论文部分内容阅读
光伏发电系统主要包括光伏阵列、控制器、DC/AC变换器、蓄电池等。其中光伏阵列作为整个光伏发电系统的源头,其作用极为重要。光伏阵列所处环境复杂,且具有一定规模,当发生故障时不易检测。故对光伏阵列故障的有效检测,是保证光伏发电系统正常运行的前提。本文对光伏阵列的故障检测方法与技术进行了如下研究:(1)分析光伏电池的发电原理,建立光伏电池数学模型。利用MATLAB/simulink进行光伏电池仿真,对光伏电池输出特性进行分析,模拟开路、短路、异常老化、阴影这四种故障,选取开路电压、短路电流、最大功率点处电压和电流作为故障特征信号。(2)研究光伏阵列结构与故障类型分析。对光伏阵列在运行过程中出现的故障进行成因分析,根据故障特征信号的选取,在光伏阵列仿真环境中,模拟开路、短路、异常老化、阴影这四种故障,采集本文所需的故障样本数据。(3)研究SP结构和TCT结构光伏阵列的故障定位方法。针对TCT结构光伏阵列故障定位方法传感器数量使用过多的缺点,提出了一种新的传感器嵌入方式进行故障定位。该方法将TCT结构光伏阵列先等效为一条串联支路,嵌入电压传感器,检测故障行位置,再根据每行并联电池数量及分辨度,嵌入电流传感器,检测故障列位置,由此确定故障位置范围。在保证准确性和检测精度相同的前提下,该故障定位方法传感器嵌入方式更合适,减少了传感器使用数量。(4)研究光伏阵列的故障模式诊断问题。以SP结构光伏阵列为研究对象,利用概率神经网络对光伏阵列进行故障诊断。该方法将获取的故障样本数据经过归一化处理后,概率神经网络故障诊断模型,通过贝叶斯决策理论对故障模式进行预测识别。实验仿真结果分析表明,该方法对故障模式识别正确率在90%以上,可以完成光伏阵列故障诊断问题。(5)提出一种基于鲸鱼优化算法的改进型概率神经网络故障检测方法。为进一步提高概率神经网络故障诊断模型对故障模式的识别正确率,本文提出利用鲸鱼优化算法改进概率神经网络故障诊断模型,通过鲸鱼优化算法对概率神经网络的平滑因子进行寻优,确定最合适的平滑因子值,利用改进故障诊断模型完成对故障模式识别问题。实验仿真结果分析表明,与原始概率神经网络故障诊断模型相比,鲸鱼优化算法改进概率神经网络故障诊断模型对故障模式的识别正确率达到100%,可以完全识别光伏阵列的故障模式,该方法对故障模式可以实现行之有效的检测。