CN103293415A - 一种基于神经网络专家系统的微逆变器故障检测方法 - Google Patents
一种基于神经网络专家系统的微逆变器故障检测方法 Download PDFInfo
- Publication number
- CN103293415A CN103293415A CN2013101935276A CN201310193527A CN103293415A CN 103293415 A CN103293415 A CN 103293415A CN 2013101935276 A CN2013101935276 A CN 2013101935276A CN 201310193527 A CN201310193527 A CN 201310193527A CN 103293415 A CN103293415 A CN 103293415A
- Authority
- CN
- China
- Prior art keywords
- voltage
- neural network
- current
- photovoltaic
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于神经网络专家系统的微逆变器故障检测方法,包括以下步骤:步骤1:构建初始知识库;步骤2:确定神经网络拓扑结构和网络参数,构建基于神经网络的专家系统;神经网络包括输入层、中间层和输出层,设有三个输入层;步骤3:神经网络专家系统的数据处理模块将实时检测到的数据送到专家系统,专家系统调用知识库中的数据与所述的实时检测到的数据进行比较,利用推理机的推测和分析判断系统是否发生故障,输出故障信息;及时地探测到故障的发生并提供相关的处理信息,采用多层输入的拓扑结构,该检测算法精简,效率高,检测准确度高,以便维修人员能尽快修理故障,避免故障引起各种损失和危害。
Description
技术领域
本发明涉及一种基于神经网络专家系统的微逆变器故障检测方法。
背景技术
当代太阳能光伏系统一般包括:直流光伏电池板,用于产生直流电;微逆变器,用于将直流电转换成交流电;交流接口,用于从其它模块接收交流电或者连接到交流电网;通信线路,用于传输数据和控制信号等。
当光伏系统需要维护时一般要先将系统与电网断开,如果此种情况下光伏组件继续工作,则变压器原边会产生很高的电压,对人身安全和设备安全都会造成很大的威胁。
如果系统不能及时识别故障并采取有效的补救措施,当系统发生过电流或过电压故障时,则会对设备及人身安全产生极大的危险。
当光伏微逆变器正常工作时突然与电网分离,由于光伏系统直流组件部分继续产生直流电会导致逆变部分承受过电压,所以电网突然掉闸也是系统必须及时识别的一种故障。及时监测这些异常和故障对于光伏系统的可靠性和安全性都是非常必要的。
发明内容
本发明所要解决的技术问题就是利用类似人类思维的专家系统提供一种基于神经网络专家系统的微逆变器故障检测方法,在太阳能光伏系统微逆变器运行发生故障时,及时地探测到故障的发生,进而识别故障的具体发生位置和类别。
一种基于神经网络专家系统的微逆变器故障检测方法,包括以下步骤:
步骤1:构建初始知识库;
初始知识库中的数据是指通过实验得到的微逆变器实时工作数据,包括:在不同的环境光照和温度条件下获得的光伏电池组件的输出电压及电流、微逆变器直流侧的输入电压及电流、微逆变器交流侧输出的并网电压及电流、电网电压及电网频率;
步骤2:确定神经网络拓扑结构和网络参数,构建基于神经网络的专家系统;
神经网络包括三个BP神经网络,每个BP神经网络均包括输入层、中间层和输出层;输入层包含两个输入节点;中间层包含两个隐含层,第一隐含层包括三个隐含节点,第二隐含层包括两个隐含节点;输出层包括一个输出节点;
其中,第三BP神经网络的第二隐含层包括四个隐含节点,输出层包括两个输出节点;
第一BP神经网络、第二BP神经网络及第三BP神经网络依次级联,第一BP神经网络输出层的输出节点与第二BP神经网络中间层的第二隐含层相连,第二BP神经网络输出层的输出节点与第三BP神经网络中间层的第二隐含层相连;
所述隐含层中网络权值根据误差反向传播原理进行动态误差修正确定,网络权值的初始值依据实验经验值获得;
步骤3:神经网络专家系统的数据处理模块将实时检测到的数据送到专家系统,专家系统调用知识库中的数据与所述的实时检测到的数据进行比较,通过神经网络推理机的推测和分析最终判断系统是否发生故障,输出层输出故障信息,最终故障信息通过电力载波模块输出至故障信息处理模块,故障信息处理模块将故障信息送至故障显示单元。
所述步骤3中的数据输送到专家系统是指,第一BP神经网络、第二BP神经网络及第三BP神经网络输入层的输入信号分别是光伏微逆变器并网输出的电压和电流采样平均值x1、x2,光伏微逆变器直流侧输入的电压和电流xi1、xi2,光伏微逆变器交流侧输出的电压和电流xj1、xj2;
所述光伏微逆变器并网输出的电压和电流采样平均值x1、x2是采样5-10次获得的平均值,采样周期为17μs。
所述步骤3中专家系统调用知识库中的数据进行比较,通过神经网络推理机的推测和分析最终判断系统是否发生故障,具体判断过程如下:
步骤1:判断光伏微逆变器是否存在故障,若存在故障则进入步骤2,否则,进入下一个采样时刻,重复步骤1;
将光伏微逆变器并网输出电压电流采样平均值x1,x2,作为所述神经网络的拓扑结构的第一输入层的输入信号,神经元根据输入信号经过计算得到微逆变器运行的伏安特性曲线,与知识库中存储在此时环境条件下工作的微逆变器标准伏安特性曲线进行比较,如果两者不吻合且这种不吻合保持0.2ms以上,则判断光伏微逆变器运行出现故障;
所述不吻合是指两者差值的绝对值大于1%标准伏安特性曲线幅值;
光伏微逆变器是接在光伏电池板上运行的,光伏电池板能输出多少功率是与当时的环境条件有关的,所述环境条件是指温度和光照强度;
步骤2:判断光伏微逆变器直流侧是否存在故障,若不存在故障,则进入步骤3,否则,进入步骤4;
将光伏微逆变器直流侧输入的电压和电流xj1、xj2作为所述神经网络的拓扑结构的第二输入层的输入信号,神经元根据输入信号经过计算得到电压与电流关系曲线与知识库中光伏微逆变器直流侧的标准电压与电流曲线比较,如果两者不吻合且这种不吻合保持0.2ms以上,则判断光伏微逆变器直流侧出现故障,得到光伏微逆变器直流侧故障信息yi,yi=[Ui,Ii],其中,Ui为电压,包括三种状态,正常0、过电压1及欠电压-1,Ii为电流,包括三种状态,正常0、过电流1及欠电流-1;
所述不吻合是指两者差值的绝对值大于1%标准电压与电流曲线幅值;
如果电压计算值大于1%电压标准值,则判定为过电压,如果电压计算值小于1%电压标准值,则判定为欠电压;
如果电流计算值大于1%电压标准值,则判定为过电流,如果电流计算值小于1%电压标准值,则判定为欠电流;
电压计算值是神经元根据输入信号经过计算得到当前电压值,电压标准值是知识库中光伏微逆变器直流侧的标准电压值;
电流计算值是神经元根据输入信号经过计算得到当前电流值,电流标准值是知识库中光伏微逆变器直流侧输入的标准电流值;
步骤3:将光伏微逆变器交流侧输出的电压和电流xj1、xj2作为所述神经网络的拓扑结构的第三输入层的输入信号,神经元根据输入信号经过计算得到电压与电流关系曲线与知识库中在同等环境条件下光伏微逆变器工作时的交流侧输出电压与电流关系曲线比较,获得故障信息yj,yi=[Uj,Ij],其中,Uj为电压,包括三种状态,正常0、过电压1及欠电压-1,Ij为电流,包括三种状态,正常0、过电流1及欠电流-1;;
所述不吻合是指两者差值的绝对值大于1%标准电压与电流曲线幅值;
如果电压计算值大于1%电压标准值,则判定为过电压,如果电压计算值小于1%电压标准值,则判定为欠电压;
如果电流计算值大于1%电压标准值,则判定为过电流,如果电流计算值小于1%电压标准值,则判定为欠电流;
电压计算值是神经元根据输入信号经过计算得到当前电压值,电压标准值是知识库中光伏微逆变器直流侧的标准电压值;
电流计算值是神经元根据输入信号经过计算得到当前电流值,电流标准值是知识库中光伏微逆变器交流侧输出的标准电流值;
步骤4:将故障信息yi或yj通过电力载波模块传输到故障信息处理模块,故障信息处理模块将故障信息输至故障信息显示模块显示。
所述微逆变器采用双交错反激式的拓扑结构。
有益效果
与现有技术相比,本发明具有以下优点:
本发明一种基于神经网络专家系统的微逆变器故障检测方法,神经网络采用分层输入的拓扑结构,其中的神经元之间存在大量的相互连接,所以得到输入信息后可以很快地传递到各个神经元进行并行处理,在值传递的过程中同时完成网络的计算和存储功能,其运算效率非常高,并且缩小了检测范围,可以更加准确地检测到光伏系统的故障。
神经网络系统根据输入端层次可以实现模块化,这样使系统具有很强的自学习能力,在实时的检测过程中不断地完善知识库,并具有一定的创造性,故障检测系统比以前更加稳定,可以长时间稳定运行,保证准确检测到每一个故障,从而可以及时地进行系统的维护,降低危害。
本发明的神经网络拓扑也有利于其联想记忆功能。在神经网络的训练过程中,输入端给出要记忆的模式,通过学习并合理地调节网络中的权系数,网络就能记住所有的输入信息。在执行时,若网络的输入端输入信息不完整、不准确,经过神经网络的处理后,在输出端可得到恢复为完整并且准确的信息。
本发明中神经网络分三层完成一次完整的故障检测,每层之间有一定的独立性,这样可以使系统具有极强的鲁棒性和容错性。即使某一层检测临时出现问题其他层可以继续工作,而不至于停止检测,因而具有极强的鲁棒性和容错性。
附图说明
图1为本发明的流程图;
图2为本发明所采用的神经网络拓扑结构图;
图3为光伏交错反激微逆变器结构框图;;
图4为应用本发明方法对微逆变器进行故障检测结果的示意图。
具体实施方式
下面结合具体实施例和附图对本发明作进一步说明,但不应以此限制本发明的保护范围。
图1为本发明一种基于神经网络专家系统的微逆变器故障检测方法的流程图。如图所示,该故障检测方法包括如下步骤:
步骤1:构建初始知识库;
初始知识库中的数据是指通过实验得到的微逆变器实时工作数据,包括:在不同的环境光照和温度条件下获得的光伏电池组件的输出电压及电流、微逆变器直流侧的输入电压及电流、微逆变器交流侧输出的并网电压及电流、电网电压及电网频率;
本实例中检测的微逆变器结构如图3所示,微逆变器采用了双交错反激式的拓扑结构。双交错反激式的拓扑结构最大限度地将直流组件产生的直流电逆变为交流电,转换效率较高并且输出电压电流纹波较小。在直流组件侧、反激式拓扑变压器一次侧、滤波部分都有相应的检测各部分的电压、电流。这些数据都可以通过采样模块将数据传输到故障检测系统的控制器中,是进行故障检测的基本依据信息。
步骤2:确定神经网络拓扑结构和网络参数,构建基于神经网络的专家系统;
神经网络拓扑结构图如图2所示,神经网络包括三个BP神经网络,每个BP神经网络均包括输入层、中间层和输出层;输入层包含两个输入节点;中间层包含两个隐含层,第一隐含层包括三个隐含节点,第二隐含层包括两个隐含节点;输出层包括一个输出节点;
其中,第三BP神经网络的第二隐含层包括四个隐含节点,输出层包括两个输出节点;
第一BP神经网络、第二BP神经网络及第三BP神经网络依次级联,第一BP神经网络输出层的输出节点与第二BP神经网络中间层的第二隐含层相连,第二BP神经网络输出层的输出节点与第三BP神经网络中间层的第二隐含层相连;
所述隐含层中网络权值根据误差反向传播原理进行动态误差修正确定,网络权值的初始值依据实验经验值获得,通常取0.1或1;
从图2可见神经网络由大量串并行分布的神经元广泛互联构成。参照图2所示可知本系统的神经网络共4层,第1层如301-A、302-A、303-A为输入层,2、3层如301-B、301-C;302-B、302-C;303-B、303-C为隐层,第4层如302-D、303-D为输出层。
继续参照图2可知其属于前馈型网络,每个神经元只和前一层的神经元相连。此神经网络的学习方式主要是网络权值学习,通过动态误差修正方法对权值进行调节以改善系统性能。
神经网络输入端分为了三个部分,分别为光伏微逆变器并网输出电压电流x1,x2,光伏微逆变器直流侧输入电压电流xi,xj,微逆变器交流侧输出电压电流xm,xn。进一步讲,这三个部分分层次输入使神经网络的故障判断更有针对性,效率更高。
所述光伏微逆变器并网输出的电压和电流采样平均值x1、x2是采样5-10次获得的平均值,采样周期为17μs。
本实例中神经网络分三层完成一次完整的故障检测,每层之间有一定的独立性,这样可以使系统具有极强的鲁棒性和容错性。即使某一层检测临时出现问题其他层可以继续工作,而不至于停止检测,因而具有极强的鲁棒性和容错性。
神经网络输出端对应了两种检测结果,分别为光伏微逆变器直流侧故障信息yi,光伏微逆变器交流侧故障信息yj。
步骤3:神经网络专家系统的数据处理模块将实时检测到的数据送到专家系统,专家系统调用知识库中的数据与所述的实时检测到的数据进行比较,通过神经网络推理机的推测和分析最终判断系统是否发生故障,输出层输出故障信息,最终故障信息通过电力载波模块输出至故障信息处理模块,故障信息处理模块将故障信息送至故障显示单元。
所述步骤3中专家系统调用知识库中的数据进行比较,通过神经网络推理机的推测和分析最终判断系统是否发生故障,具体判断过程如下:
步骤1:判断光伏微逆变器是否存在故障,若存在故障则进入步骤2,否则,进入下一个采样时刻,重复步骤1;
将光伏微逆变器并网输出电压电流采样平均值x1,x2,作为所述神经网络的拓扑结构的第一输入层的输入信号,神经元根据输入信号经过计算得到微逆变器运行的伏安特性曲线,与知识库中存储在此时环境条件下工作的微逆变器标准伏安特性曲线进行比较,如果两者不吻合且这种不吻合保持0.2ms以上,则判断光伏微逆变器运行出现故障;
所述不吻合是指两者差值的绝对值大于1%标准伏安特性曲线幅值;
光伏微逆变器是接在光伏电池板上运行的,光伏电池板能输出多少功率是与当时的环境条件有关的,所述环境条件是指温度和光照强度;
步骤2:判断光伏微逆变器直流侧是否存在故障,若不存在故障,则进入步骤3,否则,进入步骤4;
将光伏微逆变器直流侧输入的电压和电流xj1、xj2作为所述神经网络的拓扑结构的第二输入层的输入信号,神经元根据输入信号经过计算得到电压与电流关系曲线与知识库中光伏微逆变器直流侧的标准电压与电流曲线比较,如果两者不吻合且这种不吻合保持0.2ms以上,则判断光伏微逆变器直流侧出现故障,得到光伏微逆变器直流侧故障信息yi,yi=[Ui,Ii],其中,Ui为电压,包括三种状态,正常0、过电压1及欠电压-1,Ii为电流,包括三种状态,正常0、过电流1及欠电流-1;
所述不吻合是指两者差值的绝对值大于1%标准电压与电流曲线幅值;
如果电压计算值大于1%电压标准值,则判定为过电压,如果电压计算值小于1%电压标准值,则判定为欠电压;
如果电流计算值大于1%电压标准值,则判定为过电流,如果电流计算值小于1%电压标准值,则判定为欠电流;
电压计算值是神经元根据输入信号经过计算得到当前电压值,电压标准值是知识库中光伏微逆变器直流侧的标准电压值;
电流计算值是神经元根据输入信号经过计算得到当前电流值,电流标准值是知识库中光伏微逆变器直流侧输入的标准电流值;
步骤3:将光伏微逆变器交流侧输出的电压和电流xj1、xj2作为所述神经网络的拓扑结构的第三输入层的输入信号,神经元根据输入信号经过计算得到电压与电流关系曲线与知识库中在同等环境条件下光伏微逆变器工作时的交流侧输出电压与电流关系曲线比较,获得故障信息yj,yi=[Uj,Ij],其中,Uj为电压,包括三种状态,正常0、过电压1及欠电压-1,Ij为电流,包括三种状态,正常0、过电流1及欠电流-1;
所述不吻合是指两者差值的绝对值大于1%标准电压与电流曲线幅值;
如果电压计算值大于1%电压标准值,则判定为过电压,如果电压计算值小于1%电压标准值,则判定为欠电压;
如果电流计算值大于1%电压标准值,则判定为过电流,如果电流计算值小于1%电压标准值,则判定为欠电流;
电压计算值是神经元根据输入信号经过计算得到当前电压值,电压标准值是知识库中光伏微逆变器直流侧的标准电压值;
电流计算值是神经元根据输入信号经过计算得到当前电流值,电流标准值是知识库中光伏微逆变器交流侧输出的标准电流值;
步骤4:将故障信息yi或yj通过电力载波模块传输到故障信息处理模块,故障信息处理模块将故障信息输至故障信息显示模块显示。
如图4所示,运用本发明方法检测到微逆变器直流侧输入电压电流曲线图,图中A段,显示为当前电压超过1%电压标准值,则依据判断标准,如果电压计算值大于1%电压标准值,则判定为过电压,得到故障信息出现过电压。
基于神经网络的专家系统有很强的非线性拟合能力,可映射任意复杂的非线性关系,而且学习规则简单,便于计算机实现。神经网络采用的是分层输入结构,其中的神经元之间存在大量的相互连接,所以得到输入信息后可以很快地传递到各个神经元进行并行处理,可以最大限度地精简运算过程,使神经网络的分析处理有很强的针对性,大大提高了专家系统的检测效率,并且缩小了检测范围,可以更加准确地检测到光伏系统的故障。
神经网络系统根据输入端层次可以实现模块化,这样使系统具有很强的自学习能力,可以在实时的检测过程中不断地完善知识库,并具有一定的创造性。神经网络也具有一定的联想记忆功能。在神经网络的训练过程中,输入端给出要记忆的模式,通过学习并合理地调节网络中的权系数,网络就能记住所有的输入信息。在执行时,若网络的输入端输入信息不完整、不准确,经过神经网络的处理后,在输出端可得到已恢复为完整而准确的信息。
本发明虽然以较佳实例公开如上,但其并不限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以做出可能的变动和修改,因此本发明的保护范围应当以本发明权利要求所界定的范围为准。
Claims (4)
1.一种基于神经网络专家系统的微逆变器故障检测方法,其特征在于,包括以下步骤:
步骤1:构建初始知识库;
初始知识库中的数据是指通过实验得到的微逆变器实时工作数据,包括:在不同的环境光照和温度条件下获得的光伏电池组件的输出电压及电流、微逆变器直流侧的输入电压及电流、微逆变器交流侧输出的并网电压及电流、电网电压及电网频率;
步骤2:确定神经网络拓扑结构和网络参数,构建基于神经网络的专家系统;
神经网络包括三个BP神经网络,每个BP神经网络均包括输入层、中间层和输出层;输入层包含两个输入节点;中间层包含两个隐含层,第一隐含层包括三个隐含节点,第二隐含层包括两个隐含节点;输出层包括一个输出节点;
其中,第三BP神经网络的第二隐含层包括四个隐含节点,输出层包括两个输出节点;
第一BP神经网络、第二BP神经网络及第三BP神经网络依次级联,第一BP神经网络输出层的输出节点与第二BP神经网络中间层的第二隐含层相连,第二BP神经网络输出层的输出节点与第三BP神经网络中间层的第二隐含层相连;
所述隐含层中网络权值根据误差反向传播原理进行动态误差修正确定,网络权值的初始值依据实验经验值获得;
步骤3:神经网络专家系统的数据处理模块将实时检测到的数据送到专家系统,专家系统调用知识库中的数据与所述的实时检测到的数据进行比较,通过神经网络推理机的推测和分析最终判断系统是否发生故障,输出层输出故障信息,最终故障信息通过电力载波模块输出至故障信息处理模块,故障信息处理模块将故障信息送至故障显示单元。
2.根据权利要求1所述的基于神经网络专家系统的微逆变器故障检测方法,其特征在于,所述步骤3中的数据输送到专家系统是指,第一BP神经网络、第二BP神经网络及第三BP神经网络输入层的输入信号分别是光伏微逆变器并网输出的电压和电流采样平均值x1、x2,光伏微逆变器直流侧输入的电压和电流xi1、xi2,光伏微逆变器交流侧输出的电压和电流xj1、xj2;
所述光伏微逆变器并网输出的电压和电流采样平均值x1、x2是采样5-10次获得的平均值,采样周期为17μs。
3.根据权利要求2所述的基于神经网络专家系统的微逆变器故障检测方法,其特征在于,所述步骤3中专家系统调用知识库中的数据进行比较,通过神经网络推理机的推测和分析最终判断系统是否发生故障,具体判断过程如下:
步骤1:判断光伏微逆变器是否存在故障,若存在故障则进入步骤2,否则,进入下一个采样时刻,重复步骤1;
将光伏微逆变器并网输出电压电流采样平均值x1,x2,作为所述神经网络的拓扑结构的第一输入层的输入信号,神经元根据输入信号经过计算得到微逆变器运行的伏安特性曲线,与知识库中存储在此时环境条件下工作的微逆变器标准伏安特性曲线进行比较,如果两者不吻合且这种不吻合保持0.2ms以上,则判断光伏微逆变器运行出现故障;
所述不吻合是指两者差值的绝对值大于1%标准伏安特性曲线幅值;
步骤2:判断光伏微逆变器直流侧是否存在故障,若不存在故障,则进入步骤3,否则,进入步骤4;
将光伏微逆变器直流侧输入的电压和电流xj1、xj2作为所述神经网络的拓扑结构的第二输入层的输入信号,神经元根据输入信号经过计算得到电压与电流关系曲线与知识库中光伏微逆变器直流侧的标准电压与电流曲线比较,如果两者不吻合且这种不吻合保持0.2ms以上,则判断光伏微逆变器直流侧出现故障,得到光伏微逆变器直流侧故障信息yi,yi=[Ui,Ii],其中,Ui为电压,包括三种状态,正常0、过电压1及欠电压-1,Ii为电流,包括三种状态,正常0、过电流1及欠电流-1;
所述不吻合是指两者差值的绝对值大于1%标准电压与电流曲线幅值;
如果电压计算值大于1%电压标准值,则判定为过电压,如果电压计算值小于1%电压标准值,则判定为欠电压;
如果电流计算值大于1%电压标准值,则判定为过电流,如果电流计算值小于1%电压标准值,则判定为欠电流;
电压计算值是神经元根据输入信号经过计算得到当前电压值,电压标准值是知识库中光伏微逆变器直流侧的标准电压值;
电流计算值是神经元根据输入信号经过计算得到当前电流值,电流标准值是知识库中光伏微逆变器直流侧输入的标准电流值;
步骤3:将光伏微逆变器交流侧输出的电压和电流xj1、xj2作为所述神经网络的拓扑结构的第三输入层的输入信号,神经元根据输入信号经过计算得到电压与电流关系曲线与知识库中在同等环境条件下光伏微逆变器工作时的交流侧输出电压与电流关系曲线比较,获得故障信息yj,yi=[Uj,Ij],其中,Uj为电压,包括三种状态,正常0、过电压1及欠电压-1,Ij为电流,包括三种状态,正常0、过电流1及欠电流-1;;
所述不吻合是指两者差值的绝对值大于1%标准电压与电流曲线幅值;
如果电压计算值大于1%电压标准值,则判定为过电压,如果电压计算值小于1%电压标准值,则判定为欠电压;
如果电流计算值大于1%电压标准值,则判定为过电流,如果电流计算值小于1%电压标准值,则判定为欠电流;
电压计算值是神经元根据输入信号经过计算得到当前电压值,电压标准值是知识库中光伏微逆变器直流侧的标准电压值;
电流计算值是神经元根据输入信号经过计算得到当前电流值,电流标准值是知识库中光伏微逆变器交流侧输出的标准电流值;
步骤4:将故障信息yi或yj通过电力载波模块传输到故障信息处理模块,故障信息处理模块将故障信息输至故障信息显示模块显示。
4.根据权利要求1-3任一项所述的基于神经网络专家系统的微逆变器故障检测方法,其特征在于,所述微逆变器采用双交错反激式的拓扑结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310193527.6A CN103293415B (zh) | 2013-05-23 | 2013-05-23 | 一种基于神经网络专家系统的微逆变器故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310193527.6A CN103293415B (zh) | 2013-05-23 | 2013-05-23 | 一种基于神经网络专家系统的微逆变器故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103293415A true CN103293415A (zh) | 2013-09-11 |
CN103293415B CN103293415B (zh) | 2015-04-08 |
Family
ID=49094625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310193527.6A Expired - Fee Related CN103293415B (zh) | 2013-05-23 | 2013-05-23 | 一种基于神经网络专家系统的微逆变器故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103293415B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487706A (zh) * | 2013-10-14 | 2014-01-01 | 东南大学 | 基于脉冲电压比较的级联型并网逆变器单元故障检测方法 |
CN104049159A (zh) * | 2014-05-16 | 2014-09-17 | 北京京东方能源科技有限公司 | 逆变器的故障检测方法和检测装置 |
CN104601108A (zh) * | 2015-02-10 | 2015-05-06 | 河海大学常州校区 | 一种小型光伏电站的故障诊断方法 |
CN104697704A (zh) * | 2015-03-13 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷水机组排气压力故障检测方法 |
CN104950207A (zh) * | 2014-03-25 | 2015-09-30 | 艾默生网络能源有限公司 | 一种光伏逆变器的短路检测方法和装置 |
CN105372600A (zh) * | 2015-11-24 | 2016-03-02 | 珠海朗尔电气有限公司 | 一种基于大数据的蓄电池故障诊断的系统和方法 |
CN105574604A (zh) * | 2015-11-12 | 2016-05-11 | 国家电网公司 | 一种面向电网运行事件的监控预判分析系统 |
CN106291339A (zh) * | 2015-05-20 | 2017-01-04 | 国网上海市电力公司 | 一种基于人工神经网络的断路器故障诊断专家系统 |
CN106647679A (zh) * | 2017-02-15 | 2017-05-10 | 拓卡奔马机电科技有限公司 | 工业设备的监控方法、系统及工业设备 |
CN108388237A (zh) * | 2018-04-16 | 2018-08-10 | 广东工业大学 | 一种离散制造设备的故障诊断方法、装置、设备及介质 |
CN109358255A (zh) * | 2018-12-18 | 2019-02-19 | 北京交通大学 | 牵引变流器故障分析方法及装置 |
CN110232482A (zh) * | 2019-06-18 | 2019-09-13 | 魏显文 | 基于神经网络的设备管理方法及装置 |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
CN111505408A (zh) * | 2020-03-19 | 2020-08-07 | 尚特杰电力科技有限公司 | 一种用于光伏逆变器的检测系统及方法 |
CN112816909A (zh) * | 2021-01-05 | 2021-05-18 | 深圳格瑞特新能源有限公司 | 一种太阳能光伏逆变器漏电流的监测方法及装置 |
CN113449044A (zh) * | 2021-05-25 | 2021-09-28 | 国网河北省电力有限公司邯郸供电分公司 | 基于学习推理机的智能站设备检修安措自动生成方法及装置 |
CN114243755A (zh) * | 2021-11-16 | 2022-03-25 | 云南电网有限责任公司迪庆供电局 | 一种分布式电源并离网状态检测方法 |
CN116854255A (zh) * | 2023-08-21 | 2023-10-10 | 湖北金宝马环保科技有限公司 | 基于专家系统的光伏污水处理智能控制平台 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142693A (zh) * | 2011-03-10 | 2011-08-03 | 西安交通大学 | 基于fpga的太阳能光伏并网逆变控制系统 |
CN102593862A (zh) * | 2012-02-02 | 2012-07-18 | 广西师范大学 | 一种光伏并网逆变器及其控制方法 |
CN102611140A (zh) * | 2012-03-23 | 2012-07-25 | 合肥工业大学 | 基于小波变换与神经网络的并网逆变器孤岛检测方法 |
-
2013
- 2013-05-23 CN CN201310193527.6A patent/CN103293415B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142693A (zh) * | 2011-03-10 | 2011-08-03 | 西安交通大学 | 基于fpga的太阳能光伏并网逆变控制系统 |
CN102593862A (zh) * | 2012-02-02 | 2012-07-18 | 广西师范大学 | 一种光伏并网逆变器及其控制方法 |
CN102611140A (zh) * | 2012-03-23 | 2012-07-25 | 合肥工业大学 | 基于小波变换与神经网络的并网逆变器孤岛检测方法 |
Non-Patent Citations (4)
Title |
---|
M. ABUL MASRUR ET AL.: "Model-Based Fault Diagnosis in Electric Drive Inverters Using Artificial Neural Network", 《POWER ENGINEERING SOCIETY GENERAL MEETING, 2007. IEEE》, 31 December 2007 (2007-12-31), pages 1 - 7 * |
N. KANDIL ET AL.: "FAULT IDENTIFICATION IN AN AC-DC TRANSMISSION SYSTEM USING NEURAL NETWORKS", 《TRANSACTIONS ON POWER SYSTEMS》, vol. 7, no. 2, 31 May 1992 (1992-05-31), pages 812 - 819 * |
SURIN KHOMFOI ET AL.: "Fault Diagnostic System for a Multilevel Inverter Using a Neural Network", 《IEEE TRANSACTIONS ON POWER ELECTRONICS》, vol. 22, no. 3, 31 May 2007 (2007-05-31), pages 1062 - 1069, XP011180848, DOI: doi:10.1109/TPEL.2007.897128 * |
罗耀华等: "基于BP神经网络的三相逆变器故障诊断研究", 《应用科技》, vol. 37, no. 6, 30 June 2010 (2010-06-30), pages 56 - 60 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487706B (zh) * | 2013-10-14 | 2016-01-20 | 东南大学 | 基于脉冲电压比较的级联型并网逆变器单元故障检测方法 |
CN103487706A (zh) * | 2013-10-14 | 2014-01-01 | 东南大学 | 基于脉冲电压比较的级联型并网逆变器单元故障检测方法 |
CN104950207B (zh) * | 2014-03-25 | 2017-08-29 | 艾默生网络能源有限公司 | 一种光伏逆变器的短路检测方法和装置 |
CN104950207A (zh) * | 2014-03-25 | 2015-09-30 | 艾默生网络能源有限公司 | 一种光伏逆变器的短路检测方法和装置 |
CN104049159A (zh) * | 2014-05-16 | 2014-09-17 | 北京京东方能源科技有限公司 | 逆变器的故障检测方法和检测装置 |
CN104601108A (zh) * | 2015-02-10 | 2015-05-06 | 河海大学常州校区 | 一种小型光伏电站的故障诊断方法 |
CN104697704A (zh) * | 2015-03-13 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷水机组排气压力故障检测方法 |
CN106291339A (zh) * | 2015-05-20 | 2017-01-04 | 国网上海市电力公司 | 一种基于人工神经网络的断路器故障诊断专家系统 |
CN105574604B (zh) * | 2015-11-12 | 2020-05-05 | 国家电网公司 | 一种面向电网运行事件的监控预判分析系统 |
CN105574604A (zh) * | 2015-11-12 | 2016-05-11 | 国家电网公司 | 一种面向电网运行事件的监控预判分析系统 |
CN105372600A (zh) * | 2015-11-24 | 2016-03-02 | 珠海朗尔电气有限公司 | 一种基于大数据的蓄电池故障诊断的系统和方法 |
CN106647679A (zh) * | 2017-02-15 | 2017-05-10 | 拓卡奔马机电科技有限公司 | 工业设备的监控方法、系统及工业设备 |
CN108388237A (zh) * | 2018-04-16 | 2018-08-10 | 广东工业大学 | 一种离散制造设备的故障诊断方法、装置、设备及介质 |
CN109358255A (zh) * | 2018-12-18 | 2019-02-19 | 北京交通大学 | 牵引变流器故障分析方法及装置 |
CN109358255B (zh) * | 2018-12-18 | 2024-03-05 | 北京交通大学 | 牵引变流器故障分析方法及装置 |
CN110232482A (zh) * | 2019-06-18 | 2019-09-13 | 魏显文 | 基于神经网络的设备管理方法及装置 |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
CN111505408A (zh) * | 2020-03-19 | 2020-08-07 | 尚特杰电力科技有限公司 | 一种用于光伏逆变器的检测系统及方法 |
CN112816909A (zh) * | 2021-01-05 | 2021-05-18 | 深圳格瑞特新能源有限公司 | 一种太阳能光伏逆变器漏电流的监测方法及装置 |
CN113449044A (zh) * | 2021-05-25 | 2021-09-28 | 国网河北省电力有限公司邯郸供电分公司 | 基于学习推理机的智能站设备检修安措自动生成方法及装置 |
CN114243755A (zh) * | 2021-11-16 | 2022-03-25 | 云南电网有限责任公司迪庆供电局 | 一种分布式电源并离网状态检测方法 |
CN114243755B (zh) * | 2021-11-16 | 2023-08-04 | 云南电网有限责任公司迪庆供电局 | 一种分布式电源并离网状态检测方法 |
CN116854255A (zh) * | 2023-08-21 | 2023-10-10 | 湖北金宝马环保科技有限公司 | 基于专家系统的光伏污水处理智能控制平台 |
Also Published As
Publication number | Publication date |
---|---|
CN103293415B (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103293415B (zh) | 一种基于神经网络专家系统的微逆变器故障检测方法 | |
CN102611140B (zh) | 基于小波变换与神经网络的并网逆变器孤岛检测方法 | |
CN102593829B (zh) | 计及关键支路的输电断面确定方法与装置 | |
CN114994441B (zh) | 一种智能电力能效监测装置 | |
CN103718055A (zh) | 用于使用ac剩余电流检测在dc电源中进行故障检测的系统和装置 | |
CN106370980A (zh) | 一种配电网故障监测方法及系统 | |
Wu et al. | Application of BP neural network fault diagnosis in solar photovoltaic system | |
CN205792451U (zh) | 一种光伏并网系统的故障检测装置 | |
CN105743122B (zh) | 适用于集群分布式光伏系统的孤岛检测方法 | |
CN104868845A (zh) | 嵌入式太阳能光伏组件数据监测装置及方法 | |
CN103150635A (zh) | 电力设备运维方法 | |
CN104638671A (zh) | 基于引入粒子群算法及相位扰动的孤岛检测方法 | |
CN104931836A (zh) | 电网监控与预警系统 | |
CN106093636A (zh) | 智能电网的二次设备的模拟量校核方法以及装置 | |
CN203135572U (zh) | 变电站直流装置状态监测系统 | |
CN102185335A (zh) | 一种新型孤岛检测方法及系统 | |
CN203858322U (zh) | 一种自适应的末端接地选线装置 | |
CN115037054A (zh) | 基于三相自平衡、低压故障定位隔离的换相开关智能终端 | |
CN112949729A (zh) | 一种用于微电网电流转换的控制算法 | |
TWI565194B (zh) | 併網型發電系統之故障檢測裝置及故障檢測方法 | |
CN103310627A (zh) | 载波故障分析仪及其检测方法 | |
CN102249126B (zh) | 矿井提升机绝缘栅门极晶体管变流导通监视系统 | |
CN106230112A (zh) | 一种分布式光伏发电站智控运行管理装置 | |
CN206023369U (zh) | 一种电力设备故障解决方案系统 | |
CN205051650U (zh) | 一种促进光伏发电系统稳定运行的装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C56 | Change in the name or address of the patentee | ||
CP01 | Change in the name or title of a patent holder |
Address after: 338000 No. 8, science and Technology City, eco economic zone, Xinyu, Jiangxi Patentee after: JIANGXI Z-ENERGY ELECTRIC TECHNOLOGY CO., LTD. Address before: 338000 No. 8, science and Technology City, eco economic zone, Xinyu, Jiangxi Patentee before: Jiangxi Zhongneng Electrical Science & Technology Co., Ltd. |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150408 Termination date: 20170523 |