基于PCA-CNN的光伏电站设备故障诊断研究

曹鹏晋

（浙江大唐国际江山新城热电有限责任公司，浙江 江山 324100）

1 概述

太阳能光伏发电是目前最流行的绿色发电方式之一，而光伏逆变器是光伏发电系统的重要环节，一旦其发生故障则严重影响光伏发电系统的安全稳定运行，因此准确地诊断逆变器的故障十分重要。

从20 世纪开始，国内外相关学者就光伏逆变器故障诊断展开广泛研究。传统的光伏逆变器的故障诊断方法主要是根据三相电流判断逆变器开关电源故障，该方法需要人为设定阈值。随着人工智能、大数据技术的不断发展，基于机器学习的故障诊断技术被应用到电气设备的故障诊断中。机器学习是一种数据驱动型模式识别方法，可以直接从数据中提取内部关系，利用数据集构建统计模型从而对数据进行预测和分析，提高系统的性能。文献[1]提出了基于隐马尔可夫模型的光伏逆变器故障诊断方法，对于非线性系统该方法仍然适用。文献[2]将卷积神经网络应用到光伏逆变器的故障诊断中，并在不同白噪声水平的条件下进行测试。文献[3]提出了一种基于稀疏贝叶斯极限学习机的光伏逆变器诊断方法，该方法从运维数据中提出特征并进行模型训练，实现了光伏逆变器故障的准确诊断。为了进一步提升逆变器故障诊断的速度，本文提出了基于PCA-CNN的光伏逆变器故障诊断方法。

2 理论基础

2.1 主成分分析

主成分分析是一种多元统计的分析方法，在数据降维、信号处理、模式识别等领域有着广泛地应用。在保证计算精度的前提下，使用主成分分析法可以明显降低计算成本，剔除冗余，提取出数据中的主要特征[4]。设样本集X={x1,x2,… xN}，xi为第i 个特征向量。基于最大可分原理，样本点xi 在新空间中超平面的投影为UTxi，其中U 为投影矩阵。投影点后样本点xi的方差为UTxixiTU，若所有的样本点投影尽可能分开，则应该使投影后样本点的方差最大化[4]，因此优化目标可以表述成：

式中XXT是散度矩阵；I 是n 阶单位矩阵。

对式(1)使用拉格朗日乘子法可得：

式中λ 是散度矩阵。

为了获取投影后样本点的最大方差需要对散度矩阵进行特征值分解，并将求得的特征值进行排序：λ1≥λ2≥…≥λk，其中最大的特征值λ1对应着第一个主要成分，以此类推我们可以获得第二个主要成分、第三个主要成分等[5]。主元个数k 可以由累计方差贡献率法获得，第i 主成分的贡献率Qi和前m 个主分量的累计贡献Qcv分别定义为：

为了获取足够量的原始数据信息，在确定主元个数时一般要求累计贡献率的值大于85%[5]。

2.2 卷积神经网络

卷积神经网络的结构图如图1 所示，其中卷积层用于卷积运算并提取输入数据的不同类型特征，再经过池化层降低数据大小，然后接全连接层分类或者回归任务。

图1 卷积神经网络示意图

2.2.1 卷积层

卷积层是利用不同大小的卷积核与卷积核参数对输入进行卷积操作，不同大小的卷积核获取到的输入特征的感受野不同，不同的卷积核参数可以获取到不同类别的特征信息。卷积层的计算公式为:

2.2.2 池化层

池化层一般连接在卷积层的后面，用于对当前输入的下采样，可以用于压缩数据规模并减小过拟合现象。池化层根据不同的计算方式可以划分成最大池化层、平均池化层等。池化层的计算公式为：

2.2.3 全连接层

全连接层可以将学习到的特征表示映射到样本标记空间中，用于分类或者回归问题。如果是分类任务，可以选择sigmoid 函数作为全连接层的最后一层的激活函数；如果是回归问题，可以选择Relu、Linear 等作为最后一层的激活函数。全连接层的数学表达式为：

3 基于PCA-CNN的光伏电站设备故障诊断研究

3.1 数据集说明

本论文涉及到的数据来源于2019-2020 年大唐国际江山新城热电有限责任公司厂内光伏电站的运维数据，厂内共包含19个光伏发电组。本次主要选取三相光伏逆变器每一相的直流输入电压、直流输入电流、交流输出电压、交流输出电流、电网阻抗、无功功率、功率因数等信息作为逆变器故障诊断的初始特征，获取的实验数据类型如表1 所示。本文主要针对深圳晶源福品牌的逆变器的故障数据进行了实验，该品牌逆变器共产生了直流过压、直流欠压等8 类故障。

表1 逆变器数据表及故障类型

3.2 模型参数

本文设计了基于PCA-CNN 光伏电站设备故障诊断模型，采用主成分分析可以利用降维后的主成分表征高维的原始数据，降低训练复杂度和计算成本，本文提取了4 个主成分分量，其累计贡献率为95.6%，说明选取的主分量能够替代原始信息，因此模型输入的维度为4×100，选取批量(batch)设置成128。卷积神经网络不仅能用于提取特征并进行故障诊断，而且该网络可以实现并行化计算，进一步提高了故障诊断效率，本文设计的卷积神经网络共包含5 个卷积模块，前三个卷积模块为二维卷积，后两个卷积模块为一维卷积，在卷积层最后是一个全局最大池化层，最后压缩矩阵维度变为一维矩阵，输出利用卷积网络提取出的深层特征。相关参数如表2 所示。

表2 卷积层参数

3.3 实验结果

本文用于训练模型的CPU型号是i5-9400F，内存大小是16G，GPU型号是RTX2060-6G。图2 为模型训练和验证损失值随迭代次数epoch的变化情况。当模型迭代步数为150 左右，损失基本收敛，此时的故障识别准确率为96.8%，基本符合预期要求。

图2 损失值与epoch 关系曲线

4 结论

本文从大唐国际江山新城热电有限责任公司厂内光伏电站运维数据入手，针对于光伏设备在实际运营中出现的故障进行研究，构建了基于主成分分析（PCA）和卷积神经网络（CNN）组合式故障诊断方法，实验结果表明：本文所提出的方法可以有效地检测出光伏变电站的故障。