CN113919426A - 基于k-medoids算法的光伏阵列故障识别方法 - Google Patents
基于k-medoids算法的光伏阵列故障识别方法 Download PDFInfo
- Publication number
- CN113919426A CN113919426A CN202111194843.6A CN202111194843A CN113919426A CN 113919426 A CN113919426 A CN 113919426A CN 202111194843 A CN202111194843 A CN 202111194843A CN 113919426 A CN113919426 A CN 113919426A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- photovoltaic array
- string
- formula
- temperature
- 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.)
- Withdrawn
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000003491 array Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000002070 Raman circular dichroism spectroscopy Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- SJWPTBFNZAZFSH-UHFFFAOYSA-N pmpp Chemical compound C1CCSC2=NC=NC3=C2N=CN3CCCN2C(=O)N(C)C(=O)C1=C2 SJWPTBFNZAZFSH-UHFFFAOYSA-N 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
- G06F18/23—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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Photovoltaic Devices (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种基于k‑medoids算法的光伏阵列故障识别方法，它包括：步骤1、利用光伏阵列运行在最大功率点的信息计算光伏阵列所处位置的太阳辐照度G和温度TC；步骤2、利用光伏组件在标准测试条件下的物理参数值计算在太阳辐照度G和温度TC下的光伏组件实际物理参数值；步骤3、根据光伏阵列中组串电流计算相应的光伏组件电压；步骤4、采用k‑medoids聚类算法对光伏阵列中各个组串中的组件电压和电流进行聚类分析；步骤5、根据聚类分析结果对整个光伏阵列进行故障识别；解决了现有技术光伏阵列和组件的保护存在盲区，并且保护的灵敏性和可靠性都得不到保证等技术问题。
Description
技术领域
本发明属于光伏阵列故障诊断技术领域；尤其涉及一种基于k-medoids算法的光伏阵列故障识别方法。
背景技术
根据光伏电站的直流母线是否接地，可分为接地型光伏系统和不接地型光伏系统。接地型光伏系统的直流母线负极通过接地故障检测隔离(Ground fault detectionand interruption,GFDI)熔断器装置与大地相连，GFDI通常使用普通的保险丝来完成光伏组件的简单过流保护，对于光伏阵列和组件的保护存在盲区，并且保护的灵敏性和可靠性都得不到保证。非接地型光伏系统通常使用残余电流检测装置(Residual currentdevices,RCDs)采集光伏电站的直流正负极母线电流之差作为动作信号来控制逆变器，以便实现光伏阵列故障隔离，RCDs的保护性能与GFDI相似，同样存在保护盲区。
发明内容
本发明要解决的技术问题：提供一种基于k-medoids算法的光伏阵列故障识别方法，以解决现有技术光伏阵列和组件的保护存在盲区，并且保护的灵敏性和可靠性都得不到保证等技术问题。
本发明技术方案：
一种基于k-medoids算法的光伏阵列故障识别方法，它包括：
步骤1、利用光伏阵列运行在最大功率点的信息计算光伏阵列所处位置的太阳辐照度G和温度TC；
步骤2、利用光伏组件在标准测试条件下的物理参数值计算在太阳辐照度G和温度TC下的光伏组件实际物理参数值；
步骤3、根据光伏阵列中组串电流计算相应的光伏组件电压；
步骤4、采用k-medoids聚类算法对光伏阵列中各个组串中的组件电压和电流进行聚类分析；
步骤5、根据聚类分析结果对整个光伏阵列进行故障识别。
步骤1所述太阳辐照度G和温度TC的计算方法为：
在标准测试条件下辐照度为GSTC＝1000W/m2，温度为TC,STC＝25℃，AM1.5的光谱条件下光伏电池的最大输出功率表达式为Pmpp,STC＝Vmpp,STCImpp,STC；
式中Vmpp,STC和Impp,STC分别为标准测试条件下最大功率点所对应的输出电压和输出电流；
光伏电池在最大功率点(MPP)的电流Impp与太阳辐照度的关系式为
式中G和GSTC分别为光伏阵列所在位置的实际辐照度和标准辐照度；
由公式(1)得出：
由式(2)的得出，由逆变器实际运行的最大功率点处电流推算出太阳辐照度G，光伏电池的最大功率点的功率与温度之间的关系式为：
式(3)中γ为最大功率点的温度系数，由式(3)得出计算光伏阵列温度的公式为：
根据公式(2)和(4)实时计算出光伏阵列所在处的实际辐照度G和温度TC。
步骤2所述利用光伏组件在标准测试条件下的物理参数值计算在太阳辐照度G和温度TC下的光伏组件实际物理参数值的方法为：
将太阳能电池组件的输出电流表示为：
式中，a＝nNskTC/q；I0为反向饱和电流；n为二极管影响因子；q为电子电荷常数；k为玻尔兹曼常数，；TC为开氏温度；Ns为每个光伏组件中光伏电池串联数，在太阳辐照度G和温度TC下认为串联电阻Rs和极管影响因子n保持不变，Iph、I0和Rsh参数的计算公式为：
式中的αISC为光伏组件短路电流的温度系数。
步骤3所述根据光伏阵列中组串电流计算相应的光伏组件电压的方法为：
设N为光伏阵列中组串的数量，IPV1,…,IPVN为光伏阵列中相应组串的输出电流，Vmeasure为光伏阵列实测的正负极间电压，也即为每个组串的电压；得出光伏组串中的组件电压Vpv的解析解为：
式(10)中的Ipv为光伏阵列中相应组串的输出电流，根据式(10)计算出相应光伏阵列组串的光伏组件的电压为Vpv1,…,Vpv(n-1),Vpvn。
步骤4所述采用k-medoids聚类算法对光伏阵列中各个组串中的组件电压和电流进行聚类分析的方法为：
首先定义用来进行聚类分析的矢量为：
oi＝[Ipvi,Vpvi] (11)
式(11)中的Ipvi为第i个组串的采集电流，Vpvi为计算出来的第i个组串中的光伏组件电压，i＝1,…,N；设要生成K个聚类，则第ζ个聚类的中心点表示为：
则属于第ζ个聚类中的矢量到中心点之间的距离为：
并且第ζ个聚类中的最大距离值为：
设Dth为门槛值，则计算方法为：
式(15)中W(X)是Iambert W函数，则Dth的定义为：
式(17)中的Vpvf＝Vmeasure/(M-1)，M为光伏阵列每个组串中的串联光伏组件数量，krel为可靠系数，取值范围0.4～0.6。
所述聚类分析的方法为的方法为：
步骤1、设置k＝1，执行聚类算法；
步骤2、判断dζ，max是否大于等于Dth；是则执行步骤3，否则返回步骤1；
步骤3、设k＝k+1；
步骤4、执行k-medoids算法；
步骤5、判断dζ，max是否大于等于Dth，是，则返回步骤3；否，则输出故障组串信息。
本发明的有益效果：
本发明可以实现对整个光伏阵列的故障识别保护，即本发明对光伏阵列的故障识别和保护范围不再仅仅局限于光伏阵列中的单个组串，考虑到光伏阵列中巨量的组串数目，采用本发明将大大节省光伏阵列所需要的保护装置数量，提高了光伏电站的经济性。
解决了现有技术光伏阵列和组件的保护存在盲区，并且保护的灵敏性和可靠性都得不到保证等技术问题。
附图说明
图1为本发明具体实施方式太阳能电池的等效电路示意图；
图2为本发明具体实施方式光伏阵列故障示意图；
图3为本发明k-medoids聚类算法故障判断流程图。
具体实施方式
本发明具体步骤为：
(1)计算光伏阵列处的太阳辐照度和温度
光伏逆变器采用最大功率点跟踪(Maximum Power Point Tracking，MPPT)算法使得光伏阵列总是运行于最大功率点。本专利首先利用光伏阵列运行在最大功率点的相关信息计算光伏阵列中所处位置的太阳辐照度和温度。图1为太阳电池的等效电路图。
在图1中Iph为光生电流，ID为太阳能电池的pn结扩散电流，Rsh为并联电阻，Rs为串联电阻，Vpv和Ipv分别为光伏电池的输出电压和电流。光伏逆变器的MPPT算法使得太阳能电池的输出功率为最大值，即Pmpp＝VmppImpp，其中Vmpp和Impp分别为光伏电池在输出功率最大时所对应的电压和电流。在标准测试条件下，即辐照度为GSTC＝1000W/m2，温度为TC,STC＝25℃，AM1.5的光谱条件下光伏电池的最大输出功率表达式为Pmpp,STC＝Vmpp,STCImpp,STC，式中Vmpp,STC和Impp,STC分别为标准测试条件下最大功率点所对应的输出电压和输出电流。
光伏电池在最大功率点(MPP)的电流Impp与太阳辐照度的关系有如下关系式。
式(1)中每个光伏组件在出厂时都会由厂家给出对应的Vmpp,STC和Impp,STC值，G和GSTC分别为光伏阵列所在位置的实际辐照度和标准辐照度。由公式(1)可以得出：
由式(2)可以看出，由逆变器实际运行的最大功率点处电流就可以推算出太阳辐照度G。光伏电池的最大功率点的功率与温度之间的关系如下式所示：
在式(3)中，γ为最大功率点的温度系数，由光伏组件在出厂时给出，由式(3)可以推导出计算光伏阵列温度的公式为：
由上述可知，根据公式(2)和(4)可以实时计算得出光伏阵列所在处的实际辐照度G和温度TC。
(2)计算光伏组件在实际运行时的物理参数值
利用光伏组件在标准测试条件(STC)下的物理参数值(这些参数值在光伏电池组件出厂时已经测试得出)，计算在太阳辐照度G和温度TC下的光伏组件实际物理参数值。由图1可知，太阳能电池组件的输出电流可以表示为：
在上式中，a＝nNskTC/q；I0为反向饱和电流；n为二极管影响因子；q为电子电荷常数，为1.6x10-19C；k为玻尔兹曼常数，1.23x10-23J/K；TC为开氏温度；Ns为每个光伏组件中光伏电池串联数，其余参数同上。在太阳辐照度G和温度TC下，一般可以认为串联电阻Rs和极管影响因子n保持不变，Iph、I0和Rsh相关参数的计算公式为：
其中，式(7)中的αISC为光伏组件短路电流的温度系数，在出厂时已经由厂家实测给出。
(3)根据光伏阵列中组串电流计算相应的光伏组件电压。
光伏阵列发生的故障如图2所示，图2中的LG1、LL1和LL2分别表示单组串接地，单组串间故障和两组串间故障，由图2可知，当光伏阵列发生故障时，光伏阵列故障组串的光伏组件电压将发生变化。
图2中N为光伏阵列中组串的数量，IPV1,…,IPVN为光伏阵列中相应组串的输出电流，Vmeasure为光伏阵列实测的正负极间电压，也即为每个组串的电压。光伏组件物理模型对应的公式如式(5)所示，由于在实际的物理模型中，一般Rsh很大，大致为500～1000欧姆，因此式(5)中的
很小，可以略去，因此可以得出光伏组串中的组件电压Vpv的解析解为：
式(10)中的Ipv即为图2中光伏阵列中相应组串的输出电流，因此可以根据式(10)计算出相应光伏阵列组串的光伏组件的电压。因此可以公式(10)计算出图2所示的光伏阵列各个组串中光伏组件的电压Vpv1,…,Vpv(n-1),Vpvn。
(4)采用k-medoids聚类算法对光伏阵列中各个组串中的组件电压和电流进行聚类
为了实现对整个光伏阵列实现故障识别和保护，采用k-medoids聚类算法实现对光伏阵列每个组串中的组件电压和电流信息进行聚类，k-medoids聚类算法与传统的k-means聚类算法相似，但k-medoids算法强制各个聚类的中心点必须为训练样本，这样可以较好地避免聚类效果受样本中异常点的影响。首先定义用来进行聚类分析的矢量为：
式(11)中的Ipvi为图2中第i个组串的采集电流，Vpvi为根据式(10)计算出来的第i个组串中的光伏组件电压，i＝1,…,N。假设需要生成K个聚类，则第ζ个聚类的中心点cζ可以表示为：
上式中，
和
分别为第ζ个聚类的中心点cζ的电流分量和电压分量。
则属于第ζ个聚类中的矢量到中心点之间的距离为：
并且第ζ个聚类中的最大距离值为：
采用k-medoids聚类算法进行光伏阵列的故障判断流程图如下图3所示，它包括：
步骤1、设置k＝1，执行聚类算法；
步骤2、判断dζ，max是否大于等于Dth；是则执行步骤3，否则返回步骤1；
步骤3、设k＝k+1；
步骤4、执行k-medoids算法；
步骤5、判断dζ，max是否大于等于Dth，是，则返回步骤3；否，则输出故障组串信息。
在图3中的Dth为门槛值，可以根据下式进行计算：
式(15)中W(X)是lambert W函数，则Dth的定义为：
式(17)中的Vpvf＝Vmeasure/(M-1)，M为光伏阵列每个组串中的串联光伏组件数量，对于图2所示的光伏阵列来说M＝5，krel为可靠系数，取值范围可以取0.4～0.6。
Claims (6)
1.一种基于k-medoids算法的光伏阵列故障识别方法，它包括：
步骤1、利用光伏阵列运行在最大功率点的信息计算光伏阵列所处位置的太阳辐照度G和温度TC；
步骤2、利用光伏组件在标准测试条件下的物理参数值计算在太阳辐照度G和温度TC下的光伏组件实际物理参数值；
步骤3、根据光伏阵列中组串电流计算相应的光伏组件电压；
步骤4、采用k-medoids聚类算法对光伏阵列中各个组串中的组件电压和电流进行聚类分析；
步骤5、根据聚类分析结果对整个光伏阵列进行故障识别。
2.根据权利要求1所述的一种基于k-medoids算法的光伏阵列故障识别方法，其特征在于：步骤1所述太阳辐照度G和温度TC的计算方法为：
在标准测试条件下辐照度为GSTC＝1000W/m2，温度为TC,STC＝25℃，AM1.5的光谱条件下光伏电池的最大输出功率表达式为Pmpp,STC＝Vmpp,STCImpp,STC；
式中Vmpp,STC和Impp,STC分别为标准测试条件下最大功率点所对应的输出电压和输出电流；
光伏电池在最大功率点(MPP)的电流Impp与太阳辐照度的关系式为
式中G和GSTC分别为光伏阵列所在位置的实际辐照度和标准辐照度；
由公式(1)得出：
由式(2)的得出，由逆变器实际运行的最大功率点处电流推算出太阳辐照度G，光伏电池的最大功率点的功率与温度之间的关系式为：
式(3)中γ为最大功率点的温度系数，由式(3)得出计算光伏阵列温度的公式为：
根据公式(2)和(4)实时计算出光伏阵列所在处的实际辐照度G和温度TC。
3.根据权利要求1所述的一种基于k-medoids算法的光伏阵列故障识别方法，其特征在于：步骤2所述利用光伏组件在标准测试条件下的物理参数值计算在太阳辐照度G和温度TC下的光伏组件实际物理参数值的方法为：
将太阳能电池组件的输出电流表示为：
式中，a＝nNskTC/q；I0为反向饱和电流；n为二极管影响因子；q为电子电荷常数；k为玻尔兹曼常数，；TC为开氏温度；Ns为每个光伏组件中光伏电池串联数，在太阳辐照度G和温度TC下认为串联电阻Rs和极管影响因子n保持不变，Iph、I0和Rsh参数的计算公式为：
式中的αISC为光伏组件短路电流的温度系数。
4.根据权利要求1所述的一种基于k-medoids算法的光伏阵列故障识别方法，其特征在于：步骤3所述根据光伏阵列中组串电流计算相应的光伏组件电压的方法为：
设N为光伏阵列中组串的数量，IPV1,…,IPVN为光伏阵列中相应组串的输出电流，Vmeasure为光伏阵列实测的正负极间电压，也即为每个组串的电压；得出光伏组串中的组件电压Vpv的解析解为：
式(10)中的Ipv为光伏阵列中相应组串的输出电流，根据式(10)计算出相应光伏阵列组串的光伏组件的电压为Vpv1,…,Vpv(n-1),Vpvn。
5.根据权利要求1所述的一种基于k-medoids算法的光伏阵列故障识别方法，其特征在于：步骤4所述采用k-medoids聚类算法对光伏阵列中各个组串中的组件电压和电流进行聚类分析的方法为：首先定义用来进行聚类分析的矢量为：
oi＝[Ipvi,Vpvi] (11)
式(11)中的Ipvi为第i个组串的采集电流，Vpvi为计算出来的第i个组串中的光伏组件电压，i＝1,…,N；设要生成K个聚类，则第ζ个聚类的中心点表示为：
则属于第ζ个聚类中的矢量到中心点之间的距离为：
并且第ζ个聚类中的最大距离值为：
设Dth为门槛值，则计算方法为：
式(15)中W(X)是lambert W函数，则Dth的定义为：
式(17)中的Vpvf＝Vmeasure/(M-1)，M为光伏阵列每个组串中的串联光伏组件数量，krel为可靠系数，取值范围0.4～0.6。
6.根据权利要求5所述的一种基于k-medoids算法的光伏阵列故障识别方法，其特征在于：所述聚类分析的方法为的方法为：
步骤1、设置k＝1，执行聚类算法；
步骤2、判断dζ，max是否大于等于Dth；是则执行步骤3，否则返回步骤1；
步骤3、设k＝k+1；
步骤4、执行k-medoids算法；
步骤5、判断dζ，max是否大于等于Dth，是，则返回步骤3；否，则输出故障组串信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111194843.6A CN113919426A (zh) | 2021-10-14 | 2021-10-14 | 基于k-medoids算法的光伏阵列故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111194843.6A CN113919426A (zh) | 2021-10-14 | 2021-10-14 | 基于k-medoids算法的光伏阵列故障识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113919426A true CN113919426A (zh) | 2022-01-11 |
Family
ID=79240467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111194843.6A Withdrawn CN113919426A (zh) | 2021-10-14 | 2021-10-14 | 基于k-medoids算法的光伏阵列故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113919426A (zh) |
Cited By (1)
| 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 |
-
2021
- 2021-10-14 CN CN202111194843.6A patent/CN113919426A/zh not_active Withdrawn
Cited By (1)
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Madeti et al. | Modeling of PV system based on experimental data for fault detection using kNN method | |
| Chaibi et al. | A new method to extract the equivalent circuit parameters of a photovoltaic panel | |
| Natarajan et al. | Fault detection of solar PV system using SVM and thermal image processing | |
| 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 | |
| CN107463742B (zh) | 一种针对光伏组件异常老化故障的建模方法 | |
| CN113708726B (zh) | 基于光伏组件电压实时计算比较的光伏阵列故障判别方法 | |
| TWI595744B (zh) | 太陽能板發電異常測試方法及其系統 | |
| Christabel et al. | Reconfiguration solution for extracting maximum power in the aged solar PV systems | |
| CN106982030B (zh) | 一种集中型太阳能逆变器组件板失配定位方法 | |
| El-Ahmar et al. | Mathematical modeling of photovoltaic module and evalute the effect of varoius paramenters on its performance | |
| Djalab et al. | Robust method for diagnosis and detection of faults in photovoltaic systems using artificial neural networks | |
| Yahfdhou et al. | Evaluation and determination of seven and five parameters of a photovoltaic generator by an iterative method | |
| Motan et al. | Photovoltaic array modelling and boost-converter controller-design for a 6kW grid-connected photovoltaic system-DC stage | |
| CN113919426A (zh) | 基于k-medoids算法的光伏阵列故障识别方法 | |
| Sahu et al. | Maximum power point estimation of a PV array by using improve bisection method | |
| Premalatha et al. | The effect of dynamic weather conditions on three types of PV cell technologies–A comparative analysis | |
| CN113872526B (zh) | 基于最小不匹配度故障电流预测的光伏阵列故障诊断方法 | |
| de Assis Sobreira et al. | Comparative analysis of current and voltage-controlled photovoltaic maximum power point tracking | |
| CN111030597B (zh) | 一种无人机自动充电站的太阳能故障诊断方法 | |
| Halwani et al. | A Robust Method for Diagnosis and Localization of Faults in Photovoltaic Panel Strings and Bypass Diodes | |
| Ghazali et al. | A multi-scale dual-stage model for PV array fault detection, classification, and monitoring technique | |
| Wang et al. | Fault diagnosis method based on an improved KNN algorithm for PV strings | |
| Li et al. | Detection and Analyze of Off-Maximum Power Points of PV Systems Based on PV-Pro Modelling | |
| Panda et al. | Data-driven model of Photovoltaic Module by Machine Learning Regression for Power Maximization | |
| Yao et al. | An improved double-diode model based simulation method for PV modules |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220111 |
|
| WW01 | Invention patent application withdrawn after publication |