CN116383658A - 一种基于bp神经网络的太阳能电池板故障诊断方法及装置 - Google Patents
一种基于bp神经网络的太阳能电池板故障诊断方法及装置 Download PDFInfo
- Publication number
- CN116383658A CN116383658A CN202310383755.3A CN202310383755A CN116383658A CN 116383658 A CN116383658 A CN 116383658A CN 202310383755 A CN202310383755 A CN 202310383755A CN 116383658 A CN116383658 A CN 116383658A
- Authority
- CN
- China
- Prior art keywords
- neural network
- solar panel
- layer
- output
- calculation
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 23
- 210000004027 cell Anatomy 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 14
- 230000005855 radiation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000005779 cell damage Effects 0.000 description 1
- 208000037887 cell injury Diseases 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000840 electrochemical analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供一种基于BP神经网络的太阳能电池板故障诊断方法及装置，所述方法包括：采集太阳能电池板的运行数据，并对采集的数据进行预处理后制作成训练数据集和测试数据集；通过BP神经网络算法对预处理后的训练数据集进行训练，建立测试太阳能电池板的BP神经网络模型，将测试数据集输入到经过训练后的BP神经网络模型进行计算，计算得到太阳能电池板的输出功率；通过比较太阳能电池板实际输出功率和BP神经网络模型计算得到的输出功率，判断太阳能电池板是否存在故障。本发明不仅可以提高太阳能电池板故障诊断的效率和准确度，还可以降低维修成本，提高太阳能电池板的使用寿命和发电效率。
Description
技术领域
本发明涉及太阳能电池板技术领域，具体地，涉及一种基于BP神经网络的太阳能电池板故障诊断方法及装置。
背景技术
太阳能电池板是一种将太阳能转化为电能的设备，广泛应用于太阳能光伏发电领域。然而，由于环境变化、设备老化等原因，太阳能电池板在使用过程中可能会出现各种故障，如暗电流增加、输出功率下降、热斑等，这些故障将会影响太阳能电池板的发电效率和寿命。
目前，太阳能电池板故障诊断方法主要包括传统的电路分析法、光谱分析法、电化学分析法等。这些方法存在一定的局限性，如需要专业的设备和技能、测量结果易受干扰、故障诊断时间长等。另外，现在的技术检测太阳能电池板故障成本太高，需要购买昂贵的仪器设备，而且需要消耗大量的人力资源，不利于大规模推广。
发明内容
针对现有技术中的缺陷，本发明的目的在于提供一种基于BP神经网络的太阳能电池板故障诊断方法及装置，本发明不仅可以提高太阳能电池板故障诊断的效率和准确度，还可以降低维修成本，提高太阳能电池板的使用寿命和发电效率。
为解决上述问题，本发明的技术方案为：
一种基于BP神经网络的太阳能电池板故障诊断方法，包括以下步骤：
采集太阳能电池板的运行数据，并对采集的数据进行预处理后制作成训练数据集和测试数据集；
通过BP神经网络算法对预处理后的训练数据集进行训练，建立测试太阳能电池板的BP神经网络模型，将测试数据集输入到经过训练后的BP神经网络模型进行计算，计算得到太阳能电池板的输出功率；
通过比较太阳能电池板实际输出功率和BP神经网络模型计算得到的输出功率，判断太阳能电池板是否存在故障。
优选地，所述采集太阳能电池板的运行数据，并对采集的数据进行预处理后制作成训练数据集和测试数据集的步骤中，所述太阳能电池板运行数据包括输出电压、输出电流、环境温度、太阳辐射强度、气象数据、时间数据，所述预处理操作包括数据归一化、数据清洗和数据分割操作。
优选地，所述通过BP神经网络算法对预处理后的训练数据集进行训练，建立测试太阳能电池板的BP神经网络模型，将测试数据集输入到经过训练后的BP神经网络模型进行计算，计算得到太阳能电池板的输出功率的步骤中，所述BP神经网络算法包括将预处理后的太阳能电池板运行数据包括输出电压、输出电流、环境温度、太阳辐射强度，气象数据、时间数据6个神经元的层作为输入层，一个用于从输入数据中提取有用特征的隐藏层，设置一个包含1个神经元的输出层，用于输出太阳能电池板的测试功率。
优选地，所述隐藏层节点数目是通过公式计算出来的，隐藏层节点计算公式为
其中y是隐藏层节点数目，r是输入层节点数目，c是输出层节点数目，a是0-10以内的可调节参数。
优选地，所述通过BP神经网络算法对预处理后的训练数据集进行训练，建立测试太阳能电池板的BP神经网络模型，将测试数据集输入到经过训练后的BP神经网络模型进行计算，计算得到太阳能电池板的输出功率的步骤中，所述BP神经网络算法实施过程包括以下步骤：
初始化网络参数；
将输入数据送入神经网络，计算每个神经元的输出值，逐层计算直到输出层，得到神经网络的预测结果；
使用均方误差计算神经网络预测结果与实际的数值之间的差异；
计算每个权重和偏置对损失函数的梯度，并将其反向传播回网络中；
根据反向传播计算得到的梯度，使用梯度下降法更新神经网络的权重和偏置。
优选地，所述输入层到隐藏层的计算公式为：
其中wij表示连接输入层第i个神经元和隐藏层第j个神经元的权重，bj表示隐藏层第j个神经元的偏置，&表示激活函数。aj表示第j个神经元的输出值，即该神经元的激活值，zj表示第j个神经元的加权输入值，即输入数据和该神经元对应的权重的线性组合；
所述隐藏层到输出层的计算公式为：
hat(y)＝zk
其中wjk表示连接隐藏层第j个神经元和输出层第k个神经元的权重，bk表示输出层第k个神经元的偏置。
优选地，所述使用均方误差计算神经网络预测结果与实际的数值之间的差异的步骤中，计算公式为：
优选地，所述计算每个权重和偏置对损失函数的梯度，并将其反向传播回网络中的步骤中，对于输出层计算公式为：Δk＝(hat(yi)-yi)*&′(zk)，其中&'表示激活函数的导数；对于隐藏层计算公式为：
其中p表示输出层的神经元数量。
优选地，所述通过BP神经网络算法对预处理后的训练数据集进行训练，建立测试太阳能电池板的BP神经网络模型，将测试数据集输入到经过训练后的BP神经网络模型进行计算，计算得到太阳能电池板的输出功率的步骤中，所述BP神经网络模型测试出的太阳能电池板功率的计算公式为：P＝&(w3*&(w1*&(w1*X+b1)+b2)+b3)，其中，&表示Sigmoid激活函数，w1、w2、w3分别表示输入层到隐层、隐层到隐层、隐层到输出层的权重参数，b1、b2、b3分别表示隐层和输出层的偏置参数，X为输入的特征向量，P为输出的太阳能电池板功率。
进一步地，本发明还提供一种基于BP神经网络的太阳能电池板故障诊断装置，所述装置包括处理器以及用于存储所述处理器的可执行指令的存储器，所述处理器配置为经由执行所述可执行指令来执行如上所述的基于BP神经网络的太阳能电池板故障诊断方法。
与现有技术相比，本发明提供的基于BP神经网络的太阳能电池板故障诊断方法及装置，通过收集太阳能电池板的运行数据，利用BP神经网络模型对数据进行训练和测试计算，通过比较太阳能电池板实际输出功率和BP神经网络模型计算得到的输出功率，判断太阳能电池板是否存在故障，实现对太阳能电池板的故障快速、准确的诊断。本发明不仅可以提高太阳能电池板故障诊断的效率和准确度，还可以降低维修成本，提高太阳能电池板的使用寿命和发电效率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例提供的基于BP神经网络的太阳能电池板故障诊断方法流程框图；
图2为本发明实施例提供的基于BP神经网络的太阳能电池板故障诊断方法工作原理图；
图3为本发明实施例提供的BP神经网络模型建立的具体流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
具体地，本发明提供一种基于BP神经网络的太阳能电池板故障诊断方法，如图1和图2所示，所述方法包括以下步骤：
S1：采集太阳能电池板的运行数据，并对采集的数据进行预处理后制作成训练数据集和测试数据集；
具体地，当需要对太阳能电池板进行故障诊断时，首先要收集太阳能电池板的运行数据，所述太阳能电池板运行数据包括输出电压、输出电流、环境温度、太阳辐射强度、气象数据、时间数据等。并对采集的数据进行预处理后制作成训练数据集和测试数据集，所述预处理操作包括数据归一化、数据清洗和数据分割等操作，以此来提高神经网络模型的训练和测试效果。所述数据归一化主要是为了数据处理方便，把数据映射到0～1范围之内处理，更加便捷快速。所述数据清洗主要是检查数据的一致性从而排除掉无效数据和缺失数据。
S2：通过BP神经网络算法对预处理后的训练数据集进行训练，建立测试太阳能电池板的BP神经网络模型，将测试数据集输入到经过训练后的BP神经网络模型进行计算，计算得到太阳能电池板的输出功率；
具体地，如图3所示，建立BP神经网络模型，首先将收集的太阳能电池板运行数据进行数据预处理，将预处理后的太阳能电池板运行数据包括输出电压、输出电流、环境温度、太阳辐射强度，气象数据、时间数据6个神经元的层作为输入层；一个用于从输入数据中提取有用特征的隐藏层，设置一个包含1个神经元的输出层，用于输出太阳能电池板的测试功率。
所述隐藏层节点数目是通过公式计算出来的，隐藏层节点计算公式为
其中y是隐藏层节点数目，r是输入层节点数目，c是输出层节点数目，a是0-10以内的可调节参数。
同时需要确定激活函数网络参数和损失函数网络参数。所述激活函数采用Sigmoid函数进行处理，将变量映射在0-1之间，函数公式为&
当网络结构建立完毕，采用预处理后的数据训练集对网络模型进行训练，训练过程中，使用反向传播算法对神经网络进行训练，以最小化损失函数。如果模型性能不满足需求，可以尝试调整网络参数，如学习率、隐藏层数量等。
所述BP神经网络算法具体实施过程如下：
1、初始化网络参数
初始化权重和偏置，可以采用随机数来初始化。
2、将输入数据X1、X2、X3、X4、X5、X6送入神经网络，计算每个神经元的输出值，逐层计算直到输出层，得到神经网络的预测结果hat(y)，hat是指线性方程。
对于输入层到隐藏层的计算公式如下：
aj＝&(zj)
其中Wij表示连接输入层第i个神经元和隐藏层第j个神经元的权重，bj表示隐藏层第j个神经元的偏置，&表示激活函数。aj表示第j个神经元的输出值，即该神经元的激活值，zj表示第j个神经元的加权输入值，即输入数据和该神经元对应的权重的线性组合。
对于隐藏层到输出层的计算公式如下：
hat(y)＝zk
其中Wjk表示连接隐藏层第j个神经元和输出层第k个神经元的权重，bk表示输出层第k个神经元的偏置。
3、计算损失函数
使用均方误差(MSE)计算神经网络预测结果hat(y)与实际y的数值之间的差异，计算公式如下：
4、反向传播
计算每个权重和偏置对损失函数的梯度，并将其反向传播回网络中，对于输出层，有如下计算公式：
Δk＝(hat(yi)-yi)*&′(zk)
其中&'表示激活函数的导数。
对于隐藏层，有如下计算公式：
其中p表示输出层的神经元数量。
根据上述公式，可以逐层计算每个神经元对损失函数的贡献，从而得到每个权重和偏置的梯度。
5、参数更新
根据反向传播计算得到的梯度，使用梯度下降法或其他优化算法更新神经网络的权重和偏置。重复执行前面的步骤，直到损失函数收敛或达到指定的迭代次数为止。
当建立了一个准确度较高的BP神经网络模型后，将剩下的太阳能电池板预处理数据当作测试集输入到经过训练后的神经网络模型进行计算，建立BP神经网络模型。由于收集到的太阳能电池板运行数据种类较多，因此BP神经网络模型可以更精确得到太阳能电池板的输出功率，并较为准确预测出其使用寿命。
所述BP神经网络模型测试出的太阳能电池板功率的计算公式为：
P=&(w3*&(W2*&(W1*X+b10+b2)+b3)，其中，&表示Sigmoid激活函数，w1、w2、w3分别表示输入层到隐层、隐层到隐层、隐层到输出层的权重参数，b1、b2、b3分别表示隐层和输出层的偏置参数，X为输入的特征向量，P为输出的太阳能电池板功率。
S3：通过比较太阳能电池板实际输出功率和BP神经网络模型计算得到的输出功率，判断太阳能电池板是否存在故障。
具体地，通过比较太阳能电池板实际输出功率和神经网络模型计算得到的输出功率，判断太阳能电池板是否存在故障，如果存在故障，则需要对太阳能电池板进行修复或更换。
所述故障导致原因可能包括1、电池片损坏：太阳能电池板上的电池片可能受到损坏，导致电池板的输出功率下降；2、电池片腐蚀：太阳能电池板可能由于长期暴露在恶劣环境中而导致电池片腐蚀，进而影响电池板的输出功率；3、连接线路损坏：太阳能电池板上的连接线路可能受到损坏，导致电池板的输出功率下降；4、湿度过高：太阳能电池板可能由于长期暴露在高湿度环境中而导致电路老化，影响输出功率。
综上所述，本发明提供的基于BP神经网络的太阳能电池板故障诊断方法，通过收集太阳能电池板的运行数据，利用BP神经网络模型对数据进行训练和测试计算，通过比较太阳能电池板实际输出功率和BP神经网络模型计算得到的输出功率，判断太阳能电池板是否存在故障，实现对太阳能电池板的故障快速、准确的诊断。本发明不仅可以提高太阳能电池板故障诊断的效率和准确度，还可以降低维修成本，提高太阳能电池板的使用寿命和发电效率。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于BP神经网络的太阳能电池板故障诊断方法，其特征在于，所述方法包括以下步骤：
采集太阳能电池板的运行数据，并对采集的数据进行预处理后制作成训练数据集和测试数据集；
通过BP神经网络算法对预处理后的训练数据集进行训练，建立测试太阳能电池板的BP神经网络模型，将测试数据集输入到经过训练后的BP神经网络模型进行计算，计算得到太阳能电池板的输出功率；
通过比较太阳能电池板实际输出功率和BP神经网络模型计算得到的输出功率，判断太阳能电池板是否存在故障。
2.根据权利要求1所述的基于BP神经网络的太阳能电池板故障诊断方法，其特征在于，所述采集太阳能电池板的运行数据，并对采集的数据进行预处理后制作成训练数据集和测试数据集的步骤中，所述太阳能电池板运行数据包括输出电压、输出电流、环境温度、太阳辐射强度、气象数据、时间数据，所述预处理操作包括数据归一化、数据清洗和数据分割操作。
3.根据权利要求1所述的基于BP神经网络的太阳能电池板故障诊断方法，其特征在于，所述通过BP神经网络算法对预处理后的训练数据集进行训练，建立测试太阳能电池板的BP神经网络模型，将测试数据集输入到经过训练后的BP神经网络模型进行计算，计算得到太阳能电池板的输出功率的步骤中，所述BP神经网络算法包括将预处理后的太阳能电池板运行数据包括输出电压、输出电流、环境温度、太阳辐射强度，气象数据、时间数据6个神经元的层作为输入层，一个用于从输入数据中提取有用特征的隐藏层，设置一个包含1个神经元的输出层，用于输出太阳能电池板的测试功率。
4.根据权利要求3所述的基于BP神经网络的太阳能电池板故障诊断方法，其特征在于，所述隐藏层节点数目是通过公式计算出来的，隐藏层节点计算公式为
其中y是隐藏层节点数目，r是输入层节点数目，c是输出层节点数目，a是0-10以内的可调节参数。
5.根据权利要求1所述的基于BP神经网络的太阳能电池板故障诊断方法，其特征在于，所述通过BP神经网络算法对预处理后的训练数据集进行训练，建立测试太阳能电池板的BP神经网络模型，将测试数据集输入到经过训练后的BP神经网络模型进行计算，计算得到太阳能电池板的输出功率的步骤中，所述BP神经网络算法实施过程包括以下步骤：
初始化网络参数；
将输入数据送入神经网络，计算每个神经元的输出值，逐层计算直到输出层，得到神经网络的预测结果；
使用均方误差计算神经网络预测结果与实际的数值之间的差异；
计算每个权重和偏置对损失函数的梯度，并将其反向传播回网络中；
根据反向传播计算得到的梯度，使用梯度下降法更新神经网络的权重和偏置。
6.根据权利要求5所述的基于BP神经网络的太阳能电池板故障诊断方法，其特征在于，所述输入层到隐藏层的计算公式为：
aj＝&(zj)
其中Wij表示连接输入层第i个神经元和隐藏层第j个神经元的权重，bj表示隐藏层第j个神经元的偏置，&表示激活函数。aj表示第j个神经元的输出值，即该神经元的激活值，zj表示第j个神经元的加权输入值，即输入数据和该神经元对应的权重的线性组合；
所述隐藏层到输出层的计算公式为：
hat(y)＝zk
其中Wjk表示连接隐藏层第j个神经元和输出层第k个神经元的权重，bk表示输出层第k个神经元的偏置。
7.根据权利要求6所述的基于BP神经网络的太阳能电池板故障诊断方法，其特征在于，所述使用均方误差计算神经网络预测结果与实际的数值之间的差异的步骤中，计算公式为：
8.根据权利要求7所述的基于BP神经网络的太阳能电池板故障诊断方法，其特征在于，所述计算每个权重和偏置对损失函数的梯度，并将其反向传播回网络中的步骤中，对于输出层计算公式为：Δk＝(hat(yi)-yi)*&′(zk)，其中&'表示激活函数的导数；对于隐藏层计算公式为：
其中p表示输出层的神经元数量。
9.根据权利要求1所述的基于BP神经网络的太阳能电池板故障诊断方法，其特征在于，所述通过BP神经网络算法对预处理后的训练数据集进行训练，建立测试太阳能电池板的BP神经网络模型，将测试数据集输入到经过训练后的BP神经网络模型进行计算，计算得到太阳能电池板的输出功率的步骤中，所述BP神经网络模型测试出的太阳能电池板功率的计算公式为：P＝&(w2*&(w2*&(w1*X+b1)+b2)+b3)，其中，&表示Sigmoid激活函数，w1、w2、w3分别表示输入层到隐层、隐层到隐层、隐层到输出层的权重参数，b1、b2、b3分别表示隐层和输出层的偏置参数，X为输入的特征向量，P为输出的太阳能电池板功率。
10.一种基于BP神经网络的太阳能电池板故障诊断装置，其特征在于，所述装置包括处理器以及用于存储所述处理器的可执行指令的存储器，所述处理器配置为经由执行所述可执行指令来执行如权利要求1至9中任意一项所述的基于BP神经网络的太阳能电池板故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310383755.3A CN116383658A (zh) | 2023-04-11 | 2023-04-11 | 一种基于bp神经网络的太阳能电池板故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310383755.3A CN116383658A (zh) | 2023-04-11 | 2023-04-11 | 一种基于bp神经网络的太阳能电池板故障诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116383658A true CN116383658A (zh) | 2023-07-04 |
Family
ID=86969114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310383755.3A Pending CN116383658A (zh) | 2023-04-11 | 2023-04-11 | 一种基于bp神经网络的太阳能电池板故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116383658A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117309195A (zh) * | 2023-11-30 | 2023-12-29 | 中控技术股份有限公司 | 测温仪表的检测方法、装置及电子设备 |
| CN117346908A (zh) * | 2023-09-21 | 2024-01-05 | 精拓新能源科技(北京)有限公司 | 一种新型太阳能温度传感器安装方法 |
-
2023
- 2023-04-11 CN CN202310383755.3A patent/CN116383658A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117346908A (zh) * | 2023-09-21 | 2024-01-05 | 精拓新能源科技(北京)有限公司 | 一种新型太阳能温度传感器安装方法 |
| CN117309195A (zh) * | 2023-11-30 | 2023-12-29 | 中控技术股份有限公司 | 测温仪表的检测方法、装置及电子设备 |
| CN117309195B (zh) * | 2023-11-30 | 2024-04-12 | 中控技术股份有限公司 | 测温仪表的检测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ridha et al. | Boosted mutation-based Harris hawks optimizer for parameters identification of single-diode solar cell models | |
| Mekki et al. | Artificial neural network-based modelling and fault detection of partial shaded photovoltaic modules | |
| CN116383658A (zh) | 一种基于bp神经网络的太阳能电池板故障诊断方法及装置 | |
| CN111563611A (zh) | 面向图卷积网络的云数据中心可再生能源时空预测方法 | |
| Hocine et al. | Automatic detection of faults in a photovoltaic power plant based on the observation of degradation indicators | |
| CN115358347B (zh) | 一种针对不同子系统下智能电表的剩余寿命预测方法 | |
| CN111325403A (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
| CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
| CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
| 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 | |
| CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
| CN116054740A (zh) | 光伏发电设备的故障检测、故障检测模型处理方法和装置 | |
| CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
| CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
| CN115217152B (zh) | 一种沉管隧道管节接头张合变形的预测方法及装置 | |
| CN111612648A (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
| Feng et al. | A condition monitoring method of wind turbines based on long short-term memory neural network | |
| CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
| CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
| CN116757303A (zh) | 一种沉降预测方法、系统和设备 | |
| CN112231982B (zh) | 一种基于分布式软测量模型的光伏电板故障检测方法 | |
| CN115267586A (zh) | 锂电池soh评估方法 | |
| CN114565186A (zh) | 一种基于广义回归神经网络的预测风速校正方法和系统 | |
| El Marghichi | A Solar PV Model Parameter Estimation Based on the Enhanced Self-Organization Maps | |
| CN111445036A (zh) | 光伏电站清洗频率的动态调整方法及存储介质 |
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 |