-
公开(公告)号：CN106533361B
公开(公告)日：2018-08-03
申请号：CN201611151533.5
申请日：2016-12-14
Applicant: 河海大学常州校区
IPC: H02S50/10
Abstract: 本发明公开了种基于小波分析的光伏组件故障诊断方法,其特征在于,包括以下步骤:步骤A:对信号进行去噪处理;步骤B:对所获得的二层低频信号进行归化处理;步骤C:对所述步骤B中归化的数据再次降噪,并进行奇异性检测,获得各自趋势项信号的奇异值;步骤D:对比奇异值,获得故障发生点的特征值,通过设立的故障阈值对故障进行诊断,若超过阈值,表示系统存在故障,并及时报警,反之,继续步骤A。本发明摆脱了用传感器检测故障的方法,运用小波奇异值检测实现了光伏组件的故障诊断,有效地解决复杂条件下的故障检测,具有较高的时效性和较好的经济性。
-
公开(公告)号：CN108009730A
公开(公告)日：2018-05-08
申请号：CN201711268692.8
申请日：2017-12-05
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种光伏电站系统健康状态分析方法，通过光伏电站系统性能测试硬件平台采集系统获取测试状态参数和气象数据，并计算得到当前辐照和温度下的参考状态参数，然后分别对测试状态和参考状态数据进行预处理和特征提取，进一步将得到的两个样本参数进行高斯混合模型训练，建立各自的GMM模型，接着通过比较参考状态模型和测试状态模型的偏差程度，获得光伏电站系统当前状态的健康指数；最后通过对健康指数进行分析，对光伏电站系统的状态是否异常做出诊断，并确定系统的健康等级和对异常健康状态进行判定。本发明的实施过程简明易实现，避免了传统评估方法存在的缺陷，能够更加科学合理的对光伏电站系统健康状态进行分析。
-
公开(公告)号：CN107395121A
公开(公告)日：2017-11-24
申请号：CN201710646034.1
申请日：2017-08-01
Applicant: 河海大学常州校区
IPC: H02S50/10
CPC classification number: H02S50/10
Abstract: 本发明公开了基于格拉布斯准则及离群点检测光伏阵列故障检测方法，其特征在于，包括以下步骤：步骤A：每5秒获取光伏阵列各组串的实时电流、电压和光伏阵列的辐照、温度；步骤B：建立光伏阵列仿真模型，将采集的辐照、温度带入到模型获得参考电流、电压；步骤C：由实际电流与参考电流做差，并将光伏阵列各组串的差值组合成一个阵列，应用格拉布斯准则检测出异常数据点，记录异常数据的故障特征值为1，否则为0；步骤D：将电流差值每隔20秒按照顺序组合一次形成一个一维数组，应用离群点算法获得各个电流差值的LOF，最后将LOF因子按时间分配给各个组串；步骤E：最后根据步骤C与D的结果综合判断是否出现故障。本发明能够实时检测光伏组件的故障，尤其是早期故障。
-
公开(公告)号：CN106533361A
公开(公告)日：2017-03-22
申请号：CN201611151533.5
申请日：2016-12-14
Applicant: 河海大学常州校区
IPC: H02S50/10
CPC classification number: H02S50/10
Abstract: 本发明公开了一种基于小波分析的光伏组件故障诊断方法，其特征在于，包括以下步骤：步骤A：对信号进行去噪处理；步骤B：对所获得的二层低频信号进行归一化处理；步骤C：对所述步骤B中归一化的数据再次降噪，并进行奇异性检测，获得各自趋势项信号的奇异值；步骤D：对比奇异值，获得故障发生点的特征值，通过设立的故障阈值对故障进行诊断，若超过阈值,表示系统存在故障，并及时报警，反之，继续步骤A。本发明摆脱了用传感器检测故障的方法，运用小波奇异值检测实现了光伏组件的故障诊断，有效地解决复杂条件下的故障检测，具有较高的时效性和较好的经济性。
-
公开(公告)号：CN105141249A
公开(公告)日：2015-12-09
申请号：CN201510494859.7
申请日：2015-09-15
Applicant: 河海大学常州校区
IPC: H02S40/36
Abstract: 本发明公开一种失配条件下光伏阵列动态组态重构拓扑电路及方法，通过光伏阵列控制器采样到的光伏阵列当前拓扑结构工作在最大功率点的电流和此时失配光伏组件上流过的电流，计算出当前正常工作光伏组件的辐照度和失配光伏组件辐照度；然后进一步计算光伏阵列分别处于多路MPPT工况和TCT工况下的输出功率；最后通过比较2种输出功率的大小，控制各路电子开关的通断，实现光伏阵列多路MPPT电路结构和TCT电路结构的相互切换，完成光伏阵列动态组态重构。本发明实施过程简明，能及时地对光伏组件的阴影遮挡进行判断，进而对光伏阵列的组态进行调整，降低了阴影对阵列输出特性的影响，减少了能量损失，提高了系统的效率。
-
Patent Agency Ranking
公开(公告)号：CN105023070A
公开(公告)日：2015-11-04
申请号：CN201510492480.2
申请日：2015-08-12
Applicant: 河海大学常州校区
Abstract: 本发明公开一种光伏系统输出功率预测方法，选择预测日前一天的输出功率历史数据、全天的平均温度、平均辐照度组成原始的训练样本集Xi，构建Xi的满足高斯分布随机过程的函数t，预测日实测输出功率数据、全天的平均温度、平均辐照度组成测试的训练样本集X*，预测日满足高斯分布随机过程的函数的实测数据作为T*，建立了基于组合核函数的t和T*的高斯过程，实现光伏输出功率的预测。本发明的实施过程简明，利用输出功率的历史数据对光伏系统的输出功率进行预测，避免创建复杂的预测模型，降低了预测的难度，有助于电网电量的调度。
-
公开(公告)号：CN111275160B
公开(公告)日：2022-09-13
申请号：CN202010068478.3
申请日：2020-01-21
Applicant: 河海大学常州校区
Abstract: 本发明公开了光伏发电技术领域的一种基于种群优化改进粒子群算法的光伏阵列参数辨识方法，旨在解决现有技术中光伏电池参数辨识误差较大，不适合精度要求较高的场合。利用混沌映射初始化种群分布位置，计算各粒子适应度值、个体和群体最优值，对不同种群采取自适应惯性权重调整策略，依据相邻次迭代群体适应度值方差的差值判断算法是否早熟收敛，对早熟群体实施变异操作，当算法达到结束要求时输出待辨识参数的最优解。本发明通过预设待辨识参数的可行解区间并利用混沌立方映射初始化种群的分布位置，通过改进的粒子群算法计算各粒子适应度值、个体和群体最优值，并能有效避免陷入早熟收敛的问题，对光伏电池的待辨识参数具有较高的识别精度。
-
公开(公告)号：CN107463742B
公开(公告)日：2020-11-03
申请号：CN201710646246.X
申请日：2017-08-01
Applicant: 河海大学常州校区
IPC: G06F30/20 , G06F119/04
Abstract: 本发明公开了一种针对光伏组件异常老化故障的建模方法，包括以下步骤：首先根据太阳能电池的5参数数学物理模型构建光伏组件模型；根据光伏组件模型基于MATLAB中M文件建立光伏组串模型，模拟异常老化组件对该组串的具体影响，绘制其I‑V特性曲线图；根据光伏组串构建光伏阵列仿真模型，模拟仿真异常老化组件对整个整列的影响。本发明的有益效果是可以通过建立光伏阵列仿真模型，特别是含有异常老化组件的光伏阵列模型，研究异常老化组件对整个光伏组串以及光伏阵列的影响可以带来更加直观的理解，将会为指导实际实验带来方便，并对利用光伏阵列特性曲线进行故障诊断的方法提供必要帮助。
-
公开(公告)号：CN107395121B
公开(公告)日：2018-12-25
申请号：CN201710646034.1
申请日：2017-08-01
Applicant: 河海大学常州校区
IPC: H02S50/10
Abstract: 本发明公开了基于格拉布斯准则及离群点检测光伏阵列故障检测方法，其特征在于，包括以下步骤：步骤A：每5秒获取光伏阵列各组串的实时电流、电压和光伏阵列的辐照、温度；步骤B：建立光伏阵列仿真模型，将采集的辐照、温度带入到模型获得参考电流、电压；步骤C：由实际电流与参考电流做差，并将光伏阵列各组串的差值组合成一个阵列，应用格拉布斯准则检测出异常数据点，记录异常数据的故障特征值为1，否则为0；步骤D：将电流差值每隔20秒按照顺序组合一次形成一个一维数组，应用离群点算法获得各个电流差值的LOF，最后将LOF因子按时间分配给各个组串；步骤E：最后根据步骤C与D的结果综合判断是否出现故障。本发明能够实时检测光伏组件的故障，尤其是早期故障。
-
公开(公告)号：CN108363959A
公开(公告)日：2018-08-03
申请号：CN201810058383.6
申请日：2018-01-22
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种针对乒乓球或羽毛球运动动作识别方法，该方法通过加速度计和陀螺仪采集运动员的动作原始数据，利用动作的周期性实现动作分割，并对分割后的单个动作分别提取特征值生成动作的特征数据，这样提取到的若干种特征数据易于扩展且具有良好的泛化能力。选择三层BP神经网络作为识别器模型，其识别能力满足乒乓球和羽毛球动作识别的要求且结构简单易于实现。以提取到的特征数据作为神经网络的输入神经元，选择RELU函数和softmax函数分别作为输入层到隐含层，隐含层到输出层的激活函数，实现对动作特征等输入信息的非线性映射。训练1000次后得到识别器模型，将实施特征数据输入训练好的识别器模型中，实现动作识别。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.019 seconds)
