光伏组件的热斑诊断及灰尘量预测
发布时间：2020-12-21 07:58
目前,太阳能是最具有商业价值的绿色能源。太阳能相对于其它绿色能源在发电领域具有很高的竟争力。光伏组件用来完成光电转换,其在运行中会出现热斑与积灰问题。热斑将导致局部的光伏组件发电效率下降,进一步还会烧毁组件;光伏组件积灰问题将会引起大面积的光伏组件发电效率降低,造成重大经济损失。针对上述问题,本文开展了光伏组件热斑诊断与灰尘量预测研究,具体研究内容如下。首先,针对光伏组件热斑预测问题,提出了改进隔离森林算法。首先利用灰色关联投影算法选取出相似日,由于热斑的各个特征量具有不同的离散度与特征特性,提出了改进隔离森林算法对热斑特征量进行分析。灰色关联投影法选出相似日的样本数据,改进隔离森林算法判定各个支路是否出现异常情况,最后评分越大的支路故障的可能性越大。通过隔离森林算法（IF）、局部异常检测算法（LOF）、改进隔离森林算法（AIF）进行比较。仿真结果表明,本文提出的改进隔离森林算法的准确性与稳定性能更好。其次,针对光伏组件的热斑诊断问题,提出了基于灰色关联-熵权模糊控制算法（Grey correlation-Entropy weight Fuzzy Control,GEFC）。使用灰色关...
【文章来源】：上海电机学院上海市
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
光伏组件热斑Fig.1-1Photovoltaiccomponenthotspotphenomenon
上海电机学院硕士学位论文15由图2-6的仿真图可知，光伏热斑的仿真图可知，在发生热斑时，其出现多个峰值功率点，开路电压下降，短路电流上升。同时，从图2-7可知，光伏阵列中随着发生光伏热斑的光伏组件增加，则其功率与电流会进一步减校所以，在对光伏热斑进行预测与诊断时，可以通过其输出功率、电流与电压等特征量的变化程度来判断是都出现光伏热斑。本文的数据来源于上海电气集团中央研究院的实验平台，通过两个月的光伏热斑实验获取数据来源。实验具体明细如下所示：(1)实验地点：上海电气中央研究院1号楼楼顶；(2)实验时间：2018年8月24日~9月7日；(3)实验对象：2块光伏组件；图2-8为光伏组件实验图。图2-8光伏组件实验图Fig.2-8Photovoltaicmoduleexperimental8月24日-9月7日，实验室接入的2块光伏板，在相同的天气情况与光伏组件温度下进行实验，将一块光伏组件遮挡一组串电池板运行，其余的光伏板正常运行。其中在8月27-8月29日时，其中两个光伏组件上的上的电池板块进行遮挡，其余的光伏板正常运行。在本次实验中，通过支路互感器采集了光伏支路的电流、电压、功率、光伏组件表面温度等数据，将其作为历史监测数据，为光伏组件的热斑预测数据参考。根据采集后的数据进行处理后，将采集到的一天的数据处理后分别得到的光伏组件正常运行与故障运行情况下的功率、电压、电流、光伏组件温度、电压与电流比值的曲线图。图2-9、图2-10、图2-11分别为与提取同一天的功率、电压、电流下的故障与正常运行下的对比图，光伏组件正常与热斑现象运行情况下功率对比图。
上海电机学院硕士学位论文19(2)异常数据在一些相关的特征上与正常数据有较大的不同。因此，对光伏热斑的预测可以通过其其功率、电流、电压以及组件温度等数据的异常检测来实现。隔离森林算法针对异常数据的检测有着很好的优越性，该方法具有较低的时间复杂度，计算速度相对快速。因此在处理高维和海量数据方面具有快速性，同时在多个数据集上能够取的更好地预测效果。2.3.1光伏热斑特性分析根据2.2.2小节的仿真与实验验证可知，在光伏热斑出现时，其功率、电压、电流与温度等特征量变化敏感程度不同。本文对光伏热斑的电压与功率的特征量的特性进行了分析。通过对光伏热斑数据是电压与功率数据处理，得到这两个特征值的概率分布情况如下图所示。其中，组件的热斑现象功率的特征数据集概率分布如图2-14所示，组件的热斑电压的特征数据集概率分布如图2-15与图2-16所示。图2-14光伏热斑功率异常数据与正常数据在特征上混合Fig.2-14Photovoltaichotspotpoweranomalydataismixedwithnormal由图2-14与图2-15可以看出，不同类别的数据在同一个特征上的分布存在差异，即数据特征中心存在偏差。利用图2-14的特征进行分类时，可以看出其数据特征中心的距离大于图2-15的特征中心距离，特征中心距离越大，表明此类特征越容易在分类过程中被优先区分。图分类误差较小，即该特征的对于划分正常与异常能力更强。图2-15与图2-16分别表示同一特征下的数据的不同离散度时在此特征上的分布差异。可以看出同一特征下数据分布离散度越高，该特征的对于划
【参考文献】：
期刊论文
[1]基于人工蜂群算法优化RBF神经网络的光伏组件故障诊断定位方法[J]. 郝思鹏,吴清,李佳伟,周宇. 供用电. 2019(10)
[2]基于无人机及机器视觉的光伏电站“热斑效应”检测系统研究[J]. 王永强. 科技视界. 2019(15)
[3]晶体硅光伏组件的热斑效应详解[J]. 潘文峰,陆晨,王加鸿,谢英豪,裘幼梓. 太阳能. 2019(01)
[4]基于状态监测的电池板积灰清洗周期确定与费用评估[J]. 赵波,张姝伟,曹生现,王恭,许兆鹏,崔立业,李晓刚. 中国电机工程学报. 2019(14)
[5]光伏组件的功率衰减与热斑关系研究[J]. 刘振波,产兵兵. 电源技术. 2018(08)
[6]各种太阳能发电技术研究综述[J]. 莫一波,杨灵,黄柳燕,徐琼鹰,陈海峰. 东方电气评论. 2018(01)
[7]基于提高太阳能发电效率的研究综述[J]. 李志红,李亚运,崔强. 科技创新与应用. 2016(02)
[8]灰尘对光伏发电的影响及组件清洗研究[J]. 孟伟君,朴铁军,司德亮,张文华,于俊峰,陈志燕. 太阳能. 2015(02)
[9]基于FOA-Elman神经网络的光伏电站短期出力预测模型[J]. 韩伟,王宏华,杜炜. 电测与仪表. 2014(12)
[10]基于辐照计的太阳能光伏电站自动除尘系统研究[J]. 周亚东,王军,梁栋. 科技通报. 2014(05)
博士论文
[1]水污染动态预警监测模型构建与应急处置工程风险分析[D]. 史斌.哈尔滨工业大学 2018
硕士论文
[1]光伏阵列智能监测和故障预测方法[D]. 段家慧.广西大学 2018
[2]局部阴影条件下光伏系统MPPT方法研究[D]. 王庆磊.安徽理工大学 2018
[3]光伏面板积尘特性及高效除尘方法研究[D]. 马小龙.浙江工业大学 2015
[4]太阳能光伏阵列故障检测及仿真分析[D]. 唐佳能.华北电力大学 2012
本文编号：2929481
【文章来源】：上海电机学院上海市
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
光伏组件热斑Fig.1-1Photovoltaiccomponenthotspotphenomenon
上海电机学院硕士学位论文15由图2-6的仿真图可知，光伏热斑的仿真图可知，在发生热斑时，其出现多个峰值功率点，开路电压下降，短路电流上升。同时，从图2-7可知，光伏阵列中随着发生光伏热斑的光伏组件增加，则其功率与电流会进一步减校所以，在对光伏热斑进行预测与诊断时，可以通过其输出功率、电流与电压等特征量的变化程度来判断是都出现光伏热斑。本文的数据来源于上海电气集团中央研究院的实验平台，通过两个月的光伏热斑实验获取数据来源。实验具体明细如下所示：(1)实验地点：上海电气中央研究院1号楼楼顶；(2)实验时间：2018年8月24日~9月7日；(3)实验对象：2块光伏组件；图2-8为光伏组件实验图。图2-8光伏组件实验图Fig.2-8Photovoltaicmoduleexperimental8月24日-9月7日，实验室接入的2块光伏板，在相同的天气情况与光伏组件温度下进行实验，将一块光伏组件遮挡一组串电池板运行，其余的光伏板正常运行。其中在8月27-8月29日时，其中两个光伏组件上的上的电池板块进行遮挡，其余的光伏板正常运行。在本次实验中，通过支路互感器采集了光伏支路的电流、电压、功率、光伏组件表面温度等数据，将其作为历史监测数据，为光伏组件的热斑预测数据参考。根据采集后的数据进行处理后，将采集到的一天的数据处理后分别得到的光伏组件正常运行与故障运行情况下的功率、电压、电流、光伏组件温度、电压与电流比值的曲线图。图2-9、图2-10、图2-11分别为与提取同一天的功率、电压、电流下的故障与正常运行下的对比图，光伏组件正常与热斑现象运行情况下功率对比图。
上海电机学院硕士学位论文19(2)异常数据在一些相关的特征上与正常数据有较大的不同。因此，对光伏热斑的预测可以通过其其功率、电流、电压以及组件温度等数据的异常检测来实现。隔离森林算法针对异常数据的检测有着很好的优越性，该方法具有较低的时间复杂度，计算速度相对快速。因此在处理高维和海量数据方面具有快速性，同时在多个数据集上能够取的更好地预测效果。2.3.1光伏热斑特性分析根据2.2.2小节的仿真与实验验证可知，在光伏热斑出现时，其功率、电压、电流与温度等特征量变化敏感程度不同。本文对光伏热斑的电压与功率的特征量的特性进行了分析。通过对光伏热斑数据是电压与功率数据处理，得到这两个特征值的概率分布情况如下图所示。其中，组件的热斑现象功率的特征数据集概率分布如图2-14所示，组件的热斑电压的特征数据集概率分布如图2-15与图2-16所示。图2-14光伏热斑功率异常数据与正常数据在特征上混合Fig.2-14Photovoltaichotspotpoweranomalydataismixedwithnormal由图2-14与图2-15可以看出，不同类别的数据在同一个特征上的分布存在差异，即数据特征中心存在偏差。利用图2-14的特征进行分类时，可以看出其数据特征中心的距离大于图2-15的特征中心距离，特征中心距离越大，表明此类特征越容易在分类过程中被优先区分。图分类误差较小，即该特征的对于划分正常与异常能力更强。图2-15与图2-16分别表示同一特征下的数据的不同离散度时在此特征上的分布差异。可以看出同一特征下数据分布离散度越高，该特征的对于划
【参考文献】：
期刊论文
[1]基于人工蜂群算法优化RBF神经网络的光伏组件故障诊断定位方法[J]. 郝思鹏,吴清,李佳伟,周宇. 供用电. 2019(10)
[2]基于无人机及机器视觉的光伏电站“热斑效应”检测系统研究[J]. 王永强. 科技视界. 2019(15)
[3]晶体硅光伏组件的热斑效应详解[J]. 潘文峰,陆晨,王加鸿,谢英豪,裘幼梓. 太阳能. 2019(01)
[4]基于状态监测的电池板积灰清洗周期确定与费用评估[J]. 赵波,张姝伟,曹生现,王恭,许兆鹏,崔立业,李晓刚. 中国电机工程学报. 2019(14)
[5]光伏组件的功率衰减与热斑关系研究[J]. 刘振波,产兵兵. 电源技术. 2018(08)
[6]各种太阳能发电技术研究综述[J]. 莫一波,杨灵,黄柳燕,徐琼鹰,陈海峰. 东方电气评论. 2018(01)
[7]基于提高太阳能发电效率的研究综述[J]. 李志红,李亚运,崔强. 科技创新与应用. 2016(02)
[8]灰尘对光伏发电的影响及组件清洗研究[J]. 孟伟君,朴铁军,司德亮,张文华,于俊峰,陈志燕. 太阳能. 2015(02)
[9]基于FOA-Elman神经网络的光伏电站短期出力预测模型[J]. 韩伟,王宏华,杜炜. 电测与仪表. 2014(12)
[10]基于辐照计的太阳能光伏电站自动除尘系统研究[J]. 周亚东,王军,梁栋. 科技通报. 2014(05)
博士论文
[1]水污染动态预警监测模型构建与应急处置工程风险分析[D]. 史斌.哈尔滨工业大学 2018
硕士论文
[1]光伏阵列智能监测和故障预测方法[D]. 段家慧.广西大学 2018
[2]局部阴影条件下光伏系统MPPT方法研究[D]. 王庆磊.安徽理工大学 2018
[3]光伏面板积尘特性及高效除尘方法研究[D]. 马小龙.浙江工业大学 2015
[4]太阳能光伏阵列故障检测及仿真分析[D]. 唐佳能.华北电力大学 2012
本文编号：2929481
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2929481.html
