CN107909096A - 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法 - Google Patents
一种基于二分k‑均值聚类的逆变器故障预警判据实现方法 Download PDFInfo
- Publication number
- CN107909096A CN107909096A CN201711089904.6A CN201711089904A CN107909096A CN 107909096 A CN107909096 A CN 107909096A CN 201711089904 A CN201711089904 A CN 201711089904A CN 107909096 A CN107909096 A CN 107909096A
- Authority
- CN
- China
- Prior art keywords
- data
- substep
- value
- inverter
- power
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于二分K‑均值聚类的逆变器故障预警判据实现方法,该方法包括以下步骤:数据获取步骤、逆变器理论输出功率计算步骤、排除气象因素数据计算步骤,数据清洗和预处理步骤、数据分类步骤、数据挖掘步骤、预警判据生成步骤。在实际工程中,由于气候、地理、物理运行环境不同,每组逆变器,或者同类型逆变器,随着时间推移,输出功率会呈下降趋势,但下降到何值可被诊断为设备故障,缺乏量化值的数据支撑。本发明通过对实际工程历史数据的分析,排除掉气象因素干扰,结合数据挖掘技术给出切合实际的逆变器故障预警判据值。
Description
技术领域
本发明属于光伏逆变器故障预警领域,具体为一种基于数据挖掘技术的故障预警判据生成方法。预警判据生成中的数据分类用了二分K-均值聚类的优化算法。
背景技术
随着社会对新能源需求的日益增长,光伏电站在各个地区不断增多,电站中逆变器的寿命管理和故障预警越来越重要。故障诊断和预警有很多种方法,实测输出功率和理论输出功率差值比较是一种代价较小的方法。而准确度在于判据的生成。
目前光伏电池板阵列或者逆变器的故障诊断预警判据量化存在三个难点:
1.逆变器故障判据的获得是一种破坏性的试验,成本较高,理论值缺乏真实验证性。
2.在实际工程中,一个光伏电池板阵列或单台逆变器机组的工作状况受环境影响很大,即使同种类型的设备在不同环境下的使用寿命或者说衰减系数也是不同的,需要具体计算。
3.预警判据设置过高,提早报警增加巡检工作量,徒增人力负担;而预警判据设置过低,造成设备故障不能及时报警。
发明内容
为解决上述存在问题,本发明提供了一种基于实测、历史数据的,运用数据挖掘技术的光伏逆变器故障预警判据生成方法。
一种基于二分K-均值聚类的量化逆变器故障预警判据实现方法,其特征在于,包括以下步骤:数据获取步骤、逆变器理论输出功率计算步骤、排除气象因素数据计算步骤,数据清洗和预处理步骤、数据分类步骤、数据挖掘步骤、单个设备和同类型设备故障判据生成步骤。
所述数据获取步骤,具体为:历史、实测的功率、气象数据利用的是监控系统SCADA中的数据,首先用算法计算逆变器理论输出功率,根据日出日落时间和实测、预测气象数据,排除掉由于气象因素引起实测功率值过低的数据,把这类数据存入到数据存储系统,对于数据存储系统中的数据进行后续步骤处理。每组逆变器功率实测值、实测气象值,设备参数及性能数据。
所述逆变器理论输出功率计算步骤,用于判据生成的输入数据之一的逆变器理论输出功率计算公式如下:
P=Nη1η2η3ARβ[1-α(TC-25)]
N:为正常工作的光伏组件个数;
η1:光伏组件在额定条件下的光电转换效率,η2最大功率点跟踪的工作效率,η3逆变器效率;A光伏组件的面积,Rβ光伏阵列斜面太阳总辐照度,α光伏组件的温度系数,TC光伏组件的板温;
β阵列的倾角。
所述排除气象因素数据计算步骤,首先根据日出日落,排除无光照情况下,功率值过低的情况;其次根据实测、预测的气象值排除了光照低情况下功率值低的情况。
所述数据清洗和预处理步骤,具体为:
子步骤1、去除/补全有缺失的数据;
子步骤2、去除/修改格式和内容错误的数据;
子步骤3、去除/修改逻辑错误的数据;
子步骤4、去除不需要的数据;
子步骤5、关联性验证;
子步骤6、去掉功率为0时相应差值点的数据;
子步骤7、补全通讯中断数据;
子步骤8、差值法补全指定时间内的缺失数据。
所述数据分类步骤,具体为:
子步骤1、按单台设备和同型号设备分类;
子步骤2、按电场投运计划要求分类;
子步骤3、按不同时间间隔分类;
子步骤4、按有逆变器性能信息和无逆变器性能信息分类;
子步骤5、按监控厂家知道投运容量和不知道投运容量分类。
所述数据挖掘步骤,具体分为差值计算步骤、数据统计分析步骤两个步骤,
其中差值计算步骤分为两种:
实测功率与理论功率值的方差值
Y1为实测功率值,Y2为理论功率值;
实测功率与理论功率差的绝对值
σ=|y1-y2||
其中数据统计分析步骤,具体为:
子步骤1、统计功率两种差值的中心位置(算术平均数、加权平均数,几何平均数,中位数、众数);
子步骤2、计算发散程度(极差、方差、标准差、变异系数);
子步骤3、计算每个点的偏差程度z-分数;
子步骤4、统计出变异系数和偏差>设定值的值;
子步骤5、对比实测功率值,去掉实测功率大的值,统计出小的变异程度大的值作为判据。
K-均值聚类首先,随机确定K个初始点作为质心。然后将数据集中的每个点分配到一个簇中,为每个点找距其最近的质心,并将其分配给该质心所对应的簇。再用均值作为每个簇的质心更新质心。最后计算全部数据的SSE(Sum of Squared Error,误差平方和)的值。迭代计算直到SSE满足设定值为止。其具体步骤如下:
1.创建K个点作为起始质心C(k)
2.计算每个点与质心的欧式距离
di(t)=||x(t)-Ci(t-1)||,i=1,2,…,n
3.把数据点分配到距离最近的簇
4.对每个簇计算所有点的均值并作为质心
5.计算SSE
sse=∑σ2。
但是这个算法会收敛于局部最小值,所以用二分K-均值聚类的算法。该算法首先将所有点作为一个簇,然后将该簇一分为二。之后选择其中一个簇继续进行划分,选择哪一个簇进行划分取决于对"其划分是否可以最大程度降低SSE的值。上述基于SSE的划分过程不断重复,直到得到用户指定的簇数目为止。
具体步骤如下:
1.在将所有点看成一个簇;
2.当簇数目小于K时;
3.对于每一个簇计算总误差;
4.在给定的簇上面进行K-均值聚类(k=2);
5.计算将该簇一分为二之后的总误差;
6.选择使得误差最小的那个族进行划分操作;
7.达到要求结束,达不到继续。
数据挖掘模块基于统计学原理,对数据进行了中心位置(算术平均数、加权平均数,几何平均数,中位数、众数),发散程度(极差、方差、标准差、变异系数),变异程度(z-分数)的计算和统计,把变异程度大的值取出作为预警判据的基础值。
在判据生成模块中,除了考虑本地单台设备的历史实测值,还融入了不同场站排除气象因素影响的同类型设备的历史值,也可手动输入影响因子。
本发明具有的优点和积极效果是:
1.本发明的判据生成,使用的原始数据中剔除了气象因素值引起的数值低的情况,增强了由于逆变器设备本身故障判据生成的准确性。
2.本发明根据统计学原理计算变异值,只利用数据,从纯数学的角度给出相应的预警判据值。对于监控厂家,不知道逆变器型号和性能参数也可以做预警,且不需要做破坏性试验,成本低。
3.对于不知道设备类型的情况或部分投运的情况下,通过二分k-均值聚类的方式对数据进行分类,克服K均值算法收敛于局部最小值的问题,得到设备分类,使得分类更接近于真实值,从而增强判据生成的准确性。
4.本发明数据分两类,单台设备和同类型设备。同类型设备是不同厂站的实测数据集合,增强了判据的通用性。单台设备的实测数据定位在特定的环境下,增强了判据的个体性,使得最终判据值的生成更接近于真实值而非理论值。
5.实际应用中除自动计算生成判据外还增加手动输入参数这个可选项,使得预警判据生成更接近真实值。
附图说明
图1为本发明实施例的判据生成流程图。
图2为本发明实施例的二分K均值算法流程图。
图3为本发明实施例数据挖掘模块流程图。
图4为本发明实施例设备分类后的数据表1。
图5为本发明实施例设备统计值数据表2。
图6为本发明实施例设备Z值数据表3。
图7为本发明实施例设备判据生成表4。
具体实施方式
以下结合具体实施例和附图对本发明的技术方案做进一步的说明。
本实施例的基于二分K-均值聚类的逆变器故障预警判据实现方法包括数据数据获取、理论功率计算步骤、排除气象因素数据计算步骤、数据清洗和预处理步骤、数据挖掘算法处理步骤、单个设备和同类型设备故障判据生成步骤。
该方法有三个主要的数据库系统,分别是原始数据存储系统、待分析数据库系统、判据生成数据库系统。在原始数据存储系统中有从监控系统中传送上来的每个逆变器的实测功率、气象值,经过理论功率计算模块计算后的逆变器理论功率值,经过排除气象因素数据计算模块计算后的实测和理论功率值。这个系统数据一般为一分钟一个点。实时运行。
当用户设定开始计算判据生成时,可以是任意设定值,只要确保数据存储系统里有数据,并且大于数据存储系统中存储数据的最小间隔即可。此时会运行数据清洗和预处理模块,把不符合要求的数据去掉,补全需要的数据,并按照设定的分类方式进行分类并存入到待分析数据库中。
判据生成数据库系统所保存的数据是数据挖掘模块对待分析数据库系统和设备参数及性能数据计算的结果。设备参数及性能数据并一定每个工程实例都有,是可选项。
在数据分类模块中应用了二分K-均值聚类的算法,无标签、无监督型计算方法。在K-均值聚类算法的基础上进行了优化,解决了原算法收敛于局部最小值的问题,提高了最终判据的准确性。
K-均值聚类首先,随机确定K个初始点作为质心。然后将数据集中的每个点分配到一个簇中,为每个点找距其最近的质心,并将其分配给该质心所对应的簇。再用均值作为每个簇的质心更新质心。最后计算全部数据的SSE(Sum of Squared Error,误差平方和)的值。迭代计算直到SSE满足设定值为止。其具体步骤如下:
1.创建K个点作为起始质心C(k)
2.计算每个点与质心的欧式距离
di(t)=||x(t)-Ci(t-1)||,i=1,2,…,n
3.把数据点分配到距离最近的簇
4.对每个簇计算所有点的均值并作为质心
5.计算SSE
sse=∑σ2
但是这个算法会收敛于局部最小值,所以用二分K-均值聚类的算法。图2为本发明实施例的二分K均值算法流程图。该算法首先将所有点作为一个簇,然后将该簇一分为二。之后选择其中一个簇继续进行划分,选择哪一个簇进行划分取决于对"其划分是否可以最大程度降低SSE的值。上述基于SSE的划分过程不断重复,直到得到用户指定的簇数目为止。
具体步骤如下:
1.在将所有点看成一个簇;
2.当簇数目小于K时;
3.对于每一个簇计算总误差;
4.在给定的簇上面进行K-均值聚类(k=2);
5.计算将该簇一分为二之后的总误差;
6.选择使得误差最小的那个族进行划分操作;
7.达到要求结束,达不到继续。
数据挖掘模块基于统计学原理,对数据进行了中心位置(算术平均数、加权平均数,几何平均数,中位数、众数),发散程度(极差、方差、标准差、变异系数),变异程度(z-分数)的计算和统计,把变异程度大的值取出作为预警判据的基础值。
在判据生成模块中,除了考虑本地单台设备的历史实测值,还融入了不同场站排除气象因素影响的同类型设备的历史值,也可手动输入影响因子。
如图1所示,为本实施例一种基于二分K-均值聚类的逆变器故障预警判据实现方法的判据生成流程图。具体实施的过程为:
1.原始数据存储系统数据存取步骤。在数据存储系统中存入了实时气象数据、实时功率数据、理论功率数据,并运行排除气象因素数据计算模块。
按照实施例来说,实时气象数据包括温度、湿度、气压、风向、风速、降雨量、云量、法直辐射、散射、总辐射。理论功率值就用逆变器理论输出功率计算公式计算,其中太阳总辐照度是经过修正实测值修正的总辐射的值。排除气象因素数据计算模块,首先计算每日日出日落的时间,去掉无光照时间段的0值,其次用差值法排除气象因素干扰。并把所有的数据存入数据库存储系统中。
2.计算并写入待分析数据库系统。从原始数据存储系统中读取带有时标的实测功率值P,带有时标的去掉气象干扰因素的DV1和DV2值。经过数据清洗和预处理模块,再经过数据分类模块进入待分析数据库系统中存入了待分析的数据。
按照实例来说,光伏电站有80台逆变器,一天一张表,首先按照型号名,生成80张表。里面存储的对P,DV1DV2,一天一个值。原始数据存储系统中是一分钟一个点,这时需要先对每天的值积分运算,按照一天一个值的格式分别存入80个表中。在此例中由于系统运行良好,没有缺失和异常数据,所以不需做去异和补全操作。但是此实例中缺少设备类型参数说明。所以需要用二分K均值算法进行设备分类。
具体步骤如下:
步骤1、输入数据为每个设备的P,DV1,DV2按照时间的矩阵
步骤2、进入数据分类模块,利用二分K-均值算法计算;
步骤3、输出为每个设备的设备序号和设备类型对应表1;
Id为数据库序号,默认自增,Devnum表示设备号,devType表示所属设备类型。
由于上表结果为3种设备类型,按照上表结果把80个设备的P DV1DV2值分别存入三张表中。完成待分析数据存储过程。
3.运行数据挖掘模块,判据生成步骤。图3为本实施例的数据挖掘模块流程图。
本实例中没有设备参数和性能数据输入。所以数据挖掘模块的输入数据就是待分析数据库系统中单台的数据和三种类型的数据。
对所有数据做如下的统计分析:
统计功率两种差值的中心位置(算术平均数、加权平均数,几何平均数,中位数、众数)、计算发散程度(极差、方差、标准差、变异系数)、偏差程度z-分数,接着统计出变异系数和偏差>3的值对比实测功率值,去掉实测功率大的值,统计出小的值,形成判据。
表2,表3为统计实例数据。
Devnum为数据设备号,dataNUM为此设备的数据序号,dataZ为异常值,此实例中取>3为异常。
此时根据数据序号倒查对应设备的P值表,最终得到判据。如表4所示。
虽然本发明通过实施例进行了描述,但实施例并非用来限定本发明。本领域技术人员可在本发明的精神的范围内,做出各种变形和改进,如果这种变形后的效果是可预测的,则其同样在本发明的保护范围之内。因此本发明的保护范围应当以本申请的权利要求相同或等同的技术特征所界定的保护范围为准。
Claims (10)
1.一种基于二分K-均值聚类的量化逆变器故障预警判据实现方法,其特征在于,包括以下步骤:
数据获取步骤、逆变器理论输出功率计算步骤、排除气象因素数据计算步骤,数据清洗和预处理步骤、数据分类步骤、数据挖掘步骤、单个设备和同类型设备故障判据生成步骤。
2.根据权利要求1所述的逆变器故障预警判据生成方法,其特征在于,所述数据获取步骤,具体为:
历史、实测的功率、气象数据利用的是监控系统SCADA中的数据,首先用算法计算逆变器理论输出功率,根据日出日落时间和实测、预测气象数据,排除掉由于气象因素引起实测功率值过低的数据,把这类数据存入到数据存储系统,对于数据存储系统中的数据进行后续步骤处理。
3.根据权利要求2所述的逆变器故障预警判据生成方法,其特征在于,所述数据获取步骤中:每组逆变器功率实测值、实测气象值,设备参数及性能数据。
4.根据权利要求1所述的逆变器故障预警判据生成方法,其特征在于,所述逆变器理论输出功率计算步骤,具体为:
用于判据生成的输入数据之一的逆变器理论输出功率计算公式如下:
P=Nη1η2η3ARβ[1-α(TC-25)]
N:为正常工作的光伏组件个数;
η1:光伏组件在额定条件下的光电转换效率,η2最大功率点跟踪的工作效率,η3逆变器效率;A光伏组件的面积,Rβ光伏阵列斜面太阳总辐照度,α光伏组件的温度系数,TC光伏组件的板温;
β阵列的倾角。
5.根据权利要求1所述的逆变器故障预警判据生成方法,其特征在于,所述排除气象因素数据计算步骤,具体为:
首先根据日出日落,排除无光照情况下,功率值过低的情况;
其次根据实测、预测的气象值排除了光照低情况下功率值低的情况。
6.根据权利要求1所述的逆变器故障预警判据生成方法,其特征在于,所述数据清洗和预处理步骤,具体为:
子步骤1、去除/补全有缺失的数据;
子步骤2、去除/修改格式和内容错误的数据;
子步骤3、去除/修改逻辑错误的数据;
子步骤4、去除不需要的数据;
子步骤5、关联性验证;
子步骤6、去掉功率为0时相应差值点的数据;
子步骤7、补全通讯中断数据;
子步骤8、差值法补全指定时间内的缺失数据。
7.根据权利要求1所述的逆变器故障预警判据生成方法,其特征在于,所述数据分类步骤,具体为:
子步骤1、按单台设备和同型号设备分类;
子步骤2、按电场投运计划要求分类;
子步骤3、按不同时间间隔分类;
子步骤4、按有逆变器性能信息和无逆变器性能信息分类;
子步骤5、按监控厂家知道投运容量和不知道投运容量分类。
8.根据权利要求6所述的逆变器故障预警判据生成方法,其特征在于,对于子步骤4和子步骤5两种情况采用二分K-均值聚类算法对数据进行分类得到设备类型,具体为:
首先完成K-均值聚类算法,算法步骤:
1)创建K个点作为起始质心C(k);
2)计算每个点与质心的欧式距离
di(t)=||x(t)-Ci(t-1)||,i=1,2,…,n;
3)把数据点分配到距离最近的簇;
4)对每个簇计算所有点的均值并作为质心;
<mrow>
<mi>C</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mi>x</mi>
</mrow>
<mi>n</mi>
</mfrac>
<mo>;</mo>
</mrow>
5)计算SSE
<mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mi>n</mi>
</mfrac>
</mrow>
sse=∑σ2;
其次优化成二分K-均值聚类算法,算法步骤:
1)在将所有点看成一个簇;
2)当簇数目小于K时;
3)对于每一个簇计算总误差;
4)在给定的簇上面进行K-均值聚类(k=2);
5)计算将该簇一分为二之后的总误差;
6)选择使得误差最小的那个族进行划分操作;
7)达到要求结束,达不到重复前面的步骤。
9.根据权利要求1所述的逆变器故障预警判据生成方法,其特征在于,所述数据挖掘步骤,具体为:
分为差值计算步骤、数据统计分析步骤两个步骤,
其中差值计算步骤分为两种:
实测功率与理论功率值的方差值
<mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&Sigma;</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mn>1</mn>
<mo>-</mo>
<mi>Y</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mi>n</mi>
</mfrac>
</mrow>
Y1为实测功率值,Y2为理论功率值;
实测功率与理论功率差的绝对值
σ=|y1-y2||
其中数据统计分析步骤,具体为:
子步骤1、统计功率两种差值的中心位置(算术平均数、加权平均数,几何平均数,中位数、众数);
子步骤2、计算发散程度(极差、方差、标准差、变异系数);
子步骤3、计算每个点的偏差程度z-分数;
子步骤4、统计出变异系数和偏差>设定值的值;
子步骤5、对比实测功率值,去掉实测功率大的值,统计出小的变异程度大的值作为判据。
10.根据权利要求1所述的逆变器故障预警判据生成方法,其特征在于,所述数据生成步骤,可以手动输入影响因子,完成单个设备和同类型设备故障预警判据生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711089904.6A CN107909096A (zh) | 2017-11-08 | 2017-11-08 | 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711089904.6A CN107909096A (zh) | 2017-11-08 | 2017-11-08 | 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107909096A true CN107909096A (zh) | 2018-04-13 |
Family
ID=61843623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711089904.6A Pending CN107909096A (zh) | 2017-11-08 | 2017-11-08 | 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909096A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109030579A (zh) * | 2018-08-06 | 2018-12-18 | 山东建筑大学 | 基于聚类的ert污染检测数据处理方法及系统 |
CN112732541A (zh) * | 2020-12-28 | 2021-04-30 | 北京航空航天大学 | 一种用于复杂装备故障诊断的智能判据挖掘系统 |
CN114756082A (zh) * | 2022-04-14 | 2022-07-15 | 帝森克罗德集团有限公司 | 光伏并网逆变器控制系统的最大功率追踪装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103306893A (zh) * | 2012-03-09 | 2013-09-18 | 北京光耀能源技术股份有限公司 | 一种风力发电机故障预警及报警方法 |
CN106100578A (zh) * | 2016-05-30 | 2016-11-09 | 佛山科学技术学院 | 一种适用于光伏并网系统的故障检测方法及其系统 |
CN106886172A (zh) * | 2017-03-29 | 2017-06-23 | 上海科勒电子科技有限公司 | 智能设备故障检测方法、装置及系统 |
CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
CN107167497A (zh) * | 2017-06-27 | 2017-09-15 | 北京必可测科技股份有限公司 | 一种设备故障检测方法及系统 |
-
2017
- 2017-11-08 CN CN201711089904.6A patent/CN107909096A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103306893A (zh) * | 2012-03-09 | 2013-09-18 | 北京光耀能源技术股份有限公司 | 一种风力发电机故障预警及报警方法 |
CN106100578A (zh) * | 2016-05-30 | 2016-11-09 | 佛山科学技术学院 | 一种适用于光伏并网系统的故障检测方法及其系统 |
CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
CN106886172A (zh) * | 2017-03-29 | 2017-06-23 | 上海科勒电子科技有限公司 | 智能设备故障检测方法、装置及系统 |
CN107167497A (zh) * | 2017-06-27 | 2017-09-15 | 北京必可测科技股份有限公司 | 一种设备故障检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
代倩 等: "基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究", 《中国电机工程学报》 * |
裘国永 等: "基于二分 K-均值的 SVM 决策树自适应分类方法", 《计算机应用研究》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109030579A (zh) * | 2018-08-06 | 2018-12-18 | 山东建筑大学 | 基于聚类的ert污染检测数据处理方法及系统 |
CN109030579B (zh) * | 2018-08-06 | 2021-03-02 | 山东建筑大学 | 基于聚类的ert污染检测数据处理方法及系统 |
CN112732541A (zh) * | 2020-12-28 | 2021-04-30 | 北京航空航天大学 | 一种用于复杂装备故障诊断的智能判据挖掘系统 |
CN112732541B (zh) * | 2020-12-28 | 2023-05-09 | 北京航空航天大学 | 一种用于复杂装备故障诊断的智能判据挖掘系统 |
CN114756082A (zh) * | 2022-04-14 | 2022-07-15 | 帝森克罗德集团有限公司 | 光伏并网逆变器控制系统的最大功率追踪装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101761686B1 (ko) | 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템 | |
Park et al. | Predictive model for PV power generation using RNN (LSTM) | |
Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN114004139A (zh) | 一种光伏发电功率预测方法 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN107909096A (zh) | 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法 | |
CN110648249A (zh) | 年度电力平衡测算方法、装置及设备 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN106503861B (zh) | 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
Velasco et al. | Day-ahead base, intermediate, and peak load forecasting using k-means and artificial neural networks | |
CN107977898A (zh) | 一种光伏电站的发电量保险定价评估方法 | |
Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
US20210351612A1 (en) | Solar inverter power output communications methods, and related computer program products | |
CN113988421A (zh) | 基于深度学习的风电机组功率智能预测方法 | |
KR20190071174A (ko) | 기압 데이터를 이용한 단기 풍속 예측 방법 및 시스템 | |
JP2019091335A (ja) | 発電量予測装置、発電量予測システム、発電量予測方法及び発電量予測プログラム | |
TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
CN116191412A (zh) | 电力负荷预测方法 | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20180413 |