基于無線傳感器網(wǎng)絡的光伏發(fā)電監(jiān)測方法研究.pdf

1、在能源危機的形勢下，光伏產(chǎn)業(yè)得到了飛速發(fā)展，光伏發(fā)電的關(guān)鍵技術(shù)也有了極大的進步。隨著光伏電站的容量和規(guī)模不斷擴大，為提高光伏電站的管理水平，光伏電站的監(jiān)測必須向信息化和智能化轉(zhuǎn)變。光伏發(fā)電是根據(jù)光生伏特原理，其發(fā)電功率易受諸多因素的影響。為了更好的監(jiān)測光伏電池的發(fā)電情況，通過建立合適的統(tǒng)計模型，得到各個影響因素的權(quán)重系數(shù)，從而有針對性地進行監(jiān)測。
　　本文首先分析光伏電池的發(fā)電原理，并介紹無線傳感器網(wǎng)絡的相關(guān)技術(shù)，從而建立了光伏發(fā)

2、電功率與各影響因子之間的回歸模型。在對影響因子權(quán)重的估計中，提出了基于稀疏貝葉斯學習（Sparse Bayesian Learning,SBL）的求解方法。相比于基追蹤（Basis Pursuit,BP）和正交匹配追蹤（Orthogonal Matching Pursuit,OMP）等方法，SBL算法的估計效果明顯優(yōu)于其他兩種方法；且在估計的準確度相同的情況下，SBL算法僅需較少的觀測值進行估計，因此大大提升估計的效率。通過對多塊電池板

3、發(fā)電功率的影響因子權(quán)重的估計，運用多任務稀疏貝葉斯學習（Multiple Sparse Bayesian Learning,M-SBL）方法聯(lián)合求解各影響因子的權(quán)重系數(shù)。與傳統(tǒng)的方法相比，該方法能更多地挖掘數(shù)據(jù)之間的聯(lián)系；當聯(lián)合估計的任務越多，M-SBL根據(jù)后驗概率建立各個數(shù)據(jù)之間的聯(lián)系，擁有傳統(tǒng)算法無法比擬的學習特性，從而大大增加了估計的準確性。
　　根據(jù)光伏發(fā)電功率的回歸模型可以得到各影響因素對光伏發(fā)電功率的影響程度，從而為光