CN105827200A - 光电系统中电池组串故障的识别方法、装置和设备 - Google Patents
光电系统中电池组串故障的识别方法、装置和设备 Download PDFInfo
- Publication number
- CN105827200A CN105827200A CN201610115556.4A CN201610115556A CN105827200A CN 105827200 A CN105827200 A CN 105827200A CN 201610115556 A CN201610115556 A CN 201610115556A CN 105827200 A CN105827200 A CN 105827200A
- Authority
- CN
- China
- Prior art keywords
- string
- cells
- cells string
- group
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000003384 imaging method Methods 0.000 claims description 64
- 230000005611 electricity Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 23
- 238000002347 injection Methods 0.000 claims description 20
- 239000007924 injection Substances 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 20
- 230000003287 optical effect Effects 0.000 claims description 15
- 230000004888 barrier function Effects 0.000 claims description 13
- 238000013467 fragmentation Methods 0.000 claims description 8
- 238000006062 fragmentation reaction Methods 0.000 claims description 8
- 239000011521 glass Substances 0.000 claims description 8
- 230000006698 induction Effects 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 6
- 235000008434 ginseng Nutrition 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 41
- 238000011282 treatment Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000013507 mapping Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000013499 data model Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000012491 analyte Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
- G01R19/2513—Arrangements for monitoring electric power systems, e.g. power lines or loads; Logging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Abstract
本发明实施例提供一种光电系统中电池组串故障的识别方法、装置和设备,方法包括:获取光电系统中第一电池组串的至少两组I‑V数值;根据至少两组I‑V数值,采用预先确定的组串物理模型进行拟合处理,得到第一电池组串的至少一个特征参数;将至少一个特征参数与预先获取的标准特征参数进行比较,确定该第一电池组串是否故障,或者通过组串物理模型对采集到的数据进行曲线拟合处理,可广泛应用,对电池组串的所有实测数据综合处理得到的特征参数和无故障时候的标准特征参数进行对比,不会因为个别点的测试误差造成误判,并且不依赖于环境的判断,因此该方案不会受到环境不一致的影响,有效提高了对组串故障识别的处理效率和准确度。
Description
技术领域
本发明实施例涉及光电技术,尤其涉及一种光电系统中电池组串故障的识别方法、装置和设备。
背景技术
太阳能电池组件是实施光电转换的光电系统(或光电装置)的基本单元,可以将太阳光能转换为直流电能。实际光伏电站应用中一般将多个太阳能电池组件串联构成电池组串,再将一个或多个并联的组串连接到并网逆变器,通过逆变器将直流电转换为交流电并到交流电网上。
太阳能电池组件的输出功率特性由电池组件的自身状态,外界光照强度,环境温度等因素决定。电池组件在工作中,会出现由于内部单元故障、光致衰减特性等原因导致输出功率降低,或者由于遮挡、光照角度等原因导致接受到的光强变弱,或者由于散热条件差导致组件工作温度升高,导致输出功率降低。但是由于太阳能电池组件的数量巨大,分散面积较广,因此甄别电站内的异常组串比较困难。当前可采用专用电流电压I-V扫描仪在现场对组件的输出I-V特性进行扫描测试,得到组串的当前I-V曲线,人工观察曲线的特征来判断组串内是否有异常组件。或者根据得到的I-V曲线(I表示电流,V表示电压),再确定该当前I-V曲线上每个点的切线斜率,根据相邻两个点之间的斜率的差值与预设值进行比较,确定组串的工作状态,进行组串的故障识别。
但是,上述第一种方式测试时间长,对人员技能要求高,只能用于少量抽样检测,无法在大型电站中全面覆盖。曲线的斜率只能表示曲线本身的特征,并不能精确表示电池组串的输出特征,因此该种故障识别方式精度较低,并且该方式对检测参数的精度要求极高,个别点的误差就会导致误判,并且在电站内不同位置的组串所处环境的温度和辐照度等工作条件不一致,进一步导致上述故障识别方式的准确性降低。
发明内容
本发明实施例提供一种光电系统中电池组串故障的识别方法、装置和设备,用于解决现有技术中由于个别工作点采样参数的误差就会导致斜率不连续从而导致故障误判的问题,并且解决在电站内不同位置的电池组串由于所处环境的温度和辐照度等工作条件不一致所导致的故障识别准确度较低的问题。
本发明第一方面提供一种光电系统中电池组串故障的识别方法,包括:
获取光电系统中第一电池组串的至少两组电流电压I-V数值;
根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的至少一个特征参数;所述组串物理模型用于表示所述第一电池组串的I-V数值与所述第一电池组串的特征参数之间的关系;所述特征参数为所述组串物理模型中用于反映电池组串输出电流和电压之间关系的常数;
将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串;其中,所述第一电池组串的所述标准特征参数为预先获取的且用于与所述第一电池组串的特征参数进行对比的标准值。
结合第一方面,在第一方面的第一种可能的实施方式中,所述组串物理模型包括以下任一个:正向输出标准双二极管模型、反向注入标准双二极管模型、正向输出单二极管模型、反向注入单二极管模型、半数学半物理的分段拟合模型和纯数学拟合模型。
结合第一方面的第一种可能的实施方式,在第一方面的第二种实施方式中,若所述电路模型为半数学半物理的分段拟合模型,则根据所述至少两组I-V数值,采用预先确定的电路模型进行拟合处理,得到所述第一电池组串的至少一个特征参数,包括:
将所述第一电池组串的电压取值范围分为至少两段,在每个分段内,根据至少一个I-V数值采用预先设置的简化物理模型进行拟合处理,获取所述第一电池组串在该分段内的特征参数,将所述第一电池组串在每个分段内的特征参数作为所述第一电池组串的所述至少一个特征参数;
其中,所述电压取值范围为所述第一电池组串的短路电压与所述第一电池组串最高可承受电压之下的任一个设定值之间的范围。
结合第一方面、第一方面的第一种或第二种可能的实施方式,在第一方面的第三种可能的实施方式中,所述第一电池组串的所述标准特征参数包括所述第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。
结合第一方面的第三种可能的实施方式,在第一方面的第四种可能的实施方式中,当所述特征参数包括所述第一标准特征参数,则所述将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串,包括:
将所述第一电池组串的所述至少一个特征参数分别于每个特征参数对应的所述第一标准特征参数进行比较,若所述至少一个特征参数与对应的所述第一标准特征参数在预设范围内相同,则所述第一电池组串无故障;否则,所述第一电池组串为故障组串。
结合第一方面的第三种或第一方面的第四种可能的实施方式,在第一方面的第五种可能的实施方式中,当所述特征参数包括所述第一电池组串在每一种故障情况下的第二标准特征参数第二标准特征参数,则所述将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串,包括:
将所述第一电池组串的所述至少一个特征参数与所述第一电池组串在每一种故障情况下的第二标准特征参数分别进行比较;
若存在第二标准特征参数与所述第一电池组串的所述至少一个特征参数在预设范围内相同,则所述第一电池组串为故障组串,且所述第一电池组串的故障类型为与所述第二标准特征参数对应的故障类型。
结合第一方面或第一方面的任一种可能的实施方式,在第一方面的第六种可能的实施方式中,所述方法还包括:
从所述故障组串中确定出至少一个故障组件。
结合第一方面的第六种可能的实施方式,在第一方面的第七种可能的实施方式中,所述从所述故障组串中确定出至少一个故障组件,包括:
根据红外热近端成像方式或红外热远程成像方式从所述故障组串中确定出故障组件;
或者,
根据电致发光EL近端成像方式或EL远程成像方式从所述故障组串中确定出故障组件;
或者,
根据光学近端成像方式或光学远程成像方式从所述故障组串中确定出故障组件。
结合第一方面的第七种可能的实施方式,在第一方面的第八种可能的实施方式中,所述根据EL近端成像方式或EL远程成像方式从所述故障组串中确定出故障组件,包括:
通过逆变器对所述故障组串施加电压,使其进入电致发光状态,然后根据近端成像方式或者远程成像方式确定出所述故障组串中的故障组件。
结合第一方面或者第一方面的任一种可能的实施方式,在第一方面的第九种可能的实施方式中,所述获取光电系统中第一电池组串的至少两组电流电压I-V数值,包括:
通过逆变器对所述第一电池组串施加电压,获得反向注入的组串I-V数值。
结合第一方面的第三种或第一方面的第五种可能的实施方式,在第一方面的第十种可能的实施方式中,所述第一电池组串的故障类型包括以下至少一个:所述第一电池组串中的组件的输出功率异常衰减、所述第一电池组串中的组件发生电势诱导衰减PID衰减、所述第一电池组串中的组件内部电池单元失效、所述第一电池组串的组件存在电流失配、所述第一电池组串存在组件出现热斑、所述第一电池组串存在组件内部二极管短路,所述第一电池组串存在组件玻璃面板碎裂,所述第一电池组串存在组件内部开路,所述第一电池组串中的组件被遮挡。
结合第一方面、或者第一方面的任一种可能的实施方式,在第一方面的第十一种可能的实施方式中,所述将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较之前,所述方法还包括:
采用预先确定的组串物理模型进行拟合处理,获取所述第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。
本发明实施例第二方面提供一种光电系统中电池组串故障的识别方法,包括:
获取光电系统中第一电池组串的至少两组电流电压I-V数值;
根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的实际I-V曲线;所述组串物理模型用于表示所述第一电池输出的电流和电压的关系;
将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较,确定出所述第一电池组串是否为故障组串;其中,所述标准I-V曲线为根据所述第一电池组串在正常工作状态下输出的I-V数值采取所述组串物理模型拟合得到的曲线。
结合第二方面,在第二方面的第一种可能的实施方式中,所述方法还包括:
从所述故障组串中确定出至少一个故障组件。
结合第二方面或者第二方面的第一种可能的实施方式,在第二方面的第二种可能的实施方式中,所述将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较之前,所述方法还包括:
采用预先确定的组串物理模型和正常工作时的标准特征参数,根据所述第一电池组串的I-V数值进行拟合处理,得到所述第一电池组串的所述标准I-V曲线。
结合第二方面、第二方面的第一种可能的实施方式或者第二方面的第二种可能的实施方式,在第二方面的第三种可能的实施方式中,所述将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较,确定出所述第一电池组串是否为故障组串,包括:
计算所述实际I-V曲线和所述标准I-V曲线之间的差异值;
若所述差异值大于预设的差异阈值,则确定所述第一电池组串为故障组串。
本发明实施例第三方面提供一种光电系统中电池组串故障的识别装置,包括:
获取模块,用于获取光电系统中第一电池组串的至少两组电流电压I-V数值;
第一处理模块,用于根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的至少一个特征参数;所述组串物理模型用于表示所述第一电池组串的I-V数值与所述第一电池组串的特征参数之间的关系;所述特征参数为所述组串物理模型中用于反映电池组串输出电流和电压之间关系的常数;
第二处理模块,用于将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串;其中,所述第一电池组串的所述标准特征参数为预先获取的且用于与所述第一电池组串的特征参数进行对比的标准值。
本发明实施例第四方面提供一种光电系统中电池组串故障的识别装置,包括:
获取模块,用于获取光电系统中第一电池组串的至少两组电流电压I-V数值;
第一处理模块,用于根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的实际I-V曲线;所述组串物理模型用于表示所述第一电池输出的电流和电压的关系;
第二处理模块,用于将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较,确定出所述第一电池组串是否为故障组串;其中,所述标准I-V曲线为根据所述第一电池组串在正常工作状态下输出的I-V数值采取所述组串物理模型拟合得到的曲线。
本发明实施例第五方面提供一种光电系统中电池组串故障的识别设备,包括:用于控制可执行指令执行的处理器和用于存储处理器可执行指令的存储器;
所述处理器用于:
获取光电系统中第一电池组串的至少两组电流电压I-V数值;
根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的至少一个特征参数;所述组串物理模型用于表示所述第一电池组串的I-V数值与所述第一电池组串的特征参数之间的关系;所述特征参数为所述组串物理模型中用于反映电池组串输出电流和电压之间关系的常数;
将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串;其中,所述第一电池组串的所述标准特征参数为预先获取的且用于与所述第一电池组串的特征参数进行对比的标准值。
结合第五方面,在第五方面的第一种可能的实施方式中,若所述电路模型为半数学半物理的分段拟合模型,则所述处理器具体用于:
将所述第一电池组串的电压取值范围分为至少两段,在每个分段内,根据至少一个I-V数值采用预先设置的简化物理模型进行拟合处理,获取所述第一电池组串在该分段内的特征参数,将所述第一电池组串在每个分段内的特征参数作为所述第一电池组串的所述至少一个特征参数;
其中,所述电压取值范围为所述第一电池组串的短路电压与所述第一电池组串最高可承受电压之下的任一个设定值之间的范围。
结合第五方面或者第五方面的第一种可能的实施方式,在第五方面的第二种可能的实施方式中,所述处理器获取的所述第一电池组串的所述标准特征参数包括所述第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。
结合第五方面的第二种可能的实施方式,在第五方面的第三种可能的实施方式中,当所述特征参数包括所述第一标准特征参数,则所述处理器具体用于:
将所述第一电池组串的所述至少一个特征参数分别于每个特征参数对应的所述第一标准特征参数进行比较,若所述至少一个特征参数与对应的所述第一标准特征参数在预设范围内相同,则所述第一电池组串无故障;否则,所述第一电池组串为故障组串。
结合第五方面的第二种或者第四种可能的实施方式,在第五方面的第五种可能的实施方式中,当所述特征参数包括所述第一电池组串在每一种故障情况下的第二标准特征参数第二标准特征参数,则所述处理器具体用于:
将所述第一电池组串的所述至少一个特征参数与所述第一电池组串在每一种故障情况下的第二标准特征参数分别进行比较;
若存在第二标准特征参数与所述第一电池组串的所述至少一个特征参数在预设范围内相同,则所述第一电池组串为故障组串,且所述第一电池组串的故障类型为与所述第二标准特征参数对应的故障类型。
结合第五方面或第五方面的任一种可能的实施方式,在第五方面的第六种可能的实施方式中,所述处理器还用于:从所述故障组串中确定出至少一个故障组件。
所述处理器还用于:
根据红外热近端成像方式或红外热远程成像方式从所述故障组串中确定出故障组件;
或者,
根据电致发光EL近端成像方式或EL远程成像方式从所述故障组串中确定出故障组件;
或者,
根据光学近端成像方式或光学远程成像方式从所述故障组串中确定出故障组件。
结合第五方面的六种可能的实施方式,在第五方面的第七种可能的实施方式中,所述处理器具体用于控制通过逆变器对所述故障组串施加电压,使其进入电致发光状态,然后根据近端成像方式或者远程成像方式确定出所述故障组串中的故障组件。
结合第五方面或第五方面的任一种可能的实施方式,在第五方面的第七种可能的实施方式中,所述处理器具体用于通过逆变器对所述第一电池组串施加电压,获得反向注入的组串I-V数值。
可选的,所述处理器获取的所述第一电池组串的故障类型包括以下至少一个:所述第一电池组串中的组件的输出功率异常衰减、所述第一电池组串中的组件发生电势诱导衰减PID衰减、所述第一电池组串中的组件内部电池单元失效、所述第一电池组串的组件存在电流失配、所述第一电池组串存在组件出现热斑、所述第一电池组串存在组件内部二极管短路,所述第一电池组串存在组件玻璃面板碎裂,所述第一电池组串存在组件内部开路,所述第一电池组串中的组件被遮挡。
结合第五方面或第五方面的任一种可能的实施方式,在第五方面的第八种坑的实施方式中,所述处理器还用于采用预先确定的组串物理模型进行拟合处理,获取所述第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。
本发明实施例第六方面提供一种光电系统中电池组串故障的识别设备,包括:用于控制可执行指令执行的处理器和用于存储处理器可执行指令的存储器;
所述处理器用于:
获取光电系统中第一电池组串的至少两组电流电压I-V数值;
根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的实际I-V曲线;所述组串物理模型用于表示所述第一电池输出的电流和电压的关系;
将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较,确定出所述第一电池组串是否为故障组串;其中,所述标准I-V曲线为根据所述第一电池组串在正常工作状态下输出的I-V数值采取所述组串物理模型拟合得到的曲线。
结合第六方面,在第六方面的第一种可能的实施方式中,所述处理器还用于从所述故障组串中确定出至少一个故障组件。
结合第六方面或第六方面的第一种可能的实施方式,在第六方面的第二种可能的实施方式中,所述处理器还用于采用预先确定的组串物理模型和正常工作时的标准特征参数,根据所述第一电池组串的I-V数值进行拟合处理,得到所述第一电池组串的所述标准I-V曲线。
结合第六方面或第六方面的任一种可能的实施方式,在第六方面的第三种可能的实施方式中,所述处理器具体用于:
计算所述实际I-V曲线和所述标准I-V曲线之间的差异值;
若所述差异值大于预设的差异阈值,则确定所述第一电池组串为故障组串。
本发明提供的光电系统中电池组串故障的识别方法、装置和设备,通过获取光电系统中第一电池组串的至少两组I-V数值,根据得到的数据采用预先确定的组串物理模型进行拟合处理,得到该第一电池组串对应的至少一个特征参数,然后将该特征参数与预先得到的该电池组串的标准特征参数进行对比,确定出该第一电池组串是否为故障组串,以此类推对光电系统中的每个电池组串使用该方式进行检测,即通过组串物理模型对采集到的数据进行曲线拟合处理,该方案可广泛应用在大型电站中,对电池组串的所有实测数据综合处理得到的特征参数和无故障时候的标准特征参数进行对比,不会因为个别点的测试误差造成误判,并且不依赖于环境的判断,因此该方案不会受到到环境不一致的影响,有效提高了对电池组串故障识别的处理效率和准确度。进一步地,还可以将故障电池组件与预先设定的故障特征参数进行对比,从而确定所述故障电池组件的故障类型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1所示为本申请实施例应用组网示意图;
图2为本发明光电系统中电池组串故障的识别方法实施例一的流程图;
图3为本发明光电系统中电池组串故障的识别方法实施例二的流程图;
图4为正向的标准双二极管模型的电路原理图;
图5为正向的单二极管模型的电路原理图;
图6为反向注入的标准双二极管模型的电路原理图;
图7为反向注入的单二极管模型的电路原理图;
图8a为半数学半物理的分段拟合模型的一实例拟合示意图;
图8b为纯数学拟合模型中多项式拟合示意图;
图9a为电池组串中无故障组件时的I-V曲线示意图;
图9b为电池组串中有组件被阴影遮蔽时的I-V曲线示意图;
图9c为电池组串中有一片电池片无输出时的I-V曲线示意图;
图10a为电池组串在不同故障情况下的标准特征参数1的示意图;
图10b为电池组串在不同故障情况下的标准特征参数2的示意图;
图11a为电池组串中无故障组件时的I-V曲线示意图;
图11b为电池组串中有组件电流失配时的I-V曲线示意图;
图11c为电池组串中有组件存在PID衰减时的I-V曲线示意图;
图12为电池组串在无故障组件、有组件电流失配、存在PID时的特征参数的对比示意图;
图13为本发明光电系统中电池组串故障的识别方法实施例三的流程图;
图14为组串的标准I-V曲线和实际I-V曲线的对比示意图;
图15为本发明光电系统中电池组串故障的识别装置实施例一的结构示意图;
图16为本发明光电系统中电池组串故障的识别装置实施例二的结构示意图;
图17为本发明光电系统中电池组串故障的识别装置实施例三的结构示意图;
图18为本发明光电系统中电池组串故障的识别装置实施例四的结构示意图;
图19为本发明光电系统中电池组串故障的识别装置实施例五的结构示意图;
图20为本发明光电系统中电池组串故障的识别设备实施例一的结构示意图;
图21为本发明光电系统中电池组串故障的识别设备实施例二的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1所示为本申请实施例应用组网示意图,包括电站监控系统101、通信装置102、和若干个逆变器103。如图所示,每一个逆变器103上都连接有待检测的光伏电池组串;通信装置102例如可以为数据采集器,其一端用于与各个逆变器103之间通过通信接口连接,另一端用于对接电站监控系统101,通信装置102负责将逆变器采集的数据传送到电站监控系统101;电站监控系统101用于通过通信装置102向每一个逆变器103发送指令,以及,将接收到的通信装置102发送的数据后,对数据进行分析处理。
在上述组网方式的基础上,本方案可采用对光电系统中的子阵电池组串扫描得到的I-V数值进行分析处理进行故障定位,电池组串中出现一个或多个组件出现故障时,将导致电池组串输出的I-V曲线上出现“变形”(存在点偏离曲线),通过分析电池组串输出电流电压数据,结合对曲线的变形的特征参数进行获取,能够有效识别出光电装置(即光电系统)中组件故障的电池组串,即快速完成存在故障组件的电池组串的定位,还可以判断故障类型,并且该分析处理得到的结果精确度较高,下面结合实施例对本发明提供的技术方案进行详细说明。
图2为本发明光电系统中电池组串故障的识别方法实施例一的流程图,如图2所示,该方案的执行主体为光伏发电系统中任一个具有计算和存储功能的装置,如电站监控,或数据采集器,或逆变器,或智能汇流箱,或者与光伏发电系统有通信连接和数据交换的计算机等其他智能装置,该光电系统中电池组串故障的识别方法的具体实现步骤如下:
S101:获取光电系统中第一电池组串的至少两组I-V数值。
在本步骤中,为了完成对每个电池组串的识别,需要针对每个电池组串获取至少两组I-V数组,以便后续步骤中根据模型进行拟合处理,可采用对电池组串进行IV扫描的方式来获取每个电池组串的电流和电压数值,这里的电流和电压是对应的一组数据,即每个电流值都对应一个电压值。
虽然上述限定的是至少两组I-V数值,但是在实际应用过程中,为了提高分析结果的精度,I-V数值越多越好。
下面以第一电池组串为例,说明本发明提供的方案,针对第一电池组串,可采用对其进行IV扫描的方式来获取每个电池组串的电流和电压数值。
可选的,可以通过逆变器对所述第一电池组串施加电压,获得反向注入的组串I-V数值。
S102:根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的至少一个特征参数。
在本步骤中,所述组串物理模型用于表示所述第一电池组串的I-V数值与所述第一电池组串的特征参数之间的关系;所述特征参数为所述组串物理模型中用于反映电池组串输出电流和电压之间关系的常数;
针对第一电池组串的多组I-V数值,可以采用预先选择的组串物理模型进行拟合,得到能够直接表现第一电池组串特征的一组特征参数。其中,常用的组串物理模型包括但不限于以下任一个:正向输出标准双二极管模型、反向注入标准双二极管模型、正向输出单二极管模型、反向注入单二极管模型和半数学半物理的分段拟合模型。采用Levenberg–Marquardt,高斯-牛顿等数学拟合算法,基于预先确定的组串物理模型进行拟合处理,得到电池组串的至少一个特征参数或者实际I-V曲线。
S103:将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串。
在本步骤中,所述第一电池组串的所述标准特征参数为预先获取的且用于与所述第一电池组串的特征参数进行对比的标准值。
将根据上述任一种组串物理模型得到的第一电池组串对应的一个或多个特征参数与预先得到的标准特征参数进行对比,得出该电池组串是否为故障组串,以此类推,按照该方式对每个电池组串进行检测,直至从光电系统中定位出所有的故障组串。
在一种具体实现中,该标准特征参数可以包括该第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。如果第一电池组串的标准特征参数只包括在正常工作时候的第一标准特征参数,即第一电池组串没故障时候的特征参数,那么在根据该电池组串实测的I-V数值得到的实际特征参数之后,将实际的特征参数与第一标准特征参数进行对比,若在误差范围内是相同的,则认为该第一电池组串没有故障,若实际的特征参数与第一标准特征参数的差距较大,则认为该第一电池组串中存在组件出现故障。
或者,根据第一电池组串采用组件的规格书定义的输出I-V特性,采用预先确定的组串物理模型进行拟合处理,获取反映该第一电池组串正常工作时的第一标准特征参数。模拟该第一电池组串中的故障情况,测试其故障下的输出I-V曲线,采用预先确定的组串物理模型进行拟合处理,获取反映第一电池组串在每一种故障情况下的第二标准特征参数。
可选的,若所述标准特征参数包括所述第一电池组串在每一种故障下的第二标准特征参数,所述确定出所述光电系统中的故障组串包括:根据所述第一电池组串的至少一个特征参数和所述第一电池组串在每一种故障下的第二标准特征参数,确定出所述故障组串的故障类型。
上述方案的含义是:如果第一电池组串的标准特征参数中包括该第一电池组串在每一种故障情况下的第二标准特征参数,则将得到的实际的特征参数与每个第二标准特征参数进行对比,若存在第一电池组串的实际的特征参数与某个第二标准特征参数相似,则认为该第一电池组串是故障组串,并且可以确定故障类型为该第二标准特征参数对应的故障。即本方案不但可以识别故障组串,还可以确定第一电池组串的故障类型。
可选的,所述第一电池组串的故障(即故障类型)包括但不限于以下至少一个:所述第一电池组串中的组件的输出功率异常衰减、所述第一电池组串中的组件发生电势诱导衰减(potential induced degradation,PID)、所述第一电池组串中的组件内部电池单元失效、所述第一电池组串的组件存在电流失配、所述第一电池组串存在组件出现热斑、所述第一电池组串存在组件内部二极管短路,所述第一电池组串存在组件玻璃面板碎裂,所述第一电池组串存在组件内部开路,所述第一电池组串中的组件被局部或全部遮挡。
按照上述方式,可以遍历处理光电装置或者光电系统中的所有电池组串,定位出所有出现故障的电池组串,实现存在故障组件的电池组串的快速定位。
本实施例提供的光电系统中电池组串故障的识别方法,通过获取光电系统中第一电池组串的至少两组I-V数值,根据得到的数据采用预先确定的组串物理模型进行拟合处理,得到该第一电池组串对应的至少一个特征参数,然后将该特征参数与预先得到的该电池组串的标准特征参数进行对比,确定出该电池组串是否为故障组串,以此类推对光电系统中的每个电池组串使用该方式进行检测,即通过组串物理模型对采集到的数据进行曲线拟合处理,该方案可广泛应用在大型电站中,对电池组串的所有实测数据综合处理得到的特征参数和无故障时候的标准特征参数进行对比,不会因为个别点的测试误差造成误判,并且不依赖于环境的判断,因此该方案不会受到到环境不一致的影响,有效提高了对电池组串故障识别的处理效率和准确度。
在上述实施例的基础上,本方案还可以从每个故障组串中定位出具体的故障组件,下面提供一种具体的实现方式,对本发明提供的光电系统中电池组串故障的识别方法的另一实施例进行具体说明:
图3为本发明光电系统中电池组串故障的识别方法实施例二的流程图,如图3所示,该光电系统中电池组串故障的识别方法的另一种具体实现步骤包括:
S201:获取光电系统中第一电池组串的至少两组I-V数值。
S202:根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的至少一个特征参数。
采用Levenberg–Marquardt,高斯-牛顿等数学拟合算法,基于预先确定的组串物理模型进行拟合处理,得到电池组串的至少一个特征参数或者实际I-V曲线。
S203:将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串。
再具体实现中,需要在S203之前,采用预先确定的组串物理模型进行拟合处理,获取所述该第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。
可选的,在确定出故障组件之后,可以根据所述第一电池组串的至少一个特征参数和所述第一电池组串在每一种故障下的第二标准特征参数,确定出所述故障组串的故障类型。
结合上述实施例,具体的第一电池组串的至少一个特征参数与第一电池组串的标准特征参数进行比较至少包括以下几种:
当所述特征参数包括所述第一标准特征参数,则则所述将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串,包括:
将所述第一电池组串的所述至少一个特征参数分别于每个特征参数对应的所述第一标准特征参数进行比较,若所述至少一个特征参数与对应的所述第一标准特征参数在预设范围内相同,则所述第一电池组串无故障;否则,所述第一电池组串为故障组串。
当所述特征参数包括所述第一电池组串在每一种故障情况下的第二标准特征参数第二标准特征参数,则所述将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串,包括:
将所述第一电池组串的所述至少一个特征参数与所述第一电池组串在每一种故障情况下的第二标准特征参数分别进行比较;
若存在第二标准特征参数与所述第一电池组串的所述至少一个特征参数在预设范围内相同,则所述第一电池组串为故障组串,且所述第一电池组串的故障类型为与所述第二标准特征参数对应的故障类型。
另外,如果特征参数即包括第一标准特征参数也包括第二标准特征参数时,可以先通过特征参数与第一标准特征参数对比确定第一电池组串是否故障,然后再与每个第二标准特征参数比较,确定出第一电池组串的故障类型。
S204:从所述故障组串中确定出至少一个故障组件。
在本步骤中,在光电系统中定位出故障组串之后,还可以进一步确定故障组串中的故障组件,具体的实现方式至少包括以下几种:
第一种方式,根据红外热近端成像方式或红外热远程成像方式从所述故障组串中确定出故障组件。
通过红外热成像的方式,通过近距离拍摄或者无人机远程拍摄确定出故障组串中的故障组件。
第二种方式,根据电致发光(Electroluminescence,EL)近端成像方式或EL远程成像方式从所述故障组串中确定出故障组件。
该方式具体实现中,通过逆变器对所述故障组串施加反向电压,然后根据近端成像方式或者远程成像方式确定出所述故障组串中的故障组件。即通过逆变器对电池组串施加可控的反向电压来实现EL检测,具体成像方式可以是远程成像也可以是近端成像。
第三种方式,根据光学近端成像方式或光学远程成像方式从所述故障组串中确定出故障组件。
在本方案的实施例中,电池组串出现故障实际上是电池组串中的组件故障,指实际应用中导致组件输出功率降低的非正常状态,包括但不限于:组件输出功率的异常衰减,组件内部单个电池单元失效,内部电池单元连线断连或连接阻抗增大,组件被局部或全部遮挡,组件工作温度过高等。
本实施例提供的光电系统中电池组串故障的识别方法,通过获取光电系统中每个祖传的至少两组I-V数值,根据得到的数据采用预先确定的组串物理模型进行拟合处理,得到每个电池组串对应的至少一个特征参数,然后将该特征参数与预先得到的该电池组串的标准特征参数进行对比,确定出该电池组串是否为故障组串,并进一步从故障组串中定位出故障组件,在有效提高了对电池组串故障识别的准确度基础上,进一步提高故障识别的处理效率,实现快速定位。
在上述任一实施例的基础上,下面详细介绍常用的几种组串物理模型,及其实现原理。
一、正向输出的标准双二极管模型
图4为正向的标准双二极管模型的电路原理图;根据图4的电路得到的数据模型为:
其中,
I:电池组串工作电流
IL:光生电流,计算中可用短路电流代替
I01:双二极管模型中等效二极管1的饱和电流
exp:以自然常数e为底的指数函数
q:电荷常量(1.6E-19C)
V:电池组串工作电压
Rs:电池组串串联电阻
k:波尔兹曼常数,1.38e-23J/K
T:电池组串温度(K)
I02:双二极管模型中等效二极管2的饱和电流
Rsh:电池组串并联电阻
根据上述的模型,针对白天扫描的多个I-V数值(或者I-V曲线),拟合出电池组串的特征参数I01,I02,Rs,Rsh,并比较通过I-V数值拟合出的曲线的特征参数与理想状态下的标准参数之间的差异,并组成一系列映射关系,利用标准参数与电池组串故障的映射关系,实现电池组串故障识别。
二、正向输出的单二极管模型
图5为正向的单二极管模型的电路原理图;根据图5的电路得到的数据模型为:
其中,
I:电池组串工作电流
IL:光生电流,计算中可用短路电流代替
I0:单二极管模型中等效二极管的饱和电流
exp:以自然常数e为底的指数函数
q:电荷常量(1.6E-19C)
V:电池组串工作电压
Rs:电池组串串联电阻
n:单二极管等效电路二极管理想因子
k:波尔兹曼常数,1.38e-23J/K
T:电池组串温度(K)
Rsh:电池组串并联电阻
通过单二极管模型,针对白天扫描的I-V数值(I-V曲线),拟合出电池组串的特征参数I0,n,Rs,Rsh,并比较拟合出的曲线与I-V数据之间的差异获得理想曲线的特征参数与实测数据拟合得到的特征参数,并组成一系列映射,利用标准参数与电池组串故障的映射关系,实现电池组串故障识别。
三、反向注入标准双二极管模型
图6为对电池组串外加电压反向注入的标准双二极管模型的电路原理图;根据图6的电路得到的数据模型为:
其中,I:电池组串电流
I01:双二极管模型中等效二极管1的饱和电流
exp:以自然常数e为底的指数函数
q:电荷常量(1.6E-19C)
V:电池组串电压
Rs:电池组串串联电阻
k:波尔兹曼常数,1.38e-23J/K
T:电池组串温度(K)
I02:双二极管模型中等效二极管2的饱和电流
Rsh:电池组串并联电阻
通过标准的双二极管模型,针对夜间对组件外加注入电压扫描的I-V数值(I-V曲线),拟合出电池组串的I01,I02,Rs,Rsh,并比较拟合出的曲线与I-V数据之间的差异获得理想曲线的特征参数与实测数据拟合得到的特征参数,并组成一系列映射,利用标准参数与电池组串故障的映射关系,实现电池组串故障识别。
四、反向注入单二极管模型
图7为外加电压注入电池组串的单二极管模型的电路原理图;根据图7的电路得到的数据模型为:
其中:I:电池组串电流,为不同电压下测试得到的电流;
V:电池组串电压,为外加测试对电池组串施加的电压
IL:光生电流,计算中可用短路电流代替
I0:单二极管模型中等效二极管的饱和电流
exp:以自然常数e为底的指数函数
q:电荷常量(1.6E-19C)
Rs:电池组串串联电阻
n:单二极管等效电路二极管理想因子
k:波尔兹曼常数,1.38e-23J/K
T:电池组串温度(K)
Rsh:电池组串并联电阻
通过该模型,针对夜间对组件外加注入电压扫描的I-V数值(I-V曲线),拟合出电池组串的I0,n,Rs,Rsh,组成一系列映射参数,利用这些映射参数与电池组串故障的映射关系,实现电池组串故障识别。
五、半数学半物理的分段拟合模型
图8a为半数学半物理的分段拟合模型的一实例拟合示意图;如图8a所示,通过半数学半物理的拟合方式,将I-V曲线分为三段简化拟合模型,进行拟合处理,得到每段的特征参数,其中,图8a中示出的三种拟合方程为:
方程1、
其中,I:电池组串工作电流
Isc:电池组串短路电流
V:电池组串工作电压
Rsh:电池组串并联电阻
方程2、
其中,I:电池组串工作电流
IL:光生电流,计算中可用短路电流代替
I0:单二极管模型中等效二极管的饱和电流
exp:以自然常数e为底的指数函数
q:电荷常量(1.6E-19C)
V:电池组串工作电压
Rs:电池组串串联电阻
n:单二极管等效电路二极管理想因子
k:波尔兹曼常数,1.38e-23J/K
T:电池组串温度(K)
Rsh-电池组串并联电阻
方程3、
其中,
V:电池组串工作电压
n:单二极管等效电路二极管理想因子
kB:波尔兹曼常数,1.38e-23J/K
T:电池组串温度(K)
q:电荷常量(1.6E-19C)
ln:自然对数符号
Isc:电池组串短路电流
I:电池组串工作电流
I0:单二极管模型中等效二极管的饱和电流
Rs:电池组串串联电阻
对照上述的三个方程,采用半数学半物理的分段拟合模型,根据扫描的电池组串的I-V数值,并对其进行分段,采用预先确定的至少两个特征方程,对分段的两组数据分别进行拟合处理,得到所述电池组串的至少一个特征参数,包括电池组串的I0,理想因子n,串联电阻Rs,并联电阻Rsh,并比较拟合出的曲线与I-V数据之间的差异获得理想曲线的特征参数与实测数据拟合得到的特征参数,并组成一系列映射,利用标准参数与电池组串故障的映射关系,实现电池组串故障识别。
六、纯数学拟合模型
图8b为纯数学拟合模型中多项式拟合示意图;通过纯数学的多项式函数方式拟合,对I-V数据进行完全的拟合,获得一系列参数a0,a1,a2,,获得一系列参数数与实测数据拟作为特征参数,根据这些特征参数间的统计关系与电池组串的故障映射,实现电池组串故障识别。
f(x)=a0+a1(x-x1)+a2(x-x2)2+a3(x-x3)3+…
其中:
f(x)表示函数的输出,此处可设为I,
x为函数的输入,可设为V;
a0,a1,a2,a3….x1,x2,x3…为拟合函数的特征参数常量;
采用数学公式,针对I-V的曲线进行拟合。设公式中的x是电压V,设f(x)就是I,通过数学多项式函数可以无限接近地拟合表达出I-V曲线。
结合上述几个模型的说明,下面举一实例来说明本发明的光电系统中电池组串故障的识别方法。
图9a为电池组串中无故障组件时的I-V曲线示意图;图9b为电池组串中有组件被阴影遮蔽时的I-V曲线示意图;图9c为电池组串中有一片电池片无输出时的I-V曲线示意图;当电池组串中组件发生故障时,电池组串I-V曲线的形状根据故障类型会在不同部位发生变形,例如图9a至图9c所示,依次示出了电池组串中无故障组件、电池组串中有组件被阴影遮挡、电池组串中有一片电池片无输出时的I-V曲线。根据扫描到的I-V曲线,以采用‘单二极管模型’为例,采用如下公式:
对如下表1所示场景测试的电池组串I-V数据进行拟合处理,获得不同的故障下的曲线相关的标准特征参数(包括标准特征参数1和标准特征参数2)。
表1:
编号 | 场景 |
1 | 无遮挡测试 |
2 | 人影遮挡 |
3 | 遮挡一片电池 |
4 | 遮挡多片电池 |
5 | 有组件发生PID衰减 |
6 | 组件存在电流失配 |
7 | 有组件存在热斑 |
8 | 有组件二极管短路 |
9 | 组件玻璃面板碎裂 |
图10a为电池组串在不同故障情况下的标准特征参数1的示意图;图10b为电池组串在不同故障情况下的标准特征参数2的示意图;如图10a和图10b所示,可以发现电池组串在不同的故障类型下,电池组串的I-V数值拟合得到的每个标准特征参数也是不同的,据此,可以对每个电池组串的实测数据按照上述方式进行拟合,与得到的标准特征参数进行对比,识别出电池组串的不同故障。
图11a为电池组串中无故障组件时的I-V曲线示意图;图11b为电池组串中有组件电流失配时的I-V曲线示意图;图11c为电池组串中有组件存在电势诱导衰减(potential induced degradation,PID)时的I-V曲线示意图,当电池组串中组件发生故障时,电池组串I-V曲线的形状根据故障类型会在不同部位发生变形,例如图11a至图11c所示,依次示出了电池组串中无故障组件、电池组串中有组件电流失配、电池组串中存在PID时的I-V曲线。
根据上述I-V曲线,采用‘半物理半数学’模型为例,采用如下公式:
对如上表1所示场景测试的电池组串I-V数据进行拟合,获得不同的故障下的曲线的特征参数,并将得到的特征参数绘制在图像中进行比对,图12为电池组串在无故障组件、有组件电流失配、存在PID时的特征参数的对比示意图;如图12所示,可发现不同故障类型下,电池组串I-V数据拟合出的特征参数Rsh不同,通过不同特征参数的组合识别出电池组串不同故障。
具体实现中,可以根据扫描到的电池组串的多组I-V数值,采用任一模型进行拟合处理,得到实测的电池组串的特征参数,然后将实际的特征参数与预先得到的标准特征参数进行比对,确定电池组串的故障,在上述任何一种方式下,识别出故障组串后,都可以通过远程无人机红外成像,或者通过对故障组串施加反向电压,该反向电压可通过外部电源或者逆变器施加,取得EL成像,以此识别具体的故障组件。
图13为本发明光电系统中电池组串故障的识别方法实施例三的流程图,如图13所示,该实施例中的光电系统中电池组串故障的识别方法的具体实现包括:
S301:获取光电系统中第一电池组串的至少两组I-V数值。
获取每个电池组串的I-V数值的方式与上述两个实施例类似。
S302:根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的实际I-V曲线。
在该方案中,所述组串物理模型用于表示所述第一电池输出的电流和电压的关系。可以采用的组串物理模型与上述实施例一和二相同,可以采用正向输出标准双二极管模型、反向注入标准双二极管模型、正向输出单二极管模型、反向注入单二极管模型和半数学半物理的分段拟合模型等中的任一种模型进行拟合,得到该第一电池组串的I-V曲线。
S303:将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较,确定出所述第一电池组串是否为故障组串。
其中,所述标准I-V曲线为根据所述第一电池组串在正常工作状态下输出的I-V数值采取所述组串物理模型拟合得到的曲线。
在本步骤中,可以根据得到的该些I-V数值根据选择的组串物理模型拟合得到实际测试出的该第一电池组串的I-V曲线,然后跟预先获取的标准I-V曲线进行比较,如果第一电池组串的I-V曲线与标准I-V曲线相同,则认为该第一电池组串没有故障,否则认为该第一电池组串存在故障。
在具体的实现中,得到标准的方式为,采用预先确定的组串物理模型和正常的特征参数,根据所述第一电池组串的的I-V数值和环境温度进行拟合处理,得到所述第一电池组串的所述标准I-V曲线。比较简单的处理方式是根据所述第一电池组串的I-V数据中的短路电流和开路电压这两点,带入选择的物理模型进行拟合处理,得到第一电池组串的标准I-V曲线。或者也可以直接通过确定正常的第一电池组串的I-V数值拟合出该标准I-V曲线。具体实现方式本方案不做限制。
在进行第一电池组串的实测I-V曲线和标准I-V曲线的对比时,需要计算所述实际I-V曲线和所述标准I-V曲线之间的差异值;若所述差异值大于预设的差异阈值,则确定所述第一电池组串为故障组串。若所述差异值小于或等于预先设置的差异阈值时,则确定该第一电池组串没有故障。这里的差异阈值可以根据实际实验数据进行设置。
在上述标准I-V曲线和实际的I-V曲线对比过程中,可以计算出标准I-V曲线和拟合得到到实际I-V曲线之间(后面称之为实际I-V曲线)差异值,根据差异值的大小判断实际电池组串中是否包含故障组件。差异值的计算方法的一个示例:在正常I-V曲线和实际I-V曲线上分别选择一组若干I-V点,这两组I-V点上有一个维度是相同的(即电流相同时,计算两个曲线上该电流值对应的电压之间的差值;或者电压相同时,计算两个曲线上该电压值对应的电流之间的差值),计算各点差值的平方和作为上述差异值,当平方和较大时,表明两根曲线重合度较差,反应实际I-V曲线对应的电池组串中有异常组件。
下面,详细介绍一种曲线比较的具体方式,在根据上述任一种模型得到标准I-V曲线,并根据示例电池组串的实测数据根据模型拟合得到实际I-V曲线后,需要进行对比,图14为电池组串的标准I-V曲线和实际I-V曲线的对比示意图,如图14所示,其中曲线1为正常电池组串的I-V输出曲线,即标准I-V曲线,可以通过物理模型、当前的电池组串的输出I-V参数、正常的电池组串特征参数、环境参数等拟合而得;曲线2为电池组串的实际输出I-V曲线,即实际I-V曲线,通过通过物理模型、当前电池组串的输出I-V点参数拟合、环境参数等而得。
在曲线上电压的0.8倍以下部分曲线中,按照不同的电压,在两根曲线上各取得一组电流数据,分别记为(I1-1,I1-2......)和(I2-1,I2-1.....);在曲线上电压0.8倍以上的部分,按照不同的电流,在两根曲线上个取得一组电压数据,分别记为(V1-1,V1-2......)和(V2-1,V2-1.....);
分别计算得到两根曲线的差值的平方和:
∑⊿I2=(I1-1-I2-1)2+(I1-2-I2-2)2+.......,
∑⊿V2=(V1-1-V2-1)2+(V1-2-V2-2)2+.......,
若∑⊿I2或∑⊿V2较大,表明两根I-V曲线的重合度差,提示实际电池组串内有异常组件,即该电池组串为故障组串。若∑⊿I2或∑⊿V2小于预设值,或者为零的时候,提示实际电池组串内并无异常组件,即该电池组串无故障。
以上仅介绍了一种I-V曲线差异比较方式,也可以通过采用类似的其他方式来评估曲线差异,达到判断电池组串输出I-V特征是否正常的目的。
本实施例提供的光电系统中电池组串故障的识别方法,通过获取光电系统中第一电池组串的至少两组I-V数值,根据得到的数据采用预先确定的组串物理模型进行拟合处理,得到该第一电池组串对应的拟合I-V曲线,然后将该I-V曲线与预先得到的该第一电池组串的标准I-V曲线进行对比,确定出该电池组串是否为故障组串,以此类推对光电系统中的每个电池组串使用该方式进行检测,即通过组串物理模型对采集到的数据进行曲线拟合处理,该方案可广泛应用在大型电站中,对电池组串的所有实测数据综合处理得到的特征参数和无故障时候的标准特征参数进行对比,不会因为个别点的测试误差造成误判,并且不依赖于环境的判断,因此该方案不会收到环境不一致的影响,有效提高了对电池组串故障识别的处理效率和准确度。
图15为本发明光电系统中电池组串故障的识别装置实施例一的结构示意图,如图15所示,该光电系统中电池组串故障的识别装置10,包括:
获取模块11,用于获取光电系统中第一电池组串的至少两组电流电压I-V数值;
第一处理模块12,用于根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的至少一个特征参数;所述组串物理模型用于表示所述第一电池组串的I-V数值与所述第一电池组串的特征参数之间的关系;所述特征参数为所述组串物理模型中用于反映电池组串输出电流和电压之间关系的常数;
第二处理模块13,用于将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串;其中,所述第一电池组串的所述标准特征参数为预先获取的且用于与所述第一电池组串的特征参数进行对比的标准值。
本实施例提供的光电系统中电池组串故障的识别装置,用于执行上述图1至图14所示的方法实施例的技术方案,其实现原理和技术效果类似,通过组串物理模型对采集到的数据进行曲线拟合处理,该方案可广泛应用在大型电站中,对电池组串的所有实测数据综合处理得到的特征参数和无故障时候的标准特征参数进行对比,不会因为个别点的测试误差造成误判,并且不依赖于环境的判断,因此该方案不会收到环境变化的影响,有效提高了对电池组串故障识别的处理效率和准确度。
图16为本发明光电系统中电池组串故障的识别装置实施例二的结构示意图,如图16所示,在上述实施例的基础上,该光电系统中电池组串故障的识别装置10还包括:
第三处理模块14,用于从所述故障组串中确定出至少一个故障组件。
进一步地,所述第三处理模块14具体用于:
根据红外热近端成像方式或红外热远程成像方式从所述故障组串中确定出故障组件;
或者,
根据电致发光EL近端成像方式或EL远程成像方式从所述故障组串中确定出故障组件;
或者,
根据光学近端成像方式或光学远程成像方式从所述故障组串中确定出故障组件。
可选的,所述第三处理模块14还具体用于:通过逆变器对所述故障组串施加电压,使其进入电致发光状态,然后根据近端成像方式或者远程成像方式确定出所述故障组串中的故障组件。
可选的,所述获取模块11具体用于:通过逆变器对所述电池组串施加电压,获得反向注入的电池组串I-V数值。
本实施例提供的光电系统中电池组串故障的识别装置,用于执行上述图1至图14所示的方法实施例的技术方案,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,若所述标准特征参数包括所述组串在每一种故障下的第二标准特征参数,所述第二处理模块13具体用于:
根据所述第一电池组串的至少一个特征参数和所述第一电池组串在每一种故障下的第二标准特征参数,确定出所述故障组串的故障类型。
可选的,所述第二处理模块13确定出的电池组串的故障包括以下至少一个:所述电池组串中的组件的输出功率异常衰减、所述电池组串中的组件发生电势诱导衰减PID、所述电池组串中的组件内部电池单元失效、所述电池组串的组件存在电流失配、所述电池组串存在组件出现热斑、所述电池组串存在组件内部二极管短路,所述电池组串存在组件玻璃面板碎裂,所述电池组串存在组件内部开路,所述电池组串中的组件被遮挡。
可选的,若所述电路模型为半数学半物理的分段拟合模型,则所述第一处理模块12具体用于:
将所述第一电池组串的电压取值范围分为至少两段,在每个分段内,根据至少一个I-V数值采用预先设置的简化物理模型进行拟合处理,获取所述第一电池组串在该分段内的特征参数,将所述第一电池组串在每个分段内的特征参数作为所述第一电池组串的所述至少一个特征参数;
其中,所述电压取值范围为所述第一电池组串的短路电压与所述第一电池组串最高可承受电压之下的任一个设定值之间的范围。
可选的,所述获取模块11还用于:
采用预先确定的组串物理模型进行拟合处理,获取所述第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数;
所述第一电池组串的所述标准特征参数包括所述电池组串正常工作时的第一标准特征参数和/或所述电池组串在每一种故障情况下的第二标准特征参数。
可选的,当所述特征参数包括所述第一标准特征参数,则第二处理模块13具体用于:
将所述第一电池组串的所述至少一个特征参数分别于每个特征参数对应的所述第一标准特征参数进行比较,若所述至少一个特征参数与对应的所述第一标准特征参数在预设范围内相同,则所述第一电池组串无故障;否则,所述第一电池组串为故障组串。
可选的,当所述特征参数包括所述第一电池组串在每一种故障情况下的第二标准特征参数第二标准特征参数,则所述第二处理模块13还用于:
将所述第一电池组串的所述至少一个特征参数与所述第一电池组串在每一种故障情况下的第二标准特征参数分别进行比较;
若存在第二标准特征参数与所述第一电池组串的所述至少一个特征参数在预设范围内相同,则所述第一电池组串为故障组串,且所述第一电池组串的故障类型为与所述第二标准特征参数对应的故障类型。
本实施例提供的光电系统中电池组串故障的识别装置,用于执行上述图1至图14所示的方法实施例的技术方案,其实现原理和技术效果类似,在此不再赘述。
图17为本发明光电系统中电池组串故障的识别装置实施例三的结构示意图,如图17所示,该光电系统中电池组串故障的识别装置20包括:
获取模块21,用于获取光电系统中第一电池组串的至少两组电流电压I-V数值;
第一处理模块22,用于根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的实际I-V曲线;所述组串物理模型用于表示所述第一电池输出的电流和电压的关系;
第二处理模块23,用于将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较,确定出所述第一电池组串是否为故障组串;其中,所述标准I-V曲线为根据所述第一电池组串在正常工作状态下输出的I-V数值采取所述组串物理模型拟合得到的曲线。
本实施例提供的光电系统中电池组串故障的识别装置,用于执行上述图1至图14所示的方法实施例的技术方案,其实现原理和技术效果类似,在此不再赘述。
图18为本发明光电系统中电池组串故障的识别装置实施例四的结构示意图,如图18所示,在上述实施例的基础上,该光电系统中电池组串故障的识别装置20还包括:
第三处理模块24,用于从所述故障组串中确定出至少一个故障组件。
在上述实施例的基础上,所述获取模块21还用于:
采用预先确定的组串物理模型和正常工作时的第一标准特征参数,根据所述第一电池组串的I-V数值进行拟合处理,得到所述第一电池组串的所述标准I-V曲线。
图19为本发明光电系统中电池组串故障的识别装置实施例五的结构示意图,如图19所示,在上述实施例的基础上,所述第二处理模块23包括:
计算单元231,用于计算所述实际I-V曲线和所述标准I-V曲线之间的差异值;
处理单元232,用于若所述差异值大于预设的差异阈值,则确定所述第一电池组串为故障组串。
本实施例提供的光电系统中电池组串故障的识别装置,用于执行上述图1至图14所示的方法实施例的技术方案,其实现原理和技术效果类似,在此不再赘述。
图20为本发明光电系统中电池组串故障的识别设备实施例一的结构示意图,如图20所示,该光电系统中电池组串故障的识别设备包括:用于控制可执行指令执行的处理器31和用于存储处理器可执行指令的存储器32;
所述处理器31用于:
获取光电系统中第一电池组串的至少两组电流电压I-V数值;
根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的至少一个特征参数;所述组串物理模型用于表示所述第一电池组串的I-V数值与所述第一电池组串的特征参数之间的关系;所述特征参数为所述组串物理模型中用于反映电池组串输出电流和电压之间关系的常数;
将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串;其中,所述第一电池组串的所述标准特征参数为预先获取的且用于与所述第一电池组串的特征参数进行对比的标准值。
可选的,若所述电路模型为半数学半物理的分段拟合模型,则所述处理器31具体用于:
将所述第一电池组串的电压取值范围分为至少两段,在每个分段内,根据至少一个I-V数值采用预先设置的简化物理模型进行拟合处理,获取所述第一电池组串在该分段内的特征参数,将所述第一电池组串在每个分段内的特征参数作为所述第一电池组串的所述至少一个特征参数;
其中,所述电压取值范围为所述第一电池组串的短路电压与所述第一电池组串最高可承受电压之下的任一个设定值之间的范围。
可选的,所述处理器31获取的所述第一电池组串的所述标准特征参数包括所述第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。
可选的,当所述特征参数包括所述第一标准特征参数,则所述处理器31具体用于:
将所述第一电池组串的所述至少一个特征参数分别于每个特征参数对应的所述第一标准特征参数进行比较,若所述至少一个特征参数与对应的所述第一标准特征参数在预设范围内相同,则所述第一电池组串无故障;否则,所述第一电池组串为故障组串。
可选的,当所述特征参数包括所述第一电池组串在每一种故障情况下的第二标准特征参数第二标准特征参数,则所述处理器31具体用于:
将所述第一电池组串的所述至少一个特征参数与所述第一电池组串在每一种故障情况下的第二标准特征参数分别进行比较;
若存在第二标准特征参数与所述第一电池组串的所述至少一个特征参数在预设范围内相同,则所述第一电池组串为故障组串,且所述第一电池组串的故障类型为与所述第二标准特征参数对应的故障类型。
可选的,所述处理器31还用于:从所述故障组串中确定出至少一个故障组件。
可选的,所述处理器31还用于:
根据红外热近端成像方式或红外热远程成像方式从所述故障组串中确定出故障组件;
或者,
根据电致发光EL近端成像方式或EL远程成像方式从所述故障组串中确定出故障组件;
或者,
根据光学近端成像方式或光学远程成像方式从所述故障组串中确定出故障组件。
可选的,所述处理器31具体用于控制通过逆变器对所述故障组串施加电压,使其进入电致发光状态,然后根据近端成像方式或者远程成像方式确定出所述故障组串中的故障组件。
可选的,所述处理器31具体用于通过逆变器对所述第一电池组串施加电压,获得反向注入的组串I-V数值。
可选的,所述处理器31获取的所述第一电池组串的故障类型包括以下至少一个:所述第一电池组串中的组件的输出功率异常衰减、所述第一电池组串中的组件发生电势诱导衰减PID衰减、所述第一电池组串中的组件内部电池单元失效、所述第一电池组串的组件存在电流失配、所述第一电池组串存在组件出现热斑、所述第一电池组串存在组件内部二极管短路,所述第一电池组串存在组件玻璃面板碎裂,所述第一电池组串存在组件内部开路,所述第一电池组串中的组件被遮挡。
可选的,所述处理器31还用于采用预先确定的组串物理模型进行拟合处理,获取所述第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。
图21为本发明光电系统中电池组串故障的识别设备实施例二的结构示意图,如图21所示,该光电系统中电池组串故障的识别设备包括:用于控制可执行指令执行的处理器41和用于存储处理器可执行指令的存储器42;
所述处理器41用于:
获取光电系统中第一电池组串的至少两组电流电压I-V数值;
根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的实际I-V曲线;所述组串物理模型用于表示所述第一电池输出的电流和电压的关系;
将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较,确定出所述第一电池组串是否为故障组串;其中,所述标准I-V曲线为根据所述第一电池组串在正常工作状态下输出的I-V数值采取所述组串物理模型拟合得到的曲线。
可选的,所述处理器41还用于从所述故障组串中确定出至少一个故障组件。
可选的,所述处理器41还用于采用预先确定的组串物理模型和正常工作时的标准特征参数,根据所述第一电池组串的I-V数值进行拟合处理,得到所述第一电池组串的所述标准I-V曲线。
可选的,所述处理器41具体用于:
计算所述实际I-V曲线和所述标准I-V曲线之间的差异值;
若所述差异值大于预设的差异阈值,则确定所述第一电池组串为故障组串。
上述两个实施例提供的光电系统中电池组串故障的识别设备,用于执行上述图1至图14所示的方法实施例的技术方案,其实现原理和技术效果类似,在此不再赘述。
在上述光电系统中电池组串故障的识别设备的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储器中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储器(存储介质)包括:只读存储器(英文:read-only memory,缩写:ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(英文:magnetic tape)、软盘(英文:floppy disk)、光盘(英文:optical disc)及其任意组合。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (33)
1.一种光电系统中电池组串故障的识别方法,其特征在于,包括:
获取光电系统中第一电池组串的至少两组电流电压I-V数值;
根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的至少一个特征参数;所述组串物理模型用于表示所述第一电池组串的I-V数值与所述第一电池组串的特征参数之间的关系;所述特征参数为所述组串物理模型中用于反映电池组串输出电流和电压之间关系的常数;
将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串;其中,所述第一电池组串的所述标准特征参数为预先获取的且用于与所述第一电池组串的特征参数进行对比的标准值。
2.根据权利要求1所述的方法,其特征在于,所述组串物理模型包括以下任一个:正向输出标准双二极管模型、反向注入标准双二极管模型、正向输出单二极管模型、反向注入单二极管模型、半数学半物理的分段拟合模型和纯数学拟合模型。
3.根据权利要求2所述的方法,其特征在于,若所述电路模型为半数学半物理的分段拟合模型,则根据所述至少两组I-V数值,采用预先确定的电路模型进行拟合处理,得到所述第一电池组串的至少一个特征参数,包括:
将所述第一电池组串的电压取值范围分为至少两段,在每个分段内,根据至少一个I-V数值采用预先设置的简化物理模型进行拟合处理,获取所述第一电池组串在该分段内的特征参数,将所述第一电池组串在每个分段内的特征参数作为所述第一电池组串的所述至少一个特征参数;
其中,所述电压取值范围为所述第一电池组串的短路电压与所述第一电池组串最高可承受电压之下的任一个设定值之间的范围。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述第一电池组串的所述标准特征参数包括所述第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。
5.根据权利要求4所述的方法,其特征在于,当所述特征参数包括所述第一标准特征参数,则所述将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串,包括:
将所述第一电池组串的所述至少一个特征参数分别于每个特征参数对应的所述第一标准特征参数进行比较,若所述至少一个特征参数与对应的所述第一标准特征参数在预设范围内相同,则所述第一电池组串无故障;否则,所述第一电池组串为故障组串。
6.根据权利要求4或5所述的方法,其特征在于,当所述特征参数包括所述第一电池组串在每一种故障情况下的第二标准特征参数第二标准特征参数,则所述将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串,包括:
将所述第一电池组串的所述至少一个特征参数与所述第一电池组串在每一种故障情况下的第二标准特征参数分别进行比较;
若存在第二标准特征参数与所述第一电池组串的所述至少一个特征参数在预设范围内相同,则所述第一电池组串为故障组串,且所述第一电池组串的故障类型为与所述第二标准特征参数对应的故障类型。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
从所述故障组串中确定出至少一个故障组件。
8.根据权利要求7所述的方法,其特征在于,所述从所述故障组串中确定出至少一个故障组件,包括:
根据红外热近端成像方式或红外热远程成像方式从所述故障组串中确定出故障组件;
或者,
根据电致发光EL近端成像方式或EL远程成像方式从所述故障组串中确定出故障组件;
或者,
根据光学近端成像方式或光学远程成像方式从所述故障组串中确定出故障组件。
9.根据权利要求8所述的方法,其特征在于,所述根据EL近端成像方式或EL远程成像方式从所述故障组串中确定出故障组件,包括:
通过逆变器对所述故障组串施加电压,使其进入电致发光状态,然后根据近端成像方式或者远程成像方式确定出所述故障组串中的故障组件。
10.根据权利要求1至9任一项所述的方法,其特征在于,所述获取光电系统中第一电池组串的至少两组电流电压I-V数值,包括:
通过逆变器对所述第一电池组串施加电压,获得反向注入的组串I-V数值。
11.根据权利要求4或6所述的方法,其特征在于,所述第一电池组串的故障类型包括以下至少一个:所述第一电池组串中的组件的输出功率异常衰减、所述第一电池组串中的组件发生电势诱导衰减PID衰减、所述第一电池组串中的组件内部电池单元失效、所述第一电池组串的组件存在电流失配、所述第一电池组串存在组件出现热斑、所述第一电池组串存在组件内部二极管短路,所述第一电池组串存在组件玻璃面板碎裂,所述第一电池组串存在组件内部开路,所述第一电池组串中的组件被遮挡。
12.根据权利要求1至11任一项所述的方法,其特征在于,所述将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较之前,所述方法还包括:
采用预先确定的组串物理模型进行拟合处理,获取所述第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。
13.一种光电系统中电池组串故障的识别方法,其特征在于,包括:
获取光电系统中第一电池组串的至少两组电流电压I-V数值;
根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的实际I-V曲线;所述组串物理模型用于表示所述第一电池输出的电流和电压的关系;
将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较,确定出所述第一电池组串是否为故障组串;其中,所述标准I-V曲线为根据所述第一电池组串在正常工作状态下输出的I-V数值采取所述组串物理模型拟合得到的曲线。
14.根据权利要求13所述的方法,其特征在于,所述方法还包括:
从所述故障组串中确定出至少一个故障组件。
15.根据权利要求13或14所述的方法,其特征在于,所述将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较之前,所述方法还包括:
采用预先确定的组串物理模型和正常工作时的标准特征参数,根据所述第一电池组串的I-V数值进行拟合处理,得到所述第一电池组串的所述标准I-V曲线。
16.根据权利要求13至15任一项所述的方法,其特征在于,所述将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较,确定出所述第一电池组串是否为故障组串,包括:
计算所述实际I-V曲线和所述标准I-V曲线之间的差异值;
若所述差异值大于预设的差异阈值,则确定所述第一电池组串为故障组串。
17.一种光电系统中电池组串故障的识别装置,其特征在于,包括:
获取模块,用于获取光电系统中第一电池组串的至少两组电流电压I-V数值;
第一处理模块,用于根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的至少一个特征参数;所述组串物理模型用于表示所述第一电池组串的I-V数值与所述第一电池组串的特征参数之间的关系;所述特征参数为所述组串物理模型中用于反映电池组串输出电流和电压之间关系的常数;
第二处理模块,用于将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串;其中,所述第一电池组串的所述标准特征参数为预先获取的且用于与所述第一电池组串的特征参数进行对比的标准值。
18.一种光电系统中电池组串故障的识别装置,其特征在于,包括:
获取模块,用于获取光电系统中第一电池组串的至少两组电流电压I-V数值;
第一处理模块,用于根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的实际I-V曲线;所述组串物理模型用于表示所述第一电池输出的电流和电压的关系;
第二处理模块,用于将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较,确定出所述第一电池组串是否为故障组串;其中,所述标准I-V曲线为根据所述第一电池组串在正常工作状态下输出的I-V数值采取所述组串物理模型拟合得到的曲线。
19.一种光电系统中电池组串故障的识别设备,其特征在于,包括:用于控制可执行指令执行的处理器和用于存储处理器可执行指令的存储器;
所述处理器用于:
获取光电系统中第一电池组串的至少两组电流电压I-V数值;
根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的至少一个特征参数;所述组串物理模型用于表示所述第一电池组串的I-V数值与所述第一电池组串的特征参数之间的关系;所述特征参数为所述组串物理模型中用于反映电池组串输出电流和电压之间关系的常数;
将所述第一电池组串的所述至少一个特征参数分别与每个所述特征参数所对应的的标准特征参数进行比较,确定所述光电系统中的第一电池组串是否为故障组串;其中,所述第一电池组串的所述标准特征参数为预先获取的且用于与所述第一电池组串的特征参数进行对比的标准值。
20.根据权利要求19所述的设备,其特征在于,若所述电路模型为半数学半物理的分段拟合模型,则所述处理器具体用于:
将所述第一电池组串的电压取值范围分为至少两段,在每个分段内,根据至少一个I-V数值采用预先设置的简化物理模型进行拟合处理,获取所述第一电池组串在该分段内的特征参数,将所述第一电池组串在每个分段内的特征参数作为所述第一电池组串的所述至少一个特征参数;
其中,所述电压取值范围为所述第一电池组串的短路电压与所述第一电池组串最高可承受电压之下的任一个设定值之间的范围。
21.根据权利要求19或20任一项所述的设备,其特征在于,所述处理器获取的所述第一电池组串的所述标准特征参数包括所述第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。
22.根据权利要求21所述的设备,其特征在于,当所述特征参数包括所述第一标准特征参数,则所述处理器具体用于:
将所述第一电池组串的所述至少一个特征参数分别于每个特征参数对应的所述第一标准特征参数进行比较,若所述至少一个特征参数与对应的所述第一标准特征参数在预设范围内相同,则所述第一电池组串无故障;否则,所述第一电池组串为故障组串。
23.根据权利要求21或22所述的设备,其特征在于,当所述特征参数包括所述第一电池组串在每一种故障情况下的第二标准特征参数第二标准特征参数,则所述处理器具体用于:
将所述第一电池组串的所述至少一个特征参数与所述第一电池组串在每一种故障情况下的第二标准特征参数分别进行比较;
若存在第二标准特征参数与所述第一电池组串的所述至少一个特征参数在预设范围内相同,则所述第一电池组串为故障组串,且所述第一电池组串的故障类型为与所述第二标准特征参数对应的故障类型。
24.根据权利要求19至23任一项所述的设备,其特征在于,所述处理器还用于:从所述故障组串中确定出至少一个故障组件。
25.根据权利要求24所述的设备,其特征在于,所述处理器还用于:
根据红外热近端成像方式或红外热远程成像方式从所述故障组串中确定出故障组件;
或者,
根据电致发光EL近端成像方式或EL远程成像方式从所述故障组串中确定出故障组件;
或者,
根据光学近端成像方式或光学远程成像方式从所述故障组串中确定出故障组件。
26.根据权利要求25所述的设备,其特征在于,所述处理器具体用于控制通过逆变器对所述故障组串施加电压,使其进入电致发光状态,然后根据近端成像方式或者远程成像方式确定出所述故障组串中的故障组件。
27.根据权利要求19至26任一项所述的设备,其特征在于,所述处理器具体用于通过逆变器对所述第一电池组串施加电压,获得反向注入的组串I-V数值。
28.根据权利要求27所述的设备,其特征在于,所述处理器获取的所述第一电池组串的故障类型包括以下至少一个:所述第一电池组串中的组件的输出功率异常衰减、所述第一电池组串中的组件发生电势诱导衰减PID衰减、所述第一电池组串中的组件内部电池单元失效、所述第一电池组串的组件存在电流失配、所述第一电池组串存在组件出现热斑、所述第一电池组串存在组件内部二极管短路,所述第一电池组串存在组件玻璃面板碎裂,所述第一电池组串存在组件内部开路,所述第一电池组串中的组件被遮挡。
29.根据权利要求19至28任一项所述的设备,其特征在于,所述处理器还用于采用预先确定的组串物理模型进行拟合处理,获取所述第一电池组串正常工作时的第一标准特征参数和/或所述第一电池组串在每一种故障情况下的第二标准特征参数。
30.一种光电系统中电池组串故障的识别设备,其特征在于,包括:用于控制可执行指令执行的处理器和用于存储处理器可执行指令的存储器;
所述处理器用于:
获取光电系统中第一电池组串的至少两组电流电压I-V数值;
根据所述至少两组I-V数值,采用预先确定的组串物理模型进行拟合处理,得到所述第一电池组串的实际I-V曲线;所述组串物理模型用于表示所述第一电池输出的电流和电压的关系;
将所述第一电池组串的实际I-V曲线与预先获取的标准I-V曲线进行比较,确定出所述第一电池组串是否为故障组串;其中,所述标准I-V曲线为根据所述第一电池组串在正常工作状态下输出的I-V数值采取所述组串物理模型拟合得到的曲线。
31.根据权利要求30所述的设备,其特征在于,所述处理器还用于从所述故障组串中确定出至少一个故障组件。
32.根据权利要求30或31所述的设备,其特征在于,所述处理器还用于采用预先确定的组串物理模型和正常工作时的标准特征参数,根据所述第一电池组串的I-V数值进行拟合处理,得到所述第一电池组串的所述标准I-V曲线。
33.根据权利要求29至32任一项所述的设备,其特征在于,所述处理器具体用于:
计算所述实际I-V曲线和所述标准I-V曲线之间的差异值;
若所述差异值大于预设的差异阈值,则确定所述第一电池组串为故障组串。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610115556.4A CN105827200B (zh) | 2016-03-01 | 2016-03-01 | 光电系统中电池组串故障的识别方法、装置和设备 |
EP17759187.2A EP3416283B1 (en) | 2016-03-01 | 2017-02-24 | Battery pack string fault identification method in photoelectric system, apparatus and device |
PCT/CN2017/074813 WO2017148336A1 (zh) | 2016-03-01 | 2017-02-24 | 光电系统中电池组串故障的识别方法、装置和设备 |
US16/121,197 US10985696B2 (en) | 2016-03-01 | 2018-09-04 | Method, apparatus, and device for identifying cell string fault in optoelectronic system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610115556.4A CN105827200B (zh) | 2016-03-01 | 2016-03-01 | 光电系统中电池组串故障的识别方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105827200A true CN105827200A (zh) | 2016-08-03 |
CN105827200B CN105827200B (zh) | 2019-05-03 |
Family
ID=56987441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610115556.4A Active CN105827200B (zh) | 2016-03-01 | 2016-03-01 | 光电系统中电池组串故障的识别方法、装置和设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10985696B2 (zh) |
EP (1) | EP3416283B1 (zh) |
CN (1) | CN105827200B (zh) |
WO (1) | WO2017148336A1 (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106160659A (zh) * | 2016-08-24 | 2016-11-23 | 河海大学常州校区 | 一种光伏电站区域定向故障诊断方法 |
CN106707183A (zh) * | 2016-12-09 | 2017-05-24 | 国网北京市电力公司 | 蓄电池放电测试方法和装置 |
CN106842035A (zh) * | 2016-12-09 | 2017-06-13 | 国网北京市电力公司 | 用于确定蓄电池组放电能力的数据处理方法和装置 |
CN106908735A (zh) * | 2017-03-09 | 2017-06-30 | 广东创锐电子技术股份有限公司 | 一种充电桩用储能电池的测试方法 |
WO2017148336A1 (zh) * | 2016-03-01 | 2017-09-08 | 华为技术有限公司 | 光电系统中电池组串故障的识别方法、装置和设备 |
CN107196604A (zh) * | 2017-05-26 | 2017-09-22 | 阳光电源股份有限公司 | 一种光伏发电系统及其组件iv曲线扫描方法 |
CN107404287A (zh) * | 2017-05-23 | 2017-11-28 | 扬州鸿淏新能源科技有限公司 | 一种光伏电站故障诊断方法 |
CN107508549A (zh) * | 2017-09-01 | 2017-12-22 | 中国华电科工集团有限公司 | 一种组串的pid衰减的检测方法 |
CN108089509A (zh) * | 2017-12-22 | 2018-05-29 | 苏州正易鑫新能源科技有限公司 | 一种光伏发电站远程管理装置及系统 |
CN108336969A (zh) * | 2018-03-23 | 2018-07-27 | 淮阴师范学院 | 一种基于曲线扫描的光伏组件故障诊断方法 |
CN108923748A (zh) * | 2018-07-16 | 2018-11-30 | 河海大学常州校区 | 一种基于iv曲线扫描的光伏阵列故障诊断方法 |
CN109140710A (zh) * | 2018-08-24 | 2019-01-04 | 重庆美的通用制冷设备有限公司 | 模块式空调机组串并联的识别方法、装置及电子设备 |
CN109738811A (zh) * | 2019-01-28 | 2019-05-10 | 东北大学 | 基于双级模型预测的锂离子电池组外部短路故障诊断方法 |
CN109861644A (zh) * | 2018-12-24 | 2019-06-07 | 阳光电源股份有限公司 | 光伏组件故障诊断方法、边缘计算处理装置和逆变器 |
WO2019237755A1 (zh) * | 2018-06-15 | 2019-12-19 | 华为技术有限公司 | 组串式逆变器的控制方法、控制器、逆变器及逆变系统 |
CN112653393A (zh) * | 2020-12-09 | 2021-04-13 | 阳光电源股份有限公司 | 一种光伏系统iv诊断的控制方法及装置 |
CN112701186A (zh) * | 2020-12-25 | 2021-04-23 | 韩华新能源(启东)有限公司 | 用于热敏相机位置检测的标片制作方法、标片及检测方法 |
CN113671904A (zh) * | 2020-05-13 | 2021-11-19 | Tcl科技集团股份有限公司 | 机台监测方法、装置、机台、可读存储介质及终端设备 |
WO2021253790A1 (zh) * | 2020-06-17 | 2021-12-23 | 阳光电源股份有限公司 | 一种故障诊断方法及诊断设备 |
JP6993652B1 (ja) | 2021-05-18 | 2022-01-13 | 東京瓦斯株式会社 | 劣化検出装置及び劣化検出プログラム |
WO2023087569A1 (zh) * | 2021-11-17 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于XGBoost的光伏组串通信异常识别方法及系统 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682505B (zh) * | 2016-05-04 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 一种病毒检测方法、终端、服务器及系统 |
WO2019168165A1 (ja) * | 2018-03-02 | 2019-09-06 | 国立研究開発法人産業技術総合研究所 | 光電変換素子の電流-電圧特性の推定方法、その推定方法をコンピュータを実行させるプログラム、そのプログラムを記録した記録媒体および特性推定装置 |
JP7299749B2 (ja) * | 2019-05-10 | 2023-06-28 | 東北電力株式会社 | 太陽光発電出力予測装置、太陽光発電出力予測方法、及びプログラム |
JP7425444B2 (ja) | 2020-07-15 | 2024-01-31 | 株式会社トーエネック | 発電性能評価装置および発電性能評価方法並びにプログラム |
CN112290886B (zh) * | 2020-09-18 | 2022-10-28 | 华为数字能源技术有限公司 | 一种故障检测方法、装置和光伏发电系统 |
CN112327194B (zh) * | 2020-10-21 | 2021-09-24 | 北京航空航天大学 | 一种锂电池容量跳水识别方法及装置 |
KR102598830B1 (ko) * | 2021-04-23 | 2023-11-07 | 한국에너지기술연구원 | 태양광 모듈 및 스트링의 고장진단 시스템 및 그 방법 |
CN116111948B (zh) * | 2022-12-07 | 2024-04-23 | 中广核贵州安顺关岭新能源有限公司 | 一种光伏支路设备故障预警系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103633937A (zh) * | 2013-12-10 | 2014-03-12 | 南昌航空大学 | 一种基于Lambert W函数和多项式拟合的太阳电池参数提取方法 |
US20140136129A1 (en) * | 2012-11-13 | 2014-05-15 | International Business Machines Corporation | Solar cell characteristics determination |
CN103840742A (zh) * | 2014-03-04 | 2014-06-04 | 常州恒大光伏科技有限公司 | 一种光伏组件的智能管理方法及系统 |
CN103944510A (zh) * | 2014-05-06 | 2014-07-23 | 河海大学常州校区 | 一种光伏组件输出特性的判断方法 |
CN103942438A (zh) * | 2014-04-24 | 2014-07-23 | 河海大学常州校区 | 硅电池光伏组件五参数模型的参数提取方法 |
CN104320077A (zh) * | 2014-09-29 | 2015-01-28 | 广东产品质量监督检验研究院 | 一种对光伏组件的快速检测方法 |
CN104778345A (zh) * | 2015-01-07 | 2015-07-15 | 天津大学 | 一种模拟光伏电池模型老化故障的非线性参数计算方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2874156B2 (ja) * | 1994-04-13 | 1999-03-24 | キヤノン株式会社 | 発電システム |
AT508834B1 (de) * | 2009-10-09 | 2012-09-15 | Fronius Int Gmbh | Verfahren und vorrichtung zur fehlererkennung in einer photovoltaik-anlage |
DE102010009079B4 (de) * | 2010-02-24 | 2018-02-22 | Adensis Gmbh | Verfahren und Vorrichtung zum Auffinden leistungsschwacher PV-Module in einer PV-Anlage mittels des Einsatzes von Trennschaltern |
DE102010009080B4 (de) * | 2010-02-24 | 2018-02-22 | Adensis Gmbh | Verfahren und Vorrichtung zum Auffinden leistungsschwacher PV-Module in einer PV-Anlage |
CN102162832A (zh) * | 2010-12-23 | 2011-08-24 | 江苏兆伏新能源有限公司 | 一种检测太阳能电池板阵列故障的方法和系统 |
US20120242320A1 (en) * | 2011-03-22 | 2012-09-27 | Fischer Kevin C | Automatic Generation And Analysis Of Solar Cell IV Curves |
US9831827B2 (en) * | 2013-08-13 | 2017-11-28 | Hitachi Systems, Ltd. | Photovoltaic inspection system and photovoltaic inspection method |
JP6209412B2 (ja) * | 2013-09-27 | 2017-10-04 | 株式会社日立製作所 | 太陽光発電システムの故障診断システム及び故障診断方法 |
CN103701410B (zh) * | 2013-12-31 | 2016-09-21 | 阳光电源股份有限公司 | 一种光伏组串故障识别方法、装置及系统 |
CN104283512B (zh) | 2014-10-28 | 2017-02-01 | 上海许继电气有限公司 | 光伏电站系统中实现组串远程故障监控与定位的方法 |
CN104796082A (zh) * | 2015-04-22 | 2015-07-22 | 中国科学院广州能源研究所 | 一种光伏发电系统在线故障诊断系统及方法 |
CN204906318U (zh) | 2015-07-15 | 2015-12-23 | 中国能源建设集团安徽电力建设第一工程有限公司 | 一种光伏组串故障检测装置 |
JP6481571B2 (ja) * | 2015-09-14 | 2019-03-13 | オムロン株式会社 | 検査装置および検査方法 |
CN105827200B (zh) * | 2016-03-01 | 2019-05-03 | 华为技术有限公司 | 光电系统中电池组串故障的识别方法、装置和设备 |
-
2016
- 2016-03-01 CN CN201610115556.4A patent/CN105827200B/zh active Active
-
2017
- 2017-02-24 EP EP17759187.2A patent/EP3416283B1/en active Active
- 2017-02-24 WO PCT/CN2017/074813 patent/WO2017148336A1/zh active Application Filing
-
2018
- 2018-09-04 US US16/121,197 patent/US10985696B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140136129A1 (en) * | 2012-11-13 | 2014-05-15 | International Business Machines Corporation | Solar cell characteristics determination |
CN103633937A (zh) * | 2013-12-10 | 2014-03-12 | 南昌航空大学 | 一种基于Lambert W函数和多项式拟合的太阳电池参数提取方法 |
CN103840742A (zh) * | 2014-03-04 | 2014-06-04 | 常州恒大光伏科技有限公司 | 一种光伏组件的智能管理方法及系统 |
CN103942438A (zh) * | 2014-04-24 | 2014-07-23 | 河海大学常州校区 | 硅电池光伏组件五参数模型的参数提取方法 |
CN103944510A (zh) * | 2014-05-06 | 2014-07-23 | 河海大学常州校区 | 一种光伏组件输出特性的判断方法 |
CN104320077A (zh) * | 2014-09-29 | 2015-01-28 | 广东产品质量监督检验研究院 | 一种对光伏组件的快速检测方法 |
CN104778345A (zh) * | 2015-01-07 | 2015-07-15 | 天津大学 | 一种模拟光伏电池模型老化故障的非线性参数计算方法 |
Non-Patent Citations (1)
Title |
---|
董梦男: "光伏电池模型参数辨识及老化故障的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10985696B2 (en) | 2016-03-01 | 2021-04-20 | Huawei Technologies Co., Ltd. | Method, apparatus, and device for identifying cell string fault in optoelectronic system |
WO2017148336A1 (zh) * | 2016-03-01 | 2017-09-08 | 华为技术有限公司 | 光电系统中电池组串故障的识别方法、装置和设备 |
CN106160659A (zh) * | 2016-08-24 | 2016-11-23 | 河海大学常州校区 | 一种光伏电站区域定向故障诊断方法 |
CN106707183A (zh) * | 2016-12-09 | 2017-05-24 | 国网北京市电力公司 | 蓄电池放电测试方法和装置 |
CN106842035A (zh) * | 2016-12-09 | 2017-06-13 | 国网北京市电力公司 | 用于确定蓄电池组放电能力的数据处理方法和装置 |
CN106908735A (zh) * | 2017-03-09 | 2017-06-30 | 广东创锐电子技术股份有限公司 | 一种充电桩用储能电池的测试方法 |
CN106908735B (zh) * | 2017-03-09 | 2019-08-02 | 广东创锐电子技术股份有限公司 | 一种充电桩用储能电池的测试方法 |
CN107404287A (zh) * | 2017-05-23 | 2017-11-28 | 扬州鸿淏新能源科技有限公司 | 一种光伏电站故障诊断方法 |
CN107196604B (zh) * | 2017-05-26 | 2020-03-24 | 阳光电源股份有限公司 | 一种光伏发电系统及其组件iv曲线扫描方法 |
CN107196604A (zh) * | 2017-05-26 | 2017-09-22 | 阳光电源股份有限公司 | 一种光伏发电系统及其组件iv曲线扫描方法 |
CN107508549A (zh) * | 2017-09-01 | 2017-12-22 | 中国华电科工集团有限公司 | 一种组串的pid衰减的检测方法 |
CN108089509A (zh) * | 2017-12-22 | 2018-05-29 | 苏州正易鑫新能源科技有限公司 | 一种光伏发电站远程管理装置及系统 |
CN108336969A (zh) * | 2018-03-23 | 2018-07-27 | 淮阴师范学院 | 一种基于曲线扫描的光伏组件故障诊断方法 |
WO2019237755A1 (zh) * | 2018-06-15 | 2019-12-19 | 华为技术有限公司 | 组串式逆变器的控制方法、控制器、逆变器及逆变系统 |
US11171489B2 (en) | 2018-06-15 | 2021-11-09 | Huawei Technologies Co., Ltd. | Control method and controller for string inverter, inverter, and inverter system |
CN108923748B (zh) * | 2018-07-16 | 2019-08-06 | 河海大学常州校区 | 一种基于iv曲线扫描的光伏阵列故障诊断方法 |
CN108923748A (zh) * | 2018-07-16 | 2018-11-30 | 河海大学常州校区 | 一种基于iv曲线扫描的光伏阵列故障诊断方法 |
CN109140710A (zh) * | 2018-08-24 | 2019-01-04 | 重庆美的通用制冷设备有限公司 | 模块式空调机组串并联的识别方法、装置及电子设备 |
CN109140710B (zh) * | 2018-08-24 | 2021-05-04 | 重庆美的通用制冷设备有限公司 | 模块式空调机组串并联的识别方法、装置及电子设备 |
CN109861644A (zh) * | 2018-12-24 | 2019-06-07 | 阳光电源股份有限公司 | 光伏组件故障诊断方法、边缘计算处理装置和逆变器 |
AU2019216664B2 (en) * | 2018-12-24 | 2020-12-03 | Sungrow Power Supply Co., Ltd. | Method for photovoltaic module fault diagnosis, edge calculation processing device, and inverter |
US11329604B2 (en) | 2018-12-24 | 2022-05-10 | Sungrow Power Supply Co., Ltd. | Method for photovoltaic module fault diagnosis, edge calculation processing device, and inverter |
CN109738811A (zh) * | 2019-01-28 | 2019-05-10 | 东北大学 | 基于双级模型预测的锂离子电池组外部短路故障诊断方法 |
CN109738811B (zh) * | 2019-01-28 | 2020-12-01 | 东北大学 | 基于双级模型预测的锂离子电池组外部短路故障诊断方法 |
CN113671904B (zh) * | 2020-05-13 | 2022-09-06 | Tcl科技集团股份有限公司 | 机台监测方法、装置、机台、可读存储介质及终端设备 |
CN113671904A (zh) * | 2020-05-13 | 2021-11-19 | Tcl科技集团股份有限公司 | 机台监测方法、装置、机台、可读存储介质及终端设备 |
WO2021253790A1 (zh) * | 2020-06-17 | 2021-12-23 | 阳光电源股份有限公司 | 一种故障诊断方法及诊断设备 |
CN112653393A (zh) * | 2020-12-09 | 2021-04-13 | 阳光电源股份有限公司 | 一种光伏系统iv诊断的控制方法及装置 |
CN112701186A (zh) * | 2020-12-25 | 2021-04-23 | 韩华新能源(启东)有限公司 | 用于热敏相机位置检测的标片制作方法、标片及检测方法 |
CN112701186B (zh) * | 2020-12-25 | 2022-09-20 | 韩华新能源(启东)有限公司 | 用于热敏相机位置检测的标片制作方法、标片及检测方法 |
JP6993652B1 (ja) | 2021-05-18 | 2022-01-13 | 東京瓦斯株式会社 | 劣化検出装置及び劣化検出プログラム |
JP2022177708A (ja) * | 2021-05-18 | 2022-12-01 | 東京瓦斯株式会社 | 劣化検出装置及び劣化検出プログラム |
WO2023087569A1 (zh) * | 2021-11-17 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于XGBoost的光伏组串通信异常识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3416283B1 (en) | 2020-11-11 |
EP3416283A1 (en) | 2018-12-19 |
CN105827200B (zh) | 2019-05-03 |
EP3416283A4 (en) | 2019-02-20 |
US10985696B2 (en) | 2021-04-20 |
US20180375471A1 (en) | 2018-12-27 |
WO2017148336A1 (zh) | 2017-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105827200A (zh) | 光电系统中电池组串故障的识别方法、装置和设备 | |
Madeti et al. | Modeling of PV system based on experimental data for fault detection using kNN method | |
Dhimish et al. | Fault detection algorithm for grid-connected photovoltaic plants | |
Fadhel et al. | PV shading fault detection and classification based on IV curve using principal component analysis: Application to isolated PV system | |
CN106777984B (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
CN104753461B (zh) | 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法 | |
CN104601108B (zh) | 一种小型光伏电站的故障诊断方法 | |
Hachana et al. | PV array fault DiagnosticTechnique for BIPV systems | |
Sarikh et al. | Implementation of a plug and play IV curve tracer dedicated to characterization and diagnosis of PV modules under real operating conditions | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN103733510A (zh) | 太阳能组件的故障诊断方法 | |
CN109004903A (zh) | 适用于光伏阵列的故障检测系统及方法 | |
Orozco-Gutierrez et al. | A method for simulating large PV arrays that include reverse biased cells | |
Skomedal et al. | How much power is lost in a hot-spot? A case study quantifying the effect of thermal anomalies in two utility scale PV power plants | |
Sarikh et al. | Characteristic curve diagnosis based on fuzzy classification for a reliable photovoltaic fault monitoring | |
Zhang et al. | A fault diagnosis method for photovoltaic module current mismatch based on numerical analysis and statistics | |
CN109672406A (zh) | 一种基于稀疏表示和svm的光伏发电阵列故障诊断与分类的方法 | |
El Basri et al. | A proposed graphical electrical signatures supervision method to study PV module failures | |
Dhimish et al. | Novel photovoltaic hot-spotting fault detection algorithm | |
Wang et al. | Online fault diagnosis of PV array considering label errors based on distributionally robust logistic regression | |
Khodapanah et al. | Partial shading detection and hotspot prediction in photovoltaic systems based on numerical differentiation and integration of the P− V curves | |
CN109117865A (zh) | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 | |
Vergura et al. | Labview interface for data analysis of PV | |
Spagnuolo et al. | Identification and diagnosis of a photovoltaic module based on outdoor measurements | |
Brito et al. | Characterization of solar panel using capacitive load |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211108 Address after: 518043 No. 01, 39th floor, building a, antuoshan headquarters building, No. 33, antuoshan Sixth Road, Xiang'an community, Xiangmihu street, Futian District, Shenzhen, Guangdong Province Patentee after: Huawei Digital Energy Technology Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Patentee before: HUAWEI TECHNOLOGIES Co.,Ltd. |
|
TR01 | Transfer of patent right |