论文部分内容阅读
由于环境问题和经济发展之间的矛盾以及有限资源和无限开发之间的矛盾不断加深,人类对新型清洁能源的渴求不断增大,而光能因其普遍、无害、巨大和长久的优点,得到了全世界的关注。其中,光伏逆变器作为光伏发电系统的“大脑”,不仅担负着直流变交流的重任,而且还是我们了解整个系统的载体,因此相应的两个研究热点应运而生:光伏逆变器的驱动和故障检测。围绕上述这两方面,以三电平中点钳位式(NPC)逆变器为研究对象,详细阐述涉及的核心理论基础——马尔可夫(Markov)理论,包括Markov链、隐马尔可夫模型(HMM)及其相关算法,同时针对HMM本身的缺陷运用遗传算法进行改进,给出了将HMM与遗传算法结合的步骤。具体的研究内容分为两个方面:(1)对于光伏逆变器的驱动方式,阐述了传统SVPWM驱动技术的原理,针对其以固定的开关方式导通和关断,造成幅值较高的谐波集中在开关频率的整数倍处而形成电磁干扰的缺陷,提出通过Markov链产生随机因子,将传统SVPWM技术中原本固定的开关频率和七段法调制策略中小矢量作用时间同时随机化,形成一种基于Makrov链的混合随机SVPWM驱动方法。通过MATLAB/Simulink仿真实验验证了此驱动方法不仅大幅降低了集中在开关频率整数倍处的谐波幅值,使频谱更加连续,而且改进了无Markov链的随机数随机性差、分布不均匀的缺点。(2)对于光伏逆变器的故障检测,首先对故障类型进行分析,阐述了目前常用的检测方法,针对这些方法的实用性差、效率低以及检测正确率低的缺陷,提出将遗传算法与HMM结合形成新的模型——GHMM,接着完成每一个故障下GHMM的训练,最后运用训练完成的GHMM进行故障检测。构建实验平台,通过MATLAB和C语言编程实现相关算法并完成故障模型训练与故障检测,同时与未改进的HMM、BP神经网络和支持向量机检测方法进行比较,故障模型训练时间大幅降低,识别正确率最高提高22.2%,达到98.3%,进一步验证了基于GHMM的逆变器故障检测的优越性。