文献类型：期刊文章

作　　者：王涛[1] 林培杰[1] 周海芳[1] 程树英[1] 陈志聪[1] 吴丽君[1]

WANG Tao;LIN Peijie;ZHOU Haifang;CHENG Shuying;CHEN Zhicong;WU Lijun(Institute of Micro-Nano Devices and Solar Cells,College of Physics and Information Engineering,Fuzhou University,Fuzhou,Fujian 350108,China)

机构地区：[1]福州大学物理与信息工程学院,微纳器件与太阳能电池研究所,福建福州350108

出　　处：《福州大学学报（自然科学版）》

基　　金：福建省自然科学基金面上资助项目(2018J01774);福建省科技厅引导性基金资助项目(2019H0006);福建省工业和信息化厅资助项目(82318075);福州市科技计划资助项目(2021-P-030,2021-P-059)。

年　　份：2022

卷　　号：50

期　　号：4

起止页码：475-482

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、JST、MR、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：为快速检测并定位光伏阵列中出现的故障,提出一种新的传感器布局策略,通过优化电压传感器的位置减少电压传感器的数量,同时显化故障的特征.然后,将定位问题转化为分类问题,选用极限学习机(ELM),将最大功率点处的电压数据作为输入训练分类模型.结合实验室屋顶光伏并网发电平台获取的故障数据,对健康状态和所设置的3种故障状态下细化的故障共18种类别,进行分类模型的建立与测试.实验表明,应用本模型故障检测与区域定位的精确率达99.52%,优于所对比的支持向量机、多层感知机网络和随机森林的诊断结果.

关 键 词：光伏阵列 故障检测 故障定位 传感器布局  极限学习机

分 类 号：TM914.407] TP181]