基于ABC-SVM算法的光伏阵列故障诊断

针对光伏阵列的四种典型故障(老化、遮阴、短路和开路),提出了一种基于人工蜂群算法(ABC)优化支持向量机(SVM)的故障诊断模型,用Matlab对光伏阵列进行仿真,提取故障状态下光伏阵列输出特征向量作为训练样本,通过人工蜂群算法对支持向量机的惩罚因子和核函数参数进行寻优,利用寻优后的参数建立模型进行训练与验证.仿真结果...     

基于HHO-ELM的光伏阵列故障诊断方法研究

光伏阵列长期暴露在恶劣的环境中,导致光伏组件易发生故障,从而影响光伏阵列的发电效率。在实际运行过程中,光伏阵列除发生单一故障之外,还会出现多类型的复合故障,给故障诊断加大了难度。提出了一种基于哈里斯鹰(HHO)算法优化极限学习机(ELM)的光伏阵列多类型复合故障诊断方法。用HHO算法优化ELM的权值和阈值,建立HHO-ELM故障诊断模型,并与ELM、粒子群优化算法(PSO)-ELM、正余弦优化算法(SCA)-ELM以及鲸鱼优化算法(WOA)-ELM算法进行对比。实验结果表明,对于复合故障类型,HHO-ELM模型具有更高的诊断准确率,提高了光伏阵列复合故障的识别精度。     

基于CatBoost算法的短期光伏功率预测方法

光伏电站发电功率的间歇性与波动性对电网安全、稳定、经济运行的影响日益明显,因此需要不断提高光伏发电功率预测准确率,为电网灵活调度与规划提供准确信息。首先,介绍了短期光伏发电功率的预测算法、特征方程、预测流程以及评价指标。接着,通过SHAP方法对训练集所构造特征进行分析筛选,使用CatBoost算法进行训练。最后,通过与使用相同特征的其他机器学习算法模型预测精度的对比,表明所提方法有效提高了预测性能,证实了基于CatBoost算法、融合多维特征的模型在光伏功率预测中的优势。     

基于BP神经网络的光伏阵列故障诊断研究

光伏阵列多安装在较恶劣的室外环境中,因此在运行过程中常会发生故障。为辨别光伏阵列故障类型,提出了基于L-M算法的BP神经网络的故障诊断方法。在深入分析不同故障状态下光伏阵列输出量变化规律的基础上,确定了故障诊断模型的输入变量。本方法无需额外的设备支持,具有简便、成本低的优点;可以在线实时地进行故障诊断。仿真和初步实验结果验证了基于BP神经网络的故障诊断方法可以有效地检测出光伏阵列短路、断路、异常老化及局部阴影等四种故障。     

应用于光伏阵列故障诊断的DA-SOM算法研究

针对自组织映射SOM(self-organizing map)神经网络聚类性能易受其初始权值的影响,采用蜻蜓算法DA(dragonfly algorithm)优化SOM神经网络的局部权重失真指数LWDI(locally weighted distortion index),对神经网络的初始权值进行寻优.以光伏阵列故障数...     

基于XGBoost的光伏阵列故障诊断方法研究

针对光伏阵列输出具有非线性并受最大功率点跟踪影响,从而导致传统的诊断方法精度低、模型性能差等问题,提出一种基于极端梯度提升的光伏阵列故障诊断方法。首先,在光伏电池单二极管模型的基础上,建立光伏阵列仿真模型,利用PVsyst软件对光伏阵列的输出特性和故障成因进行系统的模拟分析,得到了故障特征参数,并通过特征重要度排序验证了所选择故障特征参数的有效性;其次,提取光伏阵列不同故障状态下的故障特征,构建基于XGBoost的故障诊断模型;最后,利用网格搜索和交叉验证对诊断模型的超参数进行寻优,通过混淆矩阵计算评价指标来评估诊断模型的性能。并将该方法与决策树、随机森林以及梯度提升树相比,结果表明,该方法不仅能准确检测所有的故障种类,并且模型的泛化能力更好,诊断准确率更高。     

基于KPCA-ISSA-KELM的光伏阵列故障诊断方法

为提高光伏阵列故障诊断的精度,提出一种基于核主成分分析（KPCA）和改进麻雀搜索算法（ISSA）优化核极限学习机（KELM）的光伏故障诊断方法。利用KPCA降维提取故障数据的非线性特征,减少外界条件产生的冗余数据,有效提高复杂故障识别准确率。通过融入Levy飞行和自适应权重t对麻雀搜索算法进行改进,并利用ISSA对KELM中的核参数γ和正则化系数C进行优化,建立了基于KPCA-ISSA-KELM的光伏阵列故障诊断模型。实验结果表明,经ISSA优化KELM的光伏阵列故障诊断模型与其他光伏阵列诊断模型相比,在故障诊断精度上达到97%,验证了该模型的准确性和有效性。     

变压器故障诊断用油中溶解气体征兆优选方法

基于油中溶解气体(dissolved gas analysis, DGA)构造的故障征兆作为变压器故障诊断的重要先验信息,其质量直接影响诊断效果。目前,基于DGA气体的故障征兆数量繁多,但种类相对单一且诊断效果有限,为实现更高准确率的变压器故障诊断,该文提出云征兆方法以丰富现有比值征兆集。为适应高维云征兆的云变换,设计自组织云概念提取神经网络(self-organized cloud concept extraction, SOCCE)进行云概念的提取,以深度挖掘多DGA气体间的关联信息,提高智能算法的诊断能力。最后,通过先排序后寻优的征兆优选策略遴选出最优的DGA混合征兆集。通过IEC TC10故障数据库下的对比诊断可知,该文优选的混合新征兆能够实现92.4%的诊断准确率,相较于传统征兆诊断准确率提升了13.2%～30.8%,且在现场应用和多诊断模型中均表现出较强的泛化能力和推广能力。     

光伏阵列无线传感节点设计及故障诊断应用

针对现有光伏阵列的故障检测方法精度和效率不足且难以定位故障光伏组件等问题,设计了一种基于STM32的光伏阵列无线传感节点及故障诊断系统。该无线传感节点硬件以STM32F103为核心控制器,主要包括主控模块、电源模块、数据采集模块、数据通讯模块;软件端通过自定义通信协议,将测量结果通过ZigBee无线模块对数据帧可靠传输,上位机可监测到逆变器扫描光伏阵列电流-电压(I-V)特性过程中各光伏组件的电压数据。实验中人工模拟了光伏组件常见的阴影、旁路二极管短路故障,通过无线传感节点测得的电压波形,可实现光伏阵列中故障诊断与定位。实测结果表明,该系统可获取逆变器扫描光伏阵列I-V特性过程中组件电压波形,便于运维人员及时准确地定位光伏组件故障。     

基于改进的方向性加权模糊Petri网配电网故障诊断

为提高配电网保护动作信息丢失时故障诊断的准确率及容错性,提出了基于改进的方向性加权模糊Petri网配电网故障诊断方法。首先,考虑故障发生时近后备保护对可疑故障元件故障诊断的影响,对可疑故障元件的各个故障蔓延方向进行建模;其次,在专家经验的基础上采用随机数对模型输入权值进行随机赋值;最后,在保护动作信息丢失时,跟踪改变可疑故障元件保护未动作的可信度取值,并分析该故障诊断方法的适应性与容错性。仿真结果表明,所提基于改进的方向性加权模糊Petri网配电网故障诊断模型在信息不完备或者保护及断路器拒动时,均具有较高的故障诊断准确率。     

基于最优传感器配置的光伏阵列故障诊断

对光伏阵列在不同故障态下的输出特性进行仿真,总结了光伏阵列在故障下输出特性的变化规律。分析了基于支路电流检测与电池板电压检测相结合的故障诊断策略,对比了3种电压传感器放置方法,优化设计了传感器放置策略。将光伏阵列等效为矩阵,建立了权值节点矩阵,提出了基于权值边覆盖的最优电压传感器放置方法,并在此基础上以3x3光伏阵列为例,分析了各种故障下电压传感器的特征值。在故障诊断的基础上,提出了阴影影响下光伏阵列多极值点最大功率点跟踪控制策略。通过搭建光伏阵列对所提的最优传感器配置方法和最大功率点跟踪方法进行了验证,实验结果验证了所提方法的正确性。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

基于半监督机器学习法的光伏阵列故障诊断EI北大核心CSCD

由于光伏组件的非线性输出特性,传统故障保护装置难以检测到所有故障,从而导致光伏阵列出现安全问题和火灾危险。针对传统故障保护装置存在的缺陷问题,提出一种基于半监督机器学习(semi-supervised machine learning,SSML)算法的光伏阵列故障诊断模型,模型利用参考光伏组件将光伏阵列电压与电流归一化,通过半监督机器学习算法分析光伏阵列工作点状态,进而检测故障和识别故障类型。该故障诊断模型仅需要少量容易测量的标签数据,且对环境变化有较强适应能力。最后,通过仿真和实验,验证该故障诊断模型的有效性。     

基于长短期记忆神经网络的光伏阵列故障诊断

目前的故障诊断方法无法精确识别与定位光伏发电系统中光伏阵列的故障,导致光伏发电运维成本增加.为此,本文提出一种基于长短期记忆(LSTM)神经网络的光伏阵列故障诊断模型.在MATLAB/Simulink软件环境下,搭建光伏发电系统仿真模型,采用扰动观测的最大功率点跟踪(MPPT)算法和电网电压闭环控制策略,分析光伏组件断...     

基于改进蜉蝣算法的光伏阵列最优重构方法

部分遮蔽是导致光伏阵列输出功率损耗以及组件失配的主要原因之一。文中针对网状连接拓扑的光伏阵列提出了一种基于改进蜉蝣算法（IMA)的重构方法,通过改变光伏阵列内部的电气连接均匀分布光伏阵列上的阴影,以此来均衡光伏阵列的行电流。在10×10和10×7光伏阵列的10种阴影情况下,将IMA与数独重构方法及其他6个启发式算法分别通过失配损耗和功率提升百分比2个评估标准进行了比较,并给出了由IMA重构后的光伏阵列辐照分布图。结果表明,IMA可有效提高光伏阵列输出功率,降低失配损耗,输出PV曲线均趋向呈现单个峰值,并且重构结果均优于其他方法。此外,基于RTLAB平台上的硬件在环实验验证了硬件可行性。     

基于单调系统理论的光伏并网系统暂态电压稳定性分析

随着新能源机组大量并网,现代电力系统电压稳定问题日益突出,亟需有效的电压稳定分析方法。基于单调系统理论,对光伏并网的电力系统电压稳定性进行了分析。通过模块化求导方法,证明了电力系统暂态电势子系统的雅可比矩阵符号特性满足互联单调系统条件,进而基于互联单调系统小增益定理对电力系统暂态电势子系统进行稳定性分析,并采用增益函数雅可比矩阵谱半径作为系统平衡点渐近稳定性的判据。借助特殊矩阵论,量化分析了部分电网参数对增益函数雅可比矩阵谱半径的影响,以此作为变流器控制参数设置的理论依据。在10机39节点系统中对上述结论进行了验证。仿真算例结果表明运行在单位功率因数下的跟网型变流器会增加谱半径对同步发电机参数的灵敏度,并导致系统鲁棒性变差;构网型变流器的无功功率-电压下垂系数的增加和出口电抗的减小能够增强系统的电压稳定性。     

基于串联电阻估计的光伏阵列热斑故障诊断方法

光伏面板由于部分遮阴或者光照不均匀所带来的热斑故障,可能导致整个光伏面板的输出功率降低,严重时可能造成光伏面板的烧毁。首先针对单个光伏电池推导出其数学模型,继而推广到采用SP结构的光伏阵列;接着对热斑故障的机理进行了分析,并分析了旁路二极管对于光伏面板的保护作用;通过将传统的电压、电流定位法、时间跟踪描述和光伏电池参数估计模型相结合,给出一种故障诊断方法,从而判断热斑故障发生的位置和严重程度;最后,通过对光伏阵列进行仿真建模,分析热斑故障对光伏阵列输出特性的影响,验证了所提故障诊断方法的可行性。     

基于联邦学习的含不平衡样本数据电力变压器故障诊断

基于海量样本数据的深度神经网络可以显著提升电力变压器的故障诊断效果,但实际环境中各变压器本地数据被“数据孤岛”隔离,难以进行集中式深度训练。联邦学习可以实现多源数据的共同建模,但各变压器的非独立同分布不平衡数据会使算法性能严重下降。针对上述问题,提出一种基于联邦学习的含不平衡样本数据电力变压器故障诊断机制。与传统深度学习集中训练方式不同,文中采用多个参与者分布训练方式。每个参与者采用LeNet-5深度神经网络进行本地训练,中央服务器将本地模型进行聚合,同时引入改进的数据共享策略对云端共享数据进行选择性下发,以降低非独立同分布数据的不平衡性。实验结果证明,该机制实现了各变压器独立且不平衡数据的协同训练,对变压器故障类型的诊断精度可达到97%。