基于基于CNN-LSTM的太阳能光伏组件故障诊断研究的太阳能光伏组件故障诊断研究
太阳能光伏产业近年发展迅速，准确诊断光伏组件故障位置及类型可以提升运维人员的工作效率。提出一种基
于卷积神经网络-长短期记忆模型(Convolutional Neural Networks-Long Short Term Memory，CNN-LSTM)的深
度学习诊断模型，利用电站原有设备就可完成检测任务。首先提出了一种依据电流值的组件故障分类方式；然
后，检测模型根据光伏阵列布局特点设计了一种特征提取算法，分别提取光伏阵列电流横向与纵向特征，来获
取空间与时间上的特性；再通过CNN网络来对横向特征做进一步的提取与纵向特征的压缩，以解决特征种类单
一及训练缓慢的问题；最终进入LSTM神经网络来完成对光伏组件的故障诊断。
0 引言引言
光伏电站建设在人迹罕至的野外，准确定位问题支路位置与故障类型对进一步提高光伏发电系统的运行效率及降低发电成
本具有重要意义
[1]
。
近年来，国内外学者对光伏组件发电系统采用建模的方法，对组件运行时采集到的图像采用图像分析的方法，针对某种特
定故障进行诊断。当前针对光伏组件故障诊断主要分为图像方法、物理方法、数学方法以及智能方法几大类别。前者主要有红
外图像诊断法
[2-4]
、多传感器法
[5-7]
、参数估算法
[8-10]
、时域反射分析法
[11]
等，后者有基于神经网络的诊断方法
[12-13]
。
对于能源公司下的多个大型光伏电站，其建设时期不同，采购的设备规格种类存在很大差异，数据精准度不够，数学方法
很难适用于大型电站。同时因为电站经常建设在环境条件恶劣的野外，这对于获得光伏组件红外图像造成困难。近些年来，集
成了最大功率跟踪(Maximum Power Point Tracking，MPPT)
[14]
的组串式光伏逆变器使用广泛，但由于经济因素，大型和超大
型电站使用的还是集中式光伏逆变器，不能监控到组件的运行情况，这对数据采集造成很大困难。基于成本考虑，公司很难再
为投入使用的光伏电站更新多种传感器设备。
针对数据采集设备有限的大型光伏电站，本文提出了一种基于CNN-LSTM的深度学习诊断模型，仅需要使用电站采集到的
海量历史支路电流数据及其故障维修记录来训练模型，在电站运行时使用训练好的模型就可以诊断出故障支路，在电站原有设
备基础上完成诊断。
1 故障定义与数据处理故障定义与数据处理
1.1 光伏阵列布局光伏阵列布局
本文以山西某光伏电站为研究对象，该电站光伏阵列由60个区组成，每个区包含两个逆变器，每个逆变器下有7个汇流箱，
每个汇流箱下包括15条支路，每条支路由21块电池板串联构成。数据采集设备可精确采集到每一支路的电流数据。通常，故
障会发生在电池板上、电池板背后的接线盒中、数据传输线路以及电站的数据采集系统中。图1为该电站光伏阵列布局示意
图。
1.2 光伏组件故障定义光伏组件故障定义
光伏发电受天气因素影响极大，数据波动极大。现有数据采集设备虽可以采集到电压、辐照强度、区域温度、湿度等多种
数据，但一个采集设备收集的是多个区域的数据，覆盖面太广，无法精确定位到实际发生故障的支路。
传统的光伏组件故障诊断通常是从组件故障类型出发，针对一种或某几种故障，去寻找数据的变化与这些故障的关联规
则，如果关联规则不明显，往往需要增添额外的数据采集设备。传统方法可以检测到的故障类型有限，且需要在原有数据采集
设备的基础上增添额外的设备来收集数据。本文与之相反，是从采集到的历史数据及其数据表现入手，依据在这些数据上曾经
发生过的故障进行分析，从而实现对运行中的组件进行诊断。
根据现场实际发生过的光伏组件故障及故障产生时采集到的电流数据，本文将组件故障定义为5类：
评论0