[发明专利]一种基于迁移学习的光伏电站故障智能诊断方法

权利要求书

1.一种基于迁移学习的光伏电站故障智能诊断方法，其特征在于，包括如下步骤：

S1、采集光伏电站历史运行数据，并对所采集的数据进行预处理；

S2、获取光伏发电功率的关键影响因素；

S3、根据所述关键影响因素从预处理后的光伏电站历史运行数据中选取训练样本集，并基于LSTM构建光伏发电功率预测模型，通过训练样本集对所述光伏发电功率预测模型进行训练；

S4、基于训练好的光伏发电功率预测模型，采用迁移学习方法对光伏电站进行故障诊断。

2.根据权利要求1所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S1中，光伏电站历史运行数据包括历史发电功率数据、光伏组件电参数数据、气象数据，数据采样间隔为30分钟。

3.根据权利要求1所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S2中，采用皮尔逊相关性分析方法获取光伏发电功率的关键影响因素。

4.根据权利要求1所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S3具体包括如下步骤：

S3.1、根据所述关键影响因素从预处理后的光伏电站历史运行数据中选取训练样本集；

S3.2、基于LSTM构建光伏发电功率预测模型；

S3.3、设定光伏发电功率预测模型的参数，并通过训练样本集对光伏发电功率预测模型进行训练及优化；

S3.4、测试光伏发电功率预测模型的预测准确性。

5.根据权利要求4所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S3.1中，训练样本集包括气象数据、电气数据。

6.根据权利要求5所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述气象数据包括预测日前n天的温度数据和相对湿度数据；所述电气数据包括预测日前n天的光伏输出功率数据。

7.根据权利要求4所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S3.2中，所述光伏发电功率预测模型的网络层数为3层，包括1层输入层，1层隐藏层和1层输出层；所述输入层神经元的数量为3，所述隐含层神经元的数量根据下式进行计算：

式中，a表示隐藏层神经元的数量，b表示输入层神经元的数量，l表示输出层神经元的数量，c表示常数，依据实际需要进行设定。

8.根据权利要求4所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S3.4中，采用均方根误差和平均绝对百分比误差作为评价指标对光伏发电功率预测模型的预测准确性进行测试。

9.根据权利要求1所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S4中，采用基于参数的迁移学习方法对光伏电站进行故障诊断。

10.根据权利要求9所述的基于迁移学习的光伏电站故障智能诊断方法，其特征在于，所述步骤S4中，采用迁移学习方法对光伏电站进行故障诊断的方法包括：

S4.1、模拟光伏组件的故障状态，并采集不同故障状态下的故障数据；

S4.2、通过不同故障状态下的故障数据对光伏发电功率预测模型进行修正，得到故障状态下的光伏发电功率预测模型；

S4.3、获取故障数据验证集，并将故障数据验证集中的故障数据输入故障状态下的光伏发电功率预测模型，得到故障状态下的光伏发电功率预测结果；

S4.4、将故障状态下的光伏发电功率的预测结果与正常状态下的实测值进行对比，完成光伏电站的故障诊断。