CN107330573B - 一种光伏系统关键设备的状态评估方法及装置 - Google Patents

一种光伏系统关键设备的状态评估方法及装置 Download PDF

Info

Publication number
CN107330573B
CN107330573B CN201610280005.3A CN201610280005A CN107330573B CN 107330573 B CN107330573 B CN 107330573B CN 201610280005 A CN201610280005 A CN 201610280005A CN 107330573 B CN107330573 B CN 107330573B
Authority
CN
China
Prior art keywords
photovoltaic system
key equipment
photovoltaic
state evaluation
system key
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
CN201610280005.3A
Other languages
English (en)
Other versions
CN107330573A (zh
Inventor
边海峰
刘公博
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.)
Beijing Dianyan Huayuan Electric Power Research Institute Co ltd
State Grid Tianjin Electric Power Co Ltd
Original Assignee
Beijing Dianyan Huayuan Electric Power Research Institute Co ltd
State Grid Tianjin Electric Power Co Ltd
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 Beijing Dianyan Huayuan Electric Power Research Institute Co ltd, State Grid Tianjin Electric Power Co Ltd filed Critical Beijing Dianyan Huayuan Electric Power Research Institute Co ltd
Priority to CN201610280005.3A priority Critical patent/CN107330573B/zh
Publication of CN107330573A publication Critical patent/CN107330573A/zh
Application granted granted Critical
Publication of CN107330573B publication Critical patent/CN107330573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种光伏系统关键设备的状态评估方法及装置。所述方法包括：建立光伏系统关键设备的状态评估基本模型；根据所述状态评估基本模型，选定所述光伏系统关键设备的间接观测量，并计算所述间接观测量的值；设定所述光伏系统关键设备的状态评估评分标准，依据所述状态评估评分标准和所述间接观测量的值对所述间接观测量打分，以及根据所述状态评估评分标准对直接观测量打分；采用层次分析法计算所述光伏系统关键设备中的各个部件的权重，并结合所述光伏系统关键设备的间接观测量和直接观测量的得分，生成所述光伏系统关键设备的状态评估结果。采用本发明可为下一步的风险评估和维修决策提供科学依据。

Description

一种光伏系统关键设备的状态评估方法及装置
技术领域
本发明涉及电力系统技术领域，尤其涉及微电网关键设备状态评估，具体的是一种光伏系统关键设备的状态评估方法及装置。
背景技术
光伏系统关键设备状态评估的过程是对自身运行状态以及其他信息进行记录、分类和评估，从而为设备的风险评估和状态检修提供决策。尽管这些年来电气设备的状态评估受到了很大的重视，但光伏系统关键设备的状态评估没有达到实用性的要求，相关理论研究较少。在评估技术上有很多的问题，特别是缺乏实用的状态评估理论和方法来指导光伏系统关键设备的状态评估工作。
发明内容
本发明实施例提供一种光伏系统关键设备的状态评估方法及装置，用于评估设备当前健康指数和状态，为下一步的风险评估和维修决策提供科学依据。
为了达到上述目的，本发明实施例提供一种光伏系统关键设备的状态评估方法，包括：建立光伏系统关键设备的状态评估基本模型；根据所述状态评估基本模型，选定所述光伏系统关键设备的间接观测量，并计算所述间接观测量的值；设定所述光伏系统关键设备的状态评估评分标准，依据所述状态评估评分标准和所述间接观测量的值对所述间接观测量打分，以及根据所述状态评估评分标准对直接观测量打分；采用层次分析法计算所述光伏系统关键设备中的各个部件的权重，并结合所述光伏系统关键设备的间接观测量和直接观测量的得分，生成所述光伏系统关键设备的状态评估结果。
为了达到上述目的，本发明实施例还提供一种光伏系统关键设备的状态评估装置，包括：评估模型建立模块，用于建立光伏系统关键设备的状态评估基本模型；间接观测量计算模块，用于根据所述状态评估基本模型，选定所述光伏系统关键设备的间接观测量，并计算所述间接观测量的值；打分模块，用于设定所述光伏系统关键设备的状态评估评分标准，依据所述状态评估评分标准和所述间接观测量的值对所述间接观测量打分，以及根据所述状态评估评分标准对直接观测量打分；评估结果生成模块，用于采用层次分析法计算所述光伏系统关键设备中的各个部件的权重，并结合所述光伏系统关键设备的间接观测量和直接观测量的得分，生成所述光伏系统关键设备的状态评估结果。
本发明实施例的光伏系统关键设备的状态评估方法及装置，可以得出关键设备当前的健康指数及状态，可为下一步的风险评估和维修决策提供科学依据。
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作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例的光伏系统关键设备的状态评估方法的处理流程图；
图2为本发明实施例的光伏系统关键设备的状态分级评估模型图；
图3为本发明实施例的模糊神经网络算法结构图；
图4为本发明实施例中SOH预测误差对比曲线图；
图5为本发明实施例的光伏系统关键设备的状态评估装置的结构示意图；
图6为本发明实施例的光伏组件间接观测量计算单元的结构示意图；
图7为本发明实施例的储能设备间接观测量计算单元的结构示意图；
图8为本发明实施例的打分模块的结构示意图；
图9为本发明实施例的评估结果生成模块的结构示意图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
针对光伏系统关键设备缺乏状态评估理论和方法的问题，本发明实施例中提供一种基于直接和间接观测量的光伏系统关键设备的状态评估方法和评分原则，该方法首先建立状态评估基本模型；其次，对光伏系统关键设备的间接观测量求解；最后依据评分标准对直接和间接观测量打分，采用层次分析法算出准则层权重后，通过状态评估方法得出设备当前健康指数及状态。实例计算表明,该方法行之有效,评估结果可为下一步的风险评估和维修决策提供科学依据。
图1为本发明实施例的光伏系统关键设备的状态评估方法的处理流程图。如图1所示，光伏系统关键设备状态评估的过程主要包括：
步骤S101，建立光伏系统关键设备的状态评估基本模型；
步骤S102，根据所述状态评估基本模型，选定所述光伏系统关键设备的间接观测量，并计算所述间接观测量的值；
步骤S103，设定所述光伏系统关键设备的状态评估评分标准，依据所述状态评估评分标准和所述间接观测量的值对所述间接观测量打分，以及根据所述状态评估评分标准对直接观测量打分；
步骤S104，采用层次分析法计算所述光伏系统关键设备中的各个部件的权重，并结合所述光伏系统关键设备的间接观测量和直接观测量的得分，生成所述光伏系统关键设备的状态评估结果。
具体实施时，本发明中的光伏系统关键设备包括光伏组件、储能设备和逆变器。
图2为本发明实施例的光伏系统关键设备的状态评估基本模型图。
具体实施时，本发明只考虑基于实时运行状况的状态评估，根据系统性与层次性相结合的原则，咨询一些专家的意见和参考大量的相关文献，初步建立了光伏系统关键设备状态分级评估模型。也就是说，建立状态评估的基本模型需要选取反应设备自身状况的各个部件的状态评估参量。光伏系统关键设备的状态评估参量选取主要是指结合实际运行经验，找寻最能反映设备自身状况的特征量；基于设备状态评估参量的选取，从整体上把握光伏系统关键设备的运行状态，选取合理的理论方法建立光伏系统关键设备的状态评估模型。例如，对于光伏组件来讲，其部件包括方阵列、接头、金属支架、固定部件、外部设施、封装、组件之间的接线、汇线盒内连线和电池板正负接线、接地线和防雷保护器等，而方阵列包括污秽、完整、填充因子FF、短路电池块数Sn共4个状态评估参量，接头包括牢固、温度、锈蚀共3个状态评估参量。如此，将光伏系统关键部件包括的部件与之对应的状态评估参量进行对应关系的建立，即建立起光伏系统关键设备的状态评估基本模型。
其中，选定的光伏组件的间接观测量包括光伏组件中的方阵列部件的填充因子FF和短路电池块数Sn两个状态评估参量；选定的所述储能设备的间接观测量包括储能电池的SOH和SOC两个状态评估参量，状态评估基本模型中的其余的状态评估参量都为直接观测量。
在本发明中，光伏组件发生短路故障时，其Uoc和Um值随电池短路块数的增加而减少，其Im和Isc值基本不变，因此可得到表达式为：
Figure BDA0000978137110000041
式(1)中，Um和Uoc为组件短路时的最大功率点电压值和开路电压值；Im和Isc为组件短路时的最大功率点电流和短路电流值；U′m、U′oc分别为光伏组件正常工作时的最大电压和开路电压值。
用BP神经网络算法计算上式，Im、Isc、Um/Uoc作为输入，U′m、U′oc作为输出。
本发明中，短路电池块数Sn表达式为：
Figure BDA0000978137110000042
式(2)中：Sn为组件中电池短路的块数；Um和Uoc为组件短路时的最大功率点电压值和开路电压值；U′oc和U′m为实际测得的组件电压值。
本发明中，用组件的填充因子FF值来表示组件的老化程度，表达式为：
Figure BDA0000978137110000043
组件的填充因子FF表示为Im和Um的乘积与Uoc和Isc的乘积之比，而组件老化主要影响的输出参数是Im和Um，所以可以利用FF值来判断组件老化程度。
在本发明中，基于自适应遗传禁忌算法优化的模糊神经网络算法来计算电池SOH和SOC。其中，在计算SOH时，将电池内阻、放电电流和环境温度作为算法的输入；在计算SOC时，将电池电压，放电电流和环境温度作为输入。
本发明的步骤S102中，基于自适应遗传禁忌算法优化的模糊神经网络算法包括5层前件网络和3层后件网络以及自适应遗传禁忌学习算法。
图3为本发明实施例的模糊神经网络算法结构图。从图3可以看出，其包括5层前件网络和3层后件网络。
所述5层前件网络和3层后件网络，包括：
前件网络第一层为输入层，节点个数为nx，即输入变量的个数，表达式为；
Figure BDA0000978137110000044
第二层用来计算不同输入分量的隶属度函数Mj,i(xi)，是模糊化层，各输入分量的模糊分割数为k1，一共有nx·k1个节点，表达式为：
Figure BDA0000978137110000051
第三层用来计算适应度值，共有
Figure BDA0000978137110000055
个节点，表达式为：
Figure BDA0000978137110000052
第四层作用是归一化处理，表达式为：
Figure BDA0000978137110000053
前件网络的第五层就是后件网络的第三层，是输出层。
后件网络第一层和前件网络第一层一致，也是输入层，其中一个输入项设为x0＝1，表示常数项；后件网络第二层是模糊规则的计算，节点个数是k2，表达式为：
ym(k)＝ωm,0x0+ωm,1x1+…+ωm,nxxnx m＝1,2,…,k2 (8)
后件网络的第三层是对非线性系统的无限逼近，表达式为：
Figure BDA0000978137110000054
前件网络第二层中的隶属度中心ci,j和宽度σi,j以及后件网络中的权值ωm,i都是未知量，需要用学习算法来计算，本发明提出自适应遗传禁忌算法。
在自适应遗传禁忌算法中染色体编码是将前件网络中的隶属度中心ci,j和宽度σi,j以及后件网络中的权值ωm,i进行实数编码，长度为ci,j、σi,j和ωm,i的个数之和。
编码方式表达式为：
Figure BDA0000978137110000056
该算法将禁忌算法与自适应遗传算法中的交叉算子和变异算子相结合，在交叉后和变异后分别加入禁忌算法。在交叉后，将个体适应值存放到禁忌长度为L的禁忌表，如果个体适应值比群体适应值的平均值高，将其遗传到下一代，更新禁忌表；如果个体适应值比群体适应值的平均值低，若属于禁忌，则选择当前最优的个体遗传到下一代；若不属于禁忌，则接受这个子代。在变异后加入的禁忌算法依然用上述禁忌表。当算法后期种群个体重复率高于50％时，采用二次强制变异，提高算法的计算精度。
下面举一具体应用实例。本发明实施例在设定工况下对电池进行充放电实验，实验对象为某型号50Ah的锂离子动力电池。用恒温箱调节电池的环境温度，分别为20℃，30℃和40℃，用可编程充放电仪分别以0.5C，1C和1.5C倍率进行连续充放电实验，用监控软件实时采集电池的电压和电流，通过递推最小二乘法计算出电池内阻。本发明将环境温度，电池内阻和放电电流作为模糊神经网络算法的输入，SOH值作为算法输出，一共采集了300组有效数据，采用250组数据训练模糊神经网络算法，再用剩余的50组数据验证算法的正确性。
模糊神经网络算法中模糊分割数的选取直接影响着算法的时间和精度，本实施例通过多次试验，模糊分割数最终取为7。
本实施例采用自适应遗传禁忌算法来训练网络。最大进化代数为1000，在训练次数为465次时得到最优解，均方差为0.03。
本实施例的部分数据和结果如表1所示。
表1SOH预测值及其误差
Figure BDA0000978137110000061
图4为本发明实施例中SOH预测误差对比曲线图。从图5中可以看出基于自适应遗传禁忌算法优化的模糊神经网络算法优于BP神经网络算法。用基于自适应遗传禁忌算法优化的模糊神经网络算法估计的SOH预测误差在1％以内，而BP神经网络算法估计的SOH预测误差最大可达到4.3％。
在本发明的步骤S103中，设定所述光伏系统关键设备的状态评估评分标准，包括：采用百分制设定所述光伏组件、储能设备和逆变器的各个部件的状态评估评分标准，初始分为100分，只扣分不加分。
具体实施时，依据光伏组件、储能设备和逆变器三种关键设备的各个部件的状态评估参量的评分标准对每个状态评估参量(包括直接观测量和间接观测量)进行打分。光伏组件、储能设备和逆变器的评分标准如表2、表3和表4所示。
表2光伏组件评分标准
Figure BDA0000978137110000071
Figure BDA0000978137110000081
Figure BDA0000978137110000091
表3储能设备评分标准
Figure BDA0000978137110000092
Figure BDA0000978137110000101
表4逆变器评分标准
Figure BDA0000978137110000102
Figure BDA0000978137110000111
Figure BDA0000978137110000121
在本发明的步骤S104中，所述采用层次分析法计算所述光伏系统关键设备中的各个部件的权重，并结合所述光伏系统关键设备的间接观测量和直接观测量的得分，生成所述光伏系统关键设备的状态评估结果。也就是说，将打分结果作为输入，采用所述光伏系统关键设备状态评估方法计算设备健康指数，也就是最后得分Mi。
第i个部件的最后得分Mi为：
Mi＝mi×KF×KT；
其中，mi表示第i个部件的基础得分，且mi＝100-相应部件状态量中的最大扣分值；KF表示家族缺陷系数，对存在家族缺陷的部件KF＝0.95，无家族缺陷的部件KF＝1；KT表示寿命系数：KT＝(100-运行年数×0.5)/100。
某类部件都在正常状态时，该类部件的得分为算数平均值，有一个及以上部件得分低于正常状态时，该类部件得分与最低的部件一致。
当光伏系统关键设备的所有部件(包括直接观测量和间接观测量)的得分都在正常状态时，该光伏系统关键设备的状态为正常状态，则该光伏系统关键设备的最后得分＝∑Mi×Ki；其中，Mi为所述光伏系统关键设备中对应的第i个部件的最后得分，Ki为第i个部件的权重值。有一类及以上部件得分低于正常状态时，该光伏系统关键设备的状态为最差类部件的状态，最后得分＝minMi。
其中，由于不同的部件定义设备事故发展或者健康状况反映的能力大小存在区别，因此通过层次分析法量化该影响的大小，确定影响权重Ki。层次分析法为本领域技术人员所熟知的技术，故本案中不再赘述。
本发明中，根据实际经验，得分在85～100之间为正常状态，在75-85(含)之间为注意状态，在60-75(含)之间为异常状态，在60(含)以下之间为严重状态。
基于统一发明构思，本发明实施例还公开一种光伏系统关键设备的状态评估装置，如图5所示，包括：评估模型建立模块101，用于建立光伏系统关键设备的状态评估基本模型；间接观测量计算模块102，用于根据所述状态评估基本模型，选定所述光伏系统关键设备的间接观测量，并计算所述间接观测量的值；打分模块103，用于设定所述光伏系统关键设备的状态评估评分标准，依据所述状态评估评分标准和所述间接观测量的值对所述间接观测量打分，以及根据所述状态评估评分标准对直接观测量打分；评估结果生成模块104，用于采用层次分析法计算所述光伏系统关键设备中的各个部件的权重，并结合所述光伏系统关键设备的间接观测量和直接观测量的得分，生成所述光伏系统关键设备的状态评估结果。
在本实施例中，所述评估模型建立模块101具体包括：依据经验选取所述光伏系统关键设备的部件及状态参量，根据系统性与层次性相结合的原则，建立光伏系统关键设备的状态评估基本模型。
在本实施例中，所述光伏系统关键设备包括光伏组件、储能设备以及逆变器；其中，选定的所述光伏组件的间接观测量包括光伏组件中的方阵列填充因子FF和短路电池块数Sn；选定的所述储能设备的间接观测量包括储能电池的SOH和SOC。
在本实施例中，如图6所示，所述间接观测量计算模块102包括光伏组件间接观测量计算单元1021，其包括：电压获取单元10211，用于获取所述光伏组件短路时的最大功率点电压值Um和开路电压值和Uoc；电流获取单元10212，用于获取所述光伏组件短路时的最大功率点电流值Im和短路电流值Isc；BP神经网络算法单元10213，用于将Im、Isc、Um/Uoc作为输入，U′m、U′oc作为输出，利用BP神经网络算法计算所述光伏组件正常工作时的最大电压值U′m和开路电压值U′oc；填充因子计算单元10214，根据公式
Figure BDA0000978137110000131
计算得到所述方阵列填充因子FF；短路电池块数计算单元10215，用于根据公式
Figure BDA0000978137110000132
计算得到所述方阵列短路电池块数Sn。
在本实施例中，如图7所示，所述间接观测量计算模块102包括储能设备间接观测量计算单元1022，其包括：参数获取单元10221，用于获取所述储能设备的电池内阻、电池电压、放电电流和环境温度；SOH计算单元10222，用于根据所述电池内阻、放电电流和环境温度，基于自适应遗传禁忌算法优化的模糊神经网络算法计算所述储能设备的储能电池SOH；SOC计算单元10223，用于根据所述电池电压、放电电流和环境温度，基于自适应遗传禁忌算法优化的模糊神经网络算法计算所述储能设备的储能电池SOC。
在本实施例中，如图8所示，所述打分模块103包括：评分标准设定单元1031，用于设定所述光伏系统关键设备的状态评估评分标准，具体用于采用百分制设定所述光伏组件、储能设备和逆变器的各个部件的状态评估评分标准，初始分为100分，只扣分不加分；间接观测量打分单元1032，用于依据所述状态评估评分标准和所述间接观测量的值对所述间接观测量打分；直接观测量打分单元1033，用于根据所述状态评估评分标准对直接观测量打分。
在本实施例中，如图9所示，所述评估结果生成模块104具体包括：权重生成单元1041，用于采用层次分析法计算所述光伏系统关键设备中的各个部件的权重；部件得分计算单元1042，用于结合所述光伏系统关键设备的间接观测量和直接观测量的得分，生成各个部件的状态评估结果，包括：
第i个部件的最后得分Mi为：
Mi＝mi×KF×KT；
其中，mi表示第i个部件的基础得分，且mi＝100-相应部件状态量中的最大扣分值；KF表示家族缺陷系数，对存在家族缺陷的部件KF＝0.95，无家族缺陷的部件KF＝1；KT表示寿命系数：KT＝(100-运行年数×0.5)/100；
关键设备得分计算单元1043，用于根据各个部件的得分，计算对应光伏系统关键设备的最后得分：
光伏系统关键设备的最后得分＝∑Mi×Ki；
其中，Mi为所述光伏系统关键设备中对应的第i个部件的最后得分，Ki为第i个部件的权重值。
综上所述，本发明实施例的光伏系统关键设备状态评估方法及装置，可以得出光伏系统关键设备的当前健康指数及状态，可为下一步的风险评估和维修决策提供科学依据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种光伏系统关键设备的状态评估方法，其特征在于，包括：
计算光伏系统关键设备的间接观测量的值；其中，所述间接观测量是根据所述光伏系统关键设备的状态评估基本模型选定的，所述状态评估基本模型是预先建立的；
依据所述光伏系统关键设备的状态评估评分标准和所述间接观测量的值对所述间接观测量打分，获得所述光伏系统关键设备的间接观测量的得分，并获得所述光伏系统关键设备的直接观测量的得分；其中，所述状态评估评分标准是预设的，所述光伏系统关键设备的直接观测量的得分是根据所述状态评估评分标准对直接观测量打分获得的；
采用层次分析法计算所述光伏系统关键设备中的各个部件的权重，并结合所述光伏系统关键设备的间接观测量和直接观测量的得分，生成所述光伏系统关键设备的状态评估结果；
其中，所述光伏系统关键设备包括光伏组件和储能设备，所述光伏组件的间接观测量包括光伏组件中的方阵列填充因子FF和短路电池块数Sn，所述储能设备的间接观测量包括储能电池的SOH和SOC；
其中，基于自适应遗传禁忌算法优化的模糊神经网络算法来计算电池SOH和SOC；
其中，在计算SOH时，将电池内阻、放电电流和环境温度作为算法的输入；在计算SOC时，将电池电压，放电电流和环境温度作为输入。
2.如权利要求1所述的方法，其特征在于，所述光伏系统关键设备还包括逆变器。
3.如权利要求1所述的方法，其特征在于，计算所述光伏组件的填充因子FF，包括：
用所述光伏组件的填充因子FF值来表示所述光伏组件的老化程度，表达式为：
Figure FDA0002664323480000011
其中，Um和Uoc为所述光伏组件短路时的最大功率点电压值和开路电压值；Im和Isc为所述光伏组件短路时的最大功率点电流值和短路电流值。
4.如权利要求1所述的方法，其特征在于，计算所述光伏组件的方阵列短路电池块数Sn，包括：
Figure FDA0002664323480000012
其中，Um和Uoc为所述光伏组件短路时的最大功率点电压值和开路电压值；U'm和U'oc为所述光伏组件正常工作时的最大电压值和开路电压值；
所述U'm和U'oc利用BP神经网络算法计算得到，即将Im、Isc、Um/Uoc作为输入，U'm、U'oc作为输出，Im和Isc为所述光伏组件短路时的最大功率点电流值和短路电流值。
5.如权利要求1所述的方法，其特征在于，设定所述光伏系统关键设备的状态评估评分标准，包括：
采用百分制设定所述光伏组件、储能设备和逆变器的各个部件的状态评估评分标准，初始分为100分，只扣分不加分。
6.如权利要求1所述的方法，其特征在于，所述采用层次分析法计算所述光伏系统关键设备中的各个部件的权重，并结合所述光伏系统关键设备的间接观测量和直接观测量的得分，生成所述光伏系统关键设备的状态评估结果，包括：
第i个部件的最后得分Mi为：
Mi＝mi×KF×KT；
其中，mi表示第i个部件的基础得分，且mi＝100-相应部件状态量中的最大扣分值；KF表示家族缺陷系数，对存在家族缺陷的部件KF＝0.95，无家族缺陷的部件KF＝1；KT表示寿命系数：KT＝(100-运行年数×0.5)/100；
光伏系统关键设备的最后得分＝∑Mi×Ki；
其中，Mi为所述光伏系统关键设备中对应的第i个部件的最后得分，Ki为第i个部件的权重值。
7.一种光伏系统关键设备的状态评估装置，其特征在于，包括：
间接观测量计算模块，用于计算光伏系统关键设备的间接观测量的值；其中，所述间接观测量是根据所述光伏系统关键设备的状态评估基本模型选定的，所述状态评估基本模型是预先建立的；
打分模块，用于依据所述光伏系统关键设备的状态评估评分标准和所述间接观测量的值对所述间接观测量打分，获得所述光伏系统关键设备的间接观测量的得分，并获得所述光伏系统关键设备的直接观测量的得分；其中，所述状态评估评分标准是预设的，所述光伏系统关键设备的直接观测量的得分是根据所述状态评估评分标准对直接观测量打分获得的；
评估结果生成模块，用于采用层次分析法计算所述光伏系统关键设备中的各个部件的权重，并结合所述光伏系统关键设备的间接观测量和直接观测量的得分，生成所述光伏系统关键设备的状态评估结果；
其中，所述光伏系统关键设备包括光伏组件和储能设备，所述光伏组件的间接观测量包括光伏组件中的方阵列填充因子FF和短路电池块数Sn，所述储能设备的间接观测量包括储能电池的SOH和SOC；
其中，所述间接观测量计算模块包括储能设备间接观测量计算单元，包括：
参数获取单元，用于获取所述储能设备的电池内阻、电池电压、放电电流和环境温度；
SOH计算单元，用于根据所述电池内阻、放电电流和环境温度，基于自适应遗传禁忌算法优化的模糊神经网络算法计算所述储能设备的储能电池SOH；
SOC计算单元，用于根据所述电池电压、放电电流和环境温度，基于自适应遗传禁忌算法优化的模糊神经网络算法计算所述储能设备的储能电池SOC。
8.如权利要求7所述的装置，其特征在于，所述光伏系统关键设备还包括逆变器。
9.如权利要求8所述的装置，其特征在于，所述间接观测量计算模块包括光伏组件间接观测量计算单元，其包括：
电压获取单元，用于获取所述光伏组件短路时的最大功率点电压值Um和开路电压值和Uoc；
电流获取单元，用于获取所述光伏组件短路时的最大功率点电流值Im和短路电流值Isc；
BP神经网络算法单元，用于将Im、Isc、Um/Uoc作为输入，U'm、U'oc作为输出，利用BP神经网络算法计算所述光伏组件正常工作时的最大电压值U'm和开路电压值U'oc；
填充因子计算单元，根据公式
Figure FDA0002664323480000031
计算得到所述方阵列填充因子FF；
短路电池块数计算单元，用于根据公式
Figure FDA0002664323480000032
计算得到所述方阵列短路电池块数Sn。
10.如权利要求8所述的装置，其特征在于，所述打分模块包括：
评分标准设定单元，用于设定所述光伏系统关键设备的状态评估评分标准，具体用于采用百分制设定所述光伏组件、储能设备和逆变器的各个部件的状态评估评分标准，初始分为100分，只扣分不加分；
间接观测量打分单元，用于依据所述状态评估评分标准和所述间接观测量的值对所述间接观测量打分；
直接观测量打分单元，用于根据所述状态评估评分标准对直接观测量打分。
11.如权利要求8所述的装置，其特征在于，所述评估结果生成模块具体包括：
权重生成单元，用于采用层次分析法计算所述光伏系统关键设备中的各个部件的权重；
部件得分计算单元，用于结合所述光伏系统关键设备的间接观测量和直接观测量的得分，生成各个部件的状态评估结果，包括：
第i个部件的最后得分Mi为：
Mi＝mi×KF×KT；
其中，mi表示第i个部件的基础得分，且mi＝100-相应部件状态量中的最大扣分值；KF表示家族缺陷系数，对存在家族缺陷的部件KF＝0.95，无家族缺陷的部件KF＝1；KT表示寿命系数：KT＝(100-运行年数×0.5)/100；
关键设备得分计算单元，用于根据各个部件的得分，计算对应光伏系统关键设备的最后得分：
光伏系统关键设备的最后得分＝∑Mi×Ki；
其中，Mi为所述光伏系统关键设备中对应的第i个部件的最后得分，Ki为第i个部件的权重值。
CN201610280005.3A 2016-04-29 2016-04-29 一种光伏系统关键设备的状态评估方法及装置 Active CN107330573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610280005.3A CN107330573B (zh) 2016-04-29 2016-04-29 一种光伏系统关键设备的状态评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610280005.3A CN107330573B (zh) 2016-04-29 2016-04-29 一种光伏系统关键设备的状态评估方法及装置

Publications (2)

Publication Number Publication Date
CN107330573A CN107330573A (zh) 2017-11-07
CN107330573B true CN107330573B (zh) 2020-12-04

Family

ID=60192530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610280005.3A Active CN107330573B (zh) 2016-04-29 2016-04-29 一种光伏系统关键设备的状态评估方法及装置

Country Status (1)

Country Link
CN (1) CN107330573B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304634B (zh) * 2018-01-23 2021-06-04 国网江西省电力有限公司电力科学研究院 一种基于多源数据的10kV柱上真空开关状态评价方法
CN110488204B (zh) * 2019-07-12 2021-07-02 武汉大学 一种储能元件soh-soc联合在线估计方法
CN110554324B (zh) * 2019-08-26 2021-03-26 华中科技大学 一种soc和soh联合估计方法
CN111612382A (zh) * 2020-06-05 2020-09-01 国网山东省电力公司电力科学研究院 一种配电网主设备状态监测的方法及系统
CN112509719B (zh) * 2020-11-25 2022-06-07 苏州热工研究院有限公司 一种核电厂系统设备状态评估方法及计算机终端
CN116307943A (zh) * 2023-05-18 2023-06-23 山东通维信息工程有限公司 一种基于层次分析法高速公路机电系统健康指数评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120049627A1 (en) * 2010-08-24 2012-03-01 Sanyo Electric Co., Ltd. Current collecting box for photovoltaic power generation
CN104316879B (zh) * 2014-10-13 2018-08-10 珠海许继电气有限公司 一种铅酸蓄电池组寿命的预测方法

Also Published As

Publication number Publication date
CN107330573A (zh) 2017-11-07

Similar Documents

Publication Publication Date Title
CN107330573B (zh) 一种光伏系统关键设备的状态评估方法及装置
Hidalgo-Reyes et al. Classical and fractional-order modeling of equivalent electrical circuits for supercapacitors and batteries, energy management strategies for hybrid systems and methods for the state of charge estimation: A state of the art review
CN104376504B (zh) 一种基于解析法的配电系统概率可靠性评估方法
CN107870306A (zh) 一种基于深度神经网络下的锂电池荷电状态预测算法
CN111523785A (zh) 一种基于生成对抗网络的电力系统动态安全评估方法
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN106093778A (zh) 电池状态预测方法及系统
CN110941929A (zh) 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法
CN105183994A (zh) 一种基于改进的i-elm的动力电池soc预测方法及装置
CN110880062B (zh) 一种配电设备状态检修时间的确定方法
CN108009585A (zh) 基于局部信息融合的铅酸电池健康状态预测方法
CN113112114A (zh) 一种储能电站在线评估方法和装置
CN104156774B (zh) 一种考虑了相邻系统的电力支援方法
CN115470995A (zh) 电池容量预测模型训练方法、电池分容方法及装置
CN114006413A (zh) 一种基于图神经网络的电力系统暂态稳定控制方法及系统
Du et al. Applying deep convolutional neural network for fast security assessment with N-1 contingency
CN115902642A (zh) 电池荷电状态估算方法、装置、电子设备及存储介质
CN114202174A (zh) 一种电价风险等级预警方法、装置及存储介质
CN114997566A (zh) 考虑节点连通度损失的电网阻塞风险评估方法及系统
CN114429248A (zh) 一种变压器视在功率预测方法
Trigkas et al. Energy Management in Microgrids Using Model Predictive Control Empowered with Artificial Intelligence
CN114094599A (zh) 一种多站融合参与调峰调频调压潜力评估方法及装置
CN112436542B (zh) 计及稳控策略的稳态安全紧急控制在线预决策方法
CN111047461B (zh) 一种直流多微网的黑启动方法

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
GR01 Patent grant
GR01 Patent grant