一种基于Wasserstein GAN的光伏阵列故障诊断方法

摘要

本发明涉及一种基于Wasserstein GAN的光伏阵列故障诊断方法，首先对光伏阵列电流、电压时序数据进行采集；接着将获取的光伏阵列时序电流与时序电压数据绘制为曲线图形并保存为样本；然后设计Wasserstein GAN网络中的鉴别器D与生成器G；然后训练Wasserstein GAN中的鉴别器D生成器G；接着将训练得到的鉴别器D作为光伏阵列时序电流电压曲线图片的特征提取网络，采用全连接神经网络训练特征分类器，对特征提取网络得到的特征进行分类，得到光伏阵列时序电流电压数据的诊断模型。本发明所提出的基于Wasserstein GAN的光伏阵列时序电流电压数据的故障诊断方法，在无监督训练的基础上能够准确地对光伏阵列进行故障检测和分类。

说明书

技术领域

本发明涉光伏发电阵列故障检测技术领域，特别是一种基于Wasserstein GAN的光伏阵列故障诊断方法。

背景技术

由于光伏组件阵列的工作环境是复杂的户外环境，同时受到湿度，紫外线，风激振等各种环境因素的作用，容易出现局部短路、开路、热斑等各种故障问题，故障的发生将会降低光伏电站的发电效率，严重时甚至会发生火灾，危害社会财产安全，为了尽可能地延长光伏发电系统的寿命、使其逼近理论的工作年限，以及使光伏电站尽可能地高效发电，提高电站的运营过程中的安全性，及时、有效和高效的维护十分关键。随着世界各国光伏发电装机量的快速增长，光伏发电系统的自动监测与故障诊断近年来得到国内外越来越多的学者和相关机构的关注。

近年来，多种基于时序数据的故障诊断方法与技术相继被提出。基于小波变换的故障诊断办法使用小波变换对时序信号进行分析，由此实现对故障的诊断。但该算法对时序诊断精度上还有提升空间，以及该算法还未对故障类型进行分类。对于时序的电流电压数据，对其进行故障诊断与分类时往往是使用像小波变换这种处理方式，对时序数据的特征进行提取。这种特征往往是一种变化趋势的特征，但是这种方式并不能完全表示一个故障发生时光伏系统电流电压曲线的特征。当有些故障发生时，其故障程度是不同的，但是他们由于是同一种故障，因此会有相似的变化过程，但却在故障前后发生了数值的变化，如图所示1与图2所示。在相同的故障下，由于故障程度不同，造成了这两种故障具有相似的变化曲线，但在最后的稳定数值有所不同。其中，图1为单个光伏组串中1个组件短路的电流电压图。图2为单个光伏组串中1个组件短路的电流电压图。

这时候对于这种故障用小波变化的故障诊断方式识别的准确率就相对不高。而且这种与时间相关的曲线特征表征了该曲线在时间上的相关性。将曲线由单纯的一维序列数据转化位二维曲线图像的方式，通过将X轴设置位数据点的采集顺序，Y轴设置为数据点的数值，不仅直观的表示出来曲线的变化趋势，还将曲线的在不同时间的数值相对变化体现了出来。对于这种图片的分类算法，大多数采用监督的方式训练其分类器。但是监督算法很容易受到训练使用的数据的影响。光伏阵列的时序数据采集过程较为繁琐，而好的分类器往往需要大量数据，过多的数据对数据采集工作有一定的要求。

目前，公开发表的文献及专利中尚未见有将Wasserstein GAN模型应用于光伏发电阵列的故障诊断的研究。

发明内容

有鉴于此，本发明的目的是提出一种基于Wasserstein GAN的光伏阵列故障诊断方法，在无监督训练的基础上能够准确地对光伏阵列进行故障检测和分类。

本发明采用以下方案实现：一种基于Wasserstein GAN的光伏阵列故障诊断方法，具体包括以下步骤：

步骤S1：对各预设工况下的光伏发电阵列进行电流与电压数据采集；

步骤S2：将步骤S1获取的光伏发电阵列的电流与电压数据绘制在同一张图片上并保存为样本；

步骤S3：通过Wasserstein GAN设计一个鉴别器网络D与一个生成器网络G；

步骤S4：将步骤S2中的样本数据分成训练集和验证集，并采用无监督的训练方式训练Wasserstein GAN中的鉴别器网络D与一个生成器网络G；

步骤S5：将训练后的鉴别器网络D作为电流电压曲线图片的特征提取网络，采用神经网络训练特征分类器，对鉴别器网络D得到的特征进行分类，得到光伏组件的故障诊断模型；

步骤S6：通过所述步骤S1以及所述步骤S2对实际待测工况进行处理，并利用步骤S4的Wasserstein GAN与步骤S5的故障诊断模型，对所述实际待测工况下的光伏发电阵列时序电流与时序电压数据进行诊断，判断光伏发电阵列系统是否处于故障状态以及故障种类。

进一步地，步骤S2具体包括以下步骤：

步骤S21：将所采集的光伏组件时序电流数据与时序电压分别以2001个点(采样率维每秒200个数据点)作为一组样本进行切割；

步骤S22：将所述步骤S21中获取的样本数据进行图形绘制，绘制成电流与电压曲线；其中，以采集时间为横轴、以电流值与电压值为纵轴绘制成电流与电压曲线图，并将其保存作为样本数据。

进一步地，步骤S3中，所述生成器网络G包含6层反卷积层来扩大输入信号的维度，包括6层batch normalization层接在每层反卷积层之后，用于对每一层反卷积层的输出做归一化处理，提高生成器生成图片的稳定性；将输入的100维高斯噪声信号作为输入，拟合出一幅3通道128*128大小的光伏电流电压曲线图片；所述鉴别器网络D包含了5层卷积神经网络，将输入3通道128*128大小的光伏电流电压曲线图通过5层卷积网络与激活函数后输出一个0-1之间的概率，此概率输出代表了输入的光伏组件电流电压曲线图是来自实际采样图片的概率。

较佳的，步骤S4中，只将样本数据输入鉴别器网络中，不使用数据的类别标签信息，即以无监督的方式训练Wasserstein GAN中的生成器与鉴别器，鉴别器训练目标旨在准确分辨出输入图片来自真实数据还是由生成器生成的“假”数据。生成器则旨在生成能让鉴别器误判的“假”数据。使两个网络在处于上述不断对抗的训练过程之中，将训练得到的鉴别器D作为光伏故障诊断的特征提取模型保存。

进一步地，步骤S5中，用来训练特征分类器的神经网络采用全连接神经网络。在已训练的鉴别器D的基础上，对其提取电流电压曲线图片的特征利用全连接神经网络结合输入数据的类别标签信息进行分类训练，由此分类得到光伏故障诊断与分类模型。即最终的光伏诊断模型由鉴别器网络D与全连接神经网络构成。

进一步地，步骤S1中，所述预设工况包括：正常工作、1个组串开路、2个组串开路、单个光伏组串中1个组件短路以及单个光伏组串中2个组件短路。

与现有技术相比，本发明有以下有益效果：本发明所提出的的方法通过仿真和实例的验证和分析结果表明，将光伏组件的时序电流电压数据转化为电流电压曲线后，利用Wasserstein GAN对其训练，使得故障的诊断的准确率达到了94.48％以上。该方法可以准确识别出光伏组件正常与多个故障状态。由于光伏阵列在各种故障时电流与电压曲线呈现出一定固定特征，而且该方法在特征提取方面采用的无监督训练方式使用较少的训练数据，并且模型的泛化能力强，使得该方法可以被拓展到不同规模的光伏阵列的故障检测中，为光伏电站的维护工作提供便利。

附图说明

图1为本发明实施例的背景技术中单个光伏组串中1个组件短路的电流电压图1。

图2为本发明实施例的背景技术中单个光伏组串中1个组件短路的电流电压图2。

图3为本发明实施例的方法流程示意图。

图4为本发明实施例的光伏发电阵列系统拓扑图。

图5为本发明实施例的正常工作电压电流示意图。

图6为本发明实施例的1个组串开路电压电流示意图。

图7为本发明实施例的2个组串开路电压电流示意图。

图8为本发明实施例的单个光伏组串中1个组件短路电压电流示意图。

图9为本发明实施例的单个光伏组串中2个组件短路电压电流示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图3所示，本实施例提供了一种基于Wasserstein GAN的光伏阵列故障诊断方法，图4为本实施例的光伏发电系统拓扑图，系统由S×P个太阳能组件组成，通过模拟光伏发电阵列出现的的故障状态与否，在不同的气候条件下，选择不同的时段，针对是否存在故障情况获取连续电流数据，具体包括以下步骤：

步骤S1：对各预设工况下的光伏发电阵列进行电流与电压数据采集；

步骤S2：将步骤S1获取的光伏发电阵列的电流与电压数据绘制在同一张图片上并保存为样本；

步骤S3：通过Wasserstein GAN设计一个鉴别器网络D与一个生成器网络G；

步骤S4：将步骤S2中的样本数据分成训练集和验证集，并采用无监督的训练方式训练Wasserstein GAN中的鉴别器网络D与一个生成器网络G；

步骤S5：将训练后的鉴别器网络D作为电流电压曲线图片的特征提取网络，采用神经网络训练特征分类器，对鉴别器网络D得到的特征进行分类，得到光伏组件的故障诊断模型；

步骤S6：通过所述步骤S1以及所述步骤S2对实际待测工况进行处理，并利用步骤S4的Wasserstein GAN与步骤S5的故障诊断模型，对所述实际待测工况下的光伏发电阵列时序电流与时序电压数据进行诊断，判断光伏发电阵列系统是否处于故障状态以及故障种类。

较佳的，本实施例采集数据所采用的光伏系统由3*6块太阳能面板组成，组成6串3并的方式。步骤S1所采集的连续电流电压数据中，每组样本中包含2001个电流数据点。

在本实施例中，步骤S2具体包括以下步骤：

步骤S21：将所采集的光伏组件时序电流数据与时序电压分别以2001个点(采样率维每秒200个数据点)作为一组样本进行切割；

步骤S22：将所述步骤S21中获取的样本数据进行图形绘制，绘制成电流与电压曲线；其中，以采集时间为横轴、以电流值与电压值为纵轴绘制成电流与电压曲线图，并将其保存作为样本数据。

在本实施例中，步骤S3中，所述生成器网络G包含6层反卷积层来扩大输入信号的维度，包括6层batch normalization层接在每层反卷积层之后，用于对每一层反卷积层的输出做归一化处理，提高生成器生成图片的稳定性；将输入的100维高斯噪声信号作为输入，拟合出一幅3通道128*128大小的光伏电流电压曲线图片；所述鉴别器网络D包含了5层卷积神经网络，将输入3通道128*128大小的光伏电流电压曲线图通过5层卷积网络与激活函数后输出一个0-1之间的概率，此概率输出代表了输入的光伏组件电流电压曲线图是来自实际采样图片的概率。

较佳的，在本实施例中，步骤S4中，只将样本数据输入鉴别器网络中，不使用数据的类别标签信息，即以无监督的方式训练Wasserstein GAN中的生成器与鉴别器，鉴别器训练目标旨在准确分辨出输入图片来自真实数据还是由生成器生成的“假”数据。生成器则旨在生成能让鉴别器误判的“假”数据。使两个网络在处于上述不断对抗的训练过程之中，将训练得到的鉴别器D作为光伏故障诊断的特征提取模型保存。

在本实施例中，步骤S5中，用来训练特征分类器的神经网络采用全连接神经网络。在已训练的鉴别器D的基础上，对其提取电流电压曲线图片的特征利用全连接神经网络结合输入数据的类别标签信息进行分类训练，由此分类得到光伏故障诊断与分类模型。即最终的光伏诊断模型由鉴别器网络D与全连接神经网络构成。

在本实施例中，步骤S1中，所述预设工况包括：正常工作、1个组串开路、2个组串开路、单个光伏组串中1个组件短路以及单个光伏组串中2个组件短路。其中，各工况下的部分样本电流与电压曲线分别如图5至图9所示。

在本实施例中，在2017年7-8月份内与2018年9-10月份分多个时间段，在不同的照度和温度下进行数据随机采集，采集的样本总数1400组，每种样本数量、比例如表1所示。随机选取其中840组作为训练样本集，560作为验证样本集。

表1分类样本数量及比例

在本实施例中，故障检测平均准确率可达到94.48％，训练和测试分类准确率如表2所示：

表2光伏阵列测试结果

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。