Jun, 2023

光伏组件故障检测的 DTW K 均值聚类

PDF
TL;DR文章提出了一种基于 DTW K-means 的无监督方法，旨在对光伏电池组的严重故障进行检测。
photovoltaic energyfault detectiondata-based approachesunsupervised approachdtw k-means
发现论文，激发创造
  • 利用聚类技术实现智能社区实时需求响应框架

    采用聚类技术实现需求响应节能项目，并结合预测、聚类和价格策略引擎为参与项目的生产者提供个性化的节约建议和定价策略。

    Mar, 2023

  • 无监督距离度量学习用于多变量时间序列的异常检测

    本研究提出了 FCM-wDTW，一种用于多变量时间序列异常检测的无监督距离度量学习方法，通过将原始数据编码成潜在空间，并通过聚类中心揭示正常维度关系，引入局部加权 DTW 到模糊 C 均值聚类，并有效地学习最优潜在空间，通过数据重构实现异常识别。通过对 11 种不同类型的基准测试的实验表明，我们的方法具有竞争力的准确性和效率。

    Mar, 2024

  • 基于注意力机制的频率多任务学习用于电力系统故障检测

    本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

    Sep, 2020

  • 基于预防性维护的光伏系统故障检测和分类

    利用随机森林算法提取和选择特征以检测光伏系统中的细微故障，以提高故障分类的精度和计算效率。

    Jun, 2023

  • 揭示不可见之处：使用无监督感知算法和三维增强现实技术增强太阳能光伏电池模块老化区域的检测和分析

    本文提出了一种使用无监督传感算法和三维增强现实可视化来自动识别和分析太阳能光伏（PV）电池模块中的异常现象的方法，以增强效率并显著降低 PV 系统维护成本。

    Jul, 2023

  • 基于聚类的多任务深度神经网络用于太阳能光伏发电预测

    本文提出了一种基于聚类的多任务深度神经网络（CM-DNN）框架，用于预测光伏发电量。通过应用 K-means 算法将数据聚类为不同的客户类型，并为每个类型采用深度神经网络进行训练，然后进行模型知识传输以提高目标任务的训练准确性。通过对真实世界光伏发电数据集的测试，证明了该方法在预测性能上优于无聚类的单一模型。

    May, 2024

  • 分布式发电下配电系统基于数据驱动的接地故障定位方法

    该研究提出了一种数据驱动的接地故障定位方法，通过分析处理后的数据的统计量，利用人工神经网络找到计算的电压特征与故障之间的映射关系，实现了接地故障的定位。研究结果表明该方法具有良好的潜力，并为测试鲁棒性而应用于未知系统状态的数据集。

    Feb, 2024

  • 基于专家增强的动态时间规整的异常检测

    我们提出了一种名为 E-DTWA 的新颖异常检测方法，它基于动态时间规整（DTW）算法，并加入了人在环路概念的额外改进，其主要优点包括高效的检测、基于专家检测反馈的灵活再训练以及低计算和空间复杂度。

    Oct, 2023

  • 一种可扩展的架构，用于在电致发光图像中标注光伏电池缺陷

    该研究提出一种结合最新的数据驱动技术的方法，用于自动检测光伏电池电子发光图像中的异常，并生成高级注释以降低标注成本。该方法具有适应各种光伏电池类型、成本效益高的微调和利用公共数据集生成高级标注的特点。通过在广泛使用的数据集中进行注释，标注成本降低了 60%。

    Dec, 2022

  • 基于 OPTICS 的无监督学习方法用于终端空气处理单元的故障检测

    基于 AI 分类技术的智能建筑系统中，研究了一种无监督学习策略以检测终端空气处理单元及其相关系统中的故障。使用主成分分析对历史传感器数据进行预处理，并与 k-means 进行对比。结果表明，优于 k-means 的 OPTICS 在准确性上在各个季节中保持一致，并且具有可视化功能。然而，PCA 的降维可能会导致丢失关键信息，从而在复杂故障情况下可能产生一些无法识别的聚类。

    Dec, 2023