一种基于回声状态网络的光伏电板故障检测方法

摘要

本发明公开一种基于回声状态网络的光伏电板故障检测方法，通过利用回声状态网络模型这种有监督型的建模策略来量化光伏电板采样数据之间的非线性时序关联特征，从而对光伏电板实施数据驱动的故障检测。本发明方法利用回声状态网络模型建立多个测量变量之间的关系模型，起到了量化测量变量间复杂非线性时序关系的作用。其次，本发明方法使用的回声状态网络模型对时间序列数据有较好的拟合作用，可以进一步体现出光伏电板采样数据在时间前后的关联性。因此，利用模型误差的变化来检测光伏电板故障可以保证本发明方法的有效性。本发明方法通过将无监督型的特征提取转化为分布式的有监督建模，从而成功将回声状态网络模型应用于光伏电板故障检测中。

说明书

技术领域

本发明涉及一种故障检测方法，特别涉及一种基于回声状态网络的光伏电板故障检测方法。

背景技术

光伏电板是目前为数不多的可以将太阳能转变成电能的设备，随着对再生能源利用技术的日益重视，光伏电板从能量转换效率、制造成本、控制系统、到调度维护等方方面面皆能助推广光伏电板的广泛应用。在光伏发电厂中，定期的对光伏电板实施人工检修是常见的维护手段。然而。相比于传统定期的维护作业，若能及时的发现光伏电板的故障就能第一时间指示工作人员实施有针对性的修复或维护。这不仅能提升检修的效率，而且还能提升光伏电板产生电能的服务品质。在现有的科研文献与专利中，光伏电板的故障检测无外乎通过两种技术手段：其一，利用物理原理建立电流-电压的关系模型，通过电流-电压曲线分析出故障；其二，利用实时测量的数据进行故障诊断。

由于光照强度会直接影响光伏电板的产能，而且还有相应的控制系统运作，物理模型的精度难以得到保障。因此，第一类方法基本上遇到了技术发展的瓶颈。按照模式分类实施故障诊断是建立在大数据应用条件下的，通过光伏电板正常运行和不同故障状态下的采样数据，实施模式分类，从而甄别是否发生故障，并同时诊断出现了何种故障。然而，这类方法由于需要“大数据”做为基础，前期的数据采集工作相当繁琐。通常情况下，光伏电板在正常工作状态下的样本数据是充裕的，而缺乏故障状态下的样本数据。这同样给第二类方法技术的广泛推广与应用带来了挑战。

由于光伏电板正常工作时的样本数据充足，数据驱动的故障检测是可以按照单分类的思想展开的。最近，有学者提出使用主成分分析(Principal Component Analysis，缩写：PCA)算法挖掘数据中的潜在特征，然后对潜在特征和误差的变化分别实施监测，从而实现了光伏电板的故障检测。如此一来，适合单分类建模的特征提取算法皆可按照此思路应用于光伏电板的故障检测。然而，考虑到光伏电板除了运行的复杂性外，其采样数据还会在时间序列上体现出关联。举个简单的例子，光伏电板受到光照强度和温度的影响，而光照强度和温度是随着时间的变化而变化的。如此一来，光伏电板自身的电流、电压、功率等数据同样是随着时间的变化而变化的。因此，单独挖掘样本数据的潜在特征不足以保证故障检测的全面性，还需进一步的考虑光伏电板的时序特点。

近年来，在时间序列分析相关的研究领域，回声状态网络(Echo State Networks，缩写：ESN)得到了广泛的研究与应用。然而，ESN是一类有监督的建模策略，不适合解决无监督型的特征提取问题。虽然ESN应用于光伏电板看似困难重重，但从ESN在解决时序建模问题的优势来看，是可以用来解决光伏电板采样数据的时序变化问题的。从这个角度出发，如何将ESN用于光伏电板故障检测是值得研究并丞待解决的一个问题。

发明内容

本发明所要解决的主要技术问题是：如何利用ESN这种有监督型的建模策略来量化光伏电板采样数据之间的非线性时序关联特征，从而对光伏电板实施数据驱动的故障检测。具体来讲，本发明方法通过将无监督型的特征提取转化为分布式的有监督建模，从而成功将ESN应用于光伏电板故障检测中。

本发明方法解决上述问题所采用的技术方案为：一种基于回声状态网络的光伏电板故障检测方法，包括以下所示步骤：

步骤(1)：在光伏电板正常工作状态下，利用数据采集系统每隔1分钟采集一次样本数据，具体包括9个数据，并将每次采集的这9个数据组成一个列向量；其中，列向量中的9个数据依次为：光照强度，环境温度，电板温度，最大动态直流功率，直流电流，直流电压，交流功率，交流电压，和交流电流。

步骤(2)：按照采集的时间先后顺序，将光伏电板正常工作状态下采集得到的N个列向量x

步骤(3)：依次分别将X中第3行至第9行的行向量用作回声状态网络模型的输出，并将X中其它8行的行向量用作回声状态网络模型的输入，建立回声状态网络模型，具体的实施过程如步骤(3.1)至步骤(3.11)所示。

步骤(3.1)：初始化j＝3。

步骤(3.2)：将新数据矩阵

步骤(3.3)：搭建一个回声状态网络模型，具体包括：8个输入节点，L个储蓄池节点，和1个输出节点；其中，储蓄池节点的激活函数f(u)＝tanh(u)为双曲正切函数，u为函数自变量。

步骤(3.4)：初始化权值连接矩阵W

步骤(3.5)：对权值连接矩阵W

步骤(3.6)：计算权值连接矩阵W

步骤(3.7)：判断α是否小于1；若否，则根据公式W

步骤(3.8)：初始化输入权值矩阵

步骤(3.9)：根据公式

上式中，

上式中，

步骤(3.10)：保留模型参数集

步骤(3.11)：判断是否满足条件：j＜9；若是，则设置j＝j+1后，返回步骤(3.2)；若否，则得到模型参数集φ

步骤(4)：将误差向量e

步骤(5)：根据公式D＝diag{(E-U)Λ

上述步骤(1)至步骤(5)为本发明方法的离线建模阶段，涉及建立7个回声状态网络模型，并保留模型参数。

步骤(6)：利用光伏电板的数据采集系统采集最新采样时刻的样本数据x

步骤(7)：对x

步骤(8)：调用步骤(3)中的7个模型参数集φ

步骤(8.1)：初始化j＝3。

步骤(8.2)：将数据向量

步骤(8.3)：组建向量

步骤(8.4)：判断是否满足条件：j＜9；若是，则设置j＝j+1后，返回步骤(8.2)；若否，则这7个误差数据f

步骤(9)：计算检测指标D

步骤(10)：返回步骤(6)继续利用最新采样时刻的样本数据实施故障检测；若连续6个采样时刻的检测指标皆大于D

通过以上所述实施步骤，本发明方法的优势介绍如下。

首先，本发明方法利用回声状态网络模型建立多个变量之间的关系模型，起到了量化测量变量间相关关系的作用。其次，本发明方法使用的回声状态网络模型对时间序列数据有较好的拟合作用，可以进一步体现出光伏电板采样数据在时间前后的关联性。因此，利用模型误差的变化来检测光伏电板故障可以保证本发明方法的有效性。最后，在具体实施案例中，通过案例实施结果的对比充分的说明了本发明方法的可靠性与优越性。

附图说明

图1为本发明方法的实施流程示意图。

图2为故障检测结果示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明公开了一种基于回声状态网络的光伏电板故障检测方法，下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。

步骤(1)：在光伏电板正常工作状态下，每隔1分钟采集一次样本数据，具体包括9个数据，并将每次采集的这9个数据组成一个列向量，列向量中的9个数据依次为：光照强度，环境温度，电板温度，最大动态直流功率，直流电流，直流电压，交流功率，交流电压，和交流电流；

步骤(2)：按照采集的时间先后顺序，将光伏电板正常工作状态下采集得到的N个列向量x

步骤(3)：依次分别将X中第3行至第9行的行向量用作回声状态网络模型的输出，并将X中其它8行的行向量用作回声状态网络模型的输入，建立回声状态网络模型，具体的实施过程如前述步骤(3.1)至步骤(3.11)所示。

步骤(4)：将误差向量e

步骤(5)：根据公式D＝diag{(E-U)Λ

步骤(6)：利用光伏电板的数据采集系统采集最新采样时刻的样本数据x

步骤(7)：对x

步骤(7.1)：根据公式

步骤(7.2)：分别设置k等于1，2，…，11，并执行步骤(7.1)可完成对x

步骤(8)：调用步骤(3)中的7个模型参数集φ

步骤(9)：计算检测指标D

步骤(10)：返回步骤(6)继续利用最新采样时刻的样本数据实施故障检测；若连续6个采样时刻的检测指标皆大于D

当光伏电板出现逆变器断路故障时，相应的故障检测详情如图2所示。从图2中可以看出，在故障发生期间，本发明方法的故障检测指标大小皆大于D