深度学习在光伏电站中的应用研究
发布时间：2020-12-16 06:43
深度学习是近些年来的研究热点,在图像、音频和数据处理等方面均取得了良好的应用,本文将深度学习算法与光伏电站中的光伏功率预测和太阳能电池板缺陷检测结合展开研究。太阳能电池板作为光伏电站将太阳能转化为电能过程的核心设备,其质量好坏将直接影响太阳能转化效率和自身的可用寿命,对保障光伏电站安全稳定运行及收益的最大化也至关重要。因此对太阳能电池板进行缺陷检测具有十分重要的现实意义。本文提出首先将电站光伏阵列分成若干区域范围,基于深度学习算法对每个区域的光伏功率做预测,将该时刻预测值与对应时刻的实时光伏功率对比,如果偏差超出了设定误差范围,说明此范围内的太阳能电池板可能出现缺陷,然后在该区域范围内采集电池板电致发光（EL）图像,利用在深度学习领域中图像分类性能良好的卷积神经网络对其进行自动识别判断,找出有缺陷的电池板,以及确定缺陷的类型,对该缺陷电池进行相应处理以保障电站安全高效持续运行。本文的主要研究内容如下:（1）对获取的太阳能光伏功率及天气信息原始数据的不足进行了分析,利用箱型图确定数据中存在的缺失值和异常值的位置,基于KNN算法对缺失值和异常值进行了填充和替换,利用归一化对其进行数据预处理...
【文章来源】：西安热工研究院有限公司陕西省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
中国和全球光伏装机容量比较
两个母线的两端都有平行的裂纹，电功率就会下降ges[6]等人通过实验得出结论：如果有多个裂纹且平Chaturvedi[7]等人针对细微裂纹的电池板做加速老池板上逐渐形成不规则的暗区，而这会同时降低电池板的缺陷可能会对光伏电站的发电效率造成很大，甚至导致安全事故的发生。表 1-1 太阳能电池板常见缺陷[8]陷名称 视觉特点（与标准片相比） 损、裂纹、断栅形状上有缺损或多余部分误切割、碰运输或安或不均匀、颜色异常、热斑大部分区域存在着颜色异常或者不均匀镀膜时化学电时发指纹、轮印存在过亮或者过暗区域，表现为斑点、指纹或轮印人工操作不
2 深度学习算法概述等。测模型数学理论介绍神经网络络（Recurrent Neural Network, RNN）起源于多层感也即为全连接神经网络（Full-connectionNeuralNetnilla RNN，这是一种正反馈神经网络，网络结构如输入层，隐含层（可以有多层）和输出层，除了输性激活函数（隐含层通常采用 Sigmoid 函数），MLP 。由于 MLP 的输出仅与当前时刻的输入有关，而与LP 应用领域较窄，通常被应用于分类领域。
【参考文献】：
期刊论文
[1]电致发光缺陷检测仪的成像性能评估[J]. 林剑春,杨爱军,沈熠辉. 光学精密工程. 2017(06)
[2]适用于小样本的神经网络光伏预测方法[J]. 张程熠,唐雅洁,李永杰,高强,江全元. 电力自动化设备. 2017(01)
[3]电致发光(EL)在光伏电池组件缺陷检测中的应用[J]. 施光辉,崔亚楠,刘小娇,涂晔,钱福丽,廖华,胡志华. 云南师范大学学报(自然科学版). 2016(02)
[4]光伏功率预测技术[J]. 龚莺飞,鲁宗相,乔颖,王强. 电力系统自动化. 2016(04)
[5]组合数值天气预报与地基云图的光伏超短期功率预测模型[J]. 朱想,居蓉蓉,程序,丁宇宇,周海. 电力系统自动化. 2015(06)
[6]地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型[J]. 陈志宝,丁杰,周海,程序,朱想. 中国电机工程学报. 2015(03)
[7]光伏发电技术经济分析及发展预测[J]. 曹石亚,李琼慧,黄碧斌,汪晓露,王乾坤. 中国电力. 2012(08)
[8]基于ARMA模型的光伏电站出力预测[J]. 兰华,廖志民,赵阳. 电测与仪表. 2011(02)
[9]浅谈太阳能采暖系统应用现状与发展[J]. 仓啦,李金祥,周李庆,桑拥拉姆. 西藏科技. 2010(10)
[10]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强. 系统仿真学报. 2010(03)
博士论文
[1]基于视觉的硅太阳能电池检测方法的研究[D]. 王楠.河北农业大学 2014
硕士论文
[1]基于CNN的交通标志识别方法研究[D]. 杨振杰.天津工业大学 2017
[2]深度学习算法在表面缺陷识别中的应用研究[D]. 李梦园.浙江工业大学 2015
[3]太阳能电池片表面裂纹检测算法的研究与实现[D]. 冯博.吉林大学 2014
[4]多晶硅表面缺陷识别及软件检测系统设计与开发[D]. 王晗.上海交通大学 2014
[5]基于机器视觉的太阳能电池片表面缺陷检测的研究[D]. 赵慧阳.燕山大学 2011
本文编号：2919714
【文章来源】：西安热工研究院有限公司陕西省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
中国和全球光伏装机容量比较
两个母线的两端都有平行的裂纹，电功率就会下降ges[6]等人通过实验得出结论：如果有多个裂纹且平Chaturvedi[7]等人针对细微裂纹的电池板做加速老池板上逐渐形成不规则的暗区，而这会同时降低电池板的缺陷可能会对光伏电站的发电效率造成很大，甚至导致安全事故的发生。表 1-1 太阳能电池板常见缺陷[8]陷名称 视觉特点（与标准片相比） 损、裂纹、断栅形状上有缺损或多余部分误切割、碰运输或安或不均匀、颜色异常、热斑大部分区域存在着颜色异常或者不均匀镀膜时化学电时发指纹、轮印存在过亮或者过暗区域，表现为斑点、指纹或轮印人工操作不
2 深度学习算法概述等。测模型数学理论介绍神经网络络（Recurrent Neural Network, RNN）起源于多层感也即为全连接神经网络（Full-connectionNeuralNetnilla RNN，这是一种正反馈神经网络，网络结构如输入层，隐含层（可以有多层）和输出层，除了输性激活函数（隐含层通常采用 Sigmoid 函数），MLP 。由于 MLP 的输出仅与当前时刻的输入有关，而与LP 应用领域较窄，通常被应用于分类领域。
【参考文献】：
期刊论文
[1]电致发光缺陷检测仪的成像性能评估[J]. 林剑春,杨爱军,沈熠辉. 光学精密工程. 2017(06)
[2]适用于小样本的神经网络光伏预测方法[J]. 张程熠,唐雅洁,李永杰,高强,江全元. 电力自动化设备. 2017(01)
[3]电致发光(EL)在光伏电池组件缺陷检测中的应用[J]. 施光辉,崔亚楠,刘小娇,涂晔,钱福丽,廖华,胡志华. 云南师范大学学报(自然科学版). 2016(02)
[4]光伏功率预测技术[J]. 龚莺飞,鲁宗相,乔颖,王强. 电力系统自动化. 2016(04)
[5]组合数值天气预报与地基云图的光伏超短期功率预测模型[J]. 朱想,居蓉蓉,程序,丁宇宇,周海. 电力系统自动化. 2015(06)
[6]地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型[J]. 陈志宝,丁杰,周海,程序,朱想. 中国电机工程学报. 2015(03)
[7]光伏发电技术经济分析及发展预测[J]. 曹石亚,李琼慧,黄碧斌,汪晓露,王乾坤. 中国电力. 2012(08)
[8]基于ARMA模型的光伏电站出力预测[J]. 兰华,廖志民,赵阳. 电测与仪表. 2011(02)
[9]浅谈太阳能采暖系统应用现状与发展[J]. 仓啦,李金祥,周李庆,桑拥拉姆. 西藏科技. 2010(10)
[10]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强. 系统仿真学报. 2010(03)
博士论文
[1]基于视觉的硅太阳能电池检测方法的研究[D]. 王楠.河北农业大学 2014
硕士论文
[1]基于CNN的交通标志识别方法研究[D]. 杨振杰.天津工业大学 2017
[2]深度学习算法在表面缺陷识别中的应用研究[D]. 李梦园.浙江工业大学 2015
[3]太阳能电池片表面裂纹检测算法的研究与实现[D]. 冯博.吉林大学 2014
[4]多晶硅表面缺陷识别及软件检测系统设计与开发[D]. 王晗.上海交通大学 2014
[5]基于机器视觉的太阳能电池片表面缺陷检测的研究[D]. 赵慧阳.燕山大学 2011
本文编号：2919714
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2919714.html
