近日，电信学院自动化系安爱民教授团队的2022级博士生巩彬在能源和燃料领域国际知名Top期刊《Applied Energy》（世界能源领域著名学术SCI期刊, IF="11.446，CiteScore20.4，ESI全球工程期刊第4，中科院一区）在线发表题为“Fast fault detection method for photovoltaic arrays with adaptive deep multiscale feature enhancement”(作者：巩彬、安爱民、石耀科、张学民)的高水平论文。安爱民教授为论文的通讯作者，博士生巩彬为第一作者，ylzzcom永利总站线路检测电气工程与信息工程学院为第一通讯单位。
无污染、可再生能源光伏发电是国家的能源战略领域。但光伏阵列故障严重制约其长时间高效运行，如何实现准确高效的光伏阵列故障诊断及定位方法对于维持光伏发电系统的稳定、高效和可靠运行有着重要的学术意义和价值。在大数据时代，深度学习技术应用于光伏阵列诊断短路、断路、局部阴影、退化等故障。然而大多数研究工作忽略了基于深度学习模型的性能与超参数配置之间密切的相关性；同时，考虑到网络模型内通道间多尺度特征存在相关性以及特征本质存在优劣性。
基于上述两类角度，该论文在理论上考虑了网络内通道间多尺度特征的相关性和特征信息的优劣性，设计了一种多尺度特征增强的光伏阵列检测模型，能够端到端完成光伏阵列的故障检测；同时针对网络超参数的最优值对网络性能影响的问题，提出了基于麻雀优化算法的变体算法自适应非线性互助麻雀搜算法对多尺度特征增强网络的超参数进行最优值确定。工程实验验证表明，本工作最新的网络模型相比，基于自适应非线性互助麻雀搜算法优化的多尺度特征增强模型在准确性、泛化性能、抗噪性及稳定性等方面均具有最佳性能。
该论文的研究工作得到了国家自然科学基金项目、甘肃省自然科学基金优秀博士生项目和中小企业创新基金的资助。（撰稿：安爱民；终审：王玲）
甘公网安备 62010002000207号