基于XGBoost算法的光伏阵列故障诊断方法研究

针对光伏阵列故障频发,且无法及时有效在线对故障类型进行识别的问题,提出了一种基于极度梯度提升(XGBoost)算法对光伏阵列进行故障诊断的方法。首先,基于Matlab Simulink仿真技术,建立光伏阵列仿真模型,针对正常、开路、短路、老化、阴影遮挡5种光伏阵列运行状态进行仿真,获取500例有效数据;其次,分析仿真数据特征变量之间的共线性关系,提取有效的特征变量作为模型的特征变量输入;然后,基于特征变量构建XGBoost故障诊断模型,并根据10折交叉验证方法优化超参数;最后,依据模型性能度量指标对XGBoost故障诊断模型的诊断结果进行评价,并分析模型特征变量的重要性。研究结果表明：基于XGBoost算法的光伏阵列故障诊断方法能简单、高效、实时在线对样本数据进行故障诊断,可应用于光伏阵列典型故障类型的有效识别。该故障诊断方法可为光伏电站现场运维人员提供技术支持,未来将在大型光伏电站,使用更大范围的实时数据开展使用和验证工作。     

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。     

基于模糊综合评判的光伏阵列状态评估

为保证光伏阵列持续高效发电,该文提出基于模糊综合评判的光伏阵列状态评估方法。通过分析光伏阵列在各种运行状态下的电压、电流、功率的输出特点,选取功率比、电压比、电流比和填充因子作为状态评估模型的评估指标。考虑到水平辐照度S、环境温度T对指标的影响,通过曲线拟合,确定每一组S、T对应的指标取值范围,作为各个指标进行劣化度计算时的上下限。应用模糊综合评判对光伏阵列进行状态评估,确定每个状态的评估值,根据最大隶属度原则,取最大评估值相对应的状态作为评估结果。根据指标的劣化程度,可判断阵列状态的影响因素阵列经过算例分析,验证状态评估模型的合理性和正确性。     

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。     

一种基于BOA-SAE-EELM的光伏阵列故障诊断方法

光伏阵列非线性输出的特性以及最大功率点跟踪算法,会影响光伏阵列保护设备的工作.为了正确辨识光伏阵列的运行状态,本研究提出一种基于贝叶斯优化算法(BOA)、堆栈自动编码器(SAE)以及集成极限学习机(EELM)相结合的故障诊断方法.首先,将光伏阵列的时序波形进行标准化处理;接着,使用SAE对标准化后的时序波形进行特征自动...     

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MSET和模糊识别的凝汽器故障诊断

针对凝汽器的故障诊断问题,基于多元状态估计原理,采用模糊C均值聚类提取凝汽设备的运行状态矩阵,建立了设备的状态监测模型,以相似度指标衡量设备的运行状态,并以此作为参数模糊化的评判依据,获得凝汽器典型故障的专家知识库。在此基础上,根据模糊规则对设备的故障进行识别,提出了基于多元状态估计和模糊识别的故障诊断方法,并给出了该诊断方法的整体流程。以国内某600 MW机组凝汽器为例,采集实际运行数据进行建模与分析,结果表明:所提出的方法对设备参数的估计较为准确,具有一定的监测跟踪能力,并且能够及时准确地诊断设备故障,整体流程清晰直观,适合系统化应用。     

基于模糊c-均值-粗糙集-自适应模糊神经网络推理系统集成的故障诊断

考虑模糊聚类的数据离散功能，粗糙集理论对决策系统的约简能力，以及模糊神经网络在模式识别方面具有的优势，提出了模糊c-均值(FCM)—粗糙集—白适应模糊神经网络推理系统(ANFIS)集成进行故障诊断的方案：首先，应用FCM聚类方法离散故障诊断数据中的连续属性值；然后，基于粗糙集理论计算诊断决策系统的约简，按照实际需要确定诊断条件；最后，根据系统约简设计ANFIS进行故障诊断。4135柴油机的实际诊断结果验证了文中提出集成故障诊断方案的可行性。在数据充分的条件下，该方案可以推广应用于其它机械设备。     

基于高斯核函数的支持向量机光伏故障诊断研究

及时进行光伏阵列故障检测和故障诊断,对提高光伏电站收益、减少光伏系统运维成本具有较强的理论和应用价值。文章基于MATLAB/Simulink模块建立光伏阵列仿真模型,并应用该模型仿真光伏阵列的各类故障。通过提取各类故障特性并基于高斯核函数支持向量机算法,建立光伏阵列故障诊断模型。结果表明,在10 kW光伏电站的实际运行中,该模型可较为精准地判别出各类故障。     

基于级联随机森林的光伏故障诊断模型研究

针对环境气象监测数据与光伏电站的历史数据,提出一种基于级联随机森林的光伏组件在线故障诊断模型,从模型的特征变量分析、真实数据集的预处理、模型训练及使用3个方面进行详细描述,最后通过实验验证该方法的有效性和准确性,证明其对光伏电站智能在线故障诊断具有较好的使用价值.     

基于加权中智C均值算法的变压器故障诊断模型

为提高变压器故障诊断准确度,提出了一种基于加权中智C均值算法的变压器故障诊断方法。该方法利用基于样本相似度的加权方法对样本特征进行加权,再引入中智理论对样本的分布重新分配,建立起基于加权中智C均值算法的变压器故障诊断模型。研究结果表明,该方法不仅弥补了传统FCM相同权重分配的不足,有效提高了故障诊断的准确率,且诊断结果产生的中智点对故障的变化预测具有重要意义。     

基于聚焦式模糊聚类算法的数据挖掘故障诊断方法

针对现有的火电厂大型设备故障诊断精度较低的问题，提出一种基于聚焦式模糊聚类算法的数据挖掘故障诊断方法。它采用分段相关分析的方法在火电厂SCADA系统历史数据库查找故障征兆变量，然后利用聚焦式量化算法对故障征兆变量进行离散化，最后应用双向模糊聚类算法找出对应故障类型的关键数据。该方法避免了为诊断故障而附加的专门测试或试验，在降低费用的同时，减少了试验对设备造成的潜在威胁。故障诊断实例表明：其诊断精度在不同的月份介于91％～95％之间，可以满足现场应用的要求。参3     

基于燃烧过程分析及模糊诊断技术的柴油机故障诊断方法研究

利用先进的内燃机燃烧学和热力学模型,建立了基于模糊诊断技术的柴油机故障诊断方法,应用数理统计方法确定了柴油机工作过程参数隶属度函数,构造了模糊故障诊断矩阵,并应用计算机技术实现了对柴油机常见故障的模糊诊断,在柴油机故障诊断应用中取得了良好的效果。     

旋转机械诊断中的矢功率谱-模糊C均值聚类方法

结合矢功率谱和模糊C均值聚类算法,提出了一种新的旋转机械故障识别方法。该方法以矢功率谱为特征向量,以模糊C均值聚类算法为分类器,成功地应用到旋转机械故障诊断中。实验结果表明,该方法是有效的。     

模糊数学在凝汽器故障诊断中的应用研究

将模糊数学理论应用到凝汽器故障诊断系统中，建立了模糊识别系统，确定了这一系统的隶属函数，并且计算出了症侯群对各种故障的隶属度，然后按隶属度对故障进行了归类，较好地解决了一些不确定因素对凝汽器产生的影响这一问题，并以实例验证了该模型识别凝汽器故障的准确性。实践证明，该模型简单实用，能有效地识别凝汽器故障。     

基于专家系统的水轮机故障诊断研究

针对水轮机故障征兆与原因间的复杂关系,结合专家实际经验,采用模糊综合评判为推理方法,构建了故障诊断专家系统.应用实例表明,该系统推理准确性高、可信度好,并能满足水轮机故障诊断的有效性及实用性要求.     

基于互信息的自动聚类算法在故障诊断过程中的应用

随着热工建模过程中参数的增多,根据参数之间的相关性进行分块建模成为降低模型复杂度、提高模型监测效果的有效手段之一。因此提出了一种基于互信息的自动聚类、分块建模方法。首先,获取参数之间的互信息矩阵,在此基础之上以训练数据的平均平方预测误差最小为标准,使用谱聚类算法对参数进行自动聚类。然后,分别建立每个子块对应的主成分分析(Principle component analysis, PCA)模型,并将所有子块的建模结果通过贝叶斯理论进行融合来对多个子块模型进行统一监测。最后,采用基于最小角度回归(Least angle regressions, LARS)的故障诊断方法定位故障发生的方向和幅值。通过数学案例的验证和电厂高温再热器的实际应用,表明了所提方法在故障监测和诊断方面的有效性。     

基于模糊神经网络的机械故障诊断研究

将模糊分类和传统神经网络相结合,建立了模糊神经网络（ＦＮＮ）故障诊断模型,并将该模型应用于透平机械故障诊断,同时在模糊神经网络的输出中引入故障概率因子,分析表明ＦＮ怕性能优于传统ＢＰ网络。     

基于模糊神经网络的故障诊断方法的应用

针对大型机组的状态监测与故障诊断问题,为了克服单一故障诊断方法的局限性,对现有的大型设备故障诊断方法作了分析之后,提出一种基于区间值模糊神经网络的诊断方法。该方法根据设备故障诊断的不同阶段,利用基于规则库、区间值模糊集理论、模糊神经网络和模糊模式识别等方法。该方法在某炼油厂重催化机组故障诊断中得到了具体应用。