基于数据挖掘的光伏阵列异常检测与预警
| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究概况 | 第13-15页 |
| 1.3 研究内容 | 第15页 |
| 1.4 论文组织结构 | 第15-18页 |
| 第2章 光伏阵列异常检测与预警架构设计 | 第18-28页 |
| 2.1 光伏发电相关理论介绍 | 第18-20页 |
| 2.1.1 系统组成 | 第18页 |
| 2.1.2 故障类型 | 第18-19页 |
| 2.1.3 光伏输出特性 | 第19-20页 |
| 2.2 数据挖掘相关技术介绍 | 第20-21页 |
| 2.3 异常检测与预警架构设计 | 第21-26页 |
| 2.3.1 异常检测架构分析 | 第21-22页 |
| 2.3.2 光伏阵列异常检测架构设计 | 第22-24页 |
| 2.3.3 光伏阵列异常预警架构设计 | 第24-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 工况识别与特征提取 | 第28-44页 |
| 3.1 数据描述 | 第28-29页 |
| 3.2 工况识别 | 第29-35页 |
| 3.2.1 基于K均值构建工况分类器 | 第29-33页 |
| 3.2.2 光伏阵列工况识别 | 第33-35页 |
| 3.3 统计特征提取 | 第35-38页 |
| 3.3.1 数据预处理 | 第36-37页 |
| 3.3.2 电流数据的统计参数提取 | 第37-38页 |
| 3.4 基于EM的GMM模型参数提取 | 第38-42页 |
| 3.4.1 数据预处理 | 第38-39页 |
| 3.4.2 模型数量选择 | 第39-40页 |
| 3.4.3 电流数据的GMM模型参数估计 | 第40-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 基于CR-SVM的光伏阵列异常检测 | 第44-52页 |
| 4.1 基于工况识别的光伏阵列异常检测架构 | 第44-45页 |
| 4.2 光伏阵列异常分类器设计 | 第45-48页 |
| 4.2.1 参数选择 | 第45-47页 |
| 4.2.2 交叉验证 | 第47-48页 |
| 4.3 实例验证与结果分析 | 第48-51页 |
| 4.3.1 基于SVM分类器的异常检测 | 第50页 |
| 4.3.2 基于CR-SVM分类器的异常检测 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 基于LSTM的光伏阵列异常预警 | 第52-64页 |
| 5.1 基于光伏阵列电流数据的预测模型选择 | 第52-53页 |
| 5.2 基于LSTM的预测模型构建 | 第53-56页 |
| 5.2.1 数据预处理 | 第53-54页 |
| 5.2.2 模型结构分析与设计 | 第54-55页 |
| 5.2.3 参数选择与评价指标 | 第55-56页 |
| 5.3 模型优化与实验分析 | 第56-59页 |
| 5.3.1 基于隐含层节点的模型优化 | 第56-57页 |
| 5.3.2 基于预测时间的模型优化 | 第57-58页 |
| 5.3.3 基于不同工况的实验验证 | 第58-59页 |
| 5.4 基于LSTM预测模型的异常预警 | 第59-61页 |
| 5.4.1 报警规则 | 第60-61页 |
| 5.4.2 实例验证 | 第61页 |
| 5.5 本章小结 | 第61-64页 |
| 第6章 结论与展望 | 第64-66页 |
| 6.1 结论 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间发表的科研成果目录 | 第71-72页 |
| 学位论文评阅及答辩情况表 | 第72页 |
