5个研究背景和意义示例,教你写计算机光伏阵列论文

今天分享的是关于光伏阵列的5篇计算机毕业论文范文, 如果你的论文涉及到光伏阵列等主题,本文能够帮助到你

面向光伏阵列监测的可视化系统研究与实现

这是一篇关于光伏阵列,可视化,MVC,SSA,参数辨识的论文, 主要内容为在光伏发电系统中,光伏阵列会生成大量数据,这些数据中包含该光伏阵列的运行状态信息,为了能够合理有效地利用这些数据,设计并实现一个光伏阵列监测可视化系统对这些数据进行展示。使用该可视化系统,一方面有利于光伏电站运维人员对光伏阵列的运行状态进行监测,另一方面,便于系统管理员对工作人员进行管理。通过应用光伏阵列监测可视化系统,可以降低人工成本,减少工作人员管理中的漏洞,保证光伏系统的稳定运行。本文的主要工作如下:(1)设计一个满足光伏阵列运维需求的可视化监测系统。首先,该系统在开发框架上选择B/S架构,方便后期的部署。其次,为了降低系统的耦合性,在开发中使用模型/视图/控制器(Model/View/Controller,MVC)设计模式,实现系统的分模块开发。最后,选择JSP开发技术作为主体语言,使系统具有更好的跨平台能力。(2)在开发中通过Mybatis组件对数据库与其他组件进行配置,从而简化了代码,方便后期修改维护。当可视化界面刷新数据时,为减小客户机与服务器之间的传输数据量,采用Ajax技术实现异步传输,仅对局部界面进行更新,从而降低了服务器的运行压力。在日志模块,使用Logback组件进行开发,在简化开发过程的同时,也优化了日志模块的性能。(3)使用麻雀搜索算法(Sparrow search algorithm,SSA)对光伏阵列的参数进行辨识,之后将辨识出的参数代入拟合函数,从而拟合出光伏阵列的特性曲线。为了避免SSA算法后期出现种群多样性减少的问题,向SSA算法中加入反向学习策略,增加了算法后期的种群多样性。经实验证明:(1)在对光伏阵列的特性曲线拟合部分进行测试时,SSA算法的参数辨识精度与迭代速度均优于作为对照的三种算法。(2)用户能够在PC端浏览器上访问该可视化系统,并且该系统在使用过程中呈现出较好的交互能力。

基于极限学习机的光伏阵列在线健康监测系统

这是一篇关于光伏阵列,健康监测,故障诊断,Flask,KELM的论文, 主要内容为随着环境污染与能源短缺问题日渐凸显,太阳能作为一种可以持续利用且取之不尽的清洁能源受到世界各国的日益重视。光伏电站大多是建设在地理位置偏远且现场环境恶劣的地区,容易出现各种异常或故障,导致发电效率降低、存在安全隐患等问题。对地域上广泛分散的光伏系统进行人工检修不仅需要消耗大量的人力物力,而且效率低、维护效果一般。针对这些问题,在现有的光伏阵列健康监测与故障诊断研究的基础上,本文提出了一种基于极限学习机的光伏阵列在线健康监测系统,以便提高光伏阵列运维效率。该系统主要由数据采集系统,故障诊断和远程监测服务器三个部分组成。数据采集系统由开源硬件Raspberry Pi 3与传感采集电路构成。传感采集电路包含电源模块、采集模块和模数转换模块。采集模块使用霍尔电压传感器与霍尔电流传感器获取光伏阵列工作时的电压电流等参数,然后输出到数模转换模块;模数转换模块主要采用具有8个输入通道的MCP3008 ADC芯片实现;Raspberry Pi 3通过控制MCP3008采集传感数据,并在本地缓存、生成数据文件,然后通过File Zilla服务器把数据文件发送到远程监测服务器端。故障诊断算法采用基于贝叶斯分类器与核函数极限学习机(Kernel based Extreme Learning Machine,KELM)的高效混合机器学习算法,选取各组串电流、阵列电压、参考板电流与参考板电压共同构成故障特征向量。贝叶斯二值分类器用于快速检测光伏阵列是否存在故障,而核函数极限学习机用于对短路、开路、阴影、老化等常见故障工况进行精确分类诊断。远程监测服务器采用B/S架构,基于Python的Flask框架进行Web的开发,把数据采集系统采集到的光伏组件各参数进行存储分析与数据可视化。在服务器上自主设计了一套基于Python的信息管理平台,方便值班人员记录故障信息并及时排除故障。基于实验室小型光伏并网发电平台及MATLAB/Simulink仿真模型,对所设计的光伏阵列健康监测系统进行测试和验证。通过搭建与实际光伏阵列相同的仿真模型,模拟光伏阵列在工作时可能出现的故障并获取仿真数据。通过在仿真和实验平台上的故障模拟,获取仿真与实测故障数据集,进而对故障诊断模型进行双重验证。实验结果表明:故障诊断算法能对常见故障进行精确可靠地诊断,平均准确率可达98.05%;所研发的远程监测系统能够实时采集光伏组件及阵列的工作参数并进行实时故障诊断,使得维护人员能够通过浏览器实时查看光伏阵列的运行工况,当存在异常工况时能够及时做出准确的运维决策。本文的工作对光伏阵列在线监测和故障诊断研究具有一定的参考价值。

基于数据驱动的光伏阵列故障诊断研究与开发

这是一篇关于光伏阵列,故障仿真,故障诊断,残差神经网络,滑动窗口的论文, 主要内容为低碳发展成为资源和环境协调发展的重要举措,新能源发电已经成为一些发达国家的主要电力来源。随着使用年限的增加,光伏阵列发生故障的概率有增加的趋势。光伏阵列的故障类型多,各种故障会不同程度地导致发电量的降低,使光伏电站的效率受到较大影响。故障如果不能被及时处置,可能加快光伏阵列的老化并降低其寿命,甚至可能导致严重的安全事故。本文提出了基于滑动窗口的ResNet故障诊断算法,设计了故障诊断模型并验证了其有效性与优越性,进行了以下研究:(1)分析了几类光伏阵列故障诊断方法,确定了本文以辐照度、温度、光伏阵列输出电流和电压为主要特征的故障诊断方向。然后搭建了光伏阵列仿真模型,研究了不同辐照度和温度对光伏阵列输出特性的影响。(2)基于扰动观察法实现了光伏阵列最大功率点跟踪,以此为基础,利用仿真模型重点分析了热斑现象的成因以及旁路二极管的作用,分析了光伏阵列在各种故障情况下的输出特征,以及程度不同的故障对阵列输出的影响。根据归纳的故障仿真结果,对光伏阵列实测数据集进行了清洗。(3)针对光伏阵列故障诊断问题,创新性地提出基于滑动窗口的ResNet分类算法。将光伏阵列运行数据用归一化、独热码化和滑动窗口等方式进行预处理,建立分类模型对故障进行识别与分类。为证明本算法的优越性,基于其他智能算法构建了分类模型作为横向对比,使用多种评估指标进行对比分析。针对模型参数过多不利于模型快速训练和故障诊断接口快速响应的问题,对模型进行了优化,在减小模型深度的同时不劣化模型的分类效果。针对未建有完备故障数据集的光伏电站,提出了基于仿真数据的迁移学习方法并进行了验证与分析。(4)最后基于WebSocket技术实现了一个光伏阵列故障检测平台,该平台基于vue.js和ECharts等框架,采用前后端分离模式开发,易于拓展与维护。将故障诊断模型实现为网络接口,实现了对光伏阵列的实时监测,使本文的研究在软件层次上形成了完整的系统。