论文部分内容阅读
在能源危机的形势下，光伏产业得到了飞速发展，光伏发电的关键技术也有了极大的进步。随着光伏电站的容量和规模不断扩大，为提高光伏电站的管理水平，光伏电站的监测必须向信息化和智能化转变。光伏发电是根据光生伏特原理，其发电功率易受诸多因素的影响。为了更好的监测光伏电池的发电情况，通过建立合适的统计模型，得到各个影响因素的权重系数，从而有针对性地进行监测。 本文首先分析光伏电池的发电原理，并介绍无线传感器网络的相关技术，从而建立了光伏发电功率与各影响因子之间的回归模型。在对影响因子权重的估计中，提出了基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的求解方法。相比于基追踪（Basis Pursuit,BP）和正交匹配追踪（Orthogonal Matching Pursuit,OMP）等方法，SBL算法的估计效果明显优于其他两种方法；且在估计的准确度相同的情况下，SBL算法仅需较少的观测值进行估计，因此大大提升估计的效率。通过对多块电池板发电功率的影响因子权重的估计，运用多任务稀疏贝叶斯学习（Multiple Sparse Bayesian Learning,M-SBL）方法联合求解各影响因子的权重系数。与传统的方法相比，该方法能更多地挖掘数据之间的联系；当联合估计的任务越多，M-SBL根据后验概率建立各个数据之间的联系，拥有传统算法无法比拟的学习特性，从而大大增加了估计的准确性。 根据光伏发电功率的回归模型可以得到各影响因素对光伏发电功率的影响程度，从而为光伏电池板的监测提供了重要参考。在光伏发电的无线监测上，分别从硬件电路和软件结构进行设计，利用ZigBee通信协议，建立无线传感器网络对太阳能电池板的监测数据进行获取、传输、处理和输出，同时利用图形界面在PC机和移动终端进行显示。实际结果表明，系统通过对光伏电池组件相关参数的监测，为光伏电池的运行状况提供依据，提升光伏电站的管理水平。