Fault detection in photovoltaic arrays: a robust regularized machine learning approach
-
-
[1] Dicle University
Dicle University
Turquía
-
[2] Batman University
Batman University
Turquía
-
- Localización: Revista DYNA, ISSN-e 0012-7361, ISSN 0012-7361, Vol. 95, Nº 6, 2020 (Ejemplar dedicado a: Energías alternativas al cambio clímatico), págs. 622-628
- Idioma: inglés
- Títulos paralelos:
- Detección de fallos en conjuntos fotovoltaicos: un enfoque robusto y regularizado de aprendizaje de máquina
- Texto completo no disponible (Saber más ...)
-
Resumen
En este artículo, se propone un método robusto basado en datos para la detección de fallas en conjuntos fotovoltaicos (PV). Nuestro método se basa en las redes de enlace funcional de vectores aleatorios (RVFLN) que tiene la ventaja de asignar aleatoriamente parámetros de capas ocultas sin necesidad de ajuste. Para eliminar el efecto del ruido de medición y el exceso de equipamiento en el proceso de formación que reducen la precisión de la detección de fallos, se utiliza el método de regularización dispersa que utiliza la norma l2 con factor de ponderación de pérdidas para calcular los pesos de salida. Para lograr una gran robustez frente a las muestras atípicas, se emplea la estimación no paramétrica de la densidad del núcleo para asignar un factor de ponderación de la pérdida. Mediante una simulación rigurosa y estudios experimentales, validamos el rendimiento de nuestro método propuesto para detectar los fallos de cortocircuito y de circuito abierto basándonos únicamente en las mediciones de corriente y voltaje de salida de los conjuntos fotovoltaicos. Además de una mayor robustez en comparación con la máquina de vector de soporte menos cuadrado, también mostramos que nuestro método propuesto proporciona una precisión media de detección del 80% y el 100% para cortocircuito y circuito abierto, respectivamente.
