تشخیص و کلاسه‌بندی برخط خطا در یک مزرعۀ خورشیدی با استفاده از روش بیزین و K نزدیک‌ترین 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 مشخصۀ 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 kw6/17 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 آرایۀ 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.

On-Line Faults Detection and Classification in PV Array Using Bayesian and K-Nearest Neighbor Classifier

Nowadays, Distributed Generation (DG), especially PV systems, as new sources of power, has attracted a considerable rate of investment. Fault detection and analysis in solar photovoltaic (PV) arrays are important issues to increase reliability, efficiency, and safety in PV arrays since faults in PV arrays are not properly recognized due to PV rsquo;s nonlinear characteristics, currentlimiting nature, high fault impedances, low irradiance conditions, the PV grounding schemes or inverter condition, protection system weakness. To fill this protection gap, therefore, machine learning techniques have been proposed for fault detection, based on PV array voltage, current measurements, irradiance, and temperature in a gridconnected 17.6 kW photovoltaic power system. . However, the choice of the best method of classification with high accuracy and the finding of suitable feature in commercialscale photovoltaic arrays to determine the type and classification of the faults are important issues which have not been yet undertaken. The input data for using Bayesian and KNearest Neighbor Methods are the simulation results of different defined classes of the line to line and open circuit faults by various temperature and irradiance. The results have shown that using the suggested classification system is very successful in the detection and classification of faults in an array string.