基于深度学习的光伏逆变器故障诊断方法研究.docx

基于深度学习的光伏逆变器故障诊断方法研究

摘要

在可再生低碳能源领域，太阳能被认为是最大的、取之不尽用之不竭的能源。太阳能电池组件将太阳能转化为电力输出，通过直流母线将其输送至DC配电柜，再通过逆变器反向变换为AC，最终接入到能源网络。

通过建立光伏发电模拟系统，以降低传感器数目为出发点，选取直流侧电流为检测对象，采集直流侧电流信号，建立了相应的故障数据集。为了更加符合实际工作情况，在故障数据中加入了不同的信噪比噪声。在电力系统的故障诊断中，传统的故障诊断技术难以适应复杂、智能化的电网设备。基于数据驱动的深度学习方法具有很好的自适应能力和较高的检测准确率，因此具有很好的应用前景。基于EMD-CNN的故障诊断技术可以通过EMD技术来消除冗余信息，从而增强特征的多样性。该方法利用先进的特征学习时间相关信息，以提高其分类正确率。采用多标记技术，能够准确地确定IGBT的开路故障，从而大大缩短了故障诊断的时间。

关键词：光伏逆变器；故障诊断；深度学习

目录

TOC\o1-3\h\z\u第一章绪论 1

1.1研究背景 1

1.2研究意义 1

1.3研究现状 1

1.3.1故障诊断技术介绍 1

1.3.2光伏逆变器的故障诊断研究现状 2

第二章光伏逆变器的基本介绍及仿真 3

2.1光伏发电系统的基本结构 3

2.2最大功率点跟踪和电压电流双闭环控制 3

2.3仿真模型的稳定性和可行性分析 4

2.4光伏逆变器的IGBT故障 6

第三章基于EMD-CNN的光伏逆变器故障诊断 8

3.1经验模式分解原理 8

3.2卷积神经网络 9

3.2.1卷积神经网络的卷积层 9

3.2.2卷积神经网络的池化层 10

3.3基于EMD-CNN故障诊断的结果及分析 10

3.4本章小结 13

第四章CNN融合LSTM的光伏逆变器故障诊断 14

4.1长短时记忆神经网络 14

4.1.1LSTM的基本介绍 14

4.1.2LSTM的结构 15

4.1.3LSTM神经网络的训练 15

4.2CNN-LSTM故障诊断模型 16

4.2.1CNN-LSTM模型的结构 16

4.2.2模型的训练方法 17

4.3基于CNN-LSTM故障诊断的性能评估 19

4.4本章小结 22

第五章光伏逆变器的多标签故障诊断 23

5.1多标签分类 23

5.1.1多标签分类简介 23

5.1.2基于多标签的故障定位 24

5.2CNN-LSTM的多标签故障诊断模型 26

5.2.1模型结构 26

5.2.2模型训练和参数设置 27

5.3实验结果及分析 28

5.4本章小结 28

第六章结论 30

参考文献 31

致谢 32

绪论

研究背景

近年来，由于不可再生能源如煤炭、石油、天然气等的不断增加，发展和扩大可再生能源的研发与应用已成为各国应对气候变化的迫切需要。根据这项调查，每天太阳所释放的能量约为2.5亿桶原油。如果利用辐射能替代常规能源，对我国的经济发展和生态环境都是一件好事。太阳能是一种将太阳能转换成电能的新技术，它的应用范围远远超过传统的燃煤发电，同时也是一种新的能源技术，如风电、核电等。

研究意义

太阳能是世界各国普遍采用的一种新能源。光伏电站作为太阳能发电的一个重要组成部分，它能够稳定、持续、高效地发电，这是所有用户和光伏企业都希望的，然而，由于这些设备大多安装在地势较高，人口较少的地区，由于各种环境的原因，各种原因的存在，导致了各种原因的出现，从而降低了发电的效率，所以，对其进行定期的维修和故障诊断，就变得非常的重要。目前，太阳能发电厂的维护主要有两种：一种是由专业人员对其进行定期的维护与检修；一种智能机器人，比如无人机，负责巡视和维修，但是因为距离太远，所以智能机器人的耐久度是一个很大的限制[1]。近年来，随着深度学习技术的迅速发展，在电力系统中采用了以数据为基础的分析方法。这种方法能够对各种故障进行快速、精确的诊断。因此，本文提出了一种利用数据进行故障诊断的新方法，对光伏发电的设备损失、减少投资、保护等具有重要的作用。

研究现状

故障诊断技术介绍

故障诊断技术起源于19世纪后期，它的主要作用是对设备故障进行分析，并推断出故障的部位和类型，早期的故障诊断技术主要依靠维修人员和专家的经验，通过仪器的测量和经验来判断，从而解决问题。然而，随着科技的进步，自动化设备的智能化水平也在逐步提升，这种方式已不适合于处理大量的数据。目前