CN104753461B - 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 - Google Patents
基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 Download PDFInfo
- Publication number
- CN104753461B CN104753461B CN201510168541.XA CN201510168541A CN104753461B CN 104753461 B CN104753461 B CN 104753461B CN 201510168541 A CN201510168541 A CN 201510168541A CN 104753461 B CN104753461 B CN 104753461B
- Authority
- CN
- China
- Prior art keywords
- sample
- power generation
- photovoltaic power
- parameter
- support vector
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 title claims abstract description 21
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 title claims abstract description 6
- 238000003491 array Methods 0.000 title abstract 5
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 239000004531 microgranule Substances 0.000 claims description 26
- 238000003745 diagnosis Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 7
- 230000007257 malfunction Effects 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法,具体包括以下步骤:步骤S1:采集光伏发电阵列工作于最大功率点时的若干个电气参数,得到电气参数样本组合;步骤S2:将每个电气参数样本进行归一化;步骤S3:根据归一化后的电气参数样本组合得到测试样本组合;步骤S4:采用PSO算法计算出最优的SVM核函数参数g和惩罚参数c;步骤S5:根据最优的核函数参数g和惩罚参数c对样本进行训练,得到训练模型;步骤S6:利用训练模型对光伏发电阵列的故障进行检测和分类。本发明能够有效提高光伏发电阵列故障检测和分类的准确性。
Description
技术领域
本发明涉及光伏发电阵列故障检测和分类技术领域,特别是涉及一种基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法。
背景技术
光伏发电阵列通常工作在复杂的户外环境中,受到各种环境因素的影响,容易出现开路、短路、硬性阴影、热斑等各种故障。故障的产生会降低电站的发电效率,严重时甚至发生火灾,危害社会财产安全。因此,如果对光伏发电阵列在运行状态中出现的故障能够及时地诊断、分类并进一步告警,就能减少光伏系统因不正常运行而导致的能量损失,降低故障扩散的可能,避免安全事故的发生,从而提高光伏系统生命周期内的安全性及投入产出比。
目前,光伏阵列的故障检测方法主要有红外图像检测法、时域反射分析法和对地电容法、基于多传感器检测法。正常工作与非正常工作的太阳能电池板之间存在一定的温差,红外图像检测法利用被测物体的温度特性进行检测。时域反射分析法的原理为向光伏串联电路注入一个脉冲,分析和观察返回波形,就可判断得到组件的故障类型和位置。对地电容测量法通过分析测量得到的电容值来判断光伏串联电路中是否存在断路故障。基于多传感器的故障诊断方法通过为每块光伏组件或者多块之间安装电压或电流传感器进行实时监测,通过分析采集到的数据判断光伏阵列存在的故障类型,定位到故障组件。
但这些方案存在一些不足之处:红外图像检测法不能区分温度相差不明显的状态,故障检测的精度和效率取决于检测设备(红外热像仪)的等级,费用较大,实时性较差;基于时域反射分析法不能对运行中的光伏阵列进行在线操作,不具有实时性,并且对设备要求较高,诊断的精度有限;多传感器的故障检测方法存在所用传感器较多、检测结构在大规模光伏阵列应用中难以推广等缺点。
近些年来,人工智能被广泛应用到各种系统的故障诊断中。部分学者也将智能算法引入到光伏发电阵列的故障诊断中,例如神经网络算法。该算法作为被广泛应用于模式识别与函数逼近的方法,具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力,可以模拟任意的非线性关系而无需去建立精确模型,实现故障的判断和分类,但是该方法同时具有需要大量样本、泛化能力较差、易陷入局部极小点等缺点,其中最重要的问题是推广能力不足,在学习样本不完备的情况下难以得到准确的诊断结论,对实际情况下中小样本的问题较难于解决。在实际工程中的故障诊断问题往往较难得到很大量的样本,因此故障样本的缺乏会成为制约神经网络在光伏发电阵列故障诊断和分类中的瓶颈问题。
而基于结构风险最小化的支持向量机(SVM,Support Vector Machine)适用于小样本情况,其建立在统计学理论的VC维理论和结构风险最小化基础之上的。相比于神经网络,SVM有效地解决了小样本、非线性、高维数和局部极小点等问题,其主要应用于模式识别、函数逼近和时间序列预测等问题。粒子群优化算法(PSO,Particle SwarmOptimization)具有不容易陷入局部最小、算法简单和计算量小等优势,采用粒子群优化支持向量机参数方法不但加速了惩罚因子c和核函数参数g的寻优过程,同时也提高了模型的识别能力和分类准确率,使识别质量和分类效率大为提高。所以如果能够将粒子群优化支持向量机算法应用于光伏发电阵列的故障诊断和分类具有更好的适用性,则可以快速准确对传感器的故障进行辨识与诊断。目前,公开发表的文献及专利中尚未见有将粒子群优化支持向量机算法应用于光伏发电阵列的故障诊断和分类的研究。
发明内容
有鉴于此,本发明的目的是提供一种基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法,采用PSO优化SVM中的参数c和g,SVM基于最佳参数c和g,以光伏发电阵列的电气参数中最大功率点的电压和电流作为特征向量,训练SVM得到训练模型,以此模型进行光伏发电阵列的故障诊断和分类。
本发明采用以下方案实现:一种基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法,具体包括以下步骤:
步骤S1:采集不同工作状态下的光伏发电阵列工作于最大功率点时的若干个电气参数,得到电气参数样本组合;
步骤S2:将步骤S1中获取的每个电气参数样本进行归一化;
步骤S3:根据步骤S2中归一化后的电气参数样本组合得到测试样本组合;
步骤S4:将测试样本组合分成训练集和验证集;对验证样本集中的每个样本进行预测,采用PSO算法计算出最优的SVM核函数参数g和惩罚参数c,
步骤S5:根据步骤S4计算出的最优的核函数参数g和惩罚参数c,SVM分类器对训练集样本中的每个样本进行训练,得到训练模型;
步骤S6:利用所述步骤S5建立的训练模型对光伏发电阵列工作时的电气参数进行检测和分类,判断系统是否处于故障状态,若处于故障状态则给出故障类型。
进一步地,所述步骤S1中所述若干个电气参数包括阵列的电压参数样本和电流参数样本,所述电气参数样本组合记为(Uk,Ik),其中,k为样本采集序号,其中k为1到N的整数,每个数字代表一种工作状态,Uk为第k个电气参数样本组合中的电压参数样本,Ik代表第k个电气参数样本组合中的电流参数样本。
进一步地,所述工作状态包括正常工作、单支路开路、双支路开路、单支路上1个组件短路、单支路上2个组件短路、单支路上2个组件局部阴影及2串支路上各2个组件局部阴影。
进一步地,所述步骤S2中对样本进行归一化的具体方法为:将电气参数样本映射到区间[0,1]内,具体映射公式为:
式中,S为光伏阵列中串联的太阳能板数目,P为光伏阵列中并联的太阳能板数目,UOC为参考太阳能板的开路电压,ISC为参考太阳能板的短路电流,为归一化后的电压参数样本,为归一化后的电流参数样本,得到归一化后的电气参数样本组合为:
进一步地,所述步骤S3中得到测试样本组合的具体方法为:选择径向基核函数:K(Xi,Xj)=exp(-g||Xi-Xj||)2为支持向量机SVM的核函数,其中g为径向基核函数参数,Xi为第i个样本向量,Xj为第j个样本向量。
进一步地,步骤S4中采用PSO算法计算出最优的VMS核函数参数g和惩罚参数c的具体方法为:
步骤S41:初始化粒子群微粒的位置和速度,并初始化SVM的参数错分样本的惩罚因子c和RBF核函数参数g;
步骤S42:评价粒子群中每个微粒的适应度,计算每个微粒的目标函数;
步骤S43:对每个微粒,将微粒的适应度和经历过的当前最好位置pbest作比较,选择适应度最大时的位置作为当前最好位置pbest;
步骤S44:对每个微粒,将微粒的适应度和经历过的全局最好位置gbest作比较,如果微粒的适应度更好则重新设置gbest;
步骤S45:利用粒子速度更新方程变化微粒的位置和速度;
步骤S46:终止条件的满足:当迭代次数或者适应值满足条件,则终止迭代,获得优化最佳的SVM参数;否则返回步骤S43。
本发明的优点在于将故障检验转化为二分类的问题,用SVM算法实现了对故障的检测和分类;并采用PSO算法用于优化SVM算法的参数c和g,以利于快速、高效的确定c和g的全局最优值;SVM算法基于最优的c和g,以光伏发电阵列最大功率点的电压和电流值作为特征向量实现其工作状态的判别,在样本有限的情况下具有良好的泛化能力,有效提高光伏发电阵列故障检测和分类的准确性。本发明的检测准确率可达99%以上,分类准确率可达98%以上。
附图说明
图1是本发明的流程框图。
图2是本发明实施例的光伏发电阵列系统拓扑图。
图3是本发明归一化后的光伏发电阵列最大功率点电压和电流分布图。
图4是本发明中PSO寻优适应度曲线。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施例提供一种基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法,流程框图如图1所示。图2为本实施例的光伏发电系统拓扑图,系统由S×P个太阳能组件组成,通过逆变器与电网进行连接实现并网发电,通过模拟光伏发电阵列出现的不同的故障状况,例如开路、短路、硬性阴影等工作状态,在不同的气候条件下,选择不同的时段,针对每种故障情况随机采集若干个电气参数,具体包括以下步骤:
步骤S1:采集不同工作状态下的光伏发电阵列工作于最大功率点时的若干个电气参数,得到电气参数样本组合;
步骤S2:将步骤S1中获取的每个电气参数样本进行归一化;
步骤S3:根据步骤S2中归一化后的电气参数样本组合得到测试样本组合;
步骤S4:将测试样本组合分成训练集和验证集;对验证样本集中的每个样本进行预测,采用PSO算法计算出最优的SVM核函数参数g和惩罚参数c,
步骤S5:根据步骤S4计算出的最优的核函数参数g和惩罚参数c,SVM分类器对训练集样本中的每个样本进行训练,得到训练模型;
步骤S6:利用所述步骤S5建立的训练模型对光伏发电阵列工作时的电气参数进行检测和分类,判断系统是否处于故障状态,若处于故障状态则给出故障类型。
较佳的,本实施例中采集数据所采用的光伏系统由20块太阳能面板组成,其中18块为工作面板,组成6串3并的方式,通过逆变器进行并网发电;另外2块为参考太阳能面板,1块获取开路电压UOC,另1块获取短路电流ISC。
在本实施例中,所述步骤S1中所述若干个电气参数包括阵列的电压参数样本和电流参数样本,所述电气参数样本组合记为(Uk,Ik),其中,k为样本采集序号,其中k为1到N的整数,每个数字代表一种工作状态,Uk为第k个电气参数样本组合中的电压参数样本,Ik代表第k个电气参数样本组合中的电流参数样本。
在本实施例中,所述工作状态包括正常工作、单支路开路、双支路开路、单支路上1个组件短路、单支路上2个组件短路、单支路上2个组件局部阴影及2串支路上各2个组件局部阴影。特别地,本实施例在模拟光伏发电系统的8种工作状态进行采集数据:正常工作、单支路开路(开路1)、双支路开路(开路2)、单串上1个组件短路(短路1)、单串上2个组件短路(短路2)、单串上2和5个组件局部阴影(阴影2和阴影5)及2串支路上各2个组件局部阴影(阴影2_2)进行光伏并网发电系统的数据采集,在2015年3月份内分多个时间段,在不同的照度和温度下进行数据随机采集,采集的样本总数21890个,每种样本数量、比例及其对应的标签值如表1所示。随机选取其中60%作为训练样本集,剩余40%作为验证样本集。采集样本的同时采集参考太阳能板的开路电压UOC和短路电流ISC。
表1不同工作状态下采集的样本数
在本实施例中,所述步骤S2中对样本进行归一化的具体方法为:将电气参数样本映射到区间[0,1]内,具体映射公式为:
式中,S为光伏阵列中串联的太阳能板数目,P为光伏阵列中并联的太阳能板数目,UOC为参考太阳能板的开路电压,ISC为参考太阳能板的短路电流,为归一化后的电压参数样本,为归一化后的电流参数样本,得到归一化后的电气参数样本组合为:较佳的,本实施例中归一化后的电压和电流分布如图3所示。
在本实施例中,所述步骤S3中得到测试样本组合的具体方法为:选择径向基核函数:K(Xi,Xj)=exp(-g||Xi-Xj||)2为支持向量机SVM的核函数,其中g为径向基核函数参数,Xi为第i个样本向量,Xj为第j个样本向量。
在本实施例中,步骤S4中采用PSO算法计算出最优的VMS核函数参数g和惩罚参数c的具体方法为:
步骤S41:初始化粒子群微粒的位置和速度,并初始化SVM的参数错分样本的惩罚因子c和RBF核函数参数g;
步骤S42:评价粒子群中每个微粒的适应度,计算每个微粒的目标函数;
步骤S43:对每个微粒,将微粒的适应度和经历过的当前最好位置pbest作比较,选择适应度最大时的位置作为当前最好位置pbest;
步骤S44:对每个微粒,将微粒的适应度和经历过的全局最好位置gbest作比较,如果微粒的适应度更好则重新设置gbest;
步骤S45:利用粒子速度更新方程变化微粒的位置和速度;
步骤S46:终止条件的满足:当迭代次数或者适应值满足条件,则终止迭代,获得优化最佳的SVM参数;否则返回步骤S43。
较佳的,本实施例可得到的PSO寻优适应度曲线如图4所示,可以得到最佳的SVM参数c=0.71774,g=663.9716,同时可得系统的故障检测准确率可达到99.7533%(21836/21890),每种工作状态的分类准确率如表2所示:
表2光伏阵列故障检测和分类准确率
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法,其特征在于具体包括以下步骤:
步骤S1:采集不同工作状态下的光伏发电阵列工作于最大功率点时的若干个电气参数,得到电气参数样本组合;
步骤S2:将步骤S1中获取的每个电气参数样本进行归一化;
步骤S3:根据步骤S2中归一化后的电气参数样本组合得到测试样本组合;
步骤S4:将测试样本组合分成训练集和验证集;对验证样本集中的每个样本进行预测,采用PSO算法计算出最优的SVM核函数参数g和惩罚参数c,
步骤S5:根据步骤S4计算出的最优的核函数参数g和惩罚参数c,SVM分类器对训练集样本中的每个样本进行训练,得到训练模型;
步骤S6:利用所述步骤S5建立的训练模型对光伏发电阵列工作时的电气参数进行检测和分类,判断系统是否处于故障状态,若处于故障状态则给出故障类型。
2.根据权利要求1所述的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法,其特征在于:所述步骤S1中所述若干个电气参数包括阵列的电压参数样本和电流参数样本,所述电气参数样本组合记为(Uk,Ik),其中,k为样本采集序号,其中k为1到N的整数,每个数字代表一种工作状态,Uk为第k个电气参数样本组合中的电压参数样本,Ik代表第k个电气参数样本组合中的电流参数样本。
3.根据权利要求1所述的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法,其特征在于:所述工作状态包括正常工作、单支路开路、双支路开路、单支路上1个组件短路、单支路上2个组件短路、单支路上2个组件局部阴影及2串支路上各2个组件局部阴影。
4.根据权利要求1所述的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法,其特征在于:所述步骤S2中对样本进行归一化的具体方法为:将电气参数样本映射到区间[0,1]内,具体映射公式为:
式中,S为光伏阵列中串联的太阳能板数目,P为光伏阵列中并联的太阳能板数目,UOC为参考太阳能板的开路电压,ISC为参考太阳能板的短路电流,为归一化后的电压参数样本,为归一化后的电流参数样本,得到归一化后的电气参数样本组合为:
5.根据权利要求1所述的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法,其特征在于:所述步骤S3中得到测试样本组合的具体方法为:选择径向基核函数:K(Xi,Xj)=exp(-g||Xi-Xj||)2为支持向量机SVM的核函数,其中g为径向基核函数参数,Xi为第i个样本向量,Xj为第j个样本向量。
6.根据权利要求1所述的基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法,其特征在于:步骤S4中采用PSO算法计算出最优的SVM核函数参数g和惩罚参数c的具体方法为:
步骤S41:初始化粒子群微粒的位置和速度,并初始化SVM的参数错分样本的惩罚因子c和RBF核函数参数g;
步骤S42:评价粒子群中每个微粒的适应度,计算每个微粒的目标函数;
步骤S43:对每个微粒,将微粒的适应度和经历过的当前最好位置pbest作比较,选择适应度最大时的位置作为当前最好位置pbest;
步骤S44:对每个微粒,将微粒的适应度和经历过的全局最好位置gbest作比较,如果微粒的适应度更好则重新设置gbest;
步骤S45:利用粒子速度更新方程变化微粒的位置和速度;
步骤S46:终止条件的满足:当迭代次数或者适应值满足条件,则终止迭代,获得优化最佳的SVM参数;否则返回步骤S43。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510168541.XA CN104753461B (zh) | 2015-04-10 | 2015-04-10 | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510168541.XA CN104753461B (zh) | 2015-04-10 | 2015-04-10 | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104753461A CN104753461A (zh) | 2015-07-01 |
CN104753461B true CN104753461B (zh) | 2017-04-12 |
Family
ID=53592676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510168541.XA Active CN104753461B (zh) | 2015-04-10 | 2015-04-10 | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104753461B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI634736B (zh) * | 2017-10-03 | 2018-09-01 | 茂迪股份有限公司 | 估算虛擬日照量的方法及太陽能發電場的警示系統 |
CN110582159A (zh) * | 2019-08-30 | 2019-12-17 | 武汉科技大学 | 一种fpc焊盘表面缺陷处理系统和方法 |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105141255A (zh) * | 2015-08-12 | 2015-12-09 | 河海大学常州校区 | 一种光伏阵列故障诊断方法 |
CN105184392B (zh) * | 2015-08-21 | 2019-02-05 | 许昌许继软件技术有限公司 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
CN105243428A (zh) * | 2015-09-07 | 2016-01-13 | 天津市市政工程设计研究院 | 基于蝙蝠算法优化支持向量机预测公交车到站时间的方法 |
CN105469138B (zh) * | 2015-11-10 | 2018-01-02 | 南京航空航天大学 | 基于粒子群和支持向量机的控制系统执行器故障诊断方法 |
CN106067758A (zh) * | 2016-05-25 | 2016-11-02 | 河海大学常州校区 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
CN106230377B (zh) * | 2016-07-01 | 2018-04-27 | 重庆大学 | 一种光伏电池板热斑故障检测方法 |
CN106529124A (zh) * | 2016-10-14 | 2017-03-22 | 云南电网有限责任公司昆明供电局 | 基于主成分分析与支持向量机的变压器绝缘状态评估方法 |
CN106602595B (zh) * | 2016-11-28 | 2019-07-23 | 国网青海省电力公司 | 一种并网光伏逆变器交流侧阻抗平衡指数评估方法 |
CN106600140B (zh) * | 2016-12-07 | 2022-09-02 | 特瑞斯能源装备股份有限公司 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
CN106777984B (zh) * | 2016-12-19 | 2019-02-22 | 福州大学 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
CN107180983B (zh) * | 2017-05-16 | 2020-01-03 | 华中科技大学 | 一种固体氧化物燃料电池电堆故障诊断方法和系统 |
CN107562992B (zh) * | 2017-07-25 | 2020-04-28 | 华南理工大学 | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 |
CN107358059A (zh) * | 2017-09-01 | 2017-11-17 | 北京天诚同创电气有限公司 | 短期光伏能量预测方法和装置 |
CN107741410A (zh) * | 2017-09-18 | 2018-02-27 | 燕山大学 | 一种基于icso‑svm的苯并类物质的荧光光谱检测法 |
CN108228800B (zh) * | 2017-12-29 | 2022-03-15 | 无锡十一新能源投资有限公司 | 一种基于数据挖掘的光伏发电系统异常检测系统及方法 |
CN108647716B (zh) * | 2018-05-09 | 2021-08-06 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
CN109117865A (zh) * | 2018-07-13 | 2019-01-01 | 福州大学 | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 |
CN109039281A (zh) * | 2018-08-10 | 2018-12-18 | 江南大学 | 一种基于改进随机森林算法的光伏阵列故障诊断方法 |
CN109670687B (zh) * | 2018-12-06 | 2021-03-26 | 华中科技大学 | 一种基于粒子群优化支持向量机的质量分析方法 |
CN109617526A (zh) * | 2018-12-20 | 2019-04-12 | 福州大学 | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 |
CN109743019B (zh) * | 2018-12-21 | 2023-09-19 | 中国计量大学 | 基于气象因素的热斑温度预测及热斑定位的系统和方法 |
CN109828545B (zh) * | 2019-02-28 | 2020-09-11 | 武汉三工智能装备制造有限公司 | Ai智能过程异常识别闭环控制方法、主机及装备系统 |
CN110376519B (zh) * | 2019-08-30 | 2021-11-16 | 国家电网有限公司 | 高压断路器故障诊断方法、装置及终端设备 |
CN110852017A (zh) * | 2019-10-08 | 2020-02-28 | 湖南省计量检测研究院 | 基于粒子群优化的支持向量机的氢燃料电池故障诊断方法 |
JP7232228B2 (ja) | 2019-10-16 | 2023-03-02 | タタ コンサルタンシー サービシズ リミテッド | ソーラーパネルネットワークにおける故障の検出、診断及び位置確認のための方法及びシステム |
CN110907810B (zh) * | 2019-12-02 | 2021-01-26 | 电子科技大学 | 基于粒子群算法的模拟电路单故障诊断方法 |
CN111398811A (zh) * | 2020-03-20 | 2020-07-10 | 湖南科技大学 | 基于终端电流代价敏感学习的pmsm退磁故障诊断方法 |
CN111582510B (zh) * | 2020-05-13 | 2021-08-31 | 中国民用航空飞行学院 | 基于支持向量机的智能识别方法、识别系统及民航发动机 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164707A (zh) * | 2011-12-09 | 2013-06-19 | 天津工业大学 | 一种基于支持向量机和粒子群优化算法的镜头边界检测方法 |
JP6209412B2 (ja) * | 2013-09-27 | 2017-10-04 | 株式会社日立製作所 | 太陽光発電システムの故障診断システム及び故障診断方法 |
KR101448989B1 (ko) * | 2014-05-21 | 2014-10-14 | 쏠라이앤에스(주) | 태양전지모듈 고장 진단 방법 및 태양광 발전 시스템 |
CN104092440B (zh) * | 2014-07-21 | 2017-07-28 | 阳光电源股份有限公司 | 光伏系统直流电弧故障检测方法、装置、处理器及其系统 |
CN104320075B (zh) * | 2014-10-13 | 2016-11-30 | 晖保智能科技(上海)有限公司 | 光伏电站故障分析与诊断系统 |
-
2015
- 2015-04-10 CN CN201510168541.XA patent/CN104753461B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI634736B (zh) * | 2017-10-03 | 2018-09-01 | 茂迪股份有限公司 | 估算虛擬日照量的方法及太陽能發電場的警示系統 |
CN110582159A (zh) * | 2019-08-30 | 2019-12-17 | 武汉科技大学 | 一种fpc焊盘表面缺陷处理系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104753461A (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104753461B (zh) | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 | |
CN106777984B (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
CN108062571A (zh) | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 | |
CN105846780B (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
Li et al. | A fault diagnosis method for photovoltaic arrays based on fault parameters identification | |
CN106230377B (zh) | 一种光伏电池板热斑故障检测方法 | |
CN109738776A (zh) | 基于lstm的风机变流器开路故障识别方法 | |
CN107579707A (zh) | 一种基于参数辨识的光伏阵列故障诊断方法 | |
CN106059496B (zh) | 一种光伏组件阵列性能监测和故障识别的方法及系统 | |
CN105827200A (zh) | 光电系统中电池组串故障的识别方法、装置和设备 | |
CN106100579B (zh) | 一种基于数据分析的光伏电站故障诊断方法 | |
CN109034220A (zh) | 一种基于最优旋转森林的智能光伏阵列故障诊断方法 | |
CN109766952A (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
CN109583515A (zh) | 一种基于BP_Adaboost的光伏发电故障检测与分类方法 | |
CN108983749A (zh) | 基于k-svd训练稀疏字典的光伏阵列故障诊断方法 | |
Wang et al. | Probability modeling for PV array output interval and its application in fault diagnosis | |
CN205792451U (zh) | 一种光伏并网系统的故障检测装置 | |
Liu et al. | Time series clustering and physical implication for photovoltaic array systems with unknown working conditions | |
CN109617526A (zh) | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 | |
CN106845562B (zh) | 光伏组件的故障监测系统及数据处理方法 | |
CN109782124A (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 | |
Liu et al. | A fault detection and diagnosis technique for solar system based on Elman neural network | |
Yun et al. | Research on fault diagnosis of photovoltaic array based on random forest algorithm | |
CN109117865A (zh) | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 | |
CN104598969B (zh) | 一种基于神经网络的高压电器运行质量评估方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230327 Address after: Floor 21, Building 1, Zone G, Fuzhou Software Park, No. 89, Software Avenue, Gulou District, Fuzhou City, Fujian Province, 350100 Patentee after: FUJIAN ZHISHANFLIAN INTELLIGENT TECHNOLOGY CO.,LTD. Address before: 350108 new campus of Fuzhou University, No. 2, Xue Yuan Road, University Town, Minhou street, Minhou, Fujian. Patentee before: FUZHOU University |