基于1D-CNN+GRU的光伏阵列故障诊断方法研究

作者：陈伟; 陈克松^*; 纪青春; 裴婷婷; 王忠飞; 何峰

来源：自动化仪表, 2022, 43(06): 13-17.

DOI：10.16086/j.cnki.issn1000-0380.2021110057

• 光伏阵列
• 故障诊断
• 卷积神经网络
• 循环神经网络
• 时序特征

传统神经网络模型无法有效提取信号时序特征。为充分利用光伏阵列信号的时序相关性特征、增强神经网络模型对数据的挖掘能力、更好地提升卷积神经网络(CNN)分类精度，把CNN和门控循环单元(GRU)相结合，提出了新的光伏阵列故障诊断方法。首先，利用CNN对数据进行标签处理。然后，将提取的标签作为GRU的输入，进一步提取时空特征。为加强该方法分类优势，添加了自适应批量归一化(AdaBN)函数。试验结果表明，该方法较传统神经网络分类方法更具优越性，提高了光伏阵列故障分类的准确率。最后，通过增加噪声模拟现场环境，验证了结果的正确性。

• 单位
  兰州理工大学