inrush current soft 的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

三相感應電動機啟動電流抑制方法之研究

為了解決inrush current soft 的問題，作者李景峰 這樣論述：

當電力負載投入時可能會產生浪湧電流。對於感應電動機而言，此電流可達到滿載電流的5~10倍。這種瞬態電流可能會導致連接到弱電網上的大型機器出現問題。本論文提出三種有效改善感應電動機啟動電流之方法。為評估此三種方法的效益，本文使用電磁暫態程式進行模擬，並使用Mathcad軟體進行解析其結果並核對其正確性。首先我們以固定電容器進行補償，探討感應電動機虛功補償所需容抗，再以靜態虛功補償器替換並以轉速迴授法觀察電流抑制的程度。第二個方法為使用虛功迴授法，第三個方法為使用主動式濾波器，最後探討此三種方法之優缺點及性能差異。

太陽光電系統直流側故障智慧型診斷技術研究

為了解決inrush current soft 的問題，作者高偉 這樣論述：

太陽光電系統運行在環境多變的戶外，容易出現各種類型的故障，若不及時排除，就會出現發電功率損失、元件損壞、熱斑等問題甚至火災事故。在太陽光電系統大規模建設的背景下，及時發現並處置元件故障，提高元件的使用壽命，保持元件的正常運行效率顯得相對重要。本論文在分析太陽光電陣列電流-電壓(I-V)曲線在不同故障狀態下的差異性的基礎上，以I-V曲線波形、溫度和輻照度為輸入量，提出一種融合卷積神經網路和殘差-門控迴圈單元的太陽光電系統故障識別方法。該方法包括1個有4層結構的一維卷積神經網路單元和1個有殘差的門控迴圈單元。該方法具有端到端故障診斷的特點，不需要人工進行特徵提取，抗幹擾能力強。該方法不僅能識別出

單一故障類型，如短路、遮陰、老化等，而且能有效識別出多故障同時存在的情況。該方法對實測資料的診斷準確率達到98.61%，優於人工神經網路、帶核函數的極限學習機、模糊C均值聚類、深度殘差網路模型和SAMME-CART模型。此外，當沒有溫度和輻照度資訊的情況下，準確率依然達到95.23%，所提方法在老舊太陽光電電廠中應用也將具有廣闊的前景。為解決在併網運行階段的太陽光電系統診斷問題，通過對光電陣列在故障瞬間時序波形變化規律的研究，本文進一步提出一種新型基於時序波形的太陽光電系統故障診斷方法。首先採集故障發生前後的電壓和電流時序波形，通過標準化操作將標準化後的電壓、電流和功率波形作為輸入信號。接著透

過堆疊自動編碼器實現故障特徵提取，並提出一種改進的多顆細微性級聯森林(IgcForest)對光電陣列的線-線、開路、遮陰等故障進行診斷。所提方法的優點是利用堆疊自動編碼器自動提取出具有較高辨識度的特徵。利用多顆細微性級聯森林實現故障特徵的增強和挖掘，特別是所提的改進方法在降低特徵向量維度的同時，增強各級森林間資訊連通性，提高診斷的準確率。數值模擬和實測資料對方法的有效性進行了進一步驗證，所提方法對單一類型故障診斷精度分別達到了99.33%和98.61%，優於傳統softmax、支持向量機、隨機森林、多顆細微性級聯森林、層自我調整級聯森林等方法。進一步，當其面對混合故障資料集時，精度依然達到98

.83%.串聯電弧故障是太陽光電發電系統在運行過程中遭遇的危害性最大的故障之一。及時發現串聯電弧故障，避免火災事故的發生，是一項具有挑戰性的工作。針對不同工況下所發生的串聯電弧故障，本文更提出一種結合漢克爾-奇異值分解(Hankel-SVD)降噪和改進經驗小波分解-孿生支持向量機(IEWT-TWSVM)的檢測演算法。該演算法利用漢克爾-奇異值分解演算法對直流母線電流進行去噪，有效避免了開關頻率與無關背景雜訊的影響。隨後將去噪後的電流進行改進經驗小波分解分解，然後將各頻帶的複合多尺度排列熵放入樽海鞘尋優的孿生支持向量機分類器完成故障的檢測。該演算法不僅能夠檢測出不同故障位置的電弧故障，同時還能抵

抗動態遮陰、並網、強風等幹擾現象。最後，本研究驗證了模型在電弧暫態過程、長線路故障、單串列系統以及不同取樣速率四種情況下的檢測效果，結果比較理想。實驗表明，所提方法對實測資料的檢測準確率高達98.10%，優於傳統的小波分解、經驗模態分解和統計學(均值、標準差、熵值)等方法。