。
在步骤一中，具体根据电流曲线图制作出对应支路的标签数据集，根据支路运行时实际采集到的电流数据表现形式，将支路工作状态分为三个等级：
等级一的工作状态为：包含通讯传输故障、热斑烧穿或熔断这两类故障：
所述通讯传输故障的电流曲线变化无规律，存在明显脱离常识的电流值点；
所述热斑烧穿或熔断故障的电流曲线由正常发电突降为0，并保持0值不再发生变化；
等级二的工作状态为：包含组件老化故障、设备启动故障、组件维修故障三种故障类型：
所述组件老化故障，具体为同一汇流箱下某条支路运行时电流值比同汇流箱下其他支路电流低0.5A或0.5A以上；
所述设备启动故障，具体为电流持平在0值或者任意值保持不变；
所述组件维修故障，具体为电流曲线表现为同一汇流箱下某条异常支路的电流曲线从0值恢复到正常发电状态；
等级三的工作状态为：正常发电，该状态下电流曲线表现为随着日照的变化而变化，电流一天的变化趋势近似正态曲线。
在步骤一中，采集电流数据集进行特征的提取，制作得到训练数据集与测试数据集的具体步骤包括：
将原始采样频率为1s的电流数据降采样为1-10min采样一次，采样区间设定为早晨日出时至傍晚日落时，特征提取每一采样点时，同一汇流箱下多条支路中组成数据组的电流值、电流平均值、最大值、方差、最小值、标准差、每条支路随时间与太阳辐照的变化而变化的电流变化率，得到同一时间步下输入模型的电流特征数据。
在步骤二中，使用软阈值化的时序卷积神经网络模型对电流数据进行学习训练的具体步骤包括：
步骤2.1：使用处理好的四维数据集A，进入软阈值化的时序卷积神经网络模型的第一层残差模块进行训练，将数据集送入第一层残差模块空洞因子为1，滤波器为32的残差模块的膨胀卷积层进行卷积，提取深层次电流特征信息，得到输出向量M；
步骤2.2：将卷积后输出数据依次输入归一化网络层、绝对值函数层、全局平均池化网络层，得到输出向量M；
步骤2.3：将得到的向量再次依次输入空洞因子为1，滤波器为32的膨胀卷积层、归一化网络层、绝对值函数层、全局平均池化网络层进行深层次特征的提取，得到输出向量B；
步骤2.4：将输出向量B再次输入绝对值函数层，对向量里的所有元素求绝对值，得到输出向量C；
步骤2.5：将输出向量C输入全局平均池化网络层，得到输出向量D；
步骤2.6：将输出向量D依次输入全连接网络层、归一化网络层、绝对值函数层、全连接网络层、Sigmoid激活函数层进行学习一组缩放系数，得到向量E，并将得到的向量D和向量E进行矩阵逐点相乘，得到向量F；
步骤2.7：将得到的输出向量F与向量B进行软阈值化，得到输出向量G；
步骤2.8：将向量A输入一个滤波器为32的卷积网络层学习一个恒等映射函数，得到输出向量H；
步骤2.9：将向量G和向量H进行加权，得到向量I；
步骤2.10：将向量I依次送入模型结构相同，膨胀卷积的空洞因子分别为2、4的第二层残差模块和第三层残差模块中进行学习训练，再将第三层残差模块的训练输出结果送入全连接层进行分类，得出分类结果，根据损失函数值和测试集准确率对模型进行调整与优化。
在步骤三中，具体使用实际生产中真实的电流数据对模型进行反复的调优，使用不同于训练集的光伏阵列区域和不同季节的电流数据对模型进行反复验证和调优。
本发明相对于现有技术具备的有益效果为：本发明提供一种基于软阈值化的时序卷积神经网络(ST-TCN)的太阳能光伏组件故障诊断检测方法，主要根据光伏组件运行时采集的电流数据变化趋势作为光伏组件故障分类依据，使用搭建好的ST-TCN深度学习故障诊断模型进行训练，对模型进行反复训练直到调至最优模型，并将训练好的模型进行保存；本发明使用电站采集的电流数据监测太阳能光伏组件的物理位置和故障等级，在使用过程中可以直接投入实际电厂使用，无需增加额外设备，减少电厂的运维成本的开销，本发明使用训练好的深度学习故障诊断模型，诊断检测效率高，并且要优于目前现有的深度学习故障诊断模型。
附图说明
下面结合附图对本发明做进一步说明：
图1为本发明检测光伏电池板的光伏阵列拓扑结构图；
图2为本发明检测太阳能光伏电池板故障方法的步骤流程示意图；
图3为本发明检测太阳能光伏电池板故障方法的模型结构示意图；
图4为本发明检测太阳能光伏电池板故障方法中残差模块结构示意图。
具体实施方式
如图1至图4所示，本发明提出一种基于软阈值化的时序卷积神经网络(ST-TCN)的太阳能光伏电池板故障检测和调整优化方法，本方法根据光伏电厂采集的实时电流数据制作成适合ST-TCN故障诊断模型的训练数据集和测试数据集，然后将数据集依次通过ST-TCN网络的三个残差模块提取电流深层次的特征，数据集先通过ST-TCN模型中的残差模块的膨胀卷积提取电流信息的深层次特征，再通过一个小型子网络根据样本的不同自动学习一组阈值，再对学习的阈值进行软阈值化，最后将网络学习到的残差函数和恒等映射函数进行加权，最终进入全连接层进行分类完成对光伏电池板的故障检测。
具体来说，本发明公开一种基于时序卷积网络的光伏电池板工作参数检测与调整方法，包括如下检测步骤：
步骤一：对工作中的光伏电池板参数进行检测，采集光伏电池板的电流数据集，对电流数据集进行特征提取，制作得到训练数据集与测试数据集，根据可视化的电流数据制作标签数据集；
步骤二：使用软阈值化的时序卷积神经网络模型进行学习训练，根据模型训练时的损失函数值、正确率、验证测试数据集得到的正确率，对模型的结构与参数进行调整与优化；
步骤三：将实际光伏电站运行产生的电流数据对模型进行反复的验证与优化调整。
在步骤一中，具体根据电流曲线图制作出对应支路的标签数据集，根据支路运行时实际采集到的电流数据表现形式，将支路工作状态分为三个等级：
等级一的工作状态为：包含通讯传输故障、热斑烧穿或熔断这两类故障：
所述通讯传输故障的电流曲线变化无规律，存在明显脱离常识的电流值点；
所述热斑烧穿或熔断故障的电流曲线由正常发电突降为0，并保持0值不再发生变化；
等级二的工作状态为：包含组件老化故障、设备启动故障、组件维修故障三种故障类型：
所述组件老化故障，具体为同一汇流箱下某条支路运行时电流值比同汇流箱下其他支路电流低0.5A或0.5A以上；
所述设备启动故障，具体为电流持平在0值或者任意值保持不变；
所述组件维修故障，具体为电流曲线表现为同一汇流箱下某条异常支路的电流曲线从0值恢复到正常发电状态；
等级三的工作状态为：正常发电，该状态下电流曲线表现为随着日照的变化而变化，电流一天的变化趋势近似正态曲线。
所述步骤一在实际操作中，采集电流数据集进行特征的提取，制作得到训练数据集与测试数据集的具体步骤包括：将原始采样频率为1s的电流数据降采样为1min采样一次，采样区间[早晨8:00~傍晚6:00]，特征提取任一采样点时，同一汇流箱下15条支路中组成的数据组的电流值、电流平均值、最大值、方差、最小值、标准差以及每条支路随时间与太阳辐照的变化而变化的电流变化率，得到同一时间步下输入模型的电流特征数据，将16光伏阵区10个月的特征电流数据作为训练集，将17光伏阵区10个月的特征电流数据作为测试集。
所述步骤二在实际操作中，使用ST-TCN模型对电流数据进行学习训练的步骤中，使用处理好的四维数据集A：(M，600,7，1)，进入ST-TCN的三层残差模块进行训练：
首先进入第一层残差模块空洞因子为1，滤波器（Filters）为32的膨胀卷积层进行卷积，得到输出向量(M,600,7,32)，将卷积后输出的依次输入归一化网络层、绝对值函数层（Relu激活函数层）、全局平均池化网络层（Dropout层），得到输出向量(M,600,7,32)，将得到的向量再依次输入空洞因子为1，滤波器为32的膨胀卷积层、归一化网络层、绝对值函数层、全局平均池化网络层进行深层次特征的提取，得到输出向量B：(M,600,7,32)。
再将得到的输出向量再次输入绝对值函数层，对向量里的所有元素求绝对值，得到输出向量C：(M,600,7,32)，将向量C输入全局平均池化网络层，得到输出向量D:(M,32)，将得到的输出向量依次输入全连接网络层、归一化网络层、绝对值函数层、全连接网络层、Sigmoid激活函数层进行学习一组缩放系数，得到向量E:(M,32)，将得到的向量D和向量E进行矩阵逐点相乘，得到向量F:(M,1,1,32)。
将得到的输出向量F与向量B进行软阈值化，得到输出向量G：(M,600,7,32)。
将A：(M,600,7,1)输入一个滤波器为32的卷积网络层学习一个恒等映射函数，得到输出向量H：(M,600,7,32)。
将向量G和向量H进行加权，得到向量I：(M,600,7,32)。
将向量依次送入模型结构相同，膨胀卷积的空洞因子分别为2,4的第二层残差模块和第三层残差模块中进行学习训练，再将第三层残差模块的训练输出结果送入全连接层进行分类，得出分类结果，根据损失函数值和测试集准确率对模型进行调优。
使用实际生产中真实的电流数据对模型进行反复的调优，使用不同于训练集的其他光伏阵列区域和不同季节的电流数据对模型进行反复验证和调优。
基于上述故障检测调整方法，对具体案例进行操作实践，提供以下实施例：
本实验数据来自某光伏能源公司。该实验数据基本信息如下：
光伏电站包含60个光伏阵区，每个光伏阵区包含2个逆变器，1号逆变器下包含1到7号汇流箱，2号逆变器下包含8到14号汇流箱，1个汇流箱下包含15条光伏支路，1条支路下包含21个电池板串联构成，数据采集设备可以精确采集到每条组件支路的实时电流数据。
使用能源公司下属某光伏电站2018年1月到2018年10月2个光伏阵区的数据来进行测试验证。数据分配为16光伏阵区数据用做训练数据集，17光伏阵区数据用作测试数据集。数据集制作为1个区下14个汇流箱，210条支路，304天共63840条数据进行训练。训练环境为Linuxehlai6，显卡为8块TeslaT4显卡，实验环境分别为Tensorflow-GPU1.12.0，训练迭代次数为30次，模型参数调优使用经验调优与网格搜索相结合。为进行对比实验，本发明分别使用GRU模型、LSTM模型、CNN-LSTM模型、TCN模型与ST-TCN模型进行对比实验，实验采用相同的实验环境及迭代次数。
表1为实验结果，最优的模型结构为ST-TCN模型。模型训练得到的最优模型结构三层残差模块，膨胀卷积的空洞因子分别为1,2,4。
使用测试数据集进行测试后，准确率达到92.45%。测试结果显示，ST-TCN模型的故障诊断效果优于其他模型，达到预期效果。
表1测试结果
本发明提出了一种基于ST-TCN的太阳能光伏电池板故障检测调整方法，从光伏组件运行时采集到的电流表现形式作为对光伏组件故障进行分类的依据，使用ST-TCN的深度学习模型结构进行训练学习。本方法在大样本数据集上进行验证测试后，将训练好的模型保存节省模型训练的时间，可以在实际电站故障问题检测中较好的投入使用，不需要额外在电站中架设设备，运行速度快，避免了现存的一些方法需要在电站中添加额外数据采集设备的缺点，克服了现存方法仅仅只能针对几种故障进行检测的弊端，符合电站日常使用需要。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种太阳能电池板故障自动检测方法，其特征在于：包括如下工作参数检测调整步骤：
步骤一：对工作中的光伏电池板参数进行检测，采集光伏电池板的电流数据集，对电流数据集进行特征提取，制作得到训练数据集与测试数据集，根据可视化的电流数据制作标签数据集；
步骤二：使用软阈值化的时序卷积神经网络模型进行学习训练，根据模型训练时的损失函数值、正确率、验证测试数据集得到的正确率，对模型的结构与参数进行调整与优化；
步骤三：将实际光伏电站运行产生的电流数据对模型进行反复的验证与优化调整。
2.根据权利要求1所述的一种太阳能电池板故障自动检测方法，其特征在于：在步骤一中，具体根据电流曲线图制作出对应支路的标签数据集，根据支路运行时实际采集到的电流数据表现形式，将支路工作状态分为三个等级：
等级一的工作状态为：包含通讯传输故障、热斑烧穿或熔断这两类故障：
所述通讯传输故障的电流曲线变化无规律，存在明显脱离常识的电流值点；
所述热斑烧穿或熔断故障的电流曲线由正常发电突降为0，并保持0值不再发生变化；
等级二的工作状态为：包含组件老化故障、设备启动故障、组件维修故障三种故障类型：
所述组件老化故障，具体为同一汇流箱下某条支路运行时电流值比同汇流箱下其他支路电流低0.5A或0.5A以上；
所述设备启动故障，具体为电流持平在0值或者任意值保持不变；
所述组件维修故障，具体为电流曲线表现为同一汇流箱下某条异常支路的电流曲线从0值恢复到正常发电状态；
等级三的工作状态为：正常发电，该状态下电流曲线表现为随着日照的变化而变化，电流一天的变化趋势近似正态曲线。
3.根据权利要求2所述的一种太阳能电池板故障自动检测方法，其特征在于：在步骤一中，采集电流数据集进行特征的提取，制作得到训练数据集与测试数据集的具体步骤包括：
将原始采样频率为1s的电流数据降采样为1-10min采样一次，采样区间设定为早晨日出时至傍晚日落时，特征提取每一采样点时，同一汇流箱下多条支路中组成数据组的电流值、电流平均值、最大值、方差、最小值、标准差、每条支路随时间与太阳辐照的变化而变化的电流变化率，得到同一时间步下输入模型的电流特征数据。
4.根据权利要求3所述的一种太阳能电池板故障自动检测方法，其特征在于：在步骤二中，使用软阈值化的时序卷积神经网络模型对电流数据进行学习训练的具体步骤包括：
步骤2.1：使用处理好的四维数据集A，进入软阈值化的时序卷积神经网络模型的第一层残差模块进行训练，将数据集送入第一层残差模块空洞因子为1，滤波器为32的残差模块的膨胀卷积层进行卷积，提取深层次电流特征信息，得到输出向量M；
步骤2.2：将卷积后输出数据依次输入归一化网络层、绝对值函数层、全局平均池化网络层，得到输出向量M；
步骤2.3：将得到的向量再次依次输入空洞因子为1，滤波器为32的膨胀卷积层、归一化网络层、绝对值函数层、全局平均池化网络层进行深层次特征的提取，得到输出向量B；
步骤2.4：将输出向量B再次输入绝对值函数层，对向量里的所有元素求绝对值，得到输出向量C；
步骤2.5：将输出向量C输入全局平均池化网络层，得到输出向量D；
步骤2.6：将输出向量D依次输入全连接网络层、归一化网络层、绝对值函数层、全连接网络层、Sigmoid激活函数层进行学习一组缩放系数，得到向量E，并将得到的向量D和向量E进行矩阵逐点相乘，得到向量F；
步骤2.7：将得到的输出向量F与向量B进行软阈值化，得到输出向量G；
步骤2.8：将向量A输入一个滤波器为32的卷积网络层学习一个恒等映射函数，得到输出向量H；
步骤2.9：将向量G和向量H进行加权，得到向量I；
步骤2.10：将向量I依次送入模型结构相同，膨胀卷积的空洞因子分别为2、4的第二层残差模块和第三层残差模块中进行学习训练，再将第三层残差模块的训练输出结果送入全连接层进行分类，得出分类结果，根据损失函数值和测试集准确率对模型进行调整与优化。
5.根据权利要求4所述的一种太阳能电池板故障自动检测方法，其特征在于：在步骤三中，具体使用实际生产中真实的电流数据对模型进行反复的调优，使用不同于训练集的光伏阵列区域和不同季节的电流数据对模型进行反复验证和调优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110482858.6A CN113283580A (zh) | 2021-04-30 | 2021-04-30 | 一种太阳能电池板故障自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110482858.6A CN113283580A (zh) | 2021-04-30 | 2021-04-30 | 一种太阳能电池板故障自动检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113283580A true CN113283580A (zh) | 2021-08-20 |
Family
ID=77277997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110482858.6A Pending CN113283580A (zh) | 2021-04-30 | 2021-04-30 | 一种太阳能电池板故障自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283580A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625094A (zh) * | 2021-09-11 | 2021-11-09 | 沈阳工业大学 | 一种地铁站台屏蔽门故障诊断*** |
| CN113688987A (zh) * | 2021-08-30 | 2021-11-23 | 远景智能国际私人投资有限公司 | 光伏监测模型的训练方法、光伏设备的监测方法及设备 |
| CN114298219A (zh) * | 2021-12-27 | 2022-04-08 | 江苏国科智能电气有限公司 | 一种基于深度时空特征提取的风力发电机故障诊断方法 |
| CN116699297A (zh) * | 2023-08-08 | 2023-09-05 | 江西驴充充充电技术有限公司 | 充电桩检测***及其方法 |
| CN117743930A (zh) * | 2023-12-20 | 2024-03-22 | 北京智盟信通科技有限公司 | 一种应用于智能光伏的传感数据处理方法及服务器 |
| CN117792279A (zh) * | 2024-02-27 | 2024-03-29 | 鑫琪(苏州)新能源科技有限公司 | 基于神经网络的分布式光伏监控*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109215042A (zh) * | 2018-09-28 | 2019-01-15 | 吉林电力股份有限公司科技开发分公司 | 一种基于计算机视觉的光伏电池板热斑效应检测***及其计算方法 |
| CN110224673A (zh) * | 2019-05-14 | 2019-09-10 | 太原理工大学 | 一种基于深度学习的太阳能光伏电池板故障检测方法 |
| CN112163551A (zh) * | 2020-10-14 | 2021-01-01 | 黄振海 | 基于图像处理和多维度感知的光伏电池板形变预测方法 |
| CN112578089A (zh) * | 2020-12-24 | 2021-03-30 | 河北工业大学 | 一种基于改进tcn的空气污染物浓度预测方法 |
| GB202102016D0 (en) * | 2020-02-14 | 2021-03-31 | Nvidia Corp | Robotic control using deep learning |
-
2021
- 2021-04-30 CN CN202110482858.6A patent/CN113283580A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109215042A (zh) * | 2018-09-28 | 2019-01-15 | 吉林电力股份有限公司科技开发分公司 | 一种基于计算机视觉的光伏电池板热斑效应检测***及其计算方法 |
| CN110224673A (zh) * | 2019-05-14 | 2019-09-10 | 太原理工大学 | 一种基于深度学习的太阳能光伏电池板故障检测方法 |
| GB202102016D0 (en) * | 2020-02-14 | 2021-03-31 | Nvidia Corp | Robotic control using deep learning |
| CN112163551A (zh) * | 2020-10-14 | 2021-01-01 | 黄振海 | 基于图像处理和多维度感知的光伏电池板形变预测方法 |
| CN112578089A (zh) * | 2020-12-24 | 2021-03-30 | 河北工业大学 | 一种基于改进tcn的空气污染物浓度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 程起泽等: "基于CNN-LSTM的太阳能光伏组件故障诊断研究", 《计算机技术与应用》 * |
| 高永成: "GEO卫星电源***故障仿真及诊断研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688987A (zh) * | 2021-08-30 | 2021-11-23 | 远景智能国际私人投资有限公司 | 光伏监测模型的训练方法、光伏设备的监测方法及设备 |
| CN113688987B (zh) * | 2021-08-30 | 2023-08-01 | 远景智能国际私人投资有限公司 | 光伏监测模型的训练方法、光伏设备的监测方法及设备 |
| CN113625094A (zh) * | 2021-09-11 | 2021-11-09 | 沈阳工业大学 | 一种地铁站台屏蔽门故障诊断*** |
| CN114298219A (zh) * | 2021-12-27 | 2022-04-08 | 江苏国科智能电气有限公司 | 一种基于深度时空特征提取的风力发电机故障诊断方法 |
| CN116699297A (zh) * | 2023-08-08 | 2023-09-05 | 江西驴充充充电技术有限公司 | 充电桩检测***及其方法 |
| CN116699297B (zh) * | 2023-08-08 | 2023-10-27 | 江西驴充充充电技术有限公司 | 充电桩检测***及其方法 |
| CN117743930A (zh) * | 2023-12-20 | 2024-03-22 | 北京智盟信通科技有限公司 | 一种应用于智能光伏的传感数据处理方法及服务器 |
| CN117792279A (zh) * | 2024-02-27 | 2024-03-29 | 鑫琪(苏州)新能源科技有限公司 | 基于神经网络的分布式光伏监控*** |
| CN117792279B (zh) * | 2024-02-27 | 2024-05-17 | 鑫琪(苏州)新能源科技有限公司 | 基于神经网络的分布式光伏监控*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113283580A (zh) | 一种太阳能电池板故障自动检测方法 | |
| 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 | |
| CN108062571B (zh) | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 | |
| CN109934423B (zh) | 基于并网逆变器运行数据的光伏电站功率预测方法及*** | |
| CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
| Liu et al. | Fault diagnosis approach for photovoltaic array based on the stacked auto-encoder and clustering with IV curves | |
| Natarajan et al. | Fault detection of solar PV system using SVM and thermal image processing | |
| 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 | |
| CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
| CN108983749B (zh) | 基于k-svd训练稀疏字典的光伏阵列故障诊断方法 | |
| CN111245365B (zh) | 基于动态加权深度森林的光伏组件故障诊断方法 | |
| CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
| Wang et al. | Performance assessment of photovoltaic modules based on daily energy generation estimation | |
| Liu et al. | A dilation and erosion-based clustering approach for fault diagnosis of photovoltaic arrays | |
| Chen et al. | A novel fault diagnosis method of PV based-on power loss and IV characteristics | |
| Djalab et al. | Robust method for diagnosis and detection of faults in photovoltaic systems using artificial neural networks | |
| CN109992911A (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
| Yun et al. | Research on fault diagnosis of photovoltaic array based on random forest algorithm | |
| CN116054740A (zh) | 光伏发电设备的故障检测、故障检测模型处理方法和装置 | |
| CN113326667B (zh) | 一种太阳能电池板故障诊断方法及*** | |
| Yang et al. | Fast simulation modeling and multiple-PS fault diagnosis of the PV array based on I–V curve conversion | |
| Zhou et al. | A shadow fault diagnosis method based on the quantitative analysis of photovoltaic output prediction error | |
| Gong et al. | Fault diagnosis method of photovoltaic array based on random forest algorithm | |
| CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
| CN117764547A (zh) | 一种光伏组串故障诊断方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210820 |