基于大数据挖掘的光伏逆变器故障检测分析

秦英炜 王刚

摘   要：光伏逆变器是光伏直流电源和交流电源之间的联系，其工作运行状态直接会影响光伏并网发电系统的运行。本文先对大数据挖掘在光伏逆变器故障检测中的应用意义进行简析，然后以大数据挖掘为基础，在检测原理、故障特征提取和分类等相关方面，详细分析和阐述光伏逆变器故障检测方式。

关键词：大数据挖掘  光伏逆变器  故障检测

中图分类号：TM464                                文献标识码：A                        文章编号：1674-098X（2019）11（a）-0013-02

在光伏逆变器的工作运行中，因为各种因素的影响，会让光伏逆变器存在一些故障，从而影响到整个系统的运行。所以需要做好对光伏逆变器故障的检测，在其中经过对大数据挖掘技术的使用，让故障检测工作更加快捷有效，及时发现故障，然后解决故障。因此，对基于大数据挖掘的光伏逆变器故障检测进行分析有一定现实意义。

1  大數据挖掘在光伏逆变器故障检测中的意义

所谓光伏逆变器，其能够把光伏太阳能板形成的可变直流电压转换成为市电频率交流电，是一种逆变器，能够反馈回商用输电系统，或者供离网的电网运用。光伏逆变器是光伏阵列系统中关键的系统平衡，能够配合普通的交流供电设备使用。太阳能逆变器有配合光伏阵列的关键能力。在前文中有提出，光伏逆变器是光伏直流电源和交流电源之间的纽带，所以光伏逆变器运行是否稳定，对光伏并网发电系统的稳定运行有很大的影响。而对光伏逆变器故障的诊断，可以在一定程度上保障发电系统的稳定运行。随着社会的不断发展与进步，电力资源的需求量也在不断增多，发电的形式也逐渐多样化，这让光伏电站的建设规模和数据也在不断的扩大与增多。当前我国的光伏电站通常都是处在一些偏远的地区，占地面积比较大，运行环境比较恶劣，设备数量也比较多。并且工程中存在一定的隐患，设备常年运行出现老化现象。尤其是在电站运行时间增长的情况下，因为设计局限性和设备老化等相关因素的影响，让光伏逆变器的故障逐渐增多，同时也让故障的定位难度加大，运行维护工作的难度增大。在人工运行维护模式下，故障很难被及时发现，并且还会影响到设备的寿命，发电量隐性损失会增加，从而提升了运行维护成本。所以，对于当前光伏站设备，特别是逆变器设备的诊断正在逐渐的数字化和远程化，经过对大数据挖掘技术的使用，可以让光伏逆变器的故障检测工作更加便捷高效。在数据库技术与人工智能技术的进步下，数据挖掘技术在最近几年中也发展很快。此种技术可以在海量的数据中发现，并提取出有一定价值的有用信息。故障检测中的数据挖掘法使用是在信息技术和计算机技术的进步下发展起来的，设备系统在工作中收集和产生了大量数据，其中包含了实验数据和统计数据，这些数据被收集与保存在各种数据库之中。若是使用传统数据分析法进行分析，则无法达到预期效果，不但会浪费时间，还会错过一些有价值的信息。而经过对新型数据挖掘技术的使用，能够经过对数据的整理、分析、分类和总结等，可以精确检测到光伏逆变器故障的位置，从而保障光伏逆变器的稳定运行。

2  基于大数据挖掘的光伏逆变器故障检测

在大数据挖掘基础上进行光伏逆变器故障的检测，其中所使用的关键技术比较多，本文就以小波分析和神经网络技术为例子，详细分析和阐述光伏逆变器故障检测方式。

2.1 检测原理

在逆变器出现故障时，电压或是电流特征量会有一定的变化，电信号中有非平稳的时变信号，通常是能够部分化地分析信息号频域部分，但是对于非稳信号却无法进行。小波变换对于时域与频域部分有着很好的局部化能力，小波窗口尺寸能够依据信号频率来自动调整，是一种在频带基础上的时域分析方式，很适合使用在非稳态信号的分析之中。本文主要是使用特征层信息融合的方式，以此对光伏逆变器故障进行检测，把光伏系统直流侧输出电流特征信息与各桥臂电压特点信息融合，以此进行信息的互补，提升故障精确度。故障特征向量与故障状态是相对复杂的非线性映射关系，其中可以使用人工神经网络来进行分类。

2.2 特征提取

首先是在小波分解的基础上进行故障特征的提取，在电力电子故障诊断中，故障特征有效提取能够加强故障检测的精确性。故障特征提取的方式比较多，最为主要的就是小波提取。使用小波提取故障特点的原理：是在一个分解尺度上把检测的信号在不同频带中分解，然后依次对不同频带分解系统重新构建，特征值是在重构时间序列中提取的。因为各种频带中分解系数在重新构建之后会形成新的时间序列，对新系列使用视域分析法，提取出相应的信号特征。因为信号在小波分解之后，能量值是不变的，所以使用小波分解提取能量特点当做故障特征向量。在提取时要把信号归一化处理，然后经过三层多分辨率分解，以此获得3个尺度，也就是4个频带分解序列。特征层融合是多源信息融合中间层次，其具备了数据层与决策层的特点，现在每个传感器中获得各种特征向量，融合中心的工作是对各种特征向量做融合处理。经过小波分解提取相网侧电流与各桥臂电压故障特点都有一定的代表性，使用特征融合的方式能够进行信息互补。

2.3 故障分类

在故障分类中主要是使用BP神经网络，这是一种多层前馈型神经网络，其是一种误差反向传播学习算法，学习规则主要是使用最速下降法，经过反向传播来调整网络阈值与权值，一直到网络误差平方和最小。BP网络模型拓扑结构中包含了输入层、隐含层与输出层。在光伏系统中，因为光照强度、环境温度等相关因素的变化，直流端电压值也会变化。所以对每种故障改变直流电压与负载功率值，提取一定数量的特征向量。在实际工作中可以随机选取训练样本，以此进行神经网络仿真验证。在设计BP神经网络时，通常要在网络层数、各层中神经元的个数等方面考虑。在本文使用的BP神经网络结构之中，输入是电流电压特征向量融合之后获得的6特征向量，所以输入层节点个数是6。因为输出故障编码是6位，所以取出神经元个数也是6。一般性的分类问题，一个隐层BP网络可以很好解决，其中隐层神经元个数可以参考经验公式来获得。使用BP神经网络对训练样本做训练，误差指标设置成为0.01，学习率是0.1。训练完成之后使用训练好的BP网络来诊断试样，和单源信息故障特征相比。经过这种方式可以保障故障诊断率，从而提升故障检测的精确度，在此基础上为故障处理工作带去更多的便利。经过小波分解和神经网络的使用，在特征层融合的基础上，可以提升故障检测精准率，降低故障误诊，加快了故障检测效率。

3  结语

逆变器是光伏系统中十分重要的一个部分，为了保障光伏发电系统的稳定运行，就需要保障逆变器的稳定运行，做好对其的故障检测工作。在检测中经过对小波分析和神经网络等技术的使用，充分发挥大数据挖掘技术的作用，以此来提升故障检测工作的效率，在此基础上有效保障光伏系统的稳定运行，以此来促进整个电力事业的稳定发展。

参考文献

[1] 闵月梅，王宏华，韩伟.基于信息融合的光伏并网逆变器故障诊断[J].电测与仪表，2014， 51（1）：17-21.

[2] 丁明昌，李春来，李红涛，等.基于海量数据挖掘的光伏逆变器故障检测方法[J].电气自动化，2018，40（3）：30-32.

[3] 韩素敏，杜永恒，曹斌.基于BP神经网络的逆变器开路故障诊断方法[J].河南理工大学学报：自然科学版，2018（5）：122-127.