一种新能源发电组件质量检测方法及装置制造方法及图纸

本发明专利技术实施例的方法中，首先采集发电组件相关联的电流信号和状态数据；然后对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；接着对重采样结果进行处理并放大后得到电流信息分量；在对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；最后，基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。本发明专利技术实施例的技术方案通过电流信号和状态数据两个数据来源相结合的方式可以提高质量检测的准确性，电流信号和状态数据的预处理过程也在降低数据维度的同时保证了故障信息，而这些处理有效提升了后续模型计算得准确性。效提升了后续模型计算得准确性。效提升了后续模型计算得准确性。

【技术实现步骤摘要】
一种新能源发电组件质量检测方法及装置


[0001]本专利技术涉及新能源
，尤其涉及一种新能源发电组件质量检测方法及装置。

技术介绍

[0002]新能源发电组件在进行质量检测时，需要采集大量的样本数据。样本数据的质量直接影响着检测结果的准确性，所述样本数据采集端和样本数据处理对于后续的模型计算显得尤为重要。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供了一种新能源发电组件质量检测方法及装置。
[0004]第一方面，本专利技术实施例提供了一种新能源发电组件质量检测方法，该方法包括：
[0005]S1、采集发电组件相关联的电流信号和状态数据；
[0006]S2、对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；
[0007]S3、对重采样结果进行处理并放大后得到电流信息分量；
[0008]S4、对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；
[0009]S5、基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。
[0010]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对采集到的电流信号进行高频调幅处理后生成故障信号，具体包括：
[0011]对采集到的电流信号进行希尔伯特变换：其中，i(t)为采集到的电流信号，Ψ[i(t)]为基于i(t)的希尔伯特变换；
[0012]然后通过公式计算得出故障信号。/>[0013]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对所述故障信号进行重采样，具体包括：
[0014]S31、定义故障信号f(t)的初始采样频率为ξ0，相位间隔为设置每个相位间隔采样个数为N后进行重采样，得出第一重采样结果；
[0015]S32、基于第一重采样结果，并通过计算出每个相位间隔的采样频率，从全部的采样频率中确定Δξ＝|ξ0‑
ξ|的最小值，若Δξ小于预设阈值，则输出第一采样结果为最终的重采样结果f'(t)，否则，则定义此时的ξ＝ξ0为新的采样频率；
[0016]S33、若ξ＞ξ0，则令N＝N+Δn，ξ0＝ξ，返回至S21；若ξ≤ξ0，则令N＝N
‑
Δn，ξ0＝ξ，返回至S31；
[0017]其中，为相位间隔内的相位平均值，Δn＝1,2,...N。
[0018]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对重采样结果进行处理并放大后得到电流信息分量，具体包括：
[0019]S41、根据输出的采样频率ξ0和重采样结果f'(t)，确定重采样结果f'(t)在采样频率ξ0处的特征幅度；
[0020]S42、根据所述特征幅度构建卷积神经网络的卷积核的长度和通道数，卷积核的核数为通过重采样结果中相同特征频率出现的次数；
[0021]S43、通过公式对重采样结果进行放大后得出电流信息分量，其中，c(t)为卷积核，F为傅里叶变换，p为卷积核的长度，q为卷积核的通道数。
[0022]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对采集到的状态数据进行预处理，具体包括：
[0023]S51、将状态信息数据的采样长度统一到M维后，通过进行中心标准化的计算公式进行中心标准化归一化处理后生成标准化状态信息数据；
[0024]S52、对按照数据类型对标准化状态信息数据进行筛值处理后生成筛值化状态信息数据；
[0025]S53、通过筛值修正公式对筛值化状态信息数据进行修正处理后得到强化学习模型的输入数据；
[0026]其中，所述中心标准化的计算公式为：x为原始数据，x
s
为中心标准化后数据，m(x)为原始样本中数据的平均值，sd(x)为原始样本中数据的标准差；
[0027]所述筛值修正公式为j
k
＝{μ1·
j
k1
(1
‑
θ1),μ2·
j
k2
(1
‑
θ2),...,μ
e
·
j
ke
(1
‑
θ
e
)}，j为筛值化状态信息数据的数据类型，k为数据类型中数据的序号，e为维度，μ
e
为第e个维度的修正因子，j
ke
为数据类型j中第k个数据在第e个维度分量，θ
e
为j
ke
在数据类型j中出现的概率。
[0028]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S52具体包括：
[0029]S61、将所述标准化状态信息数据每个数据类型中的数据按照采集时刻顺序排序，预设进行U轮筛值处理；
[0030]S62、选择相邻两个数据为作为一组比较组，比较组中的每个数据选择同样的E个维度的数据进行同维度大小比较，,在同维度下数据较大者得分加1，数据较小者不得分，E个维度的数据全部比较完，统计比较组中两个数据总得分大小；
[0031]S63、若比较组中的两个数据得分相同，则增加维度，即令E＝E+E'，然后返回S62；否则进入S64；
[0032]S64、将比较组采集时刻顺序排序，若比较组的序号为奇数则组内选择得分较大的
数据，筛去组内得分较小的数据，将此轮筛值后的数据作为新的标准化状态信息数据；
[0033]S65、令u＝u+1，若u＜U，则返回S62，否则，输出筛值化状态信息数据。
[0034]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述通过强化学习模型计算生成状态信息分量，具体包括：
[0035]构建强化学习模型：其中，T为迭代次数，l
t
为当前迭代的采样率，Q(s
t
,a
t
)为当前迭代的价值函数，Q(s
′
,a
′
)为最优价值函数，r为价值函数的波动值，γ为最优价值函数的修正因子；
[0036]将强化学习模型拆分为以下三个子模型：L
T
＝U
T
+V
T
+W
T
；其中，；其中，Q(s
t
',a
t
')为次优价值函数，就是截至第t次迭代的最优价值函数；
[0037]分别对三个子模型进行训练学习并生成用于计算的强化学习模型后，将输入数据代入强化学习模型后生成状态信息分量。
[0038]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S5具体包括：
[0039]通过公式计算故障程度评价参数，判断φ值处于哪一故障程度区间，从而估计出故障程度值；
[0040]其中，为F(t)为电流信息分量，G(t)为状态信息分量，ρ为经验参数，φ为故障程度评价参数。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新能源发电组件质量检测方法，其特征在于，所述方法包括：S1、采集发电组件相关联的电流信号和状态数据；S2、对采集到的电流信号进行高频调幅处理后生成故障信号，并对所述故障信号进行重采样；S3、对重采样结果进行处理并放大后得到电流信息分量；S4、对采集到的状态数据进行预处理后，通过强化学习模型计算生成状态信息分量；S5、基于电流信息分量和状态信息分量计算故障程度评价参数，根据故障程度评价参数估计故障程度值。2.根据权利要求1所述的新能源发电组件质量检测方法，其特征在于，所述对采集到的电流信号进行高频调幅处理后生成故障信号，具体包括：对采集到的电流信号进行希尔伯特变换：其中，i(t)为采集到的电流信号，Ψ[i(t)]为基于i(t)的希尔伯特变换；然后通过公式计算得出故障信号。3.根据权利要求2所述的新能源发电组件质量检测方法，其特征在于，所述对所述故障信号进行重采样，具体包括：S31、定义故障信号f(t)的初始采样频率为ξ0，相位间隔为设置每个相位间隔采样个数为N后进行重采样，得出第一重采样结果；S32、基于第一重采样结果，并通过计算出每个相位间隔的采样频率，从全部的采样频率中确定Δξ＝|ξ0‑
ξ|的最小值，若Δξ小于预设阈值，则输出第一采样结果为最终的重采样结果f'(t)，否则，则定义此时的ξ＝ξ0为新的采样频率；S33、若ξ＞ξ0，则令N＝N+Δn，ξ0＝ξ，返回至S21；若ξ≤ξ0，则令N＝N
‑
Δn，ξ0＝ξ，返回至S31；其中，为相位间隔内的相位平均值，Δn＝1,2,...N。4.根据权利要求2所述的新能源发电组件质量检测方法，其特征在于，所述对重采样结果进行处理并放大后得到电流信息分量，具体包括：S41、根据输出的采样频率ξ0和重采样结果f'(t)，确定重采样结果f'(t)在采样频率ξ0处的特征幅度；S42、根据所述特征幅度构建卷积神经网络的卷积核的长度和通道数，卷积核的核数为通过重采样结果中相同特征频率出现的次数；S43、通过公式对重采样结果进行放大后得出电流信息分量，其中，c(t)为卷积核，F为傅里叶变换，p为卷积核的长度，q为卷积核的通道数。5.根据权利要求3所述的新能源发电组件质量检测方法，其特征在于，所述对采集到的
状态数据进行预处理，具体包括：S51、将状态信息数据的采样长度统一到M维后，通过进行中心标准化的计算公式进行中心标准化归一化处理后生成标准化状态信息数据；S52、对按照数据类型对标准化状态信息数据进行筛值处理后生成筛值化状态信息数据；S53、通过筛值修正公式对筛值化状态信息数据进行修正处理后得到强化学习模型的输入数据；其中，所述中心标准化的计算公式为：x为原始数据，x
s
为中心标准化后数据，m(x)为原始样本中数据的平均值，sd(x)为原始样本中数据的标准差；所述筛值修正公式为j
k
＝{μ1·
j
k1
(1
‑
θ1),μ2·
j
k2
(1
‑
θ2),...,μ
e
·
j
ke
(1
‑
θ
...

【专利技术属性】
技术研发人员：尤冬梅，
申请(专利权)人：鹤壁职业技术学院，
类型：发明
国别省市：