基于ISOMPNN的光伏电站设备故障诊断研究

发布时间：2020-09-05 11:31

　　随着新能源的推广,光伏发电在全世界的使用范围越来越大,发电比重也逐年增加,在设备的安全性和可靠性上则需要更高的要求,一旦发生了故障,将会对设备造成不可逆转的损失。因此,及时诊断光伏逆变器故障是一个十分迫切的问题。通过对大量运维数据的查看并分析,可知光伏逆变器产生的故障对电站实时生产运营方面有着不小的影响,因此,出现了基于运维数据的光伏逆变器故障诊断研究。本文从光伏电站的运维数据入手,探寻了光伏逆变器设备和实际运维数据之间的关系,发现了新增数据和历史数据之间的差异,根据以上两点从而构建光伏设备的增量式故障诊断模型。通过对故障数据的分析查看,发现与故障发生有关联的数据多达几十个维度,且每个维度的数据范围并不统一、不同维度数据之间区间差距较大。针对此类问题,本文采用了自组织映射(Self-organizing Map,SOM)的方法,对数据进行降维操作,从而对样本进行了特征选择。并且SOM能够保持原有数据的拓扑性,用映射数据对原始数据进行了替换,使得数据范围变小、数值变得精细、分布也较为平均,并在Iris数据集上验证了其有效性。而在对于新故障的产生,传统的学习算法不具有对其分类的能力,只能将其加入历史数据集中重新训练模型。随着数据规模的增大,历史数据集占用的空间和模型训练时间也会迅速增大。因此,引入了自适应概率神经网络(Self-organizing Map Probabilistic Neural Network,SOMPNN),此模型结合了概率神经网络(Probabilistic Neural Network,PNN)结构简单、训练迅速和SOM降维、提取特征的优势,在该模型的基础上,进行改进,实现了增量学习的功能,提出了增量式自适应概率神经网络(Incremental Self-organizing Map Probabilistic Neural Network,ISOMPNN)。本文用每个样本对应SOM码本向量矩阵中的值代替SOM的原型向量作为PNN的输入,这样保证了输入的样本容量不至于太小和数据的多样性。其次,对于每类数据单独训练合理大小的SOM结构,保证每类数据的统一性。对于已知类别的新数据的增量学习,更新和新数据类别相同的SOM结构,使其掌握新数据中的新知识,从而实现增量学习;对于新类别故障的增量学习,则对这类故障训练出新的SOM结构,学习其数据的特征,并将其集成到已有的ISOMPNN模型中。在光伏逆变器的故障诊断中,验证了该模型增量学习的有效性。同时,避免了对历史数据集的保存和花费大量的时间重新训练模型,能及时高效地对故障做出诊断。
【学位单位】：东华大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TM615
【部分图文】：

结构部分,数据表,逆变器,数据

图 3-2 逆变器数据表结构部分对数据库数据进行了筛选之后，选出了 40 个属性，即数据集中共包含 40 个维度(包括故障编码)。由于数据均为实时监控采集得到的数据，在这些选出来的属性之中避免不了一些存在噪声的数据，在数据集容量相对较大的情况下，删除了这类数据并保留剩下的实验数据。又因为数据本身都是数值型的数据，对于这些数据在文本方面上不存在需要额外的处理。

逆变器故障

逆变器故障,故障,存储效率,欠压

图 3-3 Sungrow 逆变器故障部分中所示，出现“蓄电池欠压”这类故障说明逆变器转换成电能的存储效率不高，可能是部件老化导致，在一定程度上降低了生产效率，而在安全上方面上无较大隐患；而出现了“Code【041】-漏桘流サンプリング故障【重故障】”这样的问题，光伏设备存在漏电的状况，这样有可能导致该逆变器产生火花、逐渐燃烧毁坏，进而对大规模的烧毁，对整个发电站都存在很大的威胁。而在运维数据中的故障编码(Emsg)为一串仅由“0”和“1”组成的字符串，该字符串通过表 3-5 中第三列的故障编码解析得到，在这些字符串中的每一位表示一个故障，即若该位为 0 表示未发生该类故障，若此位为 1，则表示发生了该类故障。表 3-5 Delta 具体的故障举例故障编码0000000000000000010000000000000000000000000000000110000000000000

【相似文献】