[发明专利]基于微调密集连接卷积神经网络的光伏阵列故障诊断方法

权利要求书

1.一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法，其特征在于：包括以下步骤：

步骤S1：获取原始实测数据：采集各种工况条件下的光伏电气特性数据，具体包括：光伏阵列工作电压、光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流和光伏阵列功率；记录实时的温度和辐照度；

步骤S2：气象站检测到的温度与辐照度的频率分别为1/60HZ，将一分钟采集一次的温度和辐照度，分别做三次样条插值，获得一秒钟200个数据的连续值即得到频率为200HZ的环境样本；利用Simulink搭建光伏阵列仿真模型，使用该温度和辐照度模拟各种工况，同样获得如步骤S1所涉及的光伏电气特性数据即获得原始仿真数据；

步骤S3：对原始实测数据进行预处理：使用跃变点检测算法对实测数据中的光伏阵列工作电压进行全局检测，找出其波形突变的时间节点，在连续的节点之间挑选出处于最大功率点的完整电压波形，并获得处于最大功率点的其他电气特性数据，包括步骤S1中的除了光伏阵列工作电压以外的电气数据；对最大功率点的电气特性数据进行整数倍抽取，降低电气特性数据的长度，获得基于时间序列的8个一维电气数据；将8个电气数据，按行拼接成二维特征矩阵，获得实测数据集；

步骤S4：按步骤S3中从实测数据检测得到的时间节点对仿真数据做相同操作，获仿真数据集；分别将仿真数据集和实测数据集按照各工况等比例划分为训练集和验证集和测试集；设计基于微调密集连接的卷积神经网络FT-DenseNet，使用仿真数据集中的训练集样本进行训练，当模型的损失函数收敛，保存模型参数，停止训练，用测试集进行验证，得到最佳的预训练模型；

步骤S5：将步骤S4中所保存的模型参数，冻结它的特征提取层，使用实测数据中的训练集重新训练分类层，并对FT-DenseNet训练模型在验证集上进行验证，得到最优且最具有泛化能力FT-DenseNet故障诊断模型；

步骤S6：利用FT-DenseNet故障诊断模型，对实际工况下的测试集电气特性数据进行检测和分类，通过分类层的输出结果对比测试集的标签信息，给出实际工况的类型。

2.根据权利要求1所述的一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法，其特征在于：步骤S1中所述各种工况包括正常工作、组串级线线故障、阵列级线线故障、老化故障、阴影故障和开路故障：其中组串级线线故障，即单个组串的组件被短路；阵列级线线故障，即不同组串中电势差不同的节点被短路；老化故障，即阵列线路老化而电阻增大；阴影故障，即组串中组件发生阴影遮挡；开路故障，即阵列中的某个组串被断路；模拟各工况的环境条件与实际采集的环境条件一致。