光伏集群就地化故障检测方法、装置、设备和存储介质制造方法及图纸

技术编号：42949707 阅读：4 留言：0更新日期：2024-10-11 16:05

本申请公开了一种光伏集群就地化故障检测方法、装置、设备和存储介质，方法包括：建立光伏电池板数学模型，搭建光伏发电系统，得到光伏集群的仿真模型；通过仿真模型模拟光伏集群的各类型故障，获取各类型故障的光伏特征参数；以光伏特征参数为输入数据，以对应的故障类型为训练目标训练卷积神经网络，得到光伏故障检测模型；采用就地型馈线自动化设备实时采集光伏集群的光伏参数，将光伏参数输入到光伏故障检测模型中进行故障检测，得到光伏集群的故障检测结果。本申请提高了光伏集群故障检测精度。

全部详细技术资料下载

【技术实现步骤摘要】

本申请涉及故障检测，尤其涉及一种光伏集群就地化故障检测方法、装置、设备和存储介质。

技术介绍

1、近几年，光伏产业得到了快速的发展，但光伏电站往往安装在环境比较恶劣的地区中，种种环境原因导致各类故障频发，使光伏发电系统的发电效率有所下降。因此，对光伏发电系统的维护和故障检测尤为重要。由于光伏设备在室外环境下容易遭到腐蚀和破坏，导致故障频发，简单的检测设备无法精准检测故障发生

技术实现思路

1、本申请提供了一种光伏集群就地化故障检测方法、装置、设备和存储介质，用于提高光伏集群故障检测精度。

2、有鉴于此，本申请第一方面提供了一种光伏集群就地化故障检测方法，包括：

3、建立光伏电池板数学模型，搭建光伏发电系统，得到光伏集群的仿真模型；

4、通过所述仿真模型模拟光伏集群的各类型故障，获取各类型故障的光伏特征参数；

5、以所述光伏特征参数为输入数据，以对应的故障类型为训练目标训练卷积神经网络，得到光伏故障检测模型；

6、采用就地型馈线自动化设备实时采集光伏集群的光伏参数，将所述光伏参数输入到所述光伏故障检测模型中进行故障检测，得到光伏集群的故障检测结果。

7、可选的，所述卷积神经网络为bp神经网络，以所述光伏特征参数为输入数据，以对应的故障类型为训练目标训练bp神经网络，得到光伏故障检测模型，包括：

8、s1、设置学习率、最大迭代次数和误差精度；

9、s2、初始化bp神经网络各层的权重和阈值；</p>

10、s3、以所述光伏特征参数为输入数据输入到所述bp神经网络中，使得所述bp神经网络根据输入数据以及初始化得到的权重和阈值计算隐含层的输入、输出、输出层的输入与输出；

11、s4、根据输出层的输出和输入数据的实际故障类型计算全局误差，判断所述全局误差是否小于所述误差精度，或，当前迭代次数是否大于最大迭代次数，若是，则判断所述bp神经网络收敛，将收敛后的bp神经网络作为光伏故障检测模型，若否，则进入下一轮迭代，基于所述全局误差更新所述bp神经网络的权重和阈值，并返回步骤s3。

12、可选的，所述卷积神经网络为lstm神经网络，以所述光伏特征参数为输入数据，以对应的故障类型为训练目标训练lstm神经网络，得到光伏故障检测模型，包括：

13、s1、设置期望损失值和最大迭代次数；

14、s2、初始化lstm神经网络的权重和偏置；

15、s3、以所述光伏特征参数为输入数据输入到所述lstm神经网络中，使得所述lstm神经网络根据输入数据以及初始化得到的权重和偏置计算各门输出，并计算损失值；

16、s4、判断所述损失值是否小于所述期望损失值，或，当前迭代次数是否大于最大迭代次数，若是，则判断所述lstm神经网络收敛，将收敛后的lstm神经网络作为光伏故障检测模型，若否，则进入下一轮迭代，基于所述损失值更新所述lstm神经网络的权重和偏置，并返回步骤s3。

17、可选的，所述方法还包括：

18、采用粒子群算法优化所述lstm神经网络的参数。

19、可选的，所述光伏参数包括馈线电流、馈线电压、馈线温度、馈线湿度和/或馈线振动。

20、可选的，所述将所述光伏参数输入到所述光伏故障检测模型中进行故障检测之前还包括：

21、对所述光伏参数进行预处理。

22、本申请第二方面还提供了一种光伏集群就地化故障检测装置，包括：

23、模型构建单元，用于建立光伏电池板数学模型，搭建光伏发电系统，得到光伏集群的仿真模型；

24、模拟单元，用于通过所述仿真模型模拟光伏集群的各类型故障，获取各类型故障的光伏特征参数；

25、训练单元，用于以所述光伏特征参数为输入数据，以对应的故障类型为训练目标训练卷积神经网络，得到光伏故障检测模型；

26、故障检测单元，用于采用就地型馈线自动化设备实时采集光伏集群的光伏参数，将所述光伏参数输入到所述光伏故障检测模型中进行故障检测，得到光伏集群的故障检测结果。

27、可选的，所述光伏参数包括馈线电流、馈线电压、馈线温度、馈线湿度和/或馈线振动。

28、本申请第三方面提供了一种电子设备，所述设备包括处理器以及存储器；

29、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

30、所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的光伏集群就地化故障检测方法。

31、本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码被处理器执行时实现第一方面任一种所述的光伏集群就地化故障检测方法。

32、从以上技术方案可以看出，本申请具有以下优点：

33、本申请通过构建光伏集群的仿真模型来模拟光伏集群的各类型故障，获取各类型故障的光伏特征参数，通过光伏特征参数训练神经网络获取光伏故障检测模型，采用就地型馈线自动化设备实时采集光伏集群的光伏参数，通过光伏故障检测模型对光伏参数进行故障检测，将智能算法引入光伏发电系统的故障检测环节，基于深度学习的光伏集群就地化故障检测，在一定程度上解决了系统需要精确建模来实现故障检测的问题，利用先进智能算法通过对被控对象特征参数进行运算与分析，有助于提高光伏故障检测精度，同时采用先进的就地型馈线自动化设备，协同配合，能够很大程度上精准实现光伏集群就地化故障检测，提高了光伏故障检测的实时性。

本文档来自技高网...

【技术保护点】

1.一种光伏集群就地化故障检测方法，其特征在于，包括：

2.根据权利要求1所述的光伏集群就地化故障检测方法，其特征在于，所述卷积神经网络为BP神经网络，以所述光伏特征参数为输入数据，以对应的故障类型为训练目标训练BP神经网络，得到光伏故障检测模型，包括：

3.根据权利要求1所述的光伏集群就地化故障检测方法，其特征在于，所述卷积神经网络为LSTM神经网络，以所述光伏特征参数为输入数据，以对应的故障类型为训练目标训练LSTM神经网络，得到光伏故障检测模型，包括：

4.根据权利要求3所述的光伏集群就地化故障检测方法，其特征在于，所述方法还包括：

5.根据权利要求1所述的光伏集群就地化故障检测方法，其特征在于，所述光伏参数包括馈线电流、馈线电压、馈线温度、馈线湿度和/或馈线振动。

6.根据权利要求1所述的光伏集群就地化故障检测方法，其特征在于，所述将所述光伏参数输入到所述光伏故障检测模型中进行故障检测之前还包括：

7.一种光伏集群就地化故障检测装置，其特征在于，包括：

8.根据权利要求7所述的光伏集群就地

9.一种电子设备，其特征在于，所述设备包括处理器以及存储器；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码被处理器执行时实现权利要求1-6任一项所述的光伏集群就地化故障检测方法。

...

【技术特征摘要】

1.一种光伏集群就地化故障检测方法，其特征在于，包括：

2.根据权利要求1所述的光伏集群就地化故障检测方法，其特征在于，所述卷积神经网络为bp神经网络，以所述光伏特征参数为输入数据，以对应的故障类型为训练目标训练bp神经网络，得到光伏故障检测模型，包括：

3.根据权利要求1所述的光伏集群就地化故障检测方法，其特征在于，所述卷积神经网络为lstm神经网络，以所述光伏特征参数为输入数据，以对应的故障类型为训练目标训练lstm神经网络，得到光伏故障检测模型，包括：

4.根据权利要求3所述的光伏集群就地化故障检测方法，其特征在于，所述方法还包括：

5.根据权利要求1所述的光伏集群就地化故障检测方法，其特征在于，所述光伏参数包括...

【专利技术属性】
技术研发人员：姚煜，孙颖，何小宇，肖尧，丁干倪，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人