基于优化奇偶重构法的光伏阵列自适应重构技术设计

对于光伏阵列而言,阴影遮挡和阵列损坏会导致其输出功率降低。为了提升光伏阵列的输出功率,提出了一种优化的奇偶重构方法(Optimized Odd Even Configuration,OOEC),纠正了奇偶重构法(Odd Even Configuration,OEC)在局部阴影超过4列时,重构效果差的缺点。所提出的方法将光伏阵列分为自由重构模块和固定重构模块,根据不同的阴影情况调整连接方式,确定最佳的连接关系,并与Arrow So Du ku,Zig-zag,OEC三种方法进行仿真实验对比,仿真结果表明,经过OOEC重构后的光伏阵列输出功率明显提高,光伏阵列的PU输出特性曲线更加趋向于单峰,并且从失配损耗,功率提升百分比,性能比,均衡指数上看来,OOEC有着更好的性能。

基于VMD-SABO-KELM的光伏阵列故障诊断

光伏阵列长期处于恶劣的室外环境,容易发生故障。为了进一步提高模型分类识别的准确率和泛化能力,提出一种基于变分模态分解(VMD)和减法平均优化器(SABO)优化核极限学习机(KELM)的光伏阵列故障诊断方法。首先,利用Matlab建立光伏阵列仿真模型,设置故障点,获得不同故障数据。其次,利用VMD分解提取故障数据的九种特征向量,作为模型的输入量,故障类型作为输出层建立数据集。然后,采用SABO优化KELM的核参数和正则化参数,建立基于VMD-SABO-KELM的光伏阵列故障诊断模型。最后,通过实验对比,结果表明所提出的方法在分类准确度上高达99.52%,与未改进前的模型相比,展现出较高的准确性和优越性。

基于网格指纹匹配的光伏阵列电弧故障定位方法

考虑到传统的基于电磁辐射(electromagneticradiation,EMR)信号的光伏阵列电弧故障定位方法存在采样条件严苛、定位精度低等问题,提出一种基于网格指纹匹配的电弧故障定位新方法。首先,使用低采样率获取电弧EMR信号,并提取其均方根值作为代表EMR强度的特征指标。然后,利用BP神经网络(backpropagationneural network,BPNN)挖掘辐照度、信号接收距离与电弧EMR信号强度的内在联系,建立预测模型。接着,根据BPNN输出的双天线阵列与电弧间的预测距离,利用三角定位法初步求得电弧所在区域。最后,网格化划分电弧所在区域的光伏组件,生成网格指纹信息,并将预测距离与指纹信息最匹配的网格的中心坐标作为电弧发生位置的最终预测坐标。实验结果表明,所提算法具备良好的定位能力与适应性,对电弧故障定位的平均绝对误差为0.306m,在定位精度与经济性上均优于EMR衰减模型定位法。

光伏阵列故障诊断的可解释性智能集成方法

针对现有光伏阵列故障检测和诊断智能方法存在的泛化性不强、可解释性差的问题,提出了一种可解释性智能集成方法。对采集的光伏阵列输出时序电压、电流波形进行特征挖掘,并将多个已成熟应用于光伏故障诊断的智能算法作为不同基学习器与元学习器,构建结合不同智能算法优势且更具泛化性的Stacking集成学习模型;以沙普利可加性特征解释方法为总框架,并结合局部近似可解释性方法,对模型训练过程与结果进行解释分析,通过获取各特征的贡献、分析该集成模型的决策机制,并了解其如何进行诊断,提高其可靠度和可信度。算例实验结果表明,所提可解释性智能集成方法在不同规模数据集的测试中均实现了高精度的故障诊断,模型的可解释性结果表明由该智能集成模型建立的故障特征和诊断结果的映射遵循物理见解,增强了智能方法的可信度和透明性。

含沙量对地面光伏阵列的气动载荷研究

沙粒体积分数是风沙环境中影响光伏板及其承载结构使用寿命的重要因素之一,光伏板表面压力和倾覆力矩预测对光伏阵列的安装与设计,以及挡风沙结构的设计都有十分重要的意义。以安装倾角为25°,4×4方阵形式的光伏阵列为研究对象,采用欧拉双流体模型探究不同浓度对光伏板表面及其周围流场结构和倾覆力矩的影响规律。结果表明,不同沙粒浓度下,光伏板上表面的风沙压力变化分布情况基本相同,而随着入口处沙粒体积分数的增大,光伏板上表面同一区域的风沙压力不断增大。除第二排光伏板,其余光伏板倾覆力矩随入口处沙粒体积分数增大而增大,且第一排倾覆力矩最大。研究工作可为荒漠地区光伏阵列的设计和安装提供一定的理论依据。

适用小样本的并网光伏阵列故障诊断方法

该文提出一种适用小样本的并网光伏阵列故障诊断方法。首先,使用光伏阵列的稳态输出电信号时间序列构建特征向量,论证该特征向量可以表征正常、开路故障、短路故障、阴影等不同状态。其次,针对光伏阵列运行环境多变的情况,提出一种将实际气象条件下光伏阵列输出值转换到统一工况下的数据处理方法。然后,为适用小样本情况,将线性判别分析方法与有偏差的协方差估计、公共奇异值分解相结合,解决样本高维低量导致的样本协方差矩阵估计奇异和判别函数求解困难的问题。最后,在上海市某高校楼顶搭建实验平台,采集光伏阵列不同状态下的实验数据,验证了所提数据处理方法对使用稳态电信号的必要性,及该故障分类算法在小样本场景中的有效性。

基于猎人-猎物优化支持向量机的光伏阵列故障识别研究

为提升光伏电站的运行效率,对光伏阵列的故障识别方法展开了深入研究,并建立基于猎人-猎物优化支持向量机(HPO-SVM)的故障识别方法。该方法以光伏阵列模型的5个参数作为故障特征向量对光伏阵列的故障进行识别,基于仿真数据和实验数据评估该方法的有效性和可靠性。在基于仿真数据进行故障识别时,HPO-SVM的识别准确率达到了99.5556%,十折交叉验证的平均准确率为98.2641%。与支持向量机(SVM)相比,HPO-SVM的准确率分别提高了8.4445%和8.6086%。在基于实验数据进行故障识别时,HPO-SVM的识别准确率达到了98.0645%,十折交叉验证的平均准确率为94.2995%。相较于SVM,HPO-SVM的准确率分别提高了7.7419%和4.5702%。结果表明,HPO-SVM对光伏阵列的故障识别具有较高的准确度、可靠性,并具有良好的泛化性能。

基于LDA-IBES-RELM的光伏阵列故障诊断方法

针对光伏阵列故障诊断准确率偏低的问题,提出了一种基于改进秃鹰搜索算法(IBES)优化正则化极限学习机(RELM)的故障诊断方法。首先在Simulink建立光伏阵列仿真模型,模拟典型故障并提取故障特征数据,同时利用线性判别分析(LDA)对特征量降维作为故障诊断模型的输入;其次利用Logistic混沌映射、Levy飞行策略和柯西高斯变异扰动策略对秃鹰算法进行改进;最后将IBES用于对RELM的隐层参数寻优。实验结果表明:LDA-IBES-RELM模型与BES-RELM、IBES-RELM模型对比,得到的故障诊断准确率为97.71%,优于其他两种模型,验证了LDA-IBESRELM模型用于光伏阵列故障诊断的有效性和实用性。

基于试验测试的光伏阵列建模与发电量估算

本文以建筑光伏一体化系统作为研究对象,计及光伏板受内部材料和温度、光照等外部条件对其输出电压和电流的影响,建立光伏板的准确数学模型;并基于实际光伏板的测试性能,着重研究光伏阵列的串并联计算、光伏阵列的建模和发电量估算三个关键问题。通过数值仿真验证方法的正确性和有效性。

计及光伏阵列的光伏发电阻抗建模与特性分析

大规模光伏电站并网振荡风险急剧增高,序阻抗建模逐步成为广泛采用的分析方法。目前针对光伏发电的阻抗建模将光伏阵列等效为恒定电流源,未计及光伏阵列自身动态特性的影响。实际光伏发电系统中,光伏阵列输出电压、电流非线性且与幅照度和温度强相关,光伏阵列自身动态对光伏发电阻抗特性的影响存在且不可忽略。该文基于光伏发电交-直流小信号耦合关系,建立及光伏阵列的光伏发电阻抗解析模型,揭示光伏阵列动态特性对光伏发电交流侧阻抗的耦合机理,定量分析直流电容容量、直流电压环、光伏阵列幅照度和温度等因素对耦合特性影响规律。基于控制硬件在环仿真平台,开展计及光伏阵列的光伏发电系统阻抗扫描与振荡复现。研究表明,光伏阵列自身阻抗不可忽略,且与幅照度和温度强相关,通过直流母线耦合至交流端口,最终对光伏发电交流端口阻抗特性产生影响。直流母线电容容量、直流电压环带宽以及幅照度均会影响光伏阵列对光伏发电交流端口阻抗的耦合程度。

基于故障串电流反向突变判据的光伏阵列线间故障保护方案

光伏阵列发生线间故障时故障电流较小,过电流保护无法有效清除故障。提出一种基于光伏串输出电流反向突变特性的光伏阵列线间故障保护方案。基于光伏串输出电流-电压曲线定性分析了光伏阵列发生线间故障时输出电压、电流的变化特性,得到光伏阵列线间故障下光伏串输出电流反向减小特征。通过光伏串等效电路模型,建立了光伏串输出电流与光伏串故障电池数量之间的量化关系。以最小故障电池数量的电流突变为阈值,提出了基于故障电流反向突变的保护判据。该保护判据可快速准确地定位光伏阵列中的故障串,且只需要测量光伏串的输出电流信号以及光伏阵列输出的电压信号,保护配合只需要跳闸信号。最后,通过时域仿真以及现场测试有效验证了所建立判据的准确性以及所提出的保护方案的正确性。

基于扩展频域时域反射法的在线光伏阵列故障检测信号特性研究

基于扩展频域时域反射法(Spread Spectral Time Domain Reflectometry,SSTDR)的光伏阵列故障诊断方法存在检测盲区和衰减特性,有必要研究检测信号的性质以提高故障检测性能。首先,对检测信号在光伏阵列中的传输行为进行研究,探究不同信号参数对检测范围和精度的影响;其次,根据光伏电池的动态模型和排布规律,搭建光伏阵列故障检测仿真平台,通过断路故障仿真实验对结果进行验证,结果表明,改善信号能有效增强相关峰辨识能力,使光伏组件检测数量增加4块;最后,综合考虑检测盲区和衰减特性对检测性能的影响,提出基于SSTDR的光伏阵列故障检测信号选择策略,用以确定测距范围和最优信号参数。

基于贝叶斯优化卷积神经网络的路面光伏阵列最大功率点电压预测方法

路面光伏阵列上快速行驶的车辆,所形成的车辆阴影具有复杂的动态随机分布特性,将导致路面光伏阵列的输出功率-电压(P-V)特性曲线呈现动态多峰特性,给路面光伏阵列最大功率点跟踪(maximumpowerpointtracking,MPPT)控制带来挑战。基于此,文中提出一种基于贝叶斯优化(Bayesianoptimization,BO)卷积神经网络(convolutional neural network,CNN)的路面光伏阵列最大功率点电压预测方法。首先,将路面光伏阵列的光照和温度的环境信息以图像形式输入基于贝叶斯优化CNN的最大功率点电压预测模型进行学习;然后,利用训练出的预测模型,对当前时刻下路面光伏阵列最大功率点工作电压进行预测;最后,仿真和试验结果表明,提出的预测模型具有良好的适应性,能够精准预测不同车辆阴影工况下的路面光伏阵列最大功率点工作电压,尤其是大幅度提高最大功率点工作电压的预测速度,为动态随机车辆阴影下路面光伏阵列的最大功率点跟踪控制奠定基础。

基于HHO-ELM的光伏阵列故障诊断方法研究

光伏阵列长期暴露在恶劣的环境中,导致光伏组件易发生故障,从而影响光伏阵列的发电效率。在实际运行过程中,光伏阵列除发生单一故障之外,还会出现多类型的复合故障,给故障诊断加大了难度。提出了一种基于哈里斯鹰(HHO)算法优化极限学习机(ELM)的光伏阵列多类型复合故障诊断方法。用HHO算法优化ELM的权值和阈值,建立HHO-ELM故障诊断模型,并与ELM、粒子群优化算法(PSO)-ELM、正余弦优化算法(SCA)-ELM以及鲸鱼优化算法(WOA)-ELM算法进行对比。实验结果表明,对于复合故障类型,HHO-ELM模型具有更高的诊断准确率,提高了光伏阵列复合故障的识别精度。

基于跃变探索式电导增量法的光伏阵列全局最大功率点跟踪控制研究

实现光伏阵列最大功率点跟踪(Maximum power point tracking, MPPT)的传统算法已经较为成熟,但是在局部阴影出现后会发生寻优失效,难以实现全局最大功率跟踪(Global maximum power tracking, GMPPT)。为解决该问题,研究人员提出将粒子群(Particle swarm optimization, PSO)等群搜索算法应用在MPPT控制过程中,虽然能够控制工作点稳定在全局最大功率点处,但由于该算法收敛能力依赖于核心参数,在应用过程中有一定概率会导致系统振荡。针对以上问题,在电导增量法(Incremental conductance, INC)的基础上提出跃变探索式电导增量法(Jump explore incremental conductance, JEINC),相较于传统电导增量法而言,具有较强的探索能力,能够在局部阴影下实现全局最大功率点跟踪控制,同时所提算法具有较好的收敛能力,在工作点位于最大功率点附近能够快速稳定。在三种光照环境下进行Matlab仿真,从稳定时间、暂态过程能量损耗率和振荡幅值三个方面验证了所提算法相较于电导增量法和粒子群算法的优越性。

基于SSA-SVM的光伏阵列故障诊断模型

针对支持向量机(Support Vector Machine,SVM)算法在光伏阵列故障诊断过程中,模型诊断精度受惩罚因子和核函数影响而不稳定的问题,提出了一种麻雀搜索算法(Sparrow Search Algorithm,SSA)优化支持向量机的光伏阵列故障诊断模型。通过麻雀搜索算法对支持向量机中的惩罚因子、核函数加以搜索,寻优运算以获得模型的最优参数。实验收集了320组实地故障数据和仿真数据加以整合,通过Matlab/Simulink对各类故障状态数据分析并以寻优后的关键参数构建故障诊断模型。试验结果表明,所提算法与两种对比算法相比在精度上有所提升,故障诊断精度高达100%。

不均匀光照下光伏阵列输出特性建模分析

提高光伏电池的发电效率一直是学者们研究的重点,MPPT技术保证光伏发电系统持续工作在最大功率点附近,从而提高发电效率。面对不均匀光照下P-U曲线的多峰现象,传统MPPT算法难以找到最大功率点GMPP,容易陷入局部峰值点LMPP,学者们后续提出新的MPPT算法仍存在一定缺陷,无法简单有效且准确地追踪GMPP。本文针对上述问题,通过Simulink软件搭建仿真模型来研究不均匀光照下光伏阵列的输出特性,希望对学者后续改进MPPT算法和布置光伏阵列提供帮助与启发。

基于FCS算法的光伏阵列最大功率追踪

局部阴影情况下,光伏阵列输出功率具有多峰值特性,针对最大功率点跟踪(Maximum power point tracking,MPPT)算法在实际应用中存在着收敛速度较慢,效率较低,且容易陷入局部功率极值的问题,将兼顾收敛速度、精度、功率稳定性的快速布谷鸟搜索(Fast cuckoo search,FCS)算法应用于光伏阵列最大功率追踪。FCS算法采用自适应步长和机会因子可避免过早收敛,全局搜索和跳出局部搜索能力强,收敛速度快,算法后期局部开发能力强,功率振荡小,功率输出稳定,最大功率追踪精度高。仿真表明,在静态阴影、动态阴影条件下,FCS算法较灰狼算法(Grey wolf optimizer,GWO)、粒子群算法(Particle swarm optimization,PSO)具有更快地收敛速度和更高的收敛精度,且稳定性好,有效地提升光伏阵列的输出效率。

基于萤火虫扰动麻雀搜索算法-极限学习机的光伏阵列故障诊断方法研究

光伏阵列具有随机性、间歇性输出特点,发生故障严重影响电力系统安全运行。针对有效表征不同程度局部阴影与雨天接地故障的故障特征量缺乏的问题,分析不同故障状态下光伏阵列运行特征,提出一种新的6维故障特征向量:开路电压Uoc、最大功率点电压Um与短路电流Isc、最大功率点电流Im分别表征短路与断路故障;U-I特性曲线二阶导数零点数表征局部阴影故障,并利用遗传模拟退火算法优化的模糊C均值聚类算法(the fuzzy C-means clustering algorithm optimized by the genetic simulated annealing algorithm,GSA-FCM)验证Um、Im表征不同程度局部阴影故障的有效性;并网电流总谐波畸变率表征雨天接地故障。引入萤火虫扰动的麻雀搜索算法(sparrow search algorithm with firefly perturbation,FSSA)优化传统极限学习机(extreme learning machine,ELM),建立FSSA-ELM模型,解决传统故障诊断方法实现复杂、收敛速度慢的问题。基于现场数据驱动,建立考虑对地寄生电容的光伏系统仿真模型和实验平台,设计2种不同辐照度范围的仿真方案和实验方案进行方法验证,结果表明,FSSA-ELM模型结合ELM实现简单且FSSA收敛速度快的特点,利用6维故障特征向量,可准确识别光伏阵列故障类型。

改进北方苍鹰算法在光伏阵列中应用研究

针对北方苍鹰优化算法(NGO)存在收敛精度低和易陷入局部最优等问题,提出一种改进北方苍鹰算法(INGO),并应用于光伏阵列故障诊断。首先,利用Circle映射、自适应权重因子和Levy飞行策略改进了北方苍鹰优化算法,结合高斯检测机制和混合核极限学习机(HKELM)搭建INGO-HKELM故障诊断模型。其次,将INGO算法与NGO、粒子群算法(PSO)、鲸鱼算法(WOA)在测试函数上进行比较,表明在寻优能力、稳定性等方面具有优越性。然后,分析不同运行状态下光伏阵列运行特征,提出一种5维故障特征向量,作为数据的输入。最后,将4种算法分别对HKELM的核参数进行优化并实现故障分类。结果表明,所提方法能够准确地检测出光伏组件发生的异常状态,INGO-HKELM模型准确率达到93.74%,验证了所提算法的有效性和可行性。