光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

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。     

基于门控循环神经网络的光伏阵列故障识别与定位研究

光伏电站大多地处恶劣环境,易出现多种类型故障,目前光伏阵列故障的精确识别与定位存在较大困难。为此,提出一种基于门控循环（GRU）神经网络的光伏阵列故障识别与定位策略。首先搭建了光伏电站仿真模型,采用扰动观测法实现光伏组件的最大功率跟踪;通过开展不同类型光伏阵列故障模拟试验,分析确定故障特征参数;然后采集不同故障的样本集,建立基于GRU神经网络的故障诊断模型;最后分别通过仿真模型与光伏实验平台与BP神经网络模型进行对比验证。验证结果表明,GRU神经网络故障诊断模型能够更加准确地识别与定位光伏阵列故障,可用于指导光伏电站日常维护,提高电站的经济效益。     

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。     

基于小波特征的ART神经网络光伏故障诊断

光伏系统多采用串并联(SP)连接,某一组件发生故障对整个光伏系统都将产生较大影响。如某一组件断路,则组串电流为零,整个组串功率丢失。及时发现故障并判断光伏故障类型,对光伏系统平稳运行、提升光伏发电效能具有重要作用。此处基于改进自适应共振理论(ART)神经网络,通过模拟不同组件故障,提取不同故障类型下的特征参数,进而使用ART神经网络进行训练,获得光伏阵列故障诊断模型。试验表明所提光伏故障诊断方法能够较为精准地判别短路、断路、阴影遮挡、老化等故障。     

基于自适应神经网络的光伏发电系统并网控制策略

针对传统并网光伏发电系统在电网故障条件下穿越控制策略的不足,提出一种基于自适应模糊神经网络的光伏发电系统并网控制方法。该方法在电网电压突变和跌落情况下能够快速地调整光伏发电系统的工作模式,以适应光伏阵列最大输出功率和并网逆变器额定容量以及最大输出电流限制,具有稳定性强、跟踪速度快等优点。给出了控制策略总体架构,阐述了电网故障控制器运行模式切换策略,建立了自适应模糊神经网络算法的数学模型。在Matlab/Simulink软件平台下搭建了仿真模型,验证了控制策略的有效性。     

基于CatBoost算法的光伏阵列故障诊断方法

针对基于传统机器学习算法的光伏阵列故障诊断方法需要大量训练集的问题，提出了基于CatBoost算法的故障诊断方法，实现小规模训练集下不同程度故障的准确诊断。建立了光伏组件等效电路模型，考虑短路、开路、老化、局部阴影下不同程度的光伏阵列故障，分析包含旁路二极管和阻塞二极管的光伏阵列的伏安特性曲线变化特性，构建反映不同故障特性的特征量，作为光伏阵列故障诊断方法的输入向量。使用CatBoost算法对小规模训练集进行训练，建立基于CatBoost算法的故障诊断模型。为验证所提方法的效果，分别进行了仿真和实验分析。将所提方法与传统神经网络算法、其他决策树算法进行对比，验证了所提方法在小规模训练集下的准确性与稳定性。     

基于BP神经网络的光伏组件在线故障诊断

为了提高光伏系统的发电效率,同时降低人工维护的成本,提出了一种基于 BP(back propagation)神经网络的光伏组件在线故障诊断策略;分析了光伏组件短路和异常老化故障的成因,并在 Matlab 中对光伏组件故障状态下的输出特性进行了仿真研究。根据仿真结果并结合光伏组件的数学模型,总结了光伏组件的故障规律,建立了BP神经网络故障诊断模型及模拟光伏组件各种故障的仿真模型。用该模型采集了适合神经网络训练的样本,并对神经网络诊断模型进行了训练。结合光伏功率优化器,进行了组件在线故障诊断的仿真和实验研究,结果验证了文中方法的正确性、有效性和环境适应性。     

基于半监督机器学习法的光伏阵列故障诊断

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BP神经网络的光伏组件在线故障诊断

为了提高光伏系统的发电效率,同时降低人工维护的成本,提出了一种基于BP(back propagation)神经网络的光伏组件在线故障诊断策略;分析了光伏组件短路和异常老化故障的成因,并在Matlab中对光伏组件故障状态下的输出特性进行了仿真研究。根据仿真结果并结合光伏组件的数学模型,总结了光伏组件的故障规律,建立了BP神经网络故障诊断模型及模拟光伏组件各种故障的仿真模型。用该模型采集了适合神经网络训练的样本,并对神经网络诊断模型进行了训练。结合光伏功率优化器,进行了组件在线故障诊断的仿真和实验研究,结果验证了文中方法的正确性、有效性和环境适应性。     

基于卷积神经网络的光伏阵列污染报警系统

针对依靠人工检查光伏阵列是否需要清洗的效率低,机器人定期清洗又会造成资源浪费的问题,文章提出一种基于卷积神经网络(Convolution Neural Network,CNN)的光伏阵列污染报警系统。该系统通过采集受污染和未受污染的光伏阵列图像作为训练集训练CNN神经网络,将训练好的模型嵌入网站后端,再定期采集光伏阵列图像,通过CNN神经网络模型识别是否受到污染,当光伏阵列受到污染时由前端显示报警信息。实验结果表明:该系统识别精度达97.6%,系统工作稳定,具有较强的实用价值。     

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...     

基于电压扫描的光伏阵列故障诊断策略

分析了光伏阵列的故障点及其成因,将各种故障总结为不同性质的阴影问题,建立阴影下光伏阵列输出数学模型。利用Matlab对光伏阵列在阴影情况下的输出特性进行了仿真,总结了光伏阵列在故障状态下故障电池板的电压电流输出特性。在此基础上提出一种输出电压电流扫描,对阵列中电池板电压异常进行判断的故障诊断策略。搭建实验平台对提出的故障诊断策略进行了实验,结果验证了所提方法的正确性。最后提出了多层次的光伏阵列故障诊断方法。     

基于LIBSVM识别并网PV系统阻抗的输电线电流保护自适应策略研究

为解决并入配电网的光伏系统功率波动性导致输电线电流保护拒/误动问题,提出一种基于LIBSVM 的PV并网系统输电线电流保护自适应策略。基于Matlab/Simulink仿真平台搭建了结合低电压穿越控制策略模型的并网光伏系统动态仿真模型。在不同故障位置与故障类型情况下,针对正常运行时光伏功率的波动输出,仿真分析了光伏系统与低电压穿越控制策略协调下的故障特性及对配电网输电线电流保护产生的影响。在此基础上提出了一种基于支持向量机(SVM)识别PV并网系统不同输出功率时等效阻抗的方法,制定了输电线电流自适应保护判据,依据光伏系统输出功率和运行方式变化动态调整整定值。仿真验证表明:所提出的自适应保护策略避免了保护拒/误动,提高了保护装置性能。     

基于神经网络的异步电动机信息融合故障诊断系统

针对传统异步电动机故障诊断方法中存在的局限性,在对异步电动机故障诊断的特点和要求基础上,提出了一种基于神经网络的信息融合故障诊断方法.对所采集异步电动机的电压、电流、绕组温度等进行数据预处理与特征提取、归一化后,把这些特征参数作为神经网络的输入,经过学习训练,以判断系统状态,识别系统的故障.仿真实验结果表明其故障诊断是可行和有效的.     

小型光伏系统故障诊断方法研究

提出一种小型光伏系统故障诊断方法,利用自行研制的数据采集系统实时采集光伏系统的数据,通过阵列捕获损耗、系统损耗的理论值和实测值的偏差及各路分支的电流比,电压比与其相应参考阈值的对比,实现交直流两侧故障类型的判定和定位,并选取了开路和阴影遮挡2种故障对该方法进行了实验验证。实验结果表明:提出的故障诊断方法能根据系统出现的异常数据,快速地判定系统的故障类型及位置,及时做出报警,具有较高的准确性和可靠性。     

基于自适应滑窗的开关磁阻电机调速系统故障诊断

针对开关磁阻电机调速系统(SRD)中功率变换器单管短路故障和传感器噪声故障,提出将k-邻近算法(kNN)和极限学习机(ELM)相结合的自适应滑窗故障诊断方法。通过对故障进行分析,采集三相定子电流作为原始数据,将快速傅里叶变换和ReliefF算法用于特征提取与选择,形成kNN算法与ELM算法相结合的多窗口自适应故障诊断机制。通过离线与在线仿真实验,证明了该方法诊断速度快,精度高。     

GA-BP神经网络在光伏阵列故障检测中的应用研究

BP神经网络在进行光伏阵列故障检测时,故障诊断性能易受局部极值影响,且收敛速度过慢.针对这一问题,利用遗传算法(GA)的全局搜索能力,找到BP神经网络初始权值阈值的最优解,可以有效克服BP神经网络上述缺陷,并高效完成对光伏阵列的故障诊断.对比光伏阵列正常状态与不同故障状态下的输出特性,选定电压电流作为输入,故障状态为输出,建立GA-BP故障诊断模型,将经过遗传算法优化后的BP神经网络与经典的BP神经网络相比较,通过仿真验证,GA-BP神经网络不仅可以更快速地进行故障诊断,还提高了故障诊断的准确率.     

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。