[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

说明书

本发明涉及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，首先，采集实际工况下的电气特性数据以及环境数据，然后利用Simulink搭建模型阵列，模拟实际工况；获取仿真的电气特性数据，其次，通过突变点检测算法，剔除实际和仿真中的异常数据，获取完整的电气波形数据，对其进行采样，压缩特征，拼接为二维特征矩阵。而后，设计密集连接卷积神经网络，使用仿真训练集和Adam优化算法预训练网络，再使用少量的实际工况的训练集微调网络。最后，利用FT‑DenseNet故障诊断网络，对待测工况测试集下的光伏发电阵列进行检测和分类。本发明方法在小样本的情况下，获得具有高精度，鲁棒性强，泛化能力好的分类网络，能够有效提高光伏阵列故障检测和分类的准确性。

技术领域

本发明涉及光伏发电组串故障检测和分类技术领域，特别是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。

背景技术

近年来，太阳能作为一种很有前景的可再生能源得到了广泛的发展。光伏能源是一种太阳能形式，在遏制全球变暖问题中发挥着不可或缺的作用，减少了化石燃料的使用和排放，根据世界能源组织的最新公告，全球光伏装机量和发电量日益增长。随着光伏产业的快速发展和光伏装机容量的快速增长，光伏阵列的使用寿命和安全性受到越来越多的关注。光伏电站大多建在人烟稀少、面积较大的地区。频繁的月度故障不仅会给人工巡检带来巨大困难，还会增加大规模运维成本，严重影响发电效率。光伏阵列的故障严重影响了光伏发电系统的效率和安全运行，甚至会造成火灾危险等不可估量的后果。因此，光伏阵列的故障检测与诊断诊断是保证光伏系统安全稳定运行的重要因素。

传统的光伏阵列故障检测方法有，时域反射法(TDR)，接地电容测量(ECM)，这些方法能检测都能实现对故障的定位，但是TDR只能检测阻抗变化，ECM仅能检测开路，具有一定的局限性。还有部分检测方法是使用热成像，电致发光成像的方法，这些需要较为昂贵的设备，以及苛刻的环境条件。Santiago等人对电流和电压指标的评估，并为两个有助于识别系统故障的参数定义阈值，通过阈值的比较来确定故障类型，Silvestre等人提出一种损耗分析的故障检测方法，对测量的热俘获损失和杂项捕获损失进行连续检测，若损失超过了理论值，则发出一个故障信号。为了确定故障类型，定义了直流变量和相对于模拟变量的偏差，即电流比和电压的比率，通过电流比和电压比的识别故障。这些通过阈值比较的方法需要大量的先验知识，且容易出现难以区分的故障类型。近年来，随着人工智能的迅速崛起，大量AI的故障诊断方法陆续被应用于光伏阵列的故障检测与诊断。如人工神经网络(ANN)，决策树(DT)，随机森林(RF)，概率神经网络(PNN)，小波神经网络(WNN)，支持向量机(SVM)，等传统的机器学习算法，在光伏故障诊断与检测的领域取得了重大的成果与突破，但是它们都需要大量的训练样本，而实际光伏阵列的故障样本难以获取，并不能真正的应用于大型光伏阵列当中。有一部分无监督的学习算法，如密度峰值聚类算法(DPCA),模糊C-均值算法(FCM)等算法在故障诊断上面取得了不错的效果，但是其精确度仍然有限。随着深度学习的日益火热，卷积神经网络，循环神经网络走入光伏故障诊断的视线，其强大的特征提取能力，能给获取具有强大表征能力的优质故障特征，对于分类的准确率进一步有所提升，然而还是需要大量样本的支持。

发明内容

有鉴于此，本发明的目的是提供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，使用了突变点检测算法，可以搜索到处于最大功率点的完整电气特性波形特征，可以有效剔除原始数据中的异常数据。该方法具有很高的精度和稳定性，很好的鲁棒性和泛化能力。

本发明采用以下方案实现：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，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；