تشخیص و کلاسه بندی برخط خطا در یک مزرعه خورشیدی با استفاده از روش بیزین و k نزدیک ترین همسایه

امروزه منابع تولید پراکنده به ویژه سیستم های فتوولتائیک به عنوان منبع جدید قدرت، درصد بالایی از سرمایه گذاری ها را به خود اختصاص داده اند. تشخیص و تجزیه وتحلیل خطا در سیستم های فتوولتائیک، یکی از مسائل مهم در بخش بازدهی، ایمنی و قابلیت اطمینان آرایه های خورشیدی است. به دلیل مشخصه غیرخطی خروجی آرایه های فتوولتائیک، ماهیت محدودکنندگی جریان، امپدانس خطای بزرگ، شرایط تابش کم، طرح های مختلف زمین، شرایط اینورترها و ضعف وسایل حفاظتی، خطاها در آرایه ها به درستی تشخیص داده نمی شوند. بنابراین برای رفع مشکلات حفاظتی، تشخیص خطا استفاده از تکنیک های یادگیری ماشین براساس اندازه گیری ولتاژ و جریان آرایه و تابش و دما در یک سیستم فتوولتائیک kw۶/۱۷ متصل به شبکه پیشنهاد شده است. برای تشخیص نوع و کلاسه بندی خطا، انتخاب بهترین روش کلاسه بندی با دقت بالا و یافتن ویژگی های مناسب در یک آرایه فتوولتائیک در مقیاس تجاری، موضوع مهمی است که تاکنون انجام نشده است. داده های ورودی برای تشخیص و کلاسه بندی خطا با استفاده از روش بیزین و k نزدیک ترین همسایه، نتایج شبیه سازی به ازای مقادیر ورودی دما و تابش های مختلف برای کلاس های تعریف شده ای از عیوب خط به خط و مدارباز با مقادیر مختلف است. نتایج نشان می دهد که استفاده از روش های پیشنهادی یادگیری ماشین، تشخیص نوع خطا در یک رشته از آرایه بسیار موفقیت آمیز است.

کلیدواژه ها:

PV Array ، Classification ، Line to Line Fault ، Open Circuit Fault ، Machine Learning ، Bayesian ، K-Nearest Neighbor ، آرایه فتوولتائیک ، کلاسه بندی ، خطای خط به خط ، خطای مدارباز ، یادگیری ماشین ، بیزین ، K نزدیک ترین همسایه