典型文献
基于ST-TCN的太阳能光伏组件故障诊断方法
文献摘要：
实地调研并收集电站光伏组件常见的故障类型,并对光伏组件在不同工作状况下的电流特征曲线进行分析,发现光伏组件的电流数据叠加了复杂的表现特征和高噪声.为能精准诊断光伏组件的故障类型,提出一种软阈值化的时序卷积神经网络(Soft Thresholding Temporal Convolutional Network,ST-TCN)光伏组件故障诊断模型.ST-TCN网络使用多个残差模块的膨胀卷积层、ReLU层、Dropout层提取电流数值特征和时序特征,再使用残差模块的软阈值化对所提取的特征降噪,最终使用全连接层对残差模块提取的特征进行故障诊断分类.实验结果表明,ST-TCN网络不仅结构简单,收敛速度快,而且故障诊断准确率高,达到92.99％.
文献关键词：
光伏组件;时序卷积神经网络;软阈值化;故障诊断
中图分类号：
作者姓名：
李莎;陈泽华;刘海军
作者机构：
太原理工大学 大数据学院,山西 晋中030600;晋能清洁能源有限公司,山西 太原030001
文献出处：
引用格式：
[1]李莎;陈泽华;刘海军-.基于ST-TCN的太阳能光伏组件故障诊断方法)[J].电子技术应用,2022(12):79-83,88
A类：
B类：
ST,TCN,太阳能光伏组件,故障诊断方法,集电,故障类型,工作状况,流数据,表现特征,精准诊断,软阈值化,时序卷积神经网络,Soft,Thresholding,Temporal,Convolutional,Network,故障诊断模型,网络使用,残差模块,膨胀卷积,卷积层,ReLU,Dropout,数值特征,时序特征,降噪,终使,全连接层,故障诊断分类,结构简单,收敛速度,故障诊断准确率
AB值：
0.358098
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
