CN114201483A - 一种基于统计建模的光伏阵列故障诊断方法 - Google Patents
一种基于统计建模的光伏阵列故障诊断方法 Download PDFInfo
- Publication number
- CN114201483A CN114201483A CN202111542813.XA CN202111542813A CN114201483A CN 114201483 A CN114201483 A CN 114201483A CN 202111542813 A CN202111542813 A CN 202111542813A CN 114201483 A CN114201483 A CN 114201483A
- Authority
- CN
- China
- Prior art keywords
- data
- voltage
- current
- power
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000005315 distribution function Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 241000282414 Homo sapiens Species 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 208000025721 COVID-19 Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于统计建模分析诊断光伏阵列故障的方法,首先,从统计的角度出发,建立了电流、电压、功率的状态指标,其次,运用核密度估计法建立状态指标的概率密度分布模型,继而设定置信度获取置信区间并确定实时运行数据的阈值范围,最后通过故障诊断流程对实时状态进行判定。本发明从阵列的户外运行数据出发,能有效解决不确定条件下的光伏出力模型不准确的问题,所提出的故障诊断方法能够根据人为需要灵活调整阈值区间,具备极大的现场工程应用价值。
Description
技术领域
本发明属于光伏发电技术领域,具体涉及一种基于统计建模算法的光伏阵列故障诊断方法。
背景技术
近年来,由于气候变迁给人类带来警讯,各国政府纷纷思考如何节能减排。尽管COVID-19导致经济放缓,但2020年世界增加了超过126GW的光伏装机量,比2019年增长了21.8%。目前大多数制造商保证,在最大损失不超过额定功率的20%的情况下,光伏组件的寿命至少为20年。然而,光伏电站往往安装在山地,沙漠等比较恶劣的环境中,且常年暴露在露天下,导致性能退化和各种故障频发,因此,光伏系统的维护和故障诊断尤为重要。
在实际运行过程中,光照强度、电池温度、安装运行方式、组件表面清洁度等因素的影响使得光伏系统的输出具有不确定性,而云层,天气,环境等诸多不可控的因素又会大大影响光伏发电的出力状况以及故障的发生。因此,有必要通过考虑系统运行过程的不确定性来建立故障诊断方法。
如申请号为CN201810923611.1的中国发明专利公开了适用于光伏阵列的故障检测系统及方法,其方法为:仿真条件下计算出光伏阵列的最大输出功率,同时记录最大输出功率时的电流值和电压值;在当前环境下测量实际光伏阵列的I-V特性,多次测量后由I-V曲线得到光伏阵列的短路电流值和开路电压以及P-V曲线峰值数;比较仿真时的理论输出功率和实际的输出功率,通过两者的比值所在区域来判断光伏阵列所处的模式;若判断出光伏阵列出现故障则进一步判断故障种类,使用阈值的方法隔离了具有不同属性的故障;通过可拓网络模型来分别辨别两组具有相同属性的故障。所述方法能够在光伏阵列发生故障时不仅能在线发现故障,并且能快速定位故障类别。
申请号为CN201710159693.2的中国发明专利公开了一种光伏阵列故障诊断和预警方法,采用非线性最小二乘法优化的Elman神经网络和决策树结合经验知识构建故障诊断模型,采集当前光伏阵列运行数据和气象数据,计算与历史正常状态数据的误差,当误差大于阈值表示有故障,用故障诊断模型得到相应的故障类型及可信度,最后综合评价得到最终故障类型的可信度,按可信度值大小选择进行故障预警。此后按现场实测情况对故障知识库更新。实时检测、及时诊断,减少故障发生率,以保光伏电站稳定运行。
实际工程中的不确定性分析通常使用概率建模的方法,常见的一般是根据已知的数据样本统计分布,并假定在各个可能的类别中都服从特定的分布的参数估计法,上述公开技术中也采用了类似的,建立故障诊断模型的方法。在实际情况下,参数估计需要先验知识假设,但是由于时间和空间的不同,某些电站适用的参数分布模型,在其他电站则可能不适用。另外,所选参数分布对于给定电站的数据拟合可能匹配度较低,在出现双峰或多峰时无法拟合分布。因此,参数模型与实际的物理模型之间常常存在较大的差距,并非总能取得令人满意的结果,这使得故障诊断的模型建立非常困难。
发明内容
针对现有诊断方法匹配度低,参数模型与实际的物理模型之间常常存在较大的差距的技术问题,本发明提供一种基于统计建模的光伏阵列故障诊断方法,对光伏阵列的直流端的输出数据进行非参数统计拟合而建立概率分布模型,从而解决不确定条件下的出力模型不准确的问题,并将其并运用于故障诊断。
为实现上述目的,本发明采用的技术方案为:
一种基于统计建模的光伏阵列故障诊断方法,包括以下步骤:
S1.收集光伏电站历史运行数据及历史环境数据,对历史数据进行清洗,建立状态指标;
S2.建立状态指标的概率密度分布模型;
S3.获取状态指标在一定置信度下的上下界,计算实时运行的电气参数的阈值;
S4.将实际运行数据与阈值进行比较,结合诊断流程进行故障诊断。
进一步的,步骤S1中历史运行数据包括历史电流、电压、功率的运行数据,所述历史环境数据为历史运行数据对应的历史辐照度数据。
进一步的,对历史数据进行清洗,具体操作如下:
S11.收集光伏阵列电流、电压、功率的历史运行数据和对应的历史辐照度数据;
S12.删除夜间以及白天中辐照度低于100W/m2时所对应的电流、电压、功率和辐照度数据。
进一步的,建立状态指标,包括三个状态指标,分别为:
Ur=U
其中,I,U和P分别代表阵列电流、电压和功率,Ir,Ur和Pr为它们的状态指标,R代表对应时刻的辐照度。
步骤S2中建立状态指标的概率密度分布模型,具体操作如下:
S21.确定状态指标的非参数估计方法:
其中:xi为状态指标样本,n为样本数量,h为带宽,K(u)为核函数。
S22.确定核函数为高斯函数:
S23.拟合状态指标的概率密度分布模型曲线:
S24.确定最优带宽计算方式:
其中,n为状态指标样本数量,σ为样本的标准差.
步骤S3中,获取状态指标在一定置信度下的上下界是在得到状态指标的概率密度函数后,求取在一定置信度下的阈值上下限,具体操作如下:
假设X为代表状态指标的随机变量,对于所有实数x,累积分布函数表示所有小于等于x的值出现概率的和:
FX(x)=P(X≤x)
随机变量X的累积分布函数与其概率密度函数的关系为:
累积分布函数存在反函数G(FX(x))=x,它可以代表出力指标正常区间的边界值,设定置信度为(1-α),则状态指标的范围[x1,x2]计算如下:P(x1<X≤x2)=P{G(α1)<X≤G(α2)}=1-α其中,α2-α1=1-α,x1为置信区间下限,x2为置信区间上限,[x1,x2]为置信区间,正常样本数据分布这个区间内,即Ir,Ur,Pr的在一定置信度下的阈值上下限为Ir_upp,Ir_low,Ur_upp,Ur_low,Pr_upp和Pr_low。
步骤S3中,算实时运行的电气参数的阈值,具体操作如下:
其中,I_upp,I_low,U_upp,U_low,P_upp和P_low是电流、电压、功率的上下阈值点,R是实时辐照度。
步骤S4中,将实际运行数据与阈值进行比较,结合诊断流程进行故障诊断,具体操作如下:
S41.获取实时运行的电流、电压、功率数据;
S42.功率异常判断:如果实时功率在区间[P_low,P_upp]内,则阵列正常;
否则,执行步骤S43;
S43.电流异常判断:如果实时电流在区间[I_low,I_upp]内,则执行步骤S44;
否则,执行步骤S45;
S44.电流正常时的电压异常判断:如果实时电压在区间[U_low,U_upp]内,则阵列运行正常;
否则,该阵列存在短路;
S45.电流异常时的电压异常判断:如果实时电压在区间[U_low,U_upp]内,则阵列中存在开路;
否则,该阵列中存在阴影遮挡。
本发明的基于统计建模的光伏阵列故障诊断方法考虑到光伏阵列的出力不确定的特点,从统计的角度出发,建立了电流、电压、功率的状态指标,然后运用核密度估计法建立状态指标的概率密度分布模型,设定置信度获取置信区间并确定实时运行数据的阈值范围,最后通过故障诊断流程对实时状态进行判定。
本发明的有益效果如下:
1.所建立的状态指标考虑到光伏阵列中电流和功率的分布特性与辐照度的分布特性相似,并有效缩小了数据的变化率;
2.运用核密度估计法建立状态指标的概率密度分布模型,对数据分布不附加任何假定,仅从数据样本本身出发研究分布特征,能够灵活地对各种有偏、重尾、多峰等特点的数据进行拟合,可有效解决因光伏阵列输出参数的不确定性导致的参数拟合不准确的问题。
3.基于电流、电压和功率阈值的阵列故障诊断方法可以有效识别不同的故障,并且可以通过设置模型的置信度调整阈值区间,可用于预警和相关行为的执行。
附图说明
图1为基于统计建模的光伏阵列故障诊断方法步骤示意图;
图2为不同置信度下,支路的状态指标Ir,Ur和Pr的散点分布图;
图3为步骤S4所述的故障诊断流程图;
图4为不同故障下电流、电压和功率的实时运行结果图。
具体实施方式
下面结合附图和具体实施例,对本发明具体实施方式作进一步说明。
实施例1
如图1所示,本发明提供了一种基于统计建模的光伏阵列故障诊断方法,首先收集光伏电站历史运行数据及历史环境数据,对历史数据进行清洗,建立状态指标;然后建立三个状态指标的概率密度分布模型;接着获取状态指标在一定置信度下的上下界,计算实时运行的电气参数的阈值;最后将实际运行的电流、电压、功率数据与阈值进行比较,结合诊断流程进行故障诊断。
本实施例的数据来自于某个光伏电站,其装机容量40MW,每个阵列由16个支路并联组成,每个支路由16个组件串联组成,系统隔10分钟采集一次数据,选取其中的一个阵列,对历史数据进行清洗,删除夜间以及白天里的辐照度低于100W/m2时所对应的电流、电压、功率和辐照度数据,并根据数据建立三个状态指标,分别为:
Ur=U
其中,I,U和P分别代表阵列电流、电压和功率,Ir,Ur和Pr为它们的状态指标,R代表对应时刻的辐照度。
选用高斯函数作为核函数,并用最优带宽拟合上述三个状态指标的概率密度,积分获得其累积分布函数,以其在一定置信度下的区间上下限作为出力指标正常区间的边界值。
如图2所示为状态指标Ir,Ur和Pr的散点分布情况,并展示了置信度为85%、90%和95%时的阈值区间,可以预见的是,更高的置信度意味着更宽的阈值区间和更低的样本超限率。
根据实时的辐照度数据和Ir,Ur和Pr的定义式,可以反推出运行时电流、电压、功率的上下阈值,并依据图3所示对数据进行故障状态识别。
对实验阵列的支路设置了四种条件,即正常、短路故障(支路中的三个组件短路)、阴影故障(30%遮挡)、开路故障,每种条件包含3天的数据。置信度为95%时,电气参数运行结果如图4所示,正常工作条件下,支路电压、电流和功率指标均在电气参数的阈值区间范围内;在支路中有三个组件短路时,电流指标在阈值区间内,电压指标低于阈值的下限,功率有部分数据低于阈值但不明显;在支路中有30%的阴影遮挡时,电流和功率都比正常运行时低,主要分布在电气参数的下边界附近,越界现象不明显,但电压的数据在白天都低于正常的阈值下限;而在支路中设置线路断开时,阵列电流和功率降至阈值外,保持恒定值0,电压指标在阈值范围之内。
表1.诊断准确性结果
表1给出了四种状态下的故障诊断准确率的统计结果,从中可以看出,正常状态、阴影状态和开路状态的诊断识别率都高于90%,三个组件的短路所引起的功率变化不明显,所以短路的诊断率只有81.86%。如果需要更高的准确率,可以通过改变置信度来获得。因为置信度设置得越高,阈值范围越大,能容纳的正常数据越多,这就提升了正常数据的准确率,但也让一部分故障被识别成正常值。因此,该故障诊断方法在实际的光伏电站故障诊断中具有很高的灵活性和较高准确率,具有实际应用价值。
实施例2
本实施例提供一种光伏阵列故障诊断方法,与实施例1不同之处在于,所述的概率密度估计过程不采用非参数核密度估计法,而选用常见的三种参数估计法,即正态分布、逻辑分布、t分布。
同样采用实施例1中所述的电站内的数据进行模型训练,用参数估计法获得状态指标的概率密度曲线,将置信度设为95%,并用实施例1所得的四种故障数据进行检测,表2为这三种估计方法所得结果。
表2.参数估计法所得诊断结果
表2显示,无论在何种故障下,电压的样本识别率都高于97%,这在一定程度上拉高了诊断率。由于短路组件较少,其识别率都比其它情况更低。在每种故障下,这三个方法所得到的诊断率都比核密度估计低,说明本发明所提出的基于统计建模的方法比传统的参数估计法更适用于光伏阵列的故障诊断。
以上所述,仅为发明的具体实施方式,但发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在发明的保护范围之内。因此,发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (8)
1.一种基于统计建模分析诊断光伏阵列故障的方法,其特征在于,包括如下步骤:
S1.收集光伏电站历史运行数据及历史环境数据,对历史数据进行清洗,建立状态指标;
S2.建立状态指标的概率密度分布模型;
S3.获取状态指标在一定置信度下的上下界,计算实时运行的电气参数的阈值;
S4.将实际运行数据与阈值进行比较,结合诊断流程进行故障诊断。
2.根据权利要求1所述的一种基于统计建模分析诊断光伏阵列故障的方法,其特征在于,所述步骤S1中历史运行数据包括历史电流、电压、功率的运行数据,所述历史环境数据为历史运行数据对应的历史辐照度数据。
3.根据权利要求2所述的一种基于统计建模分析诊断光伏阵列故障的方法,其特征在于,对历史数据进行清洗,具体操作如下:
S11.收集光伏阵列电流、电压、功率的历史运行数据和对应的历史辐照度数据;
S12.删除夜间以及白天中辐照度低于100W/m2时所对应的电流、电压、功率和辐照度数据。
6.根据权利要求1所述的一种基于统计建模分析诊断光伏阵列故障的方法,其特征在于,所述步骤S3中,获取状态指标在一定置信度下的上下界是在得到状态指标的概率密度函数后,求取在一定置信度下的阈值上下限,具体操作如下:
假设X为代表状态指标的随机变量,对于所有实数x,累积分布函数表示所有小于等于x的值出现概率的和:
FX(x)=P(X≤x)
随机变量X的累积分布函数与其概率密度函数的关系为:
8.根据权利要求1所述的一种基于统计建模分析诊断光伏阵列故障的方法,其特征在于,所述步骤S4中,将实际运行数据与阈值进行比较,结合诊断流程进行故障诊断,具体操作如下:
S41.获取实时运行的电流、电压、功率数据;
S42.功率异常判断:如果实时功率在区间[P_low,P_upp]内,则阵列正常;否则,执行步骤S43;
S43.电流异常判断:如果实时电流在区间[I_low,I_upp]内,则执行步骤S44;否则,执行步骤S45;
S44.电流正常时的电压异常判断:如果实时电压在区间[U_low,U_upp]内,则阵列运行正常;否则,该阵列存在短路;
S45.电流异常时的电压异常判断:如果实时电压在区间[U_low,U_upp]内,则阵列中存在开路;否则,该阵列中存在阴影遮挡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542813.XA CN114201483A (zh) | 2021-12-16 | 2021-12-16 | 一种基于统计建模的光伏阵列故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542813.XA CN114201483A (zh) | 2021-12-16 | 2021-12-16 | 一种基于统计建模的光伏阵列故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114201483A true CN114201483A (zh) | 2022-03-18 |
Family
ID=80654521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111542813.XA Pending CN114201483A (zh) | 2021-12-16 | 2021-12-16 | 一种基于统计建模的光伏阵列故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114201483A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115834351A (zh) * | 2023-02-23 | 2023-03-21 | 国网浙江义乌市供电有限公司 | 一种感知采集设备故障判断方法 |
CN116628608A (zh) * | 2023-04-23 | 2023-08-22 | 华能国际电力江苏能源开发有限公司 | 一种光伏发电故障诊断方法及系统 |
-
2021
- 2021-12-16 CN CN202111542813.XA patent/CN114201483A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115834351A (zh) * | 2023-02-23 | 2023-03-21 | 国网浙江义乌市供电有限公司 | 一种感知采集设备故障判断方法 |
CN116628608A (zh) * | 2023-04-23 | 2023-08-22 | 华能国际电力江苏能源开发有限公司 | 一种光伏发电故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114201483A (zh) | 一种基于统计建模的光伏阵列故障诊断方法 | |
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 | |
CN112462736B (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN112415331B (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
CN113992153B (zh) | 一种光伏电站可视化实时监测分布式管理系统 | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
CN114370380A (zh) | 一种计及气象因素的风电机组故障诊断方法 | |
CN115776276A (zh) | 光伏阵列状态评价方法、系统、设备及计算机可读存储介质 | |
CN112149877A (zh) | 多元复杂城市电网多源数据驱动的故障预测方法及其系统 | |
CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
CN113740666B (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
CN110021933B (zh) | 考虑组件故障的电力信息系统控制功能可靠性评估方法 | |
CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
CN108256690B (zh) | 基于形状参数置信区间的光伏发电预测方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN115561575A (zh) | 基于多维矩阵轮廓的海上风电场电气异常状态辨别方法 | |
CN115345519A (zh) | 海上风电风险评估方法、装置、设备及存储介质 | |
CN111794921B (zh) | 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法 | |
CN114564680A (zh) | 一种基于统计特征的光伏组件异常识别方法 | |
CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
WO2022096571A1 (en) | Solar energy facility monitoring | |
Wang et al. | Fault diagnosis method based on an improved KNN algorithm for PV strings | |
Wei et al. | Resilience Assessment Using Simulation System of Distribution Network under Extreme Weather |
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 |