您好,欢迎进入科技论文网!

热门分类 / Popular classification

您所在的位置:主页 > 科技技术论文 > 光伏技术论文 >

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

时间:2022-07-15 08:59来源:未知 作者:mac 点击:
摘 要: 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 Propa
  
摘    要: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。
 
关键词:光伏阵列;故障诊断及定位;多传感器法;半监督学习;标签传播极端随机树算法;
 
Fault diagnosis and localization of photovoltaic arrays based on semi-supervised
learning Label Propagation-Extra Trees algorithm
XU Xianfeng LI Zhihan LIU Zhuangzhuang WANG Ke MA Zhixiong YAO Jingjie CAI Lulu
College of Electronics and Control Engineering, Chang'an University
 
Abstract:
Accurate diagnosis and localisation of faults in PV arrays can help to improve the reliability of PV power generation systems. In order to solve the problem that existing diagnostic methods rely too much on a large number of labeled samples and are difficult to take into account fault type diagnosis, fault location and low cost at the same time, the multi-sensor method is combined with a semi-supervised learning algorithm to build a semi-supervised learning algorithm (LP-ET) combining Label Propagation (LP) and Extra-Trees (ET).In order to overcome the less engineering fault samples and often lack the fault of the label problem,a PV array fault simulation model is built to obtain samples, and the LP algorithm is introduced to achieve full labelling of the original fault sample set based on a small number of labelled fault samples containing fault type and location information.Then, the ET model is introduced to continuously build a large number of decision trees to form an extreme random tree, and a majority voting mechanism is used (Bagging) to obtain the fault type and location results. Experimental results showthat theproposed LP-ET model can realize high precisiondiagnosis of short circuit, open circuit, degradation and shading faults in the case of a large proportion of unlabeledsample data sets, and can take single component and multi-component faults into consideration, and can effectively solve the problem of PV array fault diagnosis and location.
 
Keyword:
PV array; Fault diagnosis and location; Multi-sensor method; Semi-supervised learning; Label Propagation-Extra Trees algorithm;
 
0 引言
利用光伏发电系统实现太阳能的电能转换及利用是实现我国“双碳”战略的重要途径[1]。由光伏组件串并联而成的光伏阵列是光伏发电系统的核心和发电源头,对光伏发电系统的发电量起着决定性作用。然而,由于光伏阵列通常安装在海拔较高、地形复杂的偏远地区,复杂的环境和气候影响使得光伏阵列故障发生率相对较高且故障类型较多,如短路、断路、退化、遮阴等故障[2,3],造成输出功率下降或引发火灾等严重事故,准确高效的光伏阵列故障诊断及定位方法对于维持光伏发电系统的稳定、高效和可靠运行十分重要[4]。
 
近年来,国内外学者已研究了多种光伏阵列故障诊断及定位方法,文献[5-6]等传统方法可以对光伏阵列进行故障诊断和定位,但其能检测的故障类型少,并且环境因素、仪器的精度都对诊断结果有很大影响,诊断成本也很高。文献[7-8]等多传感器法通过在光伏阵列内铺设电压传感器等电气测量设备,得出电压、电流等实际电气输出参数,然后与通过理论数学模型计算出的理论输出值比对判断故障,这种方法能很好的检测光伏阵列故障并进行定位,但大多需要依靠预设参数建立数学模型进行理论模拟,模型建立困难,并且为保证准确性往往需要铺设较多传感器,大大增加了系统成本。随着人工智能的发展,以监督学习为主的智能检测法也逐渐应用于光伏阵列故障诊断之中,文献[9]基于随机森林(RF)对光伏组件的退化、遮阴、热斑等故障进行检测,文献[10]利用卷积神经网络(CNN)从光伏阵列数据生成的二维尺度图中提取特征,从而进行光伏阵列故障的检测和分类,上述方法虽然可以自主快速有效地识别出故障类型,模型的建立也比较简便,但大多着眼于故障类型的识别,难以兼顾故障点定位的需求,另外上述方法均为监督学习算法,过度依赖大量有标签样本而实际工程中往往难以获得充足的故障样本,更遑论样本的标签化。标签传播算法(Label Propagation,LP)是一种半监督学习算法,只需要运用少量的标签进行训练就可对未标注数据的标签进行预测,此算法逻辑简单,无需任何优化函数,运算量小,已逐渐运用于电网解列断面定位等问题中[11];在现有的大量机器学习模型中,极端随机树(Extra-Trees,ET)具有不易发生过拟合、抗噪能力强,具有较好的训练时间效率、数据拟合能力以及分类准确性等优点,已被逐渐运用于土壤水分异常检测等问题中[12]。虽然上述两种方法在其他领域已经有了研究先例,但尚未发现有研究将LP和ET单独或科学组合有效应用于光伏阵列故障诊断及定位。
 
为了综合利用多传感器法检测准确度高且易于故障定位以及智能检测算法不依赖于数学理论模型即可自主快速准确进行故障诊断且成本低的优势,同时为适应实际工程中难以获取大量有标签故障数据样本的现实问题,本文将标签传播算法具备的含未标注样本问题的故障诊断能力以及极端随机树强大的数据拟合能力和分类准确性相结合,在深入分析标签传播算法及极端随机树算法的基础上,创新性地提出了一种融合标签传播算法和极端随机树的半监督学习算法LP-ET。首先基于Matlab/Simulink平台搭建光伏阵列仿真模型,通过对光伏阵列进行短路、断路、退化及遮阴等故障模拟获取数据样本;LP算法利用故障数据样本间的关系建立完全图模型进行标签传播,对未标注的故
 
障样本进行故障类型初步诊断及定位;然后利用初步的诊断及定位结果对原始未标注的故障样本进行类型标注,实现故障样本全标注;将全标注后的故障样本集输入ET模型,利用网络搜索法(CV)和K折交叉验证法相结合的方法K-CV对模型进行参数寻优后,ET通过建立大量决策树形成极端随机树,每棵决策树都根据数据特征采用递归方式迭代分裂归纳形成分类结果,最后采用多数投票机制(Bagging)将所有结果集成,输出最终的光伏阵列故障诊断及定位结果。对LP-ET算法的性能进行评估,结果表明,本文所提出的LP-ET模型对光伏阵列的短路、断路、退化及遮阴等故障均能进行较为准确地诊断及定位,其故障诊断及定位能力不仅优于LP和ET基础模型,也优于RF、CNN等经典模型,并且不仅可以解决单组件故障也可解决多组件故障,表现出良好的诊断性能。
 
1 LP-ET半监督学习算法
1.1 LP-ET模型
所提出的LP-ET光伏阵列故障诊断模型如图1所示,主要包括标签传播模块和极端随机树模块。
 
基于LP-ET的光伏阵列故障诊断及定位算法的具体流程如下:
 
1)把采集到的光伏阵列故障数据T={(x1,y1),(x2,y2),...,(xn,yn)}经过归一化处理。然后把经过数据处理后的数据集划分为训练数据集T1和测试数据集T2,输入LP-ET模型。
 
2)把训练数据集T1划分为已标注数据集Tlable1和未标注数据集Tunlable1。
 
3)进行LP-ET模型的参数设置,包括标签传播模块的核函数、超参数α等,极端随机树模块的迭代次数、最大特征数、决策树最大深度、内部节点再划分所需最小的样本数、叶子节点最少样本数、最大叶子节点数等。
 
4)利用已标注的训练数据集Tlable1和未标注的训练数据集Tunlable1进行标签传播算法模块的训练学习。
 
5)标签传播算法模块利用样本间关系建立完全图模型进行标签传播,对未标注训练数据集Tunlable1进行故障诊断及定位并输出结果,使得未标注训练数据集变为有标注训练数据集Tunlable−lable1。
 
6)将已标注的训练数据集Tlable1和经标签传播模块输出的有标注训练数据集Tunlable−lable1集成,形成新的全标注训练数据集T′lable1。
 
7)利用新的全标注训练数据集T′lable1和最终确定的模型参数进行极端随机树的训练,通过建立
 
大量的决策树形成最终的极端随机树。
 
8)将测试数据集T2输入训练和学习后的极端随机树模型,极端随机树的每棵决策树都输出一个故障诊断及定位结果,然后采用Bagging方法将各个决策树的结果集成进行分类判别,最终将光伏阵列故障诊断及定位结果输出。
 
基于LP-ET故障诊断及定位流程如图2所示。
 
1.2 标签传播算法模块
标签传播算法模块的作用是使用少量有标注的光伏阵列故障样本进行初步的故障诊断及定位,利用其初步诊断及定位结果对原始含标注信息的故障样本集进行全标注。标签传播算法可以利用样
 
本间关系建立完全图模型然后进行标签传播,每个节点标签按照相似度传播至相邻节点,相似度越大表示相影响权值越大,则两节点的标签越接近一致。对于获得的光伏阵列故障数据样本,假设(x1,y1),(x2,y2),...,(xl,yl)为已标记数据,类别数C已知,定义一个l×C的有标签矩阵Yl,若xi的标签为yj,则第i行第j列的数据为1,此行中其他数据为0;(xl+1,yl+1),(xl+2,yl+2),...,(xl+m,yl+m)为未标记数据,定义一个m×C的无标签矩阵Ym;定义F=[Yl;Ym]为标签概率分布矩阵,基于标签传播算法的光伏阵列故障诊断及定位具体实现过程如下:
 
1)令每个光伏阵列故障样本点均为一个节点,计算两点xi与xj间的边权重为
 
wij=exp(−∥xi−xj∥2α2)(1)
 
其中α代表超参数。边权重wij显示了数据间的相似性,wij越大表示两个节点数据越相似,也更容易影响到相邻节点。
 
2)定义(l+m)×(l+m)维的概率转移矩阵P,根据wij计算节点xj的标签传播至节点xi的概率Pij。
 
Pij=wij∑l+mk=1wik(2)
 
3)通过传播概率更新概率分布F。
 
F=PF(3)
 
4)把已标注数据的概率分布重置。
 
Fl=Yl(4)
 
5)重复步骤3)4),当F不再发生变化时为未标注数据赋予F中概率最大的标签,实现光伏阵列故障诊断及定位。
 
1.3 极端随机树模块
极端随机树模块用于最终的故障诊断及定位,将由经过标签传播算法全标注后的故障数据集输入极端随机树,经过极端随机树的特征分析及处理后进行分类判别,最终将故障诊断及定位结果输出。极端随机树[13]是决策树的一种改进,通过集成多棵决策树,采用多数投票机制(Bagging),集成所有决策树的分类结果进行最终决策,用于光伏阵列故障诊断及定位的极端随机树的构造步骤如下:
 
1)给定原始光伏阵列故障数据样本集T,其样本数量为A,特征数量为B,将原始光伏阵列故障训练数据样本T作为每个基分类器的训练数据。
 
2)根据 CART 决策树算法生成基分类器。对于每个节点,从B个特征中随机选取b个特征,并利用基尼系数(Gini index,Gini)选出最优特征对节点进行分裂。对分裂产生的数据子集迭代执行步骤2),直至生成一颗决策树。Gini指数的公式为
 
Gini(p=∑n=1Npn(1−pn))=1−∑i=1npn2(5)
 
式中pn表示选中的样本属于n类别的概率。
 
3)重复步骤1)2),反复建立大量的决策树,构成极端随机树。针对输入的光伏阵列故障样本集,每个决策树都会有一个分类结果,采用Bagging方法将各个决策树的分类结果集成,输出极端随机树的最终决策,即为最终的光伏阵列故障诊断及定位结果y,如式(6)所示。
 
y=argmaxi=1,2,...,n∑m=1Mλ(ym=i)(6)
 
式中:ym=i指第m棵决策树的故障分类输出结果为i;λ(∗)是满足括号中表达式的个数;n是光伏阵列故障类别总数量。
 
2 实验验证
2.1 故障诊断及定位特征参量的确定
本文采用了一种改进的传感器布置方法[15],根据光伏阵列串联支路数目的奇偶性,将光伏阵列划分为不同的子阵列模块。在不过多影响诊断及定位精度的前提下,相比传统传感器布置方法[16]大大减少了传感器的使用数量。
 
对于一个m×n的光伏阵列,其中m代表每个串联支路中的组件个数,n代表串联支路数量。当n为偶数时,可以将其分成n2个由m×2的光伏阵列组成的子阵列模块,偶数列电压传感器布置方法如图3所示。当n为奇数时,可以将光伏阵列划分为一个m×3的子阵列模块与n−32个由m×2阵列组成的子阵列模块,奇数列电压传感器布置方法如图4所示。
 
基于上述传感器布置方案,分析故障组件的电压特性,以确定光伏阵列故障诊断及定位的特征参量。对于一个m×n的光伏阵列,定义位于第a串的第r行中的光伏组件的位置坐标为(r,a),定义位于第b串的第r′行中的光伏组件的位置坐标为(r′,b)。假设第a个串联支路和第b个串联支路属于同一子阵列,即b=a±1或b=a±2;此外,r和r′满足r′=r±1;或者r′=m−1,r=1;或r′=1,r=m−1。因此,连接于(r′,b)和(r,a)间的电压传感器Ur′b,ra的值可表示为
 
Ur′b,ra=Ur′b−Ura(7)
 
式中:Ura为组件(r,a)与该串联支路底部组件(1,a)间的电压;Ur′b为组件(r′,b)与该串联支路底部组件(1,b)间的电压。
 
假定在任何时刻光伏阵列中的光伏组件最多发生一种类型的故障,则光伏阵列在各故障下的电压传感器数据将符合下述规则。
 
1)短路。
 
假设第a串发生短路故障,第b串正常,则电压传感器数据为
 
故障发生在(r,a)和(1,a)之间时,
 
Ur′b,ra=r′mUPV−r−1m−1UPV(8)
 
故障发生在(m,a)和(r+1,a)之间时,
 
Ur′b,ra=r′mUPV−rm−1UPV(9)
 
式中:UPV=mUmax为第a串串联支路在正常工作时的总电压,Umax为最大功率点处的输出电压。
 
2)开路。
 
假定第a串发生开路故障,第b串正常,则电压传感器数据为
 
故障发生在(r,a)和(1,a)之间时,
 
Ur′b,ra=r′mUPV−[UPV−(m−r)UOC](10)
 
故障发生在(m,a)和(r+1,a)之间时,
 
Ur′b,ra=r′mUPV−rUOC(11)
 
式中UOC是光伏组件的开路电压。
 
3)退化。
 
如果第a串发生退化故障,第b串正常,则电压传感器数据为
 
故障发生在(r,a)和(1,a)之间时,
 
Ur′b,ra=Ur′b−UraUr′b=r′mUPVr−1m−1UPV<Ura<rmUPV(12)
 
故障发生在(m,a)和(r+1,a)之间时,
 
Ur′b,ra=Ur′b−UraUr′b=r′mUPVrmUPV<Ura<rm−1UPV(13)
 
4)遮阴。
 
当在第a串中发生遮阴故障且第b串正常时,则电压传感器数据如下。
 
故障发生在(r,a)和(1,a)之间时,
 
Ur′b,ra=Ur′b−UraUr′b=r′mUPVr−1m−1UPV<Ura<UPV−(m−r)UOC(14)
 
故障发生在(m,a)和(r+1,a)之间时,
 
Ur′b,ra=Ur′b−UraUr′b=r′mUPVUra<rUOC且Ura<rm−1UPV(15)
 
通过对短路、开路、退化和遮阴故障状态下光伏组件的电压特性分析可以看出,在不同故障状态下不同位置处的组件端电压特征明显,进而使得电压传感器的数据有着较为明显的区别,说明以电压传感器数据作为故障诊断及定位的主要特征参量具有可行性,但是在不同温度和辐射度条件下,不同种类的故障产生的电压传感器数据可能相同,因此需要增加其他特征参量以提高故障诊断及定位的准确性,本文选取的其他特征参量为温度、辐射度、总电压、总电流及总功率。
 
2.2 故障样本采集
故障数据样本的采集是后续进行光伏阵列故障诊断及定位的基础,也是模型进行训练和学习的保证。但实际上,由于温度和辐射度难以控制,并且进行故障实验可能对真实的光伏阵列造成损害,难以获得大量的真实的光伏阵列故障数据样本。因此目前的研究大多经过仿真实验来对光伏阵列进行故障模拟获取数据样本,以验证所提出的故障诊断及定位方法的有效性[14]。在此思路指导下,本文在Matlab / Simulink平台上模拟了位于中国电力科学研究院实验基地的1.2 kWp的小型光伏发电系统,光伏阵列的内部结构和电压传感器布置如图5所示,它是一个4×5的光伏阵列,所使用的光伏电池板型号为MSX60,其参数如表1所示。
 
本文除了对单组件故障诊断及定位进行研究外,同时对多组件故障发生时的故障诊断及定位进行了探究,具体的故障模拟情况如表2所示。通过设置不同的温度、辐射度,共采集了在温度范围为20 °C~50 °C、辐射度范围设置为600 W/m2~1200 W/m2内的2821组数据样本。其中,每组数据样本都包括温度、辐射度、所设置的8个电压传感器数据(V11、V12、V13、V14、V15、V21、V22、V23)、总电流、总电压及总功率共13个特征数据。
 
电压传感器数据是实现后续光伏阵列故障诊断及定位的主要故障特征量,因此,本文选取各故障条件下的部分电压传感器数据,对其散点矩阵图进行了分析,如图6所示。对角线中的图指的是各电压传感器的数据分布图,如第一行第一列位置处的图代表了传感器V11的数据分布图,从图中可以看出,在各故障状态下各电压传感器数据类似于单峰曲线,并且不同故障状态下的峰值点不同,但是各故障状态下存在交点。非对角线上的图指的是两两电压传感器数据间的联合分布图,如第一行第二列位置处的图代表了传感器V11和V12间的联合分布图,由图可以看出,相同故障状态下的数据点大多集中在一起,不同故障状态下数据的集中点位置不同,但是某些故障状态下存在交集。因此,本文选取电压传感器数据作为主要特征量具有其合理性,同时还需要进一步采用具有强大特征分析及提取能力的学习模型进行光伏阵列故障诊断及定位。
 
2.3 诊断及定位评价指标
在故障分类问题,混淆矩阵能直观表现分类效果的体系,混淆矩阵示意表如表3所示。
 
为了更加精确的表现模型的故障诊断及定位准确度,本文使用准确率(Accuracy)、精确率(Precision)、召回率(Recall)进行分类效果评估[17]。其计算公式如下:
 
Accuracy=TP+TNTP+TN+FP+FN(16)
 
Precision=TPTP+FP(17)
 
Recall=TPTP+FN(18)
 
2.4 数据预处理
将采集的光伏阵列故障样本数据进行归一化可以提高模型学习的精度,若直接将原始特征数据输入到模型中进行训练学习,而样本特征量的取值范围相差很大,会使得整体精度下降。故为了加快模型收敛,使后续处理更方便,本文对光伏阵列故障样本进行归一化操作:
 
x′=x−xminxmax−xmin(19)
 
其中xmax为数据集中的最大值,xmin为数据集中的最小值。
 
光伏阵列的故障诊断及定位隶属分类问题,需要对使用文本标注的故障类别进行编码,本文采用One-hot Encoder方法对类别进行编码[18]。
 
2.5模型参数设置
为了防止算法模型超参数设置不当导致的过拟合、训练时间过长、无法收敛等问题,采用网络搜索法(CV)和K折交叉验证法相结合的方法K-CV进行模型的参数寻优[19]。标签传播算法需要设置和调整的参数主要为控制其径向基核函数(Radial Basis Function,RBF)径向作用范围的参数γ和模型超参数α。以故障诊断准确率作为参数寻优的标准,将γ的寻优范围设置为[0.01,0.1,1,10,100],α的寻优范围设置为[0.01,0.02,0.03,0.04,0.05,0.06,0.07,0.08,0.09,1]。各参数组合下的结果如图所示。
 
由图7可以看出,随着γ的增大,模型的诊断性能先有一定增加,超过0.1后随着γ的不断增大,诊断性能开始下降直至渐渐平稳。当γ=0.1,α=0.1时,准确率约为0.839,标签传播算法表现出最佳性能。
 
极端随机树模块的主要参数有最大迭代次数、最大特征数、决策树最大深度、内部节点再划分所需的最小样本数、叶子节点的最少样本数、最大叶子节点数等。以最大迭代次数的参数寻优为例,将最大迭代次数的寻优范围设置为(10,20),经过K-CV方法得到的训练结果如图所示。
 
由图可以看出,当最大迭代次数为18时,极端随机树模型的测试准确率最高,且此时训练过程表现也十分优秀,故将最大迭代次数设为18。使用K-CV方法对极端随机树模块的其余参数分别进行寻优设置,最终确定的模型参数如。
 
表4所示。
 
2.6 故障诊断与定位结果分析
本文将训练样本设为总数据集的0.8,测试样本设为0.2;将故障数据集未标记数据量设为训练数据集的0.7,标记数据量设为0.3。最终由LP-ET模型得到的故障诊断及定位测试结果如表5所示。
 
由于经过仿真模型采集到的样本数据包含了故障类别及故障位置等信息,因此上表所示结果包含了故障类别识别及定位结果。样本由上表可知,对于短路故障和断路故障的诊断及定位,LP-ET模型的平均精确率、平均召回率和平均准确率均达到了100%;对于退化故障,其平均精确率、平均召回率和平均准确率分别为89.84%、91.04%和92.50%;对于遮阴故障,其平均精确率、平均召回率和平均准确率分别为92.25%、90.17%和89.09%,说明对于四种典型故障,尤其是短路和断路故障的诊断及定位此模型均能表现出良好的性能。对于单组件各故障的诊断及定位,其平均精确率、平均召回率和平均准确率分别为93.55%、93.40%和93.57%;对于多组件各故障的诊断及定位,其平均精确率、平均召回率和平均准确率分别为97.49%、97.21%和97.22%,说明对于单组件和多组件故障的诊断及定位LP-ET均能进行较为准确的诊断及定位,且对于多组件故障的诊断及定位效果更好,表明所提出的LP-ET模型适用于光伏阵列故障诊断及定位问题。
 
为验证LP-ET算法在含有未标记信息时对光伏阵列故障诊断及定位问题的有效性,本文选取RF[9]、CNN[10]进行对比,同时与单一的LP算法及ET算法进行对比,以此对LP-ET算法进行评估。各对比算法的故障诊断结果如表6所示。
 
实验结果表明,本文所提出的LP-ET模型对于含有未标注信息的光伏阵列故障诊断及定位有着较为优异的诊断性能。通过比较LP-ET模型与LP算法、ET算法、RF算法以及CNN算法的评估指标表明,LP-ET模型的精确率分别提高了9.78%、0.84%、0.77%、3.98%,召回率分别提高了9.84%、1.03%、0.28%、3.49%,准确率分别提高了10.06%、0.77%、1.17%、4.59%,各项指标均有明显改善,大幅度提高了诊断精度。究其原因,主要是因为先使用LP算法模块对含有未知标注信息的故障样本进行故障诊断,根据其预测诊断结果扩充了含标注信息的故障样本,数据集的扩充提高了后续ET算法的训练学习能力,从而提高了整体模型的诊断及定位性能。综上,本文所提出的LP-ET模型的故障诊断及定位能力不仅优于LP和ET基础算法模型,也优于RF及CNN经典模型,表现出良好的诊断性能,进一步验证了所提模型的优越性。
 
3 结论
本文将多传感器法与智能检测法相结合提出了一种可用于解决光伏阵列故障诊断及定位问题的融合标签传播算法和极端随机树算法的半监督学习算法LP-ET,基于光伏阵列仿真模型获取的光伏阵列故障数据集,对LP-ET模型进行了光伏阵列故障诊断及定位测试,结果表明,该方法对于短路、断路、退化及遮阴四种典型故障均具有良好的诊断性能,并且对于多组件故障也能进行较为准确的故障诊断及定位。通过比较LP-ET模型与LP算法、ET算法、RF算法以及CNN算法的评估指标,验证了LP-ET模型在解决光伏阵列故障诊断及定位问题中的可行性和优越性。
 
参考文献
[1] 肖先勇,郑子萱.“双碳”目标下新能源为主体的新型电力系统:贡献、关键技术与挑战[J].工程科学与技术,2022,54(1):47-59.
[2] ESSIANE S N,GNETCHEJO P J,ELE P,et al.Faults detection and identification in PV array using kernel principal components analysis[J].International Journal of Energy and Environmental Engineering,2022,13(1):153-178.
[3] MEHMOOD A,SHER H A,MURTAZA A F,et al.A diode-based fault detection,classification,and localization method for photovoltaic array[J].IEEE Transactions on Instrumentation and Measurement,2021,70:3516812.
[4] 李光辉,段晨东,武珊.基于半监督机器学习法的光伏阵列故障诊断[J].电网技术,2020,44(5):1908-1913.
[5] KIM D,YOUN J,KIM C.Automatic fault recognition of photovoltaic modules based on statistical analysis of UAV thermography[J].The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2017,42(26):179-182.
[6] ROY S,ALAM M K,KHAN F,et al.An irradiance-independent,robust ground-fault detection scheme for PV arrays based on spread spectrum time-domain reflectometry (SSTDR)[J].IEEE Transactions on Power Electronics,2018,33(8):7046-7057.
[7] 李元良,丁坤,陈富东,等.基于快速过采样主成分分析法的光伏阵列故障诊断[J].电网技术,2019,43(1):308-315.
[8] KUMAR B P,PILLAI D S,RAJASEKAR N,et al.Identification and localization of array faults with optimized placement of voltage sensors in a PV system[J].IEEE Transactions on Industrial Electronics,2021,68(7):5921-5931.
[9] 叶进,卢泉,王钰淞,等.基于级联随机森林的光伏故障诊断模型研究[J].太阳能学报,2021,42(3):358-362.
[10] LU Xiaoyang,LIN Peijie,CHENG Shuying,et al.Fault diagnosis for photovoltaic array based on convolutional neural network and electrical time series graph[J].Energy Conversion and Management,2019,196:950-965.
[11] 张松涛,张东霞,李宗翰,等.基于标签传播算法的电网主动解列断面快速定位方法[J/OL].电网技术,2021:1-9[2022-01-09].http://doi.org/10.13335/j.1000-3673.pst.2021.1161.
[12] 程渊,李玉霞,李凡,等.基于极端随机树的闪电河流域土壤水分反演[J].遥感学报,2021,25(4):941-951.
[13] GEURTS P,ERNST D,WEHENKEL L.Extremely randomized trees[J].Machine Learning,2006,63(1):3-42.
[14] 丁坤,陈富东,翁帅,等.基于I-V特性灰色关联分析的光伏阵列健康状态评估[J].电网技术,2021,45(8):3087-3095.
[15] PEI Tingting,LI Li,ZHANG Jiangfeng,et al.Module block fault locating strategy for large-scale photovoltaic arrays[J].Energy Conversion and Management,2020,214:112898.
[16] HU Yihua,ZHANG Jiangfeng,CAO Wenping,et al.Online two-section PV array fault diagnosis with optimized voltage sensor locations[J].IEEE Transactions on Industrial Electronics,2015,62(11):7237-7246.
[17] 张昱,刘开峰,张全新,等.基于组合-卷积神经网络的中文新闻文本分类[J].电子学报,2021,49(6):1059-1067.
[18] 梁杰,陈嘉豪,张雪芹,等.基于独热编码和卷积神经网络的异常检测[J].清华大学学报(自然科学版),2019,59(7):523-529.
[19]魏勤,陈仕军,黄炜斌,等.利用随机森林回归的现货市场出清价格预测方法[J].中国电机工程学报,2021,41(4): 1360-1367.
 
(责任编辑:mac)
------分隔线----------------------------

最新论文

随机论文

——本公司实力说明——
本公司实力说明
1. 十一年专业论文服务经验,现有全职员工近百人,并且拥有兼职博士、硕士30多人。我们的实力就是您信心的保证。
2. 十一年成功运作经验,现为中国最好的专业论文服务中心之一。

服务承诺
本论文服务...

Copyright www.lunwenkj.cn 科技论文网 版权所有
科技论文网提供质量好的 科技论文代写、管理论文发表服务,是一个一流的论文代写、论文发表服务平台。
郑重声明:本站部分论文资料源于网上的共享资源及期刊共享,请特别注意勿做其他非法用途!
如有侵犯您论文的版权或其他有损您利益的行为,请联系指出,我们会立即进行改正或删除有关内容!