基于支持向量机的光伏阵列故障诊断方法研究

发布时间：2023-04-03 23:48

　　随着能源短缺和环境恶化问题的日趋突出,太阳能发电技术已然获得普遍的关注和应用。太阳能作为一种绿色环保清洁能源,在生活中的应用越来越广泛,伴随着光伏发电技术的普遍应用、研究,光伏发电系统和光伏阵列工况的监测和故障诊断也变得愈发突出。目前,诊断光伏阵列故障的方法包括三大类:基于传感器、基于光伏模型和基于人工智能的方法。本论文主要研究内容如下:1、应用目前在人工智能领域应用很广泛的两种机器学习算法:神经网络算法和支持向量机算法。并将两种算法在不同的方面作出分析和对比,通过对比发现,将SVM算法用于光伏阵列故障诊断较神经网络有很多优势。2、分析研究数据预处理在智能故障诊断算法过程中的重要性,数据预处理是一个对样本数据集进行去噪、修补和提高质量的过程,合理的数据预处理可以不断提高模型的学习效率,还可以提高模型学习的精度。通过分析光伏故障数据,确定了本文所采取的数据预处理方法主要是数据归一化和热卡填补。3、对光伏阵列出现的故障类型进行了综合分析,确定了老化、裂纹、阴影、热斑、开路和短路故障影响光伏阵列发电的内部机理。基于此,进一步对光伏阵列故障特征参数进行分析,最终确定输入模型的特征参量为短路电流...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题来源
    1.2 课题研究背景
        1.2.1 能源与环境问题
        1.2.2 光伏发电技术的发展与运用
        1.2.3 光伏阵列故障诊断技术的重要性
    1.3 光伏阵列故障诊断方法研究现状
        1.3.1 传感器法
        1.3.2 模型算法
        1.3.3 智能算法
        1.3.4 故障诊断方法比较
    1.4 课题的研究意义
    1.5 论文的主要内容及结构安排
第二章 支持向量机算法与故障数据预处理
    2.1 SVM算法与神经网络算法
        2.1.1 基于SVM算法的故障诊断
        2.1.2 SVM算法与神经网络算法优缺点分析
    2.2 故障数据预处理
        2.2.1 数据归一化
        2.2.2 数据修补
    2.3 本章小结
第三章 故障诊断方法和故障数据采集
    3.1 光伏阵列故障诊断方法
    3.2 光伏阵列故障分析
    3.3 光伏阵列故障特征参数选取
    3.5 本章小结
第四章 实验分析
    4.1 实验数据采集
        4.1.1 光伏阵列的搭建
        4.1.2 采集故障数据
    4.2 样本数据预处理
        4.2.1 热卡填补法
        4.2.2 数据规约
    4.3 支持向量机核函数和参数的选择
        4.3.1 核函数选择和核参数调整
    4.4 模型训练和验证
    4.5 本章小结
第五章 结论与展望
    5.1 结论
    5.2 展望
参考文献
致谢
作者简历
    一、 基本情况
    二、 学习工作经历
    三、 发表论文
    四、科研项目情况



本文编号：3781380