摘要：对光伏系统的主要设备进行及时的故障检测能有效提高系统发电量、减少安全隐患。传统的基于机器学习和深度学习的方法通常需要大量标签数据来建立数据模型,然而在光伏系统的运行过程中可用的标签数据非常有限,造成无法建立一个可靠的数据模型,导致模型的泛化性不高。此外,人工标记数据既成本高昂又易出错。为了解决这个挑战,设计了基于自学习预训练和半监督模型调优的半监督自学习的故障检测方法。该方法通过最大程度地利用少量的有标签的数据(即有限的监督信息)和大量的无标签数据,实现高性能的故障检测。该方法已经部署到国内一个2.5 MW的光伏电站上,数月的运维结果表明,相对于传统的机器学习和深度学习的方法,本文所提出的方法针对光伏组串的故障检测的F1分数提升了4.49%或更多,从而有效地提升了现场运维的效率。

摘要：当风速超出额定风速时,大型风电机组通常采用变桨距的控制方式,通过调整叶片桨距角,改变气流对叶片的攻角,从而改变风电机组获得的空气动力转矩,实现对额定功率的稳定追踪。结合模糊控制与PI(比例-积分)控制,分别设计了模糊PI与模糊增益调度PI2种变桨距控制器,并在Simulink软件环境下,利用Fast软件提供的5 MW陆基风力发电机模型进行仿真实验。仿真表明,新的控制器能有效缩短调节时间,减小系统超调量,具有较好的控制效果。