利用多层感知机和Ⅰ-Ⅴ特性的光伏组件建模方法

为了提高光伏组件模型的准确度和可靠性,提出一种利用多层感知机和不同工况下实测的Ⅰ-Ⅴ特性曲线数据集的建模新方法.首先,使用双线性插值法对实测Ⅰ-Ⅴ曲线进行重采样,以提高Ⅰ-Ⅴ曲线上数据点分布的均匀性;然后使用基于温度-辐照度的网格采样法对数据集进行下采样,降低数据冗余度.其次,提出一种基于多层感知机神经网络的光伏组件模型,并基于预处理的Ⅰ-Ⅴ曲线数据集,使用Adam算法训练该模型.最后,采用实测Ⅰ-Ⅴ特性曲线数据集,验证和测试了所提出的建模方法,并与支持向量机、梯度提升决策树等机器学习算法进行对比.实验结果证明,所提出的建模方法具有更高的精度和泛化性能.     

利用改进Elman神经网络的光伏I-V特性建模方法

为了准确表征和预测光伏(PV)组件在不同工况下的电流电压(I-V)特性，提出一种利用改进Elman神经网络的光伏I-V曲线黑盒建模新方法.首先，通过皮尔森相关系数分析影响I-V曲线的环境因素；其次，使用基于电压电流的双线性插值法对实测I-V曲线进行重采样，以提高I-V曲线上数据点分布的均匀性；再次，使用基于辐照度温度的网格采样法对I-V曲线数据集进行下采样，降低数据冗余度，并利用量子粒子群(QPSO)算法优化Elman神经网络的初始权值和阈值，从而构造QPSO-Elman预测模型.最后，根据实测I-V曲线数据集进行实验验证和测试，并与多层感知机、未改进的Elman网络、支持向量机等算法进行对比.实验结果表明，所提出的建模预测方法精度更高，稳定性和泛化能力更好.     

一种利用改进Elman神经网络的光伏I-V特性建模方法

为了准确表征和预测光伏（PV）组件在不同工况下的电流电压（I-V）特性,本文提出一种利用改进Elman神经网络的光伏I-V曲线黑盒建模新方法。首先通过皮尔森相关系数分析影响I-V曲线的环境因素;其次使用基于电压电流的双线性插值法对实测I-V曲线进行重采样,以提高I-V曲线上数据点分布的均匀性;进而使用基于辐照度温度的网格采样法对I-V曲线数据集进行下采样,降低数据冗余度;再利用量子粒子群（QPSO）算法优化Elman神经网络的初始权值和阈值,从而构造QPSO-Elman预测模型。最后根据美国国家可再生能源实验室（NREL）提供的I-V曲线数据集进行实验验证和测试。实验结果表明,所提出的建模预测方法精度更高,稳定性和泛化能力更好。     

一种光伏组件I-V特性曲线测试及参数辨识系统

提出一种光伏组件的I-V曲线扫描与参数识别系统.该系统采用功率MOS管作为电子负载,通过控制MOS管的导通程度改变电子负载以实现I-V特性曲线扫描;采用新型布谷鸟-NM单纯形混合算法实现快速、精确的I-V曲线拟合,以提取准确光伏模型参数.现场实验结果表明:该系统能够快速扫描光伏组件的I-V特性曲线,实现精确的模型参数辨识,具有较高的实际工程应用价值.     

利用相似日小波变换和多层感知机的短期光伏功率预测

为了提高光伏功率预测的准确性和可靠性,基于相似日小波变换和多层感知机建立智能光伏功率预测模型;将小波变换的多分辨率特点和多层感知机的非线性拟合能力结合起来,以有效地提高预报的可靠性.首先,选取相似日数据并归一化,并用小波变换对数据进行预处理;其次,训练多层感知机模型学习气象因素与光伏功率之间的映射关系;最后,基于沙漠知...     

光伏模组积灰与阴影特性分析及识别方法

针对光伏模组积灰与阴影特性识别问题,详细分析了积灰和阴影的光伏特性曲线差异,揭示了阴影光伏曲线的拐点时变特性。提出由特性曲线的拐点数量及电流电压特性条件共同构成训练模型的输入特征量,基于CatBoost算法训练积灰和阴影识别模型。最后,利用光伏模组实测数据对CatBoost算法、ID3和GA-BP算法训练出的识别模型进行性能分析和对比测试,结果表明基于CatBoost训练出的识别模型输入量区分性强、诊断精度高,极具工程应用价值。     

基于参数优化的光伏电池故障诊断

提出一种基于参数优化的光伏电池故障诊断方法.采用优化的人工蜂群算法对影响光伏电池I-V曲线的参数进行辨识,获取不同故障类型光伏电池特征参数数据集,建立概率神经网络故障诊断模型对光伏电池故障类型进行诊断.仿真结果表明,优化的人工蜂群算法能够对光伏电池特征参数进行快速、准确的辨识,故障诊断结果与故障特征一致,验证了基于参数优化光伏电池故障诊断方法的有效性.     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

基于伪标签-1D DenseNet-KNN的光伏阵列开集复合故障诊断方法

提出了一种基于伪标签-1D DenseNet-KNN的光伏阵列故障诊断方法,实现在少标签样本下的光伏阵列复合故障开集识别。首先,分析了各种常见单一故障及灰尘覆盖下复合故障的I-V曲线特性。然后,为了克服常规的半监督机器学习算法需手动提取数据特征,采用一种伪标签与1D DenseNet相结合的半监督方法自动提取特征。最后,将对训练数据提取的特征、训练数据预测的标签及测试样本提取的特征输入K最近邻（KNN）算法进行开集复合故障诊断。实验表明,该方法不仅能准确分类各种已知类样本,而且能识别出未知类别故障,并且模型的训练仅需少量标签数据。     

一种基于混合深度学习的推荐算法

为解决推荐算法中的冷启动和数据稀疏性问题,提高推荐的效率,提出一种基于混合深度学习的推荐算法。该算法将深度学习中的半自动编码器和多层感知机模型有效结合,通过半自动编码器模型解决稀疏数据,并融合相关辅助信息解决冷启动问题。它先用半自动编码器提取用户和项目的深层次特征,再将提取的潜在特征输入到多层感知机中进行非线性融合,完成评分预测。实验结果表明,相比于其他算法,该算法可以更好地处理稀疏数据和冷启动问题,使推荐准确性得到不同程度的提升。在给定数据集上,该算法比传统矩阵分解算法的均方根误差提升了约46%。     

采用ELM和优化电压传感器布局的光伏阵列故障检测与区域定位

为快速检测并定位光伏阵列中出现的故障,提出一种新的传感器布局策略,通过优化电压传感器的位置减少电压传感器的数量,同时显化故障的特征.然后,将定位问题转化为分类问题,选用极限学习机(ELM),将最大功率点处的电压数据作为输入训练分类模型.结合实验室屋顶光伏并网发电平台获取的故障数据,对健康状态和所设置的3种故障状态下细化的故障共18种类别,进行分类模型的建立与测试.实验表明,应用本模型故障检测与区域定位的精确率达99.52%,优于所对比的支持向量机、多层感知机网络和随机森林的诊断结果.     

利用改进初始化的残差-密集连接网络的光伏阵列故障诊断

针对在现实生活中光伏阵列大部分运行在正常的工作状态,缺少故障数据的问题,提出一种改进初始化的方法代替随机初始化来训练深度学习模型,以提高故障诊断模型的可靠性.同时,提出基于残差-密集连接网络的光伏故障诊断模型,并基于I-V曲线与最大功率点、温度、辐照度和填充因子作为输入特征.最后,通过多种光伏阵列故障数据检测所提出的方...     

基于改进多种群粒子群算法的光伏组件参数辨识

针对光伏组件参数辨识问题,本文首先通过调整光伏单二极管超越方程重构出低计算复杂度的目标函数,又预估计模型参数对搜索空间进行优化,再结合多种群粒子群算法与单纯形算法的优点,构造出N-MPSO混合新算法用于光伏组件模型参数的精确稳定辨识。最后利用多种实际光伏组件测量数据对所提方法进行检验。结果表明N-MPSO算法相较于传统算法能够更加准确、快速且稳定地辨识出任意环境条件下光伏组件的模型参数,对于光伏组件及光伏电站的设计、测试与诊断具有实际意义。     

基于机器学习的低弹性模量钛合金建模和预测的研究

针对钛合金弹性模量快速预测的需要，采用合金设计公式对原始合金数据进行转换，利用转换所得的Mo当量、d-电子结合次数和d-电子结合能作为数据集；采用多层感知器、随机森林网络和卷积神经网络三种机器学习方法，基于数据驱动方式搭建钛合金成分与弹性模量的关系模型。结果表明，相比随机森林网络模型和卷积神经网络模型，多层感知器模型具有更优的预测性能和预测精度。此外，多层感知器模型的预测能力符合预期，其相关指数评分达到0.66，均方根误差为7.54 GPa；说明多层感知器适用于医用钛合金的数据挖掘和研发。     

基于TMS320F2812和BUCK电路的光伏阵列模拟器

采用TMS320F2812DSP为控制器,BUCK电路为主电路,研究与设计了一种新型光伏阵列模拟器.模拟算法利用模拟器负载电流与阵列特性电流的差值控制BUCK电路开关的占空比,调节模拟器输出电压,使模拟器的工作点逐步逼近光伏阵列I-V特性的工作点,实现对光伏阵列输出特性的模拟.阵列的特性电流值由存贮于DSP中的工程数学模型,根据选定的不同光照量和环境温度条件计算得到.MATLAB仿真和模拟器样机的实验结果表明,本文模拟器的逼近与稳定时间约为80ms,仅为传统逐点逼近法的25%,且超调小于4%,稳态误差小于1%,均优于传统逼近法,且能够实现光伏阵列不同I-V特性曲线的完整模拟.     

基于实时仿真硬件在环的光伏逆变控制器参数辨识

为准确获取光伏逆变控制器参数,在仿真中实现对光伏系统的精确建模,以便正确分析光伏并网系统的动态性能。提出了一种基于实时仿真硬件在环测试的光伏逆变控制器参数辨识方法。该方法采用基于粒子群算法的dq轴参数解耦辨识策略,通过搭建光伏逆变控制器-实时仿真硬件在环测试平台,将测得多种工况下光伏逆变器的响应数据作为实测数据。利用快速原型控制器(rapid prototyping controller, RCP)对所提出辨识策略准确性进行验证后,利用平台对实际控制器进行硬件在环实验,并依据辨识结果在Simulink中建立仿真模型与实测数据对比。结果表明:所提辨识方法正确性及有效性,可以满足电力系统暂态仿真需求。