光伏组件运行时关键参数具有连续性,难以直接用聚类的方式诊断故障,因此提出了基于自编码器(Autoencoder,AE)和改进K均值聚类K-Means++光伏组件故障诊断方法。利用AE降维数据输入特征数据,保证了特征之间的高内聚、低耦合以及去线性的...光伏组件运行时关键参数具有连续性,难以直接用聚类的方式诊断故障,因此提出了基于自编码器(Autoencoder,AE)和改进K均值聚类K-Means++光伏组件故障诊断方法。利用AE降维数据输入特征数据,保证了特征之间的高内聚、低耦合以及去线性的特性。针对传统K均值聚类(K Means Clustering,K-Means)对初始聚类中心敏感,且聚类结果随不同的初始聚类中心波动的缺陷,基于数据分布特征选取初始聚类中心的K-Means++算法。数据试验结果表明,基于AE和K-Means++算法对短路、开路、阴影遮挡以及老化故障的诊断表现良好。展开更多
文摘光伏组件运行时关键参数具有连续性,难以直接用聚类的方式诊断故障,因此提出了基于自编码器(Autoencoder,AE)和改进K均值聚类K-Means++光伏组件故障诊断方法。利用AE降维数据输入特征数据,保证了特征之间的高内聚、低耦合以及去线性的特性。针对传统K均值聚类(K Means Clustering,K-Means)对初始聚类中心敏感,且聚类结果随不同的初始聚类中心波动的缺陷,基于数据分布特征选取初始聚类中心的K-Means++算法。数据试验结果表明,基于AE和K-Means++算法对短路、开路、阴影遮挡以及老化故障的诊断表现良好。