[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

说明书

本发明涉及光伏发电技术领域，具体为基于自动编码器及K均值聚类的光伏电站故障诊断算法，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，获得数据的降维表示；S4、取AE神经网络模型第三个隐藏层输出的2维数据，使用训练好的k‑means进行分类，得到模型预测的状态。本发明将光伏组件的实时生产数据使用AE进行降维，并对降维后的数据绘制散点图，以此作为光伏组件的实时状态。诊断准确率高；诊断结果易于理解；降维效果更好。

技术领域

本发明涉及光伏发电技术领域，具体为基于自动编码器及K均值聚类的光伏电站故障诊断算法。

背景技术

光伏发电作为一种可再生能源，由于其地域适应性好，建设周期短等优点，近年来在我国得到迅速发展。光伏组件在制造过程中的工艺不合格，或者受到外界恶劣的气象环境条件影响，使其容易出现如电池老化，破碎，遮挡热斑等故障，减少了光伏电站的发电功率，缩短了组件的使用寿命。因此光伏组件的故障诊断在光伏电站的安全高效运行中有着现实的意义。

光伏电站采用的维护方式一般是采用人工巡检，由于光伏组件一般分布广泛，且位置多为高处或是地势复杂的地方，因此人工检查往往费时费力，实时性较差。对于光伏组件的智能化检测成为业界研究的热点。目前对于光伏组件的故障诊断，多为试验环境下收集或是模拟数据，产生足够的故障数据样本训练模型，而真实的光伏电站的故障样本往往较少，导致预测准确率低，为此，我们提出基于自动编码器及K均值聚类的光伏电站故障诊断算法。

发明内容

本发明的目的在于提供基于自动编码器及K均值聚类的光伏电站故障诊断算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：基于自动编码器及K均值聚类的光伏电站故障诊断算法，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；

S4、取AE神经网络模型第三个隐藏层输出的2维数据，再将2维数据使用训练好的k-means进行分类，得到其类别，即模型预测的状态。

优选的，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。

优选的，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。

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。

优选的，所述步骤S3中的AE神经网络模型的训练方式如下：