Fault Location in Ungrounded Photovoltaic System Using Wavelets and ANN
Notice bibliographique
Résumé
Identifying ground faults is a significant problem in ungrounded photovoltaic (PV) systems because such earth faults do not provide sufficient fault currents for their detection and location during system operation. If such ground faults are not cleared quickly, a subsequent ground fault on the healthy phase will create a complete short-circuit in the system. This paper proposes a novel fault location scheme in which high frequency noise patterns are used to identify the fault location. The high frequency noise is generated due to the switching transients of converters combined with the parasitic capacitance of PV panels and cables. Discrete wavelet transform (DWT) is used for decomposition of monitored signal (mid-point voltage of the converters) and features are extracted. Norm values of the measured waveform at different frequency bands give unique features at different fault locations and are used as the feature vectors for pattern recognition. Then, a three-layer feed- forward artificial neural networks (ANNs) classifier, which can automatically classify the fault locations according to the extracted features, is investigated. The proposed fault location scheme has been primarily developed for fault location in PV farm (PV panels and DC cables). The method is tested for ground faults as well as line-line faults. These faults are simulated with a real-time digital simulator (RTDS) and the data are then analyzed with wavelets. Finally, the effectiveness of the designed fault locator is tested with varying system parameters. The results demonstrate the proposed approach has accurate and robust performance even with noisy measurements and changes in operating conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».