[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

本發明公開一種基于遷移學習的光伏電站故障智能診斷方法，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。本發明能夠智能高效的對光伏組件進行故障診斷。

技術領域

本發明涉及光伏電站故障診斷技術領域，特別是涉及一種基于遷移學習的光伏電站故障智能診斷方法。

背景技術

近年來，伴隨社會的高速發展，傳統能源日益供需失衡。傳統化石燃料發電對環境造成的污染越發嚴峻，生態破壞嚴重，成為世界各國重點關注的領域。在巨大的能源缺失和環境污染的壓力下，風能、太陽能、潮汐能等有利于人與自然和諧發展的新能源的開發與利用得到大幅度推廣。其中太陽能清潔環保，資源充足且容易獲取，光伏發電技術被認為是最有前途的發電方式之一，具有廣闊的應用市場。光伏電站發電具有明顯的波動性和間歇性，大規模光伏電站并網會給電力系統的穩定運行和安全帶來巨大的挑戰。準確預測光伏電站的輸出功率，能夠提高光伏電站運營效率，幫助調度部門調整運行方式，保障光伏并網后電力系統的安全穩定。

現階段，光伏電站中光伏組件所占投資比重仍較大，約占總造價40％左右。理論上，光伏組件的使用壽命一般為20至25年，但是光伏電站通常安裝在環境比較惡劣的室外，容易發生各種故障，這直接影響了光伏系統的正常發電，甚至會造成火災等毀滅性災害。可見，采用科學合理的方法對光伏電站進行發電預測、故障預警及維護至關重要，不僅能夠保證光伏電站的穩定運行，提高光伏電站的發電效率，還能夠預防故障導致的不良后果，具有良好的社會與經濟效益。然而，傳統的光伏組件故障診斷多采用人工巡檢的方式，該方法既費時又費力，且光伏組件多安裝在屋頂、郊區等環境較差的地方，工作電壓高達上百伏，人工逐塊檢測故障的方法十分危險。

因此，亟需一種智能高效的方法來實現光伏組件的故障診斷，確保光伏發電系統正常運行，避免光伏電站出現火災危險等安全問題。

發明內容

本發明的目的是提供一種基于遷移學習的光伏電站故障智能診斷方法，以解決現有技術中存在的技術問題，能夠智能高效的對光伏組件進行故障診斷。

為實現上述目的，本發明提供了如下方案：本發明提供一種基于遷移學習的光伏電站故障智能診斷方法，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。

優選地，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。

優選地，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。

優選地，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。