CN106021806B - 一种基于核函数极限学习机的光伏组串故障诊断方法 - Google Patents
一种基于核函数极限学习机的光伏组串故障诊断方法 Download PDFInfo
- Publication number
- CN106021806B CN106021806B CN201610394965.2A CN201610394965A CN106021806B CN 106021806 B CN106021806 B CN 106021806B CN 201610394965 A CN201610394965 A CN 201610394965A CN 106021806 B CN106021806 B CN 106021806B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- string formation
- kernel function
- equivalent
- kelm
- 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.)
- Expired - Fee Related
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 40
- 230000006870 function Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000010354 integration Effects 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000010845 search algorithm Methods 0.000 claims abstract description 6
- 238000003745 diagnosis Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 230000032683 aging Effects 0.000 claims description 8
- 230000007257 malfunction Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- 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
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于核函数极限学习机的光伏组串故障诊断方法,具体包括以下步骤:步骤S1:对光伏组串进行伏安特性扫描,并进行曲线拟合,获取光伏内部等效五参数;步骤S2:获取的光伏内部等效五参数进行整合归一化;步骤S3:采用模式搜索算法计算出最优KELM算法核函数的若干个系数;步骤S4:将计算出的系数带入KELM并对样本进行训练,得到训练模型。步骤S5:利用训练模型对光伏组串进行故障检测和分类。本发明所提出的基于核函数极限学习机的光伏组串故障诊断方法,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组串故障检测和分类技术,特别是一种基于核函数极限学习机的光伏组串故障诊断方法。
背景技术
由于光伏组件阵列安装和工作在复杂的户外环境中,同时受到热循环、湿度,紫外线,风激振等各种环境因素的作用,容易出现局部材料老化、性能下降、裂纹、开路或者短路等各种故障问题,故障的产生会降低电站的发电效率,严重时甚至会发生火灾,危害社会财产安全,为了尽可能地延长光伏发电系统的寿命、使其逼近理论的工作年限,以及使电站尽可能地高效发电,从而降低光伏发电的成本,提高电站的运营过程中的安全性,及时、有效和高效的维护十分关键。随着世界各国光伏发电装机量的快速增长,光伏发电系统的自动监测与故障诊断近年来得到国内外越来越多的学者和相关机构的关注。
近年来,多种故障诊断方法与技术相继被提出。窗口电压检测法通过计算组件串的窗口工作电压可检测出开路和短路故障数量。基于参数模型的故障诊断方法通过耦合数学方程和能量守恒方程建立模型,利用光伏组件与环境的总热交换系数进行故障诊断。由于光伏组件故障具有多元、多层次、模糊态等特点,为了更准确地识别故障,人工智能算法被引入其中。基于BP神经网络的组件在线诊断方法,将光伏组件的开路电压、短路电流、最大功率点电压电流作为神经网络的输入向量,以此区分出组件正常、短路或者异常老化三种状态。基于RBF神经网络的故障诊断方法则首先对光伏组件进行参数辨识,获取到各工况下组件内部等效参数作为故障训练网络的输入向量,该方法能更为客观、有效地识别出故障类型。但该方法仍然缺乏对局部固有阴影故障的检测,同时其故障模型的诊断精度和训练时间还有较大提升空间。
极限学习机理论由Huang等于2006年提出,ELM是针对SLFN的新算法,该算法随机产生输入层和隐含层的连接权值及隐含层神经元的阀值,且在训练过程中无须调整,只需要设置隐含层神经元的个数,便可以获得唯一的最优解。并已衍生出基本极限学习机、在线序贯极限学习机与核函数极限学习机(extreme learning machine with kernel,KELM)等相关算法。KELM是一种单层前馈神经网络算法,相对于基本ELM算法,其解决回归预测问题的能力更强;而相对于BP神经网络、支持向量机算法,具有相似或更好的预测精度,且计算速度更快。将参数辨识的最优均方根误差(RMSE)引入作为局部阴影检测的特征向量,并根据各故障状态下内部等效参数之间的变化关系对输入特征向量进行整合优化,又引入核极限学习机(KELM)对各参数向量进行训练并利用模式搜索算法对核函数参数寻优,最终建立的故障诊断模型减小了故障模型的训练时间,同时显著地提高了包括局部阴影在内的多种故障的诊断精度。
目前,公开发表的文献及专利中尚未见有将核函数极限学习机算法应用于光伏发电组串的故障诊断和分类的研究。
发明内容
本发明的目的在于提供一种基于核函数极限学习机的光伏组串故障诊断方法,以克服现有技术中存在的缺陷。
为实现上述目的,本发明的技术方案是一种基于核函数极限学习机的光伏组串故障诊断方法,包括如下步骤:
步骤S1:对各预设工况下的光伏发电组串进行伏安特性曲线扫描,采集电流、电压、光照、温度数据,分别对采集得到的数据进行拟合,获得光伏内部等效五参数样本;
步骤S2:将所述光伏内部等效五参数样本进行整合归一化,获取样本数据;
步骤S3:将所述样本数据分成训练集和验证集;对所述验证集中的每个样本进行预测,并采用模式搜索算法计算出最优KELM算法核函数的正则化系数C、常数项α以及最高项次数d;
步骤S4:根据所述步骤S3计算出的最优的核函数系数,利用ELM分类器对训练集中的每个样本进行训练,得到KELM故障诊断训练模型;
步骤S5:通过所述步骤S1以及所述步骤S2对实际待测工况进行处理,并利用所述KELM故障诊断训练模型,对所述实际待测工况下的光伏发电组串内部等效参数进行检测和分类,判断光伏发电组串系统是否处于故障状态;若处于故障状态,则给出故障类型。
在本发明一实施例中,在所述步骤S1中,所述光伏内部等效五参数包括:光生电流Iph、二极管反向饱和电流Id、等效串联电阻Rs、等效并联电阻Rsh以及二极管品质因子n。
在本发明一实施例中,在所述步骤S2中,通过如下方式对所述光伏内部等效五参数样本进行整合归一化:
步骤S21:将所提取的光伏组件等效串联电阻Rs以及等效并联电阻Rsh的乘积q、光生电流n、二极管反向饱和电流Iph以及r=RMSE*100作为KELM故障诊断训练模型四个维度的输入向量,其中,RMSE为所述步骤S1中数据拟合过程中参数辨识的最终均方根误差;
步骤S22:将所述步骤S21中获取的四维向量归一化至[-1,1]区间内。
在本发明一实施例中,在所述步骤S3中,选择多项式核函数ΩELM=(x·xi+α)d为KELM算法核函数,其中α为常数项、d为最高项次数,x为神经元组成向量,xi为神经元。
在本发明一实施例中,所述预设工况包括:正常工作、组串短路、组串老化以及组串局部阴影。
相较于现有技术,本发明具有以下有益效果:本发明所提出的一种基于核函数极限学习机的光伏组串故障诊断方法,通过仿真和实例的验证和分析结果表明,将参数辨识的最优均方根误差(RMSE)引入作为局部阴影检测的特征向量,实验结果表明该特征向量对于识别阴影故障具有很高的灵敏度。通过对输入特征向量的整合优化,使得神经网络的训练时间大幅缩短,训练精度和测试精度提升近10%。该方法可以准确识别出正常、短路、老化及阴影各状态类型。由于光伏组串和光伏阵列的等效电路特征具有统一性,该诊断方法亦可以被拓展到光伏阵列的故障检测中,为光伏电站的维护工作提供便利。
附图说明
图1为本发明中基于核函数极限学习机的光伏组串故障诊断方法的流程图。
图2为本发明一实施例中光伏发电组串系统拓扑图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供一种基于核函数极限学习机的光伏发电组串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,通过模拟光伏发电组串出现的不同的故障状况,例如开路、短路、局部阴影等工作状态,在不同的气候条件下,选择不同的时段,针对每种故障情况获取海量内部等效参数,具体包括以下步骤:
步骤S1:对预设工况下的光伏发电组串进行伏安特性扫描,包括正常、短路、老化和阴影等各种常见工况,采集电流、电压、光照、温度数据,分别对采集得到的数据进行拟合,获得光伏内部等效五参数样本;
步骤S2:将步骤S1中获取的光伏内部等效五参数样本进行整合归一化,获取样本数据;;
步骤S3: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,采用模式搜索算法计算出最优KELM算法核函数的若干个系数,包括正则化系数C、常数项α以及最高项次数d;
步骤S4:根据步骤S3计算出的最优的核函数系数,ELM分类器对训练集样本中的每个样本进行训练,得到KELM故障诊断训练模型;
步骤S5:利用所述步骤S5建立的训练模型对实际待测任意工况下光伏发电组串内部等效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,在本实施例中,采集数据所采用的光伏系统由3*6块太阳能面板组成,组成6串3并的方式。
进一步的,在本实施例中,步骤S1内部等效五参数包括光生电流Iph、二极管反向饱和电流Id、等效串联电阻Rs、等效并联电阻Rsh以及二极管品质因子n。
进一步的,在本实施例中,预设工况以及实际待测工况包括:正常工作、组串短路(组件短路1-3块)、组串老化(串联电阻增加6-12欧)、组串局部阴影(遮蔽组件1-3块),且组串短路(组件短路1-3块)、组串老化(串联电阻增加6-12欧)以及组串局部阴影(遮蔽组件1-3块)均为故障状态中的不同故障类型。
在本实施例中,在2016年4-5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430组,每种样本数量、比例如表1所示。随机选取其中75%组作为训练样本集,剩余25%作为验证样本集。
表1分类样本数量及比例
进一步的,在本实施例中,步骤S2中对样本进行整合归一化的具体方法为:根据光伏组件发生电池片短路和局部老化时Rs、Rsh变化规律,将Rs与Rsh的乘积q作为特征变量,以提高短路及老化故障类型诊断的正确率。并选取n、Iph以及r=RMSE*100,其中,RMSE为步骤S1中数据拟合过程中参数辨识的最终均方根误差。共同构成KELM故障诊断训练模型的四个维度输入向量。然后将四维向量归一化至[-1,1]区间内。
较佳的,在本实施例中,可通过模式搜索算法,也即PS算法,得到最佳的KELM的正则化系数c=10,常数项α=6,最高项次数d=1。选择多项式核函数ΩELM=(x·xi+α)d作为KELM算法的核函数,其中α为常数项、d为最高项次数,x为神经元组成向量,xi为神经元。将n个四维向量作为KELM的输入样本,每一维对应KELM的各个输入神经元,通过训练得到KELM故障诊断训练模型。
进一步的,在本实施例中,该KELM故障诊断训练模型的故障检测准确率可达到93.5%(402/430),训练和测试结果以及每种工作状态的分类准确率如表2、3所示:
表2光伏组串训练和测试结果
表3光伏组串故障检测和分类准确率
参数 | 正常 | 短路 | 老化 | 阴影 | 总体 |
平均测试精度/% | 93.7 | 81.8 | 87.5 | 100 | 93.5 |
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (4)
1.一种基于核函数极限学习机的光伏组串故障诊断方法,其特征在于,包括如下步骤:
步骤S1:对各预设工况下的光伏发电组串进行伏安特性曲线扫描,采集电流、电压、光照、温度数据,分别对采集得到的数据进行拟合,获得光伏内部等效五参数样本;
步骤S2:将所述光伏内部等效五参数样本进行整合归一化,获取样本数据;
步骤S3:将所述样本数据分成训练集和验证集;对所述验证集中的每个样本进行预测,并采用模式搜索算法计算出最优KELM算法核函数的正则化系数C、常数项α以及最高项次数d;
步骤S4:根据所述步骤S3计算出的最优的核函数系数,利用ELM分类器对训练集中的每个样本进行训练,得到KELM故障诊断训练模型;
步骤S5:通过所述步骤S1以及所述步骤S2对实际待测工况进行处理,并利用所述KELM故障诊断训练模型,对所述实际待测工况下的光伏发电组串内部等效参数进行检测和分类,判断光伏发电组串系统是否处于故障状态;若处于故障状态,则给出故障类型;
在所述步骤S3中,选择多项式核函数ΩELM=(x·xi+α)d为KELM算法核函数,其中α为常数项、d为最高项次数,x为神经元组成向量,xi为神经元。
2.根据权利要求1所述的一种基于核函数极限学习机的光伏组串故障诊断方法,其特征在于,在所述步骤S1中,所述光伏内部等效五参数包括:光生电流Iph、二极管反向饱和电流Id、等效串联电阻Rs、等效并联电阻Rsh以及二极管品质因子n。
3.根据权利要求2所述的一种基于核函数极限学习机的光伏组串故障诊断方法,其特征在于,在所述步骤S2中,通过如下方式对所述光伏内部等效五参数样本进行整合归一化:
步骤S21:将所提取的光伏组件等效串联电阻Rs以及等效并联电阻Rsh的乘积q、光生电流n、二极管反向饱和电流Iph以及r=RMSE*100作为KELM故障诊断训练模型四个维度的输入向量,其中,RMSE为所述步骤S1中数据拟合过程中参数辨识的最终均方根误差;
步骤S22:将所述步骤S21中获取的四维向量归一化至[-1,1]区间内。
4.根据权利要求1所述的一种基于核函数极限学习机的光伏组串故障诊断方法,其特征在于,所述预设工况包括:正常工作、组串短路、组串老化以及组串局部阴影。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610394965.2A CN106021806B (zh) | 2016-06-06 | 2016-06-06 | 一种基于核函数极限学习机的光伏组串故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610394965.2A CN106021806B (zh) | 2016-06-06 | 2016-06-06 | 一种基于核函数极限学习机的光伏组串故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106021806A CN106021806A (zh) | 2016-10-12 |
CN106021806B true CN106021806B (zh) | 2018-10-30 |
Family
ID=57089601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610394965.2A Expired - Fee Related CN106021806B (zh) | 2016-06-06 | 2016-06-06 | 一种基于核函数极限学习机的光伏组串故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106021806B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106961248B (zh) * | 2017-04-25 | 2019-03-26 | 西安交通大学 | 光伏系统故障电弧检测方法 |
CN108092622B (zh) * | 2017-12-14 | 2023-09-05 | 中国计量大学 | 一种基于电阻计算的光伏组串故障诊断方法 |
CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
CN108509736B (zh) * | 2018-04-09 | 2021-11-23 | 中国计量大学 | 一种用于故障诊断的光伏组件参数提取方法 |
CN109613841B (zh) * | 2018-12-05 | 2022-01-11 | 中国计量大学 | 一种故障状态下的太阳能光伏组件参数辨识方法 |
CN109409024B (zh) * | 2018-12-25 | 2022-09-06 | 福州大学 | 基于一维深度残差网络的光伏组件电压电流特性建模方法 |
CN109766952B (zh) * | 2019-01-21 | 2022-08-12 | 福州大学 | 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 |
CN110297136B (zh) | 2019-05-28 | 2022-01-11 | 华为数字技术(苏州)有限公司 | 一种检测条件确定方法、装置及光伏系统 |
CN110417350B (zh) * | 2019-07-24 | 2022-04-22 | 南通大学 | 一种光伏阵列的故障诊断方法 |
CN111030597B (zh) * | 2019-12-31 | 2021-08-10 | 国网思极神往位置服务(北京)有限公司 | 一种无人机自动充电站的太阳能故障诊断方法 |
CN113971417A (zh) * | 2020-07-23 | 2022-01-25 | 国网天津市电力公司 | 一种基于核极限学习机的10kV配网故障模式识别方法及系统 |
CN112085108B (zh) * | 2020-09-11 | 2023-08-18 | 杭州华电下沙热电有限公司 | 基于自动编码器及k均值聚类的光伏电站故障诊断算法 |
CN112949198B (zh) * | 2021-03-10 | 2024-04-12 | 阳光电源股份有限公司 | 光伏组串的故障检测方法、装置及计算机存储介质 |
CN113515885B (zh) * | 2021-04-23 | 2023-09-12 | 上海岩芯电子科技有限公司 | 一种光伏组件智能健康状态诊断方法 |
CN113221468B (zh) * | 2021-05-31 | 2022-07-08 | 福州大学 | 基于集成学习的光伏阵列故障诊断方法 |
CN113657027A (zh) * | 2021-08-03 | 2021-11-16 | 西安理工大学 | 一种光伏组件故障诊断方法、系统、设备及存储介质 |
CN114970600A (zh) * | 2022-04-11 | 2022-08-30 | 昆明理工大学 | 基于粒化散布熵和优化kelm的滚动轴承故障诊断方法、装置 |
CN115208315A (zh) * | 2022-09-14 | 2022-10-18 | 盛世华通(山东)电气工程有限公司 | 一种基于多故障特征值的光伏智能故障诊断方法 |
TWI813515B (zh) * | 2022-12-08 | 2023-08-21 | 財團法人工業技術研究院 | 偵測太陽能電池中的熱斑區域的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046374A (zh) * | 2015-08-25 | 2015-11-11 | 华北电力大学 | 一种基于核极限学习机模型的功率区间预测方法 |
CN105354363A (zh) * | 2015-10-09 | 2016-02-24 | 上海大学 | 基于核极限学习机的脉动风速预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6075997B2 (ja) * | 2012-08-27 | 2017-02-08 | 株式会社日立製作所 | 太陽光発電システムの故障診断方法 |
-
2016
- 2016-06-06 CN CN201610394965.2A patent/CN106021806B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046374A (zh) * | 2015-08-25 | 2015-11-11 | 华北电力大学 | 一种基于核极限学习机模型的功率区间预测方法 |
CN105354363A (zh) * | 2015-10-09 | 2016-02-24 | 上海大学 | 基于核极限学习机的脉动风速预测方法 |
Non-Patent Citations (1)
Title |
---|
近红外光谱结合LSTSVM算法判别不同等级烟叶;宋相中 等;《分析科学学报》;20140630;第30卷(第3期);第327-331页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106021806A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021806B (zh) | 一种基于核函数极限学习机的光伏组串故障诊断方法 | |
CN108062571B (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 | |
CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
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 | |
CN106961249B (zh) | 一种光伏阵列故障诊断和预警方法 | |
CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
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 | |
CN104915747B (zh) | 一种发电机组的发电性能评估方法及设备 | |
CN110008628B (zh) | 一种光伏阵列故障参数辨识方法 | |
CN107395121B (zh) | 基于格拉布斯准则及离群点检测光伏阵列故障检测方法 | |
CN109766952B (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 | |
CN108876163B (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
CN109711609A (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
CN108092622B (zh) | 一种基于电阻计算的光伏组串故障诊断方法 | |
CN110348513A (zh) | 一种基于深度学习的风电机组故障预测方法 | |
CN107276531B (zh) | 一种光伏组件在线故障分级诊断系统及方法 | |
Chunlai et al. | Retracted: A Survey of Online Fault Diagnosis for PV Module Based on BP Neural Network | |
CN111931851A (zh) | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 | |
CN109992911A (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
CN109583515A (zh) | 一种基于BP_Adaboost的光伏发电故障检测与分类方法 | |
CN109359702A (zh) | 基于卷积神经网络的光伏阵列故障诊断方法 | |
CN109842372A (zh) | 一种光伏组件故障检测方法和系统 | |
CN104485889A (zh) | 用于多个相同安装倾角的光伏发电单元的故障检测方法 | |
Yun et al. | Research on fault diagnosis of photovoltaic array based on random forest algorithm | |
CN110022130A (zh) | 一种光伏阵列故障检测设备和方法 |
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 | ||
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: 20181030 Termination date: 20210606 |