【基于機(jī)器學(xué)習(xí)的分布式光伏陣列故障診斷開題報告文獻(xiàn)綜述3000字】

論文題目基于機(jī)器學(xué)習(xí)的分布式光伏陣列故障診斷一、選題背景和意義：能源在人類經(jīng)濟(jì)社會和文明發(fā)展中起著重要的作用，是人類生活、生產(chǎn)活動最基本的能量來源。按照產(chǎn)生時間與周期進(jìn)行分類，能源主要可分為兩種，一種是能夠不斷得到補(bǔ)充或能在短時間內(nèi)形成的可再生能源，另一種是在經(jīng)過人類開發(fā)利用之后短時間內(nèi)無法補(bǔ)充或形成的不可再生能源。可再生能源主要有風(fēng)能、太陽能、水能以及生物質(zhì)能等，不可再生能源有礦石資源、石油等。隨著光伏產(chǎn)業(yè)規(guī)模的不斷擴(kuò)大，大規(guī)模光伏電站中的故障檢測問題逐漸成為國內(nèi)外眾多專家學(xué)者研究的熱門問題。光伏發(fā)電系統(tǒng)的主要組成部分包括光伏陣列、控制器、逆變器等，由于太陽能光伏發(fā)電站大多數(shù)都是建立在戈壁、沙漠和山區(qū)等人流密度很小的地區(qū)，且光伏組件上的灰塵和陰影遮擋等均會對光伏陣列運(yùn)行產(chǎn)生較大的影響，如果不能快速對故障進(jìn)行排除，就會影響整個光伏系統(tǒng)的發(fā)電效率，甚至還會引起火災(zāi)。因此，對光伏陣列進(jìn)行準(zhǔn)確的故障診斷，迅速地對故障組件進(jìn)行定位和故障排除對整個光伏發(fā)電系統(tǒng)具有重要意義，有助于整個光伏發(fā)電系統(tǒng)的安全和可靠運(yùn)行，有利于緩解當(dāng)今社會的能源需求緊迫感，能夠促進(jìn)光伏產(chǎn)業(yè)的發(fā)展，實現(xiàn)經(jīng)濟(jì)社會的可持續(xù)發(fā)展。二、課題關(guān)鍵問題及難點：（1）研究、分析了光伏電池發(fā)電原理，利用MATLAB/Simulink建立了光伏電池模型，并進(jìn)一步搭建分布式光伏陣列模型，分析了分布式光伏陣列常出現(xiàn)的四種故障類型以及故障出現(xiàn)原因，對幾種主要的光伏發(fā)電系統(tǒng)進(jìn)行了分析。（2）通過建立的分布式光伏陣列模型，模擬開路、短路、局部陰影及異常老化四種故障狀態(tài)，獲取故障狀態(tài)下分布式光伏陣列的輸出特性，與正常狀態(tài)下的輸出特性進(jìn)行對比，進(jìn)而確定分布式光伏陣列故障診斷模型的輸入變量。（3）通過自組織映射神經(jīng)網(wǎng)絡(luò)建立分布式光伏陣列故障診斷模型，將仿真獲得的分布式光伏陣列故障數(shù)據(jù)輸入到自組織映射神經(jīng)網(wǎng)絡(luò)中進(jìn)行診斷，進(jìn)而檢測出開路、短路、局部陰影及異常老化四種故障狀態(tài)。注：開題報告可單獨裝訂，但在院（系）范圍內(nèi)，封面和裝訂格式必須統(tǒng)一。三、文獻(xiàn)綜述（或調(diào)研報告）：目前，光伏陣列故障診斷的方法主要可分為傳統(tǒng)故障診斷方法、數(shù)學(xué)模型算法以及智能故障檢測法三大類，其中，傳統(tǒng)的診斷方法主要包括在線診斷和離線診斷兩種，離線故障診斷方法主要包括時域反射分析法和對地電容分析法兩種，在線診斷方法主要包括多傳感器法和紅外圖像檢測法等。車曦利用光伏陣列發(fā)生故障時熱性能的變化，通過熱成像儀檢測來診斷故障。光伏組件在不同的工作狀態(tài)下會存在溫度的明顯差異，因此能夠利用熱成像技術(shù)對光伏組件熱斑故障進(jìn)行定位。該文獻(xiàn)首先對成像系統(tǒng)獲取的光伏陣列原始圖像信息通過YCbCr模型進(jìn)行預(yù)處理，提取圖片中的亮度信息以及偏移量信息并減少冗余信息，將其歸一化后作為輸入數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)對提取的圖像進(jìn)行故障識別，但該方法成本高且用時長。劉子蘭,姚健.首先對采集到的圖像進(jìn)行邊緣檢測、標(biāo)準(zhǔn)化以及噪聲處理，提出了一種基于光伏陣列區(qū)域局部灰度特征的高精度分割算法實現(xiàn)對光伏陣列的有效分割。然后提取圖像的相對特征，建立基于支持向量機(jī)的熱斑故障檢測模型，實現(xiàn)對熱斑故障的診斷定位。但兩種方法都僅僅實現(xiàn)的是對熱斑故障的診斷，而對開路及異常老化等發(fā)熱不明顯的故障較難識別，且實時性較差，不具備快速檢測和診斷能力。陳文勤利用時域反射及對地電容監(jiān)測進(jìn)行故障檢測。時域反射法是將一個附加信號傳送到傳輸線中，然后通過一個信號分析器將輸入信號與反饋信號進(jìn)行對比來判斷是否發(fā)生故障。對地電容監(jiān)測方法在不受輻照變化影響的情況下，通過監(jiān)測對地電容值的變化來判斷光伏組件是否有故障發(fā)生，并對光伏陣列故障位置進(jìn)行定位，但這兩種方法都必須是在光伏系統(tǒng)停運(yùn)狀態(tài)下才能使用，實時性較差。程澤、李兵峰采用多傳感器來檢測故障，通過對傳感器連接方式進(jìn)行改進(jìn)，減少傳感器的使用數(shù)量，減小使用成本。李兵峰等提出一種新的CTCT結(jié)構(gòu)光伏陣列的連接方式，通過安裝一定數(shù)量的電流傳感器，依次檢測每層電流傳感器電流值的大小，然后與設(shè)定值相比較，進(jìn)而確定故障光伏組件的位置。胡義華、陳昊等提出了一種基于電壓傳感器涵蓋所有權(quán)值節(jié)點的電壓傳感器放置方法，利用較少數(shù)量的傳感器實現(xiàn)光伏陣列故障的診斷。唐萁、朱永強(qiáng)等提出一種電壓傳感器和單刀多擲開關(guān)配合使用的光伏組件故障定位方法，該方法一定程度上減少了電壓傳感器的使用數(shù)量，并且具有可擴(kuò)展性。這些方法都是通過改變光伏陣列結(jié)構(gòu)或者電壓傳感器的布置方式來實現(xiàn)故障診斷，實現(xiàn)過程較為復(fù)雜。沈桂鵬、楊店飛等提出一種使用自適應(yīng)權(quán)重粒子群來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷方法，利用自適應(yīng)粒子群算法優(yōu)良的全集搜索能力，改善神經(jīng)網(wǎng)絡(luò)易陷入局部極小值以及收斂時間長等缺陷。由于BP神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)樣本來進(jìn)行訓(xùn)練，因此在難以采集大量故障數(shù)據(jù)的情況下診斷效果較差。馬紀(jì)梅、張志耀等采用人工智能優(yōu)化方法來優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)來實現(xiàn)光伏陣列故障診斷，利用人工智能優(yōu)化算法來優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的中心、函數(shù)寬度以及權(quán)值，提高故障診斷的正確率。但在訓(xùn)練較大規(guī)模樣本時，RBF神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)多于BP神經(jīng)網(wǎng)絡(luò)，大大增加了RBF神經(jīng)網(wǎng)絡(luò)的復(fù)雜度。畢銳、丁明等利用模糊C均值聚類及隸屬度（FCM）算法，對不同故障類型的特征值進(jìn)行聚類分析，獲得故障特征量與故障類型之間的映射關(guān)系，通過計算待診斷樣本與各故障模式間的隸屬度大小，實現(xiàn)故障診斷。該方法首先以開路電壓、短路電流以及最大功率點處電壓及電流作為特征參數(shù)來確定故障分類數(shù)量，然后利用算法將故障樣本數(shù)據(jù)聚類，確定聚類中心并通過隸屬度函數(shù)計算每個特征分量的隸屬度，最后根據(jù)隸屬度大小來確定故障類型。李元良、丁坤等采用快速過采樣主成分分析算法對光伏陣列進(jìn)行故障檢測。該方法通過測量光伏陣列每個組件串的電流值，利用快速過采樣主成分分析法來計算每個光伏組件串的異常度，進(jìn)而診斷出故障組件串；并對光伏陣列模型進(jìn)行優(yōu)化，通過采集陣列正常工作條件下環(huán)境溫度、輻值以及輸出電壓和電流等數(shù)據(jù)來計算實測數(shù)據(jù)和常規(guī)模型輸出之間的誤差，根據(jù)誤差分布利用多項式函數(shù)對電壓電流誤差和溫度及輻值的關(guān)系進(jìn)行擬合，對模型輸出的電氣值進(jìn)行誤差補(bǔ)償，得到優(yōu)化模型。通過分析故障發(fā)生時光伏陣列的工作狀態(tài)來識別故障類型。但這種診斷方法只適用于有多個光伏組件串的光伏陣列，而對于單個光伏組件串則失去檢測能力。四、方案（設(shè)計方案、或研究方案、研制方案）論證：（1）光伏電池及分布式光伏陣列模型的建立。本文首先對光伏電池的發(fā)電原理及數(shù)學(xué)模型進(jìn)行了研究和分析，在MATLAB/Simulink中建立光伏電池仿真模型并進(jìn)一步構(gòu)建分布式光伏陣列模型，對光伏電池的輸出特性進(jìn)行了分析。（2）模擬分布式光伏陣列故障狀態(tài)并獲取故障數(shù)據(jù)。分析了分布式光伏陣列經(jīng)常出現(xiàn)的四種故障類型以及出現(xiàn)的原因，然后通過建立的分布式光伏陣列模型，對開路、短路、局部陰影及異常老化四種故障狀態(tài)進(jìn)行模擬，獲取故障狀態(tài)下分布式光伏陣列的輸出特性，并采集故障數(shù)據(jù)，通過與正常狀態(tài)下的輸出特性進(jìn)行對比，確定每種故障所對應(yīng)的變化參數(shù)，進(jìn)而確定分布式光伏陣列故障診斷模型的輸入變量。（3）分布式光伏陣列故障診斷研究。以SP結(jié)構(gòu)分布式光伏陣列為研究對象，通過自組織映射神經(jīng)網(wǎng)絡(luò)