连接到电网的光伏系统的故障检测和诊断,使用基于能量谷优化器的轻量级CNN和波纹变换
Ali Teta1,2, Belkacem Korich3,4, Derradji Bakria3,4
1Department of Electrical Engineering, Faculty of Science and Technology, University of Djelfa, Djelfa, Algeria. ali.teta@univ-djelfa.dz.
本研究介绍了一种轻量级的卷积神经网络 (CNN),由能源谷优化器 (EVO) 优化,用于网联光伏系统 (GCPS) 的早期故障诊断. 该方法在检测故障方面显示出高精度和可靠性.
科学领域:
- 电气工程 电气工程
- 人工智能的人工智能
- 可再生能源系统可再生能源系统
背景情况:
- 连接到电网的光伏系统 (GCPS) 需要早期检测故障,以获得最佳的性能和可靠性.
- 低成本的边缘设备提供实时监控解决方案,减少延迟并提高响应时间.
研究的目的:
- 开发和验证一个轻量级的卷积神经网络 (CNN),用于高效地诊断GCPS的故障.
- 使用能量谷优化器 (EVO) 微调CNN,以提高诊断准确度.
主要方法:
- 一个卷积神经网络 (CNN) 设计用于故障诊断.
- 美国有线电视新闻网 (CNN) 使用来自连续波形变换 (CWT) 的二维扫描图作为输入.
- 能源谷优化器 (EVO) 用于微调CNN模型.
主要成果:
- 拟议的CNN技术的性能优于基准架构 (MobileNet,NASNetMobile,InceptionV3) 的性能.
- 在各种数据集 (平衡,不平衡,噪音) 上,可以实现更高的测试准确度和更低的损失.
- 该方法在二进制和多缺陷分类任务中显示出高可靠性.
结论:
- 使用轻量级CNN和EVO开发的故障诊断方法显示出出色的性能和可靠性.
- 这种方法适用于实时监控和GCPS的早期故障检测.
- 该技术为确保光伏电力系统的稳定性提供了强大的解决方案.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
06:04Experimental Investigation of the Hierarchical Control in DC Microgrids Using a Real-time Simulator
Published on: February 14, 2025
相关概念视频
Fast Decoupled and DC Powerflow
Power Factor Correction
Energy and Power Signals
The Power Flow Problem and Solution
Load-frequency control
Power System Three-Phase Short Circuits
