基于1D-CNN+GRU的光伏阵列故障诊断方法研究 |
| |
引用本文: | 陈伟,陈克松,纪青春,裴婷婷,王忠飞,何峰.基于1D-CNN+GRU的光伏阵列故障诊断方法研究[J].自动化仪表,2022(6):13-17. |
| |
作者姓名: | 陈伟 陈克松 纪青春 裴婷婷 王忠飞 何峰 |
| |
作者单位: | 1. 兰州理工大学电气工程与信息工程学院;2. 国网甘肃省兰州供电公司 |
| |
基金项目: | 国家自然科学基金资助项目(51767017); |
| |
摘 要: | 传统神经网络模型无法有效提取信号时序特征。为充分利用光伏阵列信号的时序相关性特征、增强神经网络模型对数据的挖掘能力、更好地提升卷积神经网络(CNN)分类精度,把CNN和门控循环单元(GRU)相结合,提出了新的光伏阵列故障诊断方法。首先,利用CNN对数据进行标签处理。然后,将提取的标签作为GRU的输入,进一步提取时空特征。为加强该方法分类优势,添加了自适应批量归一化(AdaBN)函数。试验结果表明,该方法较传统神经网络分类方法更具优越性,提高了光伏阵列故障分类的准确率。最后,通过增加噪声模拟现场环境,验证了结果的正确性。
|
关 键 词: | 光伏阵列 故障诊断 卷积神经网络 循环神经网络 时序特征 |
|
|