CN106067758A - 基于参数辨识的光伏发电系统故障诊断方法及系统 - Google Patents
基于参数辨识的光伏发电系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN106067758A CN106067758A CN201610353517.8A CN201610353517A CN106067758A CN 106067758 A CN106067758 A CN 106067758A CN 201610353517 A CN201610353517 A CN 201610353517A CN 106067758 A CN106067758 A CN 106067758A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- generating system
- photovoltaic generating
- diagnosis model
- parameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 70
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 230000001537 neural effect Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 6
- 210000003850 cellular structure Anatomy 0.000 abstract description 3
- 230000007257 malfunction Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010792 warming 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参数辨识的光伏发电系统故障诊断方法及系统,本故障诊断方法,包括:建立光伏发电系统的故障诊断模型,并获得最优解;对故障诊断模型进行训练;通过训练后的故障诊断模型对光伏发电系统进行故障诊断;本发明首先针对光伏发电系统容易出现的问题,即光伏电池组件的开路和短路、逆变器过载、控制系统故障,建立失配条件下基于参数辨识的光伏发电系统故障诊断模型;然后根据光伏电站在不同工作状态下的数据得出I‑U曲线,并对实测的I‑U曲线进行模拟仿真得出模型参数的最优解;利用RBF神经网络对模型进行训练,得到训练好的故障诊断模型;将光伏电站的测试样本或实时样本输入到模型中进行故障诊断。
Description
技术领域
本发明涉及一种基于参数辨识的光伏电站故障诊断方法,属于新能源控制技术领域。
背景技术
进入21世纪以来,随着全球气候变暖,以及自然能源的不断消耗,世界的全球资源越来越紧张,世界面临着前所未有的能源危机与挑战,太阳能、风能等蕴藏量丰富的可再生新能源日益受到人们的重视。近几年国内太阳能光伏工业迅速发展,各光伏企业的光伏组件产量逐年增长,全国已建或在建的光伏电站数量也在迅速增加。
在整个光伏发电系统中难免会出现光伏组件生产过程中存在的局部缺陷、逆变器出现过载或控制系统出现故障等问题,而只要这些环节中的任意一环发生故障,就会影响到整个光伏发电系统的正常运行。因此,光伏发电系统故障诊断对及时发现光伏发电系统的潜在性故障,保证系统可靠、稳定运行具有重要意义。
发明内容
本发明的目的是提供一种基于参数辨识的光伏发电系统故障诊断方法及系统,以解决光伏发电系统故障诊断的技术问题。
为了解决上述技术问题,本发明提供了一种光伏发电系统的故障诊断方法,包括如下步骤:
步骤S1,建立光伏发电系统的故障诊断模型,并获得最优解;
步骤S2,对故障诊断模型进行训练;以及
步骤S3,通过训练后的故障诊断模型对光伏发电系统进行故障诊断。
进一步,所述步骤S1中建立光伏发电系统的故障诊断模型的方法包括:
根据光伏电站在各工作状态下的数据得出光伏发电系统的I-U曲线,建立失配条件下基于参数辨识的所述故障诊断模型,以及
对实测的I-U曲线进行模拟仿真,实现参数辨识,得出模型参数的最优解;
其中,各工作状态包括:光伏组件的开路和短路、逆变器过载、控制系统故障。
进一步,Ua,Ia是I-U曲线中任意一组电流、电压采样点;K适于表示为待求解参数,即K={Z1,Z2,Z3,Iph,ISD,n,(Rs、Rsh)},其中
光伏电池对应参数Z1、逆变器对应参数Z2、光伏并网控制系统对应参数Z3、光生电流Iph、二极管反向饱和电流ISD、二极管理想品质因素n以及等效串并联电阻Rs、Rsh;
所述故障诊断模型的建立方法包括如下步骤:
步骤S11,根据光伏发电系统中光伏电池、逆变器以及光伏并网控制系统的关系建立光伏发电系统模型f(Ua,Ia,z),其中
步骤S12,构造实测和仿真数据的均方根误差即为所述故障诊断模型,其中
N为实测数据的采样点总数,fi(Ua,Ia,z)是第i组实测和仿真数据的误差。
进一步,对实测的I-U曲线进行模拟仿真,实现参数辨识,得出模型参数的最优解的步骤包括:
步骤S13,根据实测的I-U曲线假设出逼近函数的形式y=f(x);
步骤S14,进入MATLAB曲线拟合工具箱选择逼近类型;
步骤S15,输入假设的函数y=f(x),设置函数中参数的上下限,进行曲线逼近;
步骤S16,求出函数中的未知参数,完成参数辨识。
进一步,所述步骤S2中对故障诊断模型进行训练的方法,即
利用RBF神经网络对故障诊断模型进行训练,以得到训练好的故障诊断模型。
进一步,利用RBF神经网络对故障诊断模型进行训练,以得到训练好的故障诊断模型的方法包括:
所述RBF神经网络中的径向基函数为高斯函数,其激活函数如下:
其中,xp=[x1 p,x2 p,...,xm p]T为第p个实测数据x的输入样本;||xp-ci||为欧氏范数;ci和σ分别为高斯函数的中心和方差。
进一步,所述RBF神经网络的输出为:
其中,ωij为隐含层到输出层的连接权值;i=1,2,…,h为隐含层节点数;yj为第j个节点的实际输出值;m为隐含层神经元个数。
进一步,所述RBF神经网络训练过程如下:
步骤S21,初始化,即
对实测数据x进行归一化处理,以辨识出的参数作为输入,故障类型作为输出,任意指定ωij,ci和σ值,预置允许误差,预置学习步长η1、η2和η3;
步骤S22,循环,即
直至达到允许误差ε或重复次数。
进一步,所述步骤S22中循环的步骤包括如下:
步骤S221,计算ej,j=1,2,3,...,N;
ej=dj-yj,其中,dj为预期输出值;ej为预期输出值与实际输出值之间的误差;
步骤S222,计算输出单元的权重的改变量:
改变权重:
步骤S223,计算单元的中心的改变量:
改变中心:
步骤S224,计算函数宽度的改变量:
改变宽度:
步骤S225,计算误差:
步骤S226,E≤ε,即达到允许误差或重复次数时,训练结束。
又一方面,本发明还提供了一种光伏发电系统的故障诊断系统。
所述故障诊断系统包括:
光伏发电系统的故障诊断模型,即对该故障诊断模型进行训练后,实现对光伏发电系统进行故障诊断。
本发明的有益效果是,本发明首先针对光伏发电系统在运营过程中出现的问题(光伏电池组件的开路和短路、逆变器过载、控制系统故障),建立失配条件下基于参数辨识的光伏发电系统故障诊断模型;然后根据光伏电站在不同工作状态下的数据得出I-U曲线,利用MATLAB对实测的I-U曲线进行模拟仿真得出模型参数的最优解;利用RBF神经网络对模型进行训练,得到训练好的故障诊断模型;将光伏电站的测试样本或实时样本输入到模型中进行故障诊断。本发明根据故障状态下组件内部等效参数的变化,对组件故障类型进行有效、客观诊断,而不是根据光伏组件的外部特性或电气特性进行粗略的、不精确的故障判断;可以提前知道故障类型和准确定位故障点,使得维护工作及时、有效地展开,提高测试方案的故障覆盖率、降低故障模糊度、平均测试成本、平均测试时间;实现了故障定位快速准确,减少故障危害时间,减少故障停机时间,提高光伏电站发电时间,提高光伏电站发电效率;及时发现光伏发电系统的潜在性故障,保证系统可靠、稳定运行,增强光伏发电系统的安全性,延长光伏设备维修周期和设备寿命。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的光伏发电系统的故障诊断方法的流程图一;
图2是本发明的光伏发电系统的故障诊断方法的流程图二。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
实施例1
如图1和图2所示,本发明的一种光伏发电系统的故障诊断方法,包括如下步骤:
步骤S1,建立光伏发电系统的故障诊断模型,并获得最优解;
步骤S2,对故障诊断模型进行训练;以及
步骤S3,通过训练后的故障诊断模型对光伏发电系统进行故障诊断。
具体的,所述步骤S1中建立光伏发电系统的故障诊断模型的方法包括:根据光伏电站在各工作状态下的数据得出光伏发电系统的I-U曲线,建立失配条件下基于参数辨识的所述故障诊断模型,以及对实测的I-U曲线进行模拟仿真,实现参数辨识,得出模型参数的最优解;其中,各工作状态包括:光伏组件的开路和短路、逆变器过载、控制系统故障。
具体的,所述故障诊断模型的建立方法包括如下步骤:
步骤S11,根据光伏发电系统中光伏电池、逆变器、光伏并网控制系统的关系建立光伏发电系统模型f(Ua,Ia,K),其中
Ua,Ia是I-U曲线中任意一组电流、电压采样点;K适于表示为待求解参数,即K={Z1,Z2,Z3,Iph,ISD,n,(Rs、Rsh)},其中
光伏电池对应参数Z1、逆变器对应参数Z2以及光伏并网控制系统对应参数Z3、光生电流Iph、二极管反向饱和电流ISD、二极管理想品质因素n以及等效串并联电阻Rs、Rsh;其中,K可以为上述参数的任意一种组合方式代入计算,即作为故障判断的依据。
步骤S12,构造实测和仿真数据的均方根误差即为所述故障诊断模型,其中N为实测数据的采样点总数,fi(Ua,Ia,K)是第i组实测和仿真数据的误差。
对实测的I-U曲线进行模拟仿真,实现参数辨识,得出模型参数的最优解的步骤包括:
步骤S13,根据实测的I-U曲线假设出逼近函数的形式y=f(x);
步骤S14,进入MATLAB曲线拟合工具箱选择逼近类型;
步骤S15,输入假设的函数y=f(x),设置函数中参数的上下限,进行曲线逼近;
步骤S16,求出函数中的未知参数,完成参数辨识。
所述步骤S2中对故障诊断模型进行训练的方法,即利用RBF神经网络对故障诊断模型进行训练,以得到训练好的故障诊断模型。
利用RBF神经网络对故障诊断模型进行训练,以得到训练好的故障诊断模型的方法包括:所述RBF神经网络中的径向基函数为高斯函数,其激活函数如下:其中,xp=[x1 p,x2 p,...,xm p]T为第p个实测数据x输入样本;||xp-ci||为欧氏范数;ci和σ分别为高斯函数的中心和方差。
所述RBF神经网络的输出为:
其中,ωij为隐含层到输出层的连接权值;i=1,2,…,h为隐含层节点数;yj为第j个节点的实际输出值;m为隐含层神经元个数。
所述RBF神经网络训练过程如下:
步骤S21,初始化,即对实测数据x进行归一化处理,以辨识出的参数作为输入,故障类型作为输出,任意指定ωij,ci和σ值,预置允许误差,预置学习步长η1、η2和η3;
步骤S22,循环,即直至达到允许误差ε或重复次数。
具体的,所述步骤S22中循环的步骤包括如下:
步骤S221,计算ej,j=1,2,3,...,N;
ej=dj-yj,其中,dj为预期输出值;ej为预期输出值与实际输出值之间的误差;
步骤S222,计算输出单元的权重的改变量:
改变权重:
步骤S223,计算单元的中心的改变量:
改变中心:
步骤S224,计算函数宽度的改变量:
改变宽度:
步骤S225,计算误差:
步骤S226,E≤ε,即达到允许误差或重复次数时,训练结束。
实施例2
在实施例1基础上,本实施例2还提供了一种光伏发电系统的故障诊断系统,包括:光伏发电系统的故障诊断模型,即对该故障诊断模型进行训练后,实现对光伏发电系统进行故障诊断。
其中,关于故障诊断模型的建立,训练等方法详见实施例1的相关论述,这里不再赘述。
将光伏发电系统的测试样本或实时样本输入到故障诊断模型中进行故障诊断,得到与故障诊断参数样本所对应的故障状态,判断光伏发电系统是否处于故障状态,若处于故障状态则给出相应故障类型(光伏电池组件的开路和短路、逆变器过载、控制系统故障等)。
本发明根据故障状态下组件内部等效参数的变化,对组件故障类型进行有效、客观诊断,而不是根据光伏组件的外部特性或电气特性进行粗略的、不精确的故障判断。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种光伏发电系统的故障诊断方法,其特征在于,包括如下步骤:
步骤S1,建立光伏发电系统的故障诊断模型,并获得最优解;
步骤S2,对故障诊断模型进行训练;以及
步骤S3,通过训练后的故障诊断模型对光伏发电系统进行故障诊断。
2.根据权利要求1所述的故障诊断方法,其特征在于,
所述步骤S1中建立光伏发电系统的故障诊断模型的方法包括:
根据光伏电站在各工作状态下的数据得出光伏发电系统的I-U曲线,建立失配条件下基于参数辨识的所述故障诊断模型,以及
对实测的I-U曲线进行模拟仿真,实现参数辨识,得出模型参数的最优解;
其中,各工作状态包括:光伏组件的开路和短路、逆变器过载、控制系统故障。
3.根据权利要求2所述的故障诊断方法,其特征在于,所述故障诊断模型的建立方法包括如下步骤:
步骤S11,根据光伏发电系统中光伏电池、逆变器以及光伏并网控制系统的关系建立光伏发电系统模型f(Ua,Ia,K),其中
Ua,Ia是I-U曲线中任意一组电流、电压采样点;K适于表示为待求解参数,即K={Z1,Z2,Z3,Iph,ISD,n,(Rs、Rsh)},其中
光伏电池对应参数Z1、逆变器对应参数Z2、光伏并网控制系统对应参数Z3、光生电流Iph、二极管反向饱和电流ISD、二极管理想品质因素n以及等效串并联电阻Rs、Rsh;
步骤S12,构造实测和仿真数据的均方根误差即为所述故障诊断模型,其中
N为实测数据的采样点总数,f(Ua,Ia,K)是第i组实测和仿真数据的误差。
4.根据权利要求3所述的故障诊断方法,其特征在于,
对实测的I-U曲线进行模拟仿真,实现参数辨识,得出模型参数的最优解的步骤包括:
步骤S13,根据实测的I-U曲线假设出逼近函数的形式y=f(x);
步骤S14,进入MATLAB曲线拟合工具箱选择逼近类型;
步骤S15,输入假设的函数y=f(x),设置函数中参数的上下限,进行曲线逼近;
步骤S16,求出函数中的未知参数,完成参数辨识。
5.根据权利要求4所述的故障诊断方法,其特征在于,
所述步骤S2中对故障诊断模型进行训练的方法,即
利用RBF神经网络对故障诊断模型进行训练,以得到训练好的故障诊断模型。
6.根据权利要求5所述的故障诊断方法,其特征在于,
利用RBF神经网络对故障诊断模型进行训练,以得到训练好的故障诊断模型的方法包括:
所述RBF神经网络中的径向基函数为高斯函数,其激活函数如下:
其中,xp=[x1 p,x2 p,...,xm p]T为第p个实测数据x的输入样本;||xp-ci||为欧氏范数;ci和σ分别为高斯函数的中心和方差。
7.根据权利要求6所述的故障诊断方法,其特征在于,
所述RBF神经网络的输出为:
其中,ωij为隐含层到输出层的连接权值;i=1,2,…,h为隐含层节点数;yj为第j个节点的实际输出值;m为隐含层神经元个数。
8.根据权利要求7所述的故障诊断方法,其特征在于,
所述RBF神经网络训练过程如下:
步骤S21,初始化,即
对实测数据x进行归一化处理,以辨识出的参数作为输入,故障类型作为输出,任意指定ωij,ci和σ值,预置允许误差,预置学习步长η1、η2和η3;
步骤S22,循环,即
直至达到允许误差ε或重复次数。
9.根据权利要求8所述的故障诊断方法,其特征在于,
所述步骤S22中循环的步骤包括如下:
步骤S221,计算ej,j=1,2,3,...,N;
ej=dj-yj,其中,dj为预期输出值;ej为预期输出值与实际输出值之间的误差;
步骤S222,计算输出单元的权重的改变量:
改变权重:
步骤S223,计算单元的中心的改变量:
改变中心:
步骤S224,计算函数宽度的改变量:
改变宽度:
步骤S225,计算误差:
步骤S226,E≤ε,即达到允许误差或重复次数时,训练结束。
10.一种光伏发电系统的故障诊断系统,其特征在于,包括:
光伏发电系统的故障诊断模型,即
对该故障诊断模型进行训练后,实现对光伏发电系统进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610353517.8A CN106067758A (zh) | 2016-05-25 | 2016-05-25 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610353517.8A CN106067758A (zh) | 2016-05-25 | 2016-05-25 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106067758A true CN106067758A (zh) | 2016-11-02 |
Family
ID=57420172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610353517.8A Pending CN106067758A (zh) | 2016-05-25 | 2016-05-25 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106067758A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363016A (zh) * | 2018-02-22 | 2018-08-03 | 上海理工大学 | 基于人工神经网络的电池微短路定量诊断方法 |
CN108614934A (zh) * | 2018-04-24 | 2018-10-02 | 国网青海省电力公司 | 光伏电站故障成本计算的方法及系统 |
CN108649892A (zh) * | 2018-04-23 | 2018-10-12 | 华北电力科学研究院有限责任公司 | 光伏电站的缺陷诊断方法及装置 |
CN108805256A (zh) * | 2018-08-07 | 2018-11-13 | 南京工业大学 | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 |
CN109085813A (zh) * | 2018-06-29 | 2018-12-25 | 国家能源投资集团有限责任公司 | 故障的诊断方法和装置 |
CN109541337A (zh) * | 2018-10-16 | 2019-03-29 | 苏州汇川技术有限公司 | 变频器故障检测方法、系统、设备及计算机可读存储介质 |
CN110008628A (zh) * | 2019-04-17 | 2019-07-12 | 河海大学常州校区 | 一种光伏阵列故障参数辨识方法 |
CN112557810A (zh) * | 2020-11-10 | 2021-03-26 | 国网天津市电力公司 | 一种基于柔性开关的配电网故障诊断与定位方法 |
CN113191075A (zh) * | 2021-04-22 | 2021-07-30 | 浙江大学 | 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法 |
CN113221468A (zh) * | 2021-05-31 | 2021-08-06 | 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 |
WO2022022659A1 (zh) * | 2020-07-31 | 2022-02-03 | 科华数据股份有限公司 | 一种光伏组件诊断方法、装置、设备及可读存储介质 |
CN116937696A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学 | 一种基于光伏发电系统的自适应等效建模方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104270091A (zh) * | 2014-08-27 | 2015-01-07 | 国电南瑞南京控制系统有限公司 | 一种基于监控系统的光伏发电设备故障诊断方法 |
CN104378065A (zh) * | 2014-11-07 | 2015-02-25 | 吕政良 | 一种光伏电站故障诊断方法 |
KR20150067942A (ko) * | 2013-12-11 | 2015-06-19 | 한국에너지기술연구원 | 계통연계형 태양광발전 시스템의 고장 검출 진단 장치 및 그 방법 |
CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 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 |
CN105071771A (zh) * | 2015-09-08 | 2015-11-18 | 河海大学常州校区 | 一种基于神经网络的分布式光伏系统故障诊断方法 |
-
2016
- 2016-05-25 CN CN201610353517.8A patent/CN106067758A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150067942A (ko) * | 2013-12-11 | 2015-06-19 | 한국에너지기술연구원 | 계통연계형 태양광발전 시스템의 고장 검출 진단 장치 및 그 방법 |
CN104270091A (zh) * | 2014-08-27 | 2015-01-07 | 国电南瑞南京控制系统有限公司 | 一种基于监控系统的光伏发电设备故障诊断方法 |
CN104378065A (zh) * | 2014-11-07 | 2015-02-25 | 吕政良 | 一种光伏电站故障诊断方法 |
CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 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 |
CN105071771A (zh) * | 2015-09-08 | 2015-11-18 | 河海大学常州校区 | 一种基于神经网络的分布式光伏系统故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
姜静清 等: "RBF神经网络的训练方法及分析", 《内蒙古民族大学学报》 * |
韩伟 等: "基于参数辨识的光伏组件故障诊断模型", 《电网技术》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363016A (zh) * | 2018-02-22 | 2018-08-03 | 上海理工大学 | 基于人工神经网络的电池微短路定量诊断方法 |
CN108649892B (zh) * | 2018-04-23 | 2020-08-04 | 华北电力科学研究院有限责任公司 | 光伏电站的缺陷诊断方法及装置 |
CN108649892A (zh) * | 2018-04-23 | 2018-10-12 | 华北电力科学研究院有限责任公司 | 光伏电站的缺陷诊断方法及装置 |
CN108614934A (zh) * | 2018-04-24 | 2018-10-02 | 国网青海省电力公司 | 光伏电站故障成本计算的方法及系统 |
CN108614934B (zh) * | 2018-04-24 | 2022-05-06 | 国网青海省电力公司 | 光伏电站故障成本计算的方法及系统 |
CN109085813A (zh) * | 2018-06-29 | 2018-12-25 | 国家能源投资集团有限责任公司 | 故障的诊断方法和装置 |
CN108805256A (zh) * | 2018-08-07 | 2018-11-13 | 南京工业大学 | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 |
CN109541337B (zh) * | 2018-10-16 | 2021-02-19 | 苏州汇川技术有限公司 | 变频器故障检测方法、系统、设备及计算机可读存储介质 |
CN109541337A (zh) * | 2018-10-16 | 2019-03-29 | 苏州汇川技术有限公司 | 变频器故障检测方法、系统、设备及计算机可读存储介质 |
CN110008628A (zh) * | 2019-04-17 | 2019-07-12 | 河海大学常州校区 | 一种光伏阵列故障参数辨识方法 |
CN110008628B (zh) * | 2019-04-17 | 2022-08-12 | 河海大学常州校区 | 一种光伏阵列故障参数辨识方法 |
WO2022022659A1 (zh) * | 2020-07-31 | 2022-02-03 | 科华数据股份有限公司 | 一种光伏组件诊断方法、装置、设备及可读存储介质 |
CN112557810A (zh) * | 2020-11-10 | 2021-03-26 | 国网天津市电力公司 | 一种基于柔性开关的配电网故障诊断与定位方法 |
CN113191075A (zh) * | 2021-04-22 | 2021-07-30 | 浙江大学 | 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法 |
CN113221468A (zh) * | 2021-05-31 | 2021-08-06 | 福州大学 | 基于集成学习的光伏阵列故障诊断方法 |
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 |
CN116937696A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学 | 一种基于光伏发电系统的自适应等效建模方法 |
CN116937696B (zh) * | 2023-09-18 | 2023-12-05 | 四川大学 | 一种基于光伏发电系统的自适应等效建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106067758A (zh) | 基于参数辨识的光伏发电系统故障诊断方法及系统 | |
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 | |
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 | |
CN104391189B (zh) | 基于三级诊断的大型光伏阵列故障诊断定位方法 | |
Houssein et al. | Monitoring and fault diagnosis of photovoltaic panels | |
CN109782124B (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 | |
Chunlai et al. | Retracted: A Survey of Online Fault Diagnosis for PV Module Based on BP Neural Network | |
CN106100579B (zh) | 一种基于数据分析的光伏电站故障诊断方法 | |
CN110348513A (zh) | 一种基于深度学习的风电机组故障预测方法 | |
CN107463742B (zh) | 一种针对光伏组件异常老化故障的建模方法 | |
CN104037790B (zh) | 一种基于时序蒙特卡罗模拟的新能源接纳能力评估方法 | |
CN110224673A (zh) | 一种基于深度学习的太阳能光伏电池板故障检测方法 | |
CN106452355A (zh) | 一种基于模型辨识的光伏发电系统最大功率跟踪方法 | |
CN109034464A (zh) | 一种短期光伏发电系统功率预测及结果校核的方法 | |
CN109583515A (zh) | 一种基于BP_Adaboost的光伏发电故障检测与分类方法 | |
Liu et al. | A fault detection and diagnosis technique for solar system based on Elman neural network | |
CN104716902B (zh) | 光伏组件的最大功率测量装置、方法及发电量测量方法 | |
Djalab et al. | Robust method for diagnosis and detection of faults in photovoltaic systems using artificial neural networks | |
Samkria et al. | Automatic PV grid fault detection system with IoT and LabVIEW as data logger | |
Rezgui et al. | Modeling of a photovoltaic field in malfunctioning | |
Gao | PV array fault detection based on deep neural network | |
Swathika et al. | Classification of faults in pv system using artificial neural network | |
CN107271916A (zh) | 一种电池板组串健康状态检测方法 | |
CN115906350A (zh) | 一种微电网故障定位和诊断方法 | |
Ghazali et al. | A multi-scale dual-stage model for PV array fault detection, classification, and monitoring technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161102 |