光伏电站智能运维及功率预测技术研究
发布时间：2022-12-07 03:02
近些年来,光伏产业得到了快速发展。随着全球光伏装机量的不断攀升,光伏电站运维困难、发电不稳定、可调控性差等问题也逐渐暴露在人们的视野当中,成为光伏产业亟待解决的关键问题。本文基于并网光伏电站的仿真模型、实际光伏电站的故障数据与发电数据,结合当前热门的机器学习及深度学习方法,对光伏电站的智能运维和功率预测技术做了以下研究。（1）本文对光伏产业的发展现状、存在问题及解决方案进行了简要介绍。（2）本文介绍了并网光伏电站的主要分类与组成结构、光伏电池及光伏阵列的等效物理模型、光伏发电的最大功率跟踪控制（MPPT）和并网逆变控制（VSC）,并在此基础上搭建了典型并网光伏电站的仿真模型。（3）本文提出一种基于数据包络分析（DEA）和BP神经网络的光伏电站运行效率评估方法,可以实时评估电站的运行工况。（4）本文提出一种基于分层SoftMax的光伏阵列故障检测方法和一种基于权值树的光伏电站故障检测流程,以提高光伏电站的运维效率。（5）本文提出一种基于天气聚类和参数自适应调整的光伏电站功率预测方法,与传统预测方法相比,提高了功率预测的精度。
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 光伏电站效率评估研究现状
1.2.2 光伏电站故障诊断研究现状
1.2.3 光伏电站功率预测研究现状
1.3 本文主要工作
第2章 光伏电站仿真模型搭建
2.1 光伏电站简介
2.1.1 光伏电站分类
2.1.2 光伏电池等效电路模型
2.2 光伏电站最大功率跟踪研究
2.2.1 最大功率跟踪算法介绍
2.2.2 带有MPPT功能的直流变换器
2.3 光伏电站逆变器研究
2.3.1 逆变控制算法介绍
2.3.2 功率因数可调的光伏逆变器
2.4 仿真模型实验结果
2.5 本章小结
第3章 光伏电站效率评估研究
3.1 数据包络分析原理
3.2 BP神经网络模型介绍
3.3 基于数据包络分析的光伏效率评估方法
3.3.1 算法原理介绍
3.3.2 算法流程及实验
3.4 本章小结
第4章 光伏电站故障诊断研究
4.1 哈弗曼树简介
4.2 分层SoftMax分类器
4.3 基于分层SoftMax的光伏组件故障诊断方法
4.4 基于权值树的光伏电站故障诊断流程
4.5 本章小结
第5章 光伏电站功率预测研究
5.1 光伏电站功率预测方法简介
5.1.1 发电功率的影响因素
5.1.2 功率预测模型分类
5.1.3 功率预测方法介绍
5.2 基于天气聚类和自适应参数调整的光伏功率预测方法
5.2.1 算法流程
5.2.2 实验结果及性能对比
5.3 本章小结
第6章 总结与展望
6.1 论文工作总结
6.2 论文工作展望
参考文献
致谢
作者简历
【参考文献】：
期刊论文
[1]光伏产业发展现状及未来趋势研究[J]. 蒋威. 现代经济信息. 2019(18)
[2]太阳能光伏阵列在线故障诊断方法综述[J]. 彭雅兰,李志刚. 电器与能效管理技术. 2019(11)
[3]基于日类型及融合理论的BP网络光伏功率预测[J]. 冉成科,夏向阳,杨明圣,张真,李延和,曾小勇,黄海,滕欣元,蔡昱宽,曹伯霖. 中南大学学报(自然科学版). 2018(09)
[4]基于BP神经网络的光伏系统故障诊断方法[J]. 俞玮捷,刘光宇. 杭州电子科技大学学报(自然科学版). 2018(04)
[5]分布式光伏电站可靠性评价[J]. 杨波,桑丙玉,崔红芬,袁晓冬,马磊,孙耀杰. 复旦学报(自然科学版). 2017(06)
[6]一种PSO-SVM的光伏阵列故障检测与分类[J]. 林培杰,陈志聪,吴丽君,程树英. 福州大学学报(自然科学版). 2017(05)
[7]光伏电站集中式、组串式和集散式逆变设计方案对比[J]. 吴琼,董国伟,谢小军. 电气应用. 2017(16)
[8]大数据时代下深度学习理论综述[J]. 邱俊玲. 智能制造. 2017(08)
[9]基于决策树的光伏组件故障诊断方法研究[J]. 徐立娟,吴春华,王元章,李智华. 电工电能新技术. 2017(06)
[10]光伏电源PQ控制策略及小信号稳定性研究[J]. 罗继东,刘润泽,邹梦丽,王建平. 无线互联科技. 2017(10)
硕士论文
[1]基于卷积神经网络结合词向量的中文短文本分类研究[D]. 何养明.重庆理工大学 2019
[2]光伏发电系统的故障诊断与健康监测技术研究[D]. 王凌霄.浙江大学 2018
[3]光伏电站损耗模型及其功率预测方法研究[D]. 刘姣.浙江大学 2018
[4]基于深度学习的太阳能光伏发电短期预测方法[D]. 于佳弘.浙江大学 2018
[5]基于数据挖掘的光伏阵列故障诊断研究[D]. 姜栋潇.华北电力大学(北京) 2016
[6]光伏发电三相并网逆变器的研究[D]. 任苗苗.兰州交通大学 2012
[7]三相光伏发电并网系统及其控制方法的研究[D]. 柴文野.安徽理工大学 2012
本文编号：3712114
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 光伏电站效率评估研究现状
1.2.2 光伏电站故障诊断研究现状
1.2.3 光伏电站功率预测研究现状
1.3 本文主要工作
第2章 光伏电站仿真模型搭建
2.1 光伏电站简介
2.1.1 光伏电站分类
2.1.2 光伏电池等效电路模型
2.2 光伏电站最大功率跟踪研究
2.2.1 最大功率跟踪算法介绍
2.2.2 带有MPPT功能的直流变换器
2.3 光伏电站逆变器研究
2.3.1 逆变控制算法介绍
2.3.2 功率因数可调的光伏逆变器
2.4 仿真模型实验结果
2.5 本章小结
第3章 光伏电站效率评估研究
3.1 数据包络分析原理
3.2 BP神经网络模型介绍
3.3 基于数据包络分析的光伏效率评估方法
3.3.1 算法原理介绍
3.3.2 算法流程及实验
3.4 本章小结
第4章 光伏电站故障诊断研究
4.1 哈弗曼树简介
4.2 分层SoftMax分类器
4.3 基于分层SoftMax的光伏组件故障诊断方法
4.4 基于权值树的光伏电站故障诊断流程
4.5 本章小结
第5章 光伏电站功率预测研究
5.1 光伏电站功率预测方法简介
5.1.1 发电功率的影响因素
5.1.2 功率预测模型分类
5.1.3 功率预测方法介绍
5.2 基于天气聚类和自适应参数调整的光伏功率预测方法
5.2.1 算法流程
5.2.2 实验结果及性能对比
5.3 本章小结
第6章 总结与展望
6.1 论文工作总结
6.2 论文工作展望
参考文献
致谢
作者简历
【参考文献】：
期刊论文
[1]光伏产业发展现状及未来趋势研究[J]. 蒋威. 现代经济信息. 2019(18)
[2]太阳能光伏阵列在线故障诊断方法综述[J]. 彭雅兰,李志刚. 电器与能效管理技术. 2019(11)
[3]基于日类型及融合理论的BP网络光伏功率预测[J]. 冉成科,夏向阳,杨明圣,张真,李延和,曾小勇,黄海,滕欣元,蔡昱宽,曹伯霖. 中南大学学报(自然科学版). 2018(09)
[4]基于BP神经网络的光伏系统故障诊断方法[J]. 俞玮捷,刘光宇. 杭州电子科技大学学报(自然科学版). 2018(04)
[5]分布式光伏电站可靠性评价[J]. 杨波,桑丙玉,崔红芬,袁晓冬,马磊,孙耀杰. 复旦学报(自然科学版). 2017(06)
[6]一种PSO-SVM的光伏阵列故障检测与分类[J]. 林培杰,陈志聪,吴丽君,程树英. 福州大学学报(自然科学版). 2017(05)
[7]光伏电站集中式、组串式和集散式逆变设计方案对比[J]. 吴琼,董国伟,谢小军. 电气应用. 2017(16)
[8]大数据时代下深度学习理论综述[J]. 邱俊玲. 智能制造. 2017(08)
[9]基于决策树的光伏组件故障诊断方法研究[J]. 徐立娟,吴春华,王元章,李智华. 电工电能新技术. 2017(06)
[10]光伏电源PQ控制策略及小信号稳定性研究[J]. 罗继东,刘润泽,邹梦丽,王建平. 无线互联科技. 2017(10)
硕士论文
[1]基于卷积神经网络结合词向量的中文短文本分类研究[D]. 何养明.重庆理工大学 2019
[2]光伏发电系统的故障诊断与健康监测技术研究[D]. 王凌霄.浙江大学 2018
[3]光伏电站损耗模型及其功率预测方法研究[D]. 刘姣.浙江大学 2018
[4]基于深度学习的太阳能光伏发电短期预测方法[D]. 于佳弘.浙江大学 2018
[5]基于数据挖掘的光伏阵列故障诊断研究[D]. 姜栋潇.华北电力大学(北京) 2016
[6]光伏发电三相并网逆变器的研究[D]. 任苗苗.兰州交通大学 2012
[7]三相光伏发电并网系统及其控制方法的研究[D]. 柴文野.安徽理工大学 2012
本文编号：3712114
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3712114.html
