基于ST-TCN的太阳能光伏组件故障诊断方法-AET-电子技术应用

基于ST-TCN的太阳能光伏组件故障诊断方法

2022年电子技术应用第12期

李莎1，陈泽华1，刘海军2

1.太原理工大学大数据学院，山西晋中030600；2.晋能清洁能源有限公司，山西太原030001

摘要： 实地调研并收集电站光伏组件常见的故障类型，并对光伏组件在不同工作状况下的电流特征曲线进行分析，发现光伏组件的电流数据叠加了复杂的表现特征和高噪声。为能精准诊断光伏组件的故障类型，提出一种软阈值化的时序卷积神经网络(Soft Thresholding Temporal Convolutional Network，ST-TCN)光伏组件故障诊断模型。ST-TCN网络使用多个残差模块的膨胀卷积层、ReLU层、Dropout层提取电流数值特征和时序特征，再使用残差模块的软阈值化对所提取的特征降噪，最终使用全连接层对残差模块提取的特征进行故障诊断分类。实验结果表明，ST-TCN网络不仅结构简单，收敛速度快，而且故障诊断准确率高，达到92.99%。

关键词： 光伏组件时序卷积神经网络软阈值化故障诊断

中图分类号： TP207；TM914
文献标识码： A
DOI：10.16157/j.issn.0258-7998.222585
中文引用格式： 李莎，陈泽华，刘海军. 基于ST-TCN的太阳能光伏组件故障诊断方法[J].电子技术应用，2022，48(12)：79-83，88.
英文引用格式： Li Sha，Chen Zehua，Liu Haijun. Fault diagnosis method of solar panel module based on ST-TCN[J]. Application of Electronic Technique，2022，48(12)：79-83，88.

Fault diagnosis method of solar panel module based on ST-TCN

Li Sha1，Chen Zehua1，Liu Haijun2

1.College of Data Science，Taiyuan University of Technology，Jinzhong 030600，China； 2.Jinneng Clean Energy Co.，Ltd.，Taiyuan 030001，China

Abstract： This paper analyzes the current characteristic curves of photovoltaic modules under different working conditions and finds that the current data of photovoltaic modules superpose complex performance characteristics and high noise. In order to accurately diagnose the fault types of photovoltaic modules, a soft thresholding temporal convolutional network(ST-TCN) photovoltaic module fault diagnosis model is proposed. The ST-TCN network uses the dilated convolution layer, ReLU layer, and Dropout layer of multiple residual modules to extract current numerical and time series features, uses the soft thresholding of residual modules to de-noise the extracted features, and finally uses the full connection layer to diagnose and classify the extracted features of residual modules. The experimental results show that the ST-TCN network has a simple structure, fast convergence, and high accuracy in fault diagnosis, reaching 92.99%.

Key words : photovoltaic modules；temporal convolutional network；soft threshold；fault diagnosis

0 引言

光伏电站幅员辽阔，位置偏远，维护不易，精确识别光伏组件的故障类型和物理位置对于维持光伏电厂安全高效运行具有极其重要的意义。

当前国内外常用的光伏故障诊断方法包括红外图像法^[1]、I-V曲线法^[2]、时域反射分析法^[3]、智能法^[4-8]。大型光伏电站一般建设在环境恶劣的郊区，难以获得光伏组件的红外图像^[8]，I-V曲线法和时域反射分析法对所采集的数据精度要求极高，基于经济成本考虑，大型光伏电站所能投入的数据采集设备受限，因此，红外图像法、I-V曲线法和时域反射分析法不适用于大型光伏电站，需要电站投入额外的数据采集设备，增加了光伏电站的运维成本。智能法包括机器学习法和深度学习法，大型光伏电站的建设规模大，每天所产生的数据量较大，机器学习法一般适用于小数据集，难以适用于大型光伏电站。太阳能电站光伏组件的电流数据可以精准地定位到每一个光伏组件的物理位置，因此，提高光伏组件的故障诊断准确率，要充分挖掘不同故障状态下的电流数据随时间变化的本质特征。文献[6]将时序电压和时序电流绘制成二维特征图，通过卷积神经网络对二维特征图进行特征提取和分类。卷积神经网络在图像领域的应用效果较好，但难以提取时序性数据的特征。文献[7]通过长短期记忆神经网络提取电池板参数的时序特征，但模型收敛速度较慢。文献[8]通过CNN-LSTM深度学习诊断模型，对故障的诊断效果有很大的提升，但模型结构复杂，网络收敛速度慢。文献[9]提出了时序卷积神经网络，在处理时间序列数据预测问题方面与现存的时序深度学习模型(RNN、LSTM、GRU)相对比性能表现良好。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005045。

作者信息：

李莎1，陈泽华1，刘海军2

(1.太原理工大学大数据学院，山西晋中030600；2.晋能清洁能源有限公司，山西太原030001)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容