این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی و مدیریت انرژی، جلد ۸، شماره ۲، صفحات ۰-۰
عنوان فارسی تشخیص و کلاسه بندی برخط خطا در یک مزرعه خورشیدی با استفاده از روش بیزین و k نزدیک ترین همسایه
چکیده فارسی مقاله امروزه منابع تولید پراکنده به‌ویژه سیستم‌های فتوولتائیک به‌عنوان منبع جدید قدرت درصد بالایی از سرمایه‌گذاری­ها را به خود اختصاص داده‌اند. تشخیص و تجزیه‌وتحلیل خطا در سیستم‌های فتوولتاییک، یکی از مسائل مهم در بخش بازدهی، ایمنی و قابلیت اطمینان آرایه‌های خورشیدی می‌باشد. به دلیل مشخصه غیرخطی خروجی آرایه‌های فتوولتائیک، ماهیت محدودکنندگی جریان، امپدانس خطای بزرگ، شرایط تابش کم، طرح‌های مختلف زمین، شرایط اینورترها و ضعف وسایل حفاظتی، خطاها در آرایه­ها به‌درستی تشخیص داده نمی­شوند. بنابراین جهت رفع مشکلات حفاظتی، تشخیص خطا استفاده از تکنیک­های یادگیری ماشین بر اساس اندازه­گیری ولتاژ و جریان آرایه و تابش و دما در یک سیستم فتوولتائیک kW6/17 متصل به شبکه پیشنهاد شده است. برای تشخیص نوع و کلاسه‌بندی خطا، انتخاب بهترین روش کلاسه‌بندی با دقت بالا و یافتن ویژگی‌های مناسب در یک آرایه فتوولتائیک در مقیاس تجاری، موضوع مهمی است که تاکنون انجام نشده است. داده­های ورودی برای تشخیص و کلاسه بندی خطا با استفاده از روش بیزین و k نزدیک ترین همسایه، نتایج شبیه‌سازی به ازای مقادیر ورودی دما و تابش‌های مختلف برای کلاس­های تعریف‌شده‌ای از عیوب خط به خط و مدارباز با مقادیر مختلف می­باشد. نتایج نشان می­دهد که استفاده از روش­های پیشنهادی یادگیری ماشین، تشخیص نوع خطا در یک رشته از آرایه بسیار موفقیت آمیز می­باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی On-Line Faults Detection and Classification in PV array Using Bayesian and K-Nearest Neighbor Classifier
چکیده انگلیسی مقاله Nowadays, Distributed Generation (DG), especially PV systems as a new source of power absorbed a high percentage of investment. Fault Detection and analysis in solar photovoltaic (PV) arrays are important issues to increase reliability, efficiency and safety in PV arrays. Due to PV's non-linear characteristics, current-limiting nature, high fault impedances, low irradiance conditions, the PV grounding schemes, or inverter condition and protection system weakness, faults in PV arrays are not properly recognized. Therefore, to fill this protection gap, machine learning techniques has been proposed for fault detection based on PV array voltage and current measurements and irradiance and temperature in a grid connected 17.6 kw photovoltaic system.To determine the type and classification of the faults, choosing the best method of classification with high accuracy and finding suitable feature in commercial-scale photovoltaic arrays, are important issues that has not been done so far. The input data for using Bayesian and K-Nearest Neighbor Methods are the simulation results of different defined classes of the line to line and open circuit faults by various temperature and irradiance. The results have shown that using the suggested classification system is very successful in the detection and classification of faults in an array string.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مریم صباغ پور آرانی | Maryam Sabbaghpur Arani
University of Kashan
دانشگاه کاشان

مریم السادات اخوان حجازی | Maryam A.Hejazi
University of Kashan
دانشگاه کاشان

نشانی اینترنتی http://energy.kashanu.ac.ir/browse.php?a_code=A-10-1231-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مهندسی برق
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات