基于IV特性和深度残差网络的光伏阵列故障诊断方法

摘要

本发明涉及一种基于IV特性和深度残差网络的光伏阵列故障诊断方法。首先，利用Simulink搭建模型阵列，采集各种工况条件下的电气数据和环境数据；其次，剔除原始模拟的数据中的异常数据，采集到原始I‑V曲线进行下采样，并将一维特征拼接为二维特征，作为故障的总体特征；而后，将样本数据分成训练集、验证集和测试集，并设计维度变换的残差卷积神经网络的网络结构及其训练算法Adam的训练参数，进行样本训练得到DT‑ResNet故障诊断训练模型；最后，利用DT‑ResNet故障诊断训练模型，对待测工况测试集下的光伏发电阵列进行检测和分类，诊断故障类型。本发明方法具有精确度高，收敛快，鲁棒性强，泛化能力好等优点，能够有效提高光伏发电阵列故障检测和分类的准确性。

说明书

技术领域

本发明涉及光伏发电组串故障检测和分类技术，特别是一种基于IV特性和深度残差网络的光伏阵列故障诊断方法。

背景技术

作为一种清洁可再生的新能源，太阳能近年来受到了广泛关注和使用。根据世界能源组织的最新公告，全球光伏装机量和发电量之年上涨，截止2017年年底，全球光伏电站的装机容量已达到399,613MW,全球光伏发电量增至442,618GW。然而，现安装部署光伏电站常出现暴力安装或安装不规范等问题。另外，光伏电站常年工作在恶劣的户外环境中，其工作时易受到热循环、湿度，紫外线，风激振等各种环境因素的影响，导致材料的局部老化、性能下降、裂纹等故障，造成能量损失，进而影响光伏电站的发电效率。若不及时排查，很可能造成光伏组件的损坏，甚至导致阵列烧毁的灾难。因此，提供一种准确高效可靠的光伏组件/阵列光伏阵列的故障诊断方法是及其重要的且有意义的。

近年来，多种离线故障诊断方法与技术相继被提出。Kang提出了一种通过卡尔曼滤波方法来调节IV输出特性，从而能够准确的诊断阴影故障。但是，该方法对于其他的多种故障无法做到精确的分类。Platon等人提出了一种基于模型预测与实际测量之间功率损耗的故障诊断算法。然而，该算法需要开发多种不同辐照度范围的仿真模型。AliMH提出了一种实时基于I-V特性的检测方法，该种方法通过量化比较正常工作模型和各类异常模型之间的差异来判断误差类型。但是这种方法准确性较低，且对于判别模型的要求较高。上述方法，无法很好地兼顾检测的准确性和泛化性。根据光伏阵列故障具有多元、多层次、模糊态等特点，为了更准确地识别故障，人工智能算法被引入其中。今年来近年来，人工神经网络(ANN)，决策树(DT)，支持向量机(SVM)，基于核函数的极限学习机(KELM)，随机森林(RF)等方法被引入光伏阵列故障诊断领域。虽然这些方法能够极大的提升分类的准确性，但是其仍存在非线性特征提取能力差，泛化能力若等问题，为此，本文引入了基于IV特性和深度残差网络的光伏阵列故障诊断方法，虽然基于二维CNN的残差网络已经普遍应用于图像识别目标跟踪领域，1维CNN广泛应用于词义分析等领域，且效果相较于传统的全连接ANN，在训练速度，训练效果上都具有极大的优势。但这些方法目前还尚未在光伏阵列故障诊断领域得到进一步的应用。

为此，本发明提出基于IV特性和深度残差网络的光伏阵列故障诊断方法，通过Simulink搭建模型阵列,并对各种工况进行模拟,采集各个条件下的电气数据和环境数据,其具体包括:模型阵列该工况下扫描得到的I-V特性曲线以及对应的光照度和辐照度；之后，将原始模拟的数据中的异常数据进行剔除，采集到原始I-V曲线进行下采样，并将得到的电流，电压、温度和辐照度的四种一维特征进行特征拼接，将一维特征拼接为二维特征，将此特征作为故障的总体特征，并将所述样本数据按照不同的工况等比例的分成训练集，验证集和测试集。利用所设计的一种基于维度变换的残差卷积神经网络(DT-ResNet)的网络结构在训练集上进行训练，并对训练模型在验证集上进行验证，得到DT-ResNet在训练集上最优且最具泛化能力的训练模型，最后，将所得到的最优模型在测试集上进一步验证其准确性和泛化性。本发明所提出的基于维度变换的残差卷积神经网络的光伏阵列故障诊断方法，能够有效提高光伏发电阵列故障检测和分类的准确性。

目前，公开发表的文献及专利中尚未见有将维度变换的残差卷积神经网络算法应用于光伏发电阵列的故障诊断和分类的研究。

发明内容

本发明的目的在于提供一种基于IV特性和深度残差网络的光伏阵列故障诊断方法，以克服现有技术中存在的缺陷。

为实现上述目的，本发明的技术方案是：一种基于IV特性和深度残差网络的光伏阵列故障诊断方法，包括如下步骤：

步骤S1、利用Simulink搭建模型阵列，并对各种工况进行模拟，采集各种工况条件下的电气数据和环境数据，其具体包括：模型阵列在相应工况下扫描得到的I-V特性曲线以及对应的光照度和辐照度；

步骤S2、将原始模拟的数据中的异常数据剔除，对采集到的原始I-V曲线进行下采样，并将得到的电流、电压、温度和辐照度的四种一维特征进行特征拼接，得到二维特征，将此二维特征作为故障的总体特征；

步骤S3、将步骤S1得到的样本数据按照不同的工况等比例的分成训练集、验证集和测试集，并设计维度变换的残差卷积神经网络DT-ResNet的网络结构及其训练算法Adam的训练参数；

步骤S4、根据步骤S3所设置的训练算法Adam的训练参数以及残差卷积神经网络DT-ResNet对训练集中的样本进行训练，并对DT-ResNet训练模型在验证集上进行验证，得到残差卷积神经网络DT-ResNet在训练集上最优且最具泛化能力的DT-ResNet故障诊断训练模型；

步骤S5：利用DT-ResNet故障诊断训练模型，对待测工况测试集下的光伏发电阵列进行检测和分类，对其I-V特性曲线进行扫描，按照步骤S2进行特征的设置，如出现故障状态，则给出故障类型。

在本发明一实施例中，在步骤S1中，所述工况包括：正常工作、阴影故障、开路故障、老化故障、组串级线线故障；其中，阴影故障，包括组串中一块、两块、三块组件分别发生阴影遮挡；开路故障，包括组串内发生断路；老化故障，包括阵列中的组串老化和阵列老化；组串级线线故障，包括组件内一块或两块组件被异常短路；模拟各工况所对应环境条件为：辐照度范围为50–1000W/m²，温度范围为10-70℃。

在本发明一实施例中，在步骤S2中，所述对采集到的原始I-V曲线进行下采样，并将得到的电流、电压、温度和辐照度的四种一维特征进行特征拼接，得到二维特征的具体实现方式如下：

步骤S21、将对采集到的原始I-V曲线进行下采样得到的扫描电流值在[0,I_sc]之间取20个点的等间隔分割的点，记为[I_R1,I_R2,...,I_R20]，并利用线性插值法得到此20个点的对应的电压值，其具体的电压下采样公式如下；

其中，I₁和I₂为原始模拟的数据中与I_RX最相接近的两个电流值，V₁和V₂分别为I₁和I₂所对应的电压值；

步骤S22、将对采集到的原始I-V曲线进行下采样得到的扫描电压值在[0,V_oc]之间取20个等间隔分割的点记为[V_R1,V_R2,...,V_R20]，其中V_RX为所要提取的20个下采样点对应的电压值，利用线性插值法得到此20个点的对应的电流值，其具体的电流采样公式如下：

其中，V₁和V₂为原始模拟的数据中与V_RX最相接近的两个电压值，I₁和I₂分别为V₁和V₂所对应的电流值；

步骤S23、将按照电流、电压分别下采样得到的40对电气数据，按照行进行拼接，组成40×2的数组矩阵，并按照电压进行升序排列，作为下采样后的输入样本数据；

步骤S24、将对应温度、辐照度平铺为40×2的数组矩阵，将其与电气参数矩阵进行列拼接，组成新的输入数组矩阵；

步骤S25、剔除模拟的部分奇异值样本。

在本发明一实施例中，在步骤S3中，所述将步骤S1得到的样本数据按照不同的工况等比例的分成训练集、验证集和测试集，具体即将各种工况下的70％样本作为训练集，剩下的30％样本作为测试集，并将训练集样本中的10％的样本作为验证集。

在本发明一实施例中，在步骤S3中，所述设计维度变换的残差卷积神经网络DT-ResNet的网络结构及其训练算法Adam的训练参数的具体实现方式为：采用二维残差模块对样本数据进行特征提取，之后利用卷积核为4的二维卷基层Conv2d，将二维数据转换为一维数据，之后利用一维残差网络对所提取的一维特征进行分类预测，训练算法Adam以交叉熵最小作为目标，其交叉熵的计算公式如下：

其中，n为输出神经元的个数，y_k为所期望的输出值，σ为目标函数，z_k代表神经元实际输出值，z_k在前向传播过程，当经过线性全连接层，其值可表达为：

z^(l)＝W^(l)*a^(l-1)+b^(l-1)

其中，Wl为第l层的权重，a为第l-1层的激活值，bl为第l层的偏差值；若经过二维卷积层，其神经元的输出可表示为：

z^(l-1)＝conv2d(a^(l-1))+b^(l-1)

其中，conv2d代表的是二维卷积运算过程；若前向输出经过一维卷积层，其神经元的输出可表示为：

z^(l-1)＝conv1d(a^(l-1))+b^(l-1)

其中，conv1d代表的是一维卷积运算过程；

另外，当其输入输出维度相同时，其残差模块的前向传播过程为：

y＝ReLU(BN(z^(l))+x)

其中，输出y和输入x具有相同维度，BN为批归一化层，用于保持层间分布保持正态分布，提升网络的训练速度和训练性能；

当其输入输出维度不相同时，需要加入维度调整因子：

y＝ReLU(BN(z^(l))+W_sx)

其中，Ws为维度调整因子；

由此可得，一维残差模块的输出函数为：

y＝ReLU(BN(conv1d(a^(l-1))+b^(l-1))+x)

y＝ReLU(BN(conv1d(a^(l-1))+b^(l-1))+W_sx)

二维残差模块的输出函数为：

y＝ReLU(BN(conv2d(a^(l-1))+b^(l-1))+x)

y＝ReLU(BN(conv2d(a^(l-1))+b^(l-1))+W_sx)

最后通过反向传播，迭代更新其中的Ws，b，以及conv1d和conv2d的内部参数，获得最优的残差卷积神经网络DT-ResNet。

在本发明一实施例中，在步骤S3中，所述得到残差卷积神经网络DT-ResNet在训练集上最优且最具泛化能力的DT-ResNet故障诊断训练模型的具体实现方式为：

步骤S41、计算当前迭代下得到的残差卷积神经网络DT-ResNet在验证集上的性能，计算总的正确率，比较现最优残差卷积神经网络DT-ResNet与当前残差卷积神经网络DT-ResNet的正确率，保留更具有泛化性的网络参数；

步骤S42、若在验证集上具有相同的精度，则进一步比较训练集精度，保存性能更好的网络参数；

步骤S43、进入下一次迭代，更新网络参数，并返回S41，直到迭代结束。

相较于现有技术，本发明具有以下有益效果：本发明所提出的基于IV特性和深度残差网络的光伏阵列故障诊断方法，通过仿真数据的验证和结果分析，利用I-V等间隔下采样，对模拟I-V数据进行预处理，得到均匀平滑的I-V曲线的特征拼接过程，在利用所提出的一种基于维度变换的残差网络进行光伏阵列故障诊断，该方法具有很高的精度和稳定性，且鲁棒性和泛化能力极强。该方法可以准确识别出正常，组件短路一块，短路两块，组件开路，阵列开路，组件老化，阵列老化，以及三种不同程度的阴影故障等九种不同故障类型。从实验结果来看，该方法能够高效准确地应用于分布式光伏阵列的故障诊断领域。

附图说明

图1为本发明中基于维度变换的残差卷积神经网络的光伏阵列故障诊断方法的流程图。

图2为本发明一实施例中模拟仿真光伏阵列的Simulink组件拓扑图，其中，图2(a)、图2(b)、图2(c)分别表示组串中一块、两块、三块组件分别发生阴影遮挡情况下的模拟仿真光伏阵列的Simulink组件拓扑图。

图3为本发明一实施例中所应用的一维二维残差卷积模块的示意图，其中，图3(a)、图3(b)分别表示一维、二维残差卷积模块的示意图。

图4为本发明一实施例中基于维度变换的残差卷积神经网络的结构图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提供了一种基于IV特性和深度残差网络的光伏阵列故障诊断方法，包括如下步骤：

步骤S1、利用Simulink搭建模型阵列，并对各种工况进行模拟，采集各种工况条件下的电气数据和环境数据，其具体包括：模型阵列在相应工况下扫描得到的I-V特性曲线以及对应的光照度和辐照度；

步骤S2、将原始模拟的数据中的异常数据剔除，对采集到的原始I-V曲线进行下采样，并将得到的电流、电压、温度和辐照度的四种一维特征进行特征拼接，得到二维特征，将此二维特征作为故障的总体特征；

步骤S3、将步骤S1得到的样本数据按照不同的工况等比例的分成训练集、验证集和测试集，并设计维度变换的残差卷积神经网络DT-ResNet的网络结构及其训练算法Adam的训练参数；

步骤S4、根据步骤S3所设置的训练算法Adam的训练参数以及残差卷积神经网络DT-ResNet对训练集中的样本进行训练，并对DT-ResNet训练模型在验证集上进行验证，得到残差卷积神经网络DT-ResNet在训练集上最优且最具泛化能力的DT-ResNet故障诊断训练模型；

步骤S5：利用DT-ResNet故障诊断训练模型，对待测工况测试集下的光伏发电阵列进行检测和分类，对其I-V特性曲线进行扫描，按照步骤S2进行特征的设置，如出现故障状态，则给出故障类型。

以下为本发明的具体实施实例。

本发明提供基于IV特性和深度残差网络的光伏阵列故障诊断方法，流程框图如图1所示。图2为本实施例的Simulink光伏阵列模拟拓扑图，系统由3条组串，每条组串6个太阳能组件，共18个组件组成，通过模拟光伏阵列出现的不同的故障状况，例如开路、短路、局部阴影等工作状态，在不同的气候条件下，选择不同的时段，针对每种故障情况获取大量模拟数据。其故障诊断及分类方法的具体实施过程包括以下步骤：

步骤S1、利用Simulink搭建模型阵列，并对各种工况进行模拟，采集各个条件下的电气数据和环境数据，其具体包括:模型阵列该工况下扫描得到的I-V特性曲线以及对应的光照度和辐照度；

步骤S2、将原始模拟的数据中的异常数据进行剔除，采集到原始I-V曲线进行下采样，并将得到的电流，电压、温度和辐照度的四种一维特征进行特征拼接，将一维特征拼接为二维特征，将此特征作为故障的总体特征。

步骤S3、将所述样本数据按照不同的工况等比例的分成训练集，验证集和测试集，并设计一种维度变换的残差卷积神经网络(DT-ResNet)的网络结构及其训练算法Adam的训练参数；

步骤S4、根据所述步骤S3所设置的训练参数以及DT-ResNet的模型对训练集中的样本进行训练，并对训练模型在验证集上进行验证，得到DT-ResNet在训练集上最优且最具泛化能力的训练模型；

步骤S5、利用所述DT-ResNet故障诊断训练模型，对所述待测工况测试集下的光伏发电阵列进行检测和分类，对其I-V特性曲线进行扫描，按照所述步骤S2进行特征的设置，如出现故障状态，则给出故障类型。

进一步的，在本实施例中，在所述步骤S1中，其Simulink组件拓扑图如图2-4所示，其中每个组组串由6块光伏组件构成，一个阵列由3串光伏组串所构成。其中Gain模拟阴影故障预设的辐照度增益因子(图2(a)、图2(b)、图2(c)分别表示组串中一块、两块、三块组件分别发生阴影遮挡情况)，正常值为1；R_oc1为用来模拟组串开路预设的电阻值，其正常值为0.001Ω；R_de1是用来模拟组串老化预设的电阻值，其正常值为0.001Ω；R_de2为用来模拟阵列老化预设的电阻值，其正常值为0.001Ω；R_sc1和R_sc2分别为用来模拟组串短路而预设的电阻值，其正常值均为100000Ω；其中模拟故障时的具体设置如表1所示。

表1模拟仿真数据集模拟得到各类故障的数量及分布

进一步的，在本实施例中，在所述步骤S1中，所述工况包括：正常工作、阴影故障，开路故障、老化故障、组串级线线故障；其中，阴影故障，包括组串中一块，两块，三块组件分别发生阴影遮挡；开路故障，包括组串内发生断路；老化故障，包括阵列中的组串老化和阵列老化；组串级线线故障包括，组件内一块或两块组件被异常短路。另外，其模拟各工况所对应环境条件为：辐照度范围为50–1000W/m2，温度范围为10-70℃，其温度的设置间隔为2℃，其辐照度的范围为10℃，其具体模拟的样本数以及分布比例如表1所示。

进一步的，在本实施例中，在所述步骤S2中，所述的下采样以及特征拼接方法为：

步骤S21、将对采集到的原始I-V曲线进行下采样得到的扫描电流值在[0,I_sc]之间取20个点的等间隔分割的点，记为[I_R1,I_R2,...,I_R20]，并利用线性插值法得到此20个点的对应的电压值，其具体的电压下采样公式如下；

其中，I₁和I₂为原始模拟的数据中与I_RX最相接近的两个电流值，V₁和V₂分别为I₁和I₂所对应的电压值；

步骤S22、将对采集到的原始I-V曲线进行下采样得到的扫描电压值在[0,V_oc]之间取20个等间隔分割的点记为[V_R1,V_R2,...,V_R20]，其中V_RX为所要提取的20个下采样点对应的电压值，利用线性插值法得到此20个点的对应的电流值，其具体的电流采样公式如下：

其中，V₁和V₂为原始模拟的数据中与V_RX最相接近的两个电压值，I₁和I₂分别为V₁和V₂所对应的电流值；

步骤S23、将按照电流、电压分别下采样得到的40对电气数据，按照行进行拼接，组成40×2的数组矩阵，并按照电压进行升序排列，作为下采样后的输入样本数据；

步骤S24、将对应温度、辐照度平铺为40×2的数组矩阵，将其与电气参数矩阵进行列拼接，组成新的输入数组矩阵；

步骤S25、剔除模拟的部分奇异值样本后，将各种工况下的70％样本作为训练集，剩下的30％样本作为测试集，并在训练集样本中的10％的样本作为验证集。

在本实施例中，在所述步骤S3中，设计的一种DT-ResNet的结构，其中用到的具体的残差网络的结构如图3所示，其中利用了基于一维卷积的残差模块(图3(a))和二维卷积的残差模块(图3(b))，来完成对于特征的提取。其中批归一化层用于优化层间训练参数的分布，提升网络的效果和加快网络的训练速度，使用ReLU作为层间的激活函数。其中实线表示层之间进行了维度变换，则需要经过一个补充的卷积层进行维度匹配；虚线表示输入输出的维度相同可以直接进行相加。其一维残差模块的输出函数为：

y＝ReLU(BN(conv1d(a^(l-1))+b^(l-1))+x)

y＝ReLU(BN(conv1d(a^(l-1))+b^(l-1))+W_sx)

二维残差模块的输出函数为：

y＝ReLU(BN(conv2d(a^(l-1))+b^(l-1))+x)

y＝ReLU(BN(conv2d(a^(l-1))+b^(l-1))+W_sx)

最后通过反向传播，迭代更新其中的W,b,以及conv1d和conv2d的内部参数，最终获得训练的最优模型。

在本实施例中，在所述步骤S3中，设计一种基于IV特性和深度残差网络的结构，其具体实现方式为：采用二维残差模块对原始输入数据进行特征预提取,之后利用卷积核为4的二维卷基层Conv2d,将二维数据转换位一维数据,之后利用一维残差网络对所提取的一维特征进行分类预测,Adam优化算法以交叉熵最小作为目标,在训练集上进行训练,最终获得最优模型。其所提出的DT-ResNet其具体结构如图4所示。其中，每一层的第一个参数代表卷积核的大小；第二个参数中，conv1d代表一维卷积层，conv2d代表二维卷积层，AvgPool代表平均池化层；第三个参数代表输出通道的数量，最后一层可选参数代表卷积核移动的步长的大小，默认值为1。

在本实施例中，所述步骤S4中,选择性能最优,泛化能力最强网络的选择过程具体如下:步骤S41:计算当前迭代下得到的网络在验证集上的性能,计算总的正确率,比较现最优网络与当前网络的准确率，保留更具有泛化性的网络参数。步骤S42：若在验证集上具有相同的精度，则进一步比较训练集精度，保存性能更好的网络参数。步骤S43：进入下一次迭代，更新网络参数，并返回S41,直到迭代结束。

进一步的，在本实施例中，该DT-ResNet故障诊断训练模型的故障检测准确率可达到100％，具体的从训练集上，其总准确率为100％(15834/15834)，在验证集上的总检测率为100％(1858/1858)训练，以及在测试集下的故障检测率为100％(7545/7545),对于各个小类的分类故障诊断率如表2所示。

表2本发明方法对每种工况条件下的分类精度

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。