CN111277221A - 一种光伏故障诊断方法和装置 - Google Patents

一种光伏故障诊断方法和装置 Download PDF

Info

Publication number
CN111277221A
CN111277221A CN202010090210.XA CN202010090210A CN111277221A CN 111277221 A CN111277221 A CN 111277221A CN 202010090210 A CN202010090210 A CN 202010090210A CN 111277221 A CN111277221 A CN 111277221A
Authority
CN
China
Prior art keywords
fault
sample
representing
normalized
vector set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010090210.XA
Other languages
English (en)
Inventor
闫丽娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202010090210.XA priority Critical patent/CN111277221A/zh
Publication of CN111277221A publication Critical patent/CN111277221A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Photovoltaic Devices (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)

Abstract

本发明提供一种光伏故障诊断方法，包括：获取预设故障模式下的样本故障特征向量集合；基于所述预设故障特征模式的数量，利用FCM算法对所述样本故障特征向量集合进行处理，以得到样本聚类中心向量集合；利用SVM算法对所述样本聚类中心向量集合进行训练，以得到故障诊断模型，以供利用所述故障诊断模型确定出故障模式。本发明还提供一种光伏故障诊断装置。

Description

一种光伏故障诊断方法和装置
技术领域
本发明涉及通信技术领域，涉及一种光伏故障诊断方法和装置。
背景技术
光伏阵列故障种类繁多，常见的故障类型包括短路故障、开路故障、阴影故障、异常老化故障、旁路二极管失效等，及时发现光伏故障对光伏电站的安全运行至关重要。光伏电站运行过程中产生海量的光伏数据，如何从这些海量数据中快速发现光伏电站运行过程中产生的故障成为光伏电站故障诊断中亟待解决的问题。目前光伏发电故障诊断主要使用电路结构方法、电气测量方法、红外图像方法等传统诊断方法，在实际诊断过程中，这些方法存在成本高、难以实现故障准确定位等问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提出了一种光伏故障诊断方法和装置，用以解决现有技术中存在的光伏故障诊断准确率低的问题。
一方面，本发明提供一种光伏故障诊断方法，包括：
获取预设故障模式下的样本故障特征向量集合；
基于所述预设故障特征模式的数量，利用FCM算法对所述样本故障特征向量集合进行处理，以得到样本聚类中心向量集合；
利用SVM算法对所述样本聚类中心向量集合进行训练，以得到故障诊断模型，以供利用所述故障诊断模型确定出故障模式。
优选的，所述样本故障特征向量集合包括多个样本故障特征向量；所述样本故障特征向量由多个故障特征参数构成；所述故障特征参数包括：开路电压、短路电流、最大工作点电压、最大工作点电流和最大功率。
优选的，所述基于所述预设故障特征模式的数量，利用FCM算法对所述样本故障特征向量集合进行处理，以得到样本聚类中心向量集合的步骤之前，还包括：
将各所述样本故障特征向量进行标准化处理，以得到标准化样本故障特征向量集合；
所述基于所述预设故障特征模式的数量，利用FCM算法对所述样本故障特征向量集合进行处理，以得到样本聚类中心向量集合具体包括：
基于所述预设故障特征模式的数量，利用FCM算法对所述标准化样本故障特征向量集合进行处理，以得到样本聚类中心向量集合。
优选的，所述将各所述样本故障特征向量进行标准化处理，以得到标准化样本故障特征向量的步骤具体包括：
将各故障特征参数按照预设转化方法转化为标准化故障特征参数；
将各所述标准化故障特征参数作为向量元素构成标准化样本故障特征向量。
优选的，所述开路电压按照下述公式转化为标准化开路电压：
Uoc_n＝Uoc[1+β(25-T)]
其中，Uoc_n表示标准化开路电压；Uoc表示开路电压；β表示相对短路电压的温度修正系数；T表示光伏阵列实际接收的温度。
优选的，所述短路电流按照下述公式转化为标准化短路电流：
Figure BDA0002383452640000021
其中，Isc_n表示标准化短路电流；Isc表示短路电流；G表示光伏阵列实际接收的辐照度；α表示相对短路电流的温度修正系数；T表示光伏阵列实际接收的温度。
优选的，所述最大工作点电压按照下述公式转化为标准化最大工作点电压：
Figure BDA0002383452640000031
其中，Um_n表示标准化最大工作点电压；Um表示最大工作点电压；β表示相对短路电压的温度修正系数；Um_o和Uoc_o分别表示在国家标准太阳电池标准测试条件下光伏阵列的最大点工作电压和开路电压；T表示光伏阵列实际接收的温度。
优选的，所述最大工作点电流按照下述公式转化为标准化最大工作点电流：
Figure BDA0002383452640000032
其中，Im_n表示标准化最大工作点电流；Im表示最大工作点电流；G表示光伏阵列实际接收的辐照度；α表示相对短路电流的温度修正系数；Im_o和Isc_o分别表示在国家标准太阳电池标准测试条件下的最大点工作点电流和短路电流；T表示光伏阵列实际接收的温度。
优选的，所述最大功率按照下述公式转化为标准化最大功率：
Pm_n＝Pm[1-γ(25-T)]
其中，Pm_n表示标准化最大功率；Pm表示最大功率；γ表示相对额定功率的温度修正系数；T表示光伏阵列实际接收的温度。
优选的，所述故障模式的种类包括：开路故障、短路故障、阴影故障和异常老化故障。
本发明还提供一种光伏故障诊断装置，包括存储模块，用于存储计算机程序，所述计算机程序被执行时，用于实现本发明所提供的光伏故障诊断方法。
本发明的有益技术效果：
本发明提供的光伏故障诊断方法和装置，先利用FCM算法对样本故障特征向量做处理，以得到样本聚类中心向量，然后基于SVM算法来对样本聚类中心向量训练以得到故障诊断模型，相较于现有技术，本发明在训练故障诊断模型时结合了FCM算法和SVM算法，先利用FCM算法进行粗分类，再利用SVM算法进行细分类，从而使最终得到的故障诊断模型具有较高的故障诊断准确率，进而实现光伏故障的精确检测。
附图说明
图1为本发明提供的一种光伏故障诊断方法的流程图；
图2为本发明提供的另一种光伏故障诊断方法的流程图；
图3为本发明提供的光伏故障诊断方法中步骤S101’的实施方式。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图来对本发明提供的光伏故障诊断方法和装置进行详细描述。
本发明提供的光伏故障诊断方法用于对光伏阵列出现的故障模式进行诊断。
图1为本发明提供的一种光伏故障诊断方法的流程图，如图1所示，该方法包括：
步骤S101、获取预设故障模式下的样本故障特征向量集合。
本发明中，预设故障模式是指光伏阵列可能出现的故障类型，例如，短路故障、开路故障等，预设故障模式可以为一种，也可以为多种；样本故障特征向量集合是指由每种预设故障模式对应的样本故障特征向量构成的集合，样本故障特征向量可基于现有技术中的任意一种故障特征向量构造方式来进行构造，本实施例不做具体限定。
步骤S102、基于预设故障特征模式的数量，利用FCM算法对样本故障特征向量集合进行处理，以得到样本聚类中心向量集合。
FCM算法(fuzzy c-means algorithm，简称FCM算法)又称为模糊C-均值算法，是一种经典的模糊聚类算法，其是一种基于划分的聚类算法，它的思想是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。FCM算法有两个输入参数，一个是聚类数目C，一个是样本集合{N|N1,N2,…NX}，X表示样本集合中样本的数量，聚类数目C表示样本集合将要被划分的聚类的数目，例如，当C＝3时，则代表样本集合{N|N1,N2,…NX}将要划分为3个聚类，FCM算法的输出为一个C×X的矩阵，矩阵中的每个元素代表样本Ni(i＝1,2,…,X)归属于某个类Cj(j＝1,2,…C)的隶属度，矩阵中的每个列向量构成一个聚类中心向量。
本发明中，预设故障特征模式的数量即为聚类数目C，基于该预设故障特征模式的数量，利用FCM算法对样本故障特征向量集合进行处理，得到样本聚类中心向量集合，其中，每个样本聚类中心向量由该样本归属于各聚类的隶属度构成。本领域中，FCM算法已是现有技术，因此，本发明不再赘述FCM算法对样本故障特征向量集合的处理过程。
步骤S103、利用SVM算法对样本聚类中心向量集合进行训练，以得到故障诊断模型，以供利用该故障诊断模型确定出故障模式。
本发明中，在利用FCM算法对样本故障特征向量集合进行处理后，利用SVM(Support Vector Machine，支持向量机)算法进一步基于FCM算法的处理结果来进行训练，以得到故障诊断模型，该故障诊断模型用于对光伏阵列的故障模式进行判断，即，向该故障诊断模型中输入采集的故障特征向量后，该故障诊断模型可输出对应的故障模式。
需要说明的是，SVM算法是一种按监督学习方式对数据进行分类线性分类器，并且，基于SVM算法来进行模型训练已是本领域的现有技术，因此本发明不再对SVM算法的具体训练过程作赘述。
本发明提供的光伏故障诊断方法，先利用FCM算法对样本故障特征向量做处理，以得到样本聚类中心向量，然后基于SVM算法来对样本聚类中心向量训练以得到故障诊断模型，相较于现有技术，本发明在训练故障诊断模型时结合了FCM算法和SVM算法，先利用FCM算法进行粗分类，再利用SVM算法进行细分类，从而使最终训练出的故障诊断模型具有较高的故障诊断准确率，进而实现光伏故障的精确检测。
在一些实施例中，样本故障特征向量集合中所包括的样本故障特征向量可由多个故障特征参数构成，该故障特征参数可包括：开路电压、短路电流、最大工作点电压、最大工作点电流和最大功率。
图2为本发明提供的另一种光伏故障诊断方法的流程图，如图2所示，在一些实施例中，在步骤S102之前，还包括：
步骤S101’、将各样本故障特征向量进行标准化处理，以得到标准化样本故障特征向量。
此时步骤S102具体包括：基于预设故障特征模式的数量，利用FCM算法对标准化样本故障特征向量集合进行处理，以得到样本聚类中心向量集合。
在实际应用中，故障特征参数通常会受到辐照度和温度等外界环境因素变化的影响，进而导致对光伏故障诊断结果的影响，本实施例中，在进行故障诊断模型训练之前，对每个样本故障特征向量先进行标准化处理，以得到标准化样本故障特征向量集合，然后基于标准化样本故障特征向量集合来训练得出故障诊断模型，能够排除掉外界环境对故障特征参数的影响，从而使最终训练得出的故障诊断模型的准确率更高。
在一些实施例中，如图3所示，步骤S101’具体包括：
步骤S1011’、将各故障特征参数按照预设转化方法转化为标准化故障特征参数。
步骤S1012’、将各标准化故障特征参数作为向量元素构成标准化样本故障特征向量。
本实施例中，在对故障特征向量进行标准化处理时，针对故障特征向量中所包含的每个故障特征参数进行标准化处理。
在一些实施例中，故障特征向量的标准化处理采用STC(standard testcondition,STC)标准化处理，STC是国家标准太阳电池标准测试条件，欧洲委员会定义为101号标准，其标准测试条件为：照度1000W/㎡；温度25℃；光谱特性AM 1.5标准光谱。
在一些实施例中，当采用STC标准化处理过程时，故障特征参数中的开路电压可按照下述公式转化为标准化开路电压：
Uoc_n＝Uoc[1+β(25-T)]
其中，Uoc_n表示标准化开路电压；Uoc表示原始开路电压；β表示相对短路电压的温度修正系数；T表示光伏阵列实际接收的温度。
在一些实施例中，当采用STC标准化处理过程时，故障特征参数中的短路电流可按照下述公式转化为标准化短路电流：
Figure BDA0002383452640000071
其中，Isc_n表示标准化短路电流；Isc表示原始短路电流；G表示光伏阵列实际接收的辐照度；α表示相对短路电流的温度修正系数；T表示光伏阵列实际接收的温度。
在一些实施例中，当采用STC标准化处理过程时，故障特征参数中的最大工作点电压可按照下述公式转化为标准化最大工作点电压：
Figure BDA0002383452640000072
其中，Um_n表示标准化最大工作点电压；Um表示原始最大工作点电压；β表示相对短路电压的温度修正系数；Um_o和Uoc_o分别表示在国家标准太阳电池标准测试条件下光伏阵列的最大点工作电压和开路电压；T表示光伏阵列实际接收的温度。
在一些实施例中，当采用STC标准化处理过程时，故障特征参数中的最大工作点电流可按照下述公式转化为标准化最大工作点电流：
Figure BDA0002383452640000073
其中，Im_n表示标准化最大工作点电流；Im表示原始最大工作点电流；G表示光伏阵列实际接收的辐照度；α表示相对短路电流的温度修正系数；Im_o和Isc_o分别表示在国家标准太阳电池标准测试条件下的最大点工作点电流和短路电流；T表示光伏阵列实际接收的温度。
在一些实施例中，当采用STC标准化处理过程时，故障特征参数中的最大功率可按照下述公式转化为标准化最大功率：
Pm_n＝Pm[1-γ(25-T)]
其中，Pm_n表示标准化最大功率；Pm表示原始最大功率；γ表示相对额定功率的温度修正系数；T表示光伏阵列实际接收的温度。
需要说明的是，上述公式中所涉及的α、β、γ均为预设参数值，可由本领域技术人员根据实际经验确定出。
本发明中，故障模式的种类可包括：开路故障、短路故障、阴影故障和异常老化故障，当然，在实际应用中可不仅仅限于这几种故障模式，例如，根据光伏组件的数量的不同，故障模式还可包括：一个光伏组件短路、两个光伏组件短路等，具体故障模式的设置可由本领域技术人员根据实际情况设定。
本发明还提供一种光伏故障诊断装置，其包括存储模块，该存储模块用于存储计算机程序，该计算机程序被执行时，用于实现本发明上述实施例所提供的光伏故障诊断方法。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (11)

1.一种光伏故障诊断方法，其特征在于，包括：
获取预设故障模式下的样本故障特征向量集合；
基于所述预设故障特征模式的数量，利用FCM算法对所述样本故障特征向量集合进行处理，以得到样本聚类中心向量集合；
利用SVM算法对所述样本聚类中心向量集合进行训练，以得到故障诊断模型，以供利用所述故障诊断模型确定出故障模式。
2.根据权利要求1所述的方法，其特征在于，所述样本故障特征向量集合包括多个样本故障特征向量；所述样本故障特征向量由多个故障特征参数构成；所述故障特征参数包括：开路电压、短路电流、最大工作点电压、最大工作点电流和最大功率。
3.根据权利要求2所述的方法，其特征在于，所述基于所述预设故障特征模式的数量，利用FCM算法对所述样本故障特征向量集合进行处理，以得到样本聚类中心向量集合的步骤之前，还包括：
将各所述样本故障特征向量进行标准化处理，以得到标准化样本故障特征向量集合；
所述基于所述预设故障特征模式的数量，利用FCM算法对所述样本故障特征向量集合进行处理，以得到样本聚类中心向量集合具体包括：
基于所述预设故障特征模式的数量，利用FCM算法对所述标准化样本故障特征向量集合进行处理，以得到样本聚类中心向量集合。
4.根据权利要求3所述的方法，其特征在于，所述将各所述样本故障特征向量进行标准化处理，以得到标准化样本故障特征向量的步骤具体包括：
将各故障特征参数按照预设转化方法转化为标准化故障特征参数；
将各所述标准化故障特征参数作为向量元素构成标准化样本故障特征向量。
5.根据权利要求4所述的方法，其特征在于，所述开路电压按照下述公式转化为标准化开路电压：
Uoc_n＝Uoc[1+β(25-T)]
其中，Uoc_n表示标准化开路电压；Uoc表示开路电压；β表示相对短路电压的温度修正系数；T表示光伏阵列实际接收的温度。
6.根据权利要求4所述的方法，其特征在于，所述短路电流按照下述公式转化为标准化短路电流：
Figure FDA0002383452630000021
其中，Isc_n表示标准化短路电流；Isc表示短路电流；G表示光伏阵列实际接收的辐照度；α表示相对短路电流的温度修正系数；T表示光伏阵列实际接收的温度。
7.根据权利要求4所述的方法，其特征在于，所述最大工作点电压按照下述公式转化为标准化最大工作点电压：
Figure FDA0002383452630000022
其中，Um_n表示标准化最大工作点电压；Um表示最大工作点电压；β表示相对短路电压的温度修正系数；Um_o和Uoc_o分别表示在国家标准太阳电池标准测试条件下光伏阵列的最大点工作电压和开路电压；T表示光伏阵列实际接收的温度。
8.根据权利要求4所述的方法，其特征在于，所述最大工作点电流按照下述公式转化为标准化最大工作点电流：
Figure FDA0002383452630000023
其中，Im_n表示标准化最大工作点电流；Im表示最大工作点电流；G表示光伏阵列实际接收的辐照度；α表示相对短路电流的温度修正系数；Im_o和Isc_o分别表示在国家标准太阳电池标准测试条件下的最大点工作点电流和短路电流；T表示光伏阵列实际接收的温度。
9.根据权利要求4所述的方法，其特征在于，所述最大功率按照下述公式转化为标准化最大功率：
Pm_n＝Pm[1-γ(25-T)]
其中，Pm_n表示标准化最大功率；Pm表示最大功率；γ表示相对额定功率的温度修正系数；T表示光伏阵列实际接收的温度。
10.根据权利要求1-9所述的方法，其特征在于，所述故障模式的种类包括：开路故障、短路故障、阴影故障和异常老化故障。
11.一种光伏故障诊断装置，包括存储模块，用于存储计算机程序，其特征在于，所述计算机程序被执行时，用于实现权利要求1-10任一项所述的方法。
CN202010090210.XA 2020-02-13 2020-02-13 一种光伏故障诊断方法和装置 Pending CN111277221A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010090210.XA CN111277221A (zh) 2020-02-13 2020-02-13 一种光伏故障诊断方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010090210.XA CN111277221A (zh) 2020-02-13 2020-02-13 一种光伏故障诊断方法和装置

Publications (1)

Publication Number Publication Date
CN111277221A true CN111277221A (zh) 2020-06-12

Family

ID=70997049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010090210.XA Pending CN111277221A (zh) 2020-02-13 2020-02-13 一种光伏故障诊断方法和装置

Country Status (1)

Country Link
CN (1) CN111277221A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378449A (zh) * 2021-04-15 2021-09-10 黄山东安新高能源科技有限公司 一种基于模糊c均值聚类的光伏组件健康状态诊断方法
US20230062548A1 (en) * 2021-08-27 2023-03-02 Hamilton Sundstrand Corporation Online health monitoring and fault detection for high voltage dc distribution networks

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106230377A (zh) * 2016-07-01 2016-12-14 重庆大学 一种光伏电池板热斑故障检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106230377A (zh) * 2016-07-01 2016-12-14 重庆大学 一种光伏电池板热斑故障检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378449A (zh) * 2021-04-15 2021-09-10 黄山东安新高能源科技有限公司 一种基于模糊c均值聚类的光伏组件健康状态诊断方法
US20230062548A1 (en) * 2021-08-27 2023-03-02 Hamilton Sundstrand Corporation Online health monitoring and fault detection for high voltage dc distribution networks
US11874318B2 (en) * 2021-08-27 2024-01-16 Hamilton Sundstrand Corporation Online health monitoring and fault detection for high voltage DC distribution networks

Similar Documents

Publication Publication Date Title
CN109873610B (zh) 基于iv特性和深度残差网络的光伏阵列故障诊断方法
CN109670553B (zh) 基于自适应神经模糊推理***的光伏阵列故障诊断方法
CN111444615B (zh) 一种基于k近邻和iv曲线的光伏阵列故障诊断方法
Zaki et al. Deep‐learning–based method for faults classification of PV system
CN109766952B (zh) 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法
CN111598166B (zh) 基于主分量分析和Softmax函数的单相接地故障分类方法和***
CN111245365B (zh) 基于动态加权深度森林的光伏组件故障诊断方法
CN110503153B (zh) 基于差分进化算法和支持向量机的光伏***故障诊断方法
Liu et al. Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I–V curves
Rezgui et al. A smart algorithm for the diagnosis of short-circuit faults in a photovoltaic generator
Liu et al. A dilation and erosion-based clustering approach for fault diagnosis of photovoltaic arrays
CN111277221A (zh) 一种光伏故障诊断方法和装置
Zheng et al. Fault diagnosis of wind power converters based on compressed sensing theory and weight constrained AdaBoost-SVM
Dhibi et al. A hybrid fault detection and diagnosis of grid-tied pv systems: Enhanced random forest classifier using data reduction and interval-valued representation
Omer et al. Comparison of decision tree based ensemble methods for prediction of photovoltaic maximum current
CN113378449A (zh) 一种基于模糊c均值聚类的光伏组件健康状态诊断方法
Wang et al. Online fault diagnosis of PV array considering label errors based on distributionally robust logistic regression
Bi et al. Identification of partial shading conditions for photovoltaic strings
Xi et al. Online fault diagnosis for photovoltaic arrays based on fisher discrimination dictionary learning for sparse representation
Ali et al. Reliable IoT paradigm with ensemble machine learning for faults diagnosis of power transformers considering adversarial attacks
CN114139614B (zh) 一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和***
Su et al. Parameter extraction of photovoltaic single-diode model using integrated current–voltage error criterion
CN116720095A (zh) 一种基于遗传算法优化模糊c均值的电特性信号聚类方法
CN115833747A (zh) 基于最大功率点追踪的光伏老化检测方法及装置
de Oliveira Pimentel et al. Parameters estimation of photovoltaic modules using optimization methods based on metaheuristics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200612