光伏阵列故障诊断的可解释性智能集成方法

TM615; 针对现有光伏阵列故障检测和诊断智能方法存在的泛化性不强、可解释性差的问题,提出了一种可解释性智能集成方法.对采集的光伏阵列输出时序电压、电流波形进行特征挖掘,并将多个已成熟应用于光伏故障诊断的智能算法作为不同基学习器与元学习器,构建结合不同智能算法优势且更具泛化性的Stacking集成学习模型;以沙普利可加性特征解释方法为总框架,并结合局部近似可解释性方法,对模型训练过程与结果进行解释分析,通过获取各特征的贡献、分析该集成模型的决策机制,并了解其如何进行诊断,提高其可靠度和可信度.算例实验结果表明,所提可解释性智能集成方法在不同规模数据集的测试中均实现了高精度的故障诊断,模型的可...

Full description

Saved in:
Bibliographic Details
Published in电力自动化设备 Vol. 44; no. 6; pp. 18 - 25
Main Authors 陈泽, 刘文泽, 王康德, 余涛, 黄展鸿
Format Journal Article
LanguageChinese
Published 华南理工大学 电力学院,广东 广州 510641%华南理工大学 电力学院,广东 广州 510641 01.06.2024
广东省电网智能量测与先进计量企业重点实验室,广东 广州 510641
Subjects
可解释性智能方法
photovoltaic array
fault diagnosis
Shapley addi-tive explanation method
故障诊断
Stacking集成
光伏阵列
Stacking ensemble
沙普利可加性特征解释方法
interpretable intelligent method
Online AccessGet full text
ISSN1006-6047
DOI10.16081/j.epae.202401006

Cover

More Information
Summary:TM615; 针对现有光伏阵列故障检测和诊断智能方法存在的泛化性不强、可解释性差的问题,提出了一种可解释性智能集成方法.对采集的光伏阵列输出时序电压、电流波形进行特征挖掘,并将多个已成熟应用于光伏故障诊断的智能算法作为不同基学习器与元学习器,构建结合不同智能算法优势且更具泛化性的Stacking集成学习模型;以沙普利可加性特征解释方法为总框架,并结合局部近似可解释性方法,对模型训练过程与结果进行解释分析,通过获取各特征的贡献、分析该集成模型的决策机制,并了解其如何进行诊断,提高其可靠度和可信度.算例实验结果表明,所提可解释性智能集成方法在不同规模数据集的测试中均实现了高精度的故障诊断,模型的可解释性结果表明由该智能集成模型建立的故障特征和诊断结果的映射遵循物理见解,增强了智能方法的可信度和透明性.
ISSN:1006-6047
DOI:10.16081/j.epae.202401006