基于机器学习算法的光伏电站故障诊断研究

发布时间：2020-05-16 00:01

【摘要】：随着全球能源和环保需求的持续增加,作为几种重要清洁能源技术之一的光伏发电在近年来取得了迅猛发展。然而,由于长期在户外运行,多样的环境气候条件容易导致光伏电站发生故障,因此,开发一套能够快速发现光伏电站运行故障的实时诊断系统对于确保光伏电站的安全运行显得极为重要。在光伏电站的各种诊断方法中,人工智能被认为具有较好的技术优势和应用前景,因此本文以实际光伏电站和光伏电站加速模拟装置为研究对象,采用机器学习算法,对光伏电站的故障诊断技术进行了以下研究。首先,本文对处于阴影遮挡状态下光伏电站的输出特性进行了研究,实验结果表明发生遮挡时光伏电站的输出电流数据具有“马氏性”,符合马尔可夫链的条件。据此,本文成功利用马尔可夫模型计算出光伏电站遮挡概率,并通过分析遮挡概率的波动性判断出是否存在阴影遮挡以及遮挡类型。为期一月的户外工程验证表明,该算法计算结果与实际电站观察结果相一致,证明了该算法的可行性和准确性。其次,由于构建机器学习算法模型需要大量数据进行训练,而不同故障状态下户外光伏电站的状态参数获取难度较大且时间周期较长,因此本文基于光伏发电原理和光伏电站结构,设计了光伏电站加速模拟装置,并从多个方面验证了该装置的科学性与可行性,证明其可以用于获取无故障运行、固定物阴影遮挡、云层遮挡和光伏组件老化这四种状态下的光伏电站运行数据。最后,本文提出了一种基于支持向量机的光伏电站故障分类方法,与现有其他方法不同,该方法以时间序列数据为输入条件,从而实现了云层遮挡、固定物遮挡以及光伏组件老化三类电气衰减特征相近故障的有效分类。基于光伏电站加速模拟装置对该算法进行了训练和验证,实验结果表明该方法具有良好性能和准确度。
【图文】：

光伏阵列,模拟模型,电路结构

图 1-1 光伏阵列模拟模型[8]图 1-2 相互连接的电路结构[9]传感器检测法的实质就是为尽可能的减少传感器的数量从而重新设计电路结构。为了达到尽量少用传感器的目的，文献[10-12]中提出了目前最流行的电路结构：CTCT(complex-total-cross-tied array)结构。如图 1-3 所示为 CTCT 结构的一个例子：最开始设定一个电流值 I，在 m 层光伏阵列中安装 m 个电流传感器，依次将传感

电路结构,光伏阵列,诊断故障,流值

3图 1-2 相互连接的电路结构[9]的实质就是为尽可能的减少传感器的数量从少用传感器的目的，，文献[10-12]中提出了目前最tal-cross-tied array)结构。如图 1-3 所示为 CTCT流值 I，在 m 层光伏阵列中安装 m 个电流传初的设定值 I 进行比较，就可以迅速确定发生现象的问题。该方法使用传感器数量较少，要问题是诊断故障不及时，大多作为光伏电一定的局限性。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM615

【参考文献】