CN108062571B - 基于差分进化随机森林分类器的光伏阵列故障诊断方法 - Google Patents
基于差分进化随机森林分类器的光伏阵列故障诊断方法 Download PDFInfo
- Publication number
- CN108062571B CN108062571B CN201711439293.3A CN201711439293A CN108062571B CN 108062571 B CN108062571 B CN 108062571B CN 201711439293 A CN201711439293 A CN 201711439293A CN 108062571 B CN108062571 B CN 108062571B
- Authority
- CN
- China
- Prior art keywords
- random forest
- fault
- fault diagnosis
- array
- photovoltaic
- 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
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 71
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000003066 decision tree Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000010248 power generation Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000032683 aging Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 2
- 238000001028 reflection method Methods 0.000 description 2
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于差分进化随机森林分类器的光伏阵列故障诊断方法。该方法：首先，采集各种工况条件下的光伏阵列电压和各个光伏组串的电流，并以不同的标识符对各种工况进行标识；其次，采用基于袋外数据的分类误判率均值大小确定随机森林模型中决策树的数量范围；而后，利用差分进化算法对其决策树数量范围进行全局优化，得到最优的决策树数量值；再而，将计算出的最优决策树数量值带入利用随机森林分类器并对样本进行训练，得到随机森林故障诊断训练模型；最后，利用训练模型对光伏阵列进行故障检测和分类。本发明方法，能够在保证最优的模型分类准确率的同时大大加快模型训练速度，从而更快速、准确地实现对光伏发电阵列的故障检测和分类。
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，特别是一种基于差分进化随机森林分类器的光伏阵列故障诊断方法。
背景技术
大规模光伏电站是新能源利用的一种重要方式，其核心的光伏发电阵列在运行过程中由于受到外界自然环境与自身老化等问题的影响，不可避免地会发生一些故障，由于其故障比例在光伏系统中比较大，一旦发生故障就会对对整个光伏发电系统造成很大的破坏。如果这些故障不及时发现与排除，将会直接影响光伏发电系统的正常运行，严重时甚至会烧坏电池组件引发火灾。因此实现光伏系统的故障诊断对发电系统的正常运行具有非常重要的意义。
传统的光伏故障诊断方法主要有红外检测法、多传感器法、对地电容测量法、时域反射法。红外检测法通过分析光伏组件的红外图像实现故障诊断，该方法需要很多红外摄像仪与传感器，检测精度不够高，实时性较差，设备费用昂贵；多传感器法需要为光伏组件安装一定数量的电压传感器和电流传感器，通过分析采集到的电压和电流数据实现故障诊断，但是所用传感器数量较多、故障定位的精度较差、容易受外界环境因素影响、难以在大规模光伏阵列中推广；而对地电容测量法和时域反射法都需要离线操作，效率较低， 适用范围较小，只适用于串联光伏电路，对测量设备的精度要求很高。
近些年，机器学习算法也被提出用于光伏系统的故障诊断，其中常用的诊断方法有人工神经网络（ANN）和支持向量机（SVM）。人工神经网络（ANN）具有较强的自学能力、适应性和非线性逼近能力等优点，但存在着参数优化难、收敛速度过慢等缺点。而支持向量机（SVM）作为比较经典的分类算法，克服了人工神经网络（ANN）收敛速度慢和过拟合的问题，但存在处理大样本数据时能力不足以及解决多分类问题精度较低等困难。而随机森林作为集成学习中比较经典的算法之一，能够解决人工神经网络（ANN）收敛速度过慢，容易陷于过拟合等问题，同时也能解决支持向量机（SVM）处理大样本数据的能力不足的缺点。更重要的是随机森林能够集成多种特征向量，有效提高诊断的正确率。E Cernadas等人在2014年评估了179个分类器（包括判别分析，贝叶斯，神经网络，支持向量机，决策树，增强，套袋法，提升法,随机森林，广义线性模型，最近邻分类算法等方法），并证明随机森林是最好的分类器。为此，本发明提出一种基于差分进化随机森林分类器的光伏阵列故障诊断方法，通过分析袋外数据（OOB）的分类误判率均值大小确定随机森林模型中决策树数量范围，利用差分进化算法（DE）对其决策树的范围进行全局寻优，使得模型训练时间大大减小，同时使故障检测和分类的准确性达到最优，从而更快速、准确地实现对光伏发电阵列的故障检测和分类。
目前，公开发表的文献及专利中尚未见有本发明所提出的基于差分进化随机森林分类器的光伏阵列故障诊断方法。
发明内容
本发明的目的在于提供一种基于差分进化随机森林分类器的光伏阵列故障诊断方法，以克服现有相关技术的缺陷，从而更快速、准确地实现对光伏发电阵列的故障检测和分类。
为实现上述目的，本发明的技术方案是：一种基于差分进化随机森林分类器的光伏阵列故障诊断方法，包括如下步骤：
步骤S1：采集各种工况条件下的光伏阵列电压和各个光伏组串的电流，并以不同的标识符对各种工况进行标识，该些电压、电流数据和类别标识符构成样本数据；
步骤S2：将所述样本数据随机分成训练集和测试集；随机森林分裂属性集中的属性个数选用默认值；并采用基于袋外数据的分类误判率均值大小确定随机森林模型中决策树的数量范围；
步骤S3：根据所述步骤S2 计算出的决策树的数量范围，以求解分类误判率最小值为目标，利用差分进化算法对其数量范围进行全局优化，得到最优的决策树数量值；
步骤S4：根据所述步骤S3 计算出的最优决策树数量值，利用随机森林分类器对训练集中的每个样本进行训练，得到随机森林故障诊断训练模型；
步骤S5：通过所述步骤S1对实际待测工况进行处理，并利用所述随机森林故障诊断训练模型，对所述实际待测工况下的光伏阵列电压电流数据进行检测和分类，判断光伏发电阵列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，所述的样本数据是平衡数据，每个类别有大致相同的样本数；所述阵列电压和各个组串电流作为随机森林故障诊断训练模型的输入向量；所述类别标识作为随机森林故障诊断训练模型的输出。
在本发明一实施例中，所述工况包括正常工作、组串级线线故障、阵列级线线故障、老化故障、阴影故障、开路故障；其中，组串级线线故障，即组串中一块或多块组件被短路；阵列级线线故障，即不同组串中电势差为一块或多块组件工作电压的电位点被短路；老化故障，即组串老化和阵列老化；阴影故障，即组串中一块或多块组件发生阴影遮挡；开路故障，即组串中连接线发生意外断路。
在本发明一实施例中，所述随机森林故障诊断训练模型通过袋外误差估计模型的泛化误差，并采用多重K-fold交叉验证的方法，将其多重K次迭代的平均分类准确率作为分类精度。
在本发明一实施例中，所述随机森林故障诊断训练模型采用多项式
作为构建随机森林的运行时间复杂度，其中c为常数项，T为决策树的数量，M为模型输入向量个数，N为样本数量。
相较于现有技术，本发明具有以下有益效果：本发明方法，通过分析袋外数据（OOB）的分类误判率均值大小确定随机森林模型中决策树数量范围，利用差分进化算法（DE）对其决策树的数量范围进行全局寻优，得到最佳的决策树棵树，在保证最优的模型分类准确率的同时大大加快模型训练速度，从而更快速、准确地实现对光伏发电阵列的故障检测和分类。
附图说明
图1为本发明中基于差分进化随机森林分类器的光伏阵列故障诊断方法的总体流程图。
图2为本发明中获取样本数据的实验平台实物图。
图3为本发明一实施例中各种预设故障的原理图。
图4为本发明一实施例中袋外数据（OOB）估计误差结果图。
图5为本发明一实施例中用于搜索决策树范围的基本差分进化算法流程图。
图6为本发明一实施例中经差分进化算法（DE）优化后的随机森林算法流程图。
图7为本发明一实施例中10折交叉验证得到的准确性对比图。
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差分进化随机森林分类器的光伏阵列故障诊断方法，流程框图如图1所示。图2为本实施例中用于获取样本数据的实验平台实物图，其中光伏阵列采用18块型号为GL-M100太阳能组件，分成3个组串，每个组串采用6块组件串联，组成6×3的串并联连接方式。
本发明提供一种基于差分进化随机森林分类器的光伏阵列故障诊断方法，本实施例中各种预设工况包括：正常工作；组串级线线故障，即组串中短路组件的数量为1块和2块；阵列级线线故障，即短接不同组串中电势差为1块和2块组件工作电压的电位点；老化故障，即组串老化4欧和阵列老化4欧；阴影故障，即组串中阴影组件的数量为1块和2块；开路故障，即断开某一组串中组件间的连接线。
本实施例中的预设故障创建方法：线线故障通过使用导线使不同电位点短路实现；开路故障通过断开光伏组件间的连接线实现；老化故障通过串联接入阻值为4欧的大功率铝壳电阻实现；阴影故障通过使用半透明的亚克力板遮挡组件实现。各种预设故障的原理图如图3所示。
通过模拟光伏发电阵列出现的不同故障状况，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光伏阵列电压和各个组串电流数据，具体包括以下步骤：
步骤S1：采集各种工况条件下的光伏阵列电压和各个光伏组串的电流，并以不同的标识符对各种工况进行标识，所述电压电流数据和类别标识符构成样本数据；
步骤S2：将所述样本数据随机分成训练集和测试集；随机森林分裂属性集中的属性个数（mtry）选用默认值；并采用基于袋外数据（OOB）的分类误判率均值大小确定随机森林模型中决策树（ntree）的数量范围；
步骤S3：根据所述步骤S2 计算出的决策树的数量范围，以求解分类误判率最小值为目标，利用差分进化算法（DE）对其数量范围进行全局优化，得到最优的决策树数量值；
步骤S4：根据所述步骤S3 计算出的最优决策树数量值，利用随机森林分类器对训练集中的每个样本进行训练，得到随机森林故障诊断训练模型；
步骤S5：通过所述步骤S1对实际待测工况进行处理，并利用所述随机森林故障诊断训练模型，对所述实际待测工况下的光伏阵列电压电流数据进行检测和分类，判断光伏发电阵列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，每种工况分多个时间段，在不同的照度和温度下进行数据采集，每种工况数据样本均为2500组，并以阿拉伯数字1至10分别标识正常工作、开路故障、组串级线线一块故障、组串级线线两块故障、阵列级线线一块故障、阵列级线线两块故障、组串阴影一块故障、组串阴影两块故障、组串老化4欧故障、阵列老化4欧故障共10种工况。样本中的每组数据为5维，其中1-3维为组串电流，第4维为阵列电压，第五维为类别标识。
进一步的，在本实施例中，将所述样本数据随机选取其中75%组作为训练样本集，剩余25%作为测试样本集。样本中每组数据的第1-4维作为随机森林故障诊断训练模型的输入向量，第五维作为随机森林故障诊断训练模型的输出。随机森林分裂属性集中的属性个数（mtry）采用默认值2（取4的算数平方根），并采用基于袋外数据（OOB）的分类误判率均值大小确定随机森林模型中决策树（ntree）的数量范围。较佳的，本实施例中决策树设为100，则袋外数据（OOB）估计误差结果如图4所示,不难发现在决策树大于15时，OOB估计的分类误判率均值基本很小。
进一步的，在本实施例中，随机森林模型中决策树（ntree）的数量范围不妨取[15,100]，以求解总体分类误判率最小值为目标，利用差分进化算法（DE）对其数量范围进行全局优化，基本差分进化算法流程图如图5所示。较佳的，在本实施例中，差分进化算法（DE）得到最佳决策树（ntree）的棵树的五个最优解为72.9591，80.2105，34.0880，67.4568，28.5677。在本实施例中，将较小值28作为随机森林分类器的决策树参数值，得到优化后的随机森林分类器算法，其流程图如图6所示。通过训练，得到随机森林故障诊断训练模型。
在本实施例中，以多项式
作为构建随机森林的运行时间复杂度，其中c为常数项，T为决策树的数量，M为模型输入向量个数，N为样本数量。标准随机森林决策树为500棵，经差分进化算法（DE）优化后的随机森林决策树为28棵，由多项式
可求得，优化后的随机森林运行时间复杂度降低约 17.85 倍。在相同的MATLAB平台上，标准随机森林和优化后的随机森林依次以本实施例中的样本数据进行模型训练，其训练时间分别为6.515625s和0.406250s，优化后的随机森林运行速度大大提升，用时减少约16.04倍。
进一步的，在本实施例中，采用一次10折交叉验证得到的准确性对比图如图7所示，不难发现未经优化的随机森林总体分类准确率为99.972%，经差分进化算法（DE）优化后的随机森林总体分类准确率为99.98%，分类正确率有所提升。优化后的随机森林在保证最优的模型分类准确率的同时大大加快模型训练速度，从而更快速、准确地实现对光伏发电阵列的故障检测和分类。
为不失一般性，在本实施例中采用10重10折交叉验证，其分类准确率取均值，每种工况的分类准确率如表1所示。该随机森林故障诊断训练模型的总体故障检测准确率可达到99.9752%，其中开路故障、组串阴影两块故障、组串老化4欧故障、阵列老化4欧故障、阵列级线线一块故障、阵列级线线两块故障分类正确率均达100%，其他故障可能由于存在数据重叠，导致微弱的错误分类。
表 1. 每种工况的分类准确率结果
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 (5)
1.一种基于差分进化随机森林分类器的光伏阵列故障诊断方法，其特征在于，包括如下步骤：
步骤S1：采集各种工况条件下的光伏阵列电压和各个光伏组串的电流，并以不同的标识符对各种工况进行标识，该些电压、电流数据和类别标识符构成样本数据；
步骤S2：将所述样本数据随机分成训练集和测试集；随机森林分裂属性集中的属性个数选用默认值；并采用基于袋外数据的分类误判率均值大小确定随机森林模型中决策树的数量范围；
步骤S3：根据所述步骤S2 计算出的决策树的数量范围，以求解分类误判率最小值为目标，利用差分进化算法对其数量范围进行全局优化，得到最优的决策树数量值；
步骤S4：根据所述步骤S3 计算出的最优决策树数量值，利用随机森林分类器对训练集中的每个样本进行训练，得到随机森林故障诊断训练模型；
步骤S5：通过所述步骤S1对实际待测工况进行处理，并利用所述随机森林故障诊断训练模型，对所述实际待测工况下的光伏阵列电压电流数据进行检测和分类，判断光伏发电阵列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所述的基于差分进化随机森林分类器的光伏阵列故障诊断方法，其特征在于，所述的样本数据是平衡数据，每个类别有大致相同的样本数；所述阵列电压和各个组串电流作为随机森林故障诊断训练模型的输入向量；所述类别标识作为随机森林故障诊断训练模型的输出。
3.根据权利要求1所述的基于差分进化随机森林分类器的光伏阵列故障诊断方法，其特征在于，所述工况包括正常工作、组串级线线故障、阵列级线线故障、老化故障、阴影故障、开路故障；其中，组串级线线故障，即组串中一块或多块组件被短路；阵列级线线故障，即不同组串中电势差为一块或多块组件工作电压的电位点被短路；老化故障，即组串老化和阵列老化；阴影故障，即组串中一块或多块组件发生阴影遮挡；开路故障，即组串中连接线发生意外断路。
4.根据权利要求1所述的基于差分进化随机森林分类器的光伏阵列故障诊断方法，其特征在于，所述随机森林故障诊断训练模型通过袋外误差估计模型的泛化误差，并采用多重K-fold交叉验证的方法，将其多重K次迭代的平均分类准确率作为分类精度。
5.根据权利要求1所述的基于差分进化随机森林分类器的光伏阵列故障诊断方法，其特征在于，所述随机森林故障诊断训练模型采用多项式
作为构建随机森林的运行时间复杂度，其中c为常数项，T为决策树的数量，M为模型输入向量个数，N为样本数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711439293.3A CN108062571B (zh) | 2017-12-27 | 2017-12-27 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711439293.3A CN108062571B (zh) | 2017-12-27 | 2017-12-27 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108062571A CN108062571A (zh) | 2018-05-22 |
| CN108062571B true CN108062571B (zh) | 2021-04-27 |
Family
ID=62140288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711439293.3A Active CN108062571B (zh) | 2017-12-27 | 2017-12-27 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108062571B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034220A (zh) * | 2018-07-13 | 2018-12-18 | 福州大学 | 一种基于最优旋转森林的智能光伏阵列故障诊断方法 |
| 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 |
| CN109150104A (zh) | 2018-08-10 | 2019-01-04 | 江南大学 | 一种基于随机森林算法的光伏阵列故障诊断方法 |
| CN109409420B (zh) * | 2018-10-08 | 2022-05-03 | 西安热工研究院有限公司 | 一种在非均匀辐照度下的光伏组串故障诊断方法 |
| CN109359702A (zh) * | 2018-12-14 | 2019-02-19 | 福州大学 | 基于卷积神经网络的光伏阵列故障诊断方法 |
| CN109358255B (zh) * | 2018-12-18 | 2024-03-05 | 北京交通大学 | 牵引变流器故障分析方法及装置 |
| CN109583515A (zh) * | 2018-12-20 | 2019-04-05 | 福州大学 | 一种基于BP_Adaboost的光伏发电故障检测与分类方法 |
| CN109657720B (zh) * | 2018-12-20 | 2021-05-11 | 浙江大学 | 一种电力变压器匝间短路故障的在线诊断方法 |
| CN109688537A (zh) * | 2018-12-21 | 2019-04-26 | 延安大学 | 基于差分进化算法的森林火灾监测物联网节点定位方法 |
| CN110110757B (zh) * | 2019-04-12 | 2021-02-05 | 国电南瑞科技股份有限公司 | 一种基于随机森林模型的输变电可疑数据筛查方法和设备 |
| CN110263856B (zh) * | 2019-06-20 | 2021-04-27 | 北京实力伟业环保科技有限公司 | 基于物联网的风机故障评价方法、系统及设备 |
| CN110705727B (zh) * | 2019-09-30 | 2022-03-01 | 山东建筑大学 | 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 |
| CN110796121A (zh) * | 2019-11-21 | 2020-02-14 | 杭州电力设备制造有限公司 | S变换及优化随机森林诊断高压断路器机械故障的方法 |
| CN111245365B (zh) * | 2020-01-09 | 2020-12-15 | 南京工业大学 | 基于动态加权深度森林的光伏组件故障诊断方法 |
| CN111539550B (zh) | 2020-03-13 | 2023-08-01 | 远景智能国际私人投资有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
| CN111723520A (zh) * | 2020-05-29 | 2020-09-29 | 国网四川省电力公司电力科学研究院 | 一种基于决策树和随机森林的变压器故障诊断装置及方法 |
| CN111652191A (zh) * | 2020-06-30 | 2020-09-11 | 东北大学 | 一种基于陆空两级光伏发电系统的故障检测方法及系统 |
| WO2022165617A1 (zh) * | 2021-02-02 | 2022-08-11 | 同济大学 | 一种基于行为信息的大学生心理状态评估方法 |
| CN112951350A (zh) * | 2021-02-02 | 2021-06-11 | 同济大学 | 一种基于行为信息的大学生心理状态评估方法 |
| CN113095355B (zh) * | 2021-03-03 | 2022-08-23 | 上海工程技术大学 | 改进差分进化算法优化随机森林的滚动轴承故障诊断方法 |
| CN113095173B (zh) * | 2021-03-29 | 2024-04-02 | 西安交通大学 | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 |
| CN114580829A (zh) * | 2021-12-29 | 2022-06-03 | 国网湖南省电力有限公司 | 基于随机森林算法的用电安全感知方法、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8055091B2 (en) * | 2004-05-03 | 2011-11-08 | International Business Machines Corporation | Method of filtering pixels in a video encoding process |
| CN105846780A (zh) * | 2016-03-19 | 2016-08-10 | 上海大学 | 一种基于决策树模型的光伏组件故障诊断方法 |
| CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
| CN106952275A (zh) * | 2017-03-16 | 2017-07-14 | 南京师范大学 | 一种基于粒子群神经网络的细胞图像分割方法 |
| 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 |
-
2017
- 2017-12-27 CN CN201711439293.3A patent/CN108062571B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8055091B2 (en) * | 2004-05-03 | 2011-11-08 | International Business Machines Corporation | Method of filtering pixels in a video encoding process |
| CN105846780A (zh) * | 2016-03-19 | 2016-08-10 | 上海大学 | 一种基于决策树模型的光伏组件故障诊断方法 |
| CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
| CN106952275A (zh) * | 2017-03-16 | 2017-07-14 | 南京师范大学 | 一种基于粒子群神经网络的细胞图像分割方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| Classification of power quality data using decision tree and chemotactic differential evolution based fuzzy clustering;Biswal B 等;《Swarm & Evolutionary Computation》;20120630;第12-24页 * |
| 自适应调整差分进化算法在优化问题中的应用;肖文显 等;《哈尔滨理工大学学报》;20150228;第20卷(第1期);第71-74页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108062571A (zh) | 2018-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Zhu et al. | Fault diagnosis approach for photovoltaic arrays based on unsupervised sample clustering and probabilistic neural network model | |
| 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 | |
| CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
| CN108008176B (zh) | 一种光伏阵列实时状态监测与故障定位系统 | |
| 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 | |
| CN109660206B (zh) | 一种基于Wasserstein GAN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 | |
| WO2019214268A1 (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
| CN108964606B (zh) | 一种光伏系统热斑故障检测方法 | |
| Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
| CN110008628B (zh) | 一种光伏阵列故障参数辨识方法 | |
| 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 | |
| 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 | |
| CN104391189A (zh) | 基于三级诊断的大型光伏阵列故障诊断定位方法 | |
| CN112787591B (zh) | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 | |
| CN113283580A (zh) | 一种太阳能电池板故障自动检测方法 | |
| Liu et al. | Time series clustering and physical implication for photovoltaic array systems with unknown working conditions | |
| Liu et al. | A dilation and erosion-based clustering approach for fault diagnosis of photovoltaic arrays | |
| CN114021433A (zh) | 一种电力系统的主导失稳模式识别模型的构建方法及应用 | |
| Alajmi et al. | Machine learning as an efficient diagnostic tool for fault detection and localization in solar photovoltaic arrays | |
| Eskandari et al. | Optimization of SVM classifier using grid search method for line-line fault detection of photovoltaic systems | |
| CN117411436B (zh) | 光伏组件状态检测方法、系统及存储介质 | |
| CN110022130A (zh) | 一种光伏阵列故障检测设备和方法 | |
| CN117150220A (zh) | 一种基于机器学习的光伏阵列故障诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |