找到 2 条结果
基于机器学习的光伏逆变器可靠性评估及其告警-环境变异性的考虑
Machine Learning-Driven Reliability Estimation of PV Inverters Considering Alert-Ambient Variability
Sukanta Roy · Alexander Stevenson · Shahid Tufail · Hugo Riggs 等6人 · IEEE Transactions on Industry Applications · 2024年12月
摘要：天气引发的时空劣化限制了户外光伏逆变器的使用寿命和可靠性，因此需要进行先进的数据分析。本研究采用自上而下、数据驱动的方法，利用多种机器学习（ML）算法来评估一座1.4兆瓦光伏电站中逆变器的可靠性，同时考虑了辐照度、湿度、温度、一天中的时间以及天气状况等因素。来自17台相同逆变器的大量警报数据集，包括警报类型、传播情况和发生频率，揭示了其与环境因素和逆变器输出功率之间的显著相关性，从而能够构建性能可靠性模型。对双阶段监督式机器学习模型的准确性进行了评估，其中人工神经网络（ANN）的“分类 -...
解读: 该机器学习驱动的可靠性评估技术对阳光电源SG系列光伏逆变器及ST储能变流器产品线具有重要应用价值。研究提出的告警-环境变异性分析框架可直接集成至iSolarCloud智能运维平台，通过融合温湿度、辐照度等多源环境参数与现场告警数据，实现对户外逆变器的精准寿命预测与预测性维护。该方法可优化阳光电源现有...
基于PCA和堆叠自编码器的混合机器学习框架用于智能电网数据注入攻击检测
Hybrid ML Framework for Data Injection Attack Detection Using PCA and Stacked Autoencoders
Shahid Tufail · Hasan Iqbal · Mohd Tariq · Arif I. Sarwat · IEEE Access · 2025年1月
随着智能电网日益互联，网络攻击特别是数据注入攻击变得更加普遍。此外，模型训练需要准确无偏的高质量数据。我们从现实世界收集的大多数数据稀疏、不完整、不一致和倾斜。为解决这些问题，本研究提出检测此类攻击的框架。使用堆叠自编码器架构生成少数类数据的合成实例。生成的类别解决数据不平衡以增强模型泛化能力并应对多样化攻击场景。评估各种机器学习算法，随机森林RF模型始终达到卓越准确率，范围从99.32%到95.89%。特别是，逻辑回归LR等传统算法对降维表现出敏感性，当主成分从全部降至10时经历16.96%准...
解读: 该数据注入攻击检测技术对阳光电源智能电网安全至关重要。阳光iSolarCloud平台和ST储能系统接入电网SCADA系统，面临虚假数据注入攻击威胁。该研究的堆叠自编码器和随机森林混合方法可集成到阳光网络安全防护体系，检测异常数据和攻击行为。在电网侧储能场景下，数据注入攻击可能导致储能系统误动作，影响...