[go: up one dir, main page]

CN114913036A - 一种光伏电站的联合故障诊断系统及故障诊断方法 - Google Patents

一种光伏电站的联合故障诊断系统及故障诊断方法 Download PDF

Info

Publication number
CN114913036A
CN114913036A CN202210688340.2A CN202210688340A CN114913036A CN 114913036 A CN114913036 A CN 114913036A CN 202210688340 A CN202210688340 A CN 202210688340A CN 114913036 A CN114913036 A CN 114913036A
Authority
CN
China
Prior art keywords
neural network
parameters
convolutional neural
fault diagnosis
equipment end
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210688340.2A
Other languages
English (en)
Inventor
吴定会
王博文
唐丹丹
陆申鑫
张文峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN202210688340.2A priority Critical patent/CN114913036A/zh
Publication of CN114913036A publication Critical patent/CN114913036A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Photovoltaic Devices (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种光伏电站的联合故障诊断系统及故障诊断方法，系统包括云端服务器和安装于每个光伏电站子系统上的多个设备端，设备端包括传感器和控制器，传感器实时采集光伏电站子系统的运行数据并发送至设备端控制器，控制器上存储着卷积神经网络模块，负责进行故障诊断；设备端控制器上的卷积神经网络模块经过训练后，将参数上传至云端服务器，云端通过加权平均的方法进行参数优化；通过云端和设备端的多轮通信，更新设备端控制器的卷积神经网络参数，优化设备端的卷积神经网络故障诊断模型。本发明将故障诊断的重心由云端转移到设备端，达到对光伏电站进行并行快速的故障诊断，故障诊断模型更精确，减小通信成本，且能够保护各子站的数据。

Description

一种光伏电站的联合故障诊断系统及故障诊断方法
技术领域
本发明属于光伏发电的故障诊断技术领域,具体涉及一种基于量化改进的联邦学习和卷积神经网络的光伏电站故障诊断系统及故障诊断方法。
背景技术
太阳能作为一种新能源，以其清洁、可再生等优势得到广泛应用。同时光伏电站大多修建在沙漠、荒地等环境比较恶劣地区，光伏组件长期裸露在外，容易受到高温暴晒、风沙和雨雪侵蚀，从而发生故障，影响光伏板的使用寿命以及光伏电站的发电效益。
传统的光伏电站故障检测多采用集中式的深度学习方法，比如叶斯神经网络模型；BAM神经网络(双向关联神经网络)；遗传算法和自适应粒子群算法改进RBF神经网络等，参见文献[1][2][3]。将各个光伏阵列采集到的数据传送到云端，云端使用复杂的深度学习模型对光伏电站进行故障诊断然而集中式的深度学习方法需要庞大且高质量的标签数据才能训练出高性能的模型，并且深度学习模型越复杂，模型训练时间越长，难以实现故障诊断快速性的要求。且光伏电站数据庞大，训练模型时存在传输时间过长等问题。名称为一种风电机组轴承的联合故障诊断系统及故障诊断方法，申请号为202111419742.4的中国专利申请对风电机组的轴承数据进行分析，利用联邦学习方法进行改进，但该方法存在通信成本大，诊断时间长等问题。本专利对光伏电站运行数据进行分析，针对上述问题通过对数据进行量化的方式进行改进，成功降低了通信成本，减少诊断时间。
[1]Massi Pavan A,Mellit A,De Pieri D,et al.A comparison between BNNand regression polynomial methods for the evaluation of the effect of soilingin large scale photovoltaic plants[J].Applied Energy,2013,108(26):392-401.
[2]李练兵,张秀云,王志华,等.故障树和BAM神经网络在光伏并网故障诊断中的应用[J].电工技术学报,2015,30(02):248-254.
[3]魏子杰,李爱武,邵帅,等.基于FCM-FM算法的光伏阵列故障诊断[J].新能源进展,2018,40(04):297-303.
发明内容
针对现有技术中的不足，本发明提出一种光伏电站的联合故障诊断系统及方法，将故障诊断从云端转移到光伏电站子系统，并采用轻量级的深度学习模型对多个光伏电站子系统实现并行的联合故障诊断，减少故障诊断时间的同时提高故障诊断精度。
为实现上述目的，本发明的光伏电站故障诊断系统包括云端服务器和与云端服务器通信的多个设备端，所述设备端安装于分布在各处的每个参与联邦学习的光伏电站子系统上，每个设备端包括与控制器连接的电流传感器、电压传感器、辐照传感器，控制器通过传感器实时采集光伏电站子系统的运行数据(包括光伏阵列输出电压、电流、功率及其辐照度)并发送至设备端控制器，设备端控制器上存储着卷积神经网络模块，负责进行故障诊断以及与云端服务器通信；每个设备端控制器上的卷积神经网络模块经过训练后，将设备端卷积神经网络的参数上传至云端服务器，云端服务器通过加权平均的方法进行参数优化，并将优化后的参数发送至设备端控制器；通过云端服务器和设备端的多轮通信，更新设备端控制器的卷积神经网络参数，当损失函数收敛时停止通信，得到设备端优化的卷积神经网络故障诊断模型，使用该模型进行故障诊断。
每个设备端参与训练的历史数据均设置为独立同分布，且状态至少包括：正常、开路故障、短路故障、光伏热斑、局部遮挡，每一种状态的概率相同，每一种状态用一个标签值表示。
每个设备端控制器都存储着结构相同的卷积神经网络模块，运行卷积神经网络故障诊断模型，卷积神经网络的结构包括卷积层、池化层、全连接层和softmax输出层。
相应的，本发明还提出上述光伏电站联合故障诊断系统所使用的诊断方法，包括以下步骤：
步骤1：在每个参与联邦学习的光伏电站子系统上安装设备端，所述设备端的控制器上存储着结构相同的卷积神经网络模块；设备端的控制器通过传感器实时采集光伏电站子系统的运行数据，包括：光伏阵列输出电压、电流、功率及其辐照度；
步骤2：训练每个设备端控制器中的卷积神经网络模块：输入步骤1采集的运行数据到设备端上的卷积神经网络模块，经过训练后，得到各个设备端控制器上卷积神经网络的参数；
步骤3：设备端卷积神经网络的参数上传至云端服务器，云端服务器通过加权平均的方法实现参数优化，并将优化后的参数发送至设备端控制器；
步骤4：重复步骤2和步骤3，通过云端服务器和设备端的多轮通信，更新设备端控制器的卷积神经网络参数，当损失函数收敛时停止通信，得到设备端优化的卷积神经网络故障诊断模型，由设备端控制器使用该模型对所在光伏电站子系统进行故障诊断。
具体的，步骤2的训练过程包括：
步骤2.1、数据预处理：将采集到的电压、电流特性曲线在每30分钟时段按时间等分取得六个时间点的电压、电流值，将其按电压降序排列，同采集到的功率和辐照度数据一起作为故障特征；对取得的数据进行归一化处理，归一化处理公式为：
Figure BDA0003700609060000021
其中xi1表示第i个原始数据，xmax为原始数据中最大值，xmin为原始数据中最小值，xi2为归一化后的对应数据；
步骤2.2、前向传播：归一化处理后的数据xi2构成输入样本，输入到卷积神经网络中进行前向传播；以下公式中x表示卷积神经网络的输入样本，y表示样本对应的真实标签，softmax分类器得到的分类标签为预测标签Y，一共有K个设备端参与故障诊断，Wk(k＝1,2,...K)表示第k个参与训练的卷积神经网络卷积层和池化层中的所有参数组成的参数矩阵，参数具体包括卷积神经网络中的权重和偏置；样本的分类损失L(x,y,Wk)表示为:
Figure BDA0003700609060000022
其中,ns为神经网络输入端的样本数量，pi,j表示第i个样本预测标签为j的后验概率；yi,j表示样本的指示变量，当预测标签的值等于真实标签时yi,j＝1，否则yi,j＝0；
步骤2.3、反向传播：采用随机梯度下降法更新卷积神经网络的参数，随机梯度下降法的参数更新公式为：
Figure BDA0003700609060000031
其中，Lobject＝minL(x,y,Wk)是随机梯度下降法的目标函数，η为学习率；
步骤2.4、采用随机量化器对神经网络模型中的参数进行量化：用wij表示参数矩阵Wk第i行j列的参数，wij被量化为Wij，对应公式如下：
Figure BDA0003700609060000032
其中概率函数p(wij)表示为:
Figure BDA0003700609060000033
量化后的Wij组成新的参数矩阵进行下一步训练；
步骤2.5、重复进行步骤2.2～2.4，当训练次数达到设定的最大训练次数时，设备端完成卷积神经网络的训练。
具体的，步骤3云端服务器进行参数优化的方法包括以下步骤：
步骤3.1：用
Figure BDA0003700609060000034
表示第r轮通信下第k个设备端的卷积神经网络参数，将设备端训练完成的参数
Figure BDA0003700609060000035
聚合到云端服务器，云端服务器采用加权平均法更新设备端的参数
Figure BDA0003700609060000036
公式表示如下：
Figure BDA0003700609060000037
其中，Ndata表示所有参与训练的样本数量，
Figure BDA0003700609060000038
表示在第k个设备端参与训练的样本数，
Figure BDA0003700609060000039
表示第r轮通信下云端聚合后的全局参数，由各个设备端训练后得到的参数取均值得到；
步骤3.2：云端服务器将
Figure BDA00037006090600000310
返回给所有的设备端控制器，更新设备端控制器的卷积神经网络参数，完成第r轮通信。
具体的，步骤4云端服务器负责计算在参数更新至
Figure BDA00037006090600000311
时，设备端的损失函数
Figure BDA00037006090600000312
当所有设备端的损失函数之和
Figure BDA00037006090600000313
收敛时，得到优化的卷积神经网络故障诊断模型；否则重复进行云端服务器和设备端的下一轮的通信，继续更新设备端控制器的卷积神经网络参数，直至
Figure BDA00037006090600000314
收敛。
本发明的有益效果如下:本发明不仅将故障诊断从云端转移到光伏电站子系统，还采用轻量级的深度学习模型对多个光伏电站子系统实现并行的联合故障诊断，并对故障诊断模型进行量化改进，减少数据传输量，提高效率，降低通信成本，且能够保护各子站的数据。本发明的技术方案可以有效减少故障诊断时间，同时联合多个设备端进行故障诊断能够实现更高的精度。
附图说明
图1是本发明联合的故障诊断系统框架图。
具体实施方式
以下结合附图和实施例对本发明做进一步详细说明。
发明提出的联合故障诊断系统如图1所示，包括云端服务器和与云端服务器通信的多个设备端，所述设备端安装于每个光伏电站子系统上，包括与控制器连接的电流传感器、电压传感器、辐照传感器，各传感器负责实时采集光伏电站子系统的运行数据(光伏阵列输出电压、电流、功率及其辐照度)并发送至设备端控制器，控制器上存储着卷积神经网络模块，负责进行故障诊断以及与云端服务器通信；每个设备端控制器上的卷积神经网络模块经过训练后，将设备端卷积神经网络的参数上传至云端服务器，云端服务器通过加权平均的方法进行参数优化，并将优化后的参数发送至设备端控制器；通过云端服务器和设备端的多轮通信，更新设备端控制器的卷积神经网络参数，当损失函数收敛时停止通信，得到设备端优化的卷积神经网络故障诊断模型。
首先，在每个光伏电站子系统设备端控制器中需要构建设备端故障诊断模型(即卷积神经网络)，实时采集伏安特性、辐照强度数据以及训练设备端的故障诊断模型。设备端的故障诊断模型由结构相同的卷积神经网络来实现，通过传感器实时采集光伏阵列的运行数据至设备端控制器，数据输入卷积神经网络，经过训练得到各个设备端控制器上卷积神经网络的参数，再利用随机量化器对参数进行量化。
接下来，优化设备端参数。设备端卷积神经网络的参数上传至云端，云端通过加权平均的方法实现参数优化，并将优化后的参数发送至设备端控制器。通过云端和设备端的多轮通信，更新设备端控制器的卷积神经网络参数。云端同时还要计算损失函数，当损失函数收敛时停止通信，即得到了设备端优化的卷积神经网络故障诊断模型。最终由设备端控制器使用优化的卷积神经网络故障诊断模型来进行故障诊断。
具体的，本发明通过图1所示布置在各个光伏电站子系统内的电流传感器、电压传感器、辐照传感器检测光伏阵列在正常、开路故障、短路故障、光伏热斑、局部遮挡这5种状态下的输出电流、电压、辐照度数据。
实验中每个光伏子站设备端参与训练的历史数据都为独立同分布，且故障类型齐全。根据不同的输出电流电压数据，可分为开路故障、短路故障、光伏热斑、局部遮挡四种故障状态。这些故障状态加上正常状态，每一种状态的概率相同，每一种状态用一个标签值表示。实施例中，正常状态标签值为0，开路故障标签值为1，短路故障标签值为2，光伏热斑故障标签值为3，局部遮挡故障标签值为4。
卷积神经网络的结构包括卷积层、池化层、全连接层和softmax输出层。设一共有K个光伏子站的设备端参与故障诊断，每个光伏子站的设备端都有1个卷积神经网络模型。卷积层和池化层提取故障特征,通过softmax分类器的输出获取输入样本的后验概率以及预测标签。
系统的工作过程包括：
步骤1：在每个参与联邦学习的光伏电站子系统上安装设备端，所述设备端包括互相连接的传感器和控制器，传感器实时采集光伏电站子系统的运行数据并发送至控制器，控制器上存储着结构相同的卷积神经网络模块；
步骤2：训练每个设备端控制器中的卷积神经网络模块：输入步骤1采集的运行数据到设备端上的卷积神经网络模块，经过训练和量化后，得到各个设备端控制器上卷积神经网络的参数；
步骤3：设备端卷积神经网络的参数上传至云端服务器，云端服务器通过加权平均的方法实现参数优化，并将优化后的参数发送至设备端控制器；
步骤4：通过云端服务器和设备端的多轮通信，更新设备端控制器的卷积神经网络参数，当损失函数收敛时停止通信，得到设备端优化的卷积神经网络故障诊断模型，由设备端控制器使用该模型来进行故障诊断。
实施例中有10个光伏电站子系统，每个光伏电站子系统上设备端的控制器都有深度学习模块，具体为卷积神经网络。卷积神经网络的训练过程具体包括以下步骤:
步骤2.1、数据预处理。
将采集到的电压、电流特性曲线在每30分钟时段按时间等分取得六个时间点的电压、电流值，将其按电压降序排列，同采集到的功率和辐照度数据一起作为故障特征。
以下截取了实施例中一个光伏电站子系统在不同故障状态下的部分输出数据如表1～5所示，表1～5依次对应为正常、开路、短路、光伏热斑、阴影遮挡情况下的数据。每种故障状态各显示了两个不同辐照度状态下的数据(都包含6个采样时间点)，在表中上下分开以作对比。其中Vdc1～Vdc6分别为电站中六个光伏阵列的输出电压，Iabc为交流电流、Ppv为输出功率，G为辐照度。由于本发明不涉及光伏电站内部的故障定位，在实施例中取六个阵列输出电压的平均值作为故障电压数据来分析。
表1
Figure BDA0003700609060000051
表2
Figure BDA0003700609060000061
表3
Figure BDA0003700609060000062
表4
Figure BDA0003700609060000071
表5
Figure BDA0003700609060000072
将六个阵列的电压的平均值作为故障电压Vabc，将其同交流电流Iabc、输出功率Ppv以及辐照度G一起作为故障特征数据并对数据进行归一化，归一化处理公式为：
Figure BDA0003700609060000073
其中xi1表示该种数据中第i个原始数据，xmax为原始数据中最大值，xmin为原始数据中最小值，xi2为归一化后的对应数据。
步骤2.2、前向传播。
归一化处理后的数据xi2构成输入样本，输入到卷积神经网络中进行前向传播；以下公式中x表示卷积神经网络的输入样本，y表示样本对应的真实标签，softmax分类器得到的分类标签为预测标签Y，一共有K个设备端参与故障诊断，Wk(k＝1,2,...K)表示第k个参与训练的卷积神经网络卷积层和池化层中的所有参数组成的参数矩阵，参数具体包括卷积神经网络中的权重和偏置；样本的分类损失L(x,y,Wk)表示为:
Figure BDA0003700609060000081
其中,ns为神经网络输入端的样本数量，pi,j表示第i个样本预测标签为j的后验概率；yi,j表示样本的指示变量，当预测标签的值等于真实标签时yi,j＝1，否则yi,j＝0。
步骤2.3、反向传播。
采用随机梯度下降法更新卷积神经网络的参数(包括权重以及偏置)。随机梯度下降法的参数更新公式为：
Figure BDA0003700609060000082
其中，Lobject＝minL(x,y,Wk)是随机梯度下降法的目标函数，η为学习率。
步骤2.4、采用随机量化器对神经网络模型中的参数进行量化：用wij表示参数矩阵Wk第i行j列的参数，wij被量化为Wij，对应公式如下：
Figure BDA0003700609060000083
即概率符合p(wij)的元素取为wmax，否则取为-wmin，wmax表示所有参数中的最大值，wmin表示所有参数中的最小值；量化后的Wij组成新的参数矩阵进行下一步训练。其中概率函数p(wij)表示为:
Figure BDA0003700609060000084
步骤2.5、重复进行步骤2.2～2.4，当训练次数达到设定的最大训练次数时，设备端完成卷积神经网络的训练。
云端服务器进行参数优化的方法包括以下步骤：
步骤3.1：用
Figure BDA0003700609060000085
表示第r轮通信下第k个设备端的卷积神经网络参数，将设备端训练完成的参数
Figure BDA0003700609060000086
聚合到云端服务器，云端服务器采用加权平均法更新设备端的参数
Figure BDA0003700609060000087
公式表示如下：
Figure BDA0003700609060000088
其中，Ndata表示所有参与训练的样本数量，
Figure BDA0003700609060000089
表示在第k个设备端参与训练的样本数，
Figure BDA0003700609060000091
表示云端聚合后的全局参数，由各个设备端训练后得到的参数取均值得到。
步骤3.2：云端服务器将
Figure BDA0003700609060000092
返回给所有的设备端控制器，更新设备端控制器的卷积神经网络参数，完成第r轮通信。
云端服务器需要计算在参数更新至
Figure BDA0003700609060000093
时，设备端的损失函数
Figure BDA0003700609060000094
当所有设备端的损失函数之和
Figure BDA0003700609060000095
收敛时，得到优化的卷积神经网络故障诊断模型；否则重复进行云端服务器和设备端的下一轮的通信，继续更新设备端控制器的卷积神经网络参数，直至
Figure BDA0003700609060000096
收敛。
如此，通过云端和设备端的多轮通信，更新设备端控制器的卷积神经网络参数，得到了设备端优化的卷积神经网络故障诊断模型，设备端控制器即可用该故障诊断模型来进行故障诊断。
本方法中光伏子系统的数据只在本地进行神经网络训练，并未上传至云服务器，通过联邦学习，对光伏子系统的数据起到了保护作用。本发明在数据传输过程中，通过对神经网络模型中的参数进行量化，减小了数据传输量，因此能降低通信成本，提高联邦学习过程训练效率。

Claims (10)

1.光伏电站的联合故障诊断系统，包括云端服务器和与云端服务器通信的多个设备端，其特征是，所述设备端安装于分布在各处的每个参与联邦学习的光伏电站子系统上，每个设备端包括与控制器连接的电流传感器、电压传感器、辐照传感器，控制器通过传感器实时采集光伏电站子系统的运行数据并发送至设备端控制器，设备端控制器上存储着卷积神经网络模块，负责进行故障诊断以及与云端服务器通信；每个设备端控制器上的卷积神经网络模块经过训练后，将设备端卷积神经网络的参数上传至云端服务器，云端服务器通过加权平均的方法进行参数优化，并将优化后的参数发送至设备端控制器；通过云端服务器和设备端的多轮通信，更新设备端控制器的卷积神经网络参数，当损失函数收敛时停止通信，得到设备端优化的卷积神经网络故障诊断模型，使用该模型进行故障诊断。
2.如权利要求1所述的光伏电站的联合故障诊断系统，其特征是，所述光伏电站子系统的运行数据包括：光伏阵列输出电压、电流、功率及其辐照度。
3.如权利要求2所述的光伏电站的联合故障诊断系统，其特征是，每个设备端参与训练的历史数据均设置为独立同分布，且状态至少包括：正常、开路故障、短路故障、光伏热斑、局部遮挡，每一种状态的概率相同，每一种状态用一个标签值表示。
4.如权利要求3所述的光伏电站的联合故障诊断系统，其特征是，每个设备端控制器都存储着结构相同的卷积神经网络模块，运行卷积神经网络故障诊断模型，卷积神经网络的结构包括卷积层、池化层、全连接层和softmax输出层；设备端控制器上的卷积神经网络的训练过程包括:
步骤2.1、数据预处理：将采集到的电压、电流特性曲线在每30分钟时段按时间等分取得六个时间点的电压、电流值，将其按电压降序排列，同采集到的功率和辐照度数据一起作为故障特征；对取得的数据进行归一化处理，归一化处理公式为：
Figure FDA0003700609050000011
其中xi1表示第i个原始数据，xmax为原始数据中最大值，xmin为原始数据中最小值，xi2为归一化后的对应数据；
步骤2.2、前向传播：归一化处理后的数据xi2构成输入样本，输入到卷积神经网络中进行前向传播；以下公式中x表示卷积神经网络的输入样本，y表示样本对应的真实标签，softmax分类器得到的分类标签为预测标签Y，一共有K个设备端参与故障诊断，Wk(k＝1,2,...K)表示第k个参与训练的卷积神经网络卷积层和池化层中的所有参数组成的参数矩阵，参数具体包括卷积神经网络中的权重和偏置；样本的分类损失L(x,y,Wk)表示为:
Figure FDA0003700609050000012
其中,ns为神经网络输入端的样本数量，pi,j表示第i个样本预测标签为j的后验概率；yi,j表示样本的指示变量，当预测标签的值等于真实标签时yi,j＝1，否则yi,j＝0；
步骤2.3、反向传播：采用随机梯度下降法更新卷积神经网络的参数，包括权重以及偏置；随机梯度下降法的参数更新公式为：
Figure FDA0003700609050000021
其中，Lobject＝minL(x,y,Wk)是随机梯度下降法的目标函数，η为学习率；
步骤2.4、采用随机量化器对神经网络模型中的参数进行量化：用wij表示参数矩阵Wk第i行j列的参数，wij被量化为Wij，对应公式如下：
Figure FDA0003700609050000022
即概率符合p(wij)的元素取为wmax，否则取为-wmin，wmax表示所有参数中的最大值，wmin表示所有参数中的最小值；量化后的Wij组成新的参数矩阵进行下一步训练；其中概率函数p(wij)表示为:
Figure FDA0003700609050000023
步骤2.5、重复进行步骤2.2～2.4，当训练次数达到设定的最大训练次数时，设备端完成卷积神经网络的训练。
5.如权利要求4所述的光伏电站的联合故障诊断系统，其特征是，云端服务器进行参数优化的方法包括以下步骤：
步骤3.1：用
Figure FDA0003700609050000024
表示第r轮通信下第k个设备端的卷积神经网络参数，将设备端训练完成的参数
Figure FDA0003700609050000025
聚合到云端服务器，云端服务器采用加权平均法更新设备端的参数
Figure FDA0003700609050000026
公式表示如下：
Figure FDA0003700609050000027
其中，Ndata表示所有参与训练的样本数量，
Figure FDA0003700609050000028
表示在第k个设备端参与训练的样本数，
Figure FDA0003700609050000029
表示第r轮通信下云端聚合后的全局参数，由各个设备端训练后得到的参数取均值得到；
步骤3.2：云端服务器将
Figure FDA00037006090500000210
返回给所有的设备端控制器，更新设备端控制器的卷积神经网络参数，完成第r轮通信。
6.如权利要求5所述的光伏电站的联合故障诊断系统，其特征是，云端服务器需要计算在参数更新至
Figure FDA00037006090500000211
时，设备端的损失函数
Figure FDA00037006090500000212
当所有设备端的损失函数之和
Figure FDA00037006090500000213
收敛时，得到优化的卷积神经网络故障诊断模型；否则重复进行云端服务器和设备端的下一轮的通信，继续更新设备端控制器的卷积神经网络参数，直至
Figure FDA00037006090500000214
收敛。
7.一种光伏电站联合故障诊断方法，其特征是，包括以下步骤：
步骤1：在每个参与联邦学习的光伏电站子系统上安装设备端，所述设备端的控制器上存储着结构相同的卷积神经网络模块；设备端的控制器通过传感器实时采集光伏电站子系统的运行数据，包括：光伏阵列输出电压、电流、功率及其辐照度；
步骤2：训练每个设备端控制器中的卷积神经网络模块：输入步骤1采集的运行数据到设备端上的卷积神经网络模块，经过训练后，得到各个设备端控制器上卷积神经网络的参数；
步骤3：设备端卷积神经网络的参数上传至云端服务器，云端服务器通过加权平均的方法实现参数优化，并将优化后的参数发送至设备端控制器；
步骤4：重复步骤2和步骤3，通过云端服务器和设备端的多轮通信，更新设备端控制器的卷积神经网络参数，当损失函数收敛时停止通信，得到设备端优化的卷积神经网络故障诊断模型，由设备端控制器使用该模型对所在光伏电站子系统进行故障诊断。
8.如权利要求7所述的光伏电站联合故障诊断方法，其特征是，步骤2的训练过程包括：
步骤2.1、数据预处理：将采集到的电压、电流特性曲线在每30分钟时段按时间等分取得六个时间点的电压、电流值，将其按电压降序排列，同采集到的功率和辐照度数据一起作为故障特征；对取得的数据进行归一化处理，归一化处理公式为：
Figure FDA0003700609050000031
其中xi1表示第i个原始数据，xmax为原始数据中最大值，xmin为原始数据中最小值，xi2为归一化后的对应数据；
步骤2.2、前向传播：归一化处理后的数据xi2构成输入样本，输入到卷积神经网络中进行前向传播；以下公式中x表示卷积神经网络的输入样本，y表示样本对应的真实标签，softmax分类器得到的分类标签为预测标签Y，一共有K个设备端参与故障诊断，Wk(k＝1,2,...K)表示第k个参与训练的卷积神经网络卷积层和池化层中的所有参数组成的参数矩阵，参数具体包括卷积神经网络中的权重和偏置；样本的分类损失L(x,y,Wk)表示为:
Figure FDA0003700609050000032
其中,ns为神经网络输入端的样本数量，pi,j表示第i个样本预测标签为j的后验概率；yi,j表示样本的指示变量，当预测标签的值等于真实标签时yi,j＝1，否则yi,j＝0；
步骤2.3、反向传播：采用随机梯度下降法更新卷积神经网络的参数，包括权重和偏置；随机梯度下降法的参数更新公式为：
Figure FDA0003700609050000033
其中，Lobject＝minL(x,y,Wk)是随机梯度下降法的目标函数，η为学习率；
步骤2.4、采用随机量化器对神经网络模型中的参数进行量化：用wij表示参数矩阵Wk第i行j列的参数，wij被量化为Wij，对应公式如下：
Figure FDA0003700609050000041
即概率符合p(wij)的元素取为wmax，否则取为-wmin，wmax表示所有参数中的最大值，wmin表示所有参数中的最小值；量化后的Wij组成新的参数矩阵进行下一步训练；其中概率函数p(wij)表示为:
Figure FDA0003700609050000042
步骤2.5、重复进行步骤2.2～2.4，当训练次数达到设定的最大训练次数时，设备端完成卷积神经网络的训练。
9.如权利要求8所述的光伏电站联合故障诊断方法，其特征是，步骤3云端服务器进行参数优化的方法包括以下步骤：
步骤3.1：用
Figure FDA0003700609050000043
表示第r轮通信下第k个设备端的卷积神经网络参数，将设备端训练完成的参数
Figure FDA0003700609050000044
聚合到云端服务器，云端服务器采用加权平均法更新设备端的参数
Figure FDA0003700609050000045
公式表示如下：
Figure FDA0003700609050000046
其中，Ndata表示所有参与训练的样本数量，
Figure FDA0003700609050000047
表示在第k个设备端参与训练的样本数，
Figure FDA0003700609050000048
表示第r轮通信下云端聚合后的全局参数，由各个设备端训练后得到的参数取均值得到；
步骤3.2：云端服务器将
Figure FDA0003700609050000049
返回给所有的设备端控制器，更新设备端控制器的卷积神经网络参数，完成第r轮通信。
10.如权利要求9所述的光伏电站联合故障诊断方法，其特征是，步骤4云端服务器负责计算在参数更新至
Figure FDA00037006090500000410
时，设备端的损失函数
Figure FDA00037006090500000411
当所有设备端的损失函数之和
Figure FDA00037006090500000412
收敛时，得到优化的卷积神经网络故障诊断模型；否则重复进行云端服务器和设备端的下一轮的通信，继续更新设备端控制器的卷积神经网络参数，直至
Figure FDA00037006090500000413
收敛。
CN202210688340.2A 2022-06-17 2022-06-17 一种光伏电站的联合故障诊断系统及故障诊断方法 Pending CN114913036A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210688340.2A CN114913036A (zh) 2022-06-17 2022-06-17 一种光伏电站的联合故障诊断系统及故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210688340.2A CN114913036A (zh) 2022-06-17 2022-06-17 一种光伏电站的联合故障诊断系统及故障诊断方法

Publications (1)

Publication Number Publication Date
CN114913036A true CN114913036A (zh) 2022-08-16

Family

ID=82772232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210688340.2A Pending CN114913036A (zh) 2022-06-17 2022-06-17 一种光伏电站的联合故障诊断系统及故障诊断方法

Country Status (1)

Country Link
CN (1) CN114913036A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116577673A (zh) * 2023-07-12 2023-08-11 深圳先进储能材料国家工程研究中心有限公司 一种基于分布式神经网络的储能电站故障诊断方法及系统
WO2025214068A1 (zh) * 2024-04-10 2025-10-16 华为技术有限公司 一种量化参数确定方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112424797A (zh) * 2018-05-17 2021-02-26 弗劳恩霍夫应用研究促进协会 神经网络的分布式学习和/或其参数化更新的传输的概念
KR20210079052A (ko) * 2019-12-19 2021-06-29 한전케이디엔주식회사 자율주행-연합학습 로봇 기반 지능형 지하시설물 무인 감시진단 시스템 및 방법
CN113283175A (zh) * 2021-06-09 2021-08-20 上海交通大学 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法
CN114112399A (zh) * 2021-11-26 2022-03-01 江南大学 一种风电机组轴承的联合故障诊断系统及故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112424797A (zh) * 2018-05-17 2021-02-26 弗劳恩霍夫应用研究促进协会 神经网络的分布式学习和/或其参数化更新的传输的概念
KR20210079052A (ko) * 2019-12-19 2021-06-29 한전케이디엔주식회사 자율주행-연합학습 로봇 기반 지능형 지하시설물 무인 감시진단 시스템 및 방법
CN113283175A (zh) * 2021-06-09 2021-08-20 上海交通大学 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法
CN114112399A (zh) * 2021-11-26 2022-03-01 江南大学 一种风电机组轴承的联合故障诊断系统及故障诊断方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116577673A (zh) * 2023-07-12 2023-08-11 深圳先进储能材料国家工程研究中心有限公司 一种基于分布式神经网络的储能电站故障诊断方法及系统
CN116577673B (zh) * 2023-07-12 2023-09-12 深圳先进储能材料国家工程研究中心有限公司 一种基于分布式神经网络的储能电站故障诊断方法及系统
WO2025214068A1 (zh) * 2024-04-10 2025-10-16 华为技术有限公司 一种量化参数确定方法及相关装置

Similar Documents

Publication Publication Date Title
JP6968378B2 (ja) 系統連系インバータの稼働データに基づく太陽光発電所の電力予測方法及びシステム
CN109086928B (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN108280545A (zh) 一种基于k均值聚类神经网络的光伏功率预测方法
CN105184678A (zh) 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法
CN105260800A (zh) 一种光伏组件温度预测方法及装置
CN110334870B (zh) 基于门控循环单元网络的光伏电站短期功率预测方法
CN115965132A (zh) 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法
CN109992911B (zh) 基于极限学习机和iv特性的光伏组件快速建模方法
CN110503153A (zh) 基于差分进化算法和支持向量机的光伏系统故障诊断方法
JP2022042469A (ja) Ｆｒｂｆｎｎモデルを用いた太陽光発電設備の発電予測及び効率診断システム
CN116579479B (zh) 风电场功率超短期预测方法、系统、计算机及存储介质
CN114913036A (zh) 一种光伏电站的联合故障诊断系统及故障诊断方法
CN118134290B (zh) 一种基于改进anfis的光伏阵列运行状态评估及故障诊断方法
CN112232714B (zh) 一种基于深度学习的结构参数不完备下配电网风险评估方法
CN118052338B (zh) 一种基于广域协同训练的分布式光伏功率预测方法
CN109636054A (zh) 基于分类和误差组合预测的太阳能光伏发电量预测方法
CN112819189A (zh) 一种基于历史预测值的风力出力预测方法
CN115189402B (zh) 一种光热-光伏-风电联合出力概率建模方法
CN110458342A (zh) 一种基于改进的narx神经网络微气象监测系统及方法
Ramaswamy et al. Forecasting PV power from solar irradiance and temperature using neural networks
CN113610285A (zh) 一种分散式风电的功率预测方法
CN111950811A (zh) 基于双层人工神经网络的区域光伏功率预测方法及系统
CN114112399B (zh) 一种风电机组轴承的联合故障诊断系统及故障诊断方法
CN106203743A (zh) 一种基于改进的ihcmac神经网络的光伏发电功率预测方法
CN111242371B (zh) 一种基于非迭代多模型的光伏发电短期预测校正方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination