CN106230377B - 一种光伏电池板热斑故障检测方法 - Google Patents
一种光伏电池板热斑故障检测方法 Download PDFInfo
- Publication number
- CN106230377B CN106230377B CN201610511747.2A CN201610511747A CN106230377B CN 106230377 B CN106230377 B CN 106230377B CN 201610511747 A CN201610511747 A CN 201610511747A CN 106230377 B CN106230377 B CN 106230377B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- msub
- hot spot
- battery panel
- 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.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000006735 deficit Effects 0.000 claims abstract description 7
- 230000007257 malfunction Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 36
- 239000002245 particle Substances 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 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
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
Landscapes
- Image Analysis (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏电池板热斑故障检测方法,属于光伏发电系统故障检测领域。首先通过采集不同热斑故障状态下的红外图像,对红外图像预处理并分割提取热斑故障特征向量,然后训练SVM多类故障检测模型,并采用PSOEM优化SVM中的参数,最终建立光伏电池板热斑故障检测模型,实现对光伏电池板的热斑故障检测,并给出热斑损伤等级,从而提供精确的热斑故障信息,促进光伏发电系统的安全有效运行。
Description
技术领域
本发明涉及光伏发电系统故障检测领域,尤其是一种光伏电池板热斑故障检测方法。
背景技术
太阳能作为一种可再生、无污染的新能源,越来越受到人们的重视,每年光伏电站的装机容量增长迅速。随着光伏产业的快速发展,光伏电站工作状态的自动监控和故障诊断成为维护电站正常工作的首要任务。而光伏电站的运行与每一块光伏阵列的工作状态息息相关。当光伏组件发生局部遮阴或组件老化时,产生的热斑效应会使光伏转换受到影响,如果不能及时发现,情况严重时会造成光伏电池的永久性损坏,影响光伏电站的安全运行及经济效益。
为了保障光伏系统的安全运行,光伏热斑效应保护与检测方法主要有:1)并联二极管法,该方法主要是通过旁路二极管将被遮挡的光伏组件进行短路,防止光伏组件因发热被烧毁,该方法可以一定程度上延长光伏电池板的寿命,但不能避免热斑效应的发生;2)多传感器检测法,通过设计检测结构,采集一些电气参数进行故障诊断和故障组件定位,该方法安装复杂,成本高;3)电气测量法,该方法利用故障状态下光伏阵列的电流、电压的变化,并建立相应的故障检测模型或规则库,进行光伏故障诊断。该方法的主要难点是需要考虑温度、光照和风速等外界环境的变化,诊断模型的建立困难,而诊断模型直接影响了故障检测精度和效率;4)红外图像法,红外图像能够直观的反映被测物体的温度特性,现已被广泛应用于工业、建筑和电力监控等领域的故障检测。根据不同工作状态下的光伏组件存在明显温差的特征,光伏系统中通过对红外图像的处理与分析,可以提取可能的热斑现象故障区域及区域的特征信息,从而能够实现对光伏电池单体工作状态正常与否进行识别。
目前,为了直接快速的检测光伏电池板热斑效应,基于红外图像法多采用对原始图像的分割和特征提取,然后采用模糊推理的方法对光伏组件的工作状态识别,而模糊推理缺乏自我学习能力,泛化能力较差。中国专利申请201510331763.9公开了一种基于图像识别的光伏组件故障提示方法及系统,该方法仅采用阈值对比的方法对故障的识别,可靠性不高。此外,中国专利申请号201510567969.1公开了一种基于红外图像的光伏阵列故障等级划分方法,该方法基于模式识别的算法,实现了光伏故障的等级划分,该方法图像预处理繁琐,无法实现大量图像的快速分析诊断。
近年,随着机器学习算法的研究发展,应用范围不断拓宽。目前,支持向量机(Support Vector Machine,SVM)以其出色的性能和理论基础成为了继神经网络之后机器学习领域新的研究热点。它与传统的机器学习方法相比,能够解决小样本学习问题,同时可以有效的解决非线性、高维和局部极值等实际问题。目前,基于支持向量机的光伏故障诊断与分类方法多针对于电气信号,如中国专利申请号201510168541.X公开的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;中国专利申请号201510498491.1公开了一种光伏阵列故障诊断方法。然而,这些方法需要考虑不同环境信息,前期人工数据采集繁琐,工作量大。但相关文献与专利中基于红外图像的支持向量机光伏电池板热斑故障诊断的方法研究还很少。同时,为了提高SVM的性能,引入带扩展记忆的粒子群算法(ParticleSwarm Optimization with Extended Memory,PSOEM)对SVM的核函数参数和惩罚因子进行优化选择,以提高SVM模型的分类性能。
发明内容
针对现有技术的不足,本发明的目的是提供一种光伏电池板热斑故障检测方法,通过采集不同热斑故障状态下的红外图像,对红外图像预处理并分割提取热斑故障特征向量,训练SVM多类故障检测模型,并采用PSOEM优化SVM中的核函数参数g和惩罚因子c,建立光伏电池板热斑故障检测模型,实现对光伏电池板的热斑故障检测,并给出热斑损伤等级,促进光伏发电系统的安全有效运行。
本发明提供的一种光伏电池板热斑故障检测方法,包括以下步骤:
S1:采集正常以及不同热斑故障状态下的光伏电池板的红外图像信息及其温度信息;
S2:分割红外图像中的热斑区域并提取特征向量;
S3:选择径向基函数作为核函数,初步建立基于SVM的多类故障检测模型,其中核函数参数g和惩罚因子c为待定参数;
S4:运用训练样本对SVM多类故障检测模型进行训练,并采用带扩展记忆的粒子群算法优化SVM多类故障检测模型中的核函数参数g和惩罚因子c;
S5:选取训练样本分类精度最高的一组参数作为最优的核函数参数g和惩罚因子c的值,得到训练完成的SVM多类故障检测模型;
S6:将待检测样本依据步骤2得到的特征向量输入到训练好的SVM多类故障检测模型中,进行热斑故障检测,并给出光伏电池板热斑故障损伤等级;
进一步,所述步骤S2中分割红外图像中的热斑区域并提取特征向量包括以下具体步骤:
S21:对红外图像预处理,包括图像增强和红外图像滤波;
S22:结合光伏电池板几何特性,对光伏电池板进行识别分割;
S23:采用模糊聚类方法对光伏电池板的热斑区域进行分割;
S24:热斑故障特征向量的选择与提取;
S25:对特征向量进行归一化处理;
进一步,所述S22中的结合光伏电池板几何特性,对光伏电池板进行识别分割的具体方法为:将红外图像转换为灰度图像,进行边缘检测,并采用Hough变换进行直线提取,通过设定线段相关的经验阈值选取光伏电池板边缘的直线,利用确定的边缘直线对图像中光伏电池板的四边形区域进行分割;
进一步,所述S23中的模糊聚类方法包括的具体方法为:采用模糊C均值算法依据最小二乘法的原理,通过使均方差目标函数局部最小来聚类像素,其目标函数为:
其中,dik=||Xk-Vi||为样本数据点Xk相对于第i个聚类中心的距离,U是样本集X的模糊e-划分,V是e个聚类中心组成的集合,X={x1,x2,…,xn}为像素的集合,e为类数,m是一个加权系数,m∈[1,∞],μik为第k个样本相对于第i个聚类中心的隶属度;
进一步,所述S24中的热斑故障特征向量包括以下参数:
热斑区域面积Ao与光伏电池板面积A之比R,公式为:
光伏电池板产生热斑故障的电池数N,计算公式为:
其中,M为光伏电池板中光伏电池的数目;
热斑区域与光伏电池板的正常区域温度平均值之差ΔT,定义为:
其中,是光伏电池板正常工作状态区域的平均温度,是热斑区域的平均温度;
进一步,所述热斑故障特征向量记为(Ri,Ni,ΔTi),其中,i为样本序号;
进一步,所述S25中的对特征向量进行归一化处理的具体方法为:将热斑故障特征向量参数值映射到区间[0,1]内,具体映射公式为:
其中,y表示归一化的特征值,x表示各个特征量的值,xmin,xmax分别表示x相对应的特征量的最小最大值;
进一步,所述步骤S3中选择径向基函数作为核函数,初步建立基于SVM的多类故障检测模型,其中核函数参数g和惩罚因子c为待定参数包括以下具体步骤:
S31:选取径向基函数将训练样本的特征向量映射到高维特征空间,径向基函数定义为:
其中,x为样本的特征向量值;
S32:对于N类训练样本,采用一对一算法构造N(N-1)/2个分类器;
S33:求解第m类样本与第n类样本分类器的目标函数:
约束条件为:
其中,m,n=1,2,…,N且m≠n,lmn为第m类与第n类故障训练样本之和, 分别为第m类与第n类故障训练样本中的第i个和第j个样本,和分别为第m类与第n类故障训练样本中的第i个和第j个Lagrange乘子;
S34:得到第m类样本与第n类样本的SVM的分类函数为:
其中,bmn是第m类与第n类故障训练样本的阈值;
进一步,所述步骤S4中采用带扩展记忆的粒子群算法优化SVM多类故障检测模型中的核函数参数g和惩罚因子c包括以下具体步骤:
S41:种群初始化,产生n个粒子组成的种群,对初始粒子的位置和粒子速度赋予随机值;
S42:将训练样本的分类精度作为适应度函数值,计算个体和种群的适应度值;
S43:对个体极值和种群极值更新;
S44:通过个体极值和种群极值更新自身的速度和位置,扩展的更新公式如下:
其中,ω为惯性权重,k为当前迭代次数,Xid代表第i个粒子在D维搜索空间中的位置,i=1,2,…,n,d=1,2,…,D,Vid为粒子的速度,Pid为个体极值,Pgd为种群极值,c1和c2是非负的常数,称为加速度因子,r1和r2为分布于[0,1]之间的随机数,ξk称当前有效因子,ξk-1称扩展记忆有效因子,ξk,ξk-1∈R+且为防止粒子的盲目搜索,限制粒子位置和速度,粒子位置值应分布于[Xmin,Xmax]区间,其中Xmin,Xmax分别表示粒子位置值的最小和最大值,粒子速度值应分布于[Vmin,Vmax]区间,其中Vmin,Vmax分别表示粒子速度值的最小和最大值,D取值为2;
S45:重复步骤S42~S44,直到满足终止条件;
S46:获得SVM核函数参数g和惩罚因子c的最优值;
本发明的优点在于:其一,提供了一种光伏电池板热斑故障检测方法,能够有效的实现热斑故障的检测,并给出热斑故障的损伤等级;其二,采用PSOEM优化SVM多类故障检测模型,进一步的提高故障检测模型的性能;其三,提出的故障检测方法可以扩展运用到其他电力系统设备的故障检测,具有广泛的工程应用价值。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为一种光伏电池板热斑故障检测方法流程图;
图2为红外图像特征向量提取流程图;
图3为SVM多类故障检测模型建立流程图;
图4为PSOEM参数优化流程图。
具体实施方式
以下将结合附图,对本发明的具体实施方式进行详细的描述。
图1为一种光伏电池板热斑故障检测方法流程图,图2为红外图像特征向量提取流程图,图3为SVM多类故障检测模型建立流程图,图4为PSOEM参数优化流程图,如图所示:本发明提供的一种光伏电池板热斑故障检测方法,包括以下步骤:
S1:采集正常以及不同热斑故障状态下的光伏电池板的红外图像信息及其温度信息;
S2:分割红外图像中的热斑区域并提取特征向量;
S3:选择径向基函数作为核函数,初步建立基于SVM的多类故障检测模型,其中核函数参数g和惩罚因子c为待定参数;
S4:运用训练样本对SVM多类故障检测模型进行训练,并采用带扩展记忆的粒子群算法优化SVM多类故障检测模型中的核函数参数g和惩罚因子c;
S5:选取训练样本分类精度最高的一组参数作为最优的核函数参数g和惩罚因子c的值,得到训练完成的SVM多类故障检测模型;
S6:将待检测样本依据步骤2得到的特征向量输入到训练好的SVM多类故障检测模型中,进行热斑故障检测,并给出光伏电池板热斑故障损伤等级;
进一步,所述步骤S2中分割红外图像中的热斑区域并提取特征向量包括以下具体步骤:
S21:对红外图像预处理,包括图像增强和红外图像滤波;
S22:结合光伏电池板几何特性,对光伏电池板进行识别分割;
S23:采用模糊聚类方法对光伏电池板的热斑区域进行分割;
S24:热斑故障特征向量的选择与提取;
S25:对特征向量进行归一化处理;
进一步,所述S22中的结合光伏电池板几何特性,对光伏电池板进行识别分割的具体方法为:将红外图像转换为灰度图像,进行边缘检测,并采用Hough变换进行直线提取,通过设定线段相关的经验阈值选取光伏电池板边缘的直线,利用确定的边缘直线对图像中光伏电池板的四边形区域进行分割;
进一步,所述S23中的模糊聚类方法包括的具体方法为:采用模糊C均值算法依据最小二乘法的原理,通过使均方差目标函数局部最小来聚类像素,其目标函数为:
其中,dik=||Xk-Vi||为样本数据点Xk相对于第i个聚类中心的距离,U是样本集X的模糊e-划分,V是e个聚类中心组成的集合,X={x1,x2,…,xn}为像素的集合,e为类数,m是一个加权系数,m∈[1,∞],μik为第k个样本相对于第i个聚类中心的隶属度;
进一步,所述S24中的热斑故障特征向量包括以下参数:
热斑区域面积Ao与光伏电池板面积A之比R,公式为:
光伏电池板产生热斑故障的电池数N,计算公式为:
其中,M为光伏电池板中光伏电池的数目;
热斑区域与光伏电池板的正常区域温度平均值之差ΔT,定义为:
其中,是光伏电池板正常工作状态区域的平均温度,是热斑区域的平均温度;
进一步,所述热斑故障特征向量记为(Ri,Ni,ΔTi),其中,i为样本序号;
进一步,所述S25中的对特征向量进行归一化处理的具体方法为:将热斑故障特征向量参数值映射到区间[0,1]内,具体映射公式为:
其中,y表示归一化的特征值,x表示各个特征量的值,xmin,xmax分别表示x相对应的特征量的最小最大值;
进一步,所述步骤S3中选择径向基函数作为核函数,初步建立基于SVM的多类故障检测模型,其中核函数参数g和惩罚因子c为待定参数包括以下具体步骤:
S31:选取径向基函数(RBF)将训练样本的特征向量映射到高维特征空间,径向基函数定义为:
其中,x为样本的特征向量值;
S32:对于N类训练样本,采用一对一算法构造N(N-1)/2个分类器;
S33:求解第m类样本与第n类样本分类器的目标函数:
约束条件为:
其中,m,n=1,2,…,N且m≠n,lmn为第m类与第n类故障训练样本之和, 分别为第m类与第n类故障训练样本中的第i个和第j个样本,和分别为第m类与第n类故障训练样本中的第i个和第j个Lagrange乘子;
S34:得到第m类样本与第n类样本的SVM的分类函数为:
其中,bmn是第m类与第n类故障训练样本的阈值;
进一步,所述步骤S4中采用带扩展记忆的粒子群算法优化SVM多类故障检测模型中的核函数参数g和惩罚因子c包括以下具体步骤:
S41:种群初始化,产生n个粒子组成的种群,对初始粒子的位置和粒子速度赋予随机值;
S42:将训练样本的分类精度作为适应度函数值,计算个体和种群的适应度值;
S43:对个体极值和种群极值更新;
S44:通过个体极值和种群极值更新自身的速度和位置,扩展的更新公式如下:
其中,ω为惯性权重,k为当前迭代次数,Xid代表第i个粒子在D维搜索空间中的位置,i=1,2,…,n,d=1,2,…,D,Vid为粒子的速度,Pid为个体极值,Pgd为种群极值,c1和c2是非负的常数,称为加速度因子,r1和r2为分布于[0,1]之间的随机数,ξk称当前有效因子,ξk-1称扩展记忆有效因子,ξk,ξk-1∈R+且为防止粒子的盲目搜索,限制粒子位置和速度,粒子位置值应分布于[Xmin,Xmax]区间,其中Xmin,Xmax分别表示粒子位置值的最小和最大值,粒子速度值应分布于[Vmin,Vmax]区间,其中Vmin,Vmax分别表示粒子速度值的最小和最大值,D取值为2;
S45:重复步骤S42~S44,直到满足终止条件;
S46:获得SVM核函数参数g和惩罚因子c的最优值;
本实施例基于机器学习算法提出了一种光伏电池板热斑故障检测方法,不仅能有效的进行光伏电池板热斑故障的检测,并可以给出热斑故障的损伤等级,从而提供精确的热斑故障信息,促进光伏发电系统安全有效运行。
以上实施例仅用于帮助理解本发明的核心思想,不能以此限制本发明,对于本领域的技术人员,凡是依据本发明的思想,对本发明进行修改或者等同替换,在具体实施方式及应用范围上所做的任何改动,均应包含在本发明的保护范围之内。
Claims (8)
1.一种光伏电池板热斑故障检测方法,其特征在于:包括以下步骤:
S1:采集正常以及不同热斑故障状态下光伏电池板的红外图像信息及其温度信息;
S2:分割红外图像中的热斑区域并提取特征向量;
S3:选择径向基函数作为核函数,初步建立基于SVM的多类故障检测模型,其中核函数参数g和惩罚因子c为待定参数;
S4:运用训练样本对SVM多类故障检测模型进行训练,并采用带扩展记忆的粒子群算法优化SVM多类故障检测模型中的核函数参数g和惩罚因子c;
S5:选取训练样本分类精度最高的一组参数作为最优的核函数参数g和惩罚因子c的值,得到训练完成的SVM多类故障检测模型;
S6:将待检测样本依据步骤2得到的特征向量输入到训练好的SVM多类故障检测模型中,进行热斑故障检测,并给出光伏电池板热斑故障损伤等级。
2.根据权利要求1所述的一种光伏电池板热斑故障检测方法,其特征在于:所述步骤S2中的分割红外图像中的热斑区域并提取特征向量包括以下具体步骤:
S21:对红外图像预处理,包括图像增强和红外图像滤波;
S22:结合光伏电池板几何特性,对光伏电池板进行识别分割;
S23:采用模糊聚类方法对光伏电池板的热斑区域进行分割;
S24:热斑故障特征向量的选择与提取;
S25:对特征向量进行归一化处理。
3.根据权利要求2所述的一种光伏电池板热斑故障检测方法,其特征在于:所述S22中的结合光伏电池板几何特性,对光伏电池板进行识别分割的具体方法为:
将红外图像转换为灰度图像,进行边缘检测,并采用Hough变换进行直线提取,通过设定线段相关的经验阈值选取光伏电池板边缘的直线,利用确定的边缘直线对图像中光伏电池板的四边形区域进行分割。
4.根据权利要求2所述的一种光伏电池板热斑故障检测方法,其特征在于:所述S23中的模糊聚类方法包括的具体方法为:
采用模糊C均值算法依据最小二乘法的原理,通过使均方差目标函数局部最小来聚类像素,其目标函数为:
<mrow>
<mi>J</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>U</mi>
<mo>,</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
<mi>m</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>e</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>m</mi>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中,dik=||Xk-Vi||为样本数据点Xk相对于第i个聚类中心的距离,U是样本集X的模糊e-划分,V是e个聚类中心组成的集合,X={x1,x2,…,xn}为像素的集合,e为类数,m是一个加权系数,m∈[1,∞],μik为第k个样本相对于第i个聚类中心的隶属度。
5.根据权利要求2所述的一种光伏电池板热斑故障检测方法,其特征在于:所述S24中的热斑故障特征向量包括以下参数:
热斑区域面积Ao与光伏电池板面积A之比R,公式为:
<mrow>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>A</mi>
<mi>o</mi>
</msub>
<mi>A</mi>
</mfrac>
</mrow>
光伏电池板产生热斑故障的电池数N,计算公式为:
<mrow>
<mi>N</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<msub>
<mi>A</mi>
<mi>o</mi>
</msub>
</mrow>
<mi>A</mi>
</mfrac>
</mrow>
其中,M为光伏电池板中光伏电池的数目;
热斑区域与光伏电池板的正常区域灰度平均值之差ΔT,定义为:
<mrow>
<mi>&Delta;</mi>
<mi>T</mi>
<mo>=</mo>
<mover>
<mi>T</mi>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<msub>
<mover>
<mi>T</mi>
<mo>&OverBar;</mo>
</mover>
<mi>o</mi>
</msub>
</mrow>
其中,是光伏电池板正常工作状态区域的平均温度,是热斑区域的平均温度;
进一步,所述热斑故障特征向量记为(Ri,Ni,ΔTi),其中,i为样本序号。
6.根据权利要求2所述的一种光伏电池板热斑故障检测方法,其特征在于:所述S25中的对特征向量进行归一化处理的具体方法为:
将热斑故障特征向量参数值映射到区间[0,1]内,具体映射公式为:
<mrow>
<mi>f</mi>
<mo>:</mo>
<mi>x</mi>
<mo>&RightArrow;</mo>
<mi>y</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,y表示归一化的特征值,x表示各个特征量的值,xmin,xmax分别表示x相对应的特征量的最小最大值。
7.根据权利要求1所述的一种光伏电池板热斑故障检测方法,其特征在于:所述S3中选择径向基函数作为核函数,初步建立基于SVM的多类故障检测模型,其中核函数参数g和惩罚因子c为待定参数包括以下具体步骤:
S31:选取径向基函数将训练样本的特征向量映射到高维特征空间,径向基函数定义为:
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mo>{</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mi>g</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>}</mo>
</mrow>
其中,x为样本的特征向量值;
S32:对于N类训练样本,采用一对一算法构造N(N-1)/2个分类器;
S33:求解第m类样本与第n类样本分类器的目标函数:
<mrow>
<mi>max</mi>
<mi> </mi>
<msup>
<mi>Q</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mo>*</mo>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mo>*</mo>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mo>*</mo>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msubsup>
<msubsup>
<mi>&alpha;</mi>
<mi>j</mi>
<mrow>
<mo>*</mo>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msubsup>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msubsup>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
约束条件为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mo>*</mo>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msubsup>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mo>*</mo>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,m,n=1,2,…,N且m≠n,lmn为第m类与第n类故障训练样本之和, 分别为第m类与第n类故障训练样本中的第i个和第j个样本,和分别为第m类与第n类故障训练样本中的第i个和第j个Lagrange乘子;
S34:得到第m类样本与第n类样本的SVM的分类函数为:
<mrow>
<msup>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msubsup>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mo>*</mo>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mi>K</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msup>
<mi>b</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中,bmn是第m类与第n类故障训练样本的阈值。
8.根据权利要求1所述的一种光伏电池板热斑故障检测方法,其特征在于:所述S4中采用带扩展记忆的粒子群算法优化SVM多类故障检测模型中的核函数参数g和惩罚因子c包括以下具体步骤:
S41:种群初始化,产生n个粒子组成的种群,对初始粒子的位置和粒子速度赋予随机值;
S42:将训练样本的分类精度作为适应度函数值,计算个体和种群的适应度值;
S43:对个体极值和种群极值更新;
S44:通过个体极值和种群极值更新自身的速度和位置,扩展的更新公式如下:
<mrow>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&omega;V</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mo>&lsqb;</mo>
<msup>
<mi>&xi;</mi>
<mi>k</mi>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mi>&xi;</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mo>&lsqb;</mo>
<msup>
<mi>&xi;</mi>
<mi>k</mi>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>g</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mi>&xi;</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>g</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
其中,ω为惯性权重,k为当前迭代次数,Xid代表第i个粒子在D维搜索空间中的位置,i=1,2,…,n,d=1,2,…,D,Vid为粒子的速度,Pid为个体极值,Pgd为种群极值,c1和c2是非负的常数,称为加速度因子,r1和r2为分布于[0,1]之间的随机数,ξk称当前有效因子,ξk-1称扩展记忆有效因子,ξk,ξk-1∈R+且为防止粒子的盲目搜索,限制粒子位置和速度,粒子位置值应分布于[Xmin,Xmax]区间,其中Xmin,Xmax分别表示粒子位置值的最小和最大值,粒子速度值应分布于[Vmin,Vmax]区间,其中Vmin,Vmax分别表示粒子速度值的最小和最大值,D取值为2;
S45:重复步骤S42~S44,直到满足终止条件;
S46:获得SVM核函数参数g和惩罚因子c的最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610511747.2A CN106230377B (zh) | 2016-07-01 | 2016-07-01 | 一种光伏电池板热斑故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610511747.2A CN106230377B (zh) | 2016-07-01 | 2016-07-01 | 一种光伏电池板热斑故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106230377A CN106230377A (zh) | 2016-12-14 |
CN106230377B true CN106230377B (zh) | 2018-04-27 |
Family
ID=57519890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610511747.2A Expired - Fee Related CN106230377B (zh) | 2016-07-01 | 2016-07-01 | 一种光伏电池板热斑故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106230377B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107483014B (zh) * | 2017-06-16 | 2019-03-29 | 理光软件研究所(北京)有限公司 | 一种光伏板故障自动检测方法 |
CN107451600B (zh) * | 2017-07-03 | 2020-02-07 | 重庆大学 | 一种基于隔离机制的在线光伏热斑故障检测方法 |
CN107453709B (zh) * | 2017-07-03 | 2019-06-18 | 重庆大学 | 一种隔离机制与交叉测量融合的光伏热斑故障诊断方法 |
CN107481237B (zh) * | 2017-08-28 | 2019-11-08 | 南京邮电大学 | 一种基于多帧温度特性的红外阵列图像热斑检测方法 |
CN108647716B (zh) * | 2018-05-09 | 2021-08-06 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
CN109086891B (zh) * | 2018-06-15 | 2022-07-22 | 重庆大学 | 基于模糊逻辑推理的热斑故障诊断方法 |
CN109635864B (zh) * | 2018-12-06 | 2023-06-02 | 佛山科学技术学院 | 一种基于数据的容错控制方法及装置 |
CN109743019B (zh) * | 2018-12-21 | 2023-09-19 | 中国计量大学 | 基于气象因素的热斑温度预测及热斑定位的系统和方法 |
CN110011618B (zh) * | 2019-04-22 | 2020-06-23 | 河海大学常州校区 | 基于模糊c均值聚类神经网络的光伏阵列故障的诊断装置 |
CN110535435B (zh) * | 2019-08-12 | 2021-12-28 | 华为数字能源技术有限公司 | 一种光伏电站的电池片检测方法、装置及系统 |
CN110582159A (zh) * | 2019-08-30 | 2019-12-17 | 武汉科技大学 | 一种fpc焊盘表面缺陷处理系统和方法 |
CN111090050A (zh) * | 2020-01-21 | 2020-05-01 | 合肥工业大学 | 一种基于支持向量机和k均值的锂电池故障诊断方法 |
CN111277221A (zh) * | 2020-02-13 | 2020-06-12 | 中国联合网络通信集团有限公司 | 一种光伏故障诊断方法和装置 |
CN111798441A (zh) * | 2020-07-12 | 2020-10-20 | 国网山西省电力公司电力科学研究院 | 一种基于图像处理的光伏电站光伏板污染物检测方法 |
CN111915600B (zh) * | 2020-08-12 | 2023-09-26 | 南京工程学院 | 一种退役动力锂电池热特征一致性筛选方法 |
CN113159601B (zh) * | 2021-04-30 | 2023-05-23 | 国网湖北省电力有限公司武汉供电公司 | 一种基于dbscan聚类算法的光伏电站运行状态分析方法 |
CN114418945A (zh) * | 2021-12-14 | 2022-04-29 | 国家电投集团数字科技有限公司 | 一种光伏组件热斑检测方法及装置 |
CN114492087B (zh) * | 2022-04-02 | 2022-07-19 | 国网浙江省电力有限公司电力科学研究院 | 氢储能电站质子交换膜燃料电池故障诊断方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 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 |
CN105141255A (zh) * | 2015-08-12 | 2015-12-09 | 河海大学常州校区 | 一种光伏阵列故障诊断方法 |
CN105184392A (zh) * | 2015-08-21 | 2015-12-23 | 许昌许继软件技术有限公司 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
-
2016
- 2016-07-01 CN CN201610511747.2A patent/CN106230377B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104753461A (zh) * | 2015-04-10 | 2015-07-01 | 福州大学 | 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 |
CN105141255A (zh) * | 2015-08-12 | 2015-12-09 | 河海大学常州校区 | 一种光伏阵列故障诊断方法 |
CN105184392A (zh) * | 2015-08-21 | 2015-12-23 | 许昌许继软件技术有限公司 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106230377A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106230377B (zh) | 一种光伏电池板热斑故障检测方法 | |
CN108647716B (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
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 | |
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 | |
CN107451600B (zh) | 一种基于隔离机制的在线光伏热斑故障检测方法 | |
CN107579707A (zh) | 一种基于参数辨识的光伏阵列故障诊断方法 | |
Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
CN109359697A (zh) | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 | |
CN105069519A (zh) | 一种智能电网园区终端用户能源需求状况动态预测系统及方法 | |
CN110555478B (zh) | 基于难样本挖掘的深度度量网络的风机多故障诊断方法 | |
CN105978487B (zh) | 基于内部等效参数的光伏组件故障诊断方法 | |
CN109583515A (zh) | 一种基于BP_Adaboost的光伏发电故障检测与分类方法 | |
CN110930051A (zh) | 基于大数据分析的居民需求响应潜力分析系统及方法 | |
CN115712873A (zh) | 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法 | |
CN105303162A (zh) | 一种基于目标建议算法的航拍图像绝缘子识别算法 | |
Tella et al. | Deep learning system for defect classification of solar panel cells | |
CN113326667A (zh) | 一种太阳能电池板故障诊断方法及系统 | |
Lin et al. | On-line monitoring and fault diagnosis of PV array based on BP neural network optimized by genetic algorithm | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
Hu et al. | A detecting algorithm for occlusion on the surface of photovoltaic modules based on improved YOLOv5 | |
Mazlan et al. | Convolution Neural Network (CNN) Architectures Analysis for Photovoltaic (PV) Module Defect Images Classification | |
Heng et al. | Anti-vibration hammer detection in UAV image | |
Trinh et al. | Application of Artificial Intelligence in Detecting and Classifying Faults of Solar Panels | |
CN114841266A (zh) | 一种小样本下基于三元组原型网络的电压暂降识别方法 | |
He et al. | Application and comparative analysis of traditional machine learning and deep learning in transmission line fault classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180427 Termination date: 20200701 |