基于快速过采样主成分分析法的光伏阵列故障诊断

针对光伏阵列出现的组件阴影遮挡、短路与断路等故障,提出一种基于快速过采样主成分分析(over-sampling principal component analysis,OS-PCA)算法的光伏阵列故障诊断方法,实现故障检测与故障识别。通过检测各组串电流信号,利用快速OS-PCA算法计算各组串异常度,从而检测出故障串;通过误差补偿对光伏阵列工程模型进行优化,并通过分析故障时阵列工作点状态来识别故障类型。实验表明,该故障诊断方法可有效诊断出多变环境下组件阴影遮挡、短路、断路等故障,此外该方法在计算量以及内存占用上具有较强优势,适用于大型光伏电站的实时监控。     

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。     

基于布谷鸟算法的光伏组件故障诊断模型优化

光伏组件是光伏发电系统中重要的组成部分。为了分析光伏组件在运行过程中出现的故障情况,建立布谷鸟搜索算法优化反向传播(BP)神经网络光伏组件故障诊断模型,并使用布谷鸟搜索算法寻找BP神经网络中的阈值和权值,降低网络对初始值的敏感度,避免网络陷入局部最小,实现模型分类效果的优化。对比结果显示,该模型能够准确有效地识别光伏组件的故障类型。相对于其他算法,优化的故障诊断模型具有更高的精确度,证明了该模型的有效性和可行性。     

基于人工蜂群算法优化RBF神经网络的光伏组件故障 诊断定位方法

随着光伏装机容量的迅速增长以及国家光伏补贴的逐步取消,针对提高光伏发电效率与收益的研究具有重要意义。首先,为精确定位光伏故障以降低运维成本,提出以组串支路电流与组件温度为故障定位特征量。其次,为提高光伏故障诊断效率,利用人工蜂群算法(artificial bee colony,ABC)优化RBF神经网络的中心、函数宽度及权值,提出将其应用于光伏组件故障诊断定位研究。最后,根据盐城市响水县1.5MW光伏电站数据,经Matlab仿真研究并与传统RBF神经网络相比较,结果验证了所提理论的准确性。     

一种基于卷积神经网络和长短期记忆网络的光伏系统故障辨识方法

随着光伏发电装机容量的不断上升,如何及时检测并解决光伏组件故障和异常,减少组件能量损失,提高光伏系统的发电效率成为一项重要任务.本文通过研究光伏阵列处于不同故障状态下的I-V曲线之间的特征差异性,直接以I-V曲线作为故障诊断的输入量,提出一种融合卷积神经网络(CNN)与长短期记忆(LSTM)网络的光伏系统故障辨识方法....     

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KELM的光伏组件故障诊断方法

提出了一种基于核极限学习机(KELM)的光伏组件故障诊断方法。分析了各类型光伏组件故障与光伏组件等效电路模型参数的关系。将光伏组件模型参数和参数辨识的最优均方根误差(RMSE)引入作为诊断局部固有阴影的特征变量,并对KELM故障模型输入特征向量作了整合优化。通过搭建的仿真模型和实例分析证实,与直接将等效电路模型参数作为神经网络输入的方法相比,所提方法可以更快速、精确地识别出短路、老化及阴影故障。     

基于DSP的整流管组件故障诊断技术研究

为了提高航空发电机整流管组件故障诊断系统的效果和可靠性,本文采用DSP芯片和神经网络方法设计了一个故障检测系统,可实现对发电机整流管组件整流管正常工作、单管断路和双管断路故障等三类模式的诊断。通过对实际航空发电机的数据进行分析,结果表明,对给定的数据,系统诊断正确率可达100%。     

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...     

基于半监督学习标签传播-极端随机树算法的光伏阵列故障诊断及定位

对光伏阵列故障进行精确诊断和定位有助于提升光伏发电系统的可靠性。针对现有的诊断方法过度依赖大量有标签样本，难以同时兼顾故障类型诊断、故障定位及低成本等问题，将多传感器法与半监督学习算法相结合，构建了一种融合标签传播算法(label propagation,LP)和极端随机树(extra-trees,ET)的半监督学习算法LP-ET。为克服工程实际故障样本较少且往往缺失故障标签的问题，搭建了光伏阵列故障仿真模型获取样本，引入LP算法，基于少量含故障类型及定位信息的有标签故障样本，实现原始故障样本集全标注；继而引入ET模型，持续构建大量决策树形成极端随机树，采用多数投票机制(Bagging)获得故障类型及定位结果。实验结果表明，所提出的LP-ET模型可以在含有大比例未标注样本数据集情况下实现短路、断路、退化及遮阴故障的较高精度诊断，兼顾单组件及多组件故障，有效解决光伏阵列故障诊断及定位问题。     

基于参数辨识的光伏组件故障诊断模型

为了对光伏组件运行状况进行准确判断,提出了一种基于参数辨识的组件故障诊断模型。分析了任意工况下的光伏组件输出特性曲线,借助于改进人工鱼群算法对数学模型中各参数进行了辨识。通过分析各模型参数随光照和温度的变化关系来获取多组工况下的模型参数值,结合光伏组件各种故障数据建立了以光生电流、二极管反向饱和电流、二极管理想品质因素和等效串并联电阻为输入层向量,以组件正常、组件短路、等效串联电阻异常老化和等效并联电阻异常老化为输出层向量的径向基函数(radical basis function,RBF)神经网络故障诊断仿真模型,仿真结果验证了上述光伏组件故障规律的正确性。搭建了基于可编程电子负载的光伏组件户外实验平台,进行了组件故障诊断的实验研究,实验结果验证了所提方法的有效性和准确性。     

基于数据融合的光伏组件故障诊断

对不同故障下光伏组件内部等效参数和外特性电气参数进行特征提取,分别采用改进人工鱼群算法优化径向基函数神经网络(improved artificial fish swarm algorithm-radical basic function neural network,IAFSA-RBFNN)算法和相关向量机(relevance vector machine,RVM)算法,建立了基于内部等效参数和外特性电气参数的4种光伏组件故障诊断模型,用于光伏组件的初步故障诊断。在此基础上,提出了一种基于改进证据相似度的光伏组件数据融合故障诊断模型,将上述4种模型的诊断结果作为该改进数据融合算法的基本概率分配(basic probability assignment,BPA)函数值,在决策层进行融合诊断输出,仿真和实验结果验证了上述方法可有效提高故障诊断的精度。     

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。     

基于改进RBF神经网络的光伏组件故障诊断

由于光伏组件的输出特性受多种因素混合影响,对光伏组件的故障检测是一个严峻的考验.为了保证故障诊断的实时性和精确性,采用多传感器法提取短路和开路故障特征,利用电压扫描法获取不均匀光照引起的热击穿和电击穿故障的判断依据,以故障特征为判据,给出一种基于K均值聚类算法的改进RBF神经网络的光伏组件故障诊断方法,在Matlab平...     

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。     

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。     

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。