论文部分内容阅读
随着化石能源的过度利用和环境污染的不断恶化,人类社会迫切需要可持续、清洁的能源来满足不断增长的能源消耗和环境保护需求,使用可再生能源的趋势在最近几年中显著上升。在各种可再生能源中,太阳能由于其可持续性、清洁性和广泛可用性受到越来越多的关注,而光伏发电是利用太阳能的主要方式。光伏阵列作为光伏发电系统的重要组成部分,由于生产工艺复杂,工作环境恶劣,组件数量众多等因素发生故障难以避免,严重影响整个系统的经济效益。因此,光伏阵列运行状况的监测成为维护光伏发电系统安全稳定运行的一个关键因素。本文以光伏电池、组件及阵列作为研究对象,通过对典型故障的分析研究,基于数据挖掘技术展开光伏阵列故障诊断的相关研究。首先,根据对光伏电池发电原理及其等效电路的简要分析,建立了光伏电池、组件及阵列的工程仿真模型,分析了不同环境条件对光伏组件发电性能的影响;总结了光伏阵列常见的几种故障类型及成因,分析了不同故障状态下光伏阵列输出特性的变化规律。通过搭建的光伏阵列Matlab/Simulink工程仿真模型,利用取自NREL的环境参数模拟实际光伏阵列工作状态,采集光伏阵列各种工况下的数据样本用于故障诊断测试。其次,提出了一种基于深度置信网络(deep belief network,DBN)的光伏阵列故障诊断新方法。结合DBN、光伏阵列故障类型及特征参数特点,构建了光伏阵列故障诊断模型,并给出了诊断方法具体实现步骤。该方法能够充分利用通过光伏阵列仿真模型采集的数据样本进行训练,从原始数据中自动提取特征,输入到Softmax分类器中进行分类输出,有效判别一种正常模式和四种故障模式;并通过与三种传统算法诊断结果的对比分析,验证了所提方法的正确性。最后,针对机械学习模型各层间连接权值和节点阈值存在的随机初始化问题,在深度置信网路无监督训练过程中,引入遗传算法对其进行优化,提出一种基于遗传算法的深度置信网络分类模型,进一步提高模型的诊断精度。仿真结果表明经遗传算法优化的DBN模型在光伏阵列的故障诊断精度上,要优于传统的DBN和遗传算法优化的反向传播神经网络模型,验证了遗传算法优化深度置信网络的有效性,为优化深度置信网络模型提供思路。