《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 其他 > 設(shè)計應(yīng)用 > 基于ST-TCN的太陽能光伏組件故障診斷方法
基于ST-TCN的太陽能光伏組件故障診斷方法
2022年電子技術(shù)應(yīng)用第12期
李 莎1,陳澤華1,劉海軍2
1.太原理工大學(xué) 大數(shù)據(jù)學(xué)院,,山西 晉中030600,;2.晉能清潔能源有限公司,山西 太原030001
摘要: 實(shí)地調(diào)研并收集電站光伏組件常見的故障類型,并對光伏組件在不同工作狀況下的電流特征曲線進(jìn)行分析,發(fā)現(xiàn)光伏組件的電流數(shù)據(jù)疊加了復(fù)雜的表現(xiàn)特征和高噪聲。為能精準(zhǔn)診斷光伏組件的故障類型,,提出一種軟閾值化的時序卷積神經(jīng)網(wǎng)絡(luò)(Soft Thresholding Temporal Convolutional Network,ST-TCN)光伏組件故障診斷模型,。ST-TCN網(wǎng)絡(luò)使用多個殘差模塊的膨脹卷積層,、ReLU層、Dropout層提取電流數(shù)值特征和時序特征,,再使用殘差模塊的軟閾值化對所提取的特征降噪,,最終使用全連接層對殘差模塊提取的特征進(jìn)行故障診斷分類。實(shí)驗(yàn)結(jié)果表明,,ST-TCN網(wǎng)絡(luò)不僅結(jié)構(gòu)簡單,,收斂速度快,而且故障診斷準(zhǔn)確率高,,達(dá)到92.99%,。
中圖分類號: TP207;TM914
文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.222585
中文引用格式: 李莎,,陳澤華,,劉海軍. 基于ST-TCN的太陽能光伏組件故障診斷方法[J].電子技術(shù)應(yīng)用,2022,,48(12):79-83,,88.
英文引用格式: Li Sha,Chen Zehua,,Liu Haijun. Fault diagnosis method of solar panel module based on ST-TCN[J]. Application of Electronic Technique,,2022,,48(12):79-83,,88.
Fault diagnosis method of solar panel module based on ST-TCN
Li Sha1,Chen Zehua1,,Liu Haijun2
1.College of Data Science,,Taiyuan University of Technology,Jinzhong 030600,,China,; 2.Jinneng Clean Energy Co.,,Ltd.,Taiyuan 030001,,China
Abstract: This paper analyzes the current characteristic curves of photovoltaic modules under different working conditions and finds that the current data of photovoltaic modules superpose complex performance characteristics and high noise. In order to accurately diagnose the fault types of photovoltaic modules, a soft thresholding temporal convolutional network(ST-TCN) photovoltaic module fault diagnosis model is proposed. The ST-TCN network uses the dilated convolution layer, ReLU layer, and Dropout layer of multiple residual modules to extract current numerical and time series features, uses the soft thresholding of residual modules to de-noise the extracted features, and finally uses the full connection layer to diagnose and classify the extracted features of residual modules. The experimental results show that the ST-TCN network has a simple structure, fast convergence, and high accuracy in fault diagnosis, reaching 92.99%.
Key words : photovoltaic modules,;temporal convolutional network;soft threshold,;fault diagnosis

0 引言

    光伏電站幅員遼闊,,位置偏遠(yuǎn),維護(hù)不易,,精確識別光伏組件的故障類型和物理位置對于維持光伏電廠安全高效運(yùn)行具有極其重要的意義,。

    當(dāng)前國內(nèi)外常用的光伏故障診斷方法包括紅外圖像法[1]、I-V曲線法[2],、時域反射分析法[3],、智能法[4-8]。大型光伏電站一般建設(shè)在環(huán)境惡劣的郊區(qū),,難以獲得光伏組件的紅外圖像[8],,I-V曲線法和時域反射分析法對所采集的數(shù)據(jù)精度要求極高,基于經(jīng)濟(jì)成本考慮,,大型光伏電站所能投入的數(shù)據(jù)采集設(shè)備受限,,因此,紅外圖像法,、I-V曲線法和時域反射分析法不適用于大型光伏電站,,需要電站投入額外的數(shù)據(jù)采集設(shè)備,增加了光伏電站的運(yùn)維成本,。智能法包括機(jī)器學(xué)習(xí)法和深度學(xué)習(xí)法,,大型光伏電站的建設(shè)規(guī)模大,每天所產(chǎn)生的數(shù)據(jù)量較大,,機(jī)器學(xué)習(xí)法一般適用于小數(shù)據(jù)集,,難以適用于大型光伏電站。太陽能電站光伏組件的電流數(shù)據(jù)可以精準(zhǔn)地定位到每一個光伏組件的物理位置,,因此,,提高光伏組件的故障診斷準(zhǔn)確率,要充分挖掘不同故障狀態(tài)下的電流數(shù)據(jù)隨時間變化的本質(zhì)特征,。文獻(xiàn)[6]將時序電壓和時序電流繪制成二維特征圖,,通過卷積神經(jīng)網(wǎng)絡(luò)對二維特征圖進(jìn)行特征提取和分類。卷積神經(jīng)網(wǎng)絡(luò)在圖像領(lǐng)域的應(yīng)用效果較好,,但難以提取時序性數(shù)據(jù)的特征,。文獻(xiàn)[7]通過長短期記憶神經(jīng)網(wǎng)絡(luò)提取電池板參數(shù)的時序特征,但模型收斂速度較慢,。文獻(xiàn)[8]通過CNN-LSTM深度學(xué)習(xí)診斷模型,,對故障的診斷效果有很大的提升,,但模型結(jié)構(gòu)復(fù)雜,網(wǎng)絡(luò)收斂速度慢,。文獻(xiàn)[9]提出了時序卷積神經(jīng)網(wǎng)絡(luò),,在處理時間序列數(shù)據(jù)預(yù)測問題方面與現(xiàn)存的時序深度學(xué)習(xí)模型(RNN、LSTM,、GRU)相對比性能表現(xiàn)良好,。




本文詳細(xì)內(nèi)容請下載:http://forexkbc.com/resource/share/2000005045




作者信息:

李  莎1,,陳澤華1,,劉海軍2

(1.太原理工大學(xué) 大數(shù)據(jù)學(xué)院,山西 晉中030600,;2.晉能清潔能源有限公司,,山西 太原030001)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載,。