[发明专利]光伏组件的故障判别模型建模方法及故障判别方法

权利要求书

1.一种光伏组件的故障判别模型建模方法，其特征在于，包括：

建立光伏组件的故障判别模型的样本数据库；其中，所述样本数据库包括：光伏电站历史上平稳天气条件下的辐照数据及相同时段内的n种故障组件运行功率数据，且每种故障组件运行功率数据的数据量均满足预设要求；n为正整数；所述平稳天气条件为：天气状态满足、及的各天；

其中，为当天的辐照离散程度，a为离散阈值，SK为当天的辐照偏度系数，b为偏度阈值，K为当天的辐照峰度系数，c为峰度阈值；

将所述样本数据库中的数据，按照日时间序列分布，生成n种故障组件运行功率数据和相同时段内辐照数据的数据曲线图像集；

将所述数据曲线图像集中的图像，转化成神经网络数据曲线图像；

对所有的所述神经网络数据曲线图像进行划分，分别得到训练集、验证集及测试集；

依据所述训练集中的神经网络数据曲线图像，建立第一模型，并通过所述第一模型，提取所述训练集中的神经网络数据曲线图像的特征，得到所述神经网络数据曲线图像的特征序列, 所述第一模型为卷积神经网络CNN模型；

将所述特征序列作为输入，对第二模型进行训练，在完成对所述第二模型的训练后，通过所述验证集进行验证，并通过所述测试集进行测试，得到最终训练后的第二模型，所述第二模型为长短期记忆网络LSTM模型；

依据训练后的LSTM模型提取所述特征序列的深度特征，得到n种故障组件运行功率数据曲线图像对应的光伏组件故障类型，以及1种辐照数据曲线图像对应的光伏组件无故障类型；其中，n为大于等于1的正整数；

基于n种所述故障组件运行功率数据曲线图像对应的光伏组件故障类型，以及1种所述辐照数据曲线图像对应的光伏组件无故障类型，建立所述故障判别模型。

2.根据权利要求1所述的光伏组件的故障判别模型建模方法，其特征在于，建立光伏组件的故障判别模型的样本数据库，包括：

收集光伏电站历史上平稳天气条件下的n种故障组件运行功率数据和1种同时段的辐照数据；

或者，

收集实验模拟得到的平稳天气条件下的n种故障组件运行功率数据及1种同时段的辐照数据。

3.根据权利要求1所述的光伏组件的故障判别模型建模方法，其特征在于，所述依据所述训练集中的神经网络数据曲线图像，建立第一模型，包括：

将所述训练集中的神经网络数据曲线图像，按照时间序列分布，作为所述第一模型的输入，建立所述第一模型。

4.根据权利要求1所述的光伏组件的故障判别模型建模方法，其特征在于，所述将所述特征序列作为输入，对第二模型进行训练，在完成对所述第二模型的训练后，通过所述验证集进行验证，并通过所述测试集进行测试，得到最终训练后的第二模型，包括：

将所述特征序列作为所述LSTM模型的输入，得到所述LSTM模型的隐藏层输出的网络输出值；

经过所述LSTM模型的softmax层将所述网络输出值映射成概率分布，得到所述LSTM模型的softmax层输出的实际输出值；

将所述实际输出值和期望输出值进行误差比较，得到所述LSTM模型的测试准确率和误差损失函数；

变更所述LSTM模型的网络参数，返回将所述特征序列作为所述LSTM模型的输入的步骤，直至所述实际输出值收敛并趋于稳定状态，或者，迭代次数达到次数阈值，得到多个不同网络参数下所述LSTM模型的测试准确率和误差损失函数；

通过所述验证集对多个不同网络参数下的所述LSTM模型进行验证，得到验证结果最优的LSTM模型；

通过所述测试集对所述验证结果最优的LSTM模型进行测试，得到所述最终训练后的第二模型。

5.根据权利要求1-4任一所述的光伏组件的故障判别模型建模方法，其特征在于，在将所述样本数据库中的数据，按照日时间序列分布，生成n种故障组件运行功率数据和相同时段内辐照数据的数据曲线图像集之后，还包括：

对所述数据曲线图像集中的图像进行预处理。