CN106961249B - 一种光伏阵列故障诊断和预警方法 - Google Patents

一种光伏阵列故障诊断和预警方法 Download PDF

Info

Publication number
CN106961249B
CN106961249B CN201710159693.2A CN201710159693A CN106961249B CN 106961249 B CN106961249 B CN 106961249B CN 201710159693 A CN201710159693 A CN 201710159693A CN 106961249 B CN106961249 B CN 106961249B
Authority
CN
China
Prior art keywords
fault
array
confidence level
input
value
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.)
Active
Application number
CN201710159693.2A
Other languages
English (en)
Other versions
CN106961249A (zh
Inventor
王钰淞
董美辰
叶进
胡亮青
何华光
谢敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University
Shijiazhuang Kelin Electric Co Ltd
Original Assignee
Guangxi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University filed Critical Guangxi University
Priority to CN201710159693.2A priority Critical patent/CN106961249B/zh
Publication of CN106961249A publication Critical patent/CN106961249A/zh
Application granted granted Critical
Publication of CN106961249B publication Critical patent/CN106961249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明为一种光伏阵列故障诊断和预警方法，采用非线性最小二乘法优化的Elman神经网络和决策树结合经验知识构建故障诊断模型，采集当前光伏阵列运行数据和气象数据，计算与历史正常状态数据的误差，当误差大于阈值表示有故障，用故障诊断模型得到相应的故障类型及可信度，最后综合评价得到最终故障类型的可信度，按可信度值大小选择进行故障预警。此后按现场实测情况对故障知识库更新。本发明LM‑Elman神经网络和决策树结合经验知识构建故障诊断模型，提高历史数据敏感性，预测效果优于BP网络，且提高了网络收敛速度和训练的精度；经验知识的补充，使本法鲁棒性更强。实时检测、及时诊断，减少故障发生率，以保光伏电站稳定运行。

Description

一种光伏阵列故障诊断和预警方法
技术领域
本发明属于光伏电站技术领域，具体涉及一种光伏阵列故障诊断和预警方法。
背景技术
近年来，随着能源危机问题的日益突显，各国政府开始大力推动新型可再生能源项目的研究与发展。太阳能作为新型能源的代表，其具备清洁环保、可再生、可持续等天然优点，使得光伏发电技术得以快速发展。然而，随着光伏电站规模的扩大和分布式光伏电站的普及，光伏电池组件故障常出现。目前大多数光伏电站采用串联或串并联的方式组装光伏阵列。因此当某个组件出现的故障不能及时发现并解决，串并联方式构成的系统组合的损失将会大大增加，从而严重影响光伏电站的输出功率和发电效率。
目前用于光伏发电系统故障诊断的方法很多，例如：红外图像检测分析法、多传感器检测法、基于人工神经网络的故障诊断方法、基于模糊技术的故障诊断方法、此外还包括故障决策树、专家系统、基于信号处理等方法。这些方法都各有优缺点。
(1)红外图像检测分析法
红外图像检测法利用光伏组件在正常和故障两种状态时具有明显温差的特点，通过红外摄像仪拍摄光伏组件以诊断故障；需要额外增加红外摄像仪成本较高且实现性不强。
(2)多传感器检测法：
多传感器法需要在每个光伏模块上安装电压和电流传感器，分析采集数据来诊断故障。额外增加电压和电流传感器设备，提高成本，难于实现。
(3)基于模糊技术的故障诊断方法
在解决具有不确定性、不精确性以及噪声等问题时有很大的优势。主要原理是通过建立故障与征兆的模糊规则库，再进行模糊逻辑推理的诊断。但是模糊隶属函数和模糊规则对经验知识依赖较大，且模糊逻辑系统缺少自学习能力。
(4)基于故障树分析的诊断方法
故障树分析是基于故障的层次特性，通过其故障成因和后果的关系层次形成因果链，结合一因多果或一果多因的情况构成故障树。其诊断精度关键在于故障树结构和判定规则的构建，由于树结构的特点，容易忽略属性之间的相关性，因而故障树的建立需要对系统机理深入了解。
(5)基于人工神经网络ANN的故障诊断方法，ANN因具有分类准确度高，分布存储及学习能力强，具备联想记忆功能等优点被广泛用于故障诊断领域。虽然人工神经网络是一个具有自主学习能力的计算结构，但在对于类似人类的经验知识规则的表达和解释方面具有一定的局限性，另外网络收敛速度和网络训练的精度也难以满足要求。特别是BP神经网络属于静态神经网络，收敛速度慢，且容易出现陷入局部最小值的情况。
总之，现有的光伏发电系统故障诊断方法有些对历史状态的数据敏感性低，有些处理动态信息的能力较差，有些缺乏自主学习能力，不能满足目前光伏产业的发展要求，故急需一种有效的光伏阵列故障诊断及预警的方法。
发明内容
本发明的目的是解决目前光伏电站系统在运行过程中故障发现不及时、运行维护成本高的问题，提出了一种光伏阵列故障诊断和预警方法，采用LM-Elman神经网络和决策树结合经验知识构建故障诊断模型，根据历史数据构建并训练光伏阵列故障诊断模型神经网络、建立故障知识库和决策树模型。采集光伏阵列当前运行数据和气象数据，计算与历史正常情况数据的误差，当误差大于阈值，用故障诊断模型由当前输入向量的状态得到对应的故障类型和相应可信度，依据综合评价得到最后的故障类型的可信度，进行故障预警。并按现场实测情况对故障知识库更新。本法实时检测、及时诊断，减少故障发生率，以保光伏电站稳定运行。
本发明设计的一种光伏阵列故障诊断和预警方法，所述光伏阵列为安装于光伏电站内的多个光伏阵列，本方法在光伏阵列故障诊断模型神经网络、故障知识库和决策树模型的基础上进行，其主要步骤如下：
Ⅰ、数据采集
采集光伏阵列运行数据和气象数据；
所述光伏阵列运行数据Dpv＝{Ipv,Upv,Isc,Uoc,I,U}，包括阵列电流值(Ipv)、阵列电压值(Upv),阵列短路电流(Isc)、阵列开路电压(Uoc)，阵列最大功率点电流(I)和阵列最大功率点电压(U)；
所述气象数据Dmete＝{G,T}，包括太阳辐射度(G)、环境温度(T)；
Ⅱ、故障检测
计算步骤Ⅰ采集的光伏阵列运行数据与故障知识库中相同气象条件下的历史正常数据的误差并做分析。若误差大于预设的阈值，则结合步骤Ⅲ所构建和训练好的故障诊断模型进入步骤Ⅳ进行故障诊断，否则返回步骤Ⅰ；
Ⅲ、故障诊断模型的构建与训练
包括如下步骤：
Ⅲ-1、Elman神经网络的构建
Ⅲ-2、Elman神经网络的训练
Ⅲ-3、Elman神经网络的LM优化
Ⅲ-4、故障知识库的建立
所述故障知识库包含三部分：事实数据库、故障知识规则库和推理机。
Ⅲ-5、决策树模型构建
基于故障知识库的经验规则和推理机的推理策略构建决策树模型。
Ⅳ、故障诊断
由光伏阵列运行的特征参数阵列短路电流(Isc)、阵列开路电压(Uoc)，阵列最大功率点电流(I)和阵列最大功率点电压(U)一组输入向量，放到已训练好的Elman神经网络中进行诊断，得到相应的输出向量——故障类型，包括开路、短路、老化和遮阴，并记录此测试路径的权值。将步骤Ⅰ采集的运行数据放到已构建好的决策树中进行决策，得到决策结果和相应可信度，当二者直接匹配，即得到决策结果的可信度；若二者不匹配，则应用推理机基于可信度的不确定推理方法进行推理；若不能直接匹配且应用不确定推理方法推理不出相应的故障类型，则将决策树决策权值设为0，神经网络决策权值设为1。
Ⅴ、故障预警
根据光伏阵列故障诊断模型神经网络和决策树的决策结果进行综合评价得到最后的故障类型的可信度，选择性进行故障预警；
Ⅵ、故障知识库更新
主要是对上述步骤Ⅱ故障检测、步骤Ⅳ故障诊断和步骤Ⅴ故障预警的监督性学习反馈，以对故障知识库进行知识更新和充实完善，使本方法得到更准确的故障诊断结果，主要是根据光伏阵列系统的故障维修现场的实测情况，验证本方法故障预警结果的准确性，对预警结果和故障实情进行分析，更新故障知识规则库的相关知识规则，修正相关规则可信度。
所述步骤Ⅰ的数据采集，采集光伏阵列的运行状态数据和气象数据，以时间T为一个周期，T为5～8min；
所述步骤Ⅰ采集的运行数据和气象数据输入数据要经过预处理，并存入事实数据库，包括如下步骤
Ⅰ-1、采集数据的预处理
对输入向量X＝{xi|i＝1,2,3,4}＝{ISC,UOC,I,U}各元素进行归一化，公式如下：
Ⅰ-2、建立事实数据库
事实数据库中存储输入事实、中间结果和推理结果。具体如下：
Ⅰ-21、输入事实
事实数据库存放当前光伏阵列运行数据和气象数据以及历史数据，历史数据包括正常状态下的历史光伏阵列运行数据、气象数据以及故障状态下的历史光伏阵列运行数据、气象数据和相应的故障类型，其中，正常状态下的历史数据只保存最近5～10年的数据，故障状态下的历史数据作为故障样本数据长期保存。
I-22、中间结果
根据所采集的光伏电站内各光伏阵列运行数据阵列电流值Ipv和阵列电压值Upv分别计算该光伏电站多个光伏阵列的阵列电流均值Imean、阵列电压均值Umean，由各阵列电流值Ipv和阵列电压值Upv得到各光伏阵列的阵列输出功率值Ppv，由此再计算各光伏阵列输出功率均值Pmean，查得事实数据库中相同气象条件下光伏阵列正常状态下的历史输出功率值Pexp。由于光伏组件在使用过程中会出现损耗，光伏阵列输出功率随使用年限的增加逐渐下降。通过减去相应的额定损耗Plose计算修正后预测功率值Ppre，Ppre＝Pexp-Plose。其中，额定损耗Plose为光伏组件固有属性，Plose由光伏设备的出厂参数和使用年限计算得到。最后将计算得到的中间结果存入事实数据库。
I-23、推理结果
根据经验规则使用推理机基于可信度的不确定推理方法推理出来的故障类型及其可信度。
所述步骤II的故障检测中误差计算采用量化误差计算公式：
R＝|X-Xmean|/Xmean，
预设阈值ε为经验阈值，若R＞ε，则结合步骤III所构建和训练好的故障诊断模型进入步骤IV进行故障诊断，否则返回步骤I。
所述步骤III-1的Elman神经网络的构建，具体如下：
采用Elman神经网络结构，由输入层、隐含层、承接层及输出层构成。
输入层的输入向量用于映射输入数据，其中每个输入向量xi对应光伏阵列的一个电路参数，为：阵列短路电流(Isc)、阵列开路电压(Uoc)，阵列最大功率点电流(I)、阵列最大功率点电压(U)、即输入向量为：
X＝{xi|i＝1，2，3，4}＝{ISC，UOC，I，U}。
输出层的输出向量用于映射故障类型，即每个yi对应光伏阵列的一种故障类型，为：开路、短路、老化和遮阴，即输出向量为：Y＝{y1，y2，y3，y4}。
所述步骤III-2的Elman神经网络的训练采用故障样本数据进行Elman神经网络的训练，具体如下：
采用常规的网络训练Matlab程序训练步骤III-1建立的Elman神经网络，并测试直到其输出结果与目标结果之间的误差达到预设精度时训练结束。预设精度即准确率，一般设为80～95％。用于判断网络学习是否结束的目标函数如下，
其中表示目标输出量，即标签数据。E(w)为本发明构建的模型输出结果和设想目标输出量之间的均方差。
当训练达到误差最小时记录权向量。权向量是指由Elman神经网络训练得到从输入层到输出层的路径指向以及该路径的连接权值共同组成的权向量V＝(X，Y，W}。由Elman神经网络训练得到从输入层到输出层的路径的连接权值被视为实现概率。
或者，达到预设的最大的迭代次数时，神经网络训练结束，一般最大的迭代次数设为1500～2500次；
或者，目标函数E(w)开始收敛时，神经网络训练结束。
所述步骤III-3的Elman神经网络的LM优化具体为：
III-31、LM优化算法
Levenberg-Marquardt算法简称为LM算法即非线性最小二乘算法，LM算法对网络进行优化，得到LM-Elman神经网络，提高网络的收敛速度和精度。
LM算法公式如下：
wk+1＝wk-[JTJ+μI]-1JTe (3-1)
其中，wk表示第k次迭代的网络权值向量，wk+1是新的权值向量；JT为雅可比矩阵，包含了网络误差函数对于权值和偏差的一阶导数；I为单位矩阵；e为网络误差向量；μ为标量因子，通过调节μ的值使得误差性能函数随着迭代的进行而下降到极小值。
III-32、网络连接权值的初始化
基于故障知识规则库中的规则可信度(或者经验概率)，对神经网络构建的连接权值进行预赋值，代替随机化的初始化赋值。
所述步骤III-4的构建故障知识库，具体为：
III-41、事实数据库
步骤I-2建立的存放光伏阵列运行数据和气象数据的事实数据库，还存放输入事实、中间结果以及最后推理得到的结果；
III-42、故障知识规则库的构建
根据本方法步骤II故障检测和步骤IV故障诊断的学习反馈，得到本领域知识和经验，总结得出的故障知识规则构建为故障知识规则库，每条规则包括规则前件输入事实E、规则后件推理结果Y以及由输入事实E得到推理结果Y的可信度CF。
输入事实E为步骤I所得输入向量阵列短路电流(Isc)、阵列开路电压(Uoc)，阵列最大功率点电流(I)和阵列最大功率点电压(U)的当前状态；推理结果Y为故障类型，包括开路、短路、老化和遮阴。
本方法设置可信度CF取值范围为-1～1，可信度CF为零时，规则前件E与规则后件Y无关，CF为负值表示由规则前件E推出规则后件Y的不可信程度，CF为正值表示由规则前件E推出规则后件Y的可信程度。
III-43、推理机
包含从事实出发通过故障知识规则推理得到结论的推理策略。
若输入事实与规则前件匹配时，则直接输出该事实对应规则后件，即故障类型的可信度；若输入新事实，则按照基于可信度的不确定推理方法和已有的故障知识规则，推理求出新事实对应输出结果的可信度。
以光伏阵列运行状态数据作为输入向量X＝{x1，x2，...，xn}，由故障检测步骤计算得到该组输入向量相对其正常值的变化状态作为故障知识规则库的输入事实，即规则前件：E＝{E1，E2，...，En}，该组输入向量对应故障类型即故障知识规则库的规则后件Y＝{y1，y2，...，ym}，利用故障知识规则库和不确定推理方法计算故障类型的可信度分布，不确定推理方法如下：
故障知识规则库中故障知识规则定义：规则前件Ei为输入事实，规则后件Y为结论，CF(Y，Ei)为输入事实Ei对结论Y的可信度。
单条输入事实Ei对结论Y的可信度的计算式为：
CFi(Y)＝CF(Y，Ei)×max{0，CF(Ei)} (4-1)
由输入事实Ei，Ej(Ei∈E，Ej∈E)两两组合成的输入事实E′＝{Ei，Ej}对结论Y的可信度CFi，j(Y，E′)的计算公式如下：
故障类型的可信度分布：
以此作为故障诊断的依据。
Ⅲ-44、故障知识获取与故障知识更新的方法：
Ⅲ-441、通过Ⅲ-42建立的故障知识规则库中获得故障知识规则；
Ⅲ-442、通过外部输入触发并由内部推理机推理得到新的故障知识。
所述步骤Ⅲ-5的决策树模型构建是根据事实数据库选取决策树结点分裂属性并根据经验规则构建决策树，该决策树中每个内部结点为输入参数的特征属性，叶子结点为类别属性；每条决策路径的可信度由不确定推理方法进行推理计算。
所述步骤Ⅳ故障诊断，具体如下
Ⅳ-1、权向量
由神经网络的训练得到从输入层到输出层的权向量V＝{X，Y，W}；
Ⅳ-2、故障类型的可信度分布
在所述故障诊断步骤中，根据故障知识库构建的决策树并进行决策推理得到的故障类型的可信度分布CFD(X，Y，CF)；
进入下一步骤得到各故障类型的最终可信度分布结果，并根据可信度分布结果诊断故障类型。
所述步骤Ⅴ的故障预警，具体如下：
Ⅴ-1、最终可信度分布
综合步骤Ⅳ所得由神经网络得到的权向量和由决策树决策推理得到的可信度分布，计算各故障类型的最终可信度分布。设某一输入向量X，对应输出向量Y＝yi的权向量为Vi＝{X，yi，wi}，由故障检测步骤计算得到该组输入向量X相对其正常值的变化状态作为故障知识规则库的输入事实E，对应可信度为CF(yi，E)，对于该输入向量到输出向量的最终可信度由如下公式进行计算：
其中为决策树的决策权值，该值由用户输入，神经网络的决策权值则为 取值范围0～1。
根据公式(4-4)，得到各故障类型对应的最终可信度分布公式，如下：
V-2故障预警
根据公式(4-5)得到各故障类型可信度分布CFD*(X，Y，CF)，由用户自定义选取可信度较大的前t个对应的故障类型进行故障预警，t由用户选择，取值为1～3。
所述步骤VI的故障知识库更新，具体如下：
VI-1、若出现新的知识规则，则将新的知识规则加到故障知识库中；
VI-2、根据实测结果更新故障知识规则库，修正相关规则可信度。
与现有技术相比，本发明一种光伏阵列故障诊断和预警方法的优点为：
1、采用LM-Elman神经网络和结合经验知识的决策树构建故障诊断模型，Elman神经网络比传统的BP网络多一反馈层，故增加了本方法对历史状态的数据敏感性，预测时不会陷入局部最小值，预测效果比BP网络更好；2、LM优化算法提高了网络收敛速度和网络训练的精度；3、结合经验知识对纯数据驱动的神经网络模型进行补充，弥补神经网络容易陷入局部最小值和出现过拟合的问题，使本方法的鲁棒性更强；4、及时检测、诊断故障，并通过预警提醒工作人员进行及时故障维修，减少光伏阵列故障发生率，实现光伏电站的稳定运行，提高光伏电站发电效率。
附图说明
图1为本光伏阵列故障诊断和预警方法实施例总流程图；
图2为本光伏阵列故障诊断和预警方法实施例数据采集和故障检测方法流程图；
图3为本光伏阵列故障诊断和预警方法实施例故障诊断、故障预警和故障知识库更新方法流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本光伏阵列故障诊断和预警方法实施例流程图如图1所示，在光伏阵列故障诊断模型神经网络、故障知识库和决策树模型的基础上进行，其主要步骤如下：
Ⅰ、数据采集
采集光伏阵列运行数据和气象数据；
本例光伏阵列运行数据Dpv＝{Ipv,Upv,Isc,Uoc,I,U}，包括阵列电流值(Ipv)、阵列电压值(Upv)、阵列短路电流(Isc)、阵列开路电压(Uoc)，阵列最大功率点电流(I)和阵列最大功率点电压(U)；
本例气象数据Dmete＝{G,T}，包括太阳辐射度(G)、环境温度(T)；
本例步骤Ⅰ的数据采集，采集光伏阵列运行数据和气象数据，以时间T为一个周期，T为5min；
本例步骤Ⅰ采集的光伏阵列运行数据和气象数据要经过预处理并存入事实数据库，包括如下步骤
Ⅰ-1、数据预处理
对输入向量X＝{xi|i＝1,2,3,4}＝{ISC,UOC,I,U}各元素进行归一化，公式如下：
输入向量X＝{Isc，Uoc，I，U}，各元素进行归一化公式如下：
I-2、事实数据库
事实数据库中存储输入事实、中间结果和推理结果。具体如下：
I-21、输入事实
事实数据库存放当前光伏阵列运行数据和气象数据以及历史数据；历史数据包括正常状态下的历史光伏阵列运行数据、气象数据以及故障状态下的历史光伏阵列运行数据、气象数据和相应的故障类型；其中，本例正常状态下的历史数据保存近五年内的数据，故障状态下的历史数据作为故障样本数据则长期保存。
I-22、中间结果
根据所采集的光伏电站内各光伏阵列运行数据阵列电流值Ipv和阵列电压值Upv得到各光伏阵列的阵列输出功率值Ppv，分别计算该光伏电站多个光伏阵列的阵列电流均值Imean、阵列电压均值Umean，再通过各光伏阵列的阵列输出功率值Ppv计算光伏阵列输出功率均值Pmean，查得事实数据库中相同气象条件下光伏阵列正常状态下的历史输出功率值Pexp，通过减去相应的额定损耗Plose计算修正后预测功率值Ppre，Ppre＝Pexp-Plose。计算得到的中间结果存入事实数据库。本例按照每年降低原功率的1％的额定损耗计算额定损耗。
I-23、推理结果
根据经验规则使用不确定推理方法推理出来的故障类型及其可信度。
II、故障检测
计算步骤I采集的光伏阵列运行数据与事实数据库中相同气象条件下的正常状态历史数据的误差并做分析。若误差大于预设的阈值，则结合步骤III所构建和训练好的故障诊断模型进入步骤IV进行故障诊断，否则返回步骤I；
本例步骤II的故障检测中误差计算采用量化误差计算公式：
R＝|X-Xmean|/Xmean，
R1：光伏阵列实时输出功率值Ppv与预测功率值Ppre的量化误差计算如下，预测功率值Ppre是步骤I-22所得，
R1＝|Ppv-Ppre|/Ppre，
本例设置经验阈值ε1＝Ppre*0.2
R2：光伏阵列实时输出功率值Ppv和输出功率均值Pmean的量化误差计算如下：
R2＝|Ppv-Pmean|/Pmean，
本例设置经验阈值ε2＝Pmean*0.2
R3：通过光伏阵列实时输出电流值Ipv和输出电流均值Imean的量化误差计算如下：
R3＝|Ipv-Imean|/Imean，
本例设置经验阈值ε3＝Imean*0.2
R4：通过光伏阵列实时输出电压值Vpv和输出电压均值Umean的量化误差计算如下：
R4＝|Upv-Umean|/Umean，
本例设置经验阈值ε4＝Umean*0.2
各项量化误差与预设阈值的比较分析，检测光伏阵列是否存在故障，若得到某个量化误差大于预设的阈值，即：R1＞ε1或者R2＞ε2或者R3＞ε3或者R4＞ε4，判定光伏阵列出现故障。本实施例首次进行时，故障诊断模型未完成训练，故先进入步骤III进行故障诊断模型的构建与训练，之后，再进入步骤IV故障诊断；当故障诊断模型已完成训练，本步骤II判定光伏阵列出现故障后，直接进入步骤IV故障诊断；若本步骤II得到的各量化误差均小于或等于预设的阈值，判定光伏阵列无故障，则返回步骤I，进行下一时刻的数据采集和故障巡检，实时监控光伏系统的运行情况。
III、故障诊断模型的构建与训练
III-1、Elman神经网络的构建
采用Elman神经网络结构，由输入层、隐含层、承接层及输出层构成，如图2所示。
输入层的输入向量用于映射输入数据，其中每个输入向量xi对应光伏阵列的一个电路参数，为：阵列短路电流(Isc)、阵列开路电压(Uoc)，阵列最大功率点电流(I)、阵列最大功率点电压(U)、即输入向量为：
X＝{xi|i＝1，2，3，4}＝{ISC，UOC，I，U}。
本例根据目标诊断故障类型及光伏阵列在相同气象条件不同故障状态下的U-I曲线输出特性分析选择网络输入参数为：阵列短路电流(Isc)和阵列开路电压(Uoc)，阵列最大功率点电流(I)、阵列最大功率点电压(U)、即X＝{Isc，Uoc，I，U}。
输出层的输出向量用于映射故障类型，即每个yi对应光伏阵列的一种故障类型，为：开路、短路、老化和遮阴，即输出向量为：Y＝{y1，y2y3，y4}。本例输出层设计如表1所示：
表1 LM-Elman网络输出层设计
输出向量 故障类型 输出向量的代码
y<sub>1</sub> 开路 1000
y<sub>2</sub> 短路 0100
y<sub>3</sub> 老化 0010
y<sub>4</sub> 遮阴 0001
III-2、Elman神经网络的训练
采用常规的网络训练Matlab程序训练步骤III-1建立的Elman神经网络，并测试直到其输出结果与目标结果之间的误差达到预设精度时训练结束。预设精度即准确率，本例设为90％。用于判断网络学习是否结束的目标函数如下，
其中表示目标输出量，即标签数据。E(w)为本例构建的模型输出结果和设想目标输出量之间的均方差。本例E(w)达到90％Elman神经网络的训练结束。
当训练达到误差最小时记录权向量。权向量是指由Elman神经网络训练得到从输入层到输出层的路径指向以及该路径的连接权值共同组成的权向量V＝{X，Y，W}。由Elman神经网络训练得到从输入层到输出层的路径的连接权值被视为实现概率。
III-3、Elman神经网络的LM优化
III-31、LM优化算法
Levenberg-Marquardt算法简称为LM算法即非线性最小二乘算法，LM算法对网络进行优化，得到LM-E1man神经网络，提高网络的收敛速度和精度。
LM算法公式如下：
wk+1＝wk-[JTJ+μl]-1JTe (3-1)
其中，wk表示第k次迭代的网络权值向量，wk+1是新的权值向量；JT为雅可比矩阵，包含了网络误差函数对于权值和偏差的一阶导数；I为单位矩阵；e为网络误差向量；μ为标量因子，通过调节μ的值使得误差性能函数随着迭代的进行而下降到极小值。
III-32、网络连接权值的初始化
基于故障知识规则库中的规则可信度(或者经验概率)，对神经网络构建的连接权值进行预赋值，代替随机化的初始化赋值。例如：对于规则库中某一规则：Ri＝{IF E THENyi CF(yi，E)}，用CF(yi，E)初始化对应的网络连接权值。
III-4、故障知识库的建立
本例故障知识库包含三部分：事实数据库、故障知识规则库和推理机。
上述步骤III-2的Elman神经网络的训练采用故障样本数据进行Elman神经网络的训练，具体如下：
III-41、事实数据库
步骤I-2建立的存放光伏阵列运行数据和气象数据的事实数据库，还存放输入事实、中间结果以及最后推理得到的结果。
III-42、故障知识规则库的构建
本实施例中根据步骤II故障检测和步骤IV故障诊断的学习反馈，得到本领域知识和经验，总结得出的故障知识规则构建为故障知识规则库。本例根据历史事实中发生输出事实开路、短路、老化、遮阴四种故障时，四个特征参数阵列短路电流(Isc)、阵列开路电压(Uoc)，阵列最大功率点电流(I)和阵列最大功率点电压(U)保持不变或较正常值明显下降出现的概率，即后验概率，得到出现某个输入向量的状态时产生输出事实的可信度。如本例中，通过现场验证并统计e1＝(Isc较正常值明显下降)发生100次中出现开路故障类型(y1)的情况为60次，即出现Isc较正常值明显下降时，出现开路故障的可信度值为0.6。部分故障知识规则如表2所示：
表2部分故障知识规则
注1：所述某个参数的“正常值”是光伏阵列正常状态下该参数的均值，从步骤Ⅰ的事实数据库中获得。
注2：所述“明显下降”表示该参数检测值下降程度大于其正常值的20％；
注3：所述“几乎保持不变”表示两者之差小于正常值的20％；
注4：∧表示两个事实同时发生。
注5：可信度CF(Y,E)表示在输入事实E的情况下，推理结果Y的可信度，可信度CF取值范围是-1到1，CF＝0表示规则前件输入事实E与规则后件推理结论Y无关，CF为负值表示由规则前件E推出规则后件Y的不可信程度，CF为正值表示由规则前件E推出规则后件Y的可信程度。
Ⅲ-43、推理机
包含从事实出发通过知识规则推理得到结论的推理策略。
若输入的事实与规则前件匹配时，则直接输出该事实对应规则后件，即故障类型的可信度；若输入新事实，则按照基于可信度的不确定推理方法和已有的知识规则，推理求出新事实对应输出结果的可信度。若知识库中并无相应的规则知识，则根据(4-1)式和(4-2)式进行计算在该输入事实下对结论的可信度。设输入向量X＝{Isc，Uoc，I，U}，当前各输入向量检测结果如下：
e1＝(Isc较正常值明显下降)、
e2＝(Uoc几乎保持不变)、
e3＝(I较正常值有明显下降)、
e4＝(U较正常值有明显下降)，
即输入事实为E＝{e1，e2，e3，e4}，其中设该输入事实对应的不同规则后件即Y＝{y1，y2，y3，y4}的可信度，分别为CF1(y1，E)，CF2(y2，E)，CF3(y3，E)，CF4(y4，E)，采用所述不确定推理方法进行求解，具体如下：
由现有的故障知识规则库中查找与当前输入事实相符的规则。利用(4-1)式计算同一输入事实对不同规则后件即推理结论的可信度：
43-1计算CF1(y1，E)
由上述故障知识规则库中的表2，针对规则后件y1，输入向量e1，e2，e3，e4两两组合为两个输入事实，令E1＝(e1∧e2)，E2＝(e3∧e4)，则有：
43-11计算CF(y1，E1)，e1、e2可信度为1：
由公式4-1计算得：CF1(y1)＝CF(y1，e1)×max{0，CF(e1)}＝0.55×1＝0.55
由公式4-1计算得：CF2(y1)＝CF(y1，e2)×max{0，CF(e2)}＝0.5×1＝0.5
利用(4-2)式计算输入事实e1和e2对结论的综合可信度CF1，2(y1)：
因为CF1(y1)≥0，CF2(y1)≥0，则有：
CF1，2(y1)＝CF1(y1)+CF2(y1)-CF1(y1)×CF2(y1)＝0.55+0.5-0.55×0.5＝0.775
即CF(y1，E1)＝CF1，2(y1)＝0.775。
43-12计算CF(y1，E2)，e3、e4可信度为1：
由公式4-1计算得：CF3(y1)＝CF(y1，e3)×max{0，CF(e3)}＝0.21×1＝0.21
由公式4-1计算得：CF4(y1)＝CF(y1，e4)×max{0，CF(e4)}＝0.2×1＝0.2
利用(4-2)式计算输入事实e3和e4对结论的综合可信度CF3，4(y1)：
因为CF3(y1)≥0，CF4(y1)≥0，则有：
CF3，4(y1)＝CF3(y1)+CF4(y1)-CF3(y1)×CF4(y1)＝0.21+0.2-0.21×0.2＝0.368
即CF(y1，E2)＝CF3，4(y1)＝0.368。
43-13计算CF(y1，E)，E1、E2可信度为1：
由公式4-1计算得：CF5(y1)＝CF(y1，E1)×max{0，CF(E1)}＝0.775×1＝0.775
由公式4-1计算得：CF6(y1)＝CF(y1，E2)×max{0，CF(E2)}＝0.368×1＝0.368
利用(4-2)式计算输入事实E1和E2对结论的综合可信度CF5，6(y1)：
因为CF3(y1)≥0，CF6(y1)≥0，则有：
CF5，6(y1)＝CF5(y1)+CF6(y1)-CF5(y1)×CF6(y1)＝0.775+0.368-0.775×0.368
＝0.8578
即CF1(y1，E)＝CF5，6(y1)＝0.8578。
43-2计算CF2(y2，E)
由上述的表2，针对规则后件y2，令E1＝(e1∧e2)，E2＝(e3∧e4)，则有：
43-21计算CF(y2，E1)，e1、e2可信度为1：
由公式4-1计算得：
CF1(y2)＝CF(y2，e1)×max{0，CF(e1)}＝-0.48×1＝-0.48
由公式4-1计算得：CF2(y2)＝CF(y2，e2)×max{0，CF(e2)}＝-0.45×1＝-0.45
利用(4-2)式计算输入事实e1和e2对结论的综合可信度CF1，2(y2)：
因为CF1(y2)≤0，CF2(y2)≤0，则：
CF1，2(y2)＝CF1(y2)+CF2(y2)+CF1(y2)×CF2(y2)
＝-0.48+(-0.45)+(-0.48)×(-0.45)＝-0.714
即CF(y2，E1)＝CF1，2(y2)＝-0.714。
43-22计算CF(y2，E2)，e3、e4可信度为1：
由公式4-1计算得：CF3(y2)＝CF(y2，e3)×max{0，CF(e3)}＝0.1×1＝0.1
由公式4-1计算得：CF4(y2)＝CF(y2，e4)×max{0，CF(e4)}＝0.15×1＝0.15
利用(4-2)式计算输入事实e3和e4对结论的综合可信度CF3，4(y2)：
因为CF3(y2)≥0，CF4(y2)≥0，则有：
CF3，4(y2)＝CF3(y2)+CF4(y2)-CF3(y2)×CF4(y2)＝0.1+0.15-0.1×0.15＝0.235
即CF(y2，E2)＝CF3，4(y2)＝0.235。
43-23计算CF(y2，E)，E1、E2可信度为1：
由公式4-1计算得：CF5(y2)＝CF(y2，E1)×max{0，CF(E1)}＝-0.714×1＝-0.714
由公式4-1计算得：CF6(y2)＝CF(y2，E2)×max{0，CF(E2)}＝0.235×1＝0.235
利用(4-2)式计算输入事实E1和E2对结论的综合可信度CF5，6(y2)：
因为CF5(y2)≤0，CF6(y2)≥0，两者异号则有：
即CF2(y2，E)＝CF5，6(y2)＝-0.626。
43-3计算CF3(y3，E)
由上述的表2，针对规则后件y3，令E1＝(e1∧e2)，E2＝(e3∧e4)，则有：
43-31计算CF(y3，E1)，e1、e2可信度为1：
由公式4-1计算得：CF1(y3)＝CF(y3，e1)×max{0，CF(e1)}＝-0.8×1＝-0.8
由公式4-1计算得：CF2(y3)＝CF(y3，e2)×max{0，CF(e2)}＝0.6×1＝0.6
利用(4-2)式计算输入事实e1和e2对结论的综合可信度CF1，2(y3)：
因为CF1(y3)≤0，CF2(y3)≥0，两者异号则有：
即CF(y3，E1)＝CF1，2(y3)＝-0.5。
43-32计算CF(y3，E2)，e3、e4可信度为1：
由公式4-1计算得：CF3(y3)＝CF(y3，e3)×max{0，CF(e3)}＝0.45×1＝0.45
由公式4-1计算得：CF4(y3)＝CF(y3，e4)×max{0，CF(e4)}＝0.45×1＝0.45
利用(4-2)式计算输入事实e3和e4对结论的综合可信度CF3，4(y3)：
因为CF3(y3)≥0，CF4(y3)≥0，则有：
CF3，4(y3)＝CF3(y3)+CF4(y3)-CF3(y3)×CF4(y3)＝0.45+0.45-0.45×0.45
即CF(y3，E2)＝CF3，4(y3)＝0.6975
43-33计算CF(y3，E)，E1、E2可信度为1：
由公式4-1计算得：CF5(y3)＝CF(y3，E1)×max{0，CF(E1)}＝-0.5×1＝-0.5
由公式4-1计算得：CF6(y3)＝CF(y3，E2)×max{0，CF(E2)}＝0.6975×1＝0.6975
利用(4-2)式计算输入事实E1和E2对结论的综合可信度CF5，6(y3)：
因为CF5(y3)≤0，CF6(y3)≥0，两者异号则有：
即CF3(y3，E)＝CF5，6(y3)＝0.395。
43-4计算CF4(y4，E)
由上述的表2，针对规则后件y4，令E1＝(e1∧e2)，E2＝(e3∧e4)，则有：
43-41计算CF(y4，E1)，e1、e2可信度为1：
由公式4-1计算得：CF1(y4)＝CF(y4，e1)×max{0，CF(e1)}＝0.1×1＝0.1
由公式4-1计算得：CF2(y4)＝CF(y4，e2)×max{0，CF(e2)}＝0.1×1＝0.1
利用(4-2)式计算输入事实e1和e2对结论的综合可信度CF1，2(y4)：
因为CF1(y4)≥0，CF2(y4)≥0，则有：
CF1，2(y4)＝CF1(y4)+CF2(y4)-CF1(y4)×CF2(y4)＝0.1+0.1-0.1×0.1＝0.19
即CF(y4，E1)＝CF1，2(y4)＝0.19。
43-42计算CF(y4，E2)，e3，e4可信度为1：
由公式4-1计算得：CF3(y4)＝CF(y4，e3)×max{0，CF(e3)}＝0.2×1＝0.2
由公式4-1计算得：CF4(y4)＝CF(y4，e4)×max{0，CF(e4)}＝0.3×1＝0.3
利用(4-2)式计算输入事实e3和e4对结论的综合可信度CF3，4(y4)：
因为CF3(y4)≥0，CF4(y4)≥0，则有：
CF3，4(y4)＝CF3(y4)+CF4(y4)-CF3(y4)×CF4(y4)＝0.2+0.3-0.2×0.3＝0.44
即CF(y4，E2)＝CF3，4(y4)＝0.44。
43-43计算CF(y4，E)，E1、E2可信度为1：
由公式4-1计算得：CF5(y4)＝CF(y4，E1)×max{0，CF(E1)}＝0.19×1＝0.19
由公式4-1计算得：CF6(y4)＝CF(y4，E2)×max{0，CF(E2)}＝0.44×1＝0.44
利用(4-2)式计算输入事实E1和E2对结论的综合可信度CF5，6(y4)：
因为CF5(y4)≥0，CF6(y4)≥0，则有：
CF5，6(y4)＝CF5(y4)+CF6(y4)-CF5(y4)×CF6(y4)＝0.19+0.44-0.19×0.44即CF4(y4，E)＝CF5，6(y4)＝0.5464。
从光伏阵列实时运行状态数据中选择经过预处理后的输入向量X＝{Isc，Uoc，I，U}，由故障检测步骤计算得到该组输入向量X＝{Isc，Uoc，I，U}相对其正常值的变化状态作为故障知识规则库的输入事实即规则前件：E＝{e1，e2，e3，e4}，其中e1＝(Isc较正常值明显下降)、e2＝(Uoc几乎保持不变)、e3＝(I较正常值有明显下降)、e4＝(U较正常值有明显下降)，该输入事实对应的不同规则后件即Y＝{y1，y2，y3，y4}，求得相应的可信度CF1(y1，E)，CF2(y2，E)，CF3(y3，E)，CF4(y4，E)。
得到的可信度分布如下：
III-44、知识获取与知识更新的方法：
III-441、通过故障知识规则库获得知识，本例即如表2中的内容；
III-442、通过外部输入触发并由内部推理机推理得到新的知识。
III-5、决策树模型构建
基于故障知识库中的经验规则和推理机的推理策略构建决策树模型。
根据事实数据库选取决策树结点分裂属性并根据经验规则构建决策树，该决策树每个内部结点为输入参数的特征属性，叶子结点为类别属性；每条决策路径的可信度由推理策略进行推理计算。
根据经验知识选取决策树结点分裂属性并构建决策树的过程如下：根结点分裂属性选为Isc，若输入参数中该属性值相对正常参照值超过预设阈值则进入到叶子结点，故障类型为开路；否则进入到下一结点，分裂属性选为Uoc，若输入参数中该属性值相对正常参照值超过预设阈值则进入到叶子结点，类别为短路；否则进入到下一结点，分裂属性选为Impp，若输入参数中该属性值相对正常参照值超过预设阈值则进入到叶子结点，故障类型为老化；否则进入到另一叶子结点，故障类型为阴影。其中，每条决策路径的可信度由推理知识进行推理计算。各预设阈值为正常值的20％。
IV、故障诊断
由光伏阵列运行的特征参数阵列短路电流(Isc)、阵列开路电压(Uoc)，阵列最大功率点电流(I)和阵列最大功率点电压(U)一组输入向量，放到已训练好的神经网络中进行测试，得到相应的输出向量——故障类型，包括开路、短路、老化和遮阴，并记录此测试路径的权值。将步骤I采集的运行数据放到决策树决策，得到决策结果和相应可信度，当直接匹配，则是规则的可信度，若不匹配，则应用不确定推理方法进行推理；
具体如下：
IV-1、权向量
由神经网络的训练得到从输入层到输出层的权向量V＝{X，Y，W}；
IV-2、故障类型的可信度分布
在所述故障诊断步骤中，根据故障知识库构建的决策树并进行决策推理得到的故障类型的可信度分布CFD(X，Y，CF)；
进入下一步骤得到各故障类型的最终可信度分布结果，并根据可信度分布结果诊断故障类型。
V、故障预警
根据光伏阵列故障诊断模型神经网络和决策树的决策结果进行综合评价得到最后的故障类型的可信度，选择性进行故障预警；
所述步骤V的故障预警，具体如下：
V-1、最终可信度分布
综合步骤IV所得由神经网络得到的权向量和由决策树决策推理得到的可信度分布，计算各故障类型的最终可信度分布。
本例根据LM-Elman神经网络得到每种故障类型的相应权向量为
V1＝{X，y1，w1}＝{X，y1，0.9}，V2＝{X，y2，w2}＝{X，y2，0.01}，
V3＝{X，y3，w3}＝{X，y3，0.05}，V4＝{X，y4，w4}＝{X，y4，0.25}，
由III-433步骤计算得到本例输入事实E对应输出向量可信度为CF(yi，E)，
根据公式(4-4)计算最终可信度如下(本例取为0.6)：
根据上述演算得到各故障类型对应最终可信度分布公式，如下：
即输入向量X＝{Isc，Uoc，I，U}，输入事实为E＝{e1，e2，e3，e4}，其中
e1＝(Isc较正常值明显下降)、e2＝(Uoc几乎保持不变)、
e3＝(I较正常值有明显下降)、e4＝(U几乎保持不变)，
得到各故障类型的最终可信度：属于开路故障类型的可信度为0.87468，属于短路故障类型的可信度为-0.3716，属于老化故障类型的可信度为0.257，属于遮阴故障类型的可信度为0.42784。
也可仅用神经网络模型进行故障诊断，此时应用不确定推理方法的决策树模型的权值设置为0，神经网络模型的权值则为1。
例如，若输入事实为，
e1＝(Isc较正常值明显下降)、e2＝(Uoc几乎保持不变)、
e3＝(I较正常值有明显下降)、e4＝(U几乎保持不变)，
根据LM-Elman神经网络得到每种故障类的相应权向量为
V1＝{X，y1，w1}＝{X，y1，0.7}，V2＝{X，y2，w2}＝{X，y2，0.01}，
V3＝{X，y3，w3}＝{X，y3，0.05}，V4＝{X，y4，w4}＝{X，y4，0.3}，
根据公式(4-4)进行计算，设置决策树决策权值为则LM-Elman决策权值为1。因此，各故障类型对应最终可信度分布如下：
得到各故障类型的最终可信度：属于开路故障类型的可信度为0.7，属于短路故障类型的可信度为0.01，属于老化故障类型的可信度为0.05，属于遮阴故障类型的可信度为0.3。
V-2故障预警
根据公式(4-5)得到各故障类型可信度分布CFD*(X，Y，CF)，由用户自定义选取可信度较大的前t个对应的故障类型进行故障预警，t由用户选择，本例选取可信度较大的前两项进行预警，t＝2。
本例预警该光伏阵列有开路故障(CF＝0.87468)和遮阴故障(CF＝0.42784)。
VI、故障知识库更新
主要是对上述步骤II故障检测、步骤IV故障诊断和步骤V故障预警的监督性学习反馈，以对故障知识库进行知识更新和充实完善，使本方法得到更准确的故障诊断结果，主要是根据光伏阵列系统的故障维修现场的实测情况，验证本方法故障预警结果的准确性，对预警结果和故障实情进行分析，更新故障知识规则库的相关知识规则，修正相关规则可信度。
具体如下：
VI-1、若出现新的知识规则，则将新的知识规则加到故障知识库中；
VI-2、根据实测结果更新故障知识库，修正相关规则可信度。
本例中，通过现场验证并统计e1＝(Isc较正常值明显下降)发生100次中出现开路故障(y1)的情况为60次，即出现Isc较正常值明显下降时，出现开路故障的可信度值为0.6。本例实测开路故障(y1)出现，对应表2规则G1更新其可信度值，即取实测可信度值与表2规则可信度的均值，则更新G1的可信度为：CF(y1，e1)′＝(0.55+0.6)/2＝0.575。
上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (6)

1.一种光伏阵列故障诊断和预警方法，所述光伏阵列为安装于光伏电站内的多个光伏阵列，本方法在光伏阵列故障诊断模型神经网络、故障知识库和决策树模型的基础上进行，其主要步骤如下：
I、数据采集
采集光伏阵列运行数据和气象数据；
所述光伏阵列运行数据Dpv＝{Ipv，Upv，Isc，Uoc，I，U}，包括阵列电流值Ipv、阵列电压值Upv，阵列短路电流Isc、阵列开路电压Uoc，阵列最大功率点电流I和阵列最大功率点电压U；
所述气象数据Dmete＝{G，T}，包括太阳辐射度G、环境温度T；
II、故障检测
计算步骤I采集的光伏阵列运行数据与故障知识库中相同气象条件下的历史正常数据的误差并做分析；若误差大于预设的阈值，则结合步骤III所构建和训练好的故障诊断模型进入步骤IV进行故障诊断，否则返回步骤I；
III、故障诊断模型的构建与训练
包括如下步骤：
III-1、Elman神经网络的构建
采用Elman神经网络结构，由输入层、隐含层、承接层及输出层构成；
输入层的输入向量用于映射输入数据，其中每个输入向量xi对应光伏阵列的一个电路参数，为：阵列短路电流Isc、阵列开路电压Uoc，阵列最大功率点电流I、阵列最大功率点电压U、即输入向量为：
X＝{xi|i＝1，2，3，4}＝{ISC，UOC，I，U}；
输出层的输出向量用于映射故障类型，即每个yi对应光伏阵列的一种故障类型，为：开路、短路、老化和遮阴，即输出向量为：Y＝{y1，y2，y3，y4}；
III-2、Elman神经网络的训练
采用常规的网络训练Matlab程序训练步骤III-1建立的Elman神经网络，并测试直到其输出结果与目标结果之间的误差达到预设精度时训练结束；预设精度即准确率，设为80～95％；用于判断网络学习是否结束的目标函数如下，
其中表示目标输出量，即标签数据；E(w)为本发明构建的模型输出结果和设想目标输出量之间的均方差；
当训练达到误差最小时记录权向量；权向量是指由Elman神经网络训练得到从输入层到输出层的路径指向以及该路径的连接权值共同组成的权向量V＝{X，Y，W}；由Elman神经网络训练得到从输入层到输出层的路径的连接权值被视为实现概率；
或者，达到预设的最大的迭代次数时，神经网络训练结束，最大的迭代次数设为1500～2500次；
或者，目标函数E(w)开始收敛时，神经网络训练结束；
III-3、Elman神经网络的LM优化
III-31、LM优化算法
Levenberg-Marquardt算法简称为LM算法即非线性最小二乘算法，LM算法对网络进行优化，得到LM-Elman神经网络，提高网络的收敛速度和精度；
LM算法公式如下：
wk+1＝wk-[JTJ+μl]-1JTe (3-1)
其中，wk表示第k次迭代的网络权值向量，wk+1是新的权值向量；JT为雅可比矩阵，包含了网络误差函数对于权值和偏差的一阶导数；I为单位矩阵；e为网络误差向量；μ为标量因子，通过调节μ的值使得误差性能函数随着迭代的进行而下降到极小值；
III-32、网络连接权值的初始化
基于故障知识规则库中的规则可信度或者经验概率，对神经网络构建的连接权值进行预赋值，代替随机化的初始化赋值；
III-4、故障知识库的建立
所述故障知识库包含三部分：事实数据库、故障知识规则库和推理机；具体为：
III-41、事实数据库
步骤I-2建立的存放光伏阵列运行数据和气象数据的事实数据库，还存放输入事实、中间结果以及最后推理得到的结果；
III-42、故障知识规则库的构建
根据本方法步骤II故障检测和步骤IV故障诊断的学习反馈，得到本领域知识和经验，总结得出的故障知识规则构建为故障知识规则库，每条规则包括规则前件输入事实E、规则后件推理结果Y以及由输入事实E得到推理结果Y的可信度CF；
输入事实E为步骤I所得输入向量阵列短路电流Isc、阵列开路电压Uoc，阵列最大功率点电流I和阵列最大功率点电压U的当前状态；推理结果Y为故障类型，包括开路、短路、老化和遮阴；
本方法设置可信度CF取值范围为-1～1，可信度CF为零时，规则前件E与规则后件Y无关，CF为负值表示由规则前件E推出规则后件Y的不可信程度，CF为正值表示由规则前件E推出规则后件Y的可信程度；
III-43、推理机
包含从事实出发通过故障知识规则推理得到结论的推理策略；
若输入的事实与规则前件匹配时，则直接输出该事实对应规则后件，即故障类型的可信度；若输入新事实，则按照基于可信度的不确定推理方法和已有的故障知识规则，推理求出新事实对应输出结果的可信度；
以光伏阵列运行状态数据作为输入向量X＝{x1，x2，...，xn}，由故障检测步骤计算得到该组输入向量相对其正常值的变化状态作为故障知识规则库的输入事实即规则前件：E＝{E1，E2，...，En}，该组输入向量对应故障类型即故障知识规则库的规则后件Y＝{y1，y2，...，ym}，利用故障知识规则库和不确定推理方法计算故障类型的可信度分布，不确定推理方法如下：
故障知识规则库中故障知识规则定义为：规则前件Ei为输入事实，规则后件Y为结论，CF(Y，Ei)为输入事实Ei对结论Y的可信度；
计算单条输入事实Ei对结论Y的可信度的计算式为：
CFi(Y)＝CF(Y，Ei)×max{0，CF(Ei)} (4-1)
计算输入事实Ei，Ej(Ei∈E，Ej∈E)两两组合成的输入事实E对结论Y的可信度CFi，j(Y，E′)的计算公式如下：
故障类型的可信度分布：
以此作为故障诊断的依据；
III-44、故障知识获取与故障知识更新的方法：
III-441、通过步骤III-42建立的故障知识规则库，获故障得知识规则；
III-442、通过外部输入触发并由内部推理机推理得到新的故障知识；
所述步骤III-5的决策树模型构建是根据事实数据库选取决策树结点分裂属性并根据经验规则构建决策树，该决策树每个内部结点为输入参数的特征属性，叶子结点为类别属性；每条决策路径的可信度由不确定推理方法进行推理计算；
III-5、决策树模型构建
基于故障知识库的经验规则和推理机的推理策略构建决策树模型；
根据事实数据库选取决策树结点分裂属性并根据经验规则构建决策树，该决策树每个内部结点为输入参数的特征属性，叶子结点为类别属性；每条决策路径的可信度由推理策略进行推理计算；
根据经验知识选取决策树结点分裂属性并构建决策树的过程如下：根结点分裂属性选为Isc，若输入参数中该属性值相对正常参照值超过预设阈值则进入到叶子结点，故障类型为开路；否则进入到下一结点，分裂属性选为Uoc，若输入参数中该属性值相对正常参照值超过预设阈值则进入到叶子结点，类别为短路；否则进入到下一结点，分裂属性选为Impp，若输入参数中该属性值相对正常参照值超过预设阈值则进入到叶子结点，故障类型为老化；否则进入到另一叶子结点，故障类型为阴影；其中，每条决策路径的可信度由推理知识进行推理计算；
IV、故障诊断
由光伏阵列运行的特征参数阵列短路电流Isc、阵列开路电压Uoc，阵列最大功率点电流I和阵列最大功率点电压U一组输入向量，放到已训练好的神经网络中进行诊断，得到相应的输出向量——故障类型，包括开路、短路、老化和遮阴，并记录此测试路径的权值；将步骤I采集的运行数据放到决策树进行决策，得到决策结果和相应可信度，当二者直接匹配，即得到决策结果的可信度，若二者不匹配，则应用推理机基于可信度的不确定推理方法进行推理；若不能直接匹配且应用不确定推理方法推理不出相应的故障类型，则将决策树决策权值设为0，神经网络决策权值设为1；
V、故障预警
根据光伏阵列故障诊断模型神经网络和决策树的决策结果进行综合评价得到最后的故障类型的可信度，选择性进行故障预警；
VI、故障知识库更新
主要是对上述步骤II故障检测、步骤IV故障诊断和步骤V故障预警的监督性学习反馈，以对故障知识库进行知识更新和充实完善，使本方法得到更准确的故障诊断结果，主要是根据光伏阵列系统的故障维修现场的实测情况，验证本方法故障预警结果的准确性，对预警结果和故障实情进行分析，更新故障知识规则库的相关知识规则，修正相关规则的可信度。
2.根据权利要求1所述的光伏阵列故障诊断和预警方法，其特征在于：
所述步骤I的数据采集，采集光伏阵列运行数据和气象数据，以时间T为一个周期，T为5～8min；
所述步骤I采集的运行数据和气象数据输入数据要经过预处理，并存入事实数据库，包括如下步骤：
I-1、数据的预处理
对输入向量X＝{xi|i＝1，2，3，4}＝{ISC，UOC，I，U}各元素进行归一化，公式如下：
I-2、建立事实数据库
事实数据库中存储输入事实、中间结果和推理结果，具体如下：
I-21、输入事实
事实数据库存放当前光伏阵列运行数据和气象数据以及历史数据；历史数据包括正常状态下的历史光伏阵列运行数据、气象数据以及故障状态下的历史光伏阵列运行数据、气象数据和相应的故障类型；其中，正常状态下的历史数据保存最近5～10年内的数据，故障状态下的历史数据作为故障样本数据长期保存；
I-22、中间结果
根据所采集的光伏电站内各光伏阵列运行数据阵列电流值Ipv和阵列电压值Upv，计算该光伏电站多个光伏阵列的阵列电流均值Imean、阵列电压均值Umean，由各阵列电流值Ipv和阵列电压值Upv得到各光伏阵列的阵列输出功率值Ppv，由此再计算各光伏阵列输出功率均值Pmean，查得事实数据库中相同气象条件下光伏阵列正常状态下的历史输出功率值Pexp；减去相应的额定损耗Plose计算修正后预测功率值Ppre，Ppre＝Pexp-Plose；其中，额定损耗Plose由光伏设备的出厂参数和使用年限计算得到；最后将计算得到的中间结果存入事实数据库；
I-23、推理结果
根据经验规则使用推理机基于可信度的不确定推理方法推理出来的故障类型及其可信度。
3.根据权利要求1所述的光伏阵列故障诊断和预警方法，其特征在于：
所述步骤II的故障检测中误差计算采用量化误差计算公式：
R＝|X-Xmean|/Xmean，
预设阈值ε为经验阈值，若R＞ε，则结合步骤III所构建和训练好的故障诊断模型进入步骤IV进行故障诊断，否则返回步骤I。
4.根据权利要求1所述的光伏阵列故障诊断和预警方法，其特征在于：
所述步骤IV故障诊断，具体如下：
IV-1、权向量
由神经网络的训练得到从输入层到输出层的权向量V＝{X*，Y，W}；
IV-2、故障类型的可信度分布
在所述故障诊断步骤中，根据故障知识库构建的决策树并进行决策推理得到的故障类型的可信度分布CFD(X*，Y，CF)＝{X*，Y，CF}；
进入下一步骤得到各故障类型的最终可信度分布结果，并根据最终可信度分布结果诊断故障类型。
5.根据权利要求1所述的光伏阵列故障诊断和预警方法，其特征在于：
所述步骤V的故障预警，具体如下：
V-1、最终可信度分布
综合步骤IV所得由神经网络得到的权向量和由决策树决策推理得到的可信度分布，计算各故障类型的最终可信度分布；设某一输入向量X，对应输出向量Y＝yi的权向量为Vi＝{X，yi，wi}，由故障检测步骤计算得到该组输入向量X相对其正常值的变化状态作为故障知识规则库的输入事实E，对应可信度为CF(yi，E)，则对于该输入向量到输出向量的最终可信度由如下公式进行计算：
其中为决策树的决策权值，该值由用户输入，神经网络的决策权值则为 取值范围0～1；
根据公式(4-4)，得到各故障类型对应的最终可信度分布公式，如下：
V-2故障预警
根据公式(4-5)得到各故障类型可信度分布CFD*(X*，Y，CF)，由用户自定义选取可信度较大的前t(t＝{1，2，...，m})个对应的故障类型进行故障预警，t由用户选择，取值为1～3。
6.根据权利要求1所述的光伏阵列故障诊断和预警方法，其特征在于：
所述步骤VI的故障知识库更新，具体如下：
VI-1、若出现新的知识规则，则将新的知识规则加到故障知识库中；
VI-2、根据实测结果更新故障知识规则库，修正相关规则可信度。
CN201710159693.2A 2017-03-17 2017-03-17 一种光伏阵列故障诊断和预警方法 Active CN106961249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710159693.2A CN106961249B (zh) 2017-03-17 2017-03-17 一种光伏阵列故障诊断和预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710159693.2A CN106961249B (zh) 2017-03-17 2017-03-17 一种光伏阵列故障诊断和预警方法

Publications (2)

Publication Number Publication Date
CN106961249A CN106961249A (zh) 2017-07-18
CN106961249B true CN106961249B (zh) 2019-02-19

Family

ID=59471258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710159693.2A Active CN106961249B (zh) 2017-03-17 2017-03-17 一种光伏阵列故障诊断和预警方法

Country Status (1)

Country Link
CN (1) CN106961249B (zh)

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107421763B (zh) * 2017-08-01 2019-11-15 上海庆科信息技术有限公司 一种设备故障检测方法及装置
CN107632521B (zh) * 2017-08-30 2020-09-29 中国矿业大学 一种基于决策树和神经网络的恒电位仪控制方法
CN107909096A (zh) * 2017-11-08 2018-04-13 南京因泰莱电器股份有限公司 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法
CN108009221A (zh) * 2017-11-22 2018-05-08 国网湖北省电力有限公司 一种用于户用光伏发电控制维护的自助式事件数据库
CN109842372A (zh) * 2017-11-28 2019-06-04 中国电力科学研究院有限公司 一种光伏组件故障检测方法和系统
CN107991967A (zh) * 2017-12-24 2018-05-04 谢小坚 一种基于光伏物理模型的光伏发电故障诊断系统
CN108062571B (zh) * 2017-12-27 2021-04-27 福州大学 基于差分进化随机森林分类器的光伏阵列故障诊断方法
CN108376298B (zh) * 2018-02-12 2023-11-10 湘潭大学 一种风电机组发动机温度故障预警诊断方法
CN108614934B (zh) * 2018-04-24 2022-05-06 国网青海省电力公司 光伏电站故障成本计算的方法及系统
CN108666915A (zh) * 2018-05-22 2018-10-16 江苏容源电力设备有限公司 地埋式变电器安全维护方法
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
CN109150104A (zh) 2018-08-10 2019-01-04 江南大学 一种基于随机森林算法的光伏阵列故障诊断方法
CN109039281A (zh) * 2018-08-10 2018-12-18 江南大学 一种基于改进随机森林算法的光伏阵列故障诊断方法
CN109298228A (zh) * 2018-09-13 2019-02-01 安徽天尚清洁能源科技有限公司 一种基于光伏组串电流异常的智能化诊断方法及系统
CN109359866B (zh) * 2018-10-17 2024-05-03 塔比星信息技术(深圳)有限公司 基于租赁设备的风险隐患监控方法、装置和计算机设备
CN109194286B (zh) * 2018-11-27 2020-05-22 阳光电源股份有限公司 一种光伏组件的故障诊断方法和装置
CN109670652A (zh) * 2018-12-29 2019-04-23 石家庄科林电气股份有限公司 一种光伏组件的故障预测方法
CN110146316A (zh) * 2019-04-10 2019-08-20 广州瑞松北斗汽车装备有限公司 汽车生产线功能柜的故障诊断方法及系统
CN109842373B (zh) * 2019-04-15 2020-04-28 国网河南省电力公司电力科学研究院 基于时空分布特性的光伏阵列故障诊断方法及装置
CN110515781B (zh) * 2019-07-03 2021-06-22 北京交通大学 一种复杂系统状态监测及故障诊断方法
CN110399926B (zh) * 2019-07-26 2021-11-30 广州辰创科技发展有限公司 一种路灯故障诊断方法及装置
CN110338134A (zh) * 2019-07-31 2019-10-18 海南赛维斯科技有限公司 一种基于神经网络的增氧机故障自动处理系统及方法
CN112533233B (zh) * 2019-09-19 2023-04-07 中国移动通信集团重庆有限公司 一种基于用户交互的无线网络探测方法、装置和系统
CN110619479B (zh) * 2019-09-23 2022-05-24 阳光电源股份有限公司 光伏组件的故障判别模型建模方法及故障判别方法
CN110598802B (zh) * 2019-09-26 2021-07-27 腾讯科技（深圳）有限公司 一种内存检测模型训练的方法、内存检测的方法及装置
US11251749B2 (en) 2019-10-16 2022-02-15 Tata Consultancy Services Limited Methods and systems for fault detection, diagnosis and localization in solar panel network
CN111046940A (zh) * 2019-12-06 2020-04-21 中车长春轨道客车股份有限公司 一种基于决策树与神经网络的车门故障诊断方法
CN111198098A (zh) * 2020-01-14 2020-05-26 重庆邮电大学 一种基于人工神经网络的风力发电机轴承故障预测方法
CN111478660B (zh) * 2020-03-02 2021-07-20 珠海格力电器股份有限公司 一种光伏板控制方法、装置、终端及计算机可读介质
CN111555716B (zh) * 2020-03-13 2023-07-28 远景智能国际私人投资有限公司 光伏阵列工作状态的确定方法、装置、设备及存储介质
CN111275295B (zh) * 2020-03-23 2023-06-30 华北电力大学 一种基于反距离权重插值的分布式光伏故障诊断方法
CN111680820B (zh) * 2020-05-08 2022-08-19 国网河南省电力公司电力科学研究院 分布式光伏电站故障诊断方法和装置
TWI730796B (zh) * 2020-06-03 2021-06-11 友達光電股份有限公司 太陽能發電方法
CN112245728B (zh) * 2020-06-03 2022-11-29 北京化工大学 一种基于集成树的呼吸机假阳性报警信号识别方法及系统
CN112116171A (zh) * 2020-09-29 2020-12-22 山东建筑大学 一种新型基于神经网络的光伏发电功率预测方法
CN112215428B (zh) * 2020-10-20 2022-08-26 国网山东省电力公司电力科学研究院 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统
CN112966003A (zh) * 2021-03-02 2021-06-15 广州汇通国信科技有限公司 一种基于神经网络算法的数据质量问题排查方法
CN113050746A (zh) * 2021-03-24 2021-06-29 温州大学 一种基于记忆增强的光伏发电系统最大功率跟踪方法
CN113489457B (zh) * 2021-06-01 2022-08-16 厦门科华数能科技有限公司 光伏组件故障检测方法及装置
CN113688987B (zh) * 2021-08-30 2023-08-01 远景智能国际私人投资有限公司 光伏监测模型的训练方法、光伏设备的监测方法及设备
CN115264763A (zh) * 2022-06-13 2022-11-01 王者 一种智能温控器和智能温控器的控制方法
CN115563549B (zh) * 2022-10-27 2023-10-20 武汉理工大学 一种焊接缺陷成因诊断方法、系统及电子设备
CN116310859B (zh) * 2023-01-16 2023-09-12 自然资源部国土卫星遥感应用中心 一种基于多源遥感数据的光伏阵列故障智能检测方法
CN117129815B (zh) * 2023-10-27 2024-02-02 南京中鑫智电科技有限公司 一种基于物联网的多劣化绝缘子综合检测方法和系统
CN117670300B (zh) * 2023-12-08 2024-06-14 西安中创新能网络科技有限责任公司 一种分布式光伏设备检测运维系统及方法
CN117404820B (zh) * 2023-12-08 2024-03-01 胜利油田胜兴集团有限责任公司 基于物联网的热管式太阳能运行故障诊断系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008132066A1 (en) * 2007-04-27 2008-11-06 Siemens Aktiengesellschaft A method for computer-assisted learning of one or more neural networks
CN104537416A (zh) * 2014-12-05 2015-04-22 沈阳航空航天大学 一种基于hbf神经网络观测器的故障诊断方法
CN105631517A (zh) * 2015-12-17 2016-06-01 河海大学 基于思维进化Elman神经网络的光伏发电功率短期预测方法
CN105954616A (zh) * 2016-05-05 2016-09-21 江苏方天电力技术有限公司 基于外特性电气参数的光伏组件故障诊断方法
CN106058914A (zh) * 2016-05-27 2016-10-26 国电南瑞科技股份有限公司 基于Elman算法的配网发电预测技术的电压优化方法
CN106291339A (zh) * 2015-05-20 2017-01-04 国网上海市电力公司 一种基于人工神经网络的断路器故障诊断专家系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008132066A1 (en) * 2007-04-27 2008-11-06 Siemens Aktiengesellschaft A method for computer-assisted learning of one or more neural networks
CN104537416A (zh) * 2014-12-05 2015-04-22 沈阳航空航天大学 一种基于hbf神经网络观测器的故障诊断方法
CN106291339A (zh) * 2015-05-20 2017-01-04 国网上海市电力公司 一种基于人工神经网络的断路器故障诊断专家系统
CN105631517A (zh) * 2015-12-17 2016-06-01 河海大学 基于思维进化Elman神经网络的光伏发电功率短期预测方法
CN105954616A (zh) * 2016-05-05 2016-09-21 江苏方天电力技术有限公司 基于外特性电气参数的光伏组件故障诊断方法
CN106058914A (zh) * 2016-05-27 2016-10-26 国电南瑞科技股份有限公司 基于Elman算法的配网发电预测技术的电压优化方法

Also Published As

Publication number Publication date
CN106961249A (zh) 2017-07-18

Similar Documents

Publication Publication Date Title
CN106961249B (zh) 一种光伏阵列故障诊断和预警方法
CN111237134B (zh) 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法
CN109270407B (zh) 基于多源信息融合的特高压直流输电线路故障原因辨识方法
CN104391189B (zh) 基于三级诊断的大型光伏阵列故障诊断定位方法
WO2020029327A1 (zh) 一种基于改进随机森林算法的光伏阵列故障诊断方法
CN110879377B (zh) 基于深度信念网络的计量装置故障溯源方法
CN108805256A (zh) 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法
CN106021806A (zh) 一种基于核函数极限学习机的光伏组串故障诊断方法
Rao et al. Dropout and pruned neural networks for fault classification in photovoltaic arrays
CN108983749A (zh) 基于k-svd训练稀疏字典的光伏阵列故障诊断方法
CN115455746B (zh) 一种核动力装置运行监测数据异常检测与校正一体化方法
CN116526478A (zh) 基于改进的蛇群优化算法的短期风电功率预测方法及系统
CN115146739A (zh) 基于堆叠时间序列网络的电力变压器故障诊断方法
Bouazzi et al. Deep recurrent neural networks based Bayesian optimization for fault diagnosis of uncertain GCPV systems depending on outdoor condition variation
CN118188342A (zh) 一种面向风机的故障预警与寿命预测方法
Livera et al. Advanced diagnostic approach of failures for grid-connected photovoltaic (PV) systems
CN117787698A (zh) 基于供电范围最大化的微网风险评估方法及系统
Sairam et al. Explainable Incipient Fault Detection Systems for Photovoltaic Panels
Gawali et al. Fault prediction model in wind turbines using deep learning structure with enhanced optimisation algorithm
Zare et al. Fault diagnosis in photovoltaic modules using a straightforward voltage-current characteristics evaluation
ES2905141T3 (es) Método para la monitorización de parques eólicos
Benninger et al. Anomaly detection by comparing photovoltaic systems with machine learning methods
Vahidi et al. Fault detection and classification in PV arrays using machine learning algorithms in the presence of noisy data
TWI379093B (en) Method and portable device for fault diagnosis of photovoltaic power generating system
Jiurong et al. A data-driven fault diagnosis method for photovoltaic modules

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Yusong

Inventor after: Dong Meichen

Inventor after: Ye Jin

Inventor after: Hu Liangqing

Inventor after: He Huaguang

Inventor after: Xie Min

Inventor before: Ye Jin

Inventor before: Dong Meichen

Inventor before: Wang Yusong

Inventor before: Hu Liangqing

Inventor before: He Huaguang

Inventor before: Xie Min

GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Yusong

Inventor after: Yuan Yubao

Inventor after: Zhang Kuizhong

Inventor after: Zhang Xiangping

Inventor after: Li Xiaonan

Inventor after: Cao Xiaoguang

Inventor after: Dong Meichen

Inventor after: Ye Jin

Inventor after: Hu Liangqing

Inventor after: He Huaguang

Inventor after: Xie Min

Inventor after: Chang Shengqiang

Inventor after: Chen Hongyu

Inventor after: Chen He

Inventor before: Wang Yusong

Inventor before: Dong Meichen

Inventor before: Ye Jin

Inventor before: Hu Liangqing

Inventor before: He Huaguang

Inventor before: Xie Min

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20190513

Address after: 530004 100 East University Road, XiXiangTang District, Nanning, the Guangxi Zhuang Autonomous Region

Co-patentee after: Shijiazhuang KE Electric Co.,Ltd.

Patentee after: Guangxi University

Address before: 530004 100 East University Road, XiXiangTang District, Nanning, the Guangxi Zhuang Autonomous Region

Patentee before: Guangxi University