CN106533361B - 一种基于小波分析的光伏组件故障诊断方法 - Google Patents
一种基于小波分析的光伏组件故障诊断方法 Download PDFInfo
- Publication number
- CN106533361B CN106533361B CN201611151533.5A CN201611151533A CN106533361B CN 106533361 B CN106533361 B CN 106533361B CN 201611151533 A CN201611151533 A CN 201611151533A CN 106533361 B CN106533361 B CN 106533361B
- Authority
- CN
- China
- Prior art keywords
- signal
- value
- wavelet
- photovoltaic module
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 4
- 238000002592 echocardiography Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement 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
- 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
- Photovoltaic Devices (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种基于小波分析的光伏组件故障诊断方法,其特征在于,包括以下步骤:步骤A:对信号进行去噪处理;步骤B:对所获得的二层低频信号进行归一化处理;步骤C:对所述步骤B中归一化的数据再次降噪,并进行奇异性检测,获得各自趋势项信号的奇异值;步骤D:对比奇异值,获得故障发生点的特征值,通过设立的故障阈值对故障进行诊断,若超过阈值,表示系统存在故障,并及时报警,反之,继续步骤A。本发明摆脱了用传感器检测故障的方法,运用小波奇异值检测实现了光伏组件的故障诊断,有效地解决复杂条件下的故障检测,具有较高的时效性和较好的经济性。
Description
技术领域
本发明涉及一种基于小波分析的光伏组件故障诊断方法,属于光伏发电技术领域。
背景技术
近年来,我国光伏产业发展迅猛,截止到2015年,累计光伏装机容量达到43GW,跃居光伏装机容量世界第一位,并且最近光伏产品有着向小型化,家用化的趋势发展。光伏发电系统的发电性能与辐照度、温度有着很大的关联性,由于室外的光伏产品经常处于高温的曝晒,雨水侵蚀,运行环境恶劣,从而导致光伏产品的出现运行故障比较常见。因此对光伏电站的智能检测与维护越来越成为一个比较现实的问题,为提高光伏产品的运维便捷性,各类光伏产品的智能故障诊断的方法应运而生。
光伏组件的常见运行故障有阴影遮挡,组件老化,组件旁路,短路,热斑,系统故障,也包括隐裂,脱胶等。由于光伏产品受辐照度、温度的影响很大,一般的方法对早期的故障很难检测到,从国外文献上可知,目前常采用神经网络、模糊算法等知识判别故障类型,然而对于神经网络,是需要给有故障的特征数据进行训练的,而对光伏产品何时出现故障的定义不尽相同,且很难检测到早期故障,因此神经网络的方法有着不确定性,只能检测到比较严重的故障。如何实时检测到光伏产品的故障,尤其是早期故障显得比较重要。
发明内容
本发明的目的在于利用一种基于小波分析的光伏组件故障诊断方法来实时检测光伏组件的故障,尤其是早期故障;以解决现阶段我国人工判别故障出现的时间点的不准确性,随机性,不经济性的问题,同时解决神经网络所需要的历史数据搜集,选取的困难。
为了解决上述技术问题,本发明提供一种基于小波分析的光伏组件故障诊断方法,包括以下步骤:
步骤A:对信号进行去噪处理;
将共面辐照信号与功率信号按照合适的间隔提取出一天的数据量,然后运用指数平滑方法对信号进行平滑处理,滤除干扰信号,最后将所获得的功率信号与辐照信号进行小波提升变换分解,重构出低频信号,过滤掉高频信号;
步骤B:对所获得的二层低频信号进行归一化处理;
步骤C:对所述步骤B中归一化的数据再次降噪,并进行奇异性检测,获得各自趋势项信号的奇异值;
步骤D:对比奇异值,获得故障发生点的特征值,通过设立的故障阈值对故障进行诊断,若超过阈值,表示系统存在故障,并及时报警,反之,继续步骤A。
所述步骤C具体包括以下步骤:
C1)对所获得的二层归一化低频信号按照Daubechies小波(db4)进行分解,再将分解后的信号,采用wrcoef函数进行重构,以降低噪声降低辐照度与功率值的不匹配度;
C2)对重构功率、辐照信号进行小波第一类奇异点检测;
C3)对重构的功率、辐照信号进行数值微分,对数值微分后的功率、辐照信号进行小波第二类奇异点检测;
C4)分别将辐照信号与功率信号的第一、二类奇异点数值相减,然后将第一类奇异点检测信号与第二类奇异点检测信号求和,获得功率是信号与辐照信号的不匹配值,即获得最后的故障信号;
所述步骤A中对信号进行去燥处理的具体方法为:
对辐照信号、功率信号,首先按照式(1)进行指数平滑去噪,再按照式(2)小波提升变换db2将信号分解为二层信号;按照式(3)重构第二层低频信号,很好的保留了原始信号的趋势项,舍去了随机项,有效的减少了外界噪声;
S1:初始平滑值;
y1:初始实际值;
St:时间t的平滑值;
yt:时间t的实际值;
St-1:时间t-1的平滑值;
α:平滑常数,其取值范围为[0,1];
对平滑处理后的信号采取提升小波变换,要分选取数据与实现变换两种,分别对选取的数据进行小波分解与重构。
分解算法为:
重构算法为:
S为将原始数据分为奇数集和偶数集的函数;
P为通过相邻信号来预测下一个信号的函数;
U为用来找一个更好的子集来逼近原始数据的函数;
M为把尺度系数和小波系数重构成原始数据的函数;
Cj:原始数据;
Cj-1:为尺度系数;
Dj-1:为小波系数;
这样用提升小波的方法对信号进行2层分解,把第二层的低频信号作为备用数据以进行下一步处理过程。
所述步骤B中归一化处理具体方法为:
由于辐照度与功率具有不同的量纲,需对其进行归一化处理,对所获得的二层低频信号按照式(4)归一化处理此时的归一化要把数据归一化到[0 1]的区间内,以防止出现正负值相消的情况;
其中
X:原始数据;
Xmin:原始数据的最小值;
Xmax:原始数据的最大值;
X*:归一化后的数据;
所述步骤C1中再次降噪方法为:将利用Daubechies小波(db4)分解对归一化后的数据进行分解,然后运用式(5)的wrcoef函数对分解后的信号中的斜线高频部分进行重构,去除噪声,进一步降低辐照信号和功率信号的不匹配度;
y*=wrceof('d',c,s,'db4',1) (5)
其中,
y*:重构信号;
d:对斜线高频部分重构;
c,s:是经小波分解后处理的信号。
所述步骤C2中,对归一化后的小波高频重构信号进行小波第一类间断点检测,如式(6),找出其本身有突变的点以进行检测;
yy=diff(y*) (6)
其中,yy为对重构信号的微分值;
所述步骤C3中,对归一化后的小波高频重构功率信号、辐照信号分别进行数值微分,提取出变换速率,获得其变化快慢的数值,找出其中有突变的点,进行第二类间断点小波检测。
所述步骤D中,对不匹配值设立一个相关联合理的阈值,考虑到实际差值及方法的准确性,给定阈值为0.02,以进行实时故障。
本发明的有益效果为:本发明摆脱了用传感器检测故障的方法,运用小波奇异值检测实现了光伏组件的故障诊断,有效地解决复杂条件下的故障检测,具有较高的时效性和较好的经济性
附图说明
图1为本发明的流程图;
图2为对功率信号采取指数平滑处理和小波提升变换处理结果;
图3为对图2中信号进行二层低频功率信号归一化处理结果;
图4为辐照信号采取指数平滑处理和小波提升变换处理结果;
图5为对图4中信号进行二层低频辐照信号归一化处理结果;
图6为图3中二层低频功率信号的第二类小波奇异点检测结果;
图7为图5中二层低频辐照信号的第二类小波奇异点检测结果;
图8为2016年8月9日故障实验结果;
图9为2016年5月1-7日无故障实验结果。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
预处理
如图1所示的本发明的流程图,本发明的光伏组件故障诊断方法,包括以下步骤:
步骤A:对信号进行去噪处理。
选取任意一天5点到19点的的辐照信号与功率信号,原始信号为5s一次,有10080组数据,为消除个别点数据的偏差,按照每15组数据取均值,一共672组。首先按如下公式用二次指数平滑对共面辐照信号和功率信号平滑处理,滤除部分干扰。
S1:初始平滑值;
y1:初始实际值;
St:时间t的平滑值;
yt:时间t的实际值;
St-1:时间t-1的平滑值;
α:平滑常数,其取值范围为[0,1];
对平滑处理后的信号采取提升小波变换,要分选取数据与实现变换两种,分别对选取的数据进行小波分解与重构:
分解算法为:
重构算法为:
S就是将原始数据分为奇数集和偶数集的函数;
P就是通过相邻信号来预测下一个信号的函数;
U就是用来找一个更好的子集来逼近原始数据的函数;
M就是把尺度系数和小波系数重构成原始数据的函数;
Cj:原始数据;
Cj-1:为尺度系数;
Dj-1:为小波系数;
这样用提升小波的方法对信号进行2层分解,把第二层的低频信号作为备用数据以进行下一步处理过程。
具体可见图2和图4,它们分别是功率表信号和辐照信号采取平滑处理和小波提升变换处理结果图。
步骤B:对所获得的二层低频信号进行归一化处理。
再对功率,辐照二层低频信号单位不统一且数值相差较大,一个W,一个是W/M2对各自的二层低频信号按式(4)进行归一化处理;
其中
X:原始数据;
Xmin:原始数据的最小值;
Xmax:原始数据的最大值;
X*:归一化后的数据。
具体可见图3和图5,它们分别是功率信号和辐照信号进行二层低频归一化处理结果图。
步骤C:对归一化后的数据再次降噪,并进行奇异性检测,获得各自趋势项信号的奇异值。
对归一化的数据再次降噪,具体实现方式如下:对归一化后的幅值信号、功率信号用Daubechies小波(db4)分解一次,对分解后的数据用式(5)wrcoef函数进行重构,其中只对斜线高频的信号重构,以降低噪声降低辐照度与功率值的不匹配度。
y*=wrceof('d',c,s,'db4',1) (5)
其中,
y*:重构信号;
d:对斜线高频部分重构;
c,s:是经小波分解后处理的信号。
对归一化后的小波高频重构信号进行小波第一类间断点检测,如式(6),找出其本身有突变的点以进行检测;
yy=diff(y*) (6)
其中,yy:对重构信号的微分值;
由于通常情况下,信号如果出现故障,会表现为两种形式,一是在幅值往往会出现突变,一类是尽管幅值信号任然比较平缓,为有突变的现象,但是其微分信号,及其导数会产生突变,因此对辐照度、功率的低频二层小波归一化的重构信号进行第一类小波奇异点检测。对微分处理好的辐照度信号,功率信号进行第二类间断点检测,由于辐照度的值直接影响到光伏组件的发电性能,与功率有着直接的联系,所以一般情况下辐照度曲线与功率曲线有着很好的适应性,但是由于外界的因素,如热斑,故障等会直接影响到发电功率,这就会造成两者的间断点出现不匹配的情况。
具体可见图6和图7,它们分别是功率信号和辐照信号的第二类小波奇异点检测结果。
步骤D:对比奇异值,获得故障发生点的特征值,通过设立的故障阈值对故障进行诊断,若超过阈值,表示系统存在故障,并及时报警,反之,继续步骤A。
用功率的小波第一类间断点检测的数据与辐照度的小波第一类间断点检测到的数据做差,得到差值;用功率的小波第二类间断点检测的数据与辐照度的小波第二类间断点检测到的数据做差,得到差值;然后,将第一类与第二类故障点检测信号求和作为故障检测值,作为故障检测值。对不匹配值设立一个相关联合理的阈值,根据多种天气条件下的实验数据,我们设立一个阈值为0.02,超过这个阈值,就判定为故障,没有超出阈值,返回步骤A继续监测。具体可见图8和图9,图8为2016年8月9日故障实验结果,图9为2016年5月1-7日无故障实验结果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于小波分析的光伏组件故障诊断方法,其特征在于,包括以下步骤:
步骤A:对信号进行去噪处理;
将共面辐照信号与功率信号按照合适的间隔提取出一天的数据量,然后运用指数平滑方法对信号进行平滑处理,滤除干扰信号,最后将所获得的功率信号与辐照信号进行小波提升变换分解,重构出低频信号,过滤掉高频信号;
步骤B:对所获得的二层低频信号进行归一化处理;
步骤C:对所述步骤B中归一化的数据再次降噪,并进行奇异性检测,获得各自趋势项信号的奇异值;
步骤D:对比奇异值,获得故障发生点的特征值,通过设立的故障阈值对故障进行诊断,若超过阈值,表示系统存在故障,并及时报警,反之,继续步骤A。
2.根据权利要求1所述的一种基于小波分析的光伏组件故障诊断方法,其特征在于,所述步骤C具体包括以下步骤:
C1)对所获得的二层归一化低频信号按照Daubechies小波db4进行分解,再将分解后的信号,采用wrcoef函数进行重构,以降低噪声降低辐照度与功率值的不匹配度;
C2)对重构功率、辐照信号进行小波第一类奇异点检测;
C3)对重构的功率、辐照信号进行数值微分,对数值微分后的功率、辐照信号进行小波第二类奇异点检测;
C4)分别将辐照信号与功率信号的第一、二类奇异点数值相减,然后将第一类奇异点检测信号与第二类奇异点检测信号求和,获得功率信号与辐照信号的不匹配值,即获得最后的故障信号。
3.根据权利要求1所述的一种基于小波分析的光伏组件故障诊断方法,其特征在于,所述步骤A中对信号进行去燥处理的具体方法为:
对辐照信号、功率信号,首先按照式(1)进行指数平滑去噪,再按照式(2)小波提升变换db2将信号分解为二层信号;按照式(3)重构第二层低频信号,很好的保留了原始信号的趋势项,舍去了随机项,有效的减少了外界噪声;
S1:初始平滑值;
y1:初始实际值;
St:时间t的平滑值;
yt:时间t的实际值;
St-1:时间t-1的平滑值;
α:平滑常数,其取值范围为[0,1];
对平滑处理后的信号采取提升小波变换,要分选取数据与实现变换两种,分别对选取的数据进行小波分解与重构;
分解算法为:
重构算法为:
S为将原始数据分为奇数集和偶数集的函数;
P为通过相邻信号来预测下一个信号的函数;
U为用来找一个更好的子集来逼近原始数据的函数;
M为把尺度系数和小波系数重构成原始数据的函数;
Cj:原始数据;
Cj-1:为尺度系数;
Dj-1:为小波系数;
这样用提升小波的方法对信号进行2层分解,把第二层的低频信号作为备用数据以进行下一步处理过程。
4.根据权利要求1所述的一种基于小波分析的光伏组件故障诊断方法,其特征在于,所述步骤B中归一化处理具体方法为:
由于辐照度与功率具有不同的量纲,需对其进行归一化处理,对所获得的二层低频信号按照式(4)归一化处理此时的归一化要把数据归一化到[0 1]的区间内,以防止出现正负值相消的情况;
其中
X:原始数据;
Xmin:原始数据的最小值;
Xmax:原始数据的最大值;
X*:归一化后的数据。
5.根据权利要求2所述的一种基于小波分析的光伏组件故障诊断方法,其特征在于,所述步骤C1中再次降噪方法为:将利用Daubechies小波db4分解对归一化后的数据进行分解,然后运用式(5)的wrcoef函数对分解后的信号中的斜线高频部分进行重构,去除噪声,进一步降低辐照信号和功率信号的不匹配度;
y*=wrceof('d',c,s,'db4',1) (5)
其中,
y*:重构信号;
d:对斜线高频部分重构;
c,s:是经小波分解后处理的信号。
6.根据权利要求2所述的一种基于小波分析的光伏组件故障诊断方法,其特征在于,所述步骤C2中,对归一化后的小波高频重构信号进行小波第一类间断点检测,如式(6),找出其本身有突变的点以进行检测;
yy=diff(y*) (6)
其中,yy为对重构信号的微分值。
7.根据权利要求2所述的一种基于小波分析的光伏组件故障诊断方法,其特征在于,所述步骤C3中,对归一化后的小波高频重构功率信号、辐照信号分别进行数值微分,提取出变换速率,获得其变化快慢的数值,找出其中有突变的点,进行第二类间断点小波检测。
8.根据权利要求2所述的一种基于小波分析的光伏组件故障诊断方法,其特征在于,所述步骤D中,对不匹配值设立一个相关联合理的阈值,考虑到实际差值及方法的准确性,给定阈值为0.02,以进行实时故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611151533.5A CN106533361B (zh) | 2016-12-14 | 2016-12-14 | 一种基于小波分析的光伏组件故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611151533.5A CN106533361B (zh) | 2016-12-14 | 2016-12-14 | 一种基于小波分析的光伏组件故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106533361A CN106533361A (zh) | 2017-03-22 |
CN106533361B true CN106533361B (zh) | 2018-08-03 |
Family
ID=58339348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611151533.5A Active CN106533361B (zh) | 2016-12-14 | 2016-12-14 | 一种基于小波分析的光伏组件故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106533361B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107065829A (zh) * | 2017-04-13 | 2017-08-18 | 西安西热电站信息技术有限公司 | 一种基于太阳能发电监管大数据挖掘下的光伏组件污染诊断方法 |
CN108092623B (zh) * | 2017-12-16 | 2019-10-25 | 西安理工大学 | 一种光伏阵列多传感器故障检测定位方法 |
CN108255783B (zh) * | 2018-01-12 | 2021-03-26 | 上海海事大学 | 一种基于小波分析的船舶电力驱动系统故障诊断方法 |
CN108830129A (zh) * | 2018-03-29 | 2018-11-16 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
CN110619479B (zh) * | 2019-09-23 | 2022-05-24 | 阳光电源股份有限公司 | 光伏组件的故障判别模型建模方法及故障判别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1847867A (zh) * | 2006-03-24 | 2006-10-18 | 西南交通大学 | 电力暂态信号小波分析后处理方法及其装置 |
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN103872983A (zh) * | 2014-04-04 | 2014-06-18 | 天津市鑫鼎源科技发展有限公司 | 太阳能电池表面缺陷检测设备及方法 |
KR20160064450A (ko) * | 2014-11-28 | 2016-06-08 | (주)대은 | 직렬 연결된 태양광 모듈 스트링에서의 이상 모듈 진단 시스템 및 방법 |
CN106059492A (zh) * | 2016-05-05 | 2016-10-26 | 江苏方天电力技术有限公司 | 基于功率预测的光伏组件阴影故障类型判定方法 |
CN106204332A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学常州校区 | 一种光伏电站效率衰减预测方法 |
-
2016
- 2016-12-14 CN CN201611151533.5A patent/CN106533361B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1847867A (zh) * | 2006-03-24 | 2006-10-18 | 西南交通大学 | 电力暂态信号小波分析后处理方法及其装置 |
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN103872983A (zh) * | 2014-04-04 | 2014-06-18 | 天津市鑫鼎源科技发展有限公司 | 太阳能电池表面缺陷检测设备及方法 |
KR20160064450A (ko) * | 2014-11-28 | 2016-06-08 | (주)대은 | 직렬 연결된 태양광 모듈 스트링에서의 이상 모듈 진단 시스템 및 방법 |
CN106059492A (zh) * | 2016-05-05 | 2016-10-26 | 江苏方天电力技术有限公司 | 基于功率预测的光伏组件阴影故障类型判定方法 |
CN106204332A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学常州校区 | 一种光伏电站效率衰减预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106533361A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106533361B (zh) | 一种基于小波分析的光伏组件故障诊断方法 | |
Liang et al. | Two-terminal fault location method of distribution network based on adaptive convolution neural network | |
CN103033567B (zh) | 一种基于导波的管道缺陷信号识别方法 | |
CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
CN112182490B (zh) | 一种电抗器状态诊断方法及系统 | |
CN112213687B (zh) | 基于伪异常点辨识的关口电能表数据异常检测方法及系统 | |
CN111983400A (zh) | 主动式光伏组串直流电弧故障检测和故障定位系统及方法 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN111582406A (zh) | 一种电力设备状态监测数据聚类方法和系统 | |
CN104318305A (zh) | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 | |
Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
Song et al. | Ultra-short-term wind power combination forecasting model based on MEEMD-SAE-Elman | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
CN108710861A (zh) | 一种电网扰动信号检测识别方法 | |
Duan et al. | An arc fault diagnostic method for low voltage lines using the difference of wavelet coefficients | |
CN117289087A (zh) | 一种基于czt变换的串联故障电弧检测方法 | |
CN117009870A (zh) | 一种频域改进sdp图的泵空化状态识别方法 | |
Wang et al. | Stockwell‐transform and random‐forest based double‐terminal fault diagnosis method for offshore wind farm transmission line | |
Pan et al. | Study on intelligent anti–electricity stealing early-warning technology based on convolutional neural networks | |
CN109506936B (zh) | 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法 | |
Shen et al. | Fault detection method based on multi-scale convolutional neural network for wind turbine gearbox | |
CN114091593A (zh) | 一种基于多尺度特征融合的网络级电弧故障诊断方法 | |
CN114036973A (zh) | 基于动态在线序列的极限学习机的串联电弧故障识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |