Indexed by：
Abstract：
针对在现实生活中光伏阵列大部分运行在正常的工作状态,缺少故障数据的问题,提出一种改进初始化的方法代替随机初始化来训练深度学习模型,以提高故障诊断模型的可靠性.同时,提出基于残差-密集连接网络的光伏故障诊断模型,并基于I-V曲线与最大功率点、温度、辐照度和填充因子作为输入特征.最后,通过多种光伏阵列故障数据检测所提出的方法的性能.实验结果表明,改进初始化的残差-密集连接网络在小样本的情况下仍具有高收敛速度、高准确性以及高稳定性,且能稳定分类各种环境下的光伏阵列故障.
Keyword：
Reprint 's Address：
Email：
Source ：
福州大学学报（自然科学版）
ISSN： 1000-2243
CN： 35-1337/N
Year： 2022
Issue： 2
Volume： 50
Page： 192-197
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 1
Affiliated Colleges：
