基于CNN-LSTM的太阳能光伏组件故障诊断研究

• 作者: 刘晓峰 张霎钦 沈亮 程起泽 蒋文杰 陈泽华
• 来源期刊: 电子技术应用
• 学科: 工学
• 关键词: 光伏组件 特征提取 卷积神经网络 长短期记忆模型 故障诊断
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 计算机技术与应用
• 页码范围: 66-70
• 页数: 5页
• 分类号: TN607|TM914
• 字数: 5033字
• 语种: 中文
• DOI: 10.16157/j.issn.0258-7998.191066

摘要

太阳能光伏产业近年发展迅速,准确诊断光伏组件故障位置及类型可以提升运雏人员的工作效率.提出一种基于卷积神经网络-长短期记忆模型(Convolutional Neural Networks-Long Short Term Memory,CNN-LSTM)的深度学习诊断模型,利用电站原有设备就可完成检测任务.首先提出了一种依据电流值的组件故障分类方式;然后,检测模型根据光伏阵列布局特点设计了一种特征提取算法,分别提取光伏阵列电流横向与纵向特征,来获取空间与时间上的特性;再通过CNN网络来对横向特征做进一步的提取与纵向特征的压缩,以解决特征种类单一及训练缓慢的问题;最终进入LSTM神经网络来完成对光伏组件的故障诊断.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈泽华	太原理工大学大数据学院	48	362	9.0	17.0
2	刘晓峰	太原理工大学大数据学院	40	120	7.0	7.0
3	程起泽	太原理工大学大数据学院	1	0	0.0	0.0
4	张霎钦	太原理工大学大数据学院	1	0	0.0	0.0
5	蒋文杰		1	0	0.0	0.0
6	沈亮		1	0	0.0	0.0