18禁勿入网站免费永久,精品久久久久久久久无码,国产an无码毛片,国产成本人片免费av

隨著光伏發(fā)電裝機容量的不斷上升，如何及時檢測和解決光伏組件故障和異常，減少組件能量損失，提高光伏系統(tǒng)的發(fā)電效率成為一項重要任務。福州大學配電網(wǎng)及其自動化研究中心團隊通過研究光伏陣列處于不同故障狀態(tài)下的I-V曲線之間的特征差異性，直接以I-V曲線作為故障診斷的輸入量，提出了一種融合卷積神經網(wǎng)絡與長短期記憶網(wǎng)絡的光伏系統(tǒng)故障辨識的方法?，F(xiàn)場實驗結果驗證了所提方法的有效性。

團隊介紹

福州大學配電網(wǎng)及其自動化研究中心長期致力于電力配電網(wǎng)監(jiān)測、控制與保護新技術的研究與應用；結合人工智能技術、大數(shù)據(jù)分析技術、電力電子功率變換技術和智能優(yōu)化調控技術，在電力配電網(wǎng)及其主設備故障診斷與抑制領域開展了基礎研究以及工程應用。主要涉及配電網(wǎng)單相接地故障選線及區(qū)段定位、配電網(wǎng)單相接地故障柔性消弧、配電變壓器故障診斷、光伏發(fā)電系統(tǒng)故障診斷、可再生能源發(fā)電與并網(wǎng)等研究方向。近年來，該團隊完成了多個國家，省和電網(wǎng)企業(yè)的研究項目。

研究背景

相較于傳統(tǒng)的發(fā)電方式，光伏發(fā)電具有安全可靠，無噪聲，無污染排放，建設周期短等特點。據(jù)統(tǒng)計，2020年，全球光伏新增裝機容量256GW，占全部新能源裝機容量的54.1%，總裝機容量達到760GW。

光伏系統(tǒng)工作在復雜的戶外環(huán)境中，同時受到熱循環(huán)、紫外線、風激振等各種環(huán)境因素的作用，會出現(xiàn)一定程度上的老化和各種故障，這些故障的發(fā)生會使得光伏系統(tǒng)的輸出功率大幅度下降，嚴重情況下甚至會引起火災事故。

論文所解決的問題及意義
當前大多數(shù)光伏系統(tǒng)雖然已實現(xiàn)了對系統(tǒng)運行狀態(tài)的實時監(jiān)測，但還只能顯示和統(tǒng)計發(fā)電運行數(shù)據(jù)和停電事件，無法實現(xiàn)潛在故障預警。故障識別只能依靠經驗豐富的工程師對現(xiàn)場設備進行測試或通過數(shù)據(jù)解讀實現(xiàn)，有限的人力資源無法滿足規(guī)模龐大的光伏市場的需求。及時可靠的故障判別能夠避免發(fā)電損失、設備損毀和火災事故的發(fā)生，提高太陽光電運行壽命和經濟效益。

 

通過研究光伏陣列處在不同狀態(tài)下的I-V曲線可以發(fā)現(xiàn)，對于不同故障類型，I-V曲線形狀有明顯差別，外特征參數(shù)（開路電壓，短路電流，最大功率點的電壓及電流）也包含于I-V曲線中，因此以I-V曲線作為輸入特征進行診斷是最簡單、最直接的方法。

此外，由I-V曲線的特征方程可知，輻照度和短路電流的大小成正比，溫度和開路電壓的大小成反比。溫度和輻照度的波動只會影響I-V曲線的幅度，不會導致曲線的形狀產生變化。為了盡可能提高算法的診斷效率，在本研究中組件的面板溫度和所受輻照度不被考慮作為故障診斷網(wǎng)絡的輸入量，研究直接使用I-V曲線作為輸入特征。

2 基于CNN-LSTM模型的故障診斷方法
本文在回顧和總結前人工作的基礎上，結合了卷積神經網(wǎng)絡（convolutional neural network，CNN）與長短期記憶網(wǎng)絡（long short-term memory，LSTM）,構建了一個基于CNN與LSTM的融合模型。

該模型通過三個不同尺度的卷積分支挖掘各個局部數(shù)據(jù)特征之間的關系，對三個特征進行疊加后再利用LSTM單元對挖掘出的時序動態(tài)特征加以記憶并建模，使得模型更容易捕獲I-V曲線數(shù)據(jù)之間相互關聯(lián)和依賴的特性。相比于單尺度卷積的方式，模型采用多尺度卷積能以多個尺度觀察樣本，得到的特征信息相比于單尺度也更加具體。

研究建立了基于CNN-LSTM的融合模型用于光伏系統(tǒng)故障辨識。所提方法的操作流程如圖3所示。

3 實驗驗證

研究建立了一個容量為6.48kWp的光伏實驗案場用來獲取所需I-V曲線數(shù)據(jù)，實驗平臺及故障模擬如圖4所示。 從實驗平臺獲取的樣本類型有11種，包含1種正常狀態(tài)、4種故障狀態(tài)和6種混合故障狀態(tài)。每個樣本類型被隨機劃分為訓練集、驗證集和測試集。利用訓練好的模型對測試集樣本進行故障診斷，總體準確率為96.82%。

結論
本文提出了一種融合卷積神經網(wǎng)絡與長短期記憶網(wǎng)絡的光伏系統(tǒng)直流側故障辨識方法。所提方法通過采集離網(wǎng)狀態(tài)下光伏陣列的I-V曲線，然后利用多尺度卷積網(wǎng)絡豐富了模型對樣本的局部特征提取，對曲線的時序動態(tài)特征加以建模，從而實現(xiàn)特征的記憶和分類。實驗結果表明，所提方法對實測數(shù)據(jù)的分類準確率達到了96.82%，在實際應用中能滿足光伏系統(tǒng)故障診斷對準確率的要求。

引用本文
涂彥昭, 高偉, 楊耿杰. 一種基于卷積神經網(wǎng)絡和長短期記憶網(wǎng)絡的光伏系統(tǒng)故障辨識方法[J]. 電氣技術, 2022, 23(2): 48-54. TU Yanzhao, GAO Wei, YANG Gengjie. A photovoltaic system fault identification method based on convolutional neural network and long short-term memory network. Electrical Engineering, 2022, 23(2): 48-54. 

原標題：福州大學研究團隊提出一種光伏系統(tǒng)故障辨識的新方法