[发明专利]一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法

说明书

本发明公开了一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法，涉及故障诊断领域。构建原始本地数据集；数据预处理；搭建用于训练本地故障诊断模型的CNN网络；基于异步去中心化联邦学习开展多个电站的联合故障诊断建模；最后评估联合故障诊断模型的故障诊断准确率、通信效率以及模型训练效率。本发明有效提高了模型的泛化能力；在保障数据隐私的情况下充分利用了多个电站的本地数据；全局模型的聚合不需要中心服务器的参与而是完全分布式的，有效提高了模型的通信和训练效率；只需要采用简易CNN网络就能实现高精度的光伏组件故障诊断。

技术领域

本发明涉及故障诊断领域，尤其涉及一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法。

背景技术

传统化石能源的急剧消耗已经引发了诸多问题，例如能源短缺、全球气候变暖等。太阳能作为一种可再生能源，凭借其清洁、高效、易获取等特点正受到人们日益广泛的关注。在实际应用中，通过光伏系统将太阳辐照转换为电能是太阳能的主要用途之一。但是，光伏系统的发电质量和效率很大程度上受到光伏组件状态的影响。在系统的日常运行过程中，光伏组件可能会遭受一系列常见故障，造成巨大的发电经济损失，严重时甚至会引起火灾等安全事故。对光伏运营商而言，在故障发生后及时排除故障具有重要意义。因此，研究有效的光伏故障诊断方法，对常见的故障类型进行快速准确地诊断，有助于光伏系统维护，能够提高系统安全稳定运行的能力，提升光伏电站运营的经济效益。

本发明提出了一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法，是一种数据驱动的机器学习方法。在光伏故障诊断领域，现有的基于机器学习方法的专利主要可以分为三大类。一类是在故障样本类型齐全、数量充足的情况下，通过采用复杂的深度学习网络来提高故障识别的准确率。另一类是在故障样本类型齐全但数量不足的情况下，利用半监督学习、生成对抗网络等方法扩充样本数量，从而在小样本情况下达到较高精度的故障诊断准确率。第三类是从提高建模效率的角度出发，基于训练好的光伏发电功率预测模型，采用迁移学习方法实现光伏故障诊断。

然而，现有的光伏故障诊断专利都是基于单个光伏电站或光伏阵列的故障样本来训练模型的，它们都没有考虑实际现场单个光伏电站难以采集到足够数量和类型的故障样本的问题。尽管半监督学习和生成对抗网络等方法可以使用少量有标签样本和历史数据中的无标签样本提高故障诊断的准确性，但它们都是基于以下假设：用于训练模型的少量有标签样本中已经包含了全部故障类型，也即虽然故障样本的数量受限，但故障样本的类型是齐全的。这意味着一旦发生新的故障，现有专利中的光伏故障诊断方法很难将其识别出来或者仅能将其粗略地分类为未知故障，不利于后续的故障排除工作。同时，现有关于光伏故障诊断的专利都没有考虑多个光伏电站之间样本不平衡难以充分利用的问题，也没有研究多个光伏电站联合建立故障诊断模型的问题。实际上，位于不同区域的多个光伏电站采集的故障样本通常是不同的。例如，新建立的光伏电站的数据集中通常不会包含老化故障的样本，位于地形平坦且云量较少地区的光伏电站收集的数据一般不会包含遮挡故障的样本。为了克服现有光伏故障诊断专利的不足，本发明提出了一种新的基于异步去中心化联邦学习的光伏故障诊断方法，能够在保障数据隐私的前提下协同多个光伏电站建立一个共享的全局故障诊断模型，充分利用多个光伏电站的本地数据，使得每个电站能够识别更多的故障类型。一方面，本发明的方法不局限于单个电站，而是考虑了多个电站的协同建模，极大程度上丰富了用于训练模型的故障样本，模型的泛化能力大大增强。另一方面，本发明提出了一种新的异步去中心化联邦学习框架，可以充分保障各个电站的数据隐私，它们彼此之前不需要传递本地的原始数据，只需要传递模型参数，就能通过分布式的模型聚合方法建立联合故障诊断模型。

现有技术都没有同时考虑故障样本数量受限和类型受限的问题，只是从提高神经网络的识别准确率或者建模效率方面进行研究，难以真正应用于实际现场。现有技术都是针对单个光伏电站或光伏阵列进行建模的，模型所能识别的故障类型很大程度上受到本地故障样本的限制，无法识别本地数据集中不包含的新的故障类型。现有技术没有考虑多个电站样本分布不均衡的特点，没有充分利用多个电站的本地数据开展联合建模，模型泛化能力差。基于以上分析，对于光伏领域而言，亟需一种有效的联合故障诊断建模方法。