一種基於極限學習機和皮爾遜相關係數的光伏陣列故障快速診斷方法檢視原始碼討論檢視歷史

來自 搜狐網 的圖片

一種基於極限學習機和皮爾遜相關係數的光伏陣列故障快速診斷方法光伏陣列故障會造成能量損失，甚至引發供電中斷或火災事故。因此，對故障的快速識別至關重要。本項目提出一種光伏陣列故障快速診斷方法，用於快速感知故障及故障發生的時刻。

一、案例簡介

光伏陣列故障會造成能量損失，甚至引發供電中斷或火災事故。因此，對故障的快速識別至關重要。本項目提出一種光伏陣列故障快速診斷方法，用於快速感知故障及故障發生的時刻。通過分析光伏陣列常見故障的信號變化規律，提出利用正常運行時的功率波形訓練一個極限學習機預測模型，用於預測短時功率的變化；接着計算實測波形和預測波形的皮爾遜相關係數；若光伏陣列發生故障，相關係數將低於一定的閾值，從而識別故障的發生。實測實驗驗證了所提方法具有很強的故障辨識能力，準確率達到99.37%。所提方法的故障辨識時間僅為4.355ms，亦可作為光伏陣列故障錄波的啟動方法使用。

二、技術要點

本項目提出一種基於極限學習機（extreme learning machine,ELM）和序列相關係數的光伏系統故障快速診斷方法，通過比較發電功率的預測波形和實際波形的相關係數變化，實現光伏系統的故障診斷和對故障時 刻的甄別。

三、應用場景

光伏發電系統

四、應用成效

本項目提出了一種基於極限學習機和皮爾遜相關係數的故障快速檢測方法。所提方法通過極限學習機模型預測了未來功率波形的變化，並通過波形相關係數的下降特徵判定故障發生的時刻。經實驗驗證，所提方法能準確辨識出線間、開路、遮陰等故障，準確率達到99.37%，運行時間僅4.355ms，達到實際應用要求。在本項目中，逆變器的MPPT 啟動，可能會導致算法將其誤判為故障。但是作為故障錄波的啟動算法，追求的是快速性，而非極高的辨識準確率。位於其後端的故障分類算法可以將MPPT 啟動的樣本辨識出來。因此，所提方法滿足作為故障啟動判據的要求。在後續的研究中，將重點考慮將算法部署到單片機或樹莓派上，以測試其在實際應用中的適應性。