檢視一种基于极限学习机和皮尔逊相关系数的光伏阵列故障快速诊断方法的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=https://p3.itc.cn/q_70/images03/20211221/c36cab742ae34adea7200e9c5a747500.jpeg width="300"></center>
<small>[https://www.sohu.com/a/510406440_321349 来自 搜狐网 的图片]</small>
|}

'''一种基于极限学习机和皮尔逊相关系数的光伏阵列故障快速诊断方法'''光伏阵列故障会造成[[能量]]损失，甚至引发供电中断或火灾事故。因此，对故障的快速识别至关重要。本项目提出一种[[光伏]]<ref>[https://www.sohu.com/a/696664577_121123896 关于光伏的那些事儿，光伏产业发展趋势分析]，搜狐，2023-07-11</ref>阵列故障快速诊断方法，用于快速感知故障及故障发生的时刻。

==一、案例简介==

光伏阵列故障会造成能量损失，甚至引发供电中断或火灾事故。因此，对故障的快速识别至关重要。本项目提出一种光伏阵列故障快速诊断方法，用于快速感知故障及故障发生的时刻。通过分析光伏阵列常见故障的[[信号]]变化规律，提出利用正常运行时的[[功率]]波形训练一个极限学习机预测模型，用于预测短时功率的变化；接着计算实测波形和预测波形的皮尔逊相关系数；若光伏阵列发生故障，相关系数将低于一定的阈值，从而识别故障的发生。实测实验验证了所提方法具有很强的故障辨识能力，准确率达到99.37%。所提方法的故障辨识时间仅为4.355ms，亦可作为光伏阵列故障录波的启动方法使用。

==二、技术要点==

本项目提出一种基于极限学习机（extreme learning machine,ELM）和序列相关系数的光伏系统故障快速诊断方法，通过比较发电功率的预测波形和实际波形的相关系数变化，实现[[光伏]]系统的故障诊断和对故障时 刻的甄别。

==三、应用场景==

光伏发电系统

==四、应用成效==

本项目提出了一种基于极限学习机和皮尔逊相关系数的故障快速检测方法。所提方法通过极限学习机模型预测了未来功率波形的变化，并通过波形相关系数的下降特征判定故障发生的时刻。经实验验证，所提方法能准确辨识出线间、开路、遮阴等故障，准确率达到99.37%，运行时间仅4.355ms，达到实际应用要求。在本项目中，[[逆变器]]<ref>[https://www.sohu.com/a/548993501_121045375 逆变器的17种主要类型]，搜狐，2022-05-20 </ref>的MPPT 启动，可能会导致算法将其误判为故障。但是作为故障录波的启动算法，追求的是快速性，而非极高的辨识准确率。位于其后端的故障分类算法可以将MPPT 启动的样本辨识出来。因此，所提方法满足作为故障启动判据的要求。在后续的[[研究]]中，将重点考虑将算法部署到单片机或树莓派上，以测试其在实际应用中的适应性。

==参考文献==
[[Category:500 社會科學類]]