基于径向基函数神经网络的光伏组件故障诊断
发布时间：2021-08-12 16:16
传统化石能源的大量消耗引发了严重的环境污染问题,并对人类社会和生态环境的发展产生威胁,于是人们开始关注到新型能源的发展与应用。其中,太阳能因其清洁无污染、易于安装、不限地域、安全可靠、永不枯竭可永久使用的天然优势,得到了快速发展和广泛应用。而光伏组件作为光伏发电系统中最重要的组成部分,它的使用寿命和安全问题越来越受到人们的关注。如果处于故障下的光伏阵列得不到及时的诊断与处理,可能会造成火灾等严重后果。因此,针对光伏组件进行故障诊断的相关研究,具有非常重要的意义。本文将光伏组件作为研究对象,针对光伏组件运行过程中可能出现的故障进行了分析。基于径向基函数神经网络（RBF）的优秀模式识别能力,选择RBF神经网络来构建本文的故障诊断模型;采用粒子群算法（PSO）优化RBF神经网络隐含层基函数的中心、宽度以及连接权值,可以避免参数值选择不当的问题,更好地构建RBF神经网络。本文的主要研究内容如下:（1）对光伏组件可能出现的的主要故障,如短路故障、开路故障、阴影故障以及异常老化等问题进行了分析,总结其故障成因。（2）在建立光伏电池Matlab仿真模型的基础上,构建了2×20的光伏阵列仿真模型,通过...
【文章来源】：河北农业大学河北省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
珠海“互联网+”智慧能源示范项目[6]
2 光伏发电基本理论与故障分析随着光伏产业的蓬勃发展，人们开始越来越关注于光伏组件的使用寿命与安全问题。如果光伏组件出现故障，轻则降低输出功率，减少组件的使用寿命，严重的还会造成火灾等情况，因而要实时关注光伏组件的运行情况，及时发现故障。因此，了解光伏组件存在的故障种类、故障成因及故障时电路的参数变化对光伏的故障研究具有十分重要的意义。2.1 光伏发电系统的组成太阳能发电是将太阳能转化为电能的过程，其包括两种形式：一种是直接将太阳能转变为电能，即太阳能光发电；另一种是先将太阳能转变为热能，然后再转变为电能，即太阳能热发电[23]。显然光伏发电系统是太阳能光发电的一种。虽然光伏发电的发电模式分为大型光伏电站和分布式光伏电站，但其系统构成以及各部件的工作原理是相同的。通常，光伏发电系统主要由光伏模块、DC/DC 转换器、DC/AC 逆变器、交直流负载等几部分构成，如图 2-1 所示。
图 2-2 单体光伏电池、光伏组件以及光伏阵列的实物图Fig.2-2 Physical charts of single photovoltaic cells, PV modules and PV arrays/DC 转换器的功能是将一定值的直流电转换为另一定值的直流电， Buck 变换器和 Boost 变换器。在光伏并网发电系统中，网络电压电压要高得多，此时要采用 Boost 型变换器来升高电压。/AC 逆变器是光伏发电系统的重要组成之一，它的作用是把直流电因为几乎所有的用电设备都是以交流形式进行供电的，所以需要采流电压以满足用电设备的要求。伏发电基本理论阳能电池发电原理能光伏发电利用的是半导体材料的光生伏打效应，进而将光能转变效应的原理是太阳能电池板吸收光子能量产生感应电动势。具体发示。
【参考文献】：
期刊论文
[1]基于分群策略的混沌粒子群优化算法[J]. 薛文,苏宏升. 计算机工程与设计. 2019(02)
[2]基于指数衰减惯性权重的分裂粒子群优化算法[J]. 王永贵,曲彤彤,李爽. 计算机应用研究. 2020(04)
[3]基于S型函数的自适应粒子群优化算法[J]. 黄洋,鲁海燕,许凯波,胡士娟. 计算机科学. 2019(01)
[4]一种动态分群带熵权的粒子群优化方法[J]. 刘道华,胡秀云,赵岩松,崔玉爽. 西安电子科技大学学报. 2018(06)
[5]基于数据融合的光伏组件故障诊断[J]. 陈凌,韩伟,张经炜. 电网技术. 2017(06)
[6]基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断与定位[J]. 沈桂鹏,杨店飞,郭宇杰. 陕西电力. 2016(08)
[7]关于推进“互联网+”智慧能源发展的指导意见[J]. 城市燃气. 2016(04)
[8]基于自适应惯性权重的均值粒子群优化算法[J]. 赵志刚,林玉娇,尹兆远. 计算机工程与科学. 2016(03)
[9]基于BP神经网络的光伏组件故障类型诊断[J]. 杨店飞,郭宇杰,沈桂鹏. 陕西电力. 2016(02)
[10]我国光伏电站项目管理模式的探析[J]. 赵伟伟. 项目管理技术. 2014(05)
博士论文
[1]动态环境下粒子群优化算法的研究[D]. 姜毅.武汉大学 2013
[2]一种新型的智能优化方法-人工鱼群算法[D]. 李晓磊.浙江大学 2003
硕士论文
[1]一种新的光伏阵列故障诊断方法[D]. 宗宪爽.东北电力大学 2018
[2]光伏阵列故障在线检测方法研究[D]. 吴延霞.山东理工大学 2018
[3]基于混合优化RBF神经网络的网络安全态势预测模型[D]. 赖智全.兰州大学 2017
[4]光伏监控中的故障诊断方法及应用[D]. 王雪.杭州电子科技大学 2017
[5]光伏组件故障诊断与信息管理系统研究[D]. 尹春雨.华北电力大学(北京) 2017
[6]径向基函数神经网络的优化研究[D]. 张义.山东理工大学 2016
[7]大规模光伏阵列发电仿真系统及故障诊断技术研究[D]. 张晓娜.青海大学 2016
[8]基于红外图像识别的光伏组件热斑故障检测方法研究[D]. 车曦.重庆大学 2015
[9]粒子群径向基神经网络在凝汽器真空故障诊断中的应用[D]. 林乐平.东北电力大学 2015
[10]基于改进QPSO优化的RBF网络入侵检测研究[D]. 苑帅.河北工业大学 2015
本文编号：3338647
【文章来源】：河北农业大学河北省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
珠海“互联网+”智慧能源示范项目[6]
2 光伏发电基本理论与故障分析随着光伏产业的蓬勃发展，人们开始越来越关注于光伏组件的使用寿命与安全问题。如果光伏组件出现故障，轻则降低输出功率，减少组件的使用寿命，严重的还会造成火灾等情况，因而要实时关注光伏组件的运行情况，及时发现故障。因此，了解光伏组件存在的故障种类、故障成因及故障时电路的参数变化对光伏的故障研究具有十分重要的意义。2.1 光伏发电系统的组成太阳能发电是将太阳能转化为电能的过程，其包括两种形式：一种是直接将太阳能转变为电能，即太阳能光发电；另一种是先将太阳能转变为热能，然后再转变为电能，即太阳能热发电[23]。显然光伏发电系统是太阳能光发电的一种。虽然光伏发电的发电模式分为大型光伏电站和分布式光伏电站，但其系统构成以及各部件的工作原理是相同的。通常，光伏发电系统主要由光伏模块、DC/DC 转换器、DC/AC 逆变器、交直流负载等几部分构成，如图 2-1 所示。
图 2-2 单体光伏电池、光伏组件以及光伏阵列的实物图Fig.2-2 Physical charts of single photovoltaic cells, PV modules and PV arrays/DC 转换器的功能是将一定值的直流电转换为另一定值的直流电， Buck 变换器和 Boost 变换器。在光伏并网发电系统中，网络电压电压要高得多，此时要采用 Boost 型变换器来升高电压。/AC 逆变器是光伏发电系统的重要组成之一，它的作用是把直流电因为几乎所有的用电设备都是以交流形式进行供电的，所以需要采流电压以满足用电设备的要求。伏发电基本理论阳能电池发电原理能光伏发电利用的是半导体材料的光生伏打效应，进而将光能转变效应的原理是太阳能电池板吸收光子能量产生感应电动势。具体发示。
【参考文献】：
期刊论文
[1]基于分群策略的混沌粒子群优化算法[J]. 薛文,苏宏升. 计算机工程与设计. 2019(02)
[2]基于指数衰减惯性权重的分裂粒子群优化算法[J]. 王永贵,曲彤彤,李爽. 计算机应用研究. 2020(04)
[3]基于S型函数的自适应粒子群优化算法[J]. 黄洋,鲁海燕,许凯波,胡士娟. 计算机科学. 2019(01)
[4]一种动态分群带熵权的粒子群优化方法[J]. 刘道华,胡秀云,赵岩松,崔玉爽. 西安电子科技大学学报. 2018(06)
[5]基于数据融合的光伏组件故障诊断[J]. 陈凌,韩伟,张经炜. 电网技术. 2017(06)
[6]基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断与定位[J]. 沈桂鹏,杨店飞,郭宇杰. 陕西电力. 2016(08)
[7]关于推进“互联网+”智慧能源发展的指导意见[J]. 城市燃气. 2016(04)
[8]基于自适应惯性权重的均值粒子群优化算法[J]. 赵志刚,林玉娇,尹兆远. 计算机工程与科学. 2016(03)
[9]基于BP神经网络的光伏组件故障类型诊断[J]. 杨店飞,郭宇杰,沈桂鹏. 陕西电力. 2016(02)
[10]我国光伏电站项目管理模式的探析[J]. 赵伟伟. 项目管理技术. 2014(05)
博士论文
[1]动态环境下粒子群优化算法的研究[D]. 姜毅.武汉大学 2013
[2]一种新型的智能优化方法-人工鱼群算法[D]. 李晓磊.浙江大学 2003
硕士论文
[1]一种新的光伏阵列故障诊断方法[D]. 宗宪爽.东北电力大学 2018
[2]光伏阵列故障在线检测方法研究[D]. 吴延霞.山东理工大学 2018
[3]基于混合优化RBF神经网络的网络安全态势预测模型[D]. 赖智全.兰州大学 2017
[4]光伏监控中的故障诊断方法及应用[D]. 王雪.杭州电子科技大学 2017
[5]光伏组件故障诊断与信息管理系统研究[D]. 尹春雨.华北电力大学(北京) 2017
[6]径向基函数神经网络的优化研究[D]. 张义.山东理工大学 2016
[7]大规模光伏阵列发电仿真系统及故障诊断技术研究[D]. 张晓娜.青海大学 2016
[8]基于红外图像识别的光伏组件热斑故障检测方法研究[D]. 车曦.重庆大学 2015
[9]粒子群径向基神经网络在凝汽器真空故障诊断中的应用[D]. 林乐平.东北电力大学 2015
[10]基于改进QPSO优化的RBF网络入侵检测研究[D]. 苑帅.河北工业大学 2015
本文编号：3338647
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3338647.html
