基于一维深度残差网络的光伏组件电压电流特性建模方法

    公开(公告)号:CN109409024B

    公开(公告)日:2022-09-06

    申请号:CN201811591567.5

    申请日:2018-12-25

    Applicant: 福州大学

    Abstract: 本发明涉及基于一维深度残差网络的光伏组件电压电流特性建模方法,包括以下步骤:步骤S1:采集光伏组件的实测IV曲线数据;步骤S2:对光伏组件的实测IV曲线数据进行重采样;步骤S3:根据重采样得到的实测IV曲线数据,采用曲线拟合方法剔除异常的IV曲线数据,得到正常的IV曲线数据;步骤S4:对正常的IV曲线数据进行网格采样,得到均匀覆盖各种工况的IV曲线数据集;步骤S5:根据得到的IV曲线数据集,采用基于一维深度残差网络的方法对光伏组件进行建模,得到用于I‑V特性进行预测的最优模型。本发明能够准确有效的对正常的光伏组件进行建模,且相比于传统的机器学习算法具有更高的稳定性、准确性以及泛化能力。

    基于线性回归的非接触物体形态尺寸测量系统

    公开(公告)号:CN114993179A

    公开(公告)日:2022-09-02

    申请号:CN202210605120.9

    申请日:2022-05-31

    Abstract: 本发明涉及一种基于线性回归的非接触物体形态尺寸测量系统。包括:自动测量装置,用于测量被测目标信息以及自动测量装置测量头中心点与被测目标之间的距离,并用激光束指示出被测目标的中心位置;背景板,背景板竖直放置,作为测量背景;被测目标,位于背景板与自动测量装置之间,被测目标与背景板水平距离为d。本发明能正确的识别被测目标并判别形状,几何形状识别准确率为98%,边长(直径)精度误差在+‑0.5cm之内,测距距离精度+‑1cm之内,寻找时间和识别时间在30秒以内,系统能较好的满足实际测量要求。

    一种适用于嵌入式平台的二值化卷积神经网络的构建方法

    公开(公告)号:CN109784488B

    公开(公告)日:2022-08-12

    申请号:CN201910034182.7

    申请日:2019-01-15

    Applicant: 福州大学

    Abstract: 本发明涉及一种适用于嵌入式平台的二值化卷积神经网络的构建方法,包括以下步骤:步骤S1:采集ImageNet数据集,并将得到ImageNet数据集分为训练集、验证集和测试集;步骤S2:根据得到的训练集和验证集,对XNOR‑Net二值化神经网络模型进行训练,并验证,得到训练后的二值化神经网络模型;步骤S3:将训练好的二值化网络模型中的缩放操作和批归一化操作进行整合,并移植到嵌入式系统中;步骤S4:将测试集输入嵌入式系统中,对模型进行性能测试。本发明所提出的方法能够在提高网络运算速度的同时保持网络分类的准确率,可促进二值化卷积神经网络能够在嵌入式系统及FPGA上的部署。

    基于偏最小二乘法和极限学习机的光伏阵列故障检测方法

    公开(公告)号:CN109766952B

    公开(公告)日:2022-08-12

    申请号:CN201910051781.X

    申请日:2019-01-21

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于偏最小二乘法和极限学习机的光伏阵列故障检测方法。包括以下步骤:首先,对光伏阵列各种工况下数据进行实时采集和滤波预处理,获得原始监测数据,然后从中提取归一化生成七维的故障样本数据集。让将获得的七维故障样本数据集,采用偏最小二乘法进行降维,生成三维的故障样本数据集,并随机将故障样本数据集分为训练集和测试集。其次,训练集用K折交叉生成训练子集和验证子集,训练和验证极限学习机故障诊断模型选出最优隐含层神经元个数。最后,使用训练集和极限学习机最优隐含层个数训练极限学习机,并用测试集检测得到故障诊断模型的测试精度,以验证模型的泛化性能。本发明的技术能对光伏阵列的常见故障进行准确可靠地诊断分类。

    基于微调密集连接卷积神经网络的光伏阵列故障诊断方法

    公开(公告)号:CN112787591B

    公开(公告)日:2022-05-13

    申请号:CN202011199284.3

    申请日:2020-10-30

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法,首先,采集实际工况下的电气特性数据以及环境数据,然后利用Simulink搭建模型阵列,模拟实际工况;获取仿真的电气特性数据,其次,通过突变点检测算法,剔除实际和仿真中的异常数据,获取完整的电气波形数据,对其进行采样,压缩特征,拼接为二维特征矩阵。而后,设计密集连接卷积神经网络,使用仿真训练集和Adam优化算法预训练网络,再使用少量的实际工况的训练集微调网络。最后,利用FT‑DenseNet故障诊断网络,对待测工况测试集下的光伏发电阵列进行检测和分类。本发明方法在小样本的情况下,获得具有高精度,鲁棒性强,泛化能力好的分类网络,能够有效提高光伏阵列故障检测和分类的准确性。

    一种在边缘节点上部署二值化分类网络的方法

    公开(公告)号:CN112699962A

    公开(公告)日:2021-04-23

    申请号:CN202110040706.0

    申请日:2021-01-13

    Applicant: 福州大学

    Abstract: 本发明涉及一种在边缘节点上部署二值化分类网络的方法包括以下步骤:步骤S1:ImageNet数据集的准备,提供训练集和验证集;步骤S2:基于Bi‑Real‑Net网络进行改进,其中,改进的Bi‑Real‑Net网络中使用二值化技术对网络进行压缩和加速。随后,在服务器端对改进的网络进行训练,在训练过程中将STE的更新区间从[‑1,1]扩大到[‑2,2],以提升网络的性能,最后在ImageNet验证集上进行性能测试;步骤S3:提取服务器端训练完的网络权重信息,利用Xilinx SDx将网络搭建在FPGA上,实现网络在边缘节点上的部署。本发明所提出的方法能够将复杂的网络部署在资源有限的边缘节点上,使得数据能够直接在边缘节点上进行分析处理,减少了边缘节点对于云端的依赖,有效地减少了所需的传输时延。

    一种室内可用空间的自动检测方法

    公开(公告)号:CN112634306A

    公开(公告)日:2021-04-09

    申请号:CN202110170119.3

    申请日:2021-02-08

    Applicant: 福州大学

    Abstract: 本发明涉及一种室内可用空间的自动检测方法。该方法:S1、基于智能手机采集图像序列并预处理;S2、生成场景的稀疏点云,并估计每一幅图像的相机参数,再得到三维点云模型;S3、将三维点云模型转化为三维点云坐标数据,并筛选出地面平面点云数据;S4、将地面点云拟合平面的三维数据转为二维数据,并提取出地面点云的边缘;S5、对地面边缘点云数据进行直线拟合,进而确定尺寸比例参数K;S6、构造地面点云多边形和计算多边形面积,结合K求出室内空间的地面面积。本发明方法的测量误差小,操作简单、对采集设备要求低,不需要对测量人员进行专业训练,人工成本低。

    基于K-SVD训练稀疏字典的光伏阵列故障诊断方法

    公开(公告)号:CN108983749B

    公开(公告)日:2021-03-30

    申请号:CN201810750695.3

    申请日:2018-07-10

    Applicant: 福州大学

    Abstract: 本发明涉及基于K‑SVD训练稀疏字典的光伏阵列故障诊断方法。采集多组光伏发电阵列正常,短路和开路电流样本信号,构造训练样本矩阵;对每个样本信号进行归一化处理;调用K‑SVD算法,确定训练样本矩阵的行数N,列数M,稀疏字典的词汇量K,稀疏度L,以及迭代次数n;利用正常样本矩阵,短路样本矩阵和开路样本矩阵分别训练出正常稀疏字典,短路稀疏字典及开路稀疏字典;调用OMP算法,分别利用三种稀疏字典重构检测样本信号,并计算出三种重构信号和检测样本信号的相关系数;根据检测样本信号和稀疏字典重构信号相关系数的大小实现光伏发电阵列故障的诊断与分类。本发明能够为光伏故障诊断提供了研究经验和研究思路。

    一种实现多值非挥发存储的方法

    公开(公告)号:CN111628075A

    公开(公告)日:2020-09-04

    申请号:CN202010502998.0

    申请日:2020-06-05

    Applicant: 福州大学

    Abstract: 本发明提出一种实现多值非挥发存储的方法,通过提升阻变存储器的高低态阻值比,以及增加多值存储时各阻态的区分度来优化其多值非挥发存储性能;阻变存储器的电极之间设有可稳定所述阻变存储器高阻态工况导电通路的多层阻变介质;多层阻变介质包括第一介质层和第二介质层;所述第一介质层与第二介质层的界面间存在势垒;当阻变存储器处于高阻态工况时,所述势垒提升电阻值;第一介质层中分布有可稳定所述阻变存储器低阻态工况导电通路的金属纳米颗粒;当阻变存储器处于低阻态工况时,金属纳米颗粒降低电阻值;本发明通过在存储介质中嵌入纳米颗粒,实现阻变存储器各阻态的区分度的提高并保证器件的数据存储能力。

    一种基于Wasserstein GAN的光伏阵列故障诊断方法

    公开(公告)号:CN109660206B

    公开(公告)日:2020-05-19

    申请号:CN201811562127.7

    申请日:2018-12-20

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于Wasserstein GAN的光伏阵列故障诊断方法,首先对光伏阵列电流、电压时序数据进行采集;接着将获取的光伏阵列时序电流与时序电压数据绘制为曲线图形并保存为样本;然后设计Wasserstein GAN网络中的鉴别器D与生成器G;然后训练Wasserstein GAN中的鉴别器D生成器G;接着将训练得到的鉴别器D作为光伏阵列时序电流电压曲线图片的特征提取网络,采用全连接神经网络训练特征分类器,对特征提取网络得到的特征进行分类,得到光伏阵列时序电流电压数据的诊断模型。本发明所提出的基于Wasserstein GAN的光伏阵列时序电流电压数据的故障诊断方法,在无监督训练的基础上能够准确地对光伏阵列进行故障检测和分类。

Patent Agency Ranking