-
公开(公告)号：CN109409024A
公开(公告)日：2019-03-01
申请号：CN201811591567.5
申请日：2018-12-25
Applicant: 福州大学
Abstract: 本发明涉及基于一维深度残差网络的光伏组件电压电流特性建模方法，包括以下步骤：步骤S1：采集光伏组件的实测IV曲线数据；步骤S2:对光伏组件的实测IV曲线数据进行重采样；步骤S3:根据重采样得到的实测IV曲线数据，采用曲线拟合方法剔除异常的IV曲线数据，得到正常的IV曲线数据；步骤S4：对正常的IV曲线数据进行网格采样，得到均匀覆盖各种工况的IV曲线数据集；步骤S5：根据得到的IV曲线数据集，采用基于一维深度残差网络的方法对光伏组件进行建模，得到用于I-V特性进行预测的最优模型。本发明能够准确有效的对正常的光伏组件进行建模，且相比于传统的机器学习算法具有更高的稳定性、准确性以及泛化能力。
-
公开(公告)号：CN109543269A
公开(公告)日：2019-03-29
申请号：CN201811352490.6
申请日：2018-11-14
Applicant: 福州大学
Abstract: 本发明提供了一种基于混合信任区间反射的光伏模型参数辨识方法，属于太阳能电池及光伏发电阵列的检测技术领域。一种基于混合信任区间反射的光伏模型参数辨识方法，结合了人工蜂群算法强大的全局搜索能力和信任区间反射法强大的局部搜索能力，进一步提高了光伏模型参数提取的速度，精度和收敛性。
-
公开(公告)号：CN109873610A
公开(公告)日：2019-06-11
申请号：CN201910206962.5
申请日：2019-03-19
Applicant: 福州大学
IPC: H02S50/10
Abstract: 本发明涉及一种基于IV特性和深度残差网络的光伏阵列故障诊断方法。首先，利用Simulink搭建模型阵列，采集各种工况条件下的电气数据和环境数据；其次，剔除原始模拟的数据中的异常数据，采集到原始I-V曲线进行下采样，并将一维特征拼接为二维特征，作为故障的总体特征；而后，将样本数据分成训练集、验证集和测试集，并设计维度变换的残差卷积神经网络的网络结构及其训练算法Adam的训练参数，进行样本训练得到DT-ResNet故障诊断训练模型；最后，利用DT-ResNet故障诊断训练模型，对待测工况测试集下的光伏发电阵列进行检测和分类，诊断故障类型。本发明方法具有精确度高，收敛快，鲁棒性强，泛化能力好等优点，能够有效提高光伏发电阵列故障检测和分类的准确性。
-
Patent Agency Ranking
公开(公告)号：CN109388845A
公开(公告)日：2019-02-26
申请号：CN201810946865.5
申请日：2018-08-19
Applicant: 福州大学
IPC: G06F17/50
Abstract: 本发明涉及基于反向学习与增强复杂进化的光伏阵列参数提取方法，包括：获取光伏面板实际的I-V特性曲线，并选择相应的光伏模型。确定此优化问题的目标函数。通过反向学习算法（OBL）算法对初始点的位置进行优化。利用增强型的复杂进化算法（ESCE）根据不同的电路模型提取模型参数。通过该算法提取不同实测条件下光伏面板的模型参数。本发明提出的一种基于反向学习策略与增强型复杂进化算法的光伏阵列参数提取方法，速度快，收敛性强，稳定性好。
-
公开(公告)号：CN109543269B
公开(公告)日：2023-04-18
申请号：CN201811352490.6
申请日：2018-11-14
Applicant: 福州大学
Abstract: 本发明提供了一种基于混合信任区间反射的光伏模型参数辨识方法，属于太阳能电池及光伏发电阵列的检测技术领域。一种基于混合信任区间反射的光伏模型参数辨识方法，结合了人工蜂群算法强大的全局搜索能力和信任区间反射法强大的局部搜索能力，进一步提高了光伏模型参数提取的速度，精度和收敛性。
-
公开(公告)号：CN109388845B
公开(公告)日：2022-12-13
申请号：CN201810946865.5
申请日：2018-08-19
Applicant: 福州大学
IPC: G06F30/27
Abstract: 本发明涉及基于反向学习与增强复杂进化的光伏阵列参数提取方法，包括：获取光伏面板实际的I‑V特性曲线，并选择相应的光伏模型。确定此优化问题的目标函数。通过反向学习算法（OBL）算法对初始点的位置进行优化。利用增强型的复杂进化算法（ESCE）根据不同的电路模型提取模型参数。通过该算法提取不同实测条件下光伏面板的模型参数。本发明提出的一种基于反向学习策略与增强型复杂进化算法的光伏阵列参数提取方法，速度快，收敛性强，稳定性好。
-
公开(公告)号：CN109409024B
公开(公告)日：2022-09-06
申请号：CN201811591567.5
申请日：2018-12-25
Applicant: 福州大学
Abstract: 本发明涉及基于一维深度残差网络的光伏组件电压电流特性建模方法，包括以下步骤：步骤S1：采集光伏组件的实测IV曲线数据；步骤S2:对光伏组件的实测IV曲线数据进行重采样；步骤S3:根据重采样得到的实测IV曲线数据，采用曲线拟合方法剔除异常的IV曲线数据，得到正常的IV曲线数据；步骤S4：对正常的IV曲线数据进行网格采样，得到均匀覆盖各种工况的IV曲线数据集；步骤S5：根据得到的IV曲线数据集，采用基于一维深度残差网络的方法对光伏组件进行建模，得到用于I‑V特性进行预测的最优模型。本发明能够准确有效的对正常的光伏组件进行建模，且相比于传统的机器学习算法具有更高的稳定性、准确性以及泛化能力。
-
公开(公告)号：CN109873610B
公开(公告)日：2020-04-10
申请号：CN201910206962.5
申请日：2019-03-19
Applicant: 福州大学
IPC: H02S50/10
Abstract: 本发明涉及一种基于IV特性和深度残差网络的光伏阵列故障诊断方法。首先，利用Simulink搭建模型阵列，采集各种工况条件下的电气数据和环境数据；其次，剔除原始模拟的数据中的异常数据，采集到原始I‑V曲线进行下采样，并将一维特征拼接为二维特征，作为故障的总体特征；而后，将样本数据分成训练集、验证集和测试集，并设计维度变换的残差卷积神经网络的网络结构及其训练算法Adam的训练参数，进行样本训练得到DT‑ResNet故障诊断训练模型；最后，利用DT‑ResNet故障诊断训练模型，对待测工况测试集下的光伏发电阵列进行检测和分类，诊断故障类型。本发明方法具有精确度高，收敛快，鲁棒性强，泛化能力好等优点，能够有效提高光伏发电阵列故障检测和分类的准确性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.031 seconds)
