[发明专利]基于自动编码器及K均值聚类的光伏电站故障诊断算法

权利要求书

1.基于自动编码器及K均值聚类的光伏电站故障诊断算法，其特征在于：包括如下步骤：

S1、将光伏组件实时的生产数据进行筛选，筛选出生产数据中输出功率大于1w的生产数据共计M条，删除输出功率项，得到一个M*7的矩阵；

S2、对步骤S1得到的矩阵进行归一化处理，得到归一化矩阵；

S3、将归一化的矩阵元素输入训练后的AE神经网络模型，将数据进行编码和解码，使用AE神经网络模型的隐藏层中神经元数量最少的一层，获得数据的降维表示，具体包括：取AE神经网络模型第三个隐藏层输出的2维数据；

S4、再将2维数据使用训练好的k-means进行分类，得到其类别作为模型预测的故障状态。

2.根据权利要求1所述的基于自动编码器及K均值聚类的光伏电站故障诊断算法，其特征在于：所述步骤S2中归一化计算公式为：

其中：i,j分别为原始数据矩阵中的行和列的索引，x_ij表示归一化后i,j位置的矩阵元素，v_ij表示归一化前i,j位置的矩阵元素，为归一化前j列中的最小矩阵元素，为归一化前j列中的最大矩阵元素。

3.根据权利要求1所述的基于自动编码器及K均值聚类的光伏电站故障诊断算法，其特征在于：所述步骤S3中的AE神经网络模型由输入层、隐藏层和输出层组成，所述输入层用于输入数据，所述隐藏层用于将输入的数据进行编码和解码，即信息的压缩和恢复，所述输出层用于输出模型的结果。

4.根据权利要求3所述的基于自动编码器及K均值聚类的光伏电站故障诊断算法，其特征在于：所述AE神经网络模型中需设置的参数如下:

输入层神经元数量为7，对应归一化矩阵后的列数；

隐藏层第一层到第五层的神经元数量：分别为5，3，2，3，5；

输出层神经元数量为7，与输入层神经元数量相等。

5.根据权利要求1所述的基于自动编码器及K均值聚类的光伏电站故障诊断算法，其特征在于：所述步骤S3中的AE神经网络模型的训练方式如下：

将前一年的光伏组件生产数据经过步骤S1的筛选和步骤S2的归一化处理，归一化后的矩阵，每一行作为一条数据，每1024条数据作为1个batch，即batch-size为1024，训练轮数epoch设定为200轮，按照上述设定对AE进行训练。

6.根据权利要求5所述的基于自动编码器及K均值聚类的光伏电站故障诊断算法，其特征在于：归一化后的矩阵，逐条输入训练完后的AE，取第三个隐藏层输出的2维数据，得到M条2维数据，对其绘制散点图，用于观察数据的分布。

7.根据权利要求6所述的基于自动编码器及K均值聚类的光伏电站故障诊断算法，其特征在于：得到的M条2维数据使用k-means进行聚类，并查找前一年的故障记录，对于不同故障时刻对应的数据，其类别作为相应的故障状态。

8.根据权利要求7所述的基于自动编码器及K均值聚类的光伏电站故障诊断算法，其特征在于：另外选取一个月的生产数据测试，用训练好的k-means进行分类，得到其类别，即模型预测的状态，将其与数据对应的真实状态进行比较，计算出模型对于正常状态及各种故障状态预测的准确率，如果预测准确率低于90％，则对k-means调整参数重新训练。

9.根据权利要求8所述的基于自动编码器及K均值聚类的光伏电站故障诊断算法，其特征在于：将当年1月的光伏组件生产数据经过步骤S1的筛选和步骤S2的归一化处理，当年1月出现N种故障，每种故障取对应时间段的归一化矩阵数据10条，随机取10条正常时刻的数据，一共有测试数据(N+1)*10条数据，将其输入训练好的AE，取第三个隐藏层输出的2维数据，得到(N+1)*10条2维数据，再将2维数据使用训练好的k-means进行分类。