基于半监督学习标签传播-极端随机树算法的光伏阵列故障诊断及定位
Fault Diagnosis and Localization of Photovoltaic Arrays Based on Semi-supervised Learning Label Propagation-extra Tree Algorithm作者机构:长安大学电子与控制工程学院陕西省西安市710064
出 版 物:《电网技术》 (Power System Technology)
年 卷 期:2023年第47卷第3期
页 面:1038-1046页
核心收录:
学科分类:0711[理学-系统科学] 0808[工学-电气工程] 080802[工学-电力系统及其自动化] 08[工学] 0701[理学-数学] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家重点研发计划项目(2021YFB1600200)。
主 题:光伏阵列 故障诊断及定位 多传感器法 半监督学习 标签传播-极端随机树算法
摘 要:对光伏阵列故障进行精确诊断和定位有助于提升光伏发电系统的可靠性。针对现有的诊断方法过度依赖大量有标签样本,难以同时兼顾故障类型诊断、故障定位及低成本等问题,将多传感器法与半监督学习算法相结合,构建了一种融合标签传播算法(label propagation,LP)和极端随机树(extra-trees,ET)的半监督学习算法LP-ET。为克服工程实际故障样本较少且往往缺失故障标签的问题,搭建了光伏阵列故障仿真模型获取样本,引入LP算法,基于少量含故障类型及定位信息的有标签故障样本,实现原始故障样本集全标注;继而引入ET模型,持续构建大量决策树形成极端随机树,采用多数投票机制(Bagging)获得故障类型及定位结果。实验结果表明,所提出的LP-ET模型可以在含有大比例未标注样本数据集情况下实现短路、断路、退化及遮阴故障的较高精度诊断,兼顾单组件及多组件故障,有效解决光伏阵列故障诊断及定位问题。