[发明专利]一种基于Wasserstein GAN的光伏阵列故障诊断方法

说明书

本发明涉及一种基于Wasserstein GAN的光伏阵列故障诊断方法，首先对光伏阵列电流、电压时序数据进行采集；接着将获取的光伏阵列时序电流与时序电压数据绘制为曲线图形并保存为样本；然后设计Wasserstein GAN网络中的鉴别器D与生成器G；然后训练Wasserstein GAN中的鉴别器D生成器G；接着将训练得到的鉴别器D作为光伏阵列时序电流电压曲线图片的特征提取网络，采用全连接神经网络训练特征分类器，对特征提取网络得到的特征进行分类，得到光伏阵列时序电流电压数据的诊断模型。本发明所提出的基于Wasserstein GAN的光伏阵列时序电流电压数据的故障诊断方法，在无监督训练的基础上能够准确地对光伏阵列进行故障检测和分类。

技术领域

本发明涉光伏发电阵列故障检测技术领域，特别是一种基于Wasserstein GAN的光伏阵列故障诊断方法。

背景技术

由于光伏组件阵列的工作环境是复杂的户外环境，同时受到湿度，紫外线，风激振等各种环境因素的作用，容易出现局部短路、开路、热斑等各种故障问题，故障的发生将会降低光伏电站的发电效率，严重时甚至会发生火灾，危害社会财产安全，为了尽可能地延长光伏发电系统的寿命、使其逼近理论的工作年限，以及使光伏电站尽可能地高效发电，提高电站的运营过程中的安全性，及时、有效和高效的维护十分关键。随着世界各国光伏发电装机量的快速增长，光伏发电系统的自动监测与故障诊断近年来得到国内外越来越多的学者和相关机构的关注。

近年来，多种基于时序数据的故障诊断方法与技术相继被提出。基于小波变换的故障诊断办法使用小波变换对时序信号进行分析，由此实现对故障的诊断。但该算法对时序诊断精度上还有提升空间，以及该算法还未对故障类型进行分类。对于时序的电流电压数据，对其进行故障诊断与分类时往往是使用像小波变换这种处理方式，对时序数据的特征进行提取。这种特征往往是一种变化趋势的特征，但是这种方式并不能完全表示一个故障发生时光伏系统电流电压曲线的特征。当有些故障发生时，其故障程度是不同的，但是他们由于是同一种故障，因此会有相似的变化过程，但却在故障前后发生了数值的变化，如图所示1与图2所示。在相同的故障下，由于故障程度不同，造成了这两种故障具有相似的变化曲线，但在最后的稳定数值有所不同。其中，图1为单个光伏组串中1个组件短路的电流电压图。图2为单个光伏组串中1个组件短路的电流电压图。

这时候对于这种故障用小波变化的故障诊断方式识别的准确率就相对不高。而且这种与时间相关的曲线特征表征了该曲线在时间上的相关性。将曲线由单纯的一维序列数据转化位二维曲线图像的方式，通过将X轴设置位数据点的采集顺序，Y轴设置为数据点的数值，不仅直观的表示出来曲线的变化趋势，还将曲线的在不同时间的数值相对变化体现了出来。对于这种图片的分类算法，大多数采用监督的方式训练其分类器。但是监督算法很容易受到训练使用的数据的影响。光伏阵列的时序数据采集过程较为繁琐，而好的分类器往往需要大量数据，过多的数据对数据采集工作有一定的要求。

目前，公开发表的文献及专利中尚未见有将Wasserstein GAN模型应用于光伏发电阵列的故障诊断的研究。

发明内容

有鉴于此，本发明的目的是提出一种基于Wasserstein GAN的光伏阵列故障诊断方法，在无监督训练的基础上能够准确地对光伏阵列进行故障检测和分类。

本发明采用以下方案实现：一种基于Wasserstein GAN的光伏阵列故障诊断方法，具体包括以下步骤：

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；