典型文献
基于1D-CNN+GRU的光伏阵列故障诊断方法研究
文献摘要：
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.
文献关键词：
光伏阵列;故障诊断;卷积神经网络;循环神经网络;时序特征
中图分类号：
作者姓名：
陈伟;陈克松;纪青春;裴婷婷;王忠飞;何峰
作者机构：
兰州理工大学电气工程与信息工程学院,甘肃 兰州 730050;国网甘肃省兰州供电公司,甘肃 兰州 730070
文献出处：
引用格式：
[1]陈伟;陈克松;纪青春;裴婷婷;王忠飞;何峰-.基于1D-CNN+GRU的光伏阵列故障诊断方法研究)[J].自动化仪表,2022(06):13-17
A类：
AdaBN
B类：
1D,CNN+GRU,光伏阵列,故障诊断方法,有效提取,取信,时序特征,利用光,阵列信号,时序相关性,提升卷积神经网络,分类精度,门控循环单元,时空特征,方法分类,批量归一化,神经网络分类,分类方法,故障分类,噪声模拟,模拟现场,现场环境,循环神经网络
AB值：
0.345794
相似文献
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。
