CN108805256A - 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 - Google Patents
基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 Download PDFInfo
- Publication number
- CN108805256A CN108805256A CN201810890803.7A CN201810890803A CN108805256A CN 108805256 A CN108805256 A CN 108805256A CN 201810890803 A CN201810890803 A CN 201810890803A CN 108805256 A CN108805256 A CN 108805256A
- Authority
- CN
- China
- Prior art keywords
- bird
- nest
- photovoltaic module
- algorithm
- neural network
- 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
- 241000544061 Cuculus canorus Species 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 23
- 244000000626 Daucus carota Species 0.000 claims abstract description 47
- 235000005770 birds nest Nutrition 0.000 claims abstract description 47
- 235000005765 wild carrot Nutrition 0.000 claims abstract description 47
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000007257 malfunction Effects 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 230000035807 sensation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 239000002800 charge carrier Substances 0.000 claims description 3
- 235000013601 eggs Nutrition 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000032683 aging Effects 0.000 claims 1
- 230000004888 barrier function Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 6
- 210000004027 cell Anatomy 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 4
- WSGCGMGMFSSTNK-UHFFFAOYSA-M 1-methyl-4-phenyl-1-propan-2-ylpiperidin-1-ium;iodide Chemical compound [I-].C1C[N+](C(C)C)(C)CCC1C1=CC=CC=C1 WSGCGMGMFSSTNK-UHFFFAOYSA-M 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (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)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明提供了一种基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，步骤包括：建立光伏组件的等效电路模型，筛选出代表故障类型的故障数据；初始化BP神经网络和布谷鸟算法的参数；对BPNN的参数进行编码和优化训练，记录当前最优鸟巢的位置；更新当前鸟巢的位置，选择最优的鸟巢位置来替换较差的鸟巢位置；将最优鸟巢的位置的值赋值给BPNN的权值与阈值；设定输入和输出，训练CS算法优化后的BPNN的模型；输入测试样本，计算误差值，直到完成故障数据到故障状态的映射，输出故障类型结果矩阵。该故障诊断方法利用布谷鸟搜索算法优化后的BP神经网络分类算法参数设置简单，计算复杂度低，收敛速度快，诊断的精度高，诊断的结果更直接。
Description
技术领域
本发明涉及一种光伏组件故障诊断方法，尤其是一种基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法。
背景技术
作为可持续发展战略中重要的能源问题，备受科研人员的关注。光伏发电作为清洁新能源之一，近年来，已经得到了快速的发展。光伏组件作为光伏发电系统的重要组成部件，对其可能发生的故障进行诊断，成为一项重要的课题。由于光伏板故障导致火灾的想象常有发生，目前光伏电站的维护工作，都是依靠人工来检测，判断光伏组件的输出特性是否正常。通常光伏组件都架设在环境恶劣的野外或者房屋高处，加上自生的高压，使得维护工作危险而且成本高昂。因此故障诊断系统的研究是解决问题其中关键的步骤。为了提高光伏发电系统的发电效率和稳定性，对光伏组件的电气参数监测与故障类型诊断尤为重要。因此有必要设计一种基于布谷鸟算法(Cuckoo Search，CS)与BP神经网络(BackPropagation Neural Network，BPNN)的光伏组件故障诊断方法，能够提高诊断的效率与准确率。
发明内容
本发明的目的在于：提供一种基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，能够提高诊断的效率与准确率。
为了实现上述发明目的，本发明提供了一种基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，包括如下步骤：
步骤1，建立光伏组件的等效电路模型，收集光伏组件模型输出的各类数据，筛选出代表故障类型的故障数据，并设定部分故障数据作为训练样本；
步骤2，初始化BPNN的权值和阈值，初始化布谷鸟收索算法的鸟巢个数m、Pa以及最大迭代次数；
步骤3，随机产生m个鸟巢，设初位置始值分别为wi (0)＝[x1 (0)，x2 (0)，…xm (0)]T，对BPNN的权值和阈值进行编码和优化训练，以均方误差为目标函数，记录当前最优鸟巢的位置xb (0)；
步骤4，通过位置更新算法来更新当前鸟巢的位置，计算适应度值，并与上一代的鸟巢位置作对比，选择最优的鸟巢位置来替换较差的鸟巢位置，从而留下更新后的最优鸟巢的位置为wt (t)＝[x1 (t)，x2 (t)，…xm (t)]T；
步骤5，如果获得的最优鸟巢的位置xb (t)达到设定的精度要求或者迭代次数达到上限，则将最优鸟巢的位置xb (t)的值赋值给BPNN的权值与阈值，否则返回步骤4；
步骤6，将作为样本的故障数据作为输入，将光伏组件故障类型作为输出，训练CS优化后的BPNN的模型；
步骤7，输入测试样本，计算误差值，直到完成故障数据到故障状态的映射，输出故障类型结果矩阵，从而实现光伏组件故障诊断。
进一步地，步骤4中的位置更新算法的算法公式为：
式中，为第i个鸟巢在第t代的位置，α为步长比例因子(α＞0)，表示点对点乘法，L(λ)为随机搜索路径，位置更迭后产生一个随机数r∈[0,1]，如若r＞Pa，则鸟巢位置发生更新，如若r≤Pa，则鸟巢位置不变，最后保留最优的一组鸟巢位置记为Pa∈[0,1]为宿主鸟发现外来鸟蛋的概率。
进一步地，步骤1中等效电路模型的输出特性方程为：
Ipv＝Iph-Id-IRsh
式中，Ipv为模型负载端输出电流；Iph为光感电流，表示由入射辐射引起的PV电池的半导体层中的电荷载流子产生；Id为二极管电流；由于光伏电池的并联电阻会非常大，因此简化Rsh趋于无穷大，IRsh趋于0。
进一步地，步骤1中筛选出代表故障类型的故障数据包括最大功率点电压、最大功率点电流、开路电压以及短路电流。
进一步地，步骤6中光伏组件故障类型包括开路故障、短路故障、阴影热斑故障以及老化故障。
本发明的有益效果在于：将布谷鸟搜索算法与BP神经网络相结合，改善传统方法在故障类型诊断方面的困难，将参数搜索与智能分类的优点引进故障诊断领域，与传统方法分析光伏组件故障类型相比，布谷鸟搜索算法优化后的BP神经网络分类算法参数设置简单，计算复杂度低，收敛速度快，诊断的精度高，诊断的结果更直接。
附图说明
图1为本发明的诊断方法流程图；
图2为本发明的光伏组件等效电路模型；
图3为本发明的BP神经网络的拓扑结构示意图。
具体实施方式
如图1所示，本发明提供了一种基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，包括如下步骤：
步骤1，建立光伏组件的等效电路模型，如图2所示，收集光伏组件模型输出的各类数据，筛选出代表故障类型的故障数据，并设定部分故障数据作为训练样本；
步骤2，初始化BPNN的权值和阈值，初始化布谷鸟收索算法的鸟巢个数m、Pa以及最大迭代次数；
步骤3，随机产生m个鸟巢，设初位置始值分别为wi (0)＝[x1 (0)，x2 (0)，…xm (0)]T，对BPNN的权值和阈值进行编码和优化训练，以均方误差为目标函数，记录当前最优鸟巢的位置xb (0)；
步骤4，通过位置更新算法来更新当前鸟巢的位置，计算适应度值，并与上一代的鸟巢位置作对比，选择最优的鸟巢位置来替换较差的鸟巢位置，从而留下更新后的最优鸟巢的位置为wt (t)＝[x1 (t)，x2 (t)，…xm (t)]T；
步骤5，如果获得的最优鸟巢的位置xb (t)达到设定的精度要求或者迭代次数达到上限，则将最优鸟巢的位置xb (t)的值赋值给BPNN的权值与阈值，否则返回步骤4；
步骤6，将作为样本的故障数据作为输入，将光伏组件故障类型作为输出，训练CS优化后的BPNN的模型；
步骤7，输入测试样本，计算误差值，直到完成故障数据到故障状态的映射，输出故障类型结果矩阵，从而实现光伏组件故障诊断。
为了采集系统中的重要数据，减少计算的时间，需要建立一个光伏组件的等效电路模型，如图2所示，光伏组件输出特性由光伏电池的半导体P-N结在光照情况下产生。考虑电阻损耗，根据基尔霍夫定律，光伏电池组件的输出特性方程表示为：
Ipv＝Iph-Id-IRsh (1)
表达式中各参数定义为：模型负载端输出电流Ipv、光感电流Iph表示由入射辐射引起的PV电池的半导体层中的电荷载流子产生、二极管电流Id＝I0{exp[(Ud+Ipv·Rs)q/nkTj-1]}、损耗电阻上的电流IRsh＝(Ud+Ipv·Rs)/Rsh、电池反向偏置饱和电流I0、输出电压Ud、电荷常数q常取q＝1.6×10-19C、玻尔兹曼常数k＝1.38×10-23J/K、二极管P-N结理想因数n、电池温度Tj(单位K)、模型串联等效电阻Rs表示由于电流和连接导致的内部损耗在单元之间、模型并联等效电阻Rsh表示由于穿过半导体的高电流路径在整个机械缺陷和泄漏电流流向地面所引起的损耗，光伏电池的并联电阻会非常大，为了简化模型，可认为Rsh趋于无穷大。
本发明以制造商给出的标准测试条件(Standard Test Condition，STC)下的光伏组件电气特性为标准。标准测试条件下光伏电池单元的温度TSTC＝25℃，辐照度GSTC＝1000W/m2，大气质量AM＝1.5。一般情况下，令A＝nkTj/q，四参数等效模型的输出电流可表示为：
通过光伏电池的最大功率点(Maximum Power Point，MPP)参数，可计算出下列方程：
因为光感电流远大于二极管电流，假设光感电流等于标准测试条件下的短路电流，则直接计算光感电流为：
Iph＝Isc (6)
开路情况下，负载端电流Ipv＝0A，由于(2)式中“1”相对于指数级显得很小，故可忽略，从而得：
参考最大功率点的电压UMPP和电流IMPP，根据公式(7)计算串联电阻为：
Rs＝[A·ln(1-IMPP/Isc)-UMPP+Uoc]/IMPP (8)
正常情况下，由于光伏电池的功率是单峰性的，所以：
结合公式(8)可计算出未知数A的值为：
利用布谷鸟搜索算法将阈值和权值赋值给鸟巢的位置，将BP神经网络的初始权值和阈值编码成布谷鸟鸟巢，利用布谷鸟搜索在全局搜寻最优解的快速性，加快BP神经网络权值和阈值的确定，在BP神经网络梯度下降过程中，迅速得到近似的全局最优解，通过布谷鸟鸟巢的适应度函数替代BP算法的目标函数(均方误差)，另外布谷鸟搜索算法全局性能良好，可以有效避免陷入BP神经网络梯度曲线上的局部最小值。通过布谷鸟搜索算法优化过的BP神经网络构成分类模型，将等效电路中获得的电气参数输入到模型中，可以得到光伏组件各类故障的分类情况，通过布谷鸟算法优化BP神经网络构建故障分类器，在确保分类精确度的情况下，实现了故障诊断的高效性和快速性。
进一步地，步骤4中的位置更新算法的算法公式为：
式中，为第i个鸟巢在第t代的位置，α为步长比例因子(α＞0)，表示点对点乘法，L(λ)为随机搜索路径，位置更迭后产生一个随机数r∈[0,1]，如若r＞Pa，则鸟巢位置发生更新，如若r≤Pa，则鸟巢位置不变，最后保留最优的一组鸟巢位置记为Pa∈[0,1]为宿主鸟发现外来鸟蛋的概率。布谷鸟搜索算法中，新的鸟巢位置不仅可以从当下最优鸟巢附近产生，提升搜索速率，同时也有一定概率从远离当下最优鸟巢的地方产生，因而可以保证搜索过程中不陷入局部最小值的情况发生。
进一步地，步骤1中筛选出代表故障类型的故障数据包括最大功率点电压、最大功率点电流、开路电压以及短路电流。通过光伏组件的输出特性，选择合适的的特征量(最大功率点电压、最大功率点电流、开路电压以及短路电流)作为输入数据，使用布谷鸟算法快速搜索到合适的阈值和权值，再通过BP神经网络对特征量进行聚合、映射以及归一化处理。
进一步地，步骤6中光伏组件故障类型包括开路故障、短路故障、阴影热斑故障以及老化故障。
如图3所示，BP(Back Propagation)神经网络是一种误差反向传播多层前馈神经网络，利用梯度下降法，可以使输出值与期望值的误差均方差达到最小。基本的BP神经网络结构包括：输入层，隐含层(一层或多层)，输出层，每层有若干个节点。BP算法包括两个传播过程，其中前向传播过程即数据从输入层通过隐含层到输出节点的过程，若经过非线性变换未达到预期输出，则进行反向传播过程即输出误差通过隐含层分配到各节点直到输入层，通过调整各节点间的权值以及阈值，使得误差呈现梯度下降趋势。通过多次迭代训练，自行处理非线性转换信息，当满足设定的最小误差时，确定对应的权值和阈值，算法计算完成。若输入数据量有m个，则输入向量设为X＝(x1,x2,x3···xm)T，则令输入与隐含层之间的权值为V＝(V1,V2,V3···Vm)T，若隐含层的个数是n个，则隐含层与输出层之间的权值W＝(W1,W2,W3···Wn)T，若输出层的个数是k个，则输出层向量设为O＝(o1,o2,o3···ok)T，令期望输出向量D＝(d1,d2,d3···dk)T。在获取光伏组件待测电气特性数据后，提取生成有效的测试样本，然后送至构建好的优化分类器中进行分类识别，根据分类所得的标签量D＝(d1,d2,d3···dk)T，判定光伏组件的工作状态，进而实现光伏组件正常、开路故障、短路故障、阴影热斑故障、老化故障等类型的故障诊断。
Claims (5)
1.基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，其特征在于，包括如下步骤：
步骤1，建立光伏组件的等效电路模型，收集光伏组件模型输出的各类数据，筛选出代表故障类型的故障数据，并设定部分故障数据作为训练样本；
步骤2，初始化BPNN的权值和阈值，初始化布谷鸟收索算法的鸟巢个数m、Pa以及最大迭代次数；
步骤3，随机产生m个鸟巢，设初位置始值分别为wi (0)＝[x1 (0)，x2 (0)，…xm (0)]T，对BPNN的权值和阈值进行编码和优化训练，以均方误差为目标函数，记录当前最优鸟巢的位置xb (0)；
步骤4，通过位置更新算法来更新当前鸟巢的位置，计算适应度值，并与上一代的鸟巢位置作对比，选择最优的鸟巢位置来替换较差的鸟巢位置，从而留下更新后的最优鸟巢的位置为wt (t)＝[x1 (t)，x2 (t)，…xm (t)]T；
步骤5，如果获得的最优鸟巢的位置xb (t)达到设定的精度要求或者迭代次数达到上限，则将最优鸟巢的位置xb (t)的值赋值给BPNN的权值与阈值，否则返回步骤4；
步骤6，将作为样本的故障数据作为输入，将光伏组件故障类型作为输出，训练CS优化后的BPNN的模型；
步骤7，输入测试样本，计算误差值，直到完成故障数据到故障状态的映射，输出故障类型结果矩阵，从而实现光伏组件故障诊断。
2.根据权利要求1所述的基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，其特征在于，步骤4中的位置更新算法的算法公式为：
式中，为第i个鸟巢在第t代的位置，α为步长比例因子(α＞0)，表示点对点乘法，L(λ)为随机搜索路径，位置更迭后产生一个随机数r∈[0,1]，如若r＞Pa，则鸟巢位置发生更新，如若r≤Pa，则鸟巢位置不变，最后保留最优的一组鸟巢位置记为Pa∈[0,1]为宿主鸟发现外来鸟蛋的概率。
3.根据权利要求1所述的基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，其特征在于，步骤1中等效电路模型的输出特性方程为：
Ipv＝Iph-Id-IRsh
式中，Ipv为模型负载端输出电流；Iph为光感电流，表示由入射辐射引起的PV电池的半导体层中的电荷载流子产生；Id为二极管电流；由于光伏电池的并联电阻会非常大，因此简化Rsh趋于无穷大，IRsh趋于0。
4.根据权利要求1所述的基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，其特征在于，步骤1中筛选出代表故障类型的故障数据包括最大功率点电压、最大功率点电流、开路电压以及短路电流。
5.根据权利要求1所述的基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，其特征在于，步骤6中光伏组件故障类型包括开路故障、短路故障、阴影热斑故障以及老化故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810890803.7A CN108805256A (zh) | 2018-08-07 | 2018-08-07 | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810890803.7A CN108805256A (zh) | 2018-08-07 | 2018-08-07 | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108805256A true CN108805256A (zh) | 2018-11-13 |
Family
ID=64079447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810890803.7A Pending CN108805256A (zh) | 2018-08-07 | 2018-08-07 | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108805256A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815860A (zh) * | 2019-01-10 | 2019-05-28 | 中国科学院苏州生物医学工程技术研究所 | 中医舌诊图像颜色校正方法、电子设备、存储介质 |
| CN110221593A (zh) * | 2019-07-19 | 2019-09-10 | 长春理工大学 | 一种三容水箱控制系统的故障模式诊断方法及系统 |
| CN110619479A (zh) * | 2019-09-23 | 2019-12-27 | 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 |
| CN111091141A (zh) * | 2019-11-21 | 2020-05-01 | 浙江大学 | 一种基于分层Softmax的光伏背板故障诊断方法 |
| CN111880117A (zh) * | 2020-07-28 | 2020-11-03 | 北京交通大学 | 能馈供电装置的故障诊断方法、装置及存储介质 |
| CN112307672A (zh) * | 2020-10-29 | 2021-02-02 | 上海电机学院 | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 |
| CN112881914A (zh) * | 2021-01-12 | 2021-06-01 | 常州大学 | 一种锂电池健康状态预测方法 |
| 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 |
| CN113779891A (zh) * | 2021-09-26 | 2021-12-10 | 中机国能电力工程有限公司 | 一种基于数据深度挖掘的光伏组件设计方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040068475A1 (en) * | 2002-09-30 | 2004-04-08 | Depold Hans R. | Physics based neural network trend detector |
| CN106067758A (zh) * | 2016-05-25 | 2016-11-02 | 河海大学常州校区 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
| CN107025341A (zh) * | 2017-03-30 | 2017-08-08 | 河海大学 | 一种光伏逆变器故障诊断方法 |
-
2018
- 2018-08-07 CN CN201810890803.7A patent/CN108805256A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040068475A1 (en) * | 2002-09-30 | 2004-04-08 | Depold Hans R. | Physics based neural network trend detector |
| CN106067758A (zh) * | 2016-05-25 | 2016-11-02 | 河海大学常州校区 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
| CN107025341A (zh) * | 2017-03-30 | 2017-08-08 | 河海大学 | 一种光伏逆变器故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| 侯祥林等: "《非线性系统故障的分形和神经网诊断方法研究与应用》", 30 October 2014 * |
| 谭金凤等: "《大学物理实验》", 30 August 2006 * |
| 郭凤仪等: "《矿山智能电器》", 30 June 2018 * |
| 陈尔奎等: "基于布谷鸟算法和BP 神经网络的矿用变压器故障诊断", 《煤炭技术》 * |
| 陈燕等: "《数据挖掘与聚类分析》", 31 December 2012 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815860A (zh) * | 2019-01-10 | 2019-05-28 | 中国科学院苏州生物医学工程技术研究所 | 中医舌诊图像颜色校正方法、电子设备、存储介质 |
| CN110221593A (zh) * | 2019-07-19 | 2019-09-10 | 长春理工大学 | 一种三容水箱控制系统的故障模式诊断方法及系统 |
| CN110619479A (zh) * | 2019-09-23 | 2019-12-27 | 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 |
| 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 |
| CN111091141A (zh) * | 2019-11-21 | 2020-05-01 | 浙江大学 | 一种基于分层Softmax的光伏背板故障诊断方法 |
| CN111091141B (zh) * | 2019-11-21 | 2022-05-17 | 浙江大学 | 一种基于分层Softmax的光伏背板故障诊断方法 |
| CN111880117B (zh) * | 2020-07-28 | 2022-04-08 | 北京交通大学 | 能馈供电装置的故障诊断方法、装置及存储介质 |
| CN111880117A (zh) * | 2020-07-28 | 2020-11-03 | 北京交通大学 | 能馈供电装置的故障诊断方法、装置及存储介质 |
| CN112307672A (zh) * | 2020-10-29 | 2021-02-02 | 上海电机学院 | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 |
| CN112881914A (zh) * | 2021-01-12 | 2021-06-01 | 常州大学 | 一种锂电池健康状态预测方法 |
| CN112881914B (zh) * | 2021-01-12 | 2022-03-25 | 常州大学 | 一种锂电池健康状态预测方法 |
| 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 |
| CN113779891A (zh) * | 2021-09-26 | 2021-12-10 | 中机国能电力工程有限公司 | 一种基于数据深度挖掘的光伏组件设计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805256A (zh) | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 | |
| CN106961249B (zh) | 一种光伏阵列故障诊断和预警方法 | |
| 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 | |
| WO2020029327A1 (zh) | 一种基于改进随机森林算法的光伏阵列故障诊断方法 | |
| Jiang et al. | Automatic fault detection and diagnosis for photovoltaic systems using combined artificial neural network and analytical based methods | |
| CN104391189B (zh) | 基于三级诊断的大型光伏阵列故障诊断定位方法 | |
| CN109150104A (zh) | 一种基于随机森林算法的光伏阵列故障诊断方法 | |
| CN109670553B (zh) | 基于自适应神经模糊推理系统的光伏阵列故障诊断方法 | |
| CN106777984A (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 | |
| 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 | |
| CN109992911A (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
| CN114117921A (zh) | 一种光伏阵列故障智能诊断方法 | |
| Manjunath et al. | On-line health monitoring of PV plants | |
| Khan et al. | Machine learning based islanding detection for grid connected photovoltaic system | |
| Allahabadi et al. | Neural network based maximum power point tracking technique for PV arrays in mobile applications | |
| CN113595132B (zh) | 基于最大功率点和混合优化算法的光伏在线参数辨识方法 | |
| CN110022130A (zh) | 一种光伏阵列故障检测设备和方法 | |
| Swathika et al. | Classification of faults in pv system using artificial neural network | |
| Hachana et al. | Fault diagnosis of building integrated PV generator: a metaheuristic technique | |
| CN116436405A (zh) | 一种光伏组串的热斑故障诊断方法 | |
| Enache et al. | Modeling a PV panel using the manufacturer data and a hybrid adaptive method | |
| Gong et al. | Fault diagnosis method of photovoltaic array based on random forest algorithm | |
| Omer et al. | Large scale photovoltaic array fault diagnosis for optimized solar cell parameters extracted by heuristic evolutionary algorithm | |
| Ghazali et al. | A multi-scale dual-stage model for PV array fault detection, classification, and monitoring technique | |
| Belaout et al. | Multi-class neuro-fuzzy classifier for photovoltaic array faults diagnosis |
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 |
Application publication date: 20181113 |
|
| RJ01 | Rejection of invention patent application after publication |