(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210895601.8 (22)申请日 2022.07.28 (65)同一申请的已公布的文献号 申请公布号 CN 114997745 A (43)申请公布日 2022.09.02 (73)专利权人 华能国际电力江苏能源开发有限 公司清洁能源分公司 地址 210015 江苏省南京市 鼓楼区燕江路 201号华能江苏 大厦 专利权人 华能如东八仙角海上风力发电有 限责任公司 (72)发明人 姚中原　庞然　张宇　吴凯　 周小兵　袁赛杰　刘治　严祺慧　 孙捷　施俊佼　胡皓　叶季蕾　 张一凡　李斌　 (74)专利代理 机构 南京灿烂知识产权代理有限 公司 323 56 专利代理师 赵丽 (51)Int.Cl. G06Q 10/06(2012.01)G06Q 50/06(2012.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (56)对比文件 CN 110414601 A,2019.1 1.05 CN 113743528 A,2021.12.0 3 CN 111413955 A,2020.07.14 CN 111461915 A,2020.07.28 CN 109873 610 A,2019.0 6.11 CN 111010084 A,2020.04.14 CN 109977624 A,2019.07.0 5 US 2018238951 A1,2018.08.23 那峙雄 等.多尺度特 征融合的光伏电站故 障诊断. 《计算机 工程与应用》 .202 2,第58卷(第 10期),第3 00-308页. A.Mellit等.Fault detecti on and diagnosis methods for photovo ltaic systems:A review. 《Renewable and Sustainable Energy Reviews》 .2018,第91卷第 1-17页. 审查员 何俊伟 (54)发明名称 一种基于深度特征提取的光伏故障诊断溯 源方法 (57)摘要 本发明公开了一种基于深度特征提取的光 伏故障诊断溯源方法， 步骤包括： 首先对输入的 光伏设备运行数据按照告警阈值进行筛选输出 设备故障告警和对应的设备运行数据， 然后通过 卷积自编码器进行故障特征提取， 形成故障特征 张量； 然后将故障特征张量输入 经过基于卷积神 经网络的卷积自编码器， 输出故障诊断结果； 最 后基于故障诊断结果、 设备拓扑数据进行故障定 位与溯源， 输出故障综述。 该方法具有很强的抗 干扰性和鲁棒性， 对光伏设备运行数据质量要求 较低； 通过卷积自编码器， 实现了故障特征的自动提取， 降低了人工特征提取的决策风险， 表现 出优秀的诊断性能。 权利要求书3页 说明书11页 附图1页 CN 114997745 B 2022.10.04 CN 114997745 B 1.一种基于深度特 征提取的光伏故障诊断溯源方法， 其特 征在于， 包括如下步骤： 步骤1， 输入光伏关键发电设备的运行数据与在线统计指标， 按照人工配置的告警阈值 进行数据筛选， 对运行数据或在线统计指标超阈值的设备输出设备故障告警信息， 并记录 告警设备及其在同一上级设备 下的所有同类设备的运行 数据， 形成故障状态量矩阵Se； 构造卷积自编码器， 其输入层为故 障状态量矩阵Se， 输出为故 障特征矩阵， 对故 障状态 量矩阵Se的在线数据进行故障特 征提取， 生成故障特 征张量Re； 所述运行数据包括输入/输出电流、 输入/输出电压、 输入/输出有功功率、 负载、 无功功 率、 并网频率、 逆变 器效率、 机柜温度、 逆变 器单位产出UG； 所述在线统计指标包括： 逆变器单位产出均值偏差UGMB、 组串电流离散率、 汇流箱电流 离散率DI；                                           （1）                   （2）            （3） 其中， G为逆变 器日发电量， 单位 为kwh； P0为逆变器额定容 量， 单位为kw； UGMBi为第i个逆变器的单位产出均值偏差； UGi是指第i个逆变 器的单位产出； 是指同一子阵下 所有逆变 器单位产出的均值； Ii是第i个汇流箱输出电流或第 i个光伏组串电流； 是该逆变器下所有光伏组串或汇流箱电流的均值； 步骤2， 分为训练阶段和诊断阶段； 训练阶段将通过步骤1生成的故障特征矩阵历史数 据和故障诊断人工标注集输入卷积神经网络模型， 对卷积神经网络模型进行训练， 生成已 训练的故障诊断模型； 在诊断阶段将待诊断的故障特征张量Re输入故障诊断模型， 输出设 备故障诊断结果； 步骤3， 对设备故障诊断结果进行故障源判定， 输出判定结果； 故障源分为： 设备自身故 障、 上级设备故障和下级设备故障； 对于故障源判定为上、 下级设备故障的， 则需输入光伏 设备拓扑数据， 通过故障溯源检索找到该故障对应的上、 下级设备， 再将该上、 下级设备作 为分析对象， 提取其运行数据， 计算在线统计指标， 重复步骤1~3， 直到找到故障源设备为 止； 步骤3具体包括如下步骤： 步骤3.1， 基于故障分类与故障源对应关系 表， 基于步骤2的设备故障诊断结果， 进行设 备故障源判定， 将各类设备故障判定为自身故障、 上级设备故障或下级设备故障； 步骤3.2， 对于故障源判定为设备自身故障的， 直接 输出故障综述； 步骤3.3， 对于故障源判定为上级或下级设备故障的， 则输入光伏设备拓扑数据， 通过 故障溯源检索找到该故障对应的上、 下级设备 ec；权　利　要　求　书 1/3 页 2 CN 114997745 B 2步骤3.4， 将上、 下级设备ec作为分析对象， 提取其对应的运行数据， 计算在线统计指标， 构造故障状态量矩阵Sec， 重复步骤3.1~3.3， 直到找到故障源设备 es为止； 所述故障分类与故障源 对应关系表为： 当故障分类为电网频率/电压/电流过低或过高、 孤岛保护时， 故障源对应为上级设备 故障； 当故障分类为内部温度高、 防雷器故障、 绝缘阻抗异常、 风扇异常、 紧急停机故障时， 故 障源对应为设备自身故障； 当故障分类为 直流输入过电流、 直 流输入过电压时， 故障源 对应为下级设备故障。 2.根据权利要求1所述的方法， 其特征在于， 所述光伏关键发电设备包括光伏组串、 汇 流箱、 逆变 器、 升压变。 3.根据权利要求1所述的方法， 其特 征在于， 故障状态量矩阵Se的公式为： （4） 其中，xnm为与设备e同一上级 设备下的第n个同类设备的第m个测量量归一化后的值； 测 量量包括输入/ 输出电流、 输入/ 输出电压、 输入/ 输出有功 功率、 负载、 无功 功率。 4.根据权利要求1所述的方法， 其特征在于， 所述卷积自编码器的网络结构基于卷积神 经网络模型构建， 包括卷积层、 池化层和反卷积层。 5.根据权利要 求1所述的方法， 其特征在于， 所述故障特征张量Re的生成方法为： 利用设 备故障状态量历史数据训练卷积自编码器， 生成故障特征提 取模型Mex， 再将待诊断的设备e 的故障状态量矩阵Se输入Mex， 输出故障特 征张量Re， （5） 其中， 是维度为 k×j×l的故障特 征r的张量， 包 含l个维度为 k×j的故障特 征矩阵。 6.根据权利要求1所述的方法， 其特 征在于， 步骤2具体包括如下步骤： 步骤2.1， 构造卷积神经网络模型CNN， 输入为故障特征矩阵， 最后一个全连接层， 负责 输出故障诊断 向量， 向量的维度n即为故障类别数； 步骤2.2， 在训练阶段， 设置卷积神经网络模型的损失函数 LCNN为交叉熵损失函数， 如式 （6） ， 设置卷积神经网络模型训练的学习率 Lr， 迭代次数 epoch， 批处理大小batc h_size，               （6） 其中，y是由人工标注的训练样本的真实分类值， 即故障诊断人工标注集中的真实分类 值； 是卷积神经网络模型 预测的分类值； 将故障特征矩阵历史数据集和对应的故障诊断人工标注集输入到卷积神经网络模型 CNN进行模型训练， 输出故障诊断模型Mcl； 步骤2.3， 在诊断阶段， 将待诊断的设备e的故障特征张量Re输入故障诊断模型Mcl， 输出 故障诊断结果 ， 其中，φi对应为诊断为第i种故障的归一化概率，权　利　要　求　书 2/3 页 3 CN 114997745 B 3