26、机器学习在智慧城市电力电子中的应用

机器学习在智慧城市电力电子中的应用

1. 电力电子系统故障诊断的机器学习方法

1.1 基于随机森林的光伏系统故障诊断

随机森林（Random Forest，RF）方法可用于光伏系统的故障诊断。其操作步骤如下：
1. 特征提取：从光伏系统中提取预处理后的两个特征，即阵列电压和串电流。
2. 数据划分：将获取的数据随机分为测试数据和训练数据集。
3. 决策树生成：从训练集中选择 m 个特征，使用 CART 算法生成决策树。
4. 验证与测试：使用未用于训练的数据进行验证，对验证后得到的预测数据进行测试，以确定从所有决策树获得的主要投票的准确性。

这种方法具有较高的准确性，并且消除了其他基于机器学习的故障诊断方法（如 Belaout 等人提出的方法）中遇到的过拟合限制。

1.2 基于深度学习卷积神经网络的故障诊断

Aziz 等人提出了一种基于深度卷积网络的故障诊断新方法，具体步骤如下：
1. 数据收集与转换：收集光伏数据，并使用连续小波变换将其转换为二维视觉数据，即 Scalogram。
2. 特征提取与分类：将 Scalogram 输入到预训练并微调了最后三层的 AlexaNet 深度卷积神经网络（CNN）中，提取特征，并从 Softmax 层根据概率将数据分类到从输出层获得的故障类别中。

与其他机器学习方法相比，该方法在故障检测方面具有 73.53% 的高准确性。

1.3 基于 CNN 的逆变器故障诊断

1.3.1 CNN - 基于全局平均池化（GAP）的方法

该方法对卷积神经网络进行修改