一种光伏发电设备故障诊断方法及系统与流程

本发明涉及光伏发电，具体为一种光伏发电设备故障诊断方法及系统。

背景技术：

1、随着世界各国光伏发电装机量的快速增长，光伏发电系统的故障诊断近年来得到国内外越来越多的学者和相关机构的关注。由于光伏组件阵列安装和工作在复杂的户外环境中，同时受到湿度，紫外线等各种环境因素的作用，容易出现局部短路、性能下降、裂纹或者开路等各种故障问题，故障的发生将会降低光伏电站的发电效率，严重时甚至会发生火灾，危害社会财产安全，为了尽可能地延长光伏发电系统的寿命，使光伏电站尽可能地高效发电，提高电站的运营过程中的安全性，及时、有效和高效地维护十分关键。

2、在现有技术中，传统的故障检测方法通常依赖于基础的测量仪器和数据记录系统，这种诊断方式耗时且工作量大，特别是在大规模的光伏电场中，这造成光伏发电设备故障诊断效率低下。另外，一些系统采用基于规则的故障检测方法，但这些方法需要提前定义详尽的规则集合，对新的故障模式缺乏灵活性和适应性。还有许多现有技术采用基于阈值的方法来检测异常，但这些方法容易受到环境条件变化和系统运行状态的影响，导致误报或漏报。应用于光伏发电设备故障诊断领域的新型智能算法目前是许多专家学者着力研究的技术之一，这其中就包括了信号处理技术或人工智能算法以及它们二者的融合。例如，文献(“a new convolutional neural network-based data-driven fault diagnosismethod”，《ieee transactions on industrial electronics》，文龙等，2018-07-01)首先将原始数据由1维信号转为2维的图像信号，直接对得到的图像信号进行预处理，接着使用cnn的letnet-5框架进行深度特征提取，总共由七层网络组成，准确率是所有cnn框架中最高的。首先把获取的二维图像作为cnn的输入层，经过三层卷积层和池化层后，得到此时输出的特征图大小为1x1，最后使用softmax分类作为输出层，直接将故障进行分类。在现有技术公开号为cn115587642b的中国专利公开了一种基于bp神经网络的光伏系统故障告警方法，该专利通过建立分布式光伏系统bp神经网络，筛选出训练数据，进而对区域内分布式光伏系统运行过程中出力特性异常进行告警。然而，该现有技术中使用的特征提取技术可能无法捕捉复杂故障模式的细微变化，这会导致诊断结果的不准确性。

3、为了解决以上问题，本发明提出一种光伏发电设备故障诊断方法及系统。

技术实现思路

1、本发明的目的在于提供一种光伏发电设备故障诊断方法及系统，首先获取光伏发电组件在监测时间中的多维历史原始数据信号；然后使用信号分解方法对所述多维历史原始数据信号进行分解成初级数据信号特征矩阵；接着，将初级数据信号特征矩阵作为卷积神经网络的输入；最后，根据初级数据信号特征矩阵对所述光伏发电设备进行故障诊断。

2、为实现上述目的，本发明提供如下技术方案：

3、一种光伏发电设备故障诊断方法，具体的：

4、获取太阳能光伏电池组件在监测时间中输出的多维历史原始数据信号，包括温度、电压以及环境辐照度，对所述太阳能光伏电池组件的多维历史原始数据信号附加时间属性；

5、使用α-ceemd信号分解方法对所述多维历史原始数据信号进行分解，对每个所述多维历史原始数据信号添加成对加权的正噪声和负噪声，对每个添加正噪声和负噪声后的所述多维历史原始数据信号进行eemd分解得到一个本征模态函数imf，得到所有的本征模态函数imf后，对所述所有本征模态函数imf进行平均，以得到最终的imf；所述imf作为初级数据信号特征矩阵；

6、将所述初级数据信号特征矩阵作为输入，送入mf-cnn卷积神经网络进行进一步的特征提取；所述mf-cnn中包括输入层，隐藏层，多尺度特征提取模块，特征融合模块，全连接层和输出层；其中，所述多尺度特征提取模块包括并行卷积层组合以及池化层；所述特征融合模块包括多分辨率特征融合和注意力机制；

7、使用训练完成的mf-cnn对所述光伏发电设备进行故障诊断。

8、所述多维历史原始数据信号包括：温度，包括接线盒内部温度，所述太阳能光伏电池组件温度和所述光伏逆变器温度；所述温度包括所述接线盒，所述太阳能光伏电池组件和所述光伏逆变器分别在发生故障时的温度；电压，包括所述逆变器的三相电压；所述电压包括所述逆变器在发生故障时的电压；环境辐照度，所述环境辐照度指所述太阳能光伏电池组件受照面单位面积上的辐射通量。

9、所述时间属性是指为所述多维历史原始数据信号建立时间轴，所述时间轴上的每个时间点都具有各自对应的所述多维历史原始数据信号。

10、所述信号分解方法是α-ceemd信号分解方法，在所述α-ceemd信号分解方法中，通过使用正负成对的加权噪声来进一步提高分解的稳定性和准确性；在所述α-ceemd中，对每个添加正噪声和负噪声后的所述多维历史原始数据信号进行eemd分解得到一个本征模态函数imf，得到所有的本征模态函数imf后，对所述所有本征模态函数imf进行平均，以得到最终的imf；所述imf作为初级数据信号特征矩阵；所述α-ceemd信号分解方法的过程为：

11、设定总体平均次数为i；

12、添加噪声：构建互补集合，生成多组随机加权噪声αε(t)，将所述噪声αε(t)加到原始信号x(t)上产生多组随机试验信号xi(t)；其中所述随机噪声αε(t)分为正噪声和负噪声其中，所述正噪声和所述负噪声是互补关系；所述试验信号xi(t)和所述噪声公式ε(t)如下：

13、xi(t)＝x(t)+αεi(t)

14、

15、其中，i表示第i次添加所述噪声信号；α是α-ceemd信号分解方法对于噪声自适应调整的权重，α与输入的所述多维历史原始数据信号有关，通过计算所述多维历史原始数据信号的震荡幅度来确定α的大小，具体计算公式如下：

16、

17、其中，fmax为所述维历史原始数据信号的最大震荡幅值，fmin为所述维历史原始数据信号的最小震荡幅值，即fmax与fmin的差值的绝对值越大，α越小，fmax与fmin的差值的绝对值越小，α越大；

18、信号分解：对所述多组试验信号xi(t)分别进行emd分解，得到各自的本征模态函数imf：

19、

20、其中，ci,j(t)为第i次加入白噪声后分解得到的第j个所述imf；ri,j(t)是残余函数，信号的平均趋势；j是所述imf的数量；

21、重复i次所述添加噪声和所述信号分解这两个步骤，每次分解加入所述互补正噪声和所述负噪声中的一个，得到所述imf的集合为下式：

22、c1,j(t)c2,j(t)...ci,j(t),j＝1,2,...j

23、利用不相关序列的统计平均值为零的原理，将所述imf进行集合平均运算，得到eemd分解后最终的imf：

24、

25、其中，cj(t)是eemd分解的第j个imf；cj(t)即所述初级数据信号特征。

26、所述输入层以所述初级数据信号特征矩阵为输入，使用的卷积核大小为3x3，步长为2；

27、所述隐藏层具有卷积层和池化层两部分，所述卷积层使用的卷积核大小为3x3，步长为2；所述池化层使用的池化大小为2x2，步长为2，池化类型为最大池化；

28、所述多尺度特征提取模块包括并行卷积层组合以及池化层，所述并行卷积层组合采用多个并行的卷积层，每个所述卷积层具有不同大小的卷积核，所述池化层使用的池化大小为2x2，步长为2，池化类型为最大池化。

29、所述特征融合模块包括多分辨率特征融合和注意力机制，所述多分辨率特征融合将来自输入层、隐藏层以及多尺度特征提取模块的特征图进行融合，所述注意力机制增强对关键特征的关注和利用。

30、所述全连接层具有256个神经单元。

31、所述输出层将故障进行分类，输出最终结果。

32、一种光伏发电设备故障诊断系统，所述光伏发电设备故障诊断系统包括数据信号获取模块，获取太阳能光伏电池组件在监测时间中输出的多维历史原始数据信号，包括温度、电压以及环境辐照度，对所述太阳能光伏电池组件的多维历史原始数据信号附加时间属性；数据信号分解模块，使用α-ceemd信号分解方法对所述多维历史原始数据信号进行分解，对每个所述多维历史原始数据信号添加成对加权的正噪声和负噪声，对每个添加正噪声和负噪声后的所述多维历史原始数据信号进行eemd分解得到一个本征模态函数imf，得到所有的本征模态函数imf后，对所述所有本征模态函数imf进行平均，以得到最终的imf；所述imf作为初级数据信号特征矩阵；故障诊断模块，将所述初级数据信号特征矩阵作为输入，送入mf-cnn卷积神经网络进行进一步的特征提取；所述mf-cnn中包括输入层，隐藏层，多尺度特征提取模块，特征融合模块，全连接层和输出层；其中，所述多尺度特征提取模块包括并行卷积层组合以及池化层；所述特征融合模块包括多分辨率特征融合和注意力机制；接着使用训练完成的mf-cnn对所述光伏发电设备进行故障诊断。

33、所述多维历史原始数据信号包括：温度，包括接线盒内部温度，所述太阳能光伏电池组件温度和所述光伏逆变器温度；所述温度包括所述接线盒，所述太阳能光伏电池组件和所述光伏逆变器分别在发生故障时的温度；电压，包括所述逆变器的三相电压；所述电压包括所述逆变器在发生故障时的电压；环境辐照度，所述环境辐照度指所述太阳能光伏电池组件受照面单位面积上的辐射通量。

34、所述附加时间属性是指为所述多维历史原始数据信号建立时间轴，所述时间轴上的每个时间点都具有各自对应的所述多维历史原始数据信号。

35、所述α-ceemd信号分解方法的过程为：

36、设定总体平均次数为i；

37、添加噪声：构建互补集合，生成多组随机加权噪声αε(t)，将所述噪声αε(t)加到原始信号x(t)上产生多组随机试验信号xi(t)；其中所述随机噪声αε(t)分为正噪声和负噪声其中，所述正噪声和所述负噪声是互补关系；所述试验信号xi(t)和所述噪声公式ε(t)如下：

38、xi(t)＝x(t)+αεi(t)

39、

40、其中，i表示第i次添加所述噪声信号；α是α-ceemd信号分解方法对于噪声自适应调整的权重，α与输入的所述多维历史原始数据信号有关，通过计算所述多维历史原始数据信号的震荡幅度来确定α的大小，具体计算公式如下：

41、

42、其中，fmax为所述维历史原始数据信号的最大震荡幅值，fmin为所述维历史原始数据信号的最小震荡幅值，即fmax与fmin的差值的绝对值越大，α越小，fmax与fmin的差值的绝对值越小，α越大；

43、信号分解：对所述多组试验信号xi(t)分别进行emd分解，得到各自的本征模态函数imf：

44、

45、其中，ci,j(t)为第i次加入白噪声后分解得到的第j个所述imf；ri,j(t)是残余函数，信号的平均趋势；j是所述imf的数量；

46、重复i次所述添加噪声和所述信号分解这两个步骤，每次分解加入所述互补正噪声和所述负噪声中的一个，得到所述imf的集合为下式：

47、c1,j(t)c2,j(t)...ci,j(t),j＝1,2,...j

48、利用不相关序列的统计平均值为零的原理，将所述imf进行集合平均运算，得到eemd分解后最终的imf：

49、

50、其中，cj(t)是eemd分解的第j个imf；cj(t)即所述初级数据信号特征。

51、所述输入层以所述初级数据信号特征矩阵为输入，使用的卷积核大小为3x3，步长为2；

52、所述隐藏层具有卷积层和池化层两部分，所述卷积层使用的卷积核大小为3x3，步长为2；所述池化层使用的池化大小为2x2，步长为2，池化类型为最大池化；

53、所述多尺度特征提取模块包括并行卷积层组合以及池化层，所述并行卷积层组合采用多个并行的卷积层，每个所述卷积层具有不同大小的卷积核，所述池化层使用的池化大小为2x2，步长为2，池化类型为最大池化。

54、所述特征融合模块包括多分辨率特征融合和注意力机制，所述多分辨率特征融合将来自输入层、隐藏层以及多尺度特征提取模块的特征图进行融合，所述注意力机制增强对关键特征的关注和利用。

55、所述全连接层具有256个神经单元。

56、所述输出层将故障进行分类，输出最终结果。

57、与现有技术相比，本发明的有益效果为：

58、1、本发明获取的多维历史原始数据样信号，能够涵盖更多的数据细节，包括不同光照、温度、电压等因素对太阳能光伏电池组件性能的影响，有助于建立更准确的预测模型，预测太阳能光伏电池组件出现的问题及性能下降趋势，提升分析的准确性，从而实现更有效的预测性维护。

59、2、本发明采用α-ceemd信号分解方法，该方法引入了自适应的加权噪声调整机制，将一对互为相反数的加权正负白噪声作为辅助噪声加入多维历史原始数据样信号当中，对于不同震荡幅度的不同数据计算差异化噪声，该方法能够消除分解后重构信号当中残留的多余的辅助白噪声，同时减少分解时所需的迭代次数；针对太阳能光伏发电组件的多组数据进行分解，从多维历史原始数据样信号中提取可靠的有用信息和趋势，α-ceemd信号分解方法有助于降低数据中的噪声干扰，提升后续数据特征提取的质量，同时结合α-ceemd提取的时频特征与mf-cnn卷积神经网络的空间特征表示，可以提高故障诊断和预测的准确性。

60、3、本发明采用mf-cnn卷积神经网络，所述mf-cnn中具有的多尺度特征提取模块通过并行卷积层和不同尺度的卷积核，网络能够有效捕获信号中不同尺度的特征，包括细微的和整体的信号变化，另外mf-cnn通过特征融合模块能够更好地整合来自不同尺度的信息，增强关键特征的表达能力和识别能力；训练完整的mf-cnn模型具备了实时故障诊断的能力，其并行计算和有效的特征学习能力使得故障诊断速率明显加快，能够更快速地对复杂的故障模式作出响应和识别，在光伏发电组件运行过程中实时地监测和识别故障迹象，提升故障诊断的效率。