一种基于改进ESOA-GA的光伏电站功率短期预测方法

    公开(公告)号:CN119647548B

    公开(公告)日:2025-05-09

    申请号:CN202510183747.3

    申请日:2025-02-19

    Applicant: 福州大学

    Abstract: 本发明公开了一种基于改进ESOA‑GA的光伏电站功率短期预测方法,涉及光伏电站技术领域,利用ESOA算法随机生成初始种群,并结合特征提取后的数据集分析个体预测精度获取初始适应度,在此基础上,围绕个体当前位置展开局部搜索,通过计算伪梯度估计值对个体进行更新,这一过程能够深度挖掘局部区域内的最优解。经过多轮迭代,可有效提升个体质量,初步优化各个体,为后续的遗传算法提供优质的初始种群。在ESOA初步优化个体的基础上,引入遗传算法。GA模拟自然选择过程,计算选择概率筛选待优化个体,通过交叉操作生成混合个体,这种方式能在更广泛的解空间中搜索,避免陷入局部最优解。

    一种基于1D VoVNet-SVDD的光伏阵列开集复合故障诊断方法

    公开(公告)号:CN117411435A

    公开(公告)日:2024-01-16

    申请号:CN202311462767.1

    申请日:2023-11-06

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于1D VoVNet‑SVDD的光伏阵列开集复合故障诊断方法。由于光伏阵列常年暴露在室外,因此很容易出现各种故障。遮光条件、退化或灰尘覆盖会使故障信号更加复杂,形成复合故障。由于复杂的工作环境,在实际工作条件下可能会出现从未见过的未知故障类型。因此,准确诊断各种已知类型的单一故障和复合故障(闭集故障),以及识别未知故障(即开集故障诊断),对于提高运行和维护效率至关重要。本方法提出了一种基于一维VoVNet‑SVDD的光伏阵列开集故障诊断模型。故障特征由1D VoVNet网络自动提取,然后用于SVDD分类算法以构建模型。所提出的故障诊断方法不仅可以准确诊断出已知的单一故障和复合故障类型,而且还能识别未知类型的故障。

    基于极限学习机和IV特性的光伏组件快速建模方法

    公开(公告)号:CN109992911B

    公开(公告)日:2023-04-07

    申请号:CN201910278837.5

    申请日:2019-05-06

    Applicant: 福州大学

    Abstract: 本发明涉及基于极限学习机和IV特性的光伏组件快速建模方法,包括以下步骤:步骤S1:采集光伏组件在各种环境条件下的IV特性曲线数据;步骤S2:根据IV特性曲线数据数据,获取IV特性曲线;步骤S3:剔除异常的IV曲线数据,获得正常的IV曲线数据集;步骤S4:根据IV特性曲线数据的辐照度和组件背板温度,对正常的IV曲线数据集进行网格抽取,获得到均匀覆盖各种工况的IV曲线数据集,并随机分为独立的训练曲线集和测试曲线集;步骤S5获得由各个数据点的训练数据点集和测试数据点集。步骤S6:根据S5中得到的训练数据点,建立光伏组件模型。本发明能够准确有效快速地对光伏组件的IV特性进行建模,模型训练速度快,并且具有很好的准确性以及泛化能力。

    基于反向学习与增强复杂进化的光伏阵列参数提取方法

    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

    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。

    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

    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。

    一种适用于嵌入式平台的二值化卷积神经网络的构建方法

    公开(公告)号:CN109784488B

    公开(公告)日:2022-08-12

    申请号:CN201910034182.7

    申请日:2019-01-15

    Applicant: 福州大学

    Abstract: 本发明涉及一种适用于嵌入式平台的二值化卷积神经网络的构建方法,包括以下步骤:步骤S1:采集ImageNet数据集,并将得到ImageNet数据集分为训练集、验证集和测试集;步骤S2:根据得到的训练集和验证集,对XNOR‑Net二值化神经网络模型进行训练,并验证,得到训练后的二值化神经网络模型;步骤S3:将训练好的二值化网络模型中的缩放操作和批归一化操作进行整合,并移植到嵌入式系统中;步骤S4:将测试集输入嵌入式系统中,对模型进行性能测试。本发明所提出的方法能够在提高网络运算速度的同时保持网络分类的准确率,可促进二值化卷积神经网络能够在嵌入式系统及FPGA上的部署。

    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

    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。

    基于微调密集连接卷积神经网络的光伏阵列故障诊断方法

    公开(公告)号:CN112787591B

    公开(公告)日:2022-05-13

    申请号:CN202011199284.3

    申请日:2020-10-30

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,首先,采集实际工况下的电气特性数据以及环境数据,然后利用Simulink搭建模型阵列,模拟实际工况;获取仿真的电气特性数据,其次,通过突变点检测算法,剔除实际和仿真中的异常数据,获取完整的电气波形数据,对其进行采样,压缩特征,拼接为二维特征矩阵。而后,设计密集连接卷积神经网络,使用仿真训练集和Adam优化算法预训练网络,再使用少量的实际工况的训练集微调网络。最后,利用FT‑DenseNet故障诊断网络,对待测工况测试集下的光伏发电阵列进行检测和分类。本发明方法在小样本的情况下,获得具有高精度,鲁棒性强,泛化能力好的分类网络,能够有效提高光伏阵列故障检测和分类的准确性。

Patent Agency Ranking