• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Energy Conversion & Management >Fault diagnosis of photovoltaic panels using full I-V characteristics and machine learning techniques
【24h】

Fault diagnosis of photovoltaic panels using full I-V characteristics and machine learning techniques

机译：使用完整I-V特性和机器学习技术的光伏板故障诊断

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The current-voltage characteristics (I-V curves) of photovoltaic (PV) modules contain a lot of information about their health. In the literature, only partial information from the I-V curves is used for diagnosis. In this study, a methodology is developed to make full use of I-V curves for PV fault diagnosis. In the pre-processing step, the I-V curve is first corrected and resampled. Then fault features are extracted based on the direct use of the resampled vector of current or the transformation by Gramian angular difference field or recurrence plot. Six machine learning techniques, i.e., artificial neural network , support vector machine , decision tree , random forest , k-nearest neighbors , and naive Bayesian classifier are evaluated for the classification of the eight conditions (healthy and seven faulty conditions) of PV array. Special effort is paid to find out the best performance (accuracy and processing time) when using different input features combined with each of the classifier. Besides, the robustness to environmental noise and measurement errors is also addressed. It is found out that the best classifier achieves 100% classification accuracy with both simulation and field data. The dimension reduction of features, the robustness of classifiers to disturbance, and the impact of transformation are also analyzed.
机译：光伏（PV）模块的电流电压特性（I-V曲线）包含有关其健康的大量信息。在文献中，仅用于I-V曲线的部分信息用于诊断。在这项研究中，开发了一种方法来充分利用I-V曲线进行光伏故障诊断。在预处理步骤中，首先校正和重采样I-V曲线。然后基于直接使用重采样的电流矢量或通过克朗尼亚角差异场或复制图的转换的直接使用故障特征。六种机器学习技术，即人工神经网络，支持向量机，决策树，随机森林，k最近邻居和天真贝叶斯分类器的分类，用于PV阵列的八条条件（健康和七条错误条件）的分类。使用不同的输入功能与每个分类器组合使用时，应特别努力找到最佳性能（准确性和处理时间）。此外，还解决了环境噪声和测量误差的鲁棒性。发现最好的分类器与模拟和现场数据一起实现100％的分类准确性。还分析了特征的尺寸减小，对扰动的稳健性以及转化的影响。

著录项

  • 来源
    《Energy Conversion & Management》 |2021年第11期|114785.1-114785.13|共13页
  • 作者

    Li Baojie; Delpha Claude; Migan-Dubois Anne; Diallo Demba;

  • 作者单位

    Univ Paris Saclay Sorbonne Univ CNRS CentraleSupelec GeePs 3-11 Rue Joliot Curie F-91192 Gif Sur Yvette France|Univ Paris Saclay CNRS CentraleSupelec L2S 3 Rue Joliot Curie F-91192 Gif Sur Yvette France;

    Univ Paris Saclay CNRS CentraleSupelec L2S 3 Rue Joliot Curie F-91192 Gif Sur Yvette France;

    Univ Paris Saclay Sorbonne Univ CNRS CentraleSupelec GeePs 3-11 Rue Joliot Curie F-91192 Gif Sur Yvette France;

    Univ Paris Saclay Sorbonne Univ CNRS CentraleSupelec GeePs 3-11 Rue Joliot Curie F-91192 Gif Sur Yvette France;

  • 收录信息 美国《科学引文索引》(SCI);美国《工程索引》(EI);
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

    Photovoltaic; Fault diagnosis; I-V curve; Feature transformation; I-V curve correction; Machine learning;

    机译：光伏;故障诊断;I-V曲线;特征转换;I-V曲线校正;机器学习;

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号