一种利用LSTM和稳态时间序列的光伏阵列故障诊断方法

受最大功率点跟踪算法和时变环境条件的影响,光伏阵列的电气工作参数包含了复杂的暂态过程以及工频干扰噪声,严重影响了故障特征质量以及诊断算法性能。针对该问题,本文首先提出了一种基于最大功率点（MPP）的稳态时间序列预处理方法,以自动过滤数据中的暂态过程和干扰噪声,获取连续的稳态时间序列电气特征数据,作为故障诊断模型的输入参数;然后,提出了一种基于长短期记忆网络（LSTM）的深度网络模型,以实现对光伏阵列常见故障的检测及分类;最后,在一个小型光伏并网发电系统及其Simulink仿真模型上,进行故障模拟及仿真以验证所提出的故障诊断方法。实验结果表明所提出的故障诊断方法具有良好的精度和泛化性能,并且优于常规的反向传播神经网络（BPNN）和循环神经网络（RNN）。     

利用改进ResNet和暂稳态时间序列的光伏阵列在线故障诊断方法

光伏阵列在线故障诊断方法主要采用实时电压电流时序信号作为输入故障特征。然而,这些时序信号因受最大功率点跟踪和时变环境因素的影响,往往包含暂态和稳态交替过程以及时变噪声,显著制约了故障诊断精度及可靠性。针对这些问题,本文首先利用相对位置矩阵方法将三种一维暂稳态时序数据,包括加权总电流以及光伏阵列时序电压和电流,转换为二维数据,以此生成红、绿、蓝三通道图像。而后,将图像输入到所提的基于与坐标注意力结合的残差网络（Residual Network, Resnet）模型中,该模型能提取其丰富的故障信息,有效地提升故障诊断精度。最后,通过仿真和实际的故障模拟实验获取故障样本数据,以训练和测试所提的网络模型,并与多种其它网络模型进行对比,还对仿真数据集进行了可靠性验证。经实验分析证明,本文提出的故障检测与诊断方法在准确性和稳定性方面都有更佳的表现,根据仿真平台获得的数据集也有较高的可靠性。     

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...     

光伏阵列双二极管简化模型的建立与仿真

双二极管模型是最能精确表述光伏电池特性的模型,但由于参数过多会增加求解难度,降低求解速度.为此提出一种参数简化的双二极管模型,并设计了对应的算法,将双二极管电流精确化,然后分别利用最大功率匹配法和牛顿迭代法求解参数.通过计算机仿真表明:不同光照和温度下的仿真结果与实际测试阵列的输出相一致,比单二极管Rp模型和双二极管Kashif模型的精度提高了68%和20%,且仿真时间缩短了63%和17%.该简化模型可以为光伏发电系统的优化配置和最大功率点跟踪提供快速和准确的研究基础.     

光伏电池阵列改进MPPT控制方法研究

为了提高光伏电池的转换效率,基于光伏阵列的数学模型,针对传统的定步长扰动观察法实现最大功率点跟踪(Maximum Power Point Tracking,MPPT)时,存在的振荡现象和误判现象,提出了一种改进的变步长与功率预测相结合的扰动观察法.通过采用近似梯度法替代最优梯度法,并对外界环境发生变化时,采用功率预测的方法对多条特性曲线进行预估,来消除震荡和误判问题.本文给出了该方法的理论推导和Matlab仿真实现流程图.仿真结果表明,该方法能够显著提高MPPT的跟踪精度和速度.     

一种激光辐照下光伏阵列最大功率点追踪办法研究

激光无线电能传输（LPT）技术既具有能量密度高、设备体积小等优点,又具有传输效率偏低的不足。针对激光无线电能传输系统中光伏阵列的光电转换效率低这一问题,从光伏阵列的电气连接结构、高斯激光能量分布简化模型入手,得出激光辐照下光伏阵列GMPP的分布规律,并用改进的恒定电压法完成最大功率点的追踪,最后在MATLAB/Simulink中对GMPP的分布规律和改进的恒定电压法完成最大功率追踪进行仿真验证。结果表明,激光辐照下改进恒定电压法0.07 s完成了光伏阵列最大功率点追踪,并且不会因陷入局部极值点而失效。     

基于GWO算法光伏阵列多峰值的MPPT

针对因遮挡处于部分阴影条件下的光伏阵列, 其功率特性曲线由单峰曲线变为叠峰曲线, 使最大功率点跟踪(MPPT)算法失效, 而其他智能算法(如粒子群优化(PSO)算法)存在参数较多、 收敛速度慢、 振荡幅度大等问题, 将收敛速度快、 求解精度高的灰狼优化(GWO)算法应用于光伏阵列多峰值MPPT算法中. 先建立处于局部遮挡情形下光伏阵列的数学模型, 再解析基于GWO算法的MPPT算法原理. 仿真实验结果表明: GWO算法可快速跟踪到最大功率点; GWO算法比PSO算法的跟踪速度提高1倍, 跟踪效率提高0.1%.     

基于二次分解与LSTM的金融时间序列预测算法研究

现有结合特征提取与预测模型的方法不能准确把握金融时间序列的混沌性与交互性,导致预测精度不高。针对此问题,提出一种基于二次分解与长短期记忆(long short term memory, LSTM)网络的金融时间序列预测算法。使用变分模态分解方法与集成经验模态分解方法依次解析金融时间序列数据,得到能表达数据混沌性特征的模态;将模态信息输入到融合有因子分解机(factorization machine, FM)的长短期记忆网络模型中,融合获取到的长记忆性特征与交互性特征,进而预测最终的结果;选取沪深300指数的历史数据作为实验数据集,通过多组对比实验验证算法的有效性。实验结果表明,提出的算法可以有效提升模型的预测能力,同时表达金融时间序列的混沌性、长记忆性、交互性。     

一种光伏独立发电控制系统

采用爬山法实现了光伏系统的最大功率点跟踪(maximum power point tracking,MPPT)和铅酸蓄电池充电控制,并用单极性SPWM调制方法对逆变器进行控制.实验结果表明,本系统更充分地利用了光伏阵列的输出功率,缩短了过充阶段时间,提高了充电效率,克服了大多数光伏系统中蓄电池欠充的缺陷,延长了铅酸蓄电池的使用寿命.所采用的单极性调制相比于双极性调制,在输出同样幅值基波电压时,最小谐波频率为载波频率的2倍,且谐波幅值较低,从而使输出端滤波器的设计更加容易.     

利用改进布谷鸟优化算法的光伏全局MPPT方法

光伏阵列一般由大量组件构成,受环境影响易出现局部阴影,导致P-V曲线出现多峰现象。传统的最大功率点追踪(Maximum power point tracking,MPPT)控制策略如扰动观察法容易陷入局部最优, 从而降低光伏系统的发电效率。为了解决该问题, 本文提出了一种融合正弦余弦算法和自适应策略的布谷鸟优化算法(Cuckoo Search Algorithm Fusing Sine Cosine Algorithm And Adaptive Strategy ,AFCS),并将其应用于光伏全局MPPT控制中,用于改善MPPT过程中的收敛速度与追踪精度。最后设置多种光照情况并用花朵授粉算法和粒子群算法进行对比,经过MATLAB/Simulink仿真验证,该算法拥有较快的收敛速度和较高的追踪精度, 在各个光照条件下均能快速追踪到光伏阵列最大功率点, 可以有效提高光伏系统的发电效率。     

时间序列分析方法的研究

时间序列分析方法是建立变形测量预测模型的主要方法．本文就变形测量中用AR模型建立变形预测模型的参数估计问题以及模型阶次问题进行了探讨，并指出在样本观测值有限的条件下，宜采用最小二乘法及动态数据(DDS)方法建立动态变形的预测模型．     

插值新息实时预报方法的改进算法

在对插值新息实时预报算法的稳健性进行试验仿真研究的基础上，提出了一种改进的算法——基于自适应梯度的插值新息预报算法，计算机仿真结果表明，该算法的稳定性优于原来的基本算法，更适用于实时预报系统     

故障树分析法在汽车故障诊断中的应用

建立了故障树诊断模型,系统地分析汽车故障现象与原因之间的复杂关系．在此基础上用Visualc＋＋6．0编程语言,开发了汽车故障诊断系统。以悬架系统的诊断为例,验证了该方法的有效性。     

基于粗糙集的传感网络节点故障诊断方法研究

传感网络节点一般分布于环境复杂的区域,当前故障诊断方法诊断精度低,虚警率高,整体性能低。提出一种基于粗糙集的传感网络节点故障诊断方法,给出传感网络结构图,采用粗糙集方法,通过过滤传感网络节点故障数据不关键属性集,得到简化的节点故障属性集,保持了分类能力,提高了运行效率。通过对传感网络故障节点数据进行约简,减少传感网络节点故障数据特征向量维数。建立简化层次各异的传感网络节点故障诊断决策网络,对故障诊断决策规则覆盖度进行分析,求出所有符合既定采集规定的诊断决策规则集,完成新故障状态的处理,实现传感网络节点的故障诊断。实验结果表明,所提方法不仅具有很高的诊断精度,而且虚警率低、整体性能高。     

高斯-赛德尔法求解光伏阵列最大功率点基准值

为了快速且准确地求解光伏电池模型参数,进而求解局部阴影条件下光伏阵列的最大功率基准点值,采用高斯-赛德尔法,从工程实际出发,根据局部阴影下的光照情况,把光伏阵列模型分解成光照均匀条件下的多个新光伏阵列模型,利用光伏电池数据手册可以快速且准确地求解模型参数。仿真结果表明:高斯-赛德尔法能够快速且准确地求解拆分后模型的光伏阵列最大功率点基准值;该方法适用于光伏阵列在局部阴影条件下的输出特性和各个峰值点最大功率基准值求解问题。     

基于自动编码器和长短时记忆网络的智能汽车故障诊断方法研究

智能汽车故障诊断技术对于保障智能汽车安全行驶具有重要意义,本文针对智能汽车传感器数据异常检测和车辆运动的异常检测提出了一系列故障诊断方法. 针对非时序传感器数据,采用基于超限学习框架的自动编码器,对正常数据进行特征压缩学习其特征表示,再利用压缩的特征重构数据,根据重构误差的大小判断数据是否异常. 针对时序传感器数据,采用多层长短时记忆网络学习时序数据之间的时间依赖关系来预测当下时刻的数据值,根据预测误差的大小判断数据是否异常. 提出一种阈值随误差大小动态变化的自适应阈值确定方法,使得决策变量对于异常值相对敏感. 进一步地,采用车辆自行车运动学模型和Kalman滤波,利用Jarque-Bera测试对预测值和量测值残差的正态性进行检验来检测车辆运动是否异常. 实际场地测试验证了本文所提出的方法可以有效检测非时序或时序传感器数据的异常,并对车辆运动是否异常进行检测.