-
公开(公告)号：CN109670553A
公开(公告)日：2019-04-23
申请号：CN201811589935.2
申请日：2018-12-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于自适应神经网络的智能光伏阵列故障诊断方法，包括以下步骤：步步骤S1:采集各种工况条件下的光伏电气特性数据，并通过采样滤波处理构成原始故障数据；步骤S2:将原始故障数据进行数据映射运算，得到总体故障特征数据;步骤S3:利用LDA算法对总体故障特征数据进行特征降维压缩至3维，得到新的特征数据；步骤S4:采用K折交叉检验将新的特征数据分成测试集和训练集，并设定隶属度函数个数和隶属度函数种类；步骤S5:生成初始模糊推理系统；步骤S6:构建自适应神经网络模糊推理系统模型；步骤S7:判断光伏阵列系统是否处于故障状态；本发明的技术能有效的对故障中的光伏阵列进行诊断分类，对比其他的机器学习算法，分类精度高结果准确。
-
公开(公告)号：CN109766952A
公开(公告)日：2019-05-17
申请号：CN201910051781.X
申请日：2019-01-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于偏最小二乘法和极限学习机的光伏阵列故障检测方法。包括以下步骤：首先，对光伏阵列各种工况下数据进行实时采集和滤波预处理，获得原始监测数据，然后从中提取归一化生成七维的故障样本数据集。让将获得的七维故障样本数据集，采用偏最小二乘法进行降维，生成三维的故障样本数据集，并随机将故障样本数据集分为训练集和测试集。其次，训练集用K折交叉生成训练子集和验证子集，训练和验证极限学习机故障诊断模型选出最优隐含层神经元个数。最后，使用训练集和极限学习机最优隐含层个数训练极限学习机，并用测试集检测得到故障诊断模型的测试精度，以验证模型的泛化性能。本发明的技术能对光伏阵列的常见故障进行准确可靠地诊断分类。
-
公开(公告)号：CN109670553B
公开(公告)日：2022-08-12
申请号：CN201811589935.2
申请日：2018-12-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于自适应神经网络的智能光伏阵列故障诊断方法，包括以下步骤：步步骤S1:采集各种工况条件下的光伏电气特性数据，并通过采样滤波处理构成原始故障数据；步骤S2:将原始故障数据进行数据映射运算，得到总体故障特征数据;步骤S3:利用LDA算法对总体故障特征数据进行特征降维压缩至3维，得到新的特征数据；步骤S4:采用K折交叉检验将新的特征数据分成测试集和训练集，并设定隶属度函数个数和隶属度函数种类；步骤S5:生成初始模糊推理系统；步骤S6:构建自适应神经网络模糊推理系统模型；步骤S7:判断光伏阵列系统是否处于故障状态；本发明的技术能有效的对故障中的光伏阵列进行诊断分类，对比其他的机器学习算法，分类精度高结果准确。
-
公开(公告)号：CN109766952B
公开(公告)日：2022-08-12
申请号：CN201910051781.X
申请日：2019-01-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于偏最小二乘法和极限学习机的光伏阵列故障检测方法。包括以下步骤：首先，对光伏阵列各种工况下数据进行实时采集和滤波预处理，获得原始监测数据，然后从中提取归一化生成七维的故障样本数据集。让将获得的七维故障样本数据集，采用偏最小二乘法进行降维，生成三维的故障样本数据集，并随机将故障样本数据集分为训练集和测试集。其次，训练集用K折交叉生成训练子集和验证子集，训练和验证极限学习机故障诊断模型选出最优隐含层神经元个数。最后，使用训练集和极限学习机最优隐含层个数训练极限学习机，并用测试集检测得到故障诊断模型的测试精度，以验证模型的泛化性能。本发明的技术能对光伏阵列的常见故障进行准确可靠地诊断分类。
-
-
-
Search Results
4
records
(took 0.014 seconds)
