友情链接:
合作联系
|
ASPEN培训课程
光伏电站运维工程师、新能源系统技术人员、AI算法工程师、智能运维系统开发人员。
理解光伏阵列的常见故障类型（阴影遮挡、老化、PID效应、接地故障）。
掌握基于I-V曲线、红外图像、电气参数等数据的故障诊断方法。
能够独立开发基于机器学习的故障诊断模型，实现光伏阵列的智能运维。
光伏阵列工作原理与故障概述：光伏电池的工作原理（光生伏特效应）；光伏阵列的I-V特性与P-V特性；常见故障类型（阴影遮挡、组件老化、热斑、PID效应、开路/短路故障、接地故障）；故障对发电量和安全性的影响。
光伏数据采集与预处理：光伏电站数据采集系统（气象站、汇流箱、逆变器、IV曲线测试仪）；数据参数（辐照度、温度、电压、电流、功率、IV曲线）；数据清洗与归一化；异常值检测；特征提取。
I-V曲线分析与诊断：I-V曲线的特征参数（短路电流Isc、开路电压Voc、最大功率点Pmax、填充因子FF）；不同故障类型对I-V曲线形状的影响（阴影导致多台阶、老化导致填充因子下降）；I-V曲线的特征提取方法。
红外热成像诊断：光伏组件热斑的形成机理；红外热像仪的原理与使用；热斑的温度特征；红外图像的处理（图像分割、热点识别）；基于红外图像的故障分类。
电气参数分析与诊断：直流侧电气参数（电压、电流、功率）的时序分析；交流侧参数（逆变器效率、谐波）的诊断价值；参数间的相关性分析；基于电气参数的异常检测。
传统故障诊断方法：阈值法诊断（电压/电流超限）；对比分析法（与理论值对比）；专家系统（基于规则的推理）；传统方法的局限性。
机器学习诊断模型：支持向量机（SVM）用于故障分类；决策树与随机森林；K近邻（KNN）；特征选择与模型训练；分类性能评估（准确率、召回率、F1分数）。
深度学习诊断模型：卷积神经网络（CNN）用于IV曲线图像分类；循环神经网络（RNN/LSTM）用于时序数据异常检测；自动编码器（Autoencoder）用于无监督异常检测；迁移学习在小样本数据集上的应用。
阴影遮挡诊断专题：阴影的类型（固定遮挡、移动遮挡）；阴影对阵列输出的影响；基于IV曲线多峰特征的阴影诊断；阴影的动态变化监测；组件级MPPT（微型逆变器）的阴影适应性。
PID效应诊断：PID（电势诱导衰减）效应的机理；PID效应的特征（功率衰减、漏电流增大）；PID的诊断方法（绝缘电阻测试、EL发光成像）；PID的修复（反向电压修复）。
故障诊断系统集成：故障诊断系统的架构（边缘计算+云端分析）；实时监测与报警；故障诊断结果的展示（GIS地图、故障列表）；运维工单的生成与闭环管理。
综合实战项目：基于实际光伏电站数据（IV曲线+电气参数+气象数据）的故障诊断模型开发，包含数据预处理、特征工程、机器学习模型构建（SVM/Random Forest/CNN）、模型评估与可视化诊断界面设计。
