CN110224673B - 一种基于深度学习的太阳能光伏电池板故障检测方法 - Google Patents
一种基于深度学习的太阳能光伏电池板故障检测方法 Download PDFInfo
- Publication number
- CN110224673B CN110224673B CN201910397926.1A CN201910397926A CN110224673B CN 110224673 B CN110224673 B CN 110224673B CN 201910397926 A CN201910397926 A CN 201910397926A CN 110224673 B CN110224673 B CN 110224673B
- Authority
- CN
- China
- Prior art keywords
- current
- data set
- model
- data
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004140 cleaning Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000007787 long-term memory Effects 0.000 abstract description 3
- 230000006403 short-term memory Effects 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 14
- 230000002354 daily effect Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
Images
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
-
- 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)
Abstract
本发明公开了一种基于深度学习的太阳能光伏电池板故障检测方法。本方法先对采集到的光伏电池板时序电流数据进行数据清洗后，对处理后的电流数据分别进行横向、纵向特征提取，将提取到的特征与原电池板电流值生成检测数据集，之后将数据集先通过卷积神经网络得到电流数据深层次特征，再通过长短期记忆模型学习训练数据时间维度上的特征，最终以完成对光伏组件的故障检测。本发明通过对电站海量电流数据进行实验验证，证明了本方法在对光伏电池板进行故障检测时具有的90%以上的准确率，同时具有在电站部署投入使用的实用性和便利性。
Description
技术领域
本发明涉及太阳能光伏电池板故障检测领域，尤其是涉及一种基于深度学习的太阳能光伏电池板故障检测方法。
背景技术
近些年，由于传统化石能源造成的环境污染问题越来越严重，清洁能源如太阳能的需求量越来越大，越来越多的光伏电站平地而起，随之光伏电站在日常运转中所遇到的问题也随之增加。光伏电站通常建设在人迹罕至、环境条件恶劣的荒郊野地，一个电站通常占地上千亩，拥有上千万块的光伏组件，但电站日常运营维护人员往往不超过十人左右，而且由于光伏组件的故障多种多样，准确定位与判别光伏组件故障类型，对提高电站工作人员工作效率，进一步提高光伏发电系统的运行效率及降低发电成本具有重要意义。
近些年来，国内外专家学者多通过对光伏组件发电系统进行数学建模及对光伏组件发电时电池板图像采用图像分析识别的角度，来针对某种特定光伏组件故障类型进行诊断。当前针对光伏组件故障诊断的类型主要分为在线诊断、离线诊断、以及基于神经网络的检测几大类别。在线诊断的方法主要有红外图像检测法、多传感器法参数估算法等；离线诊断法主要有时域反射分析法与对地电容测量法等；神经网络的检测有基于BP神经网络的检测方法。
通常情况下，光伏公司会在不同的地理位置建立多个光伏电站运营。这些光伏电站由于建设时期的不同，采购的设备规格种类存在很大的差异性，即使是在同一光伏电站中，随着设备的损耗而造成的大量光伏组件更替，也会造成同一电站中的设备新旧混杂，并且同一汇流箱下的支路之间，在同一时间段内的电流数据也会因设备损耗的不同而存在明显差异。因此基于光伏阵列数学建模的方法不能十分精确的对大规模的光伏阵列进行很好的检测。同时电站经常建设在环境条件恶劣的郊外，这对于及时、安全、准确的获得光伏组件红外图像造成很大的困难。而且，基于经济因素的考虑，光伏公司不可能再全部为已经建成投入使用多年的光伏电站更新、增设多种传感器及新的数据采集设备，所以多传感器的方法无法适用于现有电站。
本发明提出了一种基于CNN-LSTM的深度学习模型，仅需要使用电站采集到的基本电流数据，就可以很好的检测出故障光伏组件的位置及故障类型。同时，由于在实际使用中是使用训练好的深度学习模型进行检测，检测效率上要大大优于需要进行大量数学运算的基于数学建模的检测方法及需要采集图像的图像识别方法。本发明需要使用的数据类型少，数据获取方便，针对大规模光伏阵列计算速度快，利用光伏电站现有设备进行检测，无需增加额外设备，适用于已经投入使用的大规模光伏电站故障检测。
发明内容
本发明提供了一种基于深度学习的太阳能光伏电池板故障检测方法，实现过程为：
步骤一：获取太阳能光伏电池板运行产生的电流数据集，对电流数据集进行降采样处理，根据太阳能光伏电池板每日的电流数据绘制成电流曲线图，根据电流曲线图制作出对应支路的标签数据集；
步骤二：对电流数据集进行数据清洗，对电流数据集进行横向特征与纵向特征的提取，制作得到训练数据集与测试数据集；
步骤三：使用CNN-LSTM模型进行学习训练，根据模型训练完成时的损失函数值与正确率以及验证测试数据集得到的正确率，对模型的结构与参数进行调整与优化；
步骤四：使用实际光伏电站运行产生的电流数据对模型进行反复的验证与优化。
其中，在根据电流曲线图制作出对应支路的标签数据集的步骤中，包括：根据支路运行时实际采集到的电流数据表现形式，将支路的运行状态分为六类，并基于六类进行标签数据集的制作。
其中，六类标签分别是：1、正常发电，电流曲线表现为随着一天中时间的变化而近似表现为正态曲线；2、通讯故障，电流曲线多表现为无规律变化，或者存在明显脱离一般常识的电流值点；3、直角突变，电流曲线表现为在正常发电过程中，电流值突降到0不再恢复正常，存在突发性故障；4、组件修理，电流曲线表现为同一汇流箱下某条异常支路的电流曲线从零值恢复到正常发电；5、电流持平，电流持平一般分为两种，一种表现为电流值在零点持平，另一种表现为电流值持平在某任意点；6、电流低，同一汇流箱下某条支路运行时电流值总是比同汇流箱下其他支路电流低0.5A及以上。
其中，对电流数据集进行数据清洗，对电流数据集进行横向特征与纵向特征的提取，制作得到训练数据集与测试数据集的步骤包括：
将以秒为单位获得的二十四小时电流数据采样为以分钟为单位、区间为上午8点至下午6点的电流采样点，得到的每天电流数据为600个点；
将单个汇流箱下的15条支路作为一个单位，将15条支路每一分钟的电流值当做一个电流组数据，每天的600采样点作为一个时间步长，即（600，15）；
将每一时间步下的电流数据组进行横向特征的提取，在提取特征时，清洗掉大幅度偏离常理的电流值，补以0值代替；
纵向特征的提取使用一阶差分，提取单条支路一天内随时间与太阳辐照的变化而变化的电流变化率；
横向特征提取任一采样点时，同一汇流箱下15条支路中组成的数据组的电流平均值、最大值、方差、最小值、标准差，横向特征用以表示某一时刻时，汇流箱下支路发电电流的理想数值；
将上述一个时间步提取到的特征与待检测支路这一时刻点的电流值组合起来，得到同一时间步下输入模型的电流数据。
其中，使用CNN-LSTM模型对电流数据进行学习训练的步骤中，使用处理好的三维数据集（N，600,7），进入一个两层的卷积神经网络模型进行提取特征，得到向量（N，150,64）；将卷积模型输出的向量输入一个三层的长短期记忆模型进行训练，训练学习后的数据（N，64）进入一个全连接层后得到一维的输出，与数据标签计算损失函数值后，模型开始反向传播，调整整个模型内部的参数值。
其中，在使用实际光伏电站运行产生的电流数据对模型进行反复的验证与优化时，使用不同光伏阵列区域与不同发电时期的电流数据对模型进行验证与优化。
区别于现有技术，本发明提供的基于深度学习的太阳能光伏电池板故障检测方法，从光伏组件运行时采集到的电流表现形式作为对光伏组件故障进行分类的依据，使用CNN-LSTM的深度学习模型结构进行训练学习。本方法在大样本数据集上进行验证测试后，如表1显示，正确率可以达到92%，并且在得到训练好的模型后在使用过程中省去了花费大量时间的训练过程，可以在实际电站故障问题检测中较好的投入使用，不需要额外在电站中架设设备，运行速度快，避免了现存的一些方法需要在电站中添加额外数据采集设备的缺点，克服了现存方法仅仅只能针对几种故障进行检测的弊端，符合电站日常使用需要。
附图说明
图1为本发明提供的一种基于深度学习的太阳能光伏电池板故障检测方法的光伏阵列结构图。
图2为本发明提供的一种基于深度学习的太阳能光伏电池板故障检测方法的流程示意图。
图3为本发明提供的一种基于深度学习的太阳能光伏电池板故障检测方法的数据集处理示意图。
图4为本发明提供的一种基于深度学习的太阳能光伏电池板故障检测方法的模型结构示意图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
参阅图1，图1是本发明提供的一种基于深度学习的太阳能光伏电池板故障检测方法的流程示意图。该方法的步骤包括：
步骤一：获取太阳能光伏电池板运行产生的电流数据集，对电流数据集进行降采样处理，根据太阳能光伏电池板每日的电流数据绘制成电流曲线图，根据电流曲线图制作出对应支路的标签数据集；
步骤二：对电流数据集进行数据清洗，对电流数据集进行横向特征与纵向特征的提取，制作得到训练数据集与测试数据集；
步骤三：使用CNN-LSTM模型进行学习训练，根据模型训练完成时的损失函数值与正确率以及验证测试数据集得到的正确率，对模型的结构与参数进行调整与优化；
步骤四：使用实际光伏电站运行产生的电流数据对模型进行反复的验证与优化。
其中，具体的实施步骤为：
首先，从能源公司得到电站运行时产生的电流数据，图一为电站光伏组件分布概况，看到电站光伏组件是如何的放置的。我们先根据支路运行时采集到的电流数据的表现形式，将支路的运行状态分为六大类并基于这六类进行标签数据集的制作。这六类分别是：1、正常发电，电流曲线表现为随着一天中时间的变化而近似的表现为正态曲线。2、通讯故障，电流曲线多表现为无规律变化，或者存在明显脱离一般常识的电流值。3、直角突变，电流曲线变现为在正常发电过程中突降到0并不再恢复正常，存在突发性故障问题。4、组件修理，电流曲线表现为同一汇流箱下某条异常支路的电流曲线从零值恢复到正常发电，其当天存在修理行为。5、电流持平，电流持平一般分为两种表现形式：一种表现为在零点持平，另一种表现为持平在某一任一电流值点。6、电流值低，同一汇流箱下的某条支路运行时电流值总是比同汇流箱下其他支路的电流低0.5A及以上。
图2为检测方法的具体流程示意，解释了整个方法的流程。在得到标签数据集后，我们将获得的电流数据先进行采样处理以降低数据量，将以秒为单位获得的二十四小时电流数据降采样为以分钟为单位，采样区间为每天的上午八点至下午六点，得到的电流数据为每天600个采样点。之后，将单个汇流箱下的15条支路作为一个特征提取单位，将15条支路每一采样点的电流值当做一组特征提取数据，每天的600的采样点作为一个时间步长，即（600，15）。将每一时间步下的电流分别进行横向与纵向提取特征，在提取特征时，清洗掉大幅度偏离常理的电流值，补以0值代替。纵向特征的提取使用一阶差分，提取每条支路一天内随时间与太阳辐照的变化而变化的电流变化率；横向特征提取某一采样点时，同一汇流箱下15条支路中的电流平均值、最大值、方差、最小值与标准差，横向特征用以表示某一时刻点时，汇流箱下支路电流的理想数值。将上述一个时间步提取到的特征与待检测支路这一时刻点的电流值组合起来，得到的便是这一时间步下输入模型的电流数据。图3是数据处理的具体过程示意，展示是如何对数据集进行处理得到训练数据集。
使用CNN-LSTM模型对电流数据进行学习训练，使用做好的数据集（三维数据集（N，600,7）），数据集首先先进入一个两层的卷积模型（CNN）进一步提取特征，得到向量（N，50,128）。再将卷积模型得到的向量输入入一个三层的长短期记忆模型（LSTM）进行训练，训练学习后的得到向量（N，64）最后进入一个全连接层后得到一维的向量输出，与数据标签计算LOSS后，模型开始反向传播，调整整个模型内部的参数值。最终得到最优的模型结构为2层卷积层与3层长短期记忆模型层。第一个卷积层滤波器为32个，第二个卷积层滤波器为64个，长短期记忆模型层神经元数目分别为16/32/64，损失函数Msle，激活函数为Relu，优化器为adam。图4是深度模型的具体结构图，清晰的看到深度学习模型内部的结构与每一层模型的输出与输入。
得到模型后，分别使用电站不同区域的电流数据与不同时期的电流数据对模型进行多次的验证，根据验证结果对模型进行优化，以得到一个最优的检测模型。
实施例1：
本实验数据来自山西省太原市某光伏能源公司。该实验数据基本信息如下：
一个光伏电站通常由六十个区域组成，每一个区域下包含两个逆变器，一个逆变器下又有七个汇流箱，一个汇流箱下包含十五条支路，每条支路下又会有多个电池板串联构成，我们的数据采集设备最小采集到支路的电流数据。
使用能源公司下属某光伏电站2018年1到10月3个区的数据来进行测试验证。数据分配为16、17区数据用做训练数据集，18区数据用作测试数据集。数据集制作为2个区下28个汇流箱，420条支路，304天共127680条数据进行训练。训练环境为Ubuntu 16.04.2，显卡为3块NVDIA K40显卡，实验环境分别为tensorflow-GPU 1.4.1，训练迭代次数为5000次，模型参数调优使用经验调优与网格搜索相结合。为进行对比实验，本发明分别使用BP模型、LSTM模型、BiLSTM模型、CNN-LSTM与CNN-BiLSTM模型进行对比实验，实验采用相同的实验环境及迭代次数。
表一为实验结果，最优的模型结构为CNN-LSTM模型。模型训练得到的最优模型结构为2层卷积层与3层长短期记忆模型层。
使用测试数据集进行测试后，准确率达到0.92%。同时又测试了由能源公司随机提供的两周两个汇流箱的电流数据进行测试，准确率达到95%。模型效果达到预期，且效果大大优于其他模型所能达到的效果。
表1测试结果
| 模型 | 训练LOSS | 训练正确率 | 测试正确率 |
| BP | 1.5634 | 0.56 | 0.52 |
| LSTM | 0.1839 | 0.72 | 0.70 |
| BiLSTM | 0.3312 | 0.69 | 0.67 |
| CNN-LSTM | 0.0321 | 0.93 | 0.92 |
| CNN-BiLSTM | 0.0859 | 0.83 | 0.80 |
本发明提出了一种基于深度学习的太阳能光伏电池板故障检测方法，从光伏组件运行时采集到的电流表现形式作为对光伏组件故障进行分类的依据，使用CNN-LSTM的深度学习模型结构进行训练学习。本方法在大样本数据集上进行验证测试后，如表1显示，正确率可以达到92%，并且在得到训练好的模型后在使用过程中省去了花费大量时间的训练过程，可以在实际电站故障问题检测中较好的投入使用，不需要额外在电站中架设设备，运行速度快，避免了现存的一些方法需要在电站中添加额外数据采集设备的缺点，克服了现存方法仅仅只能针对几种故障进行检测的弊端，符合电站日常使用需要。
以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于深度学习的太阳能光伏电池板故障检测方法，其特征在于：
步骤一：获取太阳能光伏电池板运行产生的电流数据集，对电流数据集进行降采样处理，根据太阳能光伏电池板每日的电流数据绘制成电流曲线图，根据支路运行时实际采集到的电流数据表现形式，将支路的运行状态分为六类，并基于六类进行标签数据集的制作；
其中，六类标签分别是：1、正常发电，电流曲线表现为随着一天中时间的变化而近似表现为正态曲线；2、通讯故障，电流曲线表现为无规律变化，或者存在明显脱离一般常识的电流值点；3、直角突变，电流曲线表现为在正常发电过程中，电流值突降到0不再恢复正常，存在突发性故障；4、组件修理，电流曲线表现为同一汇流箱下某条异常支路的电流曲线从零值恢复到正常发电；5、电流持平，电流持平一般分为两种，一种表现为电流值在零点持平，另一种表现为电流值持平在某任意点；6、电流低，同一汇流箱下某条支路运行时电流值总是比同汇流箱下其他支路电流低0.5A及以上；
步骤二：对电流数据集进行数据清洗，对电流数据集进行横向特征与纵向特征的提取，制作得到训练数据集与测试数据集；
步骤三：使用CNN-LSTM模型进行学习训练，根据模型训练完成时的损失函数值与正确率以及验证测试数据集得到的正确率，对模型的结构与参数进行调整与优化；
步骤四：使用实际光伏电站运行产生的电流数据对模型进行反复的验证与优化。
2.根据权利要求1所述的基于深度学习的太阳能光伏电池板故障检测方法，其特征在于：对电流数据集进行数据清洗，对电流数据集进行横向特征与纵向特征的提取，制作得到训练数据集与测试数据集的步骤包括：
将以秒为单位获得的二十四小时电流数据采样为以分钟为单位、区间为上午8点至下午6点的电流采样点，得到的每天电流数据为600个点；
将单个汇流箱下的15条支路作为一个单位，将15条支路每一分钟的电流值当做一个电流组数据，每天的600采样点作为一个时间步长，即(600，15)；
将每一时间步下的电流数据组进行横向特征的提取，在提取特征时，清洗掉大幅度偏离常理的电流值，补以0值代替；
纵向特征的提取使用一阶差分，提取单条支路一天内随时间与太阳辐照的变化而变化的电流变化率；
横向特征提取任一采样点时，同一汇流箱下15条支路中组成的数据组的电流平均值、最大值、方差、最小值、标准差，横向特征用以表示某一时刻时，汇流箱下支路发电电流的理想数值；
将上述一个时间步提取到的特征与待检测支路这一时刻点的电流值组合起来，得到同一时间步下输入模型的电流数据。
3.根据权利要求1所述的基于深度学习的太阳能光伏电池板故障检测方法，其特征在于：
使用CNN-LSTM模型对电流数据进行学习训练的步骤中，使用处理好的三维数据集(N，600,7)，进入一个两层的卷积神经网络模型进行提取特征，得到向量(N，150,64)；将卷积模型输出的向量输入一个三层的长短期记忆模型进行训练，训练学习后的数据(N，64)进入一个全连接层后得到一维的输出，与数据标签计算损失函数值后，模型开始反向传播，调整整个模型内部的参数值。
4.根据权利要求1所述的基于深度学习的太阳能光伏电池板故障检测方法，其特征在于：
在使用实际光伏电站运行产生的电流数据对模型进行反复的验证与优化时，使用不同光伏阵列区域与不同发电时期的电流数据对模型进行验证与优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910397926.1A CN110224673B (zh) | 2019-05-14 | 2019-05-14 | 一种基于深度学习的太阳能光伏电池板故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910397926.1A CN110224673B (zh) | 2019-05-14 | 2019-05-14 | 一种基于深度学习的太阳能光伏电池板故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110224673A CN110224673A (zh) | 2019-09-10 |
| CN110224673B true CN110224673B (zh) | 2020-10-02 |
Family
ID=67821088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910397926.1A Active CN110224673B (zh) | 2019-05-14 | 2019-05-14 | 一种基于深度学习的太阳能光伏电池板故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110224673B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11251749B2 (en) | 2019-10-16 | 2022-02-15 | Tata Consultancy Services Limited | Methods and systems for fault detection, diagnosis and localization in solar panel network |
| CN111157898A (zh) * | 2020-01-07 | 2020-05-15 | 清华大学深圳国际研究生院 | 一种新能源车辆在线电池故障检测分析方法及装置 |
| 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 |
| EP3869687A1 (en) * | 2020-02-18 | 2021-08-25 | Siemens Aktiengesellschaft | Predicting a performance value of a solar cell from electrical impedance spectroscopy measurements |
| CN111798441A (zh) * | 2020-07-12 | 2020-10-20 | 国网山西省电力公司电力科学研究院 | 一种基于图像处理的光伏电站光伏板污染物检测方法 |
| CN113283580A (zh) * | 2021-04-30 | 2021-08-20 | 太原理工大学 | 一种太阳能电池板故障自动检测方法 |
| CN113541600B (zh) * | 2021-05-25 | 2022-09-06 | 特变电工新疆新能源股份有限公司 | 光伏电站支路故障判断方法、系统、设备及存储介质 |
| CN113469246A (zh) * | 2021-06-30 | 2021-10-01 | 四川省分析测试服务中心 | 一种基于神经网络的仪器运行状态分析方法及系统 |
| CN113688987B (zh) * | 2021-08-30 | 2023-08-01 | 远景智能国际私人投资有限公司 | 光伏监测模型的训练方法、光伏设备的监测方法及设备 |
| CN117743930B (zh) * | 2023-12-20 | 2024-06-14 | 北京智盟信通科技有限公司 | 一种应用于智能光伏的传感数据处理方法及服务器 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108879947A (zh) * | 2018-06-06 | 2018-11-23 | 华南理工大学 | 一种基于深度学习算法的分布式光伏发电控制管理系统 |
| 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 |
| CN109697288B (zh) * | 2018-12-25 | 2020-09-15 | 北京理工大学 | 一种基于深度学习的实例对齐方法 |
-
2019
- 2019-05-14 CN CN201910397926.1A patent/CN110224673B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110224673A (zh) | 2019-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110224673B (zh) | 一种基于深度学习的太阳能光伏电池板故障检测方法 | |
| CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
| CN110570122B (zh) | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 | |
| Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
| Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
| Zhao et al. | Hierarchical anomaly detection and multimodal classification in large-scale photovoltaic systems | |
| CN110458230A (zh) | 一种基于多判据融合的配变用采数据异常甄别方法 | |
| Wang et al. | Probability modeling for PV array output interval and its application in fault diagnosis | |
| CN113283580A (zh) | 一种太阳能电池板故障自动检测方法 | |
| CN113992153B (zh) | 一种光伏电站可视化实时监测分布式管理系统 | |
| Yun et al. | Research on fault diagnosis of photovoltaic array based on random forest algorithm | |
| CN105071380A (zh) | 一种电力系统广域同调辨识方法及其装置 | |
| CN104574221B (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
| Serrano-Luján et al. | Case of study: Photovoltaic faults recognition method based on data mining techniques | |
| Wei et al. | Online distribution system topology monitoring with limited smart meter communication | |
| Guo | Wind turbine generator bearing condition monitoring with NEST method | |
| CN117764547A (zh) | 一种光伏组串故障诊断方法及系统 | |
| CN107069710B (zh) | 计及新能源时空相关性的电力系统状态估计方法 | |
| Elgamal et al. | Seamless Machine Learning Models to Detect Faulty Solar Panels | |
| CN115906350A (zh) | 一种微电网故障定位和诊断方法 | |
| Ekanayake | Use of data analytics in microgrids: A survey of techniques | |
| Matam et al. | Detecting abnormal profiles in the database of a pv plant through programmatic comparison of per unit profiles | |
| CN117095200A (zh) | 基于深度学习的太阳能光伏电池板脏污侦测方法及其系统 | |
| Yang et al. | Smart Meter Fault Diagnosis based on Directional Gradient KNN | |
| Syed et al. | Enhanced Fault Detection in Solar Photovoltaic Modules Using VMD-LSTM Model |
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 |