[發明專利]基于微調密集連接卷積神經網絡的光伏陣列故障診斷方法

有效

• 申請號: 202011199284.3
• 申請日: 2020-10-30
• 公開（公告）號: CN112787591B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 陳志聰;戴森柏;吳麗君;林培杰;程樹英
• 申請（專利權）人: 福州大學
• 主分類號: H02S50/10
• 分類號: H02S50/10;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 錢莉;蔡學俊

1.一種基于微調密集連接卷積神經網絡的光伏陣列故障診斷方法，其特征在于：包括以下步驟：

步驟S1：獲取原始實測數據：采集各種工況條件下的光伏電氣特性數據，具體包括：光伏陣列工作電壓、光伏陣列工作電流、三個組串的工作電流、參考板開路電壓、參考板短路電流和光伏陣列功率；記錄實時的溫度和輻照度；

步驟S2：氣象站檢測到的溫度與輻照度的頻率分別為1/60HZ，將一分鐘采集一次的溫度和輻照度，分別做三次樣條插值，獲得一秒鐘200個數據的連續值即得到頻率為200HZ的環境樣本；利用Simulink搭建光伏陣列仿真模型，使用該溫度和輻照度模擬各種工況，同樣獲得如步驟S1所涉及的光伏電氣特性數據即獲得原始仿真數據；

步驟S3：對原始實測數據進行預處理：使用躍變點檢測算法對實測數據中的光伏陣列工作電壓進行全局檢測，找出其波形突變的時間節點，在連續的節點之間挑選出處于最大功率點的完整電壓波形，并獲得處于最大功率點的其他電氣特性數據，包括步驟S1中的除了光伏陣列工作電壓以外的電氣數據；對最大功率點的電氣特性數據進行整數倍抽取，降低電氣特性數據的長度，獲得基于時間序列的8個一維電氣數據；將8個電氣數據，按行拼接成二維特征矩陣，獲得實測數據集；

步驟S4：按步驟S3中從實測數據檢測得到的時間節點對仿真數據做相同操作，獲仿真數據集；分別將仿真數據集和實測數據集按照各工況等比例劃分為訓練集和驗證集和測試集；設計基于微調密集連接的卷積神經網絡FT-DenseNet，使用仿真數據集中的訓練集樣本進行訓練，當模型的損失函數收斂，保存模型參數，停止訓練，用測試集進行驗證，得到最佳的預訓練模型；

步驟S5：將步驟S4中所保存的模型參數，凍結它的特征提取層，使用實測數據中的訓練集重新訓練分類層，并對FT-DenseNet訓練模型在驗證集上進行驗證，得到最優且最具有泛化能力FT-DenseNet故障診斷模型；

步驟S6：利用FT-DenseNet故障診斷模型，對實際工況下的測試集電氣特性數據進行檢測和分類，通過分類層的輸出結果對比測試集的標簽信息，給出實際工況的類型。

2.根據權利要求1所述的一種基于微調密集連接卷積神經網絡的光伏陣列故障診斷方法，其特征在于：步驟S1中所述各種工況包括正常工作、組串級線線故障、陣列級線線故障、老化故障、陰影故障和開路故障：其中組串級線線故障，即單個組串的組件被短路；陣列級線線故障，即不同組串中電勢差不同的節點被短路；老化故障，即陣列線路老化而電阻增大；陰影故障，即組串中組件發生陰影遮擋；開路故障，即陣列中的某個組串被斷路；模擬各工況的環境條件與實際采集的環境條件一致。