← 返回
基于图半监督学习的光伏阵列故障检测与分类
Graph-Based Semi-supervised Learning for Fault Detection and Classification in Solar Photovoltaic Arrays
| 作者 | Ye Zhao · Roy Ball · Jerry Mosesian · Jean-Francois de Palma · Brad Lehman |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2015年5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 可靠性分析 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 故障检测 太阳能光伏阵列 半监督学习 机器学习 可靠性 安全性 分类 |
语言:
中文摘要
光伏阵列故障检测对提升系统可靠性与安全性至关重要。由于光伏输出具有非线性特征，传统保护装置难以识别多种复杂故障，存在安全隐患。本文提出一种基于图半监督学习的机器学习方法，旨在填补现有光伏系统保护技术的空白，实现对光伏阵列故障的精准检测与分类。
English Abstract
Fault detection in solar photovoltaic (PV) arrays is an essential task for increasing reliability and safety in PV systems. Because of PV's nonlinear characteristics, a variety of faults may be difficult to detect by conventional protection devices, leading to safety issues and fire hazards in PV fields. To fill this protection gap, machine learning techniques have been proposed for fault detectio...
S
SunView 深度解读
该技术对阳光电源的iSolarCloud智能运维平台具有极高的应用价值。通过引入图半监督学习算法，可显著提升iSolarCloud在组串式及集中式逆变器层面的故障预警精度，尤其是在复杂环境下的隐蔽性故障识别。建议将此算法集成至逆变器边缘计算单元，实现从“被动保护”向“主动运维”的升级，降低运维成本，提升电站资产收益。同时，该技术可增强PowerTitan等储能系统在光储电站中的整体安全监测能力，为阳光电源构建更智能、更安全的能源管理解决方案提供算法支撑。