研究目的
通过融合监督式机器学习(SML)技术和主成分分析(PCA)的优势,开发一种改进的光伏(PV)系统故障检测与诊断(FDD)技术。
研究成果
所提出的基于主成分分析的半监督机器学习方法能有效检测和诊断光伏发电系统故障,具有较高的诊断效率和分类准确率。未来工作将通过采用非线性主成分分析方法和基于精简训练数据集的增强型监督机器学习分类器,进一步拓展当前研究以实现性能提升。
研究不足
特征提取与选择工具被假定为线性的,这在许多问题中通常未经验证,因为系统一般具有非线性特性。在离线阶段,分类器进行决策所需数据的计算成本是一个缺点。
1:实验设计与方法选择:
本研究采用主成分分析(PCA)进行特征提取与筛选,并使用半监督机器学习(SML)分类器进行故障分类。
2:样本选择与数据来源:
数据采集自并网光伏系统(GCPV)模拟器在不同运行工况下的数据。
3:实验设备与材料清单:
包括可编程直流电源(太阳能阵列模拟器)Chroma 62150H-1000S 和可编程交流电源 Chroma 61511。
4:实验步骤与操作流程:
通过多个传感器在若干测量点采集数据,共考虑九个变量,采样时间为 100 微秒。
5:数据分析方法:
采用混淆矩阵、准确率、召回率和精确率等指标评估各分类器的性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容