本文是一篇电气自动化论文，本文针对复杂气象变化下光伏电站输出功率预测难的问题，分析了总辐射、直接辐射、散辐射、环境温度、湿度、组件温度、风速、风向等因素对输出功率的影响，发现散辐射在下午对功率输出有很大影响等；同时为避免高维影响因素对模型预测效果的影响，利用回归分析进行降维处理；
第 1 章 背景
1.1 课题背景和研究意义
碳达峰、碳中和的目标下，《十四五规划和 2035 年远景目标纲要》提出要求构建现代能源体系，加快发展非化石能源，大力提升风电、光伏发电规模，其中太阳能凭借其取之不尽、分布广泛、建设成本低等优点被认为是目前最有前景的清洁电力能源之一。近年来，由于光伏发电技术的不断提高以及国家政策的激励，使得光伏系统的装机容量呈爆发式增长。图 1-1 为 2014 至 2020 年全球光伏电站装机容量的发展趋势。可以看出，截止到 2020 年，全球光伏装机容量已超过600GWP，预计 2023 年装机容量将超过 1.3TWP。
电气自动化论文参考
然而，光伏发电由于其波动性强、随机性大等特点，大规模并网势必会对电网系统造成严重冲击。在此背景下对光伏电站输出功率的高精度预测研究对新能源消纳意义重大,为电力系统经济和可靠运行提供保障[1-2]。特别是在目前装机容量在万千瓦级别的光伏电站占比例越来越大，结合天气原因和新能源发电特点，光伏电站特点波动性较大，对电力系统安全性和稳定性存在一定影响。一方面，特别是最近几年，多次出现并网的光伏电站从电力系统中脱离现象，造成能源巨大损失，威胁电力系统安全；另一方面，光伏电站输出功率的不确定性对电力系统并网带来巨大困难。为了保证电力系统安全可靠运行，因此对光伏电站输出功率准确预测至关重要。
..........................
1.2 光伏电站输出功率预测的研究现状
光伏发电受气象及环境因素不确定性影响，光伏电源的日功率曲线具有强波动特征，给光伏发电运行和调度带来极大的不便，对光伏发电功率的预测成为一项极其重要的工作。近年来人工智能理论的引入使得国内外学者在光伏功率预测技术方面取得了重要进展。目前，光伏功率预测的研究从时间尺度上可以分为超短期(未来 4h)、短期(未来 72 h)以及中长期(未来 168h)预测，其中短期功率预测是电力系统考核的重要指标之一[4]，其预测的精准度将直接影响电站当日的发电计划。因此，短期光伏功率的精准预测尤为重要[5]。
与此同时，现有研究中中短期预测往往结合数值大量的气象数据及气象预测结果，例如天气预报，而且主要采用物理方法进行预测，但在短期和超期预测中通常应用效果较差。相比之下。短期和超短期预测主要采用统计法和机器学习算法。例如统计法中的马尔科夫链模型、灰色理论、多元线性回归模型、贝叶斯模型[9-12]，机器学习中的神经网络[7]、支持向量机[8]等。
由于光伏功率预测需要对高维气象数据和功率数据进行特征提取和融合，神经网络、支持向量机等浅层机器学习算法预测的精准度往往较差，难以满足要求统计法中马尔科夫链同样如此。此外多元回归虽然简单便捷，但在外界随机因素的干扰下通常预测精确性低。目前，很多学者采用方法融合取长补短的方式进行预测。
王守相,张娜等人提出一种基于灰色理论和神经网络的组合模型[15]，首先对相似日来建立独立的灰色模型，结合样本日的温度数据搭建神经网络模型进行预测。张立影提出的预测方法是把小波分解和神经网络相结合[16]，通过对功率序列多尺度分解，然后针对各个频带的分量进行预测及重构实现功率预测。Cervone G 等人提出人工神经网络+模拟组合的预测方法[17]，通过生成气象和环境参数融合的预测模型，实现确定性和概率性预测。王彬筌等人将多层感知机（MLP）应用于光伏功率短期预测中[18]，取得了较为不错的结果，但训练中容易陷入局部最优的，训练误差增大。本文将考虑光伏功率预测影响因素之间的关联关系，引入深度学习模型实现光伏功率预测。
...........................
第 2 章 光伏电站系统模型构建
2.1 光伏组件数学模型
光伏发电的基本原理是光生伏打效应，其主要是太阳光照射在组件电池板上从而在 PN 结上产生电压偏置和光生电流。图 2-2 给出了光伏组件电池的工作原理。
电气自动化论文怎么写
由于光伏电池单元是光伏组件的最小组成单元，从内部机理层面，理想光伏电池单元的输出电流与光照强度成比例，但由于电池内部损耗问题，光伏电池模型略显复杂。已有学者对对光伏电池的建模做了很多工作，最经典的是单二极管模型和双二极管模型，三二极管模型。三种模型都假设 PV 模型输出电流 I 是由输出电压 U 计算得到的，每个模型都可以分别等效成单个电路。
........................
2.2 升压及逆变系统数学模型
由于光伏组件串并联后得到的输出电压为直流且幅值较低，无法直接送入电网，所以需要在光伏阵列后级加入升压及逆变系统，工程实际中通常集成在逆变器中实现。本文以双级非隔离型电路拓扑为例建立升压及逆变系统数学模型，主要通过前级 BOOST 变换器实现直流升压和 MPPT 控制，后级逆变环节则完成中间直流母线的稳压操控和并网逆变电流控制。相较单级式，该拓扑结构可通过器件优化实现前后级的解耦，使 MPPT 控制和并网逆变电流控制转化成为相互独立。
一般难以满足并网要求，因此光伏合电流损耗的影响，在辐照度低是效果明显，但由于求解参数较多，且单二极管模型中已经可以进行优化控制等分析，目前还是以到单二极管模型为主，本文的光伏电池单元模型采用单二极管模型。
光伏发电的间歇性和波动性在一定程度上影响了其并网及清洁能源消纳，其中功率预测是解决这一难题的技术手段之一。因此，本文前文研究基础上开展考虑多因素影响下的光伏电站输出功率研究，在开展出力影响因素分析的基础上，建立基于循环卷积神经网络的光伏电站输出功率预测模型，并结合实例数据进行模型验证。
考虑到光伏电站输出功率的间歇性和波动性与气象环境多方面因素有关，本文选用对电站输出功率影响较大的总辐照度（直辐射、散辐射）、环境温度、环境湿度、地面气压、环境风向、组件温度、环境风速等因素，并以甘肃临泽某光伏电站实测气象因素和输出功率为例，开展光伏电站输出功率影响因素分析。
...............................
第 3 章 基于循环卷积神经网络的光伏电站输出功率预测研究........................... 20
3.1 光伏电站输出功率影响因素分析..................................20
3.1.1 辐照度对输出功率的影响分析............................ 21
3.1.2 温度对输出功率的影响分析....................................22
第 4 章 基于 LightGBM 的光伏组件故障诊断研究............................. 33
4.1 光伏组件典型故障分析.............................. 33
4.2 光伏组件故障电气特征研究.................................34
4.3 基于 LightGBM 的光伏组件故障诊断研究......................38
第 5 章 总结与展望..........................................43
5.1 本文总结...................................... 43
5.2 工作展望.................................... 43
第 4 章 基于 LightGBM 的光伏组件故障诊断研究
4.1 光伏组件典型故障分析
（1）积灰故障分析
光伏组件的积灰是指积聚在组件表面的灰尘，灰尘的来源包括大气沉降、工业生产、汽车尾气、焚烧烟尘等，主要光伏所处地区具体情况相关。由于光伏组件表面的积灰会影响光伏组件表面的辐照度和温度。辐照度方面，光伏组件表面钢化玻璃上的积灰，影响光伏组件对光子的吸收，而且还减小了组件接收太阳辐射的有效面积，同时，积灰还会影响光伏组件表面玻璃中入射光线均匀性发生变化，发生折射和反射；温度方面，由于光伏电站广泛使用的硅基光伏组件对温度比较敏感，积灰在增加光伏组件传热热阻的同时影响散热。严重情况下，光伏组件会被烧坏并形成暗斑。
（2）局部阴影
光伏电站本质上是基于光生伏打效应将太阳能转化为电能。然后实际中光伏电站可能会由于周围树木、建筑、电线杆、树叶等物体遮挡，严重影响被遮挡组件局部的辐照度，使得，当光伏阵列受到局部阴影遮挡时将会使得光伏阵列中的组件所接受辐照度不均匀，在光伏组件内形成串联失配和并联失配。其中，热斑效应最初就是由于局部阴影引发的，由于遮挡部分温度高且耗能，热量无法散去最终损坏组件。基于此本文搭建了光伏组件局部阴影故障仿真模型，并得到了局部阴影下的电流电压曲线和功率电压曲线。
（3）电池老化
电池老化为造成光伏组件性能下降，但由于恶劣环境下光伏阵列长时间的载负荷运行会使电池内部发生氧化，从而产生光伏电池老化现象，老化现象不但会引起光伏组件输出功率的降低，而且持续的使用老化电池组件会迅速加快其它光伏电池的损坏。此外，紫外线的照射还会导致光伏封装材料性能退化的重要原因，除去正常老化，光伏组件可能会因为外部和内部的因素，造成异常老化。
..........................
第 5 章 总结与展望
5.1 本文总结
考虑到光伏电站输出功率预测和组件故障诊断对于光伏电站运维及清洁能源消纳意义重大。本文基于模型建立+特性分析+实验验证等技术手段开展了相关关键技术研究工作，主要工作总结如下：
（1）简要介绍光伏发电系统组成的基础上，详细论述光伏组件发电的基本原理和电池单二极管、双二极管、三极管模型；其次对 Boost 升压电路、逆变器电路及滤波电路参数进行设计及模型分析。最后对光伏电站最大功率跟踪原理、逆变器双闭环控制方法进行了论述和建模，建立了基于 Simulink 的光伏发电系统数学模型，为后文的研究奠定了基础。
（2）针对复杂气象变化下光伏电站输出功率预测难的问题，分析了总辐射、直接辐射、散辐射、环境温度、湿度、组件温度、风速、风向等因素对输出功率的影响，发现散辐射在下午对功率输出有很大影响等；同时为避免高维影响因素对模型预测效果的影响，利用回归分析进行降维处理；在此基础上分别利用线性插值法和箱线法对气象数据和输出功率数据进行预处理，并建立了基于循环卷积神经网络的光伏电站输出功率预测模型。结合实例数据验证表明，所构建的功率预测模型可以较为精准的预测输出功率。
（3）针对恶劣环境下光伏电站组件故障频发，论述了光伏组件典型的积灰、局部阴影、老化故障基本特性，同时建立了基于 Matlab/Simulink 三种典型故障仿真模型，分析了故障下组件 I-V 和 P-V 曲线及短路电流、开路电压、输出功率、组件温度等，获取了多种典型故障下的电气特征，提出了基于 LightGBM 的光伏组件故障诊断算法，并结合仿真结果验证了光伏组件故障诊断研究的可行性，对光伏系统的稳定运行具有一定的工程应用价值。
参考文献（略）