[发明专利]一种基于深度学习的太阳能光伏电池板故障检测方法有效
申请号: | 201910397926.1 | 申请日: | 2019-05-14 |
公开(公告)号: | CN110224673B | 公开(公告)日: | 2020-10-02 |
发明(设计)人: | 陈泽华;程起泽;刘晓峰;赵哲峰;蒋文杰;薛军;沈亮 | 申请(专利权)人: | 太原理工大学 |
主分类号: | H02S50/00 | 分类号: | H02S50/00;H02S50/10 |
代理公司: | 太原晋科知识产权代理事务所(特殊普通合伙) 14110 | 代理人: | 任林芳 |
地址: | 030024 *** | 国省代码: | 山西;14 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 学习 太阳能 电池板 故障 检测 方法 | ||
1.一种基于深度学习的太阳能光伏电池板故障检测方法,其特征在于:
步骤一:获取太阳能光伏电池板运行产生的电流数据集,对电流数据集进行降采样处理,根据太阳能光伏电池板每日的电流数据绘制成电流曲线图,根据支路运行时实际采集到的电流数据表现形式,将支路的运行状态分为六类,并基于六类进行标签数据集的制作;
其中,六类标签分别是:1、正常发电,电流曲线表现为随着一天中时间的变化而近似表现为正态曲线;2、通讯故障,电流曲线表现为无规律变化,或者存在明显脱离一般常识的电流值点;3、直角突变,电流曲线表现为在正常发电过程中,电流值突降到0不再恢复正常,存在突发性故障;4、组件修理,电流曲线表现为同一汇流箱下某条异常支路的电流曲线从零值恢复到正常发电;5、电流持平,电流持平一般分为两种,一种表现为电流值在零点持平,另一种表现为电流值持平在某任意点;6、电流低,同一汇流箱下某条支路运行时电流值总是比同汇流箱下其他支路电流低0.5A及以上;
步骤二:对电流数据集进行数据清洗,对电流数据集进行横向特征与纵向特征的提取,制作得到训练数据集与测试数据集;
步骤三:使用CNN-LSTM模型进行学习训练,根据模型训练完成时的损失函数值与正确率以及验证测试数据集得到的正确率,对模型的结构与参数进行调整与优化;
步骤四:使用实际光伏电站运行产生的电流数据对模型进行反复的验证与优化。
2.根据权利要求1所述的基于深度学习的太阳能光伏电池板故障检测方法,其特征在于:对电流数据集进行数据清洗,对电流数据集进行横向特征与纵向特征的提取,制作得到训练数据集与测试数据集的步骤包括:
将以秒为单位获得的二十四小时电流数据采样为以分钟为单位、区间为上午8点至下午6点的电流采样点,得到的每天电流数据为600个点;
将单个汇流箱下的15条支路作为一个单位,将15条支路每一分钟的电流值当做一个电流组数据,每天的600采样点作为一个时间步长,即(600,15);
将每一时间步下的电流数据组进行横向特征的提取,在提取特征时,清洗掉大幅度偏离常理的电流值,补以0值代替;
纵向特征的提取使用一阶差分,提取单条支路一天内随时间与太阳辐照的变化而变化的电流变化率;
横向特征提取任一采样点时,同一汇流箱下15条支路中组成的数据组的电流平均值、最大值、方差、最小值、标准差,横向特征用以表示某一时刻时,汇流箱下支路发电电流的理想数值;
将上述一个时间步提取到的特征与待检测支路这一时刻点的电流值组合起来,得到同一时间步下输入模型的电流数据。
3.根据权利要求1所述的基于深度学习的太阳能光伏电池板故障检测方法,其特征在于:
使用CNN-LSTM模型对电流数据进行学习训练的步骤中,使用处理好的三维数据集(N,600,7),进入一个两层的卷积神经网络模型进行提取特征,得到向量(N,150,64);将卷积模型输出的向量输入一个三层的长短期记忆模型进行训练,训练学习后的数据(N,64)进入一个全连接层后得到一维的输出,与数据标签计算损失函数值后,模型开始反向传播,调整整个模型内部的参数值。
4.根据权利要求1所述的基于深度学习的太阳能光伏电池板故障检测方法,其特征在于:
在使用实际光伏电站运行产生的电流数据对模型进行反复的验证与优化时,使用不同光伏阵列区域与不同发电时期的电流数据对模型进行验证与优化。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于太原理工大学,未经太原理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910397926.1/1.html,转载请声明来源钻瓜专利网。