本文選題：微網(wǎng) + 多逆變器并聯(lián)　； 參考：《南昌大學(xué)》2017年碩士論文

【摘要】：微網(wǎng)是目前分布式發(fā)電發(fā)展的自然延伸,也是分布式發(fā)電最新最有效的應(yīng)用形式。隨著微網(wǎng)的大量應(yīng)用,人們對微網(wǎng)系統(tǒng)的可維護(hù)性提出了很高的要求。在微網(wǎng)中,逆變器故障的問題是越來越突出,而因其故障帶來的危害和影響卻是巨大的,因此研究微網(wǎng)環(huán)境下的逆變器故障檢測與診斷意義重大。論文在深入研究分析近幾年最常見的逆變器的故障特征提取與診斷算法的基礎(chǔ)上,詳細(xì)分析了單臺逆變器和微網(wǎng)系統(tǒng)中的逆變器斷路的故障特點及其故障表現(xiàn),提出了微網(wǎng)平臺下的故障診斷機(jī)制;在此基礎(chǔ)上,應(yīng)用小波變換和稀疏編碼算法在故障特征提取環(huán)節(jié)中,最后基于BP神經(jīng)網(wǎng)絡(luò)分類器完成對微網(wǎng)系統(tǒng)中逆變器斷路故障的診斷。論文首先從微網(wǎng)系統(tǒng)的結(jié)構(gòu)及工作原理入手,在MATLAB/Simulink下搭建了微網(wǎng)系統(tǒng)的仿真模型,并驗證了平臺的正確性,為后續(xù)的故障分析及診斷工作奠定了基礎(chǔ)。接著在對微網(wǎng)多逆變器并聯(lián)系統(tǒng)下的逆變器故障分析之前,對單逆變器的故障特點及表現(xiàn)進(jìn)行分析并給出了典型故障的仿真波形,得出故障表現(xiàn)與故障類型和故障發(fā)生的時間有關(guān)系;據(jù)此對微網(wǎng)下的逆變器進(jìn)一步分析,得出在微網(wǎng)系統(tǒng)某逆變器故障時各逆變器模塊在微網(wǎng)并網(wǎng)模式下的獨立性及離網(wǎng)模式下的相關(guān)性,說明了故障診斷的復(fù)雜性。所以本文提出微網(wǎng)中每臺逆變器應(yīng)具備故障自檢的機(jī)制,并且這種機(jī)制應(yīng)該是一種可以兼容兩種模式并具備排他故障能力故障診斷機(jī)制。為獲取故障表現(xiàn)的本質(zhì)特征,需要采用故障特征提取算法,本文分別采用了小波變換和稀疏編碼算法對微網(wǎng)下的逆變器故障進(jìn)行特征提取,得到各自的特征向量,從而獲得各自的總樣本集。然后分別使用相同編號組成的訓(xùn)練樣本集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),得到2個訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)分類器,并用剩下相同編號組成的測試樣本集進(jìn)行故障診斷,結(jié)果表明,基于這兩種算法診斷結(jié)果都具有較高的準(zhǔn)確率,驗證了故障診斷機(jī)制的可行性和正確性;而稀疏編碼得到的故障特征向量卻表現(xiàn)出更加高的區(qū)分度,診斷結(jié)果的準(zhǔn)確率也更高,表明在微網(wǎng)下的逆變器故障診斷中,稀疏編碼算法更加具有合理性和可取性。
[Abstract]:Micro network is the natural extension of the development of distributed generation and the latest and most effective application form of distributed generation. With the application of the micronetwork, the maintainability of the micronetwork system is very high. In the micro network, the problem of the inverter fault is becoming more and more prominent, but the harm and influence caused by its failure are huge. Therefore, it is of great significance to study the fault detection and diagnosis of the inverters in the micronetwork environment. Based on the in-depth study and analysis of the most common fault feature extraction and diagnosis algorithms of the inverters in recent years, the fault characteristics and fault manifestations of the inverter in the single inverter and Microgrid are analyzed in detail. The fault diagnosis mechanism under the network platform; on this basis, the wavelet transform and the sparse coding algorithm are used in the fault feature extraction. Finally, based on the BP neural network classifier, the fault diagnosis of the inverter in the micro network system is completed. First, the paper starts with the structure and working principle of the micronetwork system, and builds it under the MATLAB/Simulink. The simulation model of the microgrid system is used to verify the correctness of the platform, which lays the foundation for the subsequent fault analysis and diagnosis. Then, the fault characteristics and performance of the single inverter are analyzed and the typical fault simulation waveform is given before the fault analysis of the inverter parallel system. The fault performance is obtained. It is related to the type of fault and the time of the fault. According to the further analysis of the inverters under the micro network, the independence of the inverter modules in the microgrid connection mode and the correlation in the off network mode are obtained when some inverters in the micronet system fail, and the complexity of the fault diagnosis is explained. So this paper proposes each inverter in the micronet. There should be a mechanism for self inspection of fault, and this mechanism should be a fault diagnosis mechanism that can be compatible with two modes and has the ability of troubleshooting. In order to obtain the essential features of the fault performance, the fault feature extraction algorithm should be adopted. The wavelet transform and sparse coding algorithm are used to carry out the inverter fault in the micronetwork respectively. The feature vectors are extracted and the respective feature vectors are obtained, and then the total sample sets are obtained. Then the training samples set up with the same number are used to train the BP neural network, and 2 trained BP neural network classifiers are obtained, and the test samples set up with the same number are used to diagnose the fault. The results show that the two algorithms are based on these algorithms. The diagnosis results all have high accuracy, which verifies the feasibility and correctness of the fault diagnosis mechanism, while the fault feature vector obtained by sparse coding shows a higher degree of segmentation and the accuracy of the diagnosis results is higher. It shows that the sparse coding algorithm is more reasonable and advisable in the fault diagnosis of the inverters under the micronet.
【學(xué)位授予單位】：南昌大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TM464

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 謝敏;吉祥;柯少佳;劉明波;;基于目標(biāo)級聯(lián)分析法的多微網(wǎng)主動配電系統(tǒng)自治優(yōu)化經(jīng)濟(jì)調(diào)度[J];中國電機(jī)工程學(xué)報;2017年17期

2 萬曉鳳;胡海林;余運(yùn)俊;康利平;;基于獨立量分析的NPC光伏逆變器故障診斷[J];電子測量與儀器學(xué)報;2016年12期

3 萬曉鳳;劉琦;杜利平;胡偉;羅旋;;光伏并網(wǎng)系統(tǒng)二電平逆變器的故障診斷[J];電測與儀表;2016年10期

4 樊京路;易韻嵐;;基于小波分析的光伏并網(wǎng)逆變器故障診斷[J];大功率變流技術(shù);2014年05期

5 王逸超;羅安;金國彬;馬伏軍;;大連線阻抗環(huán)境下的微網(wǎng)逆變器并聯(lián)運(yùn)行策略[J];中國電機(jī)工程學(xué)報;2015年04期

6 苗中華;周廣興;劉海寧;劉成良;;基于稀疏編碼的振動信號特征提取算法與實驗研究[J];振動與沖擊;2014年15期

7 王成山;武震;李鵬;;微電網(wǎng)關(guān)鍵技術(shù)研究[J];電工技術(shù)學(xué)報;2014年02期

8 卞玉濤;李志華;;基于專家系統(tǒng)的故障診斷方法的研究與改進(jìn)[J];電子設(shè)計工程;2013年16期

9 王元章;吳春華;周笛青;付立;李智華;;基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷研究[J];電力系統(tǒng)保護(hù)與控制;2013年16期

10 楊素琴;韓念杭;羅念華;;分布式發(fā)電系統(tǒng)并網(wǎng)影響研究綜述[J];自動化與儀器儀表;2012年01期

相關(guān)會議論文 前1條

1 王立濤;田衛(wèi)華;鄭百祥;;含多種分布式電源的微電網(wǎng)控制系統(tǒng)研究[A];2013電力行業(yè)信息化年會論文集[C];2013年

相關(guān)博士學(xué)位論文 前7條

1 蘇小玲;微電網(wǎng)穩(wěn)定運(yùn)行分析與控制[D];華北電力大學(xué)(北京);2016年

2 楊剛;微網(wǎng)綜合控制關(guān)鍵技術(shù)研究及應(yīng)用[D];華北電力大學(xué)(北京);2016年

3 周天沛;微網(wǎng)中的分布式電源和儲能資源的優(yōu)化運(yùn)行與管理研究[D];中國礦業(yè)大學(xué);2015年

4 施永;微網(wǎng)系統(tǒng)逆變及組網(wǎng)關(guān)鍵技術(shù)研究[D];合肥工業(yè)大學(xué);2015年

5 陳燕東;微電網(wǎng)多逆變器控制關(guān)鍵技術(shù)研究[D];湖南大學(xué);2014年

6 劉且根;基于增廣拉格朗日的字典學(xué)習(xí)算法及其在醫(yī)學(xué)成像和圖像處理中的應(yīng)用[D];上海交通大學(xué);2012年

7 廖靈芝;稀疏編碼算法中的自適應(yīng)問題研究[D];北京交通大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 胡超;光伏逆變器故障診斷方法研究[D];安徽理工大學(xué);2015年

2 康利平;光伏三電平逆變器的故障建模及其診斷方法研究[D];南昌大學(xué);2015年

3 張燕飛;光伏微電網(wǎng)系統(tǒng)控制器的研究[D];南昌大學(xué);2014年

4 王一江;雙模式微電網(wǎng)逆變器控制策略研究[D];北京交通大學(xué);2014年

5 易偉;光伏電站設(shè)備故障檢測與診斷方法研究[D];電子科技大學(xué);2013年

6 唐宗堯;微網(wǎng)對等控制及其運(yùn)行特性研究[D];南京理工大學(xué);2013年

7 張蕓蕓;基于緊致型小波神經(jīng)網(wǎng)絡(luò)的六脈波變頻器故障診斷研究[D];河南理工大學(xué);2011年

8 張純;微網(wǎng)雙模式運(yùn)行的控制策略研究[D];重慶大學(xué);2011年

9 李鑫;基于小波變換的TWERD變頻器故障診斷研究[D];哈爾濱工業(yè)大學(xué);2010年

10 章健;Multi Agent系統(tǒng)在微電網(wǎng)協(xié)調(diào)控制中的應(yīng)用研究[D];上海交通大學(xué);2009年

，

本文編號：2108999