隨著新能源的推廣,光伏發(fā)電在全世界的使用范圍越來越大,發(fā)電比重也逐年增加,在設(shè)備的安全性和可靠性上則需要更高的要求,一旦發(fā)生了故障,將會(huì)對(duì)設(shè)備造成不可逆轉(zhuǎn)的損失。因此,及時(shí)診斷光伏逆變器故障是一個(gè)十分迫切的問題。通過對(duì)大量運(yùn)維數(shù)據(jù)的查看并分析,可知光伏逆變器產(chǎn)生的故障對(duì)電站實(shí)時(shí)生產(chǎn)運(yùn)營方面有著不小的影響,因此,出現(xiàn)了基于運(yùn)維數(shù)據(jù)的光伏逆變器故障診斷研究。本文從光伏電站的運(yùn)維數(shù)據(jù)入手,探尋了光伏逆變器設(shè)備和實(shí)際運(yùn)維數(shù)據(jù)之間的關(guān)系,發(fā)現(xiàn)了新增數(shù)據(jù)和歷史數(shù)據(jù)之間的差異,根據(jù)以上兩點(diǎn)從而構(gòu)建光伏設(shè)備的增量式故障診斷模型。通過對(duì)故障數(shù)據(jù)的分析查看,發(fā)現(xiàn)與故障發(fā)生有關(guān)聯(lián)的數(shù)據(jù)多達(dá)幾十個(gè)維度,且每個(gè)維度的數(shù)據(jù)范圍并不統(tǒng)一、不同維度數(shù)據(jù)之間區(qū)間差距較大。針對(duì)此類問題,本文采用了自組織映射(Self-organizing Map,SOM)的方法,對(duì)數(shù)據(jù)進(jìn)行降維操作,從而對(duì)樣本進(jìn)行了特征選擇。并且SOM能夠保持原有數(shù)據(jù)的拓?fù)湫?用映射數(shù)據(jù)對(duì)原始數(shù)據(jù)進(jìn)行了替換,使得數(shù)據(jù)范圍變小、數(shù)值變得精細(xì)、分布也較為平均,并在Iris數(shù)據(jù)集上驗(yàn)證了其有效性。而在對(duì)于新故障的產(chǎn)生,傳統(tǒng)的學(xué)習(xí)算法不具有對(duì)其分類的能力,只能將其加入歷史數(shù)據(jù)集中重新訓(xùn)練模型。隨著數(shù)據(jù)規(guī)模的增大,歷史數(shù)據(jù)集占用的空間和模型訓(xùn)練時(shí)間也會(huì)迅速增大。因此,引入了自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)(Self-organizing Map Probabilistic Neural Network,SOMPNN),此模型結(jié)合了概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練迅速和SOM降維、提取特征的優(yōu)勢(shì),在該模型的基礎(chǔ)上,進(jìn)行改進(jìn),實(shí)現(xiàn)了增量學(xué)習(xí)的功能,提出了增量式自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)(Incremental Self-organizing Map Probabilistic Neural Network,ISOMPNN)。本文用每個(gè)樣本對(duì)應(yīng)SOM碼本向量矩陣中的值代替SOM的原型向量作為PNN的輸入,這樣保證了輸入的樣本容量不至于太小和數(shù)據(jù)的多樣性。其次,對(duì)于每類數(shù)據(jù)單獨(dú)訓(xùn)練合理大小的SOM結(jié)構(gòu),保證每類數(shù)據(jù)的統(tǒng)一性。對(duì)于已知類別的新數(shù)據(jù)的增量學(xué)習(xí),更新和新數(shù)據(jù)類別相同的SOM結(jié)構(gòu),使其掌握新數(shù)據(jù)中的新知識(shí),從而實(shí)現(xiàn)增量學(xué)習(xí);對(duì)于新類別故障的增量學(xué)習(xí),則對(duì)這類故障訓(xùn)練出新的SOM結(jié)構(gòu),學(xué)習(xí)其數(shù)據(jù)的特征,并將其集成到已有的ISOMPNN模型中。在光伏逆變器的故障診斷中,驗(yàn)證了該模型增量學(xué)習(xí)的有效性。同時(shí),避免了對(duì)歷史數(shù)據(jù)集的保存和花費(fèi)大量的時(shí)間重新訓(xùn)練模型,能及時(shí)高效地對(duì)故障做出診斷。
【學(xué)位單位】：東華大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TM615
【部分圖文】：

圖 3-2 逆變器數(shù)據(jù)表結(jié)構(gòu)部分對(duì)數(shù)據(jù)庫數(shù)據(jù)進(jìn)行了篩選之后，選出了 40 個(gè)屬性，即數(shù)據(jù)集中共包含 40 個(gè)維度(包括故障編碼)。由于數(shù)據(jù)均為實(shí)時(shí)監(jiān)控采集得到的數(shù)據(jù)，在這些選出來的屬性之中避免不了一些存在噪聲的數(shù)據(jù)，在數(shù)據(jù)集容量相對(duì)較大的情況下，刪除了這類數(shù)據(jù)并保留剩下的實(shí)驗(yàn)數(shù)據(jù)。又因?yàn)閿?shù)據(jù)本身都是數(shù)值型的數(shù)據(jù)，對(duì)于這些數(shù)據(jù)在文本方面上不存在需要額外的處理。

圖 3-2 逆變器數(shù)據(jù)表結(jié)構(gòu)部分對(duì)數(shù)據(jù)庫數(shù)據(jù)進(jìn)行了篩選之后，選出了 40 個(gè)屬性，即數(shù)據(jù)集中共包含 40 個(gè)維度(包括故障編碼)。由于數(shù)據(jù)均為實(shí)時(shí)監(jiān)控采集得到的數(shù)據(jù)，在這些選出來的屬性之中避免不了一些存在噪聲的數(shù)據(jù)，在數(shù)據(jù)集容量相對(duì)較大的情況下，刪除了這類數(shù)據(jù)并保留剩下的實(shí)驗(yàn)數(shù)據(jù)。又因?yàn)閿?shù)據(jù)本身都是數(shù)值型的數(shù)據(jù)，對(duì)于這些數(shù)據(jù)在文本方面上不存在需要額外的處理。

圖 3-3 Sungrow 逆變器故障部分中所示，出現(xiàn)“蓄電池欠壓”這類故障說明逆變器轉(zhuǎn)換成電能的存儲(chǔ)效率不高，可能是部件老化導(dǎo)致，在一定程度上降低了生產(chǎn)效率，而在安全上方面上無較大隱患；而出現(xiàn)了“Code【041】-漏桘流サンプリング故障【重故障】”這樣的問題，光伏設(shè)備存在漏電的狀況，這樣有可能導(dǎo)致該逆變器產(chǎn)生火花、逐漸燃燒毀壞，進(jìn)而對(duì)大規(guī)模的燒毀，對(duì)整個(gè)發(fā)電站都存在很大的威脅。而在運(yùn)維數(shù)據(jù)中的故障編碼(Emsg)為一串僅由“0”和“1”組成的字符串，該字符串通過表 3-5 中第三列的故障編碼解析得到，在這些字符串中的每一位表示一個(gè)故障，即若該位為 0 表示未發(fā)生該類故障，若此位為 1，則表示發(fā)生了該類故障。表 3-5 Delta 具體的故障舉例故障編碼0000000000000000010000000000000000000000000000000110000000000000

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 盧家海;;基于在線增量學(xué)習(xí)支持向量機(jī)的徑流預(yù)測(cè)[J];水利科技與經(jīng)濟(jì);2017年07期

2 秦玉平;王秀坤;王春立;;實(shí)現(xiàn)兼類樣本類增量學(xué)習(xí)的一種算法[J];控制與決策;2009年01期

3 秦玉平;李祥納;王秀坤;王春立;;支持向量機(jī)加權(quán)類增量學(xué)習(xí)算法研究[J];計(jì)算機(jī)工程與應(yīng)用;2007年34期

4 朱婷;滕桂法;陸浩;張長(zhǎng)利;曾大軍;;基于在線增量學(xué)習(xí)的自適應(yīng)聚焦爬蟲研究[J];計(jì)算機(jī)應(yīng)用與軟件;2009年05期

5 秦玉平;李祥納;王秀坤;王春立;;基于超球支持向量機(jī)的類增量學(xué)習(xí)算法研究[J];計(jì)算機(jī)科學(xué);2008年08期

6 劉新旺;殷建平;張國敏;羅h

本文編號(hào)：2812969