CN113378449A - 一种基于模糊c均值聚类的光伏组件健康状态诊断方法 - Google Patents
一种基于模糊c均值聚类的光伏组件健康状态诊断方法 Download PDFInfo
- Publication number
- CN113378449A CN113378449A CN202110403543.8A CN202110403543A CN113378449A CN 113378449 A CN113378449 A CN 113378449A CN 202110403543 A CN202110403543 A CN 202110403543A CN 113378449 A CN113378449 A CN 113378449A
- Authority
- CN
- China
- Prior art keywords
- clustering
- photovoltaic module
- sample
- health state
- membership
- 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
- 230000036541 health Effects 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000002474 experimental method Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000003862 health status Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 238000010248 power generation Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 19
- 238000012360 testing method Methods 0.000 description 11
- 238000002834 transmittance Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003071 parasitic effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Photovoltaic Devices (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种基于模糊C均值聚类的光伏组件健康状态诊断方法,所述方法包括以下步骤:步骤一:基于仿真或实验采集需要的样本,并进行归一化处理,得到样本数据集;步骤二:采用FCM聚类算法对样本数据集进行聚类,并获得聚类中心;步骤三:采用基于正态分布的隶属度函数算法,对样本数据集进行光伏组件健康状态诊断;步骤四:排序、比较各种健康状态的总隶属度,选择最大隶属度所属类别作为样本的最终诊断结果;步骤五:重复步骤三、步骤四直到完成健康状态诊断。本发明能够对故障的严重程度进行判断,也能够对故障提前预警,避免对光伏系统的潜在破坏和火灾风险,提高系统的发电效率和可靠性,对保障光伏系统运行具有重大意义。
Description
技术领域
本发明属于光伏发电领域,尤其涉及一种基于模糊C均值聚类的光伏组件健康状态诊断方法。
背景技术
光伏发电产业在世界范围内快速发展的同时,光伏发电的规模、系统复杂性也在不断增加。光伏系统在运行时是一个非稳定的复杂系统,输出特性随光照、光伏模块表面温度、湿度、风速等环境因素而改变;此外,还受系统部件状况等众多因素影响。因此,能够预测和提前预防光伏系统故障的发生,保证系统运行可靠性,是非常重要的。
目前已经开发了多种检测技术对光伏系统直流侧的线线故障、接地故障和电弧故障进行检测与保护,如基于PV模型实时预测、实时测量I-V参数、机器学习、输出信号特征提取、检测信号注入技术等的故障检测技术。目前提出的故障检测技术方法大多都仅针对故障类型进行诊断与定位,没有对故障的严重程度进行判断,也没有考虑对故障的提前预警。
事实上,仅使用“健康”或“故障”两种状态不能完整地表达光伏系统实际工作状况。相比之下,参照人体健康状态可分为健康、亚健康、生病三种情况,本申请针对光伏系统引入“亚健康”的概念以表征其介于“健康”和“故障”之间的运行状态。综上所述,探索并研究光伏系统早期的故障识别和健康诊断技术,诊断光伏系统亚健康状态,可以避免对光伏系统的潜在破坏和火灾风险,提高系统的发电效率和可靠性,对保障光伏系统运行具有重大意义。
发明内容
本发明的目的在于克服现有技术存在的以上问题,提供一种基于模糊C 均值聚类的光伏组件健康状态诊断方法。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
一种基于模糊C均值聚类的光伏组件健康状态诊断方法,所述方法包括以下步骤:
步骤一:基于仿真或实验采集需要的样本,并进行归一化处理,得到样本数据集;
步骤二:采用FCM聚类算法对样本数据集进行聚类,并获得聚类中心;
步骤三:采用基于正态分布的隶属度函数算法,对样本数据集进行光伏组件健康状态诊断,根据步骤二获得的聚类中心计算隶属度对样本进行量化,计算出特征分量与各个聚类中心之间的隶属度,加权平均计算总隶属度;
步骤四:排序、比较各种健康状态的总隶属度,选择最大隶属度所属类别作为样本的最终诊断结果;
步骤五:重复步骤三、步骤四直到完成健康状态诊断。
进一步地,所述步骤一中归一化处理为:
X=[VNORM i,INORM i,FFi];
其中,X为样本的特征向量数据集;
归一化光伏电压为:
归一化光伏电流为:
填充因子为:
进一步地,所述步骤二中FCM聚类算法为:
进一步地,所述步骤三中基于正态分布的隶属度函数算法为:
本发明的有益效果是:
本发明能够预测和提前预防光伏系统故障的发生,保证系统运行可靠性,能够对故障的严重程度进行判断,也能够对故障提前预警,避免对光伏系统的潜在破坏和火灾风险,提高系统的发电效率和可靠性,对保障光伏系统运行具有重大意义。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明的流程示意图;
图2是本发明中FCM聚类算法流程示意图;
图3是本发明中正态分布隶属度函数曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示的一种基于模糊C均值聚类的光伏组件健康状态诊断方法,所述方法包括以下步骤:
步骤一:基于仿真或实验采集需要的样本,并进行归一化处理 X=[VNORM i,INORM i,FFi],得到样本数据集,通过故障分析得到聚类数C,将上述特征参数集和故障分类数C作为FCM算法的输入;
步骤二:采用FCM聚类算法对样本数据集进行聚类,并获得聚类中心, 在此过程中,样本数据特征的变化引起聚类中心的变化,整个过程如图2 所示进行迭代;
步骤三:采用基于正态分布的隶属度函数算法,对样本数据集进行光伏组件健康状态诊断,根据步骤二获得的聚类中心计算隶属度对样本进行量化,计算出特征分量与各个聚类中心之间的隶属度,加权平均计算总隶属度;
步骤四:排序、比较各种健康状态的总隶属度,选择最大隶属度所属类别作为样本的最终诊断结果;
步骤五:重复步骤三、步骤四直到完成健康状态诊断。
关于模糊C均值聚类算法:
模糊C均值聚类即FCM,融合了聚类算法与模糊理论,是传统硬聚类算法如K-means聚类的推广,模糊C均值聚类算法的基本思想是对每个样本数据点的特征向量赋予一个隶属度,隶属度反映了样本点与不同簇的相似度,根据隶属度大小判断该样本应该被划分得到哪一簇。该算法已经被应用于多种系统故障检测与分类中。
设样本数据集为X={x1,x2,...,xn},隶属度矩阵A=[aij]c×n和模糊簇的聚类中心C=[c1,c2,..,cc]T,FCM算法的目标函数可表示为
其中,c为聚类中心个数;n为样本数;m为影响隶属度矩阵的指数权重,1<m<∞,一般取m=2;aij为第j个样本隶属于第i个簇的隶属度,dij分别为第j个数据点对应第i个聚类中心与欧氏距离,dij=||Ci-xj||。
对式(1)的每条约束添加拉格朗日乘子λ=[λ1,..,λn],将带约束条件的极值问题转换为无约束条件问题:
对所有输入参数求导,得到使式(2)达到最小值的必要条件为:
根据上述两个必要条件反复调整聚类中心和隶属度,算法收敛后,即可成功得到每个样本对应的聚类中心和隶属度,完成模糊簇划分。分析表明,FCM聚类算法是一个简单轮换寻优的过程,基于FCM算法确定聚类中心和隶属度矩阵的一般步骤如图2所示。
关于基于正态分布的隶属函数算法:
在健康状态时,光伏组件的特征参数均在一定范围内,在非健康时这些参数变化在范围之外,可利用正态分布隶属度函数表征这一特点。隶属函数是用来表征模糊集合的数学工具,正态分布隶属函数又称之为高斯分布隶属函数,函数图像是一条位于x轴正上方的钟形曲线,如图3所示。对样本集进行FCM聚类之后,得到C个模糊簇以及聚类中心,再利用正态分布隶属函数诊断新样本与各个聚类中心之间的隶属度,根据隶属度直接、清晰地诊断光伏组件健康状态。采用式(5)计算新样本各特征向量的隶属度:
式中μ(x)为参数x的隶属度;μ为分布期望;σ为高斯函数的宽度。本申请选用6σ作为函数的定义域,可由式(6)求得
式中,μmax和μmin为各特征分量的最大值和最小值。
关于故障特征向量的选择:
选择光伏组件最大功率点电压、最大功率点电流、开路电压以及短路电流作为特征向量,有时也使用最大功率,用于表征光伏组件的不同故障类型,但由于亚健康状态时上述四个参数变化不大,所以本申请对上述四参数进行进一步处理,得到归一化光伏电压、归一化故障电流以及填充因子FF作为特征向量X,获得较好诊断精度
其中,X为样本的特征向量数据集,n为每个故障样本的编号。
归一化光伏电压:
归一化光伏电流:
填充因子:
其中,ns为光伏阵列的组件串联数,np为光伏串并联数,ns=np=1,Uoc-ref和 Isc-ref分别是光伏组件在标准测试条件下的开路电压和短路电流参考值。
仿真研究如下:
为了验证本申请方法的正确性与有效性,使用Simulink中的光伏组件模型模拟光伏组件在不同光照强度和温度下的输出特性,所使用的 TSM-300DD05A(II)光伏组件参数如表1所示:
表1光伏组件参数表
根据光伏阵列的运行模式设置不同的透光率、外部串联电阻和并联电阻阻值,如表2所示,并对应5种不同的健康状态,其中亚健康状态根据透光率不同分为亚健康I与亚健康II。因为特征参数与辐照和环境温度密切相关,故在某一区间内模拟各种故障特性,本申请选取的辐照(W/m2)区间和温度(℃)区间分别为[600,900]以及[25,45]。在不同电池温度和光照强度下模拟光伏组件的输出特性并提取特征参数形成故障数据集,共得到 1100个样本,其中健康状态设置300个数据样本,亚健康I共270个样本,亚健康II共450个样本,部分阴影和故障分别设置60和30个样本。
表2光伏组件健康状态划分与聚类中心
采用FCM算法对所采集的样本数据进行聚类,各参数设置为:聚类数目C=5,分别对应五种健康状态,加权指数m=2,最大迭代次数L=1000,停止迭代阈值ε=10-5。经仿真获取的数据作为FCM聚类算法的输入,获得聚类中心,可作为光伏阵列健康状态诊断的依据,如表2所示。
将表2获取的聚类中心与正态分布隶属度函数算法结合,选取某一测试样本得到诊断参数:
Um=30.8629V,Im=6.4613A,
Uoc=38.9299V,Isc=7.0124A
归一化后:
VNORM=0.7755,INORM=0.6613,FF=0.7305
根据6σ准则计算各故障特征分量的标准差σ,分别为
由此可得特征分量的正态分布隶属度函数为:
将测试样本带入式(11),得到测试数据与各聚类中心之间的隶属度,如表3所示,对总隶属度进行排序μ(C3)>μ(C1)=μ(C2)>μ(C4)>μ(C5),测试样本对应C2的聚类中心总隶属度最大,即此时光伏阵列处于亚健康I 状态,说明光伏组件三个特征参数的聚类中心向最大功率点电压和填充因子减小的方向移动,串并联电阻的阻值发生改变,可推测出此时组件的老化主要由寄生电阻造成,同时从诊断结果也可以看出,该样本隶属于健康状态与亚健康II的可能性也在90%左右,这两个数值一方面说明了亚健康状态与健康状态之间的接近程度高,普通方法难以辨识;另一方面说明了透光率对亚健康状态的影响较大。所取样本的诊断结果与预设结果一致,说明本申请提出的健康状态诊断方法有效且准确。
表3测试数据与各聚类中心之间的隶属度
在辐照条件和光照条件不变的情况下,生成新样本进行健康状态检测,对于样本健康状态诊断分析如表4所示,在560个样本中,由43个样本诊断错误,整体诊断准确率为92.32%,误诊情况主要集中在健康状态与串并联电阻变化的情况中,说明串联电阻的略微增大与并联电阻的略微减小对于光伏组件输出I-V特性的影响很小,亚健康状态不明显,以至于发生误判,但当寄生电阻的影响逐渐增大时也会明显呈亚健康特性。
表4仿真结果
实验分析如下:
为了验证模糊C均值聚类与正态分布隶属函数对光伏组件健康状态诊断的正确性与有效性,本申请还进行了实验研究,使用TSM-300DD05A(II) 光伏组件为研究对象,其主要参数如表1所示,使用辐照仪与温度计记录位于天台的光伏组件的辐照与组件温度,采用本白半透明与本色半透明两种遮光板模拟透光率降低以及部分阴影,分别串、并联滑动变阻器模拟Rs与Rsh老化,采用变阻法用示波器扫描I-V曲线获得所需要的参数,所使用的仪器参数与规格见表5。
表5实验设备描述
本实验在2021年3月22日-3月25日的时间范围内,采集并选取了光照范围[600W/m2,900W/m2],组件温度范围[16.7℃,44.8℃]共360组样本,其中训练样本240组用以聚类,每种工作模式下的训练样本30组,测试样本120组用以进行健康状态诊断,每种测试模式下的样本15组。采用FCM算法对所采集的样本数据进行聚类,经过反复试验,设置聚类数目C=8,分别对应四种健康状态,加权指数m=2,最大迭代次数L=1000,停止迭代阈值ε=10-5。
实验时,按照表6所划分的工作模式对光伏组件进行健康、亚健康、部分阴影、故障等工作状态采集数据,将采样得到的实验数据进行FCM聚类得到聚类中心与聚类结果。根据四种健康状态及其对应的8种工作模式,可得出以下结论:
(1)在实验中,M2、M3、M4这三种串并联电阻模式的聚类情况比仿真预计的要明显很多,可以直接聚成三类,从组件健康到串联电阻增加、并联电阻减小,聚类中心的变化趋势与仿真预计的情况相符。聚类中心从健康到Rs、Rsh老化的迁移方向,随着串联电阻增大,并联电阻减小,最大功率点电压受影响较大,其次是填充因子。
(2)在实验中,M5,M6是在前面基础上降低透光率进行的,实际情况得到的聚类中心变化趋势与预计的是相同的。实验得到的聚类结果能清楚地分成M5、M6两类。同时,也可以得出结论:随着透光率τ降低、Rs、Rsh老化,填充因子、最大功率点电流、电压都会下降。如果只有透光率和某一电阻发生变化,聚类中心主要朝着最大功率点电流减小的方向移动。
(3)M7表示组件部分阴影的情况,填充因子在具有部分阴影的情况下呈现一个较小值。
(4)M8表示出现故障与严重阴影遮挡可能导致热斑的情况,与仿真预计的情况相符。光伏组件发生M8情况时,最大功率点电压、电流、短路电流、开路电压都会到影响。
(5)使用FCM聚类算法能够对不同健康状态的光伏组件进行聚类,且所用的样本量不大,但可以获得具有代表性的聚类簇。实验还获得了从健康到透光率降低、串联电阻增大、并联电阻减小、阴影、故障时,聚类中心变化的趋势,帮助判断光伏组件的状态。
表6光伏组件健康状态分类与聚类中心
根据6σ准则计算各故障特征分量的标准差σ,分别为
σFF=0.0751 (14)
由此可得特征分量的正态分布隶属度函数为:
经过FCM算法得到聚类中心后,利用正态分布隶属函数对测试数据进行隶属度计算,根据隶属度对光伏组件的健康状态进行诊断,验证上述方法光伏组件进行健康状态分类的准确性,诊断结果如表7所示。由表中数据可知,M3工作模式出现了误诊,正如仿真结果分析,实验中也发生了寄生电阻阻值变化不大,但是误诊为健康状态的情况。此外还发现,由于外部串联电阻的增加到0.28Ω,M3的老化情况理论上应该比M2的更严重,主要受到实验条件以及环境因素影响,使得M3的老化现象没有M2明显,但聚类中心的移动方向与预计是符合的。光伏组件部分阴影情况也出现了误诊,分析原因是当辐照程度较高时,光伏组件虽然受到PVC塑料板遮挡而光照不均匀出现多峰值现象,但是开路电压、短路电流、以及最大功率点电压电流变化较小,使填充因子处于较高值,与亚健康状态更为接近,M7 与M5的聚类中心距离较近,也说明了这一点。总体而言,测试样本总共160 个,其中误诊7个,总体诊断正确率为95.625%,说明正态分布隶属函数能在获得聚类中心的情况下,对样本进行合理的健康状态诊断。
表7实验结果
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中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。
Claims (4)
1.一种基于模糊C均值聚类的光伏组件健康状态诊断方法,其特征在于:所述方法包括以下步骤:
步骤一:基于仿真或实验采集需要的样本,并进行归一化处理,得到样本数据集;
步骤二:采用FCM聚类算法对样本数据集进行聚类,并获得聚类中心;
步骤三:采用基于正态分布的隶属度函数算法,对样本数据集进行光伏组件健康状态诊断,根据步骤二获得的聚类中心计算隶属度对样本进行量化,计算出特征分量与各个聚类中心之间的隶属度,加权平均计算总隶属度;
步骤四:排序、比较各种健康状态的总隶属度,选择最大隶属度所属类别作为样本的最终诊断结果;
步骤五:重复步骤三、步骤四直到完成健康状态诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110403543.8A CN113378449A (zh) | 2021-04-15 | 2021-04-15 | 一种基于模糊c均值聚类的光伏组件健康状态诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110403543.8A CN113378449A (zh) | 2021-04-15 | 2021-04-15 | 一种基于模糊c均值聚类的光伏组件健康状态诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113378449A true CN113378449A (zh) | 2021-09-10 |
Family
ID=77570050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110403543.8A Pending CN113378449A (zh) | 2021-04-15 | 2021-04-15 | 一种基于模糊c均值聚类的光伏组件健康状态诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378449A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114978040A (zh) * | 2022-08-01 | 2022-08-30 | 一道新能源科技(衢州)有限公司 | 基于太阳能电池数据的衰减状况分析方法及系统 |
CN115021679A (zh) * | 2022-08-09 | 2022-09-06 | 国网山西省电力公司大同供电公司 | 一种基于多维离群点检测的光伏设备故障检测方法 |
CN116191572A (zh) * | 2023-04-24 | 2023-05-30 | 深圳戴普森新能源技术有限公司 | 一种光伏逆变器的智能控制方法及系统 |
CN116976857A (zh) * | 2023-08-08 | 2023-10-31 | 中国铁建电气化局集团北方工程有限公司 | 一种基于深度学习的铁路电力设备预测性维护方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110011618A (zh) * | 2019-04-22 | 2019-07-12 | 河海大学常州校区 | 基于模糊c均值聚类神经网络的光伏阵列故障的诊断装置 |
CN111277221A (zh) * | 2020-02-13 | 2020-06-12 | 中国联合网络通信集团有限公司 | 一种光伏故障诊断方法和装置 |
-
2021
- 2021-04-15 CN CN202110403543.8A patent/CN113378449A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110011618A (zh) * | 2019-04-22 | 2019-07-12 | 河海大学常州校区 | 基于模糊c均值聚类神经网络的光伏阵列故障的诊断装置 |
CN111277221A (zh) * | 2020-02-13 | 2020-06-12 | 中国联合网络通信集团有限公司 | 一种光伏故障诊断方法和装置 |
Non-Patent Citations (4)
Title |
---|
毕锐 等: "基于模糊C均值聚类的光伏阵列故障诊断方法", 《太阳能学报》, vol. 37, no. 3, pages 730 - 736 * |
贾玲: "基于组合权重及模糊理论的光伏组件健康状况评估", 硕士电子期刊 * |
陆灵骍: "基于数据驱动的光伏阵列故障诊断研究与应用", 万方数据:华北电力大学硕士学位论文 * |
魏子杰 等: "基于FCM-FM算法的光伏阵列故障诊断", 《 新能源进展》, vol. 6, no. 4 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114978040A (zh) * | 2022-08-01 | 2022-08-30 | 一道新能源科技(衢州)有限公司 | 基于太阳能电池数据的衰减状况分析方法及系统 |
CN115021679A (zh) * | 2022-08-09 | 2022-09-06 | 国网山西省电力公司大同供电公司 | 一种基于多维离群点检测的光伏设备故障检测方法 |
CN116191572A (zh) * | 2023-04-24 | 2023-05-30 | 深圳戴普森新能源技术有限公司 | 一种光伏逆变器的智能控制方法及系统 |
CN116976857A (zh) * | 2023-08-08 | 2023-10-31 | 中国铁建电气化局集团北方工程有限公司 | 一种基于深度学习的铁路电力设备预测性维护方法及系统 |
CN116976857B (zh) * | 2023-08-08 | 2024-03-12 | 中国铁建电气化局集团北方工程有限公司 | 一种基于深度学习的铁路电力设备预测性维护方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378449A (zh) | 一种基于模糊c均值聚类的光伏组件健康状态诊断方法 | |
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 | |
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 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
Gao et al. | A novel fault identification method for photovoltaic array via convolutional neural network and residual gated recurrent unit | |
CN108009730B (zh) | 一种光伏电站系统健康状态分析方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
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 | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
CN111965476B (zh) | 一种基于图卷积神经网络的低电压诊断方法 | |
CN109672406B (zh) | 一种基于稀疏表示和svm的光伏发电阵列故障诊断与分类的方法 | |
Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
CN105141255A (zh) | 一种光伏阵列故障诊断方法 | |
CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
CN109617526A (zh) | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 | |
Wang et al. | Online fault diagnosis of PV array considering label errors based on distributionally robust logistic regression | |
Xi et al. | Online fault diagnosis for photovoltaic arrays based on fisher discrimination dictionary learning for sparse representation | |
Zhu et al. | Photovoltaic failure diagnosis using sequential probabilistic neural network model | |
Cho et al. | Failure diagnosis method of photovoltaic generator using support vector machine | |
Onal et al. | Discriminative common vector in sufficient data Case: A fault detection and classification application on photovoltaic arrays | |
CN115840119A (zh) | 利用数据库样本的电力电缆线路劣化诊断系统及方法 | |
Sebbane et al. | Diagnosis and classification of photovoltaic panel defects based on a hybrid intelligent method | |
CN114117921A (zh) | 一种光伏阵列故障智能诊断方法 | |
CN108875796A (zh) | 基于线性判别分析和支持向量机的光伏阵列故障诊断方法 | |
CN111277221A (zh) | 一种光伏故障诊断方法和装置 |
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 |