曹鵬晉

（浙江大唐國際江山新城熱電有限責任公司，浙江 江山 324100）

1 概述

太陽能光伏發(fā)電是目前最流行的綠色發(fā)電方式之一，而光伏逆變器是光伏發(fā)電系統(tǒng)的重要環(huán)節(jié)，一旦其發(fā)生故障則嚴重影響光伏發(fā)電系統(tǒng)的安全穩(wěn)定運行，因此準確地診斷逆變器的故障十分重要。

從20 世紀開始，國內(nèi)外相關(guān)學者就光伏逆變器故障診斷展開廣泛研究。傳統(tǒng)的光伏逆變器的故障診斷方法主要是根據(jù)三相電流判斷逆變器開關(guān)電源故障，該方法需要人為設定閾值。隨著人工智能、大數(shù)據(jù)技術(shù)的不斷發(fā)展，基于機器學習的故障診斷技術(shù)被應用到電氣設備的故障診斷中。機器學習是一種數(shù)據(jù)驅(qū)動型模式識別方法，可以直接從數(shù)據(jù)中提取內(nèi)部關(guān)系，利用數(shù)據(jù)集構(gòu)建統(tǒng)計模型從而對數(shù)據(jù)進行預測和分析，提高系統(tǒng)的性能。文獻[1]提出了基于隱馬爾可夫模型的光伏逆變器故障診斷方法，對于非線性系統(tǒng)該方法仍然適用。文獻[2]將卷積神經(jīng)網(wǎng)絡應用到光伏逆變器的故障診斷中，并在不同白噪聲水平的條件下進行測試。文獻[3]提出了一種基于稀疏貝葉斯極限學習機的光伏逆變器診斷方法，該方法從運維數(shù)據(jù)中提出特征并進行模型訓練，實現(xiàn)了光伏逆變器故障的準確診斷。為了進一步提升逆變器故障診斷的速度，本文提出了基于PCA-CNN的光伏逆變器故障診斷方法。

2 理論基礎(chǔ)

2.1 主成分分析

主成分分析是一種多元統(tǒng)計的分析方法，在數(shù)據(jù)降維、信號處理、模式識別等領(lǐng)域有著廣泛地應用。在保證計算精度的前提下，使用主成分分析法可以明顯降低計算成本，剔除冗余，提取出數(shù)據(jù)中的主要特征[4]。設樣本集X={x1,x2,… xN}，xi為第i 個特征向量?；谧畲罂煞衷?，樣本點xi 在新空間中超平面的投影為UTxi，其中U 為投影矩陣。投影點后樣本點xi的方差為UTxixiTU，若所有的樣本點投影盡可能分開，則應該使投影后樣本點的方差最大化[4]，因此優(yōu)化目標可以表述成：

式中XXT是散度矩陣；I 是n 階單位矩陣。

對式(1)使用拉格朗日乘子法可得：

式中λ 是散度矩陣。

為了獲取投影后樣本點的最大方差需要對散度矩陣進行特征值分解，并將求得的特征值進行排序：λ1≥λ2≥…≥λk，其中最大的特征值λ1對應著第一個主要成分，以此類推我們可以獲得第二個主要成分、第三個主要成分等[5]。主元個數(shù)k 可以由累計方差貢獻率法獲得，第i 主成分的貢獻率Qi和前m 個主分量的累計貢獻Qcv分別定義為：

為了獲取足夠量的原始數(shù)據(jù)信息，在確定主元個數(shù)時一般要求累計貢獻率的值大于85%[5]。

2.2 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)圖如圖1 所示，其中卷積層用于卷積運算并提取輸入數(shù)據(jù)的不同類型特征，再經(jīng)過池化層降低數(shù)據(jù)大小，然后接全連接層分類或者回歸任務。

圖1 卷積神經(jīng)網(wǎng)絡示意圖

2.2.1 卷積層

卷積層是利用不同大小的卷積核與卷積核參數(shù)對輸入進行卷積操作，不同大小的卷積核獲取到的輸入特征的感受野不同，不同的卷積核參數(shù)可以獲取到不同類別的特征信息。卷積層的計算公式為:

2.2.2 池化層

池化層一般連接在卷積層的后面，用于對當前輸入的下采樣，可以用于壓縮數(shù)據(jù)規(guī)模并減小過擬合現(xiàn)象。池化層根據(jù)不同的計算方式可以劃分成最大池化層、平均池化層等。池化層的計算公式為：

2.2.3 全連接層

全連接層可以將學習到的特征表示映射到樣本標記空間中，用于分類或者回歸問題。如果是分類任務，可以選擇sigmoid 函數(shù)作為全連接層的最后一層的激活函數(shù)；如果是回歸問題，可以選擇Relu、Linear 等作為最后一層的激活函數(shù)。全連接層的數(shù)學表達式為：

3 基于PCA-CNN的光伏電站設備故障診斷研究

3.1 數(shù)據(jù)集說明

本論文涉及到的數(shù)據(jù)來源于2019-2020 年大唐國際江山新城熱電有限責任公司廠內(nèi)光伏電站的運維數(shù)據(jù)，廠內(nèi)共包含19個光伏發(fā)電組。本次主要選取三相光伏逆變器每一相的直流輸入電壓、直流輸入電流、交流輸出電壓、交流輸出電流、電網(wǎng)阻抗、無功功率、功率因數(shù)等信息作為逆變器故障診斷的初始特征，獲取的實驗數(shù)據(jù)類型如表1 所示。本文主要針對深圳晶源福品牌的逆變器的故障數(shù)據(jù)進行了實驗，該品牌逆變器共產(chǎn)生了直流過壓、直流欠壓等8 類故障。

表1 逆變器數(shù)據(jù)表及故障類型

3.2 模型參數(shù)

本文設計了基于PCA-CNN 光伏電站設備故障診斷模型，采用主成分分析可以利用降維后的主成分表征高維的原始數(shù)據(jù)，降低訓練復雜度和計算成本，本文提取了4 個主成分分量，其累計貢獻率為95.6%，說明選取的主分量能夠替代原始信息，因此模型輸入的維度為4×100，選取批量(batch)設置成128。卷積神經(jīng)網(wǎng)絡不僅能用于提取特征并進行故障診斷，而且該網(wǎng)絡可以實現(xiàn)并行化計算，進一步提高了故障診斷效率，本文設計的卷積神經(jīng)網(wǎng)絡共包含5 個卷積模塊，前三個卷積模塊為二維卷積，后兩個卷積模塊為一維卷積，在卷積層最后是一個全局最大池化層，最后壓縮矩陣維度變?yōu)橐痪S矩陣，輸出利用卷積網(wǎng)絡提取出的深層特征。相關(guān)參數(shù)如表2 所示。

表2 卷積層參數(shù)

3.3 實驗結(jié)果

本文用于訓練模型的CPU型號是i5-9400F，內(nèi)存大小是16G，GPU型號是RTX2060-6G。圖2 為模型訓練和驗證損失值隨迭代次數(shù)epoch的變化情況。當模型迭代步數(shù)為150 左右，損失基本收斂，此時的故障識別準確率為96.8%，基本符合預期要求。

圖2 損失值與epoch 關(guān)系曲線

4 結(jié)論

本文從大唐國際江山新城熱電有限責任公司廠內(nèi)光伏電站運維數(shù)據(jù)入手，針對于光伏設備在實際運營中出現(xiàn)的故障進行研究，構(gòu)建了基于主成分分析（PCA）和卷積神經(jīng)網(wǎng)絡（CNN）組合式故障診斷方法，實驗結(jié)果表明：本文所提出的方法可以有效地檢測出光伏變電站的故障。