本发明专利技术公开了一种多输入分布式光伏电弧故障诊断方法、系统和装置，属于电弧故障诊断技术和光伏发电技术领域。本发明专利技术通过对实时电弧故障电流信号数据集进行预处理，得到实时电流时域信号数据集，以及实时电流频域信号数据集，并将实时电流时域信号数据集，以及实时电流频域信号数据集作为诊断数据进行故障诊断，避免了只单独考虑时域、频域信号对诊断结果的影响，从而提高了抗干扰性，进一步提高了故障诊断的准确性；通过多输入卷积神经网络模型进行电弧故障诊断，并输出诊断结果。避免了随着网络深度和宽度的增加不仅会过拟合，也增加了模型复杂性的情况，从而提高了故障诊断效率；并实现对不重要信息判别，提高了故障诊断的准确性。
【技术实现步骤摘要】
本专利技术涉及电弧故障诊断技术和光伏发电，特别涉及一种多输入分布式光伏电弧故障诊断方法、系统和装置。
技术介绍
1、全球光伏电站的装机容量和光伏产能正在飞速增加，光伏发电在新能源发电领域正逐渐处于主导和引领地位，使得分布式光伏发电作为一种新兴的、具有广阔发展前景的新能源利用方式。
2、光伏发电系统的正常稳定工作是确保其发电质量和发电安全的重要保障，但光伏发电系统的工作环境一般较为复杂、恶劣，随着光伏发电系统中组件的长期使用、长时间暴露会出现老化、破损、风化等影响，进而导致各种故障，而电弧故障作为其中危害较大的故障之一，不仅会影响光伏系统的整体发电效率，严重的可能会引发火灾，造成一定的人身安全威胁和财产损失。因此，针对光伏系统中存在的电弧故障进行及时、准确的诊断尤为重要。
3、现有技术所提出的光伏电弧故障诊断主要是从系统采集的时序信号的时域、频域及时频域特征出发，基于卷积神经网络、循环神经网络等构建相应的电弧故障特征提取及特征识别模型，从而完成对电弧故障的诊断分析。
4、但技术人员发现，现有的光伏电弧故障诊断普遍存在以下缺点：首先，所构建故障诊断模型大多为单输入，只能单独考虑时域、频域信号对模型的影响，模型特征挖掘能力较弱，抗干扰性不强，导致故障诊断准确性低；再者，部分故障诊断模型随着网络深度和宽度的增加不仅会过拟合，也增加了模型复杂性，故障诊断效率低；最后，针对模型输入中的不重要信息判别不明确，影响模型的特征识别能力，故障诊断准确性差。
技术实现思路
1、为了解决现有技术的问题，本专利技术实施例提供了一种多输入分布式光伏电弧故障诊断方法、系统和装置。所述技术方案如下：
2、一方面，提供了一种多输入分布式光伏电弧故障诊断方法，所述方法包括：
3、获取分布式光伏系统的实时电弧故障电流信号数据集；
4、对所述实时电弧故障电流信号数据集进行预处理，得到实时电流时域信号数据集，以及实时电流频域信号数据集；
5、将所述实时电流时域信号数据集和所述实时电流频域信号数据集，输入多输入卷积神经网络模型进行电弧故障诊断，并输出诊断结果。
6、可选的，所述方法还包括：
7、设置inception_resnet-v2网络模型，为初始卷积神经网络模型；
8、为所述inception_resnet-v2网络模型加入se(squeeze-excitation)通道注意力机制，生成se-inception_resnet-v2网络模型；
9、将所述se-inception_resnet-v2网络模型改进为多输入卷积神经网络模型。
10、可选的，所述方法还包括：
11、获取训练电弧故障电流信号数据集；
12、对所述训练电弧故障电流信号数据集进行预处理，得到训练电流时域信号数据集，以及训练电流频域信号数据集；
13、将所述训练电流时域信号数据集和所述训练电流频域信号数据集，输入多输入卷积神经网络模型，进行电弧故障诊断训练；
14、将所述训练电流时域信号数据集和所述训练电流频域信号数据集，输入多输入卷积神经网络模型，进行故障诊断准确率评估。
15、可选的，所述对所述实时电弧故障电流信号数据集进行预处理，得到实时电流时域信号数据集，以及实时电流频域信号数据集包括：
16、对所述实时电弧故障电流信号数据进行归一化处理，得到归一化电流值ipv；
17、对所述归一化电流值ipv进行滤波去噪处理，得到实时电流时域信号数据集；
18、对所述实时电流时域信号数据集进行傅里叶变换(fft)，得到实时电流频域信号数据集。
19、可选的，所述为所述inception_resnet-v2网络模型加入se(squeeze-excitation)通道注意力机制，生成se-inception_resnet-v2网络模型包括：
20、设置squeeze全局池化中c×h×w的特征图转化为c×1×1的特征的转化过程，如下式为：
21、
22、设置excitation利用两个全连接层和激活函数去融合所有输入特征信息，如下式为：
23、sexcitation＝fex(zsqueeze,w)＝σ(w2δ(w1zsqueeze))
24、式中，w1、w2表示两个全连接层，σ是sigmoid激活函数，δ是leakyrelu激活函数。
25、设置scale将重新计算得到的权重值和原始特征进行融合，融合过程如下式：
26、
27、为所述inception_resnet-v2网络模型加入se通道注意力机制，对所述实时电流时域信号数据集和所述实时电流频域信号数据集的原特征进行重构，完成特征重要性筛选。
28、可选的，所述将所述se-inception_resnet-v2网络模型改进为多输入卷积神经网络模型包括：
29、分别构建两个独立的se-inception_resnet-v2网络模型；
30、将所述训练电流时域信号数据集和所述训练电流频域信号数据集，分别输入所述两个独立的se-inception_resnet-v2网络模型；
31、对所述训练电流时域信号数据集和所述训练电流频域信号数据集的特征进行串联融合；
32、设置所述分布式光伏系统电弧故障的分类诊断。
33、另一方面，提供了一种多输入分布式光伏电弧故障诊断装置，所述装置包括：
34、获取模块，用于获取分布式光伏系统的实时电弧故障电流信号数据集；
35、预处理模块，用于对所述实时电弧故障电流信号数据集进行预处理，得到实时电流时域信号数据集，以及实时电流频域信号数据集；
36、诊断模块，用于将所述实时电流时域信号数据集和所述实时电流频域信号数据集，输入多输入卷积神经网络模型进行电弧故障诊断，并输出诊断结果。
37、可选的，所述装置还包括构建模块，用于：
38、设置inception_resnet-v2网络模型，为初始卷积神经网络模型；
39、为所述inception_resnet-v2网络模型加入se(squeeze-excitation)通道注意力机制，生成se-inception_resnet-v2网络模型；
40、将所述se-inception_resnet-v2网络模型改进为多输入卷积神经网络模型。
41、可选的，
42、所述获取模块用于获取训练电弧故障电流信号数据集；
43、所述预处理模块还用于对所述训练电弧故障电流信号数据集进行预处理，得到训练电流时域信号数据集，以及训练电流频域信号数据集；
44、所述装置还包括设置模块，用于将所述训练电流时域信号数据集和所述训练电流频域信号数据集，输入多输入卷积神本文档来自技高网
...
【技术保护点】
1.一种多输入分布式光伏电弧故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述实时电弧故障电流信号数据集进行预处理，得到实时电流时域信号数据集，以及实时电流频域信号数据集包括：
5.根据权利要求4所述的方法，其特征在于，所述为所述Inception_ResNet-v2网络模型加入SE(Squeeze-Excitation)通道注意力机制，生成SE-Inception_ResNet-v2网络模型包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述SE-Inception_ResNet-v2网络模型改进为多输入卷积神经网络模型包括：
7.一种多输入分布式光伏电弧故障诊断装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述装置还包括构建模块，用于：
9.根据权利要求8所述的装置，其特征在于，p>
10.一种多输入分布式光伏电弧故障诊断系统，其特征在于，所述系统包括多个终端、诊断设备以及传输设备，所述终端用于传输电弧故障电流信号，所述输出设备用于输出诊断结果，其中，所述诊断设备包括
...
【技术特征摘要】
1.一种多输入分布式光伏电弧故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述实时电弧故障电流信号数据集进行预处理，得到实时电流时域信号数据集，以及实时电流频域信号数据集包括：
5.根据权利要求4所述的方法，其特征在于，所述为所述inception_resnet-v2网络模型加入se(squeeze-excitation)通道注意力机制，生成se-inception_resnet-...
【专利技术属性】
技术研发人员：赵四海，胡晓辉，李晓雄，李强，王再望，金鹏，姜锟，肖伟，马海兵，龙海超，刘伟，代国华，余波，杨晓峰，马全林，
申请(专利权)人：宁夏隆基宁光仪表股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。