光伏阵列故障诊断方法综合考虑光电输出偏差特性

摘要

有在大规模光伏电站或区域分布光伏电站的大量光生伏打（PV）阵列，和不同阵列发生变动的输出与外部条件。阵列输出的偏差和变化的信息很容易被PV输出，这使得光伏阵列的故障诊断困难的随机波动覆盖。在本文中，基于所述PV阵列输出的偏差特性的故障诊断方法，提出了基于在DC（直流）侧的光伏阵列的电流，不同的阵列和时间序列下的PV阵列输出的偏差特性进行了分析。然后，偏差功能被构造成评估PV阵列的输出偏差。最后，一个PV阵列的故障诊断是通过使用概率神经网络（PNN）实现，并且所提出的方法的有效性被验证。本文的主要贡献是提出的偏差函数，可以提取光伏阵列和只使用可在光伏电站被容易地应用于阵列的电流的故障诊断方法的故障特性。

1.介绍

近年来，由于光伏模块的成本大大减少，PV产业发展迅速。PV发电厂的装机容量迅速增加[1];截至2018年底，中国累计光伏装机容量174.63万千瓦，新增装机容量44.1万千瓦。光伏电站具有大量的模块，这些模块在自然环境下工作，因此光伏电站中的模块或阵列经常出现故障[2］．组件故障会降低光伏阵列的运行效率，甚至严重危及光伏电站的安全运行[3.］．因此，实时监控的光伏阵列故障的运行状态，及时发现是它的有效运作非常重要。

光伏电站直流侧故障诊断策略主要有两种[4，5］．第一种方法依赖于光伏组件/阵列的测试设备。参考文献[6，7]，通过红外摄像机检测模块间的温度差，进而识别出故障模块。Madeti等人[8]通过将传感器放置在PV阵列上直接诊断故障。Yihua等[9]通过在阵列中安装电压传感器采集电压数据，然后利用这些数据实现PV故障诊断。Livera等人[10]总结了基于红外的故障诊断方法的缺点和基于光伏电参数的方法的优点，这类方法需要大量的测试设备，大大增加了诊断成本，因此很难在实际光伏电站中应用。因此，越来越多的学者试图利用运行数据来发展光伏电站的故障诊断方法。

第二种方法是基于光伏阵列的运行数据，这种方法可以分为三类。第一类方法是基于参考模型的。Chine等[11]采用ANN(人工神经网络)建立光伏组件的参考模型。Fouzi等人[12Yang等人[13]根据历史数据开发光伏组件参考模型，利用实际输出与理论输出的偏差进行故障诊断。Chaibi等[14]采用人工群体优化算法建立PV模型，基于测量值与参考值的偏差进行故障诊断。通过PV模型，Fu等人[15和Liu等人[16]介绍了汇流箱阵列电流色散率的指标。此类方法可以通过偏差分析有效确定故障类型，但由于建模过程复杂，模块间性能差异，以及光伏电站老化引起的光伏模块输出参数非线性畸变，模型精度难以满足故障诊断的要求。

第二类方法是基于对光伏电站运行数据的统计分析。马哈茂德等人[17]引入的PV输出指标，并通过使用获得的统计指标的阈值 -测试;最后，阈值用于故障诊断。基于测量和参考值的统计分析，Majdi等。[18]提出了一种用于PV故障诊断的多尺度加权广义似然比测试图。Garoudjaa等人[19]将实际和参考值之间的剩余误差与指数加权的移动平均控制图组合进行故障诊断。参考[20.基于测量功率和估计功率之间的变化，引入了一种统计方法来设置阈值，用于光伏系统缺陷的定位。这种故障诊断方法需要掌握被分析对象分布特征的先验知识，但先验知识很难提前获得。

第三类方法是基于智能分类的方法。Chen等[21]中使用的主成分分析和支持向量机，以在光伏系统故障分类。有学者用极端学习机[22]和模糊聚类方法[23]来对获得的数据进行分类，然后识别PV阵列的各种故障。Chen等[24]用于故障检测PV阵列的随机森林集成学习算法。参考[25，26]，由Adaptive Songe估计深度学习算法训练的新深深的剩余网络模型，用于PV阵列的故障诊断。智能分类方法避免了建模复杂过程，并且易于实现的分类过程，但这种方法需要大量的故障样本数据来训练模型。akram和lotfifard [27]通过比较PV系统的各种故障诊断方法中选择的PNN算法PV故障诊断。PNN算法具有良好的非线性学习能力和适合小样本训练，这是选择PNN到本文的样本进行分类的重要原因。

通过以上分析，利用光伏阵列运行数据的方法是最有潜力的故障诊断方法。但是光伏阵列的运行数据会随着外部环境的变化而变化[28，29]，数组的输出特性很容易被大量数据掩盖。本文研究了不同故障下光伏阵列的时空分布特征[30.]和不同条件下光伏阵列输出的统计特性[31］．基于以上研究，设计一种PV故障特征分类方法是提高PV故障诊断质量的关键。本文重点研究PV阵列输出故障特征提取，将故障特征提取方法与PNN分类算法相结合进行故障诊断。在光伏电站中，光伏阵列与汇流箱并联，其中一个汇流箱中的光伏阵列电压相同，难以用于光伏阵列的故障诊断。本文的主要贡献是通过分析不同阵列的偏差特性，建立了一种新的光伏阵列故障诊断方法。

在这项工作中，光伏阵列的输出偏差的分布特性进行了研究。并被构造的偏差功能，能有效地提取光伏阵列的电流的偏差的信息。本文的其余部分如下。第二节研究了光伏电站中光伏阵列输出电流的偏差特性。在第三节，建立了描述光伏阵列输出偏差的偏差函数。第四节提出了一种光伏阵列故障诊断方法。在第五节，所提出的方法的实验验证中进行。最后，第六节总结了工作的主要创新点。

2.光伏阵列的偏差特性

2.1。PV阵列的输出特性

本文以国内某大型光伏电站为对象进行分析。该光伏电站由553个智能光伏汇流箱和74台逆变器组成。它有大约13万个光伏组件和8000多个阵列;每个阵列由16个模块组成。每个汇流箱并联16列，7个汇流箱与1个逆变器相连。本文分析的数据均来自该工厂，数据的时间分辨率为10分钟。对于实际的光伏电站，阵列电流是故障诊断的主要可用数据。因此，本文将阵列电流作为分析变量。

为了分析不同阵列的输出特性，将阵列1-3的5个阵列并联在同一组合箱内，并选择连接在不同组合箱内的2个阵列。数字1示出了在连续7天的PV发电厂的五个阵列的电流分布。每个阵列的输出是在正常操作下相似，并且它波动得厉害随着天气变化。大型光伏电站有大量的阵列，以及收集的数据是非常复杂的。因此，为了诊断PV阵列的故障时，光伏阵列的故障特性必须复杂的操作条件下进行提取。

2.2。PV阵列电流的偏差特性

为了直观地反映光伏阵列输出的偏差特性，引入基准电流与实际值进行比较。参考电流为光伏阵列的理论最大功率点电流，最大功率点电流的计算公式， ，的PV阵列是

是在标准测试条件下的PV模块的最大功率点的电流和为补偿系数。光伏组件温度由环境温度计算[32]， 为参考温度，测量到的太阳辐射强度(由电厂设置的太阳太阳强度计取样)和 ．

当前是从发电厂9个阵列，和图2显示阵列电流差的分布和参考电流连续9天，9天从7月2日选择ⁿ到10^TH.．这里的采样间隔是10分钟，每天从0点到23点采集138个数据点。电流差减去由式(1)的测量电流。数字2（a）比较不同的数组，图2（b）比较了不同的日子。

通过对图的分析2中，可以看出，不同阵列的输出是不同的，但偏差较小。阵列输出不同天之间显著变化，并且光伏阵列的输出显示强烈的波动。因此，阵列输出的偏差数据难以被直接用于PV故障诊断。提取不同阵列和时间序列的输出偏差故障特征可以是用于故障诊断的有效方法。和本文重点研究的PV输出的偏差特性，以及它在阵列故障诊断应用的提取。

3.描述PV阵列输出的偏差分布

3.1。该偏离功能

如图所示3.，三维(3D)数据由多组二维(2D)数据组成。二维数据实质上是不同时间序列的截面数据。三维数据集可以显示不同样本之间的差异和样本演化过程中的变化。

利用不同阵列和不同时间序列之间的输出偏差，可以构建三维数据，展示光伏阵列的输出偏差特性。假设有数据样本, ，每个数据样本包括一个时间序列偏差分量(TSD)和一个横截面偏差分量(CSD)。”

TSD和CSD分别描述了阵列电流的不同时间序列间的偏差和阵列间的偏差。因此，这两个分量可以用来描述PV输出的偏差。

的数据样本, ，被表示为 ，TSD方程在哪里

是阵列的TSD吗当时 ； 是阵列的所测量的电流当时 ； 是数组的引用电流吗当时 ；基准电流从通过拟合历史数据获得的曲线方程计算;和为拟合历史数据得到的系数;太阳照射强度是在时间吗 ．

CSD功能为 在哪里 是阵列的CSD当时 ； 合成器的参考电流是在时间吗 ，和是组合框中数组的数目。

３．２．阵列电流的TSD和CSD分布

数字4显示了四个阵列在正常情况下7天的偏差分量变化情况。这里选择的数据是白天的数据，每天从早上7点到晚上7点有72个样本，四个数组是从同一个组合框中选择的。这里的参考电流由式(1）.数字4(一)显示了TSD的分布，图4 (b)显示了CSD的分布。从图中可以看出4该无故障阵列的TSD随时间变动，波动几乎为不同的阵列相同。PV阵列的CSD基本上波动中的-0.2〜0.2的范围内，不同阵列之间的差异。与实际的阵列的比较的参考电流的TSD和CSD波动是非常小的。

通过对图的分析4，下面可以得出结论。在正常操作条件下，这两个指标波动在一定范围内;TSD能有效地反映不同的时间序列中的输出偏差和CSD能有效地反映不同的阵列的输出的偏差。因此，这两个指标可被用于光伏阵列的故障诊断。

4.故障诊断方法

4．1.概率神经网络(PNN)

概率神经网络是从径向基函数网络开发的前馈神经网络。基于径向基函数神经网络，PNN集成了密度函数估计和贝叶斯决策理论，适用于模式分类[33］．PNN具有网络学习过程简单、学习速度快、分类准确、容错和噪声高、分类能力强等优点。利用PNN模型较强的非线性分类能力，将样本空间的故障模式映射到故障空间，构建具有较强容错结构和自适应能力的故障诊断网络系统，提高诊断精度[34］．基于PNN网络的核估计概率密度函数，每个训练样本确定一个神经元样本，神经元权重直接由输入样本值决定。并且PNN神经网络的扩充性好，网络的学习过程简单，增加或减少模式类的数量不需要长时间的训练和学习时间[35］．PNN在故障诊断领域得到了广泛的应用[33- - - - - -36]，并且它适合于PV阵列的故障诊断[27］．PNN已被选定为超过故障检测和分类其它算法用于多种原因。（1）光伏系统的输出依赖于环境条件。该PNN训练系统可以基于采样数据开发自己的决策边界。（2）简单的分类器，例如模糊C均值聚类和K-均值聚类很可能是陷在局部最优，而不是在达到全局最优。智能PNN方法，它使用启发式方法，能够更有效地达到全局最优。（3）从所述光伏阵列时有瞬时阴影由于云，雨等PNN具有相对不敏感的这些异常值不同于其他简单的分类器和多层感知器神经网络的优点会显着改变输出功率[27］．

因此，本文使用PNN作为分类的工具。PNN通常分为四层：输入层，模式层，和层和输出层。（1）输入层负责将特征向量传送到网络并将数据传送到隐藏层。该层中的神经元的数量等于输入载体的长度。（2）模式层与输入层连接以计算输入特征向量和训练集中的每种模式之间的匹配程度。模式层中的神经元数等于输入样本矢量的数量。（3）求和层根据特定类的概率累积结果获得故障模式的估计概率密度函数。该层中的神经元数等于样本类别的数量。（4）输出层的功能是从每个故障模式的估计概率密度作为整个系统的输出，选择具有最大概率密度的神经元。

输入层和模式层由高斯函数连接(方程(4）），其用于设置在模式层每个神经元，并在输入层每个神经元之间的匹配程度。通过总结每个类的匹配程度，并取平均值，我们可以得到输入样本的类别。 是输入矢量的分类结果平滑参数下 ； 是班;为样本尺寸;表示平滑参数，一般在0 ~ 1之间;是的数据样本神经元在课堂上 ．

假设有两种类型的样本的识别任务，每种类型的样本数量是可变的，每个样本都有一个3D特征。然后，绘制网络结构图，如图所示5．

4．2.故障诊断方法

每个数组的操作状态在正常操作下基本相同。当故障发生时，故障阵列的输出偏差分布与正常阵列的输出偏差分布不同。数字6给出了本文提出的故障检测方法的流程图。（1）数据预处理．对光伏电站的历史数据和实时数据进行预处理。删除夜间数据，只删除辐照度大于0 W/m的数据²使用(2）偏差成分的计算．利用辐照度和阵列电流的历史数据计算TSD的参考电流。TSD在不同辐照度下的参考电流由式(2）.利用实时数据计算了CSD的参考电流。CSD的参考电流是通过使用同一组合框中每个数组的电流来计算的。得到参考电流后，根据偏差函数，根据实际值与阵列电流参考电流的差值，计算出各阵列的偏差分量（3）PNN模型的训练．以阵列偏差分量为输入，以阵列运行状态为输出，训练PNN算法（4）故障诊断．每个PV阵列的实时偏差分量用作输入，培训的PNN模型应用于诊断PV阵列

5.验证与分析

5.1。验证数据及其TSD和CSD分布

表格1显示光伏电站的配置信息。分析了开路故障、异常老化、遮光等故障。为了说明阵列在不同故障条件下的偏差特性，验证所提方法的准确性，在光伏电站中选取光伏阵列(阵列A9位于M28 M366组合箱中，包含16个模块)进行实验验证。不同故障(正常、异常老化、遮光、开路)在A9阵列中设置20天。各故障的设置方法如表所示2．试验期20 d，分为5组，每组4 d。4组数据用于算法训练，其余数据用于方法验证。

数字7给出了不同故障条件下光伏阵列输出的偏差特性。数字7(一)显示实验阵列和正常阵列之间的比较。第一天是无故障的，第二天在实验阵列中的串联连接电阻设定异常的老化故障;阴影故障设置在第三天;并在第四天设置开放式电路故障。数字7（d）给出了不同故障下阵列输出偏差的分布。数据7（b）和7（c）分别显示正常阵列和故障阵列的TSD和CSD分布。

如图所示7，不同故障条件下光伏阵列的CSD和TSD分布有明显差异，说明基于偏差特性的光伏阵列故障诊断是可行的。

5.2。验证

PNN模型使用连续16天每10分钟收集的数据进行训练。将16天分成4组，每组4天，采用不同的PV阵列操作条件。将PNN的径向基函数分布密度设为0.5。统计分析结果表明，该模型的训练准确率达到0.9921。PNN算法的训练精度高，因此PNN模型可以通过CSD和TSD有效地进行故障分类。

利用4天的实验数据，分析了该方法的性能。每10分钟从早上7点到下午6点采集一次数据，故障设置条件如表所示2．数字8显示这4天的故障诊断结果。如表所示3.时，故障诊断的精度是97％以上。因此，所提出的方法能够有效地检测不同的故障。

5.3。比较

为了证明PNN算法的优越性，选取ANN(人工神经网络)和GRNN(广义回归神经网络)进行训练速度和训练精度的比较。各算法的训练结果如图所示9．

从图中可以看出9和表4这些方法的训练准确率均在95%以上。而ANN的训练结果最差，而PNN和GRNN的训练准确率都在99%以上。与PNN相比，GRNN的训练时间明显较长，因此PNN的训练效果最好。

6.结论

本文研究了PV阵列输出的偏差特性和量化通过所提出的函数的偏差。通过PV输出偏差的定量分析，可以知道，偏差可以有效地使用，以确定光伏阵列的故障。PV阵列的故障诊断方法结合PNN算法与偏差功能提出。最后，该方法在实际的光伏电站进行了验证。主要研究结果和纸张的缺点总结如下：（1）在大型光伏电站中，由于光伏阵列的并行结构，实际可用的数据是光伏阵列的电流。因此，本文基于光伏电站的监测状态，提出了一种有效的光伏阵列故障诊断方法(2）偏差函数实现了对PV输出偏差的量化，有效描述了不同时间序列和不同阵列之间PV阵列的输出偏差，提取了不同工况下PV输出的偏差特性（3）将PNN算法与PV阵列输出偏差函数相结合，对PV阵列进行故障诊断。该方法简单有效，适用于光伏电站的故障诊断（4）不同电厂的配置和结构是不同的，光伏阵列的输出特性也不同。因此，该方法需要其在不同的光伏电站的应用进行优化

数据可用性

用于支持本研究结果的[研究数据在EXCEL中]数据可根据要求从通讯作者处获得。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

作者感谢国家电网河南省电力公司科学研究院的支持，实验室活动。这项研究是由来自中国国家电网公司的研究基金资助的“SGHADK00PJJS1800072。”

参考文献

1. a . Triki-Lahiani, a . Bennani-Ben Abdelghani, I. Slama-Belkhodja，“光伏装置的故障检测和监测系统:综述，”可再生和可持续能源评论，卷。82，没有。3，第2680至2692年，2018。查看在：出版商网站|谷歌学术
2. E.卡比尔，P.库马尔，S.库马尔，A.A Adelodun，和K.-H.金，“太阳能：潜力和未来前景，”可再生和可持续能源评论，卷。82，没有。1，pp。894-900,2018。查看在：出版商网站|谷歌学术
3. D. S. Pillai和N. Rajasekar，“光伏系统保护挑战和故障诊断的综合综述”，可再生和可持续能源评论第91卷第1期8，第18-40页，2018。查看在：出版商网站|谷歌学术
4. a . Mellit, G. M. Tina, S. a . Kalogirou，“光伏系统的故障检测和诊断方法综述”，可再生和可持续能源评论第91卷第1期8，第1-17页，2018。查看在：出版商网站|谷歌学术
5. S. R. Madeti和S. N. Singh，“对太阳能光伏系统不同类型故障和检测技术的综合研究，”太阳能第158卷第1期12，页161-185,2017。查看在：出版商网站|谷歌学术
6. Z. A. Jaffery, A. K. Dubey, Irshad，和A. Haque，“利用热成像的光伏模块预测性故障诊断方案”，红外物理与技术，第83卷，第83期7，页182-187,2017。查看在：出版商网站|谷歌学术
7. P. Guerriero和S. Daliento，“精确分析太阳能电池板热成像图像的自动边缘识别”，刊于2017第六届清洁电力国际会议(ICCEP)，圣玛格丽塔利古利，意大利，2017年6月。查看在：出版商网站|谷歌学术
8. S. R. Madeti和S.·辛格，“为网绑定和离网光伏系统的在线模块级故障检测算法中”太阳能，第157卷，第1期11, pp. 349-364, 2017。查看在：出版商网站|谷歌学术
9. 胡勇，张军，曹伟等，“基于优化电压传感器位置的光伏阵列故障在线诊断”，IEEE工业电子产品交易第62期11, pp. 7237-7246, 2015。查看在：出版商网站|谷歌学术
10. A. Livera，M. Theristis，G. Makrides和G.Georghiou，“基于网格连接光伏系统性能数据分析的失效诊断技术的最近进展”可再生能源，卷。133，不。4，pp。126-143,2019。查看在：出版商网站|谷歌学术
11. W.茅根，A. Mellit，V. Lughi，A.马利克，G. Sulligoi，​​和A.马西帕，“基于人工神经网络的光伏系统的新型故障诊断技术，”可再生能源，第90卷，第5期。5，页501-512,2016。查看在：出版商网站|谷歌学术
12. F. Harrou, Y. Sun, B. Taghezouit, A. Saidi, m.e。Hamlati，“基于统计监测方法的光伏系统可靠故障检测和诊断”，可再生能源，第116卷，第116期2，页22-37,2018。查看在：出版商网站|谷歌学术
13. 杨华，程锐，吕超，李建军，“基于光伏组件参数识别的故障诊断模型，”计算机测量与控制第26卷第2期3, pp. 35-38, 2018。查看在：谷歌学术
14. Y. Chaibi, M. Malvoni, A. Chouder, M. Boussetta，和M. Salhi，“检测和诊断光伏系统中的电气故障和部分遮光的简单而有效的方法，”能源转换与管理第196卷第1期9, pp. 330-343, 2019。查看在：出版商网站|谷歌学术
15. 付国光，“基于接线盒串的光伏电站电流离散率分析方法及应用”，电力系统和清洁能源，第30卷，第2期11, pp. 109-113, 2014。查看在：谷歌学术
16. 刘强，张勇，吕青，“基于SCADA数据的大规模光伏系统异常诊断”，中国科学:技术科学，vol . 21, no . 2, pp . 353 - 3562017年IEEE第15届工业信息学国际会议（indin）， 2017年7月，德国埃姆登。查看在：谷歌学术
17. M. Dhimish和V. Holmes，“光伏并网电站的故障检测算法”，太阳能第137卷第1期11, pp. 236-245, 2016。查看在：出版商网站|谷歌学术
18. M. Mansouri, M. Hajji, M. Trabelsi等人，“基于改进广义似然比检验的光伏并网系统有效统计故障检测技术”，能源第159卷第1期9，页842-856,2018。查看在：出版商网站|谷歌学术
19. E. Garoudja，F. Harrou，Y.太阳，K.卡拉，A. Chouder和S. Silvestre的，“统计故障检测在光伏系统”太阳能，卷。150，没有。7，pp。485-499，2017。查看在：出版商网站|谷歌学术
20. C. Ventura和G. M. Tina，“光伏发电厂在线诊断和能量评估分析模型的开发:西西里1mw光伏发电厂的案例研究”，能源Procedia，第83卷，第83期11, pp. 248-257, 2015。查看在：出版商网站|谷歌学术
21. “基于主成分分析和支持向量机的光伏阵列故障诊断与分类，”IOP会议系列:地球与环境科学，卷。188,2018。查看在：出版商网站|谷歌学术
22. 陈振宇，吴力，程胜，林鹏，“基于优化核极值学习机和I-V特性的光伏阵列智能故障诊断”，应用能源第204卷第1期10, pp. 912-931, 2017。查看在：出版商网站|谷歌学术
23. 李伟华，“基于模糊逻辑的光伏并网系统在线故障诊断”2018 IEEE第12届兼容性，电力电子和电力工程国际会议（CPE-Powereng 2018），多哈，卡塔尔，2018年4月。查看在：出版商网站|谷歌学术
24. Z. Chen，F. Han，L.Wu等，“使用阵列电压和弦电流的PV阵列随机森林智能故障诊断”能源转换与管理，卷。178，不。12，第250-264，2018。查看在：出版商网站|谷歌学术
25. Z.陈，Y.陈，L.吴，S.程和P.林，“深残余基于网络故障检测，并使用电流 - 电压曲线和环境条件下光伏阵列的诊断，”能源转换与管理第198卷第2期111793页，2019年。查看在：出版商网站|谷歌学术
26. Z.陈，陈Y.，L.武，郑S.，P.林和L.你“使用基于I-V特性的1-d深的剩余网络光伏组件的精确建模，”能源转换与管理，卷。186年，没有。4，第168-187，2019。查看在：出版商网站|谷歌学术
27. M. N. Akram和S. Lotfifard，“光伏阵列直流侧建模和健康监测”，IEEE可持续能源汇刊，第6卷，第2期4, pp. 1245-1253, 2015。查看在：出版商网站|谷歌学术
28. Y.胡，张J.，P.李，D羽和L.江，“非均匀老化模块重新配置为大型光伏阵列，”对设备和材料的可靠性IEEE交易，卷。17，不。3，第560-569，2017。查看在：出版商网站|谷歌学术
29. 胡颖，张建军，吴建军，曹伟，田国银，“非均匀老化光伏阵列的效率提高，”IEEE交易在电力电子，第32卷，第2期2，页1124-1137,2017。查看在：出版商网站|谷歌学术
30. H.朱，H. Wang，D.Kang等人，“大规模光伏植物阵列输出的关节时间空间分布及其故障诊断应用”研究，“太阳能，第181卷，第2期。3, pp. 137-147, 2019。查看在：出版商网站|谷歌学术
31. 王辉，赵军，孙青，朱辉，“光伏阵列输出区间的概率建模及其在故障诊断中的应用”，能源第189卷第1期1168, p. 1168, 2019。查看在：出版商网站|谷歌学术
32. H.诸，W.连，L. Lu等人，“联机建模和计算的基于BP-ANN硅基PV模块的操作温度，”国际光环学杂志，卷。2017年，文章编号6759295，13页，2017年。查看在：出版商网站|谷歌学术
33. G. L. Zuo，S. D. Lai和Y. cheng“基于PNN神经网络的齿轮泵故障诊断研究”先进材料的研究， vol. 1044-1045, no. 1;10, pp. 873-876, 2014。查看在：出版商网站|谷歌学术
34. 李士生，王伟，“基于概率神经网络的变压器故障诊断”2011年第四次智能化计算技术和自动化会议，深圳市，广东省，中国，2011年3月。查看在：出版商网站|谷歌学术
35. F.张，Y.王和F. Chen，“基于概率神经网络的建筑电气系统故障分类”2016年中国控制与决策大会（CCDC）2016年5月，中国银川。查看在：出版商网站|谷歌学术
36. “基于概率神经网络(PNN)的异步机器故障分类”，发表于国际会议控制工程与信息技术2016年12月，突尼斯哈马迈特。查看在：出版商网站|谷歌学术

版权

版权所有©2020建Zhao等。这是分布下的开放式访问文章知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。