CN112787591B - 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 - Google Patents
基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 Download PDFInfo
- Publication number
- CN112787591B CN112787591B CN202011199284.3A CN202011199284A CN112787591B CN 112787591 B CN112787591 B CN 112787591B CN 202011199284 A CN202011199284 A CN 202011199284A CN 112787591 B CN112787591 B CN 112787591B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic array
- data
- working
- training
- irradiance
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000004088 simulation Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000035772 mutation Effects 0.000 claims abstract description 8
- 238000010248 power generation Methods 0.000 claims abstract description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 38
- 230000007613 environmental effect Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 8
- 230000008014 freezing Effects 0.000 claims description 7
- 238000007710 freezing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Photovoltaic Devices (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明涉及一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,首先,采集实际工况下的电气特性数据以及环境数据,然后利用Simulink搭建模型阵列,模拟实际工况;获取仿真的电气特性数据,其次,通过突变点检测算法,剔除实际和仿真中的异常数据,获取完整的电气波形数据,对其进行采样,压缩特征,拼接为二维特征矩阵。而后,设计密集连接卷积神经网络,使用仿真训练集和Adam优化算法预训练网络,再使用少量的实际工况的训练集微调网络。最后,利用FT‑DenseNet故障诊断网络,对待测工况测试集下的光伏发电阵列进行检测和分类。本发明方法在小样本的情况下,获得具有高精度,鲁棒性强,泛化能力好的分类网络,能够有效提高光伏阵列故障检测和分类的准确性。
Description
技术领域
本发明涉及光伏发电组串故障检测和分类技术领域,特别是一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法。
背景技术
近年来,太阳能作为一种很有前景的可再生能源得到了广泛的发展。光伏能源是一种太阳能形式,在遏制全球变暖问题中发挥着不可或缺的作用,减少了化石燃料的使用和排放,根据世界能源组织的最新公告,全球光伏装机量和发电量日益增长。随着光伏产业的快速发展和光伏装机容量的快速增长,光伏阵列的使用寿命和安全性受到越来越多的关注。光伏电站大多建在人烟稀少、面积较大的地区。频繁的月度故障不仅会给人工巡检带来巨大困难,还会增加大规模运维成本,严重影响发电效率。光伏阵列的故障严重影响了光伏发电***的效率和安全运行,甚至会造成火灾危险等不可估量的后果。因此,光伏阵列的故障检测与诊断诊断是保证光伏***安全稳定运行的重要因素。
传统的光伏阵列故障检测方法有,时域反射法(TDR),接地电容测量(ECM),这些方法能检测都能实现对故障的定位,但是TDR只能检测阻抗变化,ECM仅能检测开路,具有一定的局限性。还有部分检测方法是使用热成像,电致发光成像的方法,这些需要较为昂贵的设备,以及苛刻的环境条件。Santiago等人对电流和电压指标的评估,并为两个有助于识别***故障的参数定义阈值,通过阈值的比较来确定故障类型,Silvestre等人提出一种损耗分析的故障检测方法,对测量的热俘获损失和杂项捕获损失进行连续检测,若损失超过了理论值,则发出一个故障信号。为了确定故障类型,定义了直流变量和相对于模拟变量的偏差,即电流比和电压的比率,通过电流比和电压比的识别故障。这些通过阈值比较的方法需要大量的先验知识,且容易出现难以区分的故障类型。近年来,随着人工智能的迅速崛起,大量AI的故障诊断方法陆续被应用于光伏阵列的故障检测与诊断。如人工神经网络(ANN),决策树(DT),随机森林(RF),概率神经网络(PNN),小波神经网络(WNN),支持向量机(SVM),等传统的机器学习算法,在光伏故障诊断与检测的领域取得了重大的成果与突破,但是它们都需要大量的训练样本,而实际光伏阵列的故障样本难以获取,并不能真正的应用于大型光伏阵列当中。有一部分无监督的学习算法,如密度峰值聚类算法(DPCA),模糊C-均值算法(FCM)等算法在故障诊断上面取得了不错的效果,但是其精确度仍然有限。随着深度学习的日益火热,卷积神经网络,循环神经网络走入光伏故障诊断的视线,其强大的特征提取能力,能给获取具有强大表征能力的优质故障特征,对于分类的准确率进一步有所提升,然而还是需要大量样本的支持。
发明内容
有鉴于此,本发明的目的是提供一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,使用了突变点检测算法,可以搜索到处于最大功率点的完整电气特性波形特征,可以有效剔除原始数据中的异常数据。该方法具有很高的精度和稳定性,很好的鲁棒性和泛化能力。
本发明采用以下方案实现:一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,包括以下步骤:
步骤S1:获取原始实测数据:采集各种工况条件下的光伏电气特性数据,具体包括:光伏阵列工作电压、光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流和光伏阵列功率;记录实时的温度和辐照度;
步骤S2:气象站检测到的温度与辐照度的频率分别为1/60HZ,将一分钟采集一次的温度和辐照度,分别做三次样条插值,获得一秒钟200个数据的连续值即得到频率为200HZ的环境样本;利用Simulink搭建光伏阵列仿真模型,使用该温度和辐照度模拟各种工况,同样获得如步骤S1所涉及的光伏电气特性数据即获得原始仿真数据;
步骤S3:对原始实测数据进行预处理:使用跃变点检测算法对实测数据中的光伏阵列工作电压进行全局检测,找出其波形突变的时间节点,在连续的节点之间挑选出处于最大功率点的完整电压波形,并获得处于最大功率点的其他电气特性数据,包括步骤S1中所述的除了光伏阵列工作电压以外的电气数据;对最大功率点的的电气特性数据进行整数倍抽取,降低电气特性数据的长度,获得基于时间序列的8个一维电气数据;将8个电气数据,按行拼接成二维特征矩阵,获得实测数据集;
步骤S4:按步骤S3中从实测数据检测得到的时间节点对仿真数据做相同操作,获仿真数据集;分别将仿真数据集和实测数据集按照各工况等比例划分为训练集和验证集和测试集;设计基于微调密集连接的卷积神经网络FT-DenseNet,使用仿真数据集中的训练集样本进行训练,当模型的损失函数收敛,保存模型参数,停止训练,用测试集进行验证,得到最佳的预训练模型;
步骤S5:将步骤S4中所保存的模型参数,冻结它的特征提取层,使用实测数据中的训练集重新训练分类层,并对FT-DenseNet训练模型在验证集上进行验证,得到最优且最具有泛化能力FT-DenseNet故障诊断模型;
步骤S6:利用FT-DenseNet故障诊断模型,对实际工况下的测试集电气特性数据进行检测和分类,通过分类层的输出结果对比测试集的标签信息,给出实际工况的类型。
进一步地,步骤S1中所述各种工况包括正常工作、组串级线线故障、阵列级线线故障、老化故障、阴影故障和开路故障:其中组串级线线故障,即单个组串的组件被短路;阵列级线线故障,即不同组串中电势差不同的节点被短路;老化故障,即阵列线路老化而电阻增大;阴影故障,即组串中组件发生阴影遮挡;开路故障,即阵列中的某个组串被断路;模拟各工况的环境条件与实际采集的环境条件一致。
进一步地,步骤S2中所述利用Simulink搭建光伏阵列仿真模型,使用该温度和辐照度模拟各种工况,对温度与辐照度的具体处理方式如下:
气象站检测到的温度与辐照度的频率分别为1/60HZ,为满足Simulink的实时变化的准确性,使用三次样条插值得到频率为200HZ的环境样本;若实际采集时间为n小时,则得60*n+1个温度和辐照度样本,包括60*n+1个温度样本(0,T1),(1,T2),(2,T3),……(60*n,T60*n),和60*n+1个辐照度样本(0,G1),(1,G2),(2,G3),……(60*n,G60*n),最后各得到(60*n)*60*200个温度和辐照度样本,其具体公式如下:
环境样本(0,y1),(1,y2),(2,y3),……(60*n,y60*n),其步长为1,mi为二次微分值;
曲线系数:
ai=yi
在每两个环境样本之间:
yi(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)2
每两个环境样本之间由yi(x)获得12000个连续环境样本,所以总共各有(60*n)*60*200个温度样本和辐照度;温度辐照度样本作为SIMULINK的输入,得到仿真数据集。
进一步地,所述步骤S3具体包括以下步骤:
步骤S31:n小时的实测数据集中有(60*n)*60*200个样本,步骤S1中获得的原始实测数据集中每个样本有光伏阵列工作电压、光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流和光伏阵列功率8个特征;单独获取一维特征光伏阵列工作电压,即n小时连续采集的光伏阵列工作电压;采用突变点检测算法,获取处于最大功率点的时间节点,具体获取方式如下:
将每连续的200个光伏阵列工作电压作为一个集合,随机将选择一个点将该集合分为两部分,计算两边各点与各部分平均值的的残差,当总残差达到最小值,即找到突变点,其公式如下:
将V1,V2,V3,...,Vk,...V200依次带入,当J取得最小值,记录Vr=k的时间节点;
步骤S32:在每相邻的两个时间节点之间,使用整数倍采样函数decimate,压缩特征长度,将基于时间序列的光伏阵列工作电压的采样频率降低为原来的1/40,即5个电压数据,将相邻的6个时间节点的电压数据拼接成1×30的包含完整电压波形的一维特征;
步骤S33:按步骤S31、步骤S32的操作,以相同的时间节点对光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流和光伏阵列功率进行特征压缩,分别得到1×30的波形特征,最后拼接为8×30的二维特征矩阵,仿真数据集的电气特性特征按照步骤S31至步骤S33的方法获得8×30的二维特征矩阵。
进一步地,步骤S4中所述将实测和仿真数据集分别按照不同的工况等比例分为训练集、验证集和测试集;具体为将仿真数据集的各工况按70%,30%,的比例分为训练集,测试集。实测数据中,将各工况按2%,10%,88%的比例分为训练集,验证集,测试集。
进一步地,步骤S4中所述设计基于微调密集连接的卷积神经网络FT-DenseNet的网络结构由特征提取层和分类层组成;特征提取层包括两个密集连接模块和一个传递层,每一个密集连接模块由5个复合函数(BN-ReLU-Conv2d)构成;传递层则由一个BN-ReLU-Conv2d的复合函数和池化层组成,一个BN-Conv2d和两个线性全连接层作为分类层,以交叉熵作为损失函数,采用Adam优化算法训练网络,直至损失函数收敛,即损失函数小于0.001,其损失函数计算公式如下:
其中,n为输出神经元的个数,yk为所期望的输出值,σ为目标函数,zk代表神经元实际输出值。
进一步地,步骤S5中所述得到最优且最具有泛化能力FT-DenseNet故障诊断模型的具体实现方式为:
步骤SA:使用仿真数据集的训练集,预训练FT-DenseNet,直至损失函数收敛,即损失函数小于0.001,使用仿真测试集验证获得最优的预训练网络模型,获得最优的预训练网络模型,保存泛化性能强的网络参数;
步骤SB:冻结FT-DenseNet的特征提取层,使用实测数据训练集以及较小的学习率范围在0.001-0.0001,重新训练它的分类层,当损失函数收敛,停止训练,使用实测数据验证集验证,得到最优的FT-DenseNet网络模型。
进一步地,步骤S6中所述对实际工况下的测试集电气特性数据进行检测和分类具体实现方式为:将实际工况测试集输入到FT-DenseNet,通过特征提取层再到分类层输出最后的1×6类别信息(x1,x2,x3,x4,x5,x6),通过Softmax转换为类别概率,其计算公式如下,
对比测试集的1×6标签信息,最大的概率的类别即为光伏阵列当前的的工况类型。
与现有技术相比,本发明具有以下有益效果:
本发明通过模拟实际环境,可以弥补实际样本缺少的问题,提升了小样本情况下的诊断准确率。本发明使用了突变点检测算法,可以搜索到处于最大功率点的完整电气特性波形特征,可以有效剔除原始数据中的异常数据。该方法具有很高的精度和稳定性,很好的鲁棒性和泛化能力。
附图说明
图1为本发明实施例的故障诊断方法的流程图。
图2为本发明实施例的光伏阵列实物图。
图3为本发明实施例的模拟仿真光伏阵列Simulink拓扑图,其中,图3(a)为3×6光伏阵列模型图,图3(b)为3×6光伏阵列模型故障仿真图。
图4为本发明实施例的分类的混淆矩阵。
图5为本发明实施例的FT-DenseNet。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,包括以下步骤:
步骤S1:获取原始实测数据:采集各种工况条件下的光伏电气特性数据,具体包括:光伏阵列工作电压、光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流和光伏阵列功率;记录实时的温度和辐照度;
步骤S2:气象站检测到的温度与辐照度的频率分别为1/60HZ,将一分钟采集一次的温度和辐照度,分别做三次样条插值,获得一秒钟200个数据的连续值即得到频率为200HZ的环境样本;利用Simulink搭建光伏阵列仿真模型,使用该温度和辐照度模拟各种工况,同样获得如步骤S1所涉及的光伏电气特性数据即获得原始仿真数据;
步骤S3:对原始实测数据进行预处理:使用跃变点检测算法对实测数据中的光伏阵列工作电压进行全局检测,找出其波形突变的时间节点,在连续的节点之间挑选出处于最大功率点的完整电压波形,并获得处于最大功率点的其他电气特性数据,包括步骤S1中所述的除了光伏阵列工作电压以外的电气数据;对最大功率点的的电气特性数据进行整数倍抽取,降低电气特性数据的长度,获得基于时间序列的8个一维电气数据;将8个电气数据,按行拼接成二维特征矩阵,获得实测数据集;
步骤S4:按步骤S3中从实测数据检测得到的时间节点对仿真数据做相同操作,获仿真数据集;分别将仿真数据集和实测数据集按照各工况等比例划分为训练集和验证集和测试集;设计基于微调密集连接的卷积神经网络FT-DenseNet,使用仿真数据集中的训练集样本进行训练,当模型的损失函数收敛,保存模型参数,停止训练,用测试集进行验证,得到最佳的预训练模型;
步骤S5:将步骤S4中所保存的模型参数,冻结它的特征提取层,使用实测数据中的训练集重新训练分类层,并对FT-DenseNet训练模型在验证集上进行验证,得到最优且最具有泛化能力FT-DenseNet故障诊断模型;
步骤S6:利用FT-DenseNet故障诊断模型,对实际工况下的测试集电气特性数据进行检测和分类,通过分类层的输出结果对比测试集的标签信息,给出实际工况的类型。
在本实施例中,步骤S1中所述各种工况包括正常工作、组串级线线故障、阵列级线线故障、老化故障、阴影故障和开路故障:其中组串级线线故障,即单个组串的组件被短路;阵列级线线故障,即不同组串中电势差不同的节点被短路;老化故障,即阵列线路老化而电阻增大;阴影故障,即组串中组件发生阴影遮挡;开路故障,即阵列中的某个组串被断路;模拟各工况的环境条件与实际采集的环境条件一致。
在本实施例中,步骤S2中所述利用Simulink搭建光伏阵列仿真模型,使用该温度和辐照度模拟各种工况,对温度与辐照度的具体处理方式如下:
气象站检测到的温度与辐照度的频率分别为1/60HZ,为满足simulink的实时变化的准确性,使用三次样条插值得到频率为200HZ的环境样本;若实际采集时间为n小时,则得60*n+1个温度和辐照度样本,包括60*n+1个温度样本(0,T1),(1,T2),(2,T3),……(60*n,T60*n),和60*n+1个辐照度样本(0,G1),(1,G2),(2,G3),……(60*n,G60*n),最后各得到(60*n)*60*200个温度和辐照度样本,其具体公式如下:
环境样本(0,y1),(1,y2),(2,y3),……(60*n,y60*n),其步长为1,mi为二次微分值;
曲线系数:
ai=yi
在每两个环境样本之间:
yi(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)2
每两个环境样本之间由yi(x)获得12000个连续环境样本,所以总共各有(60*n)*60*200个温度样本和辐照度;温度辐照度样本作为SIMULINK的输入,得到仿真数据集。
较佳的,在本实施例中实际采集时间为3小时,可得181个温度和辐照度样本,最后得到2160000个环境样本,其具体公式如下:181个环境样本(0,y1),(1,y2),(2,y3),……(180,y180),其步长为1,mi为二次微分值;
曲线系数:
ai=yi
在每两个环境样本之间:
yi(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)2
每两个环境样本之间由yi(x)获得12000个连续环境样本,所以总共各有2160000个温度样本和辐照度;温度辐照度样本作为SIMULINK的输入,得到仿真数据集。
在本实施例中,所述步骤S3具体包括以下步骤:
步骤S31:n小时的实测数据集中有(60*n)*60*200个样本,(3小时的仿真数据中有2160000个样本)步骤S1中获得的原始实测数据集中每个样本有光伏阵列工作电压、光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流和光伏阵列功率8个特征;单独获取一维特征光伏阵列工作电压,即n小时连续采集的光伏阵列工作电压;(即3小时连续采集的光伏阵列工作电压)采用突变点检测算法,获取处于最大功率点(MPP)的时间节点,具体获取方式如下:
将每连续的200个光伏阵列工作电压作为一个集合,随机将选择一个点将该集合分为两部分,计算两边各点与各部分平均值的的残差,当总残差达到最小值,即找到突变点,其公式如下:
将V1,V2,V3,...,Vk,...V200依次带入,当J取得最小值,记录Vr=k的时间节点;
步骤S32:在每相邻的两个时间节点之间,使用整数倍采样函数decimate,压缩特征长度,将基于时间序列的光伏阵列工作电压的采样频率降低为原来的1/40,即5个电压数据,将相邻的6个时间节点的电压数据拼接成1×30的包含完整电压波形的一维特征;
步骤S33:按步骤S31、步骤S32的操作,以相同的时间节点对光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流和光伏阵列功率进行特征压缩,分别得到1×30的波形特征,最后拼接为8×30的二维特征矩阵,仿真数据集的电气特性特征按照步骤S31至步骤S33的方法获得8×30的二维特征矩阵。
在本实施例中,步骤S4中所述将实测和仿真数据集分别按照不同的工况等比例分为训练集、验证集和测试集;具体为将仿真数据集的各工况按70%,30%,的比例分为训练集,测试集。实测数据中,将各工况按2%,10%,88%的比例分为训练集,验证集,测试集。
在本实施例中,步骤S4中所述设计基于微调密集连接的卷积神经网络FT-DenseNet的网络结构由特征提取层和分类层组成;特征提取层包括两个密集连接模块和一个传递层,每一个密集连接模块由5个复合函数(BN-ReLU-Conv2d)构成;传递层则由一个BN-ReLU-Conv2d的复合函数和池化层组成,一个BN-Conv2d和两个线性全连接层作为分类层,以交叉熵作为损失函数,采用Adam优化算法训练网络,直至损失函数收敛,即损失函数小于0.001,其损失函数计算公式如下:
其中,n为输出神经元的个数,yk为所期望的输出值,σ为目标函数,zk代表神经元实际输出值。
在本实施例中,步骤S5中所述得到最优且最具有泛化能力FT-DenseNet故障诊断模型的具体实现方式为:
步骤SA:使用仿真数据集的训练集,预训练FT-DenseNet,直至损失函数收敛,即损失函数小于0.001,使用仿真测试集验证获得最优的预训练网络模型,保存泛化性能强的网络参数;步骤SB:冻结FT-DenseNet的特征提取层,使用实测数据训练集以及较小的学习率(0.001-0.0001),重新训练它的分类层,当损失函数收敛,停止训练,得到最优的FT-DenseNet网络模型。
在本实施例中,步骤S6中所述对实际工况下的测试集电气特性数据进行检测和分类具体实现方式为:将实际工况测试集输入到FT-DenseNet,通过特征提取层再到分类层输出最后的1×6类别信息(x1,x2,x3,x4,x5,x6),通过Softmax转换为类别概率,其计算公式如下,
对比测试集的1×6标签信息,最大的概率的类别即为光伏阵列当前的的工况类型。
本实施例首先,采集实际工况下的电气特性数据以及环境数据,然后利用Simulink搭建模型阵列,模拟实际工况;获取仿真的电气特性数据,其次,通过突变点检测算法,剔除实际和仿真中的异常数据,获取完整的电气波形数据,对其进行采样,压缩特征,拼接为二维特征矩阵。而后,设计密集连接卷积神经网络,使用仿真训练集和Adam优化算法预训练网络,再使用少量的实际工况的训练集微调网络。最后,利用FT-DenseNet故障诊断网络,对待测工况测试集下的光伏发电阵列进行检测和分类。
较佳的,本实施例通过突变点检测,获得完整无异常的一维电气波形特征,将多类特征拼接为二维特征矩阵。通过采集实时环境温度,模拟出实际工况。FT-DenseNet利用仿真数据集训练好网络,冻结一部分网络,使用少量的实际数据微调网络,克服了少量样本导致的过拟合问题,等到了精确度高,鲁棒性好,泛化能力好的分类网络,是一种有效的光伏故障诊断替代方案。
较佳的,本实施例的具体示例如下:
图2为本实施实例中,用于获取实际样本的光伏阵列实物图,其中光伏阵列采用20块型号为GL-M100太阳能组件,分别是两个参考组件,以及3×6的阵列。图3(a)为本实施实例的Simulink光伏阵列模拟拓扑图,与实际光伏阵列一样,为3×6的阵列和两个参考组件。其故障诊断及分类方法具体实施过程如下:
步骤S1:采集各种工况条件下的光伏电气特性数据,具体包括:光伏阵列工作电压、光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流,光伏阵列功率。记录实时的温度和辐照度;
步骤S2:将一分钟采集一次的温度和辐照度,分别做三次样条插值,获得一秒钟200个数据的连续值。利用Simulink搭建光伏阵列仿真模型,使用该温度和辐照度模拟各种工况,同样获得如步骤S1所涉及的光伏电气特性数据;
步骤S3:使用跃变点检测算法对实测数据集的光伏阵列工作电压进行全局检测,找出其波形突变的时间节点,在连续的节点之间挑选出处于最大功率点的完整电压波形,并获得处于最大功率点的其它电气特性数据,包括步骤S1中所述的除了光伏阵列工作电压以外的电气数据;对最大功率点的的电气特性数据进行整数倍抽取,降低电气特性数据的长度,获得基于时间序列的8个一维电气数据。将8个电气数据,按行拼接成二维特征矩阵,获得实测数据集;
步骤S4:按步骤S3中从实测数据检测得到的最大功率点对仿真数据做相同,获仿真数据集;分别将仿真数据集和实测数据集按照各工况等比例划分为训练集和验证集和测试集。设计基于微调密集连接的卷积神经网络FT-DenseNet,使用仿真数据集中的训练集样本进行训练,当模型的损失函数收敛,保存模型参数,停止训练,用测试集进行验证,得到最佳的预训练模型;
步骤S5:将步骤S4中所保存的模型参数,冻结它的特征提取层,使用实测数据中的训练集重新训练分类层,并对FT-DenseNet训练模型在验证集上进行验证,得到最优且最具有泛化能力FT-DenseNet故障诊断模型;
步骤S6:利用FT-DenseNet故障诊断模型,对实际工况下的测试集电气特性数据进行检测和分类,通过分类层的输出结果对比测试集的标签信息,给出实际工况的类型。
较佳的,在本实施例中,在步骤S2中,将实际环境中的温度与辐照度作为输入参数,模拟实际工况。对温度与辐照度的具体处理方式如下:
气象站检测到的温度与辐照度的频率分别为1/60HZ,为满足simulink的实时变化的准确性,使用三次样条插值得到频率为200HZ的环境样本;若实际采集时间为n小时,则得60*n+1个温度和辐照度样本,包括60*n+1个温度样本(0,T1),(1,T2),(2,T3),……(60*n,T60*n),和60*n+1个辐照度样本(0,G1),(1,G2),(2,G3),……(60*n,G60*n),最后各得到(60*n)*60*200个温度和辐照度样本,其具体公式如下:
环境样本(0,y1),(1,y2),(2,y3),……(60*n,y60*n),其步长为1,mi为二次微分值;
曲线系数:
ai=yi
在每两个环境样本之间:
yi(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)2
每两个环境样本之间由yi(x)获得12000个连续环境样本,所以总共各有(60*n)*60*200个温度样本和辐照度。
较佳的,在本实施例步骤S3中,
步骤S31:3小时的仿真数据中有2160000个样本,每个样本有光伏阵列工作电压、光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流,光伏阵列功率8个特征。单独获取一维特征光伏阵列工作电压,即3小时连续采集的光伏阵列工作电压。采用突变点检测算法,获取处于最大功率点(MPP)的时间节点,具体获取方式如下:
将每连续的20个光伏阵列工作电压作为一个集合,随机将选择一个点将该集合分为两部分,计算两边各点与各部分平均值的的残差,当总残差为达到最小值,即可找到突变点,其公式如下:
将V1,V2,V3,...,Vk,...V200依次带入,当J取得最小值,记录Vr=k的时间节点,
步骤S32:在每相邻的两个时间节点之间,使用整数倍采样函数decimate,压缩特征长度,将基于时间序列的光伏阵列工作电压的采样频率降低为原来的1/4,即5个电压数据,将相邻的6个时间节点的电压数据拼接成1×30的包含完整电压波形的一维特征:
步骤S33:按S31,S32的操作,以相同的时间节点对光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流,光伏阵列功率进行特征压缩,分别得到1×30的波形特征,最后拼接为8×30的二维特征矩阵,实测数据集的电气特性特征以相同的方法获得8×30的二维特征矩阵。
在本实施实例中,Simulink组件拓扑图见图3(b),其中R_oc=∞,R_de=∞E1,E2,E3,E4,E5分别为触发器,其工况对应如表1所示。
在本实施例中,该FT-DenseNet故障诊断训练模型的故障检测准确率在验证集上可达到100%,在测试集上课达到99.3%,对于各个小类的分类故障诊断率如表2所示,从实验结果来看,该方法能够高效准确地应用于分布式光伏阵列的故障诊断领域。混淆矩阵如图4,所示,FT-DenseNet结构图如图5所示。
表2
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (8)
1.一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,其特征在于:包括以下步骤:
步骤S1:获取原始实测数据:采集各种工况条件下的光伏电气特性数据,具体包括:光伏阵列工作电压、光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流和光伏阵列功率;记录实时的温度和辐照度;
步骤S2:气象站检测到的温度与辐照度的频率分别为1/60HZ,将一分钟采集一次的温度和辐照度,分别做三次样条插值,获得一秒钟200个数据的连续值即得到频率为200HZ的环境样本;利用Simulink搭建光伏阵列仿真模型,使用该温度和辐照度模拟各种工况,同样获得如步骤S1所涉及的光伏电气特性数据即获得原始仿真数据;
步骤S3:对原始实测数据进行预处理:使用跃变点检测算法对实测数据中的光伏阵列工作电压进行全局检测,找出其波形突变的时间节点,在连续的节点之间挑选出处于最大功率点的完整电压波形,并获得处于最大功率点的其他电气特性数据,包括步骤S1中的除了光伏阵列工作电压以外的电气数据;对最大功率点的电气特性数据进行整数倍抽取,降低电气特性数据的长度,获得基于时间序列的8个一维电气数据;将8个电气数据,按行拼接成二维特征矩阵,获得实测数据集;
步骤S4:按步骤S3中从实测数据检测得到的时间节点对仿真数据做相同操作,获仿真数据集;分别将仿真数据集和实测数据集按照各工况等比例划分为训练集和验证集和测试集;设计基于微调密集连接的卷积神经网络FT-DenseNet,使用仿真数据集中的训练集样本进行训练,当模型的损失函数收敛,保存模型参数,停止训练,用测试集进行验证,得到最佳的预训练模型;
步骤S5:将步骤S4中所保存的模型参数,冻结它的特征提取层,使用实测数据中的训练集重新训练分类层,并对FT-DenseNet训练模型在验证集上进行验证,得到最优且最具有泛化能力FT-DenseNet故障诊断模型;
步骤S6:利用FT-DenseNet故障诊断模型,对实际工况下的测试集电气特性数据进行检测和分类,通过分类层的输出结果对比测试集的标签信息,给出实际工况的类型。
2.根据权利要求1所述的一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,其特征在于:步骤S1中所述各种工况包括正常工作、组串级线线故障、阵列级线线故障、老化故障、阴影故障和开路故障:其中组串级线线故障,即单个组串的组件被短路;阵列级线线故障,即不同组串中电势差不同的节点被短路;老化故障,即阵列线路老化而电阻增大;阴影故障,即组串中组件发生阴影遮挡;开路故障,即阵列中的某个组串被断路;模拟各工况的环境条件与实际采集的环境条件一致。
3.根据权利要求1所述的一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,其特征在于:步骤S2中所述利用Simulink搭建光伏阵列仿真模型,使用该温度和辐照度模拟各种工况,对温度与辐照度的具体处理方式如下:
气象站检测到的温度与辐照度的频率分别为1/60HZ,为满足Simulink的实时变化的准确性,使用三次样条插值得到频率为200HZ的环境样本;若实际采集时间为n小时,则得60*n+1个温度和辐照度样本,包括60*n+1个温度样本(0,T1),(1,T2),(2,T3),……(60*n,T60*n),和60*n+1个辐照度样本(0,G1),(1,G2),(2,G3),……(60*n,G60*n),最后各得到(60*n)*60*200个温度和辐照度样本,其具体公式如下:
环境样本(0,y1),(1,y2),(2,y3),……(60*n,y60*n),其步长为1,mi为二次微分值;
曲线系数:
ai=yi
在每两个环境样本之间:
yi(x)=ai+bi(x-xi)+ci(x-xi)2+di(x-xi)2
每两个环境样本之间由yi(x)获得12000个连续环境样本,所以总共各有(60*n)*60*200个温度样本和辐照度;温度辐照度样本作为SIMULINK的输入,得到仿真数据集。
4.根据权利要求1所述的一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,其特征在于:所述步骤S3具体包括以下步骤:
步骤S31:n小时的实测数据集中有(60*n)*60*200个样本,步骤S1中获得的原始实测数据集中每个样本有光伏阵列工作电压、光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流和光伏阵列功率6个特征;单独获取一维特征光伏阵列工作电压,即n小时连续采集的光伏阵列工作电压;采用突变点检测算法,获取处于最大功率点的时间节点,具体获取方式如下:
将每连续的200个光伏阵列工作电压作为一个集合,随机将选择一个点将该集合分为两部分,计算两边各点与各部分平均值的残差,当总残差达到最小值,即找到突变点,其公式如下:
将V1,V2,V3,…,Vk,...V200依次带入,当J取得最小值,记录Vr=k时间节点;
步骤S32:在每相邻的两个时间节点之间,使用整数倍采样函数decimate,压缩特征长度,将基于时间序列的光伏阵列工作电压的采样频率降低为原来的1/40,即5个电压数据,将相邻的6个时间节点的电压数据拼接成1×30的包含完整电压波形的一维特征;
步骤S33:按步骤S31、步骤S32的操作,以相同的时间节点对光伏阵列工作电流、三个组串的工作电流、参考板开路电压、参考板短路电流和光伏阵列功率进行特征压缩,分别得到1×30的波形特征,最后拼接为8×30的二维特征矩阵,仿真数据集的电气特性特征按照步骤S31至步骤S33的方法获得8×30的二维特征矩阵。
5.根据权利要求1所述的一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,其特征在于:步骤S4中所述将实测和仿真数据集分别按照不同的工况等比例分为训练集、验证集和测试集;具体为将仿真数据集的各工况按70%,30%的比例分为训练集,测试集;实测数据中,将各工况按2%,10%,88%的比例分为训练集,验证集,测试集。
6.根据权利要求1所述的一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,其特征在于:步骤S4中所述设计基于微调密集连接的卷积神经网络FT-DenseNet的网络结构由特征提取层和分类层组成;特征提取层包括两个密集连接模块和一个传递层,每一个密集连接模块由5个复合函数构成;传递层则由一个BN-ReLU-Conv2d的复合函数和池化层组成,一个BN-Conv2d和两个线性全连接层作为分类层,以交叉熵作为损失函数,采用Adam优化算法训练网络,直至损失函数收敛,即损失函数小于0.001,其损失函数计算公式如下:
其中,n为输出神经元的个数,yk为所期望的输出值,σ为目标函数,zk代表神经元实际输出值。
7.根据权利要求1所述的一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,其特征在于:步骤S5中所述得到最优且最具有泛化能力FT-DenseNet故障诊断模型的具体实现方式为:
步骤SA:使用仿真数据集的训练集,预训练FT-DenseNet,直至损失函数收敛,即损失函数小于0.001,使用仿真测试集验证获得最优的预训练网络模型,保存泛化性能强的网络参数;
步骤SB:冻结FT-DenseNet的特征提取层,使用实测数据训练集以及较小的学习率范围在0.001-0.0001,重新训练它的分类层,当损失函数收敛,停止训练,得到最优的FT-DenseNet网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011199284.3A CN112787591B (zh) | 2020-10-30 | 2020-10-30 | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011199284.3A CN112787591B (zh) | 2020-10-30 | 2020-10-30 | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112787591A CN112787591A (zh) | 2021-05-11 |
CN112787591B true CN112787591B (zh) | 2022-05-13 |
Family
ID=75750150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011199284.3A Active CN112787591B (zh) | 2020-10-30 | 2020-10-30 | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112787591B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283175B (zh) * | 2021-06-09 | 2023-02-03 | 上海交通大学 | 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 |
CN113538167A (zh) * | 2021-07-06 | 2021-10-22 | 江阴长仪集团有限公司 | 一种基于深度神经网络的光伏***状态识别方法及*** |
CN113848078B (zh) * | 2021-08-25 | 2023-12-08 | 祥博传热科技股份有限公司 | 一种热管散热器中热管失效判断的检测方法 |
CN115659799B (zh) * | 2022-10-24 | 2023-05-16 | 国网浙江省电力有限公司电力科学研究院 | 一种具备阈值自适应功能的锂电储能电站故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
US20190386611A1 (en) * | 2018-08-10 | 2019-12-19 | Jiangnan University | Photovoltaic Array Fault Diagnosis Method Based on Random Forest Algorithm |
-
2020
- 2020-10-30 CN CN202011199284.3A patent/CN112787591B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190386611A1 (en) * | 2018-08-10 | 2019-12-19 | Jiangnan University | Photovoltaic Array Fault Diagnosis Method Based on Random Forest Algorithm |
CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112787591A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112787591B (zh) | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 | |
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 | |
CN108062571B (zh) | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 | |
CN110398663B (zh) | 一种基于卷积神经网络的柔性直流电网故障识别方法 | |
CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
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 | |
CN109459669B (zh) | 10kV配电网单相接地故障区段定位方法 | |
CN109932627A (zh) | 一种gis耐压试验局部放电的定位方法及*** | |
CN109670553B (zh) | 基于自适应神经模糊推理***的光伏阵列故障诊断方法 | |
CN110008628B (zh) | 一种光伏阵列故障参数辨识方法 | |
CN110570122A (zh) | 一种计及风速季节特性及集电***元件故障的海上风电场可靠性评估方法 | |
CN108805256A (zh) | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 | |
CN112485587B (zh) | 一种含分布式光伏配电网故障区段分层定位方法 | |
CN115932484A (zh) | 输电线路故障辨识与故障测距方法、装置和电子设备 | |
Sima et al. | Edge–cloud collaboration detection approach for small-sample imbalanced faults in power lines | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
Han et al. | An intelligent fault diagnosis method for PV arrays based on an improved rotation forest algorithm | |
CN113595132A (zh) | 基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法 | |
CN114528883A (zh) | 一种风电变流器igbt故障识别方法 | |
CN110348489B (zh) | 一种基于自编码网络的变压器局部放电模式识别方法 | |
Fu et al. | Fault diagnosis of photovoltaic array based on SE-ResNet | |
Dehghani et al. | Distribution feeder classification based on self organized maps (case study: Lorestan province, Iran) | |
CN114157552A (zh) | 一种基于孪生时序图网络的配网故障检测方法 | |
Hasegawa et al. | Iv curve differences image classification by cnn for failure factor determination in pv system | |
Chen et al. | Research on fault diagnosis for TCT photovoltaic array based on BA-KELM model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |