一种新型光伏阵列多传感器故障检测定位方法

多传感器法用于光伏阵列故障检测中,有利于降低光伏电站成本,提高工作效率。针对大规模光伏阵列,提出了一种全局分块逐步逼近法来实现光伏组件故障检测和定位。对M×N光伏阵列模块化处理分成B×C区域,并进行编号;在对光伏阵列模块化处理的基础上,统计分析各阵列块的电压数据,求出每块平均值,并与区域内各数据进行相对误差(故障权因子)计算,通过评价电压波动来判断光伏组件是否存在故障。基于Matlab实现了全局分块逐步逼近的算法,对100×100的大矩阵进行仿真实验,仿真结果表明,故障准确率随着故障权因子的增大而减小,同时也会随着区域维度的增加而降低。     

基于BP神经网络的光伏故障电弧检测方法研究

采用光伏系统电弧检测平台采集并分析电弧的数据,从实验和数学模型所得数据研究故障电弧时域和频域特征。根据特征提出基于快速傅里叶变换(FFT)和BP神经网络相结合的电弧检测方法:采集电弧数据进行快速傅里叶变换,取特定频率范围幅值输入神经网络进行判断。     

基于主成分分析法的BP神经网络在气敏传感器阵列检测方法中的应用

模式识别方法在变压器的油色谱数据处理中起着至关重要的作用。采用主成分分析法与BP神经网络相结合的方式对传感器检测的油中气体进行处理,解决了传统的BP神经网络模式识别收敛速度慢且精度不高的问题。之后将基本的BP神经网络分析法与BP神经网络主成分分析法作了对比。结果表明,该方法能有效解决气体传感器的交叉敏感问题,提高了网络的训练速度和气体的检测精度。     

改进的光伏阵列直流绝缘检测方法

基于常见的直流绝缘检测方法设计出3种针对光伏阵列的直流绝缘检测的改进方法,分别为改进的平衡电桥法、改进的直流法和改进的低频探测法;详细分析了每种方法的原理,并给出直流绝缘检测电路图;通过实验验证了3种电路的有效性和实用性。     

传感器故障检测的Powell神经网络方法

大型热力控制系统必须能够检测传感器故障,并采取相应的措施,保证控制过程的顺利进行,提出了一种基于Powell神经网络的故障检测新方法,为系统中每一个传感器构造一个神经网络观测器,首先离线训练神经网络观测器,然后进行故障检测并同时在线训练,利用神经网络估计输出代替故障传感器输出,保证系统的稳定,神经网络的训练采用Powell方法,该训练方法的收敛速度快,过程稳定,本方法具有在线学习,诊断多个传感器故障等优点,锅炉的实际试验结果表明,此方法行之有效。     

基于BP神经网络的冲压机振动故障检测

随着工业化进程的加快,冲压机已经广泛应用于工业制造中。对冲压机进行振动故障检测,有利于保障工业制造生产的质量和效率。本次研究冲压机的振动故障检测时,在BP神经网络算法的基础上进行冲压机振动故障智能检测系统的设计。通过研究冲压机的典型振动故障在时域、频域上的特点,以及BP神经网络算法模型,设计了冲压机振动故障智能检测系统,包括冲压机振动故障检测的BP神经网络设计和系统软件设计。在此基础上,以存在故障的冲压机为例,对其进行了故障检测和分析,得到相应测试点的时域变化以及功率谱变化。研究结果表明,冲压机存在两个故障频率,分别为23.81和20.5 Hz,并且该冲压机存在较为严重的磨损。此次研究验证了基于BP神经网络的冲压机振动故障智能检测系统的有效性和合理性,希望能为冲压机振动故障检测的研究提供一定的参考和借鉴。     

基于传感器最优布置的光伏阵列阴影诊断与定位

基于太阳电池典型数学模型,分析光伏阵列中某块太阳电池被阴影遮蔽时,阵列所有太阳电池输出电压和电流的变化情况,并由此提出一种通过单刀多掷模拟开关与电压传感器配合使用的光伏阵列阴影定位法。该方法不仅可避免带电测量线路的交叉,而且能通过增加布线复杂度从而成倍地减少电压传感器的数量。根据PSCAD仿真得到的数据,利用BP神经网络对该方法的可行性进行验证,结果表明该方法可准确进行故障定位。     

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BP神经网络的电控汽油机传感器故障调节技术研究

应用人工智能神经网络,提出了一套针对电控汽油机主要传感器的故障调节策略。故障调节模块根据处于正常工作状态的传感器信号输入,针对故障传感器信号进行估计输出,控制发动机继续运转。最后,通过台架试验采集的信号,对故障调节神经网络进行了训练和验证。结果显示,大部分工况下进气压力传感器和节气门位置传感器的信号重构误差可控制在10％以内,表明了所提出的调节策略是切实有效的。     

基于改进多种群遗传算法的光伏阵列多峰值MPPT研究

光伏阵列在实际工作条件下因灰尘、受照不均匀等影响而功率输出呈现多峰特性,传统的最大功率点跟踪（maximum power point tracking,MPPT）算法不能实现全局寻优,无法精确跟踪到最大功率点。遗传算法可以有效解决多峰寻优问题,但一般遗传算法在跟踪过程中会出现早熟、准确率较低等问题,为此,提出一种多种群遗传算法（multiple population genetic algorithm,MPGA）与扰动法相结合的算法来解决此类问题。在光伏电池拓扑模型中,采用优化双二极管代替单二极管模型,并在Matlab/Simulink下进行建模仿真。结果表明：该算法可以准确快速高效地找到局部阴影条件下光伏阵列的最大功率点。     

基于BP神经网络的电控汽油机传感器故障在线诊断技术研究

应用人工智能神经网络和推理法则,提出了一套针对电控汽油机传感器的在线故障诊断策略。以传感器采样值作为神经网络的输入,故障代码作为输出,对电控汽油机进行在线故障诊断。通过台架试验对神经网络进行了训练和验证,结果表明,提出的诊断策略对节气门位置传感器和进气压力传感器短路、断路和值不变故障诊断率达到98％,对未标定故障的诊断率也达到85％。研究表明该诊断策略是可行的。     

基于光敏二极管传感器三维阵列的光伏跟踪误差检测研究

光伏跟踪系统可提高光伏发电系统的发电效率,但由于光伏跟踪系统的运行机构及运动控制算法等存在不稳定性,常会导致其运行效果不理想,跟踪精度难以保障。为实现光伏跟踪系统跟踪误差的现场检测,设计了一种基于光敏二极管传感器三维阵列的光伏跟踪误差检测装置,该装置主要包括1个由多个光敏二极管传感器以三维阵列规则镶嵌构造的圆球体和主控制系统等;并设计了基于激光水平仪的传感器标定方案,实现传感器初始值偏差校正,提升检测装置一致性,实现对单轴或双轴光伏跟踪系统跟踪误差的自动检测。经设备试制及测试验证,结果表明：该检测装置可满足光伏跟踪系统跟踪误差检测精度需求,能够准确在线检测单轴、双轴光伏跟踪系统在不同情况下的跟踪误差。     

基于红外热图像处理的光伏阵列热斑检测方法

利用红外热图像来检测热斑时,由于红外热图像具有较大的随机噪声和非均匀性干扰,传统的图像处理方法效果不佳。该文提出一种基于灰度直方图的B样条最小二乘拟合的处理方法,能够抑制红外图像噪声,提高检测热斑的准确率。实验结果表明该方法对处理含有大量噪声的光伏阵列的红外图像较有意义,从而高效便捷地检测出热斑故障。     

光伏阵列故障检测中的无人机红外图像拼接

红外遥感图像可用来检测光伏组件的异常发热,为获得大视野的地面信息需要图像拼接技术,该文提出一种基于快速鲁棒特征检测(speeded-up robust features,SURF)算子的红外光伏图像自动拼接算法。基于K-d树(Kdimension tree)算法的匹配结果,结合匹配对的坐标信息提出一种优化算法,减少了随机抽样一致(random sample consensus,RANSAC)算法的迭代次数,并采用最佳缝合线算法进行图像融合;然后优化平移变换模型、修正旋转序列的角度,基于待拼接图像和模板之间的重叠区域自动修正拼接参数。实现从图像序列到全景图的全自动拼接流程。试验表明,该方法使RANSAC算法的迭代次数平均减少93.26%,处理时间平均减少86.21%。在没有无人机位置和飞行方向的少参数条件下,基本消除了光伏组件的几何相似性导致的误匹配和累计误差。     

基于SSTDR的光伏系统对地故障检测方法

针对光伏系统中的接地故障检测问题,提出一种基于扩展频谱时域反射法(spread spectrum time domain reflectometry,SSTDR)的接地故障检测方法。在分析高频信号下光伏系统等效模型的基础上,将光伏系统整体视为传输线终端阻抗,当发生接地故障时其阻抗值会产生变化,通过对SSTDR自相关值进行数值分析处理,并与无接地故障光伏系统的自相关值进行比较,实现光伏接地故障检测。相较于常规检测方法,该方法无需测量光伏系统的电压、电流、温度、辐照度等参数,可消除传统检测方法中的检测盲点,且具有较强的鲁棒性。实验验证了方法在不同光照强度、不同接地电阻、双点接地等故障情况下的可行性和有效性。     

基于BP神经网络的光伏发电短期出力预测

分析了影响光伏发电出力的主要因素,建立了基于BP神经网络的光伏发电短期出力预测模型。利用光伏电站的出力数据和气象数据对BP神经网络进行训练,根据光伏出力影响因素的分析,将不同日类型的日发电功率数据进行处理,将其映射为日类型指数作为神经网络训练、预测的输入。文章建立的预测模型可以对不同天气类型下一天各时段的出力进行预测,预测结果与实测值的比较结果表明,该模型有比较准确的预测能力和较强的适用性。     

基于BP神经网络光伏组件价格预测的研究

根据光伏组件的构成,将影响组件价格的因素分为技术因素和非技术因素,并采用网站数据采集法和专家咨询法确定各主要因素的分项价格,构建BP神经网络预测模型,在此基础上利用Matlab内置的Neural Net Fitting模块对组件价格进行预测,结果表明BP神经网络对组件价格预测的相关性较好,预测价格与实际价格偏差率为-2.62%～2.11%,预测结果可接受度为89.47%,预测精度满足实际需要,为光伏项目的顺利实施提供了辅助决策依据。     

基于改进灰狼优化算法的光伏阵列多峰MPPT研究

针对局部阴影条件下光伏阵列呈现出的非线性多峰值P-V输出特性,提出一种基于改进灰狼优化算法的最大功率点跟踪（MPPT）控制方法。该算法将传统灰狼优化算法中线性减小的收敛因子改进为按非线性规律变化,以改善算法的动态性能。结果表明：所提出的MPPT方法在局部阴影条件下能有效跟踪到光伏阵列的最大功率点,不仅具有较快的跟踪速度,且跟踪精度达到99.1%。     

基于遗传算法及BP神经网络的混合孤岛检测方法

文章提出一种基于遗传算法及BP神经网络的混合光伏孤岛检测方法,该方法通过遗传算法优化了BP神经网络的初始权值和阈值,有效改进了BP神经网络局部最优的缺点。通过对其检测机理和在Matlab/Simulink实验结果的分析,该方法检测盲区更小,不影响系统电能质量,检测速度更快,误判率低。在DSP中进行了该算法的软硬件实现,实验结果验证了这种方法的正确性和有效性。     

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。