一种基于深度置信网络的分布式电站故障分析方法及系统

摘要

本发明公开了一种基于深度置信网络的分布式电站故障分析方法及系统，包括收集光伏电站发生故障时，主站与子站的运行数据；对所述收集的运行数据进行预处理；构建深度置信网络模型，利用所述模型对预处理后的数据进行故障波形分析；根据所述故障波形分析的结果，生成分析报告。对光伏电站输入数据进行预处理，降低分析时干扰因素，提高故障分析的准确度，并且利用深度置信网络模型，可以及时准确定位到运行状态异常的发电设备，精确找出电站故障的原因。

说明书

技术领域

本发明涉及故障分析的技术领域，尤其涉及一种基于深度置信网络的分布式电站故障分析方法及系统。

背景技术

通过大数据挖掘、分析模型和算法模型，统一对光伏发电数据进行处理和分析管理，及时发现运行状态异常的发电设备；通过多维度分析，精确定位亚健康根因。对各个场站进行关键业务指标数据(KPI)的统计分析，并采用多种图表的方式形象化的展现各个场站的运营情况。决策部门依据这些数据，制定合理的生产计划，减少设备的无效运行情况，并为设备检修提供数据依据，提供光伏电站的故障分析，运维团队可以及时了解电站的整体情况，为专家决策提供参考。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在光伏电站故障分析的问题，提出了本发明。

因此，本发明解决的技术问题是：在光伏发电发生故障时，不能及时准确定位到运行状态异常的发电设备，精确找出电站故障的原因。

为解决上述技术问题，本发明提供如下技术方案：收集光伏电站发生故障时，主站与子站的运行数据；对所述收集的运行数据进行预处理；构建深度置信网络模型，利用所述模型对预处理后的数据进行故障波形分析；根据所述故障波形分析的结果，生成分析报告，确定故障位置。

作为本发明所述的基于深度置信网络的分布式电站故障分析方法的一种优选方案，其中：所述收集运行数据包括，收集光伏电站主站系统自身软硬设备和通道的运行数据、子站系统的运行状况以及场站端继电保护装置、故障录波装置的运行状况和运行定值。

作为本发明所述的基于深度置信网络的分布式电站故障分析方法的一种优选方案，其中：所述对收集的运行数据进行预处理包括，对所述收集到的运行数据进行数据清洗，填充缺失数据删除重复数据，其中填充缺失数据采用相邻性算法，利用在同类故障情况下k个相同设备数据的信息进行数据填补，其公式可表示为：

其中：E为填补数值，δ

作为本发明所述的基于深度置信网络的分布式电站故障分析方法的一种优选方案，其中：所述构建深度置信网络模型包括，所述深度置信网络模型由若干受限玻尔兹曼机组成，并且由低到高对所述受限玻尔兹曼机进行训练。

作为本发明所述的基于深度置信网络的分布式电站故障分析方法的一种优选方案，其中：所述受限玻尔兹曼机包括，所述受限玻尔兹曼机一共有两层，分别为输入层和隐含层，其中所述输入层输入所述预处理后的运行数据，所述输出层为对所述运行数据进行故障分析的结果，其中所述输入层可用公式表示为如下：

其中：m为运行数据，n为故障分析结果，p(m|n)为输入层的概率；其输出层的公式可以表示为如下：

其中：p(n|m)为输出层的概率。

作为本发明所述的基于深度置信网络的分布式电站故障分析方法的一种优选方案，其中：所述对受限玻尔兹曼机进行训练包括，在对所述受限玻尔兹曼机进行训练的过程中，需要求取一个最能产生训练样本的概率分布，对所述概率分布的决定性因素为权重值W，因此需要求取最佳权值。

作为本发明所述的基于深度置信网络的分布式电站故障分析方法的一种优选方案，其中：所述权重值包括，所述权重值可以用权重矩阵来表示，其权重矩阵可以表示为如下：

其中：所述ω

表示了隐元处于开启状态的概率。

作为本发明所述的基于深度置信网络的分布式电站故障分析方法的一种优选方案，其中：所述受限玻尔兹曼机进行训练的过程还包括，在训练过程中，训练集中的每一条记录A，将所述记录A进行输入，计算隐层神经元的被开启概率，并从所述计算出的概率中抽取样本进行重构，并且再同样抽取显层样本，计算出隐层神经元的被开启概率，以此进行权重更新，其更新公式为如下：

W′＝W+γ[p(n

其中：W′为更新后的权重，γ为故障概率，p(n

作为本发明所述的基于深度置信网络的分布式电站故障分析方法的一种优选方案，其中：所述进行故障波形分析包括，将所述受限玻尔兹曼机进行串联，构成所述深度置信网络模型，所述上层受限玻尔兹曼机中的隐层为下一层受限玻尔兹曼机中的浅层，在训练时，需充分训练上层中的受限玻尔兹曼机才可以训练下层，完成训练后将光伏电站发生故障的实时数据进行输入，通过运行状态数据特征和向上向下的权重，对所述光伏电站的系统转换效率、故障损耗、电站指标以及故障率对比进行分析，将所述故障分析结果制成报告并通过分析情况判断出所述光伏电站的故障位置。

作为本发明所述的基于深度置信网络的分布式电站故障分析系统的一种优选方案，其中：运行数据采集模块用于采集光伏电站的运行数据，包括一级采集单元、二级采集单元和三级采集单元；数据处理模块与所述运行数据采集模块相连接，所述运行数据采集模块利用无线传播方式将采集到的运行数据传输至所述数据处理模块，进行所述运行数据的预处理；故障分析模块与所述数据处理模块相连接，利用光纤接收所述数据处理模块预处理后的数据，用于对所述运行数据进行故障分析；结果显示模块连接于所述故障分析模块，用于将所述故障分析结果生成报告并进行显示。数据存储模块连接于所述运行数据采集模块和故障分析模块，将所述采集到的运行数据和故障分析结果进行存储。

本发明的有益效果：对光伏电站输入数据进行预处理，降低分析时干扰因素，提高故障分析的准确度，并且利用深度置信网络模型，可以及时准确定位到运行状态异常的发电设备，精确找出电站故障的原因。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的基于深度置信网络的分布式电站故障分析方法的流程示意图；

图2为本发明第一个实施例所述的基于深度置信网络的分布式电站故障分析方法的深度置信网络模型训练示意图；

图3为本发明第一个实施例所述的基于深度置信网络的分布式电站故障分析方法的故障波形分析结果图；

图4为本发明第二个实施例所述的基于深度置信网络的分布式电站故障分析系统的流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～3，为本发明的第一个实施例，该实施例提供了一种基于深度置信网络的分布式电站故障分析方法，包括：

S1：收集光伏电站发生故障时，主站与子站的运行数据。其中需要说明的是，

收集运行数据包括，收集光伏电站主站系统自身软硬设备和通道的运行数据、子站系统的运行状况以及场站端继电保护装置、故障录波装置的运行状况和运行定值；其中包括各电站各个设备的工作效率、发电损耗、设备指标、变电站逆变器的数量、故障率以及组串式设备的离散率。

S2：对收集的运行数据进行预处理。其中需要说明的是，

对收集的运行数据进行预处理包括，为了提高故障分析时的准确性，需要对收集到的运行数据进行数据清洗，填充缺失数据删除重复数据，其中填充缺失数据采用相邻性算法，利用在同类故障情况下k个相同设备数据的信息进行数据填补，其公式可表示为：

其中：E为填补数值，δ

S3：构建深度置信网络模型，利用模型对预处理后的数据进行故障波形分析。其中需要说明的是，

参照图2，构建深度置信网络模型包括，深度置信网络模型由若干受限玻尔兹曼机组成，并且由低到高对受限玻尔兹曼机进行训练。

进一步的是，受限玻尔兹曼机包括，受限玻尔兹曼机一共有两层，分别为输入层和隐含层，其中输入层输入预处理后的运行数据，输出层为对运行数据进行故障分析的结果，其中输入层可用公式表示为如下：

其中：m为运行数据，n为故障分析结果，p(m|n)为输入层的概率；其输出层的公式可以表示为如下：

其中：p(n|m)为输出层的概率；

对受限玻尔兹曼机进行训练包括，在对受限玻尔兹曼机进行训练的过程中，需要求取一个最能产生训练样本的概率分布，对概率分布的决定性因素为权重值W，因此需要求取最佳权值；其中权重值包括，权重值可以用权重矩阵来表示，其权重矩阵可以表示为如下：

其中：所述ω

表示了隐元处于开启状态的概率；

更进一步的是，受限玻尔兹曼机进行训练的过程还包括，在训练过程中，训练集中的每一条记录A，将记录A进行输入，计算隐层神经元的被开启概率，并从计算出的概率中抽取样本进行重构，并且再同样抽取显层样本，计算出隐层神经元的被开启概率，以此进行权重更新，其更新公式为如下：

W′＝W+γ[p(n

其中：W′为更新后的权重，γ为故障概率，p(n

其中上标用于区分不同向量，下标用于区分同一向量的不同维，从计算出的样本概率中抽取样本：

n

用n

m

再次用重构后的显层神经元计算出隐层神经元的概率：

进行故障波形分析包括，将受限玻尔兹曼机进行串联，构成深度置信网络模型，上层受限玻尔兹曼机中的隐层为下一层受限玻尔兹曼机中的浅层，在训练时，需充分训练上层中的受限玻尔兹曼机才可以训练下层，完成训练后将光伏电站发生故障的实时数据进行输入，通过运行状态数据特征和向上向下的权重，对光伏电站的系统转换效率、故障损耗、电站指标以及故障率对比进行分析，将故障分析结果进行存储，并将结果输入至数据库中进行故障位置的判断，其中数据库由历史分析结果以及专家故障分析判断理论构成，具有较高实时性及专业性，利用不断更新的历史分析结果以及专家理论知识共同分析出精准度较高的故障位置。

S4：根据故障波形分析的结果，生成分析报告，确定故障位置。

将故障分析结果以及故障位置生成分析报告，并通过显示器进行显示，显示器通过无线通信的方式与故障分析结果进行连接，可以传输至工作人员的移动设备中，便于人员随时查看电站情况，及时处理故障问题。

为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例中选择逆变器进行测试，以科学论证的手段验证本方法所具有的真实效果；

选取变电站内逆变器的运行状态数据，其中变电器的基本运行参数为：功率100kw、电流60.0A、电网频率为60.0HZ，使用本方法进行逆变器的故障评定，将实时运行状态数据输入训练好的深度置信网络模型进行故障波形分析，所得分析结果参照图3，可以看出变电器一天功率和效率曲线，得出在10:20:00时逆变器过载，且电网频率过低，在10:50:00时直流电压过高。

在此选用传统SPC分析评定体系与本发明故障分析方法进行对比，使用两种方法对同一光伏电站分别进行100次分析，在100次分析中发生15次电站故障，其中使用传统SPC分析评定体系通过搜集电站二维和三维的运行参数对光伏电站的运行状况进行分析，使用MATLB软件对两种方法的故障分析情况进行测试，所得结果如下表1所示：

表1：故障分析结果对比。

由表1可知，使用传统SPC分析评定体系时并不能准确分析出光伏电站发生故障时的状况以及具体故障位置，而本发明故障报告次数与定位的准确度较高，因此具有实用性。

实施例2

参照图4，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于深度置信网络的分布式电站故障分析系统，包括：运行数据采集模块100、数据处理模块200、故障分析模块300、结果显示模块400和数据存储模块500。

其中运行数据采集模块100用于采集光伏电站的运行数据，包括一级采集单元101、二级采集单元102和三级采集单元103；数据处理模块200与运行数据采集模块100相连接，运行数据采集模块100利用无线传播方式将采集到的运行数据传输至数据处理模块200，进行运行数据的预处理；故障分析模块300与数据处理模块200相连接，利用光纤接收数据处理模块200预处理后的数据，用于对运行数据进行故障分析；结果显示模块400连接于故障分析模块300，用于将故障分析结果生成报告并进行显示；数据存储模块500连接于运行数据采集模块100和故障分析模块300，将采集到的运行数据和故障分析结果进行存储。

进一步的是，一级采集单元101、二级采集单元102和三级采集单元103分别采集光伏电站主站、子站的运行状况以及各个站点之间的通信情况，故障分析模块300对电站内各电站的工作效率、发点损耗、功能指标以及组串式设备的离散率进行分析，分析电站设备运行的稳定情况以及对故障设备进行定位分析。

不难理解的是，本实施例中所提供的系统，其涉及运行数据采集模块100、数据处理模块200、故障分析模块300、结果显示模块400和数据存储模块500的连接关系，例如可以是运行在计算机可读程序，通过提高各模块的程序数据接口实现。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。