[发明专利]一种基于Wasserstein GAN的光伏阵列故障诊断方法

权利要求书

1.一种基于Wasserstein GAN的光伏阵列故障诊断方法，其特征在于：包括以下步骤：

步骤S1：对各预设工况下的光伏发电阵列进行电流与电压数据采集；

步骤S2：将步骤S1获取的光伏发电阵列的电流与电压数据绘制在同一张图片上并保存为样本；

步骤S3：通过Wasserstein GAN设计一个鉴别器网络D与一个生成器网络G；

步骤S4：将步骤S2中的样本数据分成训练集和验证集，并采用无监督的训练方式训练Wasserstein GAN中的鉴别器网络D与一个生成器网络G；

步骤S5：将训练后的鉴别器网络D作为电流电压曲线图片的特征提取网络，采用神经网络训练特征分类器，对鉴别器网络D得到的电流电压特征进行分类，得到光伏组件的故障诊断模型；

步骤S6：通过所述步骤S1以及所述步骤S2对实际待测工况进行处理，并利用步骤S4的Wasserstein GAN与步骤S5的故障诊断模型，对所述实际待测工况下的光伏发电阵列时序电流与时序电压数据进行诊断，判断光伏发电阵列系统是否处于故障状态以及故障种类。

2.根据权利要求1所述的一种基于Wasserstein GAN的光伏阵列故障诊断方法，其特征在于：步骤S2具体包括以下步骤：

步骤S21：将所采集的光伏组件时序电流数据与时序电压分别以2001个点作为一组样本进行切割；

步骤S22：将步骤S21切割后的样本数据进行图形绘制，绘制成电流与电压曲线；其中，以采集时间为横轴、以电流值与电压值为纵轴绘制成电流与电压曲线图，并将其保存作为样本数据。

3.根据权利要求1所述的一种基于Wasserstein GAN的光伏阵列故障诊断方法，其特征在于：步骤S3中，所述生成器网络G包含6层反卷积层来扩大输入信号的维度，包括6层batchnormalization层接在每层反卷积层之后，用于对每一层反卷积层的输出做归一化处理，提高生成器生成图片的稳定性；将输入的100维高斯噪声信号作为输入，拟合出一幅3通道128*128大小的光伏电流电压曲线图片；所述鉴别器网络D包含了5层卷积神经网络，将输入3通道128*128大小的光伏电流电压曲线图通过5层卷积网络与激活函数后输出一个0-1之间的概率，此概率输出代表了输入的光伏组件电流电压曲线图是来自实际采样图片的概率。

4.根据权利要求1所述的一种基于Wasserstein GAN的光伏阵列故障诊断方法，其特征在于：步骤S5中，用来训练特征分类器的神经网络采用全连接神经网络。

5.根据权利要求1所述的一种基于Wasserstein GAN的光伏阵列故障诊断方法，其特征在于：步骤S1中，所述预设工况包括：正常工作、1个组串开路、2个组串开路、单个光伏组串中1个组件短路以及单个光伏组串中2个组件短路。