[發明專利]一種基于遷移學習的光伏電站故障智能診斷方法

在審

• 申請號: 202011089083.8
• 申請日: 2020-10-13
• 公開（公告）號: CN112183877A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 汪飛;胡杉;朱文浩
• 申請（專利權）人: 上海大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08;H02J3/38
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 方亞兵

1.一種基于遷移學習的光伏電站故障智能診斷方法，其特征在于，包括如下步驟：

S1、采集光伏電站歷史運行數據，并對所采集的數據進行預處理；

S2、獲取光伏發電功率的關鍵影響因素；

S3、根據所述關鍵影響因素從預處理后的光伏電站歷史運行數據中選取訓練樣本集，并基于LSTM構建光伏發電功率預測模型，通過訓練樣本集對所述光伏發電功率預測模型進行訓練；

S4、基于訓練好的光伏發電功率預測模型，采用遷移學習方法對光伏電站進行故障診斷。

2.根據權利要求1所述的基于遷移學習的光伏電站故障智能診斷方法，其特征在于，所述步驟S1中，光伏電站歷史運行數據包括歷史發電功率數據、光伏組件電參數數據、氣象數據，數據采樣間隔為30分鐘。

3.根據權利要求1所述的基于遷移學習的光伏電站故障智能診斷方法，其特征在于，所述步驟S2中，采用皮爾遜相關性分析方法獲取光伏發電功率的關鍵影響因素。

4.根據權利要求1所述的基于遷移學習的光伏電站故障智能診斷方法，其特征在于，所述步驟S3具體包括如下步驟：

S3.1、根據所述關鍵影響因素從預處理后的光伏電站歷史運行數據中選取訓練樣本集；

S3.2、基于LSTM構建光伏發電功率預測模型；

S3.3、設定光伏發電功率預測模型的參數，并通過訓練樣本集對光伏發電功率預測模型進行訓練及優化；

S3.4、測試光伏發電功率預測模型的預測準確性。

5.根據權利要求4所述的基于遷移學習的光伏電站故障智能診斷方法，其特征在于，所述步驟S3.1中，訓練樣本集包括氣象數據、電氣數據。

6.根據權利要求5所述的基于遷移學習的光伏電站故障智能診斷方法，其特征在于，所述氣象數據包括預測日前n天的溫度數據和相對濕度數據；所述電氣數據包括預測日前n天的光伏輸出功率數據。

7.根據權利要求4所述的基于遷移學習的光伏電站故障智能診斷方法，其特征在于，所述步驟S3.2中，所述光伏發電功率預測模型的網絡層數為3層，包括1層輸入層，1層隱藏層和1層輸出層；所述輸入層神經元的數量為3，所述隱含層神經元的數量根據下式進行計算：

式中，a表示隱藏層神經元的數量，b表示輸入層神經元的數量，l表示輸出層神經元的數量，c表示常數，依據實際需要進行設定。

8.根據權利要求4所述的基于遷移學習的光伏電站故障智能診斷方法，其特征在于，所述步驟S3.4中，采用均方根誤差和平均絕對百分比誤差作為評價指標對光伏發電功率預測模型的預測準確性進行測試。

9.根據權利要求1所述的基于遷移學習的光伏電站故障智能診斷方法，其特征在于，所述步驟S4中，采用基于參數的遷移學習方法對光伏電站進行故障診斷。

10.根據權利要求9所述的基于遷移學習的光伏電站故障智能診斷方法，其特征在于，所述步驟S4中，采用遷移學習方法對光伏電站進行故障診斷的方法包括：

S4.1、模擬光伏組件的故障狀態，并采集不同故障狀態下的故障數據；

S4.2、通過不同故障狀態下的故障數據對光伏發電功率預測模型進行修正，得到故障狀態下的光伏發電功率預測模型；

S4.3、獲取故障數據驗證集，并將故障數據驗證集中的故障數據輸入故障狀態下的光伏發電功率預測模型，得到故障狀態下的光伏發電功率預測結果；

S4.4、將故障狀態下的光伏發電功率的預測結果與正常狀態下的實測值進行對比，完成光伏電站的故障診斷。