买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河海大学申请的专利基于故障参数预估与微调的两步法光伏阵列故障程度评估方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116306273B 。

龙图腾网通过国家知识产权局官网在2025-12-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310206633.7，技术领域涉及：G06F30/27；该发明授权基于故障参数预估与微调的两步法光伏阵列故障程度评估方法是由苏懿生;张经炜;艾长青设计研发完成，并于2023-03-04向国家知识产权局提交的专利申请。

本基于故障参数预估与微调的两步法光伏阵列故障程度评估方法在说明书摘要公布了：本发明的基于故障参数预估与微调的两步法光伏阵列故障程度评估方法，属于光伏发电技术，包括以下步骤，S1：获得不同环境及故障下光伏阵列的实测I‑V特性曲线；S2：根据实测I‑V特性曲线训练反向传播神经网络后获得预估故障参数；S3：建立光伏阵列I‑V特性曲线仿真模型，获得仿真I‑V特性曲线；S4：根据粒子群优化算法，最小化实测I‑V特性曲线与仿真I‑V特性曲线之间的均方根误差，获得优化后的故障参数；S5：根据优化后故障参数计算故障程度诊断量化精度。本方法能对四项故障参数的量化精度提出了计算，通过四项故障参数的量化精度计算对光伏阵列的故障研究更加透彻。

本发明授权基于故障参数预估与微调的两步法光伏阵列故障程度评估方法在权利要求书中公布了：1.基于故障参数预估与微调的两步法光伏阵列故障程度评估方法，其特征在于，包括以下步骤， S1：根据逆变器扫描光伏阵列I-V特性，获得不同环境及故障下光伏阵列的实测I-V特性曲线； S2：根据步骤S1中的实测I-V特性曲线训练反向传播神经网络后获得预估故障参数； S3：建立光伏阵列I-V特性曲线仿真模型，通过配置预估故障参数，获得仿真I-V特性曲线； S4：根据粒子群优化算法，最小化实测I-V特性曲线与仿真I-V特性曲线之间的均方根误差，实现对预估故障参数的微调，获得优化后的故障参数； S5：根据优化后故障参数计算故障程度诊断量化精度； 其中，步骤S2中，对实测I-V特性曲线中含有的噪声，进行去冗余、平滑化及筛选异常数据预处理，将实测I-V特性曲线归一化消除温度、辐照度和均匀插值后，根据光伏组串短路、局部阴影遮挡和串联电阻增大三类典型故障对实测I-V特性曲线的影响，提取实测I-V特性曲线上9个特征数据，包括：实测I-V特性曲线最大功率点处的电压、电流及功率，即Vmpp、Impp及Pmpp；开路电压VOC和二阶导数绝对值的最大值M，M的表达式为： 其中Vi、Ii及dIi分别为I-V曲线上第i个离散点的电压、电流及一阶导数的绝对值，n为插值后的实测I-V特性曲线上点的数量； 此外，实测I-V特性曲线上二阶导数绝对值的最大值M处的电流IM和电压VM也被提取作为特征；提取的最后两个特征分别为开路电压处的斜率kOC和短路电流处的斜率kSC，分别表示为： 实测I-V特性曲线的特征提取结束后，将提取的9个特征与实测I-V特性曲线对应的温度和辐照度组合，作为反向传播神经网络的11个输入神经元，用于所设计的三层反向传播神经网络训练；11个神经元在不同环境及故障下共有若干样本总数，训练集的样本数为样本总数的70％；将学习率调整为0.6，将tanh和Sigmoid分别设置为后两层的激活函数，将平均交叉熵C设置为损失函数，表示为： 其中Yb和Y'b分别为第b个训练样本的标签和反向传播神经网络预估值，m为用于神经网络的训练集样本总数；在测试集上实现对实测I-V特性曲线的初步故障诊断，反向传播神经网络输出的预估故障参数包括：短路子串数nsc、阴影遮挡子串数nps、阴影遮挡透光率dps、增大的串联电阻rs共四个输出神经元，对应三种典型故障，即，nsc对应光伏组串短路、nps与dps对应局部阴影遮挡、rs对应串联电阻增大； 其中四项故障参数的量化精度计算公式如下： 其中Ansc、Anps、Adps、Ars分别为下述四项故障参数，即短路子串数nsc、阴影遮挡子串数nps、阴影遮挡透光率dps、增大的串联电阻rs的故障程度诊断量化精度；n’sc、n’ps、d’ps、r’s分别为与该四项故障参数对应的优化后的故障参数；sgnx函数的作用是将大于零和小于零的自变量分别输出为1和-1，自变量为0时输出0，g为测试集的样本总数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河海大学，其通讯地址为：210000 江苏省南京市鼓楼区西康路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。