ECM (1) machine learning

Machine Translated by Google

Chẩn đoán lỗi bảng quang điện bằng cách sử dụng đầy đủ các
đặc tính I-V và kỹ thuật học máy
Baojie Li, Claude Delpha, Anne Migan-Dubois, Demba Diallo

Để trích dẫn phiên bản này:
Baojie Li, Claude Delpha, Anne Migan-Dubois, Demba Diallo. Chẩn đoán lỗi bảng quang điện bằng cách sử
dụng đầy đủ các đặc tính I-V và kỹ thuật máy học. Chuyển đổi và quản lý năng lượng, Elsevier, 2021, 248,
tr.114785. ff10.1016 / j.enconman.2021.114785ff. ffhal-03415367ff

HAL Id: hal-03415367

/>Đệ trình vào ngày 4 tháng 11 năm 2021

HAL là một kho lưu trữ truy cập mở đa lĩnh vực
để lưu trữ và phổ biến các tài liệu nghiên cứu

L'archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de Documents

khoa học đặc biệt, cho dù chúng có được cơng khai

scientifiques de niveau recherche, publiés ou non,

hay khơng. Các tài liệu có thể đến từ các cơ sở

émanant des établissements d'enseignement et de

giảng dạy và nghiên cứu ở Pháp hoặc nước ngoài,

recherche franỗais ou ộtrangers, des laboratoires

hoc t cỏc trung tõm nghiờn cứu công hoặc tư.

publics ou.


Machine Translated by Google
1

1 Chẩn đoán lỗi của bảng quang điện sử dụng IV đầy đủ
2 Đặc điểm và Kỹ thuật Máy học

Baojie LI1,2, Claude DELPHA2
3 4

1

, Demba DIALLO1 *

, Anne MIGAN-DUBOIS1

,

Université Paris-Saclay, CentraleSupélec, CNRS, GeePs, Sorbonne Université, 3-11 Rue Joliot Curie, Gif Sur Yvette,

5

91192, Pháp

6

2

Université Paris-Saclay, CNRS, CentraleSupélec, L2S, 3 Rue Joliot Curie, Gif Sur Yvette, 91192, Pháp

* Tác giả tương ứng:
7 8

9
10 Tóm tắt: Đặc tính dịng điện-điện áp (đường cong IV) của mô-đun quang điện (PV) chứa rất nhiều thông tin về sức khỏe của
này, một
chúng.
phương
Trong
pháp
tàiđược
liệu,phát
chỉ triển
một phần
để sử
thơng
dụngtin
đầytừđủcác
cácđường
đườngcong
congIVIVđược
để chẩn
sử dụng
đốn cho

lỗi 11
PV.chẩn
Trong
đốn.
bước
Trong
tiềnnghiên
xử lý,cứu
12
đường cong IV lần đầu tiên được hiệu chỉnh và lấy mẫu lại. Sau đó, các đặc điểm lỗi được trích xuất dựa trên 14
13
dựa trên việc sử dụng trực tiếp vectơ được lấy mẫu lại của dòng điện hoặc sự biến đổi của trường chênh lệch góc
Gramian

định 15
hoặc
, rừng
âm mưu
ngẫutái
nhiên,
diễn.k-láng
Sáu kỹ
giềng
thuật
gần
học
nhất
máy,
vàtức
bộ là

phân
mạng
loại
nơ-ron
Bayesian
nhânngây
tạo,thơ
máy được
vectơđánh
hỗ trợ,
giá để
câyphân
quyết
loại
16

tám điều kiện (lành mạnh và bảy điều kiện bị lỗi) của mảng PV . Nỗ lực đặc biệt được đền đáp

17 18 để tìm ra hiệu suất tốt nhất (độ chính xác và thời gian xử lý) khi sử dụng các tính năng đầu vào khác nhau kết hợp
19 với từng bộ phân loại. Bên cạnh đó, khả năng chống lại tiếng ồn của môi trường và sai số đo lường cũng được giải
quyết 20 . Người ta phát hiện ra rằng bộ phân loại tốt nhất đạt được độ chính xác phân loại 100% với cả dữ liệu mô phỏng
21 và dữ liệu thực địa. Sự giảm kích thước của các tính năng, mức độ mạnh mẽ của bộ phân loại đối với sự xáo trộn và tác
động 22 của sự chuyển đổi cũng được phân tích.
23

24 Từ khóa: Quang điện; chẩn đốn lỗi; Đường cong IV; chuyển đổi tính năng; IV hiệu chỉnh đường cong; học máy
25 ;
26
27
Danh pháp

Thuật ngữ

Ký hiệu

1D, 2D

1 thứ nguyên, 2 thứ nguyên

ANN

Mạng lưới thần kinh nhân tạo

CNN

Mạng thần kinh hợp hiến

DT

Cây quyết định

FDD

Phát hiện và chẩn đoán lỗi

FF

Hệ số lấp đầy

GADF

Trường chênh lệch góc Gramian

Đường cong IV

Đặc tính điện áp hiện tại

kNN

k-Những người hàng xóm gần nhất

MLT

Kỹ thuật học máy

MPP

Điểm cơng suất tối đa

NBC

Naive Bayesian Classifier

OC

Mạch hở

PCA

Phân tích thành phần chính

PS

Bóng một phần

PV

Quang điện

RF

Rừng ngẫu nhiên

RMSE

Lỗi bình phương trung bình gốc

RP

Lô lặp lại

SC

Ngắn mạch

STC

Điều kiện kiểm tra tiêu chuẩn

SVM

Máy vector hỗ trợ

TC
t-SNE

Hệ số hiệu chỉnh bức xạ

một

Hệ số nhiệt độ tương đối của (% / ° C)
Hệ số nhiệt độ tương đối của (% / ° C)

τ

Sự dịch chuyển của không gian pha

Sai số của khu vực (%)

Dmatrix
Dvector

G

Nhúng

Số lượng đối tượng của vector
Bức xạ trong mặt phẳng toàn cầu (W / m2 )

Hiện tại (A)

Tơi

Hiện tại ở MPP (A)
Dịng ngắn mạch (A)
Hệ số hiệu chỉnh đường cong

N

Số điểm lấy mẫu lại
Điện áp (V)
Điện áp tại MPP (V)
Điện áp hở mạch (V)
Công suất tối đa (W)
Điện trở được sử dụng trong mô phỏng cho OC (Ω)

Điện trở nối tiếp (Ω)
_

Điện trở được sử dụng trong mơ phỏng cho Rs

suy thối (Ω)
Điện trở được sử dụng trong mô phỏng cho SC (Ω)

Hệ số nhiệt độ

t-Vùng lân cận Stochastic phân tán

Số đối tượng của ma trận

ℎ

ℎ_

Điện trở Shunt (Ω)
Kháng chiến được sử dụng trong mơ phỏng cho Rsh

suy thối (Ω)


Machine Translated by Google
2

Kích thước vùng được bao quanh bởi đường cong IV ban đầu
Kích thước vùng được bao bọc bởi sự khác biệt giữa đường cong IV gốc
và đường cong IV được lấy mẫu lại

Tm

Nhiệt độ mô-đun (° C)

28
29

30

1. Giới thiệu

31 Công suất lắp đặt quang điện mặt trời (PV) đã có sự tăng trưởng nhanh chóng trong số tất cả các dạng năng lượng chính
vận chuyển,
tronglắp
những

đặt năm
hoặcgần
cácđây
quy[1].
trình
Tuykhác,
nhiên,
cácdolỗi
cácPVmối
khác
đe nhau
dọa về
có mơi
thể trường
phát sinh
và [2,3].
những thiệt
Nhữnghại
lỗitiềm
này khơng
ẩn trong
chỉq
có thể
trình
ảnh
sản
hưởng
xuất,

33

đến việc phát điện mà cịn có thể gây ra các mối nguy hiểm nghiêm trọng về an tồn [4], ví dụ như rủi ro hỏa hoạn, điện giật,

34 35 nguy hiểm về thể chất. Do đó, cần phải thực hiện phát hiện và chẩn đoán hiệu quả các lỗi PV.
36 Dữ liệu điện PV phổ biến được sử dụng để chẩn đốn bao gồm các loại khác nhau: cơng suất đầu ra, điện áp đầu ra hoặc dịng điện ở
tình trạng
phíasức
DC khỏe
hoặc của
AC, các
và đặc
mơ-đun
tínhPV,
dịng
chẩn
điện-điện
đốn dựấptrên
(đường
đường
cong
cong
IV)IV[5].
là một
Vì đường
chủ đềcong
phổ biến
IV thường
[6]. Đối
chứavới
37 việc

thôngthu
tinđược
phong
các
phú
đường
về

38

cong IV, các bộ theo dõi IV thông thường đã hỗ trợ phép đo cho một mô-đun đơn hoặc chuỗi 40 quy mô nhỏ hoặc mảng. Trong những

39

năm gần đây, các giải pháp phần cứng (tích hợp ở cấp biến tần) đã trở nên sẵn có trên thị trường để đo đường cong IV định kỳ

ở cấp nhà máy điện [7,8]. Theo nghĩa này, các phương pháp chẩn đoán 41 42 dựa trên các đường cong IV có thể được áp dụng cho tất
cả các phương tiện PV phổ biến.

43

Trong tài liệu, có nhiều phương pháp khác nhau sử dụng đường cong IV để trích xuất thơng tin. Phổ biến nhất có

thể 44 được nhóm thành ba loại: (1) Trích xuất các tính năng chính từ đường cong (như VOC, ISC, VMPP, IMPP, FF, Rs và
45 Rsh) và sau đó sử dụng các tính năng này để chẩn đốn (bằng phân tích ngưỡng, các phương pháp tiếp cận thống kê,
hoặc các kỹ thuật máy học 46 (MLT), v.v.). Ví dụ, Chine et al. [9] sử dụng các tính năng VOC, ISC, VMPP và IMPP để phát
hiện các lỗi đổ bóng một phần (PS), SC, mạch hở (OC) và bỏ qua diode. Cả phương pháp ngưỡng và Mạng nơron nhân tạo 48
(ANN) đều được áp dụng để phân loại các lỗi. Huang và cộng sự. [10] trích xuất VOC, VMPP, IMPP và Rs từ các đường cong
IV 49 để phân loại lỗi ngắn mạch (SC), PS và suy giảm. Cây quyết định CART được sử dụng làm công cụ chẩn đoán 50 . Fadhel
và cộng sự. [11] sử dụng VMPP, IMPP và PMPP làm các tính năng để phát hiện PS. Dhimish và cộng sự. [12] sử dụng các

thể được
ngưỡng
tìm thấy
để phân
trong
tích
51 VMPP
[13–16].
và sụt
Cầnáplưu
trên
ý rằng
các đường
những cong
nghiên
IV cứu
để xác
này định
chỉ sử
PS.dụng
Các thơng
cách tiếp
tin một
cận phần
tương
từ các
tự cũng
đường
có

52

cong IV. (2) Tính đạo hàm cấp một hoặc cấp hai của đường cong hoặc xác định các bước trên đường cong IV. Ví dụ,

53

Ma et al. [17]

54

phân tích các đỉnh âm trên đạo hàm của đường cong IV để rút ra các bước. Sau đó, một ngưỡng được thiết lập để phân loại lỗi

thống kê,
PS một
và crack.
đường Zhang
phát hiện
và cộng
được
sựsử
[18]
dụng
chia
để xác
nhỏ định
các đường
điểm nóng,
cong IV
PS thành
và vếtcác

nứt.
miền
Cácđiện
nghiên
áp thấp
cứu tương
và cao.tự55cũng
56 Với
có phương
thể đượcpháp
tìm
thấy trong [ 19,20 ]. (3) So sánh các đường cong IV đầy đủ với các đường cong được mô phỏng để tạo ra phần dư để phân tích.

58 Mohamed và cộng sự. [21] so sánh các đường cong IV đo được với các đường cong mô phỏng thu được từ mơ hình điốt đơi
59 . Họ sử dụng phân tích ngưỡng để phân loại một số loại PS và sự suy thối. Bonsignore và cộng sự. [22]
60 đượctạo
tómratắt
phần
trong
dư Bảng
từ các
1. đặc trưng của đường cong IV để phát hiện PS, SC và lỗi nối đất. Những ưu và nhược điểm của ba loại

61
62
63

Bảng 1 So sánh các phương pháp phổ biến sử dụng đường cong IV
Phương pháp

Tham khảo

[9–16]

Sử dụng các tính năng đường cong chính
được trích xuất

Ưu điểm

Nhược điểm

• Trích xuất tính năng đơn giản

• Thơng tin một phần

• Thích hợp cho chẩn đốn nhiều lỗi

• Nhạy cảm với tiếng ồn và các yếu tố ngoại lai
• Khó trích xuất Rs, Rsh từ các đường cong có hình dạng bất
thường


Machine Translated by Google
3

Tính tốn thứ nhất hoặc thứ hai

[17–20]

đạo hàm của đường cong để

• Có thể xác định số lượng điểm phản
xạ

xác định các bước trên đường cong

Tạo ra phần dư giữa các đường

[21,22]

cong IV đo được và các đường

• Nhạy cảm với tiếng ồn và các yếu tố ngoại lai

• Chỉ được áp dụng để phát hiện lỗi khơng khớp (PS,
vết nứt, điểm nóng)

• Đầy đủ thơng tin

• Khả năng khái qt hóa kém

• Thích hợp cho chẩn đốn nhiều lỗi

• Ra quyết định chậm

cong mơ phỏng

64
65

Ngồi ra, với sự phổ biến của học sâu trong chẩn đoán PV, trong [23], các đường cong IV được tích hợp với bức xạ (G) và nhiệt

mạng nơron
độ mô-đun
sâu) để
(Tm)
phân
thành
loạima8 trận
điều 4kiện
cột.lỗi
Cácmảng
ma trận
PV. Độ
đặcchính
trưng
xácnày
phân
sauloại
đó được
đạt 98,8%,
xử lý 66
nhưng
67 bằng
thơngmơtin
hình
trùng
ResNet
lặp cải
được

tiến
đưa
(một
vàoloại
trong
các tính năng đầu vào.

68
69

Bên cạnh đó, mơ hình chẩn đốn thể hiện độ phức tạp cao gồm 18 lớp so với mơ hình thần kinh nơng thơng thường

70 mạng được sử dụng trong chẩn đoán PV (1 đến 3 lớp ẩn).
71 Dựa trên tổng quan tài liệu, một số lỗ hổng đã được xác định; khơng có việc sử dụng hiệu quả tất cả thơng tin có trong các đường

72

cong IV [9–16]; các lỗi có thể phát hiện được bằng cách sử dụng các phương pháp được đề xuất là khá hạn chế, như chỉ các lỗi

Do đó, phương
khơng phù
pháp
hợpđược
trongđề[17–20];
xuất dưới
khả đây
năngnhằm
ứng mục
dụngđích
thựclấp

tế đầy
bị hạn
những
chếkhoảng
do tính
trống
tổngnày.
qt hóa thấp hoặc tính dư thừa của thơng tin.

75 Phương pháp chẩn đốn PV được đề xuất sử dụng ba phương pháp khác nhau để tích hợp các đường cong IV đầy đủ vào các tính năng
nhau sẽ đầu
được
vàođánh
để chẩn
giá và
đốn.
so sánh
Sau đó,
để phân
hiệu loại
suất lỗi.
của sáu bộ phân loại dựa trên kỹ thuật MLT [18] khi sử dụng 76 tính năng đầu vào khác

77
78 Đóng góp của cơng trình này nằm ở những điểm sau:

79
80
81
82

83
84

• Một phương pháp mới để chẩn đốn lỗi bảng quang điện, dựa trên việc sử dụng đầy đủ các đường cong IV, được đề xuất.
Nó vượt trội hơn các phương pháp luận dựa trên việc sử dụng một phần các đường cong IV;
• Dựa trên các quy trình hiệu chỉnh của IEC 60891, một quy trình mới được đề xuất và áp dụng cho các đường cong IV của
các tấm quang điện bị lỗi, được đo trong các điều kiện mơi trường khác nhau;
• Để làm cho phương pháp độc lập với số điểm đo được để có được IV, một phương pháp lấy mẫu lại được đề xuất. Số
lượng điểm lấy mẫu lại được xác định dựa trên hiệu suất lấy mẫu lại và chi phí tính tốn;

85
86
87

• Hai kỹ thuật biến đổi đặc điểm lần đầu tiên được áp dụng và điều chỉnh cho các đường cong IV để cải thiện khả năng phân
biệt khuyết tật.

88
89 Bài báo được tổ chức như sau: Phần 2 giới thiệu cấu hình của tập dữ liệu mơ phỏng các đường cong IV;
Phần 3 trình bày các quy trình xử lý trước, bao gồm hiệu chỉnh và lấy mẫu lại các đường cong IV; 90

91

Phần 4 chuyển tiếp các phương pháp trích xuất tính năng; Phần 5 thực hiện phân tích tính năng bằng cách sử dụng

92 Bộ phân loại MLT cho PV FDD, trình bày kết quả chẩn đốn bằng cách sử dụng dữ liệu thực nghiệm và mô phỏng, và
nghiên cứu so sánh với các phương pháp từ tài liệu. Phần 6 kết thúc bài báo.
93

94 2 Cấu hình của tập dữ liệu mơ phỏng

95

2.1 Mơ hình mảng PV

96 Mơ hình mảng PV quy mơ nhỏ, tương ứng với thiết lập của thử nghiệm hiện trường (được trình bày trong Phần 5), được xây dựng dưới
nối tiếp,
Matlab
như Simulink®.
thể hiện trong
Mảng Hình
này bao
1. Mỗi
gồm mơ-đun
6 mơ-đun
có Wiltec
36 ơ và62391-50W sc-Si, với hai 97 chuỗi song song và mỗi chuỗi gồm ba mô-đun mắc

98
99 hai điốt rẽ nhánh. Các tham số mô-đun và mảng chi tiết được liệt kê trong Bảng 2 và Bảng 3, tương ứng.


Machine Translated by Google
4

100
101

Hình 1. Mơ hình mơ phỏng mảng PV

102

Bảng 2 Các thông số của mô-đun PV Wiltec 62391-50W
Biến đổi

Giá trị

Biến đổi

Giá trị

3,24 A

17,55 V

21,58 V

0,05% / ˚C

2,85 A

-0,3% / ˚C

103
104

Bảng 3 Các thông số của mảng PV
Biến đổi

Giá trị

Biến đổi

Giá trị

6,48 A

52,65 V

64,74 V

5,70 A

105

109
110
111
112
113
114
115
116

_

117
118

ℎ_

119 Các lỗi này được lựa chọn chủ yếu vì ảnh hưởng đáng kể đến sản lượng điện PV và mức độ cao của chúng


Machine Translated by Google
5

Tần suất xuất hiện 120 [24]. Bên cạnh đó, khả năng tái tạo trong mơ phỏng và trong điều kiện thực tế cũng là 121
được xem xét.

122 Một số ví dụ về đường cong IV theo các cấu hình này được thể hiện trong Hình 2. Các đường cong IV điển hình cũng được mơ phỏng
với nhữngtheo
thứ Matlab
trong Hình
Simulink®
2.
được báo cáo trong tài liệu [10, 23] được trình bày trong Hình 3. Có thể lưu ý 123 124 sự giống nhau

125 Đối với PS1 và PS2, các điểm phản xạ xuất hiện do sự kích hoạt của các điốt bỏ qua mơ-đun bóng mờ.
126 Đối với SC1 và SC2 tương ứng với một hoặc hai mô-đun ngắn mạch ngoài ba trong một chuỗi, VOC giảm 1/3 hoặc 2/3 so với tình trạng
trục hiệnkhỏe
tại mạnh.
129 thay
Đối đổi
với đối
OC, với
ISC Rs
giảm
và 1/2
Rsh 127
suy 128

giảmvìtương
một trong
ứng. hai chuỗi là OC. Đối với các lỗi suy giảm, độ dốc gần vùng điện áp hoặc

130
131

Z. Chen và cộng sự.

Chuyển đổi và quản lý năng lượng tháng 198 (2019) 111793

Hình 2. Ví dụ về các đường cong IV được mô phỏng trong tám điều kiện mảng PV

IV đường cong của chín trạng thái làm việc 800W / m2 và 25 oC

15

3. Phát hiện và chẩn đốn lỗi dựa trên mạng cịn lại sâu cho
mảng quang điện
Theo quan điểm của hiệu suất cao và trích xuất tính năng tự động
khả năng của các kỹ thuật học sâu,
mạng dư (ResNet) được đề xuất để phát hiện và chẩn đoán lỗi
(FDD) của mảng PV trực tiếp sử dụng các đường đặc tính đầu ra IV

10

và điều kiện môi trường xung quanh tương ứng. Thứ nhất, một số lượng lớn IV
các đường cong của mảng PV được những người thử nghiệm IV thu được trong các môi trường xung quanh khác nhau

điều kiện cho từng trường hợp trạng thái hoạt động (bao gồm cả trạng thái bình thường

và trạng thái lỗi), chứa nhiều thơng tin hơn

Bình thường

dữ liệu điện của các điểm hoạt động động. Sau đó, các đường cong IV thô

Mạch hở
5

Ngắn mạch 1

và bức xạ xung quanh và nhiệt độ được xử lý trước để xây dựng

Ngắn mạch 2

dataset.Next, một cấu trúc ResNet mới được đề xuất làm mơ hình FDD.

Sự thối hóa PVS

Cuối cùng, mơ hình FDD dựa trên ResNet được đào tạo và thử nghiệm dựa trên

Sự thối hóa PVA

tập dữ liệu được thiết lập.

Bóng 1
Bóng 2
Bóng 3
0

0

20

3.1. Xử lý trước dữ liệu

40

60

80

100

120

Xử lý trước các đường cong của đường cong IV và môi trường xung quanh tương ứng
Điện áp (V)

điều kiện là cung cấp dữ liệu chất lượng cao để đào tạo và chạy

(a) (b)
(một)

132
133

Mơ hình FDD phù hợp và hiệu quả, bao gồm hai bước.

tiên

là liệu,
lấy mẫu
các [23],
đường(b):
cong [10]
IV thô. Bước thứ hai là
Hình 3 Các đường cong IV mơ phỏng được báoBước
cáo đầu
trong
tài
(a):

PV am của nó của chín trạng thái làm việc 800W / m2 và 25 oC
Bình thường

Mạch hở
Ngắn mạch 1
Ngắn mạch 2

Sự thối hóa PVS
1000

kết hợp các vectơ điện áp và đường cong của mỗi đường cong IV với đường cong
điều kiện bient để tạo thành một mẫu dữ liệu hai chiều làm đầu vào của

1500

Sự thối hóa PVA
Bóng 1
Bóng 2

mơ hình FDD.
Các đường cong IV ban đầu được hầu hết những người thử nghiệm IV thu được bao gồm một

số lượng điểm dữ liệu có phân bố không đồng đều. Đặc biệt, hầu hết
các điểm dữ liệu vẫn nằm trong phạm vi giữa điểm ngắn mạch và
MPP, trong khi có ít điểm dữ liệu hơn giữa MPP và mở
điểm mạch. Để cải thiện chất lượng và giảm kích thước dữ liệu của
tập dữ liệu để đào tạo mơ hình FDD, các đường cong IV thơ lần đầu tiên được
lấy mẫu lại và lấy mẫu xuống để cung cấp các đường cong IV mới đồng nhất


Machine Translated by Google
6

134

2.2 Tạo tập dữ liệu

135 Dựa trên mơ hình mảng, hai tập dữ liệu được tạo, một để đào tạo và một để kiểm tra. Đối với mỗi đường cong IV trong tập dữ
liệu,
G thay
trong
đến trình
1200 Wbày
/ m2
cho hai bộ
dữ liệu
là đổi
giống

hệt khoảng
nhau và400
được
trong Bảng 4. So với
và Tm
cáctừnghiên
10 đếncứu
80 trước
° C. Các
đâytham
trong
số tài
136 liệu
137 tương
[23], đối
ứng
với sự suy giảm PS, Rs và Rsh , mức độ nghiêm trọng của lỗi không chỉ đơn giản được đặt là hằng số. Thay vào đó, mức độ nghiêm

138

trọng của sự cố cũng khác nhau với các thông số tương ứng bao gồm các phạm vi tương đối rộng đồng nhất được liệt kê

139

trong Bảng 4, cũng là phạm vi hiệu quả đối với FDD trong nghiên cứu này. Ví dụ về các đường cong trong một số điều kiện

140

bị lỗi được trình bày trong Hình 4. Để minh họa rõ hơn về tác động của mức độ nghiêm trọng của sự cố, các đường cong đã

141

cho được tạo trong Điều kiện Thử nghiệm Tiêu chuẩn giống hệt nhau (STC, G = 1000 W / m2

142

, Tm = 25 ° C).

143 Đối với PS, độ PS được đặt từ 10% (bóng mờ thấp) đến 100% (bóng mờ tồn bộ). Giới hạn dưới 10% được đặt thành 144 để tránh
nhầm lẫn giữa PS mới bắt đầu (chẳng hạn như mức PS 1%) và tình trạng khỏe mạnh [25]. Đối với SC, Ω. Đối với suy giảm Rs và Rsh ,
5

đượcđểđặt
10-5
Ω đểcác
mô biến
phỏngdạng
SC đầy
đủ,dạng
tương
như
OC với
bằng
được điều chỉnh
tạothành
ra một
loạt
hình
trêntựcác
đường

cong IV,
như10thể hiện
145từ146
sự mức
thayđộđổi
nghiêm
độ dốc
trọng
trong
củaHình
lỗi

4.

147
148

Bảng 4 Cài đặt tham số cho mảng trong điều kiện khỏe mạnh và bị lỗi
Điều kiện

PS độ (%)

Mạnh khỏe

100

PS (1 hoặc 2 mơ-đun)

10 - 100

SC (1 hoặc 2 mơ-đun)

100

*

10-5

(Ω)

(Ω)

_

(Ω)

ℎ_

10-5

10-5

-

10-5

10-5

-

10-5

10-5

-

100

-

105

10-5

Suy thối Rs

100

-

10-5

0,5 - 5

-

Suy thối Rsh

100

-

10-5

10-5

20 - 200

OC (1 chuỗi)

149

(Ω)

*

-

'-' có nghĩa là điện trở liên quan bị ngắt kết nối trong mơ hình mơ phỏng.

150
151
152

Hình 4. Đường cong IV (STC) dưới sự suy giảm PS1, PS2, Rs và Rsh (Đối với PS2, mức độ bóng cho hai mơ-đun có
thể giống hoặc khác nhau như trong Hình 2. Đối với sự suy giảm Rsh , hình dạng của các đường cong khơng thay

153

đổi tuyến tính với điện trở bổ sung song song với mảng)

154 Các đường cong mô phỏng thu được trong điều kiện lý tưởng, tức là khơng có bất kỳ sai số hoặc dao động đo lường nào.
ồn môi trường
Do đó, và
để sai
đào số
tạođocác
ngẫu
bộ nhiên
phân loại
đượcvới
đưadữvào.
liệuTiếng
đại diện
ồn mơi
hơn
trường
cho các
theo
dữ sau
liệua được đo trong điều kiện thực, 155 156 tiếng

157 phân phối chuẩn với SNR là 35dB và sai số ngẫu nhiên được đặt ở 0,5% phương sai của V và I. 158 giá trị này được xác định
bằng cách kết hợp các bảng dữ liệu của thiết bị đo được sử dụng trong các thử nghiệm hiện trường với 159 độ không đảm bảo được
đưa ra trong báo cáo tài liệu và kỹ thuật [26,27].

160

Cuối cùng, tổng cộng, tập dữ liệu huấn luyện chứa 12000 đường cong IV mô phỏng cho tám điều kiện (mỗi điều kiện tương

tập dữ liệu
ứng sẽ
vớiphải
1500chịu
đường
cáccong).
thao tác
Tập xử
dữ lý
liệu
trước
thử sau
nghiệm
đây.chứa 2400 đường cong (300 đường cong cho mỗi điều kiện). 161 162 Cả hai

163 3 Xử lý trước các đường cong IV
164 Việc xử lý trước các đường cong IV bao gồm hai hoạt động chính: hiệu chỉnh và lấy mẫu lại. Sự thay đổi bức xạ hoặc / và 165
nhiệt độ có thể tạo ra sự khác biệt giữa các đường cong IV. Những khác biệt này có thể là ...


Machine Translated by Google
7

167 trong
được
các hiểu
điều là
kiện
chữmơi
ký trường

lỗi. Do khác
đó, trước
nhau, chúng
khi khai
phảithác
được
cáchiệu
đường
chỉnh
cong
về IV
mộtthu
điều
được
kiện
bằng
giống
phép
hệt
đo nhau,
hoặc mô
thường
phỏnglà166
STC.
168 Tiêu chuẩn IEC 60891 dành cho việc hiệu chỉnh này. Tuy nhiên, các phương pháp mà nó đề xuất khơng phù hợp với các đường
này. Mộtcong
khó khăn
lấy từ
khác
cácliên

tấm quan
quangđến
điện
sựbị
khác
lỗi.
biệt
Mộtvề
phương
số lượng
phápđiểm
hiệucóchỉnh
thể tồn
mới tại
được
giữa
trình
hai bày
IV 170
và áp
đường
dụng cong.
trong Điều
169 nghiên
này có cứu
thể
do bước lượng tử hóa hoặc do thiết bị đo. Sau bước hiệu chỉnh, a
171
172 bước lấy lại mẫu là cần thiết để đảm bảo rằng tất cả các đường cong có cùng số điểm trước khi được phân tích.
173

174

Khác với phương pháp lấy mẫu lại kép được áp dụng trong [23], một phương pháp lấy mẫu lại đơn được đề xuất

và 175 được sử dụng trong nghiên cứu này. Một quy trình đặc biệt để xác định số lượng điểm lấy mẫu lại cũng được thiết
176

kế dựa trên hiệu suất lấy mẫu lại và chi phí tính tốn. Các bước này hiện được trình bày chi tiết trong phần sau.

177

3.1 Hiệu chỉnh các đường cong IV

178 Trong các điều kiện môi trường khác nhau ( G và Tm khác nhau), các đường cong IV được đo hoặc mơ phỏng có thể có
mơi trường
hình .dạng
Ở đây,
riêng
STCbiệt.
được Do
sử đó,
dụngđểlàm
tránh
điềumọi
kiện
sự đích.
hiểu sai, các đường cong IV được hiệu chỉnh về cùng điều kiện 179
180
181

Trong [28,29], người ta thấy rằng các phương pháp hiệu chỉnh đường cong IV thơng thường là quy trình 1

và quy trình 2 từ tiêu chuẩn IEC 60891 năm 182 [30]. Tuy nhiên, các phương pháp này có hiệu suất hạn chế khi có lỗi.
tổng thể Do
tốt
đó,
hơn
một183
phương
trong pháp
tất cả
hiệu
cácchỉnh
điều cải
kiệntiến
lỗi đã
đã được
được đề
thửxuất
nghiệm
và được
(cùng chứng
loại lỗi
minhđược
là cónghiên
thể đạt
cứuđược
tronghiệu
bài suất
báo này).

hiệu chỉnh

184
185 Theo đó, phương pháp đề xuất này, chi tiết như sau, sẽ được áp dụng để hiệu chỉnh các đường cong IV đã thu thập được.
186

2
2

187

=

1

= 1 (1 + (+
[- (
2

=

188

và

-

2

2

-

()
1 1 [1

1)

2(

+ (25 -

(1)

1 ) ) 2/1

+
2

-

( 2/1

)]

1)

(2)

1 )]

và

1
2, độ 1dòng điện,2,điện
1
189 trong đó, và và
là cường
áp, hiệu chỉnh; là điện trở nối
1 2 lần2,lượt

(3)
, và trước và sau và
, ,

tiếp bên trong; và là các hệ số hiệu chỉnh đường cong; 190
191
192

được xác định từ các mô phỏng.

3.2 Lấy mẫu lại đường cong IV

193 Sau khi hiệu chỉnh, các đường cong IV được lấy mẫu lại. Điều này đặc biệt cần thiết khi xử lý các đường cong IV mới với
194

số lượng điểm hoặc phân bố khác nhau. Đây là trường hợp, ví dụ, đối với các đường cong IV được đo 195 bằng các máy

đánh dấu khác nhau. Phương pháp điều trị này không chỉ đảm bảo rằng mỗi đường cong IV có cùng số điểm, mà cịn, và quan trọng
hơn, các điểm trên đường cong được phân bố đồng đều. Lấy mẫu lại để tạo ra 196

197 Phương pháp tương tác FDD được mô tả dưới đây theo một số bước:
198

- Dựng vectơ điện áp có N điểm phân bố tuyến tính trong khoảng [0, Vmax] có bậc khơng đổi

199

(Vmax là một hằng số cho tất cả các điều kiện, có thể được đặt cao hơn một chút so với mảng VOC tại STC trong điều

200

kiện khỏe mạnh để tránh điện áp của các đường cong được hiệu chỉnh không phù hợp vượt quá giới hạn này);

201 - Đối với mỗi giá trị điện áp, tìm điểm gần nhất trên đường cong ban đầu và ghi lại dòng điện PV tương ứng 202
giá trị;

203 - Cuối cùng, xây dựng một vectơ hiện tại mới với N giá trị.
204 Để xác định N, chất lượng của việc lấy mẫu lại phải được định lượng. Ở đây, lỗi khu vực ( 205
làm số liệu, như được định nghĩa trong (4).

) [31] được thông qua


Machine Translated by Google
số 8

=

206

Ở đâu,

× 100%

là khu vực được bao quanh bởi đường cong IV ban đầu,

(4)

là diện tích được bao bởi

chênh lệch 207 giữa đường cong IV gốc và đường cong IV được lấy mẫu lại. Xét các đường cong IV cho tám trường hợp
208 được nghiên cứu (số điểm ban đầu thay đổi từ 298 đến 363 do bước thời gian mơ phỏng biến đổi), trung bình 209 và độ lệch
chuẩn của

với N thay đổi được trình bày trong Hình 5.

210
211

Hình 5

lấy mẫu lại các đường cong IV dưới dạng một hàm của N (các chấm biểu thị giá trị trung bình,

212

trong khi dải biểu thị độ lệch chuẩn)

thấycủa
rằng,
khi

N mẫu
> 40,
bên cạnhQuan
chấtsát
lượng
việc
lấy
lại, độ phứctrở
tạpnên
củatương
mơ hình
đối
(gánh
nhỏ (~
nặng
0,75%)
tính và
tốn
ổn của
định.
bộ Tuy
phânnhiên,
loại 215
cần tăng
lưu theo
ý rằng,
số
điểm) cũng cần được xem xét. Do đó, trong nghiên cứu này, N được đặt 216 thành 50 để đảm bảo hiệu suất lấy mẫu lại tốt
và giảm chi phí tính tốn. Do đó, sau khi lấy mẫu lại, mỗi đường cong I 217 V sẽ bao gồm 50 điểm.

218 4 Trích xuất tính năng

219 Sau khi hiệu chỉnh và lấy mẫu lại các đường cong IV, ba loại đặc trưng được đề xuất: dữ liệu IV thô 220 hoặc chuyển đổi
thành vectơ 1D hoặc 2D để tăng khả năng phân biệt của các đối tượng. Các phép biến đổi dựa trên 221 dựa trên hai kỹ thuật chưa
được áp dụng cho đến nay, theo hiểu biết tốt nhất của chúng tôi, được áp dụng cho các đường cong IV. Việc giảm thứ nguyên 222
cũng được đánh giá là để giảm dư thừa thông tin và chi phí tính tốn. Các bước này hiện là 223
đã trình bày.
224 4.1 Chuyển đổi tính năng

225 Sau khi lấy mẫu lại, có hai cách để trích xuất các tính năng từ các vectơ hiện tại được lấy mẫu lại. Phương pháp đầu tiên
226 là sử dụng trực tiếp các vectơ này làm đầu vào cho bộ phân loại (phương pháp này được đặt tên là 'trực tiếp I-V' sau đây),
trong khi phương pháp thứ 227 biến đổi vectơ 1 chiều (1D) thành ma trận 2 chiều (2D). Cụ thể, hai kỹ thuật biến đổi 228 ,
thường được thực hành trong việc chuyển đổi tín hiệu chuỗi thời gian sẽ được sử dụng trong nghiên cứu 229 này :

230
231
232
233

1) Trường chênh lệch góc Gramian (GADF) [32]: Nó tính tốn sản phẩm bên trong của vectơ đầu vào thông qua đặc
tính của chênh lệch góc và bảo tồn phụ thuộc thời gian. Kích thước của ma trận được tạo (Dmatrix) = Dvector
2

, trong đó Dvector là số đặc trưng của vectơ ban đầu. Theo nghĩa này,

khi Dvector = 50, mỗi vectơ hiện tại được biến đổi thành một ma trận với Dmatrix = 2500.

234

2) Biểu đồ lặp lại (RP) [33]: Nó cũng tiết lộ tất cả sự phụ thuộc thời gian của vectơ và xây dựng ma trận vuông

235

bằng cách tính tốn khoảng cách bên trong giữa tất cả các trạng thái trong không gian pha. Không gian pha là


Machine Translated by Google
9

236

được tạo ra bằng cách nhúng một dịch chuyển (τ) vào vectơ đầu vào, trong đó τ được xác định bằng cách tối ưu hóa. Dmatrix _

237

của RP bằng (Dvector

τ) 2

. Trong nghiên cứu này, τ = 1, do đó, Dmatrix = 2401.

238 Một số ví dụ về chuyển đổi GADF và RP được minh họa trong Hình 6. Lý do thực hiện các hoạt động 239 này sẽ được giải thích
trong Phần 5.1.4.

240
241
242

Hình 6. Ví dụ về ma trận được biến đổi bởi GADF và RP: (a) Tốt, (b) PS, (c) PS2, (d) Suy giảm Rs , (e) Suy giảm Rsh (giá trị của
mỗi thành phần trên ma trận được đánh dấu bởi colormap)

243 Từ các ví dụ về phép biến đổi, quan sát thấy rằng các giá trị trong cả ma trận RP và GADF trải dài 244 đối xứng xung quanh
đường chéo chính. Khi giá trị của vectơ hiện tại giảm, một 'hình vng' tương ứng sẽ xuất hiện, như đã thấy trong trường hợp
hoặc
các hướng
PS khác
và PS2.
nhau.
KhiTheo
độ dốc
cáchgần
247phần
này 245
, tất
246cảcủa
những
đường
thaycong
đổi IV
trong
thayđường
đổi, diện
cong tích
IV cóđường
thể được
chéo phản
trongánh
ma trong
trận cũng
ma trận

sẽ đã
co biến
theo
lại đổi.

248 Tất cả ba phương pháp trích xuất đặc trưng (IV trực tiếp, RP và GADF) thu thập thông tin đầy đủ từ vectơ 249 của dòng điện
được lấy mẫu lại từ các đường cong IV ban đầu. Hiệu suất của chúng sẽ được so sánh với phương pháp 250 chỉ sử dụng thông tin
một phần của các đường cong IV.
251

4.2 Giảm kích thước của các tính năng

252 Khi có một sự thay đổi nhỏ trong một đường cong IV, vectơ dòng điện được lấy mẫu lại được sử dụng trong IV trực tiếp có thể
chứa 253 điểm dư thừa và các tính năng đã biến đổi cũng có thể có sự trùng lặp thông tin. Để giảm độ phức tạp 254 của bộ phân
loại và nâng cao hiệu quả của quá trình đào tạo, việc giảm số lượng 255 tính năng được thực hiện bằng cách sử dụng Phân tích
thành phần chính (PCA). Số lượng thành phần chính 256 cuối cùng được giữ lại là sự cân bằng giữa việc giảm kích thước và mất
thơng tin do 257 thành phần bị loại bỏ. Quy tắc thông thường là giữ số lượng tối thiểu các thành phần đại diện cho một lượng nhất
định là 258 thơng tin ban đầu (phương sai tích lũy); 95% thường được thơng qua. Hiệu suất chẩn đốn mà khơng có PCA 259 cũng
sẽ được thảo luận trong Phần 5.1.3.

260 5 Phân tích tính năng cho PV FDD
261 Đối với các phương pháp trích xuất đặc trưng, ngoại trừ các phương pháp thu thập thông tin đường cong IV hoàn chỉnh (IV
trực tiếp, 262 RP, GADF), một phương pháp truyền thống sử dụng một phần thông tin đường cong IV cũng sẽ được thử nghiệm để so sánh.
Phương pháp này trích xuất tám đặc điểm chính (sau đây được đặt tên là '8paras' ) từ đường cong IV ban đầu và 263


Machine Translated by Google
10

264

, số ,
các thông số môi trường, tức là, G, Tm và ℎ . ,
Các tham
và ℎ ,được tính tốn bằng nghịch đảo của các độ dốc

hoạt động
củatốt
mộthơn
đường
khi cong
sử dụng
IV gần
bốn và,
tínhtương
năng đầu
ứng.
vào
Trong
khácphần
nhau.
265 266 dành cho chẩnđược
đốn,
đánh
tìm
một giá
ra
số bộ
bộ
để phân

phân loại
loại 267
MLT
lỗi nào
sẽ
để

268 Tổng cộng, sáu bộ phân loại MLT phổ biến được nghiên cứu: Mạng thần kinh nhân tạo (ANN), Máy vectơ hỗ trợ 269 (SVM), kNearest Neighbors (kNN), Cây quyết định (DT), Rừng ngẫu nhiên (RF) và Bộ phân loại Naive Bayes 270 (NBC). Tất cả các bộ phân
loại này đều được điều chỉnh và đánh giá theo Matlab® để phân loại tám điều kiện 271 của mảng PV. Cấu hình của các bộ phân loại
này được liệt kê trong Bảng 5.
272

Bảng 5 Cấu hình của bộ phân loại MLT
MLT
Các
loại

Cấu hình
Cài đặt chung
• Chuẩn hóa: true (thành [-1,1])
• Xác thực gấp K: 5

• Phương pháp tối ưu hóa siêu tham số: tìm kiếm lưới hoặc
Phương pháp Bayes
ANN • Cấu trúc: 1 hoặc 2 lớp ẩn (5-35 tế bào thần kinh)
• Chức năng mất: entropy chéo
• Thuật tốn Train: Gradient liên hợp theo tỷ lệ
• Chức năng: tansig (lớp ẩn), softmax (lớp đầu ra)
SVM • Phương pháp đa kính: một chọi một
• Quy mơ nhân: tối ưu hóa

• Hình phạt: tối ưu hóa
• Hàm hạt nhân: Tuyến tính, bậc hai, khối, Gaussian, hoặc
RBF
kNN • Số lượng hàng xóm: được tối ưu hóa
• Chỉ số khoảng cách: Euclidean, City block hoặc Chebyshev
DT • Số lượng tách tối đa: được tối ưu hóa
• Tiêu chí phân tách: Chỉ số đa dạng của Gini

• Số lượng nút lá tối thiểu: được tối ưu hóa
RF • Số lượng tách tối đa: được tối ưu hóa
• Số lượng nút lá tối thiểu: được tối ưu hóa
• Số lượng yếu tố dự đoán được chọn cho mỗi lần phân tách: được tối ưu hóa

NBC • Kiểu phân phối: Gaussian hoặc Kernel
• Loại nhân: Gaussian, Box, Epanechnikov hoặc Triangle
• Chiều rộng cửa sổ làm mịn hạt nhân: được tối ưu hóa

273
274 5.1 Kết quả chẩn đốn bằng cách sử dụng dữ liệu mơ phỏng
275 5.1.1 Hiệu suất phân loại lỗi

276 Cơ sở dữ liệu đào tạo (được trình bày trong Phần 2.2) được chia thành 70% dành cho đào tạo và 30% để xác nhận.
Tỷ lệ phân vùng 277 này (2/3 dành cho học tập và 1/3 dành cho kiểm tra) là một quy tắc thường được áp dụng [34]. Với
tập dữ liệu 278 gồm 12.000 mẫu (đường cong IV), tỷ lệ phân vùng này cho phép học tập hiệu quả và xác nhận ổn định [35].
279 Nhờ xác nhận này, các siêu tham số của sáu bộ phân loại MLT có thể được xác định. Mơ hình 280 được đào tạo sẽ được đánh
giá với cơ sở dữ liệu thử nghiệm (cũng được trình bày trong Phần 2.2).
281 Độ chính xác kiểm tra của sáu bộ phân loại sử dụng bốn đặc điểm đầu vào khác nhau được trình bày trong Hình 7. Chi tiết 282
(bao gồm độ chính xác macro, thu hồi, điểm F1, độ chính xác, siêu tham số) của bộ phân loại tốt nhất được liệt kê trong 283

Bảng 6 và các ma trận nhầm lẫn tương ứng được minh họa trong Hình 8.

Machine Translated by Google
11

284
285
286

Hình 7. Kiểm tra độ chính xác của tất cả các bộ phân loại (độ chính xác tốt nhất được đánh dấu đậm màu đỏ)

287

Bảng 6 Chi tiết về các bộ phân loại tốt nhất

Loại tính
năng đầu vào

Bộ
phân loại tốt nhất

Độ chính xác

Nhớ lại

F1
ghi bàn

Kiểm tra độ chính xác

Siêu tham số phân loại

SVM

0,9520

0,9483 0,9479

94,83%

Kernel: Đa thức 2, BoxConstraint = 29.3

ANN

0,9992

0,9992 0,9992

99,92%

#Neurons trong lớp ẩn = 15

RP

ANN

0,9996

0,9996 0,9996

99,96%

#Neurons trong lớp ẩn = 10

GADF

ANN

100%

#Neurons trong lớp ẩn = 32

8paras
trực tiếp IV

1

1

1

288

289
290

Hình 8. Ma trận nhầm lẫn của bộ phân loại tốt nhất khi sử dụng bốn loại tính năng đầu vào

291 Từ góc độ đầu vào, có thể thấy rằng việc sử dụng các tính năng dựa trên đường cong IV đầy đủ (tức là IV trực tiếp, RP và 292
GADF) dẫn đến độ chính xác phân loại và điểm F1 cao hơn so với sử dụng thông tin một phần đường cong IV (tức là 8paras). Đối với

loại 8paras, độ chính xác cao nhất chỉ đạt 94,83%. 293

294 Sự phân loại sai lớn xảy ra đối với sự xuống cấp của PS1, PS2 và Rs . Điều này có thể dự đốn được bởi vì dưới những


Machine Translated by Google
12

295 điều kiện, MPP của một số đường cong có thể có vị trí tương tự hoặc thậm chí giống hệt nhau, đặc biệt là trong và ℎ
296

,

sự hiện diện của nhiễu đo lường. Tóm lại, nếu chỉ

,

,

,

được sử dụng làm đường cong

297 tính năng, hiệu suất kém sẽ thu được.
298 So sánh, đối với các phương pháp dựa trên đường cong IV đầy đủ (IV trực tiếp, RP và GADF), hầu như tất cả thông tin về
đường cong 299 đều được nhúng trong các tính năng đầu vào. Do đó, người phân loại có thể tìm hiểu xu hướng biến thiên của
các đường cong 300 và đạt được kết quả phân loại cao, tất cả đều cao hơn 99,9%. Đối với GADF, việc sử dụng ANN làm bộ phân
loại sẽ đạt được mức phân loại 100%. Đối với IV trực tiếp và RP, có một hoặc hai đường cong IV bị phân loại sai. 301
302

Về độ chính xác trung bình, RP và GADF hoạt động tốt hơn IV trực tiếp, với sáu bộ phân loại MLT. Điều này 303

chứng minh rằng việc chuyển đổi các tính năng là có liên quan vì nó cải thiện hiệu suất phân loại. Điều này cũng có thể
đặc điểmđược
khác nhìn
nhau thấy
304 305
từ đồ
. thị 2D t-SNE [36] được thể hiện trong Hình 9, nơi có thể quan sát thấy sự phân biệt của các

306
307

Hình 9. Đồ thị t-SNE của 4 loại tính năng đầu vào được trích xuất từ cơ sở dữ liệu thử nghiệm giống hệt nhau: (a) 8paras, (b) direct IV, (c)

308

RP, (d) GADF

309 Từ đồ thị t-SNE, có thể quan sát thấy rằng các cụm đặc trưng-8para gần như trộn lẫn với nhau, 310 cho thấy khả năng
phân biệt các trường hợp khác nhau rất thấp. Đối với RP và GADF, các cụm tương đối tách biệt hơn 311 so với IV trực
tiếp, giống như giữa sự suy thoái của PS1, PS2 và Rsh . Điều này rõ ràng hơn đối với GADF.
312

Điều này có nghĩa là, bằng cách sử dụng RP hoặc GADF, tính phân biệt của các tính năng đầu vào được thực thi, do đó cho phép tất

313

cả các bộ phân loại MLT đạt được sự phân loại tốt hơn, như được trình bày trong Hình 7.

314

5.1.2 Khả năng chống nhiễu bổ sung

được thửTrong
nghiệm
phần
315này,
316 các
với bộ
cácphân
bộ dữ
loại
liệu
MLTthử
tốtnghiệm
nhất cho
mới bốn
để đánh
loại giá
tínhđộnăng
chắcđầu
chắn
vàocủa
(được
chúng
trình
đối bày
với trong
các lỗi

Bảng
đo 6)
ngẫu
sẽ nhiên
và tiếng ồn môi trường. Trong 317 điều sau đây, phạm vi thay đổi lớn hơn trong tập dữ liệu thử nghiệm trước đó. Kết quả
phân loại tốt nhất tương ứng khi sử dụng bốn loại tính năng đầu vào được trình bày trong Hình 10.
318


Machine Translated by Google
13

(b)

(một)

319
320

Hình 10. Độ chính xác phân loại tốt nhất bằng cách sử dụng tập dữ liệu thử nghiệm với các mức nhiễu khác nhau ((a):

321

sai số đo ngẫu nhiên khác nhau của V và I; (b): tiếng ồn môi trường khác nhau của V và I. Mức nhiễu được thông qua trong tập dữ

322

liệu huấn luyện được đánh dấu bằng 'kim cương')

323

324
325
326 mạnh mẽ hơn so với việc sử dụng một phần các đường cong (8paras).

332
333 Như đã trình bày trong Phần 4.2, đối với IV, RP hoặc GADF trực tiếp, kích thước của các tính năng được trích xuất đã được
giảm 334 với PCA trước khi được cung cấp cho bộ phân loại MLT. Sau đây, tác động của thao tác này lên hiệu suất chẩn đoán 335 sẽ
được thảo luận. Cụ thể, thời gian xử lý và độ chính xác của bài kiểm tra có và khơng có PCA được so sánh như trong Bảng 7. Trong
nghiên cứu này, nền tảng là Matlab® R2020b với CPU của CPU Intel (R) Xeon (R) 336 337 E-2174G @ 3.80GHz và RAM 32G.

338

Bảng 7 Ảnh hưởng của PCA về thời gian và độ chính xác
Loại

PCA

tính năng đầu vào

trực tiếp IV

RP

GADF

339

341
342
343

Thời gian xử lý trước

Tập huấn

Tiền xử lý +

Thử nghiệm

Thử nghiệm

(Bao gồm PCA) (các)

thời gian

Giờ tàu)

thời gian

sự chính xác

Y

0,39

41,57

41,96

0,01

99,92%

N

0,37

58,65

59.02

0,01

99,88%

Y

97,72

48,31

146,03

0,01

99,96%

N

89,33

1209,23

1298,56

0,13

99,92%

Y

48,88

31,75

80,63

0,01

100%

N

46,90

670,89

717,79

0,11

100%


Machine Translated by Google
14

345

trích xuất, như đối với RP và GADF.

346
347

5.1.4 Tác động của chuyển đổi

348

Trong Phần 4.1, ngoài IV trực tiếp, hai phương pháp biến đổi tính năng (RP và GADF) đã được giới thiệu. Rõ ràng,

349

kích thước đặc trưng sau khi biến đổi tăng lên đáng kể khi vectơ hiện tại là 350 được chuyển thành ma trận vng.

Một mặt, điều này có thể làm tăng độ phức tạp của phương pháp luận FDD, như thời gian xử lý lâu hơn cần thiết để thực hiện
giảm thứ nguyên và đào tạo, như có thể thấy trong Bảng 351 7.

352
353 Mặt khác, cần lưu ý rằng việc chuyển đổi có thể làm tăng khả năng phân biệt của các đối tượng, như được trình bày
tế bào thần

trong
kinh.
đồ thị
Từ kết
t-SNEquả
trong
thử Hình
nghiệm
9. được
Điều đưa
này cũng
ra trong
có thể
Hình
được
8, đối
ghi với
nhậncác
từ đường
việc quan
cong sát
IV của
các mảng
kết quả
trong
đầuđiều
ra của
kiện
354
khỏe

355
mạnh, I 356 V trực tiếp, RP và GADF đều có thể đạt được phân loại 100%. Tuy nhiên, từ các kết quả chi tiết của đầu ra của
357 bộ phân loại tốt nhất, có thể quan sát thấy sự khác biệt về độ tin cậy của phân loại đối với các điều kiện khỏe mạnh,
như được thể hiện trong Hình 11. 358

(một)

(b)

(c)

359
360

Hình 11 Đầu ra nơron của bộ phân loại tốt nhất trong điều kiện khỏe mạnh sử dụng IV trực tiếp, RP và GADF: (a) IV trực tiếp, (b)

361

RP, (c) GADF

362 Đối với ba loại tính năng này, ANN là bộ phân loại tốt nhất. Các giá trị đầu ra của tám nơ-ron trong lớp đầu ra (tương
Lớp đượcứng
dự với
đốntám
là trường
lớp có nơ-ron
hợp) được
có đầu
trình
ra bày.

cao nhất.
Đối với
Theo
mỗinghĩa
dự đốn
này,của
365lớp,
chênh
tổng
lệch
củagiữa
tất các
cả các
đầu kết
ra của
quả nơ-ron
đầu ra 363
càngbằng
lớn một.
thì

364

dự đốn càng đáng tin cậy. Để định lượng sự khác biệt đầu ra, được định nghĩa là sự khác biệt giữa đầu ra nơ-ron lớn

nhất trừ đi đầu ra lớn thứ hai.

366 càng lớn thì bộ phân loại càng có độ tin cậy cao. Trong Hình 12, giá trị trung bình của

quan sát thấy rằng IV

̅̅̅̅̅̅̅̅̅̅)
trực tiếp (
369đối
và với
RP có
300
hiệu
đường
suấtcong
gần IV
như
thử
giống
nghiệm
nhau,
trong
trong
điều
khi
kiện
GADF
khỏe
đạtmạnh
giá được
trị cao
hiển
nhất
thị.
vớiCó0,996.
thể

367

, hơn,
Điều này có nghĩa
là, 370
điều
khi
này
sử371
dụng
lần
GADF
nữa để
khẳng
trích
định
xuất
giá
tính
trị năng,
của việc
quyết
thực
định
hiện
củachuyển
bộ phân
đổi
loại

tính
tốt
năng.
nhất đáng tin cậy

368

372

Ngồi ra, con số t-SNE của các tính năng (đã được trình bày trong Hình 8) cũng chứng minh rằng mức độ mạnh mẽ đối với

373

sự xáo trộn bổ sung khi sử dụng RP và GADF được thực thi so với sử dụng IV trực tiếp, đặc biệt là đối với GADF.

374 Để điều tra lý do tại sao phép biến đổi có thể làm tăng khả năng phân biệt của các đối tượng địa lý, người ta phân tích
IV của một
sự mảng
khác trong
biệt giữa
điều các
kiện
đối
lỗi
tượng
ban đầu
địa 375
lý trong
(như mức
các PS

điều
thấp,
kiệnbổ
khác
sung
nhau
thấp)
saudễ
khi
bị chuyển
nhầm lẫn
đổi. Trên thực tế, các đường cong

376

, bổ sung lớn

ℎ


Machine Translated by Google
15

377 với những người trong điều kiện khỏe mạnh. Do đó, lấy các đặc trưng của đường cong IV trong điều kiện khỏe mạnh
làm tham chiếu 378 , sự khác biệt giữa tham chiếu và các đặc trưng từ đường cong IV theo PS, Rs hoặc Rsh

379

Sự suy thối với các mức độ lỗi khác nhau có thể được định lượng. Ở đây, lỗi bình phương trung bình gốc (RMSE) là

380 được sử dụng làm số liệu, được định nghĩa là:

2
1

= √

381

ở đâu, là

(5)

(-)

ℎ phần tử trong đối tượng địa lý đã biến đổi

,

là số phần tử trong đối tượng địa lý. có thể

382 là vectơ hiện tại được xây dựng bằng phương pháp IV trực tiếp hoặc ma trận được xây dựng bằng phương pháp RP hoặc GADF.
(b)

(một)

(c)

383
384

Hình 12 RMSE chuẩn hóa của các tính năng giữa khỏe mạnh và (a) PS, (b) suy giảm Rs , (c) suy giảm Rsh

385 Từ Hình 12, quan sát thấy rằng RSME chuẩn hóa của IV trực tiếp và RP gần như có sự tiến hóa tương tự 386
trong ba điều kiện, trong khi GADF tăng rõ ràng nhanh hơn, đặc biệt là trong PS và Rsh

387

suy thoái. Điều này có nghĩa là, với mức độ nghiêm trọng của lỗi ngày càng tăng, các tính năng của GADF sẽ

nhạy cảm hơn. Cũng có thể 388 chỉ ra rằng chẩn đoán lỗi ban đầu (biến đổi thấp hơn 10%) là một thách thức mở vì độ
lệch 389 rất thấp đối với tất cả các biến đổi. Tuy nhiên, sự phân biệt đối xử của các đối tượng trong các trường hợp
khác nhau được thực thi với việc chuyển đổi đối tượng, đặc biệt là với GADF .

391

5.2 Kết quả chẩn đoán sử dụng dữ liệu thực nghiệm

392

5.2.1 Thiết lập thử nghiệm hiện trường

393 Để đánh giá các bộ phân loại được đào tạo trong trường hợp thực, một mảng PV thử nghiệm gồm 6 mô-đun sc-Si (Wiltec 62391-

394 50W) được xây dựng, như thể hiện trong Hình 13. Các thơng số của mô-đun PV trong mô phỏng và thử nghiệm hiện

395

trường là giống hệt nhau. Một ô tham chiếu (RG100) được sử dụng để đo G và một đầu dò Pt100 (lớp A) để đo

396

Tm trang tính sau của một mô-đun. Hai vạn năng (Keithley 2440 và 175) ghi lại các phép đo G và Tm. Cái tôi

397 V đánh dấu (Chauvin-Arnoux FTV200) ghi lại các đường cong IV của mảng.


Machine Translated by Google
16

398
399

Hình 13 Thiết lập thử nghiệm hiện trường

400 Tất cả tám trường hợp mảng PV được tái tạo và các đường cong IV tương ứng được ghi lại. Một số thiết lập lỗi được thể hiện trong
bày trongHình
Bảng14.
4. Bảng
Mười 8lăm
chođường
thấy mức
congđộđược
nghiêm
ghitrọng
lại cho
của mỗi
các trường
lỗi, phù
hợphợp

trong
với số
cáctám
lỗitrường
được sử
hợp.
dụng
Do cho
đó, đào
có 120
tạo đường
401 402cong
và được
IV, một
trình
số
trong số đó sau khi hiệu chỉnh và ngoại suy được thể hiện trong Hình 15.
403

404
405

Hình 14. Các ví dụ về thiết lập lỗi

406
407

Hình 15. Ví dụ về các đường cong IV đo được trong 8 điều kiện mảng PV

408

Bảng 8 Thiết lập mức độ nghiêm trọng của lỗi

Điều kiện

Thay đổi mức độ nghiêm trọng của lỗi


Machine Translated by Google
17

Khỏe mạnh, SC, SC2, OC

Khơng có

Độ PS được điều khiển bởi 3 khoảng cách khác nhau

PS, PS2

giữa nơi trú ẩn và các tấm
Điện trở bổ sung trong loạt: 1Ω, 2Ω, 4Ω

Suy thoái Rs
Suy thoái Rsh

Điện trở bổ sung song song: 30Ω, 50Ω, 150Ω

409
410 5.2.2 Kết quả phân loại

411 Sau khi xử lý trước (hiệu chỉnh, lấy mẫu lại) và trích xuất đặc điểm (với bốn phương pháp trích xuất đặc trưng,
412 cụ thể là 8paras, IV trực tiếp, RP hoặc GADF), các mẫu đã xử lý sau đó được đưa vào các bộ phân loại được điều chỉnh tốt nhất
413

(được đào tạo với dữ liệu mô phỏng được trình bày trong Bảng 6) để phân loại. Kết quả được trình bày trong Hình 16.

414
415

Hình 16. Kết quả kiểm tra sử dụng dữ liệu đo tại hiện trường

416 Theo Hình 15, tương tự như các quan sát trước đây về kết quả mô phỏng, bộ phân loại sử dụng đặc điểm 417
dựa trên thông tin đường cong IV đầy đủ (IV trực tiếp, RP và GADF) tốt hơn bộ phân loại sử dụng thông tin 418
một phần (8paras). Đối với 8paras, sự phân loại sai chính xảy ra giữa PS và PS2, giữa PS / PS2 và suy giảm 419
Rs / Rsh , tương ứng với Hình 8. Đối với ba loại tính năng dựa trên các đường cong IV đầy đủ, 420 hiệu suất
phân loại đạt 100% với GADF và RP. Có một đường cong IV bị phân loại sai 421 khi sử dụng IV trực tiếp. Thử nghiệm
thực nghiệm này khơng chỉ xác nhận tính hiệu quả của các bộ phân loại được điều chỉnh bằng cách sử dụng 422 dữ
liệu mơ phỏng mà cịn cho thấy lợi ích của việc sử dụng các tính năng dựa trên đường cong IV đầy đủ cho PV FDD.


Machine Translated by Google
18

423

5.3 Nghiên cứu so sánh

424 Có một số phương pháp khác trong tài liệu để trích xuất các đặc trưng từ đường cong IV cho FDD. Sau đây, 425 một
nghiên cứu so sánh sẽ được thực hiện với cơ sở dữ liệu mô phỏng và thực nghiệm được trình bày trong Phần 2.2.
426 Các tính năng được trích xuất sẽ được xử lý bởi các MLT được trình bày trong Phần !

. Đối với từng loại

427 tính năng mới, bộ phân loại MLT sẽ được điều chỉnh lại. Sau đó, bộ phân loại tốt nhất sẽ được xác nhận với 428 tập dữ
liệu được đo tại trường tương tự. Độ chính xác và thời gian xử lý được tóm tắt trong Bảng 9.

429

Bảng 9 So sánh kết quả PV FDD của các phương pháp khác nhau

Thời gian

Sự chính xác

Sử dụng
Đường cong IV

Phương pháp

Tàu hỏa

Thử nghiệm

Kiểm tra thực địa Quy trình trước + đào tạo

Thử nghiệm

Kiểm tra thực địa *

95,41%

94,04%

90,83%

3,59 giây

0,05 giây

0,05 giây

8paras

96,21%

94,83%

91,67%

3.08 giây

0,05 giây

0,09 giây

IVGT [23]

99,75%

98,83%

97,5%

38,62 giây

0,01 giây

2,13 giây

Hình ảnh IV [38]

100%

99,58%

95,00%

20 phút

13,9 giây

29,4 giây

trực tiếp IV

100%

99,92%

99,17%

41,96 giây

0,01 giây

0,17 giây

RP

100%

99,96%

100%

146.03 giây

0,01 giây

0,29 giây

GADF

100%

100%

100%

80,63 giây

0,01 giây

0,21 giây

6paras [37]

Một phần

Hoàn thành

430 * Thời gian kiểm tra thực địa bao gồm thời gian xử lý trước và phân loại 120 đường cong

431 Phương pháp dựa trên việc sử dụng một phần đường cong IV địi hỏi ít thời gian hơn cho việc xử lý trước và đào tạo
hơn 432 các phương pháp khác gây hại cho độ chính xác hạn chế. Đối với các phương pháp dựa trên việc sử dụng hoàn toàn
tốt hơn một
so với
đường
cáccong
phương
IV, ba
pháp
phương
433 434
pháp
khác.
được
Ngoài
đề xuất
ra, thời

(tức gian
là IVratrực
quyết
tiếp,
địnhRPtrong
và GADF)
các bài
cho kiểm
thấy tra
độ chính
thực địa
xác cũng
phân loại
nhanh
chóng, chưa đến 0,3 giây. Phương pháp IVGT 435 cũng dựa trên việc lấy mẫu lại nhưng hoạt động kém hơn ba phương pháp
được đề xuất. Điều này được cho là do 436 thiếu tích hợp hiệu quả thơng tin G và Tm vào các tính năng. Đối với phương
pháp hình ảnh IV, hiệu suất 437 của nó tương tự như phương pháp IVGT. Tuy nhiên, do sự phức tạp của dữ liệu hình ảnh,
thời gian đào tạo và kiểm tra thực địa 438 lâu hơn đáng kể so với các phương pháp khác, khiến việc triển khai nhanh 439
trong các ứng dụng PV FDD trở nên kém cạnh tranh hơn.

440 So với các phương pháp chiết xuất đặc điểm dựa trên đường cong IV khác, ba phương pháp được đề xuất (IV trực tiếp,
RP 441 và GADF) có những ưu điểm sau:

442

hiệu suất phân loại rất tốt cả với dữ liệu mô phỏng và dữ liệu hiện trường,

443

thời gian xử lý hợp lý với độ phức tạp thấp trong giai đoạn tiền xử lý và học tập, để đảm bảo đưa ra quyết

444

định nhanh chóng trong các thử nghiệm thực địa.

445 Do đó, tồn bộ phương pháp luận FDD dựa trên các đường cong IV đầy đủ và các phương pháp trích xuất tính năng này
rất hứa hẹn cho việc theo dõi sức khỏe của các mô-đun PV.
447 5.4 Thảo luận
448 Từ kết quả chẩn đoán, người ta thấy rằng hiệu suất của bộ phân loại phụ thuộc vào các tính năng đầu vào, tức là máy
vectơ hỗ trợ 449 khi sử dụng 8paras, mạng nơ-ron nhân tạo khi sử dụng các tính năng khác. Đây là lý do tại sao 450 là điều
cần thiết để điều chỉnh một số bộ phân loại để tìm ra bộ phân loại nào sẽ có hiệu suất tốt nhất tùy thuộc vào tính năng nào
đến hiệu đang
suất được
phân sử
loại
dụng
(độlàm
chính
đầu xác
vào.vàBên
độ cạnh
mạnh đó,
đối cũng
với nhiễu)
cần lưu
hơný loại
rằng của
loại đặc điểm đầu vào có 451 452 tác động đáng kể

Machine Translated by Google
19

đầu 453 bộ
454phân
đượcloại.
biến Những
đổi đểkết
chiết
quả xuất
này chứng
các tính
minhnăng
tầm hiệu
quan quả
trọng
để hàng
có khả
đầunăng
của phân
giai biệt
đoạn cao
tiềnhơn.
xử lý,
Về trong
bản chất,
đó các
mụcmẫu
tiêu
ban

của q trình xử lý trước 455 là cải thiện chất lượng của các tính năng đầu vào. Điều này, nếu đạt được, khơng chỉ có
thể làm dễ dàng quá trình điều chỉnh 456 tiếp theo của bộ phân loại mà cịn cải thiện hiệu suất chẩn đốn.

457 6 Kết luận

458 Trong bài báo này, một phương pháp sử dụng đường cong IV đầy đủ và kỹ thuật học máy để chẩn đoán lỗi của mảng PV 459
trong tám điều kiện đã được giới thiệu. Nó đã được chỉ ra rằng ba phương pháp trích xuất đặc trưng 460 sử dụng thông
tin đường cong IV đầy đủ hoạt động tốt hơn so với phương pháp sử dụng thông tin một phần của một đường cong I 461 V.
Trong số ba phương pháp dựa trên thông tin đầy đủ, thông qua 1 chiều hoặc 2 chiều
Phép biến đổi 462 , trường chênh lệch góc Gramian có khả năng phân biệt tám điều kiện cao nhất và thể hiện độ chắc chắn
phỏng đãcao
được
nhất
xácđối
nhận
vớibằng
các các
lỗi đường
đo lường
congvàIVnhiễu
đo tại
loạn
hiện
môitrường.
trường.BộBộphân
phânloại
loại465
463tốt
464nhất
được

(mạng
điều nơron
chỉnh nhân
bằng tạo)
các mẫu
đạt mơ
được độ chính xác phân loại 100% cho cả thử nghiệm mô phỏng và thực địa.
466 Phương pháp luận và kết quả có thể tạo thành kinh nghiệm quý báu cho các nhà nghiên cứu trong tương lai về cách tận
dụng 467 lợi ích từ thơng tin đầy đủ được nhúng trong các đường cong IV, để thực hiện chẩn đốn lỗi PV hiệu quả.
468 Vẫn cịn một số thách thức cần giải quyết trong các cơng trình tương lai: (1) lỗi ban đầu (ở giai đoạn sớm nhất) cần
được phát hiện 469 . Các đường cong IV phải được mô phỏng và đo lường trong các điều kiện này để đánh giá phương pháp
phát hiện và chẩn đoán lỗi PV 470 được đề xuất ; (2) các kỹ thuật chuyển đổi và giảm thứ nguyên khác có thể được đánh giá
471 để tăng cường khả năng phân biệt và giảm chi phí tính tốn và độ phức tạp; (3) đối với các nhà máy PV 472 rất lớn ,
việc đo đường cong IV ở cấp độ chuỗi hoặc mô-đun cần được giải quyết; (4) các phương pháp phát hiện và chẩn đốn lỗi
tích hiệu
phải
suất
giải
củaquyết
các phương
các lỗi pháp
đồng FDD
thờicho
khác
cácnhau
nhà có
máythể
PV ảnh
trong
hưởng

đó chỉ
đếncócùng
các một
phépmơ-đun
đo mức
hoặc
biến
chuỗi;
tần 475
(5).473 474 nên phân

476 Tài liệu tham khảo
477
478 [1] 479

SolarPower-Châu Âu. Triển vọng thị trường toàn cầu về điện mặt trời / 2020 - 2024.

480 [2] 481

2020. />
482 483 484

Lorenzo G Di, Araneo R, Mitolo M, Niccolai A, Grimaccia F. Đánh giá về Thực tiễn vận hành và bảo dưỡng tại các nhà

485 486 [4]

máy PV: Thất bại, Giải pháp, Điều khiển từ xa và Công cụ giám sát. IEEE J Quang điện 2020; 10: 914–26. />
487 488 [5]

10.1109/JPHOTOV.2020.2994531.

489 490 491
[3] Alam MK, Khan F, Johnson J, Flicker J. Đánh giá toàn diện về các lỗi thảm khốc trong mảng PV: Các loại,
492 493
Kỹ thuật phát hiện và giảm thiểu. IEEE J Quang điện năm 2015; 5: 982–97. https://
doi.org/10.1109/JPHOTOV.2015.2397599.
Hernández-Callejo L, Gallardo-Saavedra S, Alonso-Gómez V. Đánh giá về hệ thống quang điện: Thiết kế, vận hành
và bảo trì. Năng lượng Sol 2019; 188: 426–40. />Livera A, Theristis M, Makrides G, Georghiou GE. Những tiến bộ gần đây trong kỹ thuật chẩn đốn lỗi dựa trên phân
tích dữ liệu hiệu suất cho các hệ thống quang điện nối lưới. Năng lượng tái tạo 2019; 133: 126–43. https://
doi.org/10.1016/j.renene.2018.09.101.
[6]

Mellit A, Tina GM, Kalogirou SA. Phương pháp phát hiện và chẩn đoán lỗi cho hệ thống quang điện: Đánh giá.
Renew Sustain Energy Rev 2018; 91: 1–17. />
[7]

Huawei. Chẩn đoán đường cong IV thông minh. 2020. />
494

en GB / download? P =% 2F-% 2Fmedia% 2FSolar% 2Fattachment% 2Fpdf% 2Feu% 2Fdatasheet% 2FIV-Curve.pdf (truy cập

495

ngày 17 tháng 8 năm 2020).

496 [8] 497

Spataru S, Sera D, Kerekes T, Teodorescu R. Giám sát và phát hiện lỗi trong hệ thống quang điện dựa trên đường

498 499 [9]

cong chuỗi đo biến tần IV. Ngày 31 tháng Eur. Quang điện. Sol. Năng lượng Conf. Vật trưng bày. (EU PVSEC),

500

Hamburg, Đức: 2015, tr. 1667–74. />Chine W, Mellit A, Lughi V, Malek A, Sulligoi G, Massi Pavan A. Một kỹ thuật chẩn đoán lỗi mới cho các hệ
thống quang điện dựa trên mạng nơ-ron nhân tạo. Năng lượng tái tạo 2016; 90: 501–12. />
501

j.renene.2016.01.036.


Machine Translated by Google
20

502

[10] Huang JM, Wai RJ, Gao W. Phương pháp chẩn đoán lỗi được thiết kế mới cho hệ thống phát quang điện mặt trời

503

dựa trên phép đo IV-Curve. Truy cập IEEE 2019; 7: 70919–32. https://

504
505

doi.org/10.1109/ACCESS.2019.2919337.
[11] Fadhel S, Delpha C, Diallo D, Bahri I, Migan A, Trabelsi M, Mimouni MF. PV bóng mờ phát hiện lỗi và

506

phân loại dựa trên đường cong IV sử dụng phân tích thành phần chính: Ứng dụng cho hệ thống PV cơ lập. Năng lượng

507

Sol 2019; 179: 1–10. />
508

[12] Dhimish M, Chen Z. Novel Open-Circuit Photovoltaic Bypass Diode Fault Detection Algorithm. IEEE J Quang điện 2019;

509
510

9: 1819–27. />[13] Bouaichi A, Alami A, Hajjaj C, Messaoudi C, Ghennioui A, Benlarabi A, Ikken B, El A, Zitouni H. Đánh giá tại chỗ về

511

sự xuống cấp sớm của mô-đun PV của các công nghệ khác nhau trong điều kiện khí hậu khắc nghiệt: của Maroc. Năng

512

lượng tái tạo 2019; 143: 1500–18. />
513

[14] Singh R, Sharma M, Rawat R, Banerjee C. Đánh giá về kỹ thuật ước tính điện trở loạt cho các mơ-đun SPV dựa trên

514

silicon khác nhau. Tái tạo năng lượng duy trì Rev 2018; 98: 199–216. />
515

516

[15] Chen Z, Wu L, Cheng S, Lin P, Wu Y, Lin W. Chẩn đốn lỗi thơng minh của mảng quang điện dựa trên máy học cực trị

517

hạt nhân tối ưu hóa và các đặc tính IV. Appl Energy 2017; 204: 912–31. />
518

j.apenergy.2017.05.034.

519

[16] Fadhel S, Diallo D, Delpha C, Migan A, Bahri I, Trabelsi M, Mimouni MF. Phân tích điểm cơng suất cực đại để phát hiện và

520

xác định bóng một phần trong hệ thống quang điện. Năng lượng chuyển đổi Manag 2020; 224: 113374. />
521
522

10.1016/j.enconman.2020.113374.
[17] Ma M, Zhang Z, Xie Z, Yun P, Zhang X, Li F. Chẩn đoán lỗi về vết nứt trong quang điện silicon tinh thể

523

mô-đun thông qua đường cong IV. Microelectron Belieab 2020; 114: 113848.

524

/>
525

[18] Zhang Z, Ma M, Wang H, Wang H, Ma W, Zhang X. Một phương pháp chẩn đoán lỗi cho sự không phù hợp hiện tại của mô-đun

526

quang điện dựa trên phân tích và thống kê số. Năng lượng Sol 2021; 225: 221–36. />
527

J.SOLENER.2021.07.037.

528

[19] Miwa M, Yamanaka S, Kawamura H, Ohno H, Kawamura H. Chẩn đốn giảm cơng suất đầu ra của PV

529

ĐẾN với đặc tính (-dI / dV) -V. Lời thú nhận. Rec. 2006 IEEE 4 World Conf. Quang điện. Bộ chuyển đổi năng lượng,

530

tập. 2, Waikoloa, HI, USA: IEEE Computer Society; 2006, tr. 2442–5. />
531
532

[20] Bressan M, El Basri Y, Galeano AG, Alonso C. Một phương pháp phát hiện lỗi bóng dựa trên phân tích lỗi tiêu chuẩn của

533
534

đường cong IV. Năng lượng tái tạo 2016; 99: 1181–90. />[21] Ali MH, Rabhi A, Hajjaji A El, Tina GM. Phát hiện lỗi thời gian thực trong hệ thống quang điện. Thủ tục năng lượng

535
536

2017; 111: 914–23. />[22] Bonsignore L, Davarifar M, Rabhi A, Tina GM, Elhajjaji A. Phương pháp phát hiện lỗi thần kinh mờ cho

537

Hệ thống quang điện. Thủ tục năng lượng 2014; 62: 431–41.

538

/>
539

[23] Chen Z, Chen Y, Wu L, Cheng S, Lin P. Phát hiện và chẩn đoán lỗi dựa trên mạng dư sâu của mảng quang điện bằng

540

cách sử dụng các đường cong dòng điện-điện áp và điều kiện môi trường xung quanh. Năng lượng chuyển đổi

541
542

Manag 2019; 198: 111793. />[24] Köntges M, Oreski G, Jahn U, Herz M, Hacke P, Weiss KA, Razongles G, Paggi M, Parlevliet D, Tanahashi T, French R. Đánh

543

giá về sự cố mô-đun quang điện tại hiện trường. 2017. http: //www.iea pvps.org/index.php?

544

id=92&eID=dam_frontend_push&docID=4059.

545

[25] Salem F, Awadallah MA. Phát hiện và đánh giá sự che khuất một phần trong mảng quang điện. J Electr Syst Inf Technol

546
547

2016; 3: 23–32. />[26] Dirnberger D, Kraling U. Độ không chắc chắn trong phép đo mô-đun PV-phần I: Hiệu chuẩn tinh thể và màng mỏng

548
549

các mô-đun. IEEE J Quang điện 2013; 3: 1016–26. />[27]

Reise C, Müller B, Moser D, Belluardo G, Ingenhoven P. Báo cáo IEA-PVPS T13-12: 2018 Những điều khơng chắc chắn trong

550

Dự đốn và Đánh giá Năng suất Hệ thống PV. 2018. content / uploads / 2020/01 /

551

Uncertainties_in_PV_System_Yield_Predictions_and_Assessments_by_Task_13.pdf (truy cập ngày 18 tháng 5 năm 2020).

552
553

[28]

554
555
556
557
558

Li B, Migan-dubois A, Delpha C, Diallo D. Phân tích hiệu suất của phương pháp hiệu chỉnh đường cong IV khi có khuyết
tật. Eur thứ 37. Quang điện. Sol. Năng lượng Conf. Vật trưng bày. (EU PVSEC), Hội nghị ảo: EUPVSEC; Năm 2020, tr.
1599–603. />
[29]

Li B, Migan-Dubois A, Delpha C, Diallo D. Đánh giá và cải tiến phương pháp hiệu chỉnh IEC 60891 đối với đường cong
IV của tấm quang điện bị lỗi. Năng lượng Sol 2021; 216: 225–37. />

Machine Translated by Google
21

559

[30] IEC 60891. Thiết bị quang điện - Quy trình hiệu chỉnh nhiệt độ và bức xạ đối với các đặc tính IV đo được. Năm 2009.

560
561
562
563

564
565
566
567
568
569
570
571
572
573
574
575
576
577

[31] Phang JCH, Chan DSH. Xem xét các tiêu chí sai số phù hợp đường cong cho các đặc tính IV của pin mặt trời. Tế bào Sol
Năm 1986; 18: 1–12. />[32] Wang Z, Oates T. Chuỗi thời gian hình ảnh để cải thiện phân loại và hàm ý. IJCAI Int. Jt. Lời thú nhận. Nghệ sĩ.
Intell., Buenos Aires, Argentina: Hội nghị chung quốc tế về trí tuệ nhân tạo; 2015, tr. 3939–45.
[33] Marwan N, Carmen Romano M, Thiel M, Kurths J. Các đồ thị lặp lại để phân tích các hệ thống phức tạp. Thể chất
Phiên bản 2007; 438: 237–329. />[34] Khanna K, Martha TR, Roy P, Kumar KV. Ảnh hưởng của các chiến lược phân vùng theo thời gian và không gian của các mẫu đối
với việc lập mô hình tính nhạy cảm với trượt lở đất trong khu vực. Trượt đất 2021 186 2021; 18: 2281–94. https://
doi.org/10.1007/S10346-021-01627-3.

[35] Sarkar BK. Một nghiên cứu điển hình về phân vùng dữ liệu để phân loại. Int J Inf Decis Sci 2016; 8: 73–91.
/>[36] Belkina AC, Ciccolella CO, Anno R, Halpert R, Spidlen J, Snyder-Cappione JE. Các tham số được tối ưu hóa tự động
cho việc nhúng hàng xóm ngẫu nhiên phân tán T cải thiện khả năng hiển thị và phân tích các tập dữ liệu lớn.
Nat Commun 2019; 10: 1–12. />[37] Chine W, Mellit A. Kỹ thuật chẩn đoán lỗi dựa trên ANN cho vết đốt quang điện. Năm 2017 Int. Lời thú nhận. Bầu cử.
Tiếng Anh - Boumerdes, Boumerdes, Algeria: IEEE; 2017, tr. 1–4. />[38] Lu X, Lin P, Cheng S, Lin Y, Chen Z, Wu L, Zheng Q. Chẩn đoán lỗi cho mảng quang điện dựa trên

578

mạng nơron chập và đồ thị chuỗi thời gian điện. Năng lượng chuyển đổi Manag 2019; 196: 950–65. />
579

10.1016/j.enconman.2019.06.062.

580