← 返回
考虑积尘影响的混合人工蜂群算法与半监督极限学习机光伏故障诊断设计
Design of Hybrid Artificial Bee Colony Algorithm and Semi-Supervised Extreme Learning Machine for PV Fault Diagnoses by Considering Dust Impact
| 作者 | Jun-Ming Huang · Rong-Jong Wai · Geng-Jie Yang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2020年7月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 故障诊断 机器学习 光伏逆变器 地面光伏电站 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 光伏系统 故障诊断 积尘影响 人工蜂群算法 极限学习机 半监督学习 运维 |
语言:
中文摘要
户外光伏系统易受积尘等环境因素影响，导致发电效率下降及潜在安全隐患。本文提出一种结合混合人工蜂群算法与半监督极限学习机的故障诊断方法，旨在精准识别光伏系统异常状态，为运维决策及清洗方案提供技术支持，有效降低运维成本并提升系统安全性。
English Abstract
Photovoltaic (PV) systems operating in the outdoor environment are vulnerable to various factors, especially dust impact. Abnormal operations lead to massive power losses, and severe faults as short circuit may cause safety problems and fire hazards. Therefore, monitoring the operation status of PV systems for timely troubleshooting potential failure and effective cleaning scheme are the focus of ...
S
SunView 深度解读
该研究直接赋能阳光电源iSolarCloud智能运维平台。通过引入混合人工蜂群算法与半监督学习，可显著提升组串式及集中式逆变器在复杂环境下的故障识别精度，特别是针对积尘导致的非硬性故障进行精准预警。这不仅能减少人工巡检成本，还能通过智能清洗策略优化，提升地面及工商业光伏电站的发电收益。建议将该算法模型集成至iSolarCloud的边缘计算模块，实现对光伏阵列健康状态的实时评估，进一步巩固阳光电源在数字化运维领域的竞争优势。