CN108092622A - 一种基于电阻计算的光伏组串故障诊断方法 - Google Patents
一种基于电阻计算的光伏组串故障诊断方法 Download PDFInfo
- Publication number
- CN108092622A CN108092622A CN201711336086.5A CN201711336086A CN108092622A CN 108092622 A CN108092622 A CN 108092622A CN 201711336086 A CN201711336086 A CN 201711336086A CN 108092622 A CN108092622 A CN 108092622A
- Authority
- CN
- China
- Prior art keywords
- fault
- string
- group
- resistance
- photovoltaic
- 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 36
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 230000015572 biosynthetic process Effects 0.000 title abstract 6
- 238000003745 diagnosis Methods 0.000 claims abstract description 27
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 238000013210 evaluation model Methods 0.000 claims abstract description 9
- 239000000428 dust Substances 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 14
- 238000005070 sampling Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000011002 quantification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008646 thermal stress 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
- 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
一种基于电阻计算的光伏组串故障诊断方法，属于光伏发电领域，包括：1)通过电压调制采样数据点，并计算组串的串/并联电阻，将相关数据上传至数据分析平台；2)提取串/并联电阻的数据变化规律及特征，建立故障类型判断与程度评估模型，然后对组串的串/并联电阻进行比较与分析，从而进行针对组串的故障类型判断与程度评估；3)根据故障诊断结果，出具故障报表，指导运维；4)将相关数据保存至数据库，定期对故障诊断模型进行优化。本发明实现了光伏电站组串故障的在线自动诊断，诊断过程不停机，对电站发电状态影响小；克服了人工巡检的主观性和不稳定性，处理故障快速、准确、高效，既降低了人工成本，又提高了运维效率。
Description
技术领域
本发明涉及一种基于电阻计算的光伏组串故障诊断方法，属于光伏发电领域。
背景技术
最近几年，我国光伏产业迅猛发展，装机容量大幅增加。随着时间的推移，光伏产业势必逐渐进入到以保证电站平稳高效运行为目标，以光伏电站日常运行维护为主要工作的后光伏时代。由于现有光伏电站的平均寿命为25年左右，而光伏系统通常又在无人值守的情况下运行，系统故障的发生会导致输出功率降低从而影响整个系统的正常运行。
在实际应用中，光伏电站系统可能发生各种各样的故障，其中涉及光伏组件的相关故障占据其中的绝大部分：由于电站选址不合理、长时间运行等原因，光伏组件表面会出现灰尘；由于电站所处环境复杂、设计不合理、运维不及时等原因，光伏组件表面可能会受到障碍物的阴影遮挡；由长时间存在的阴影或电池故障导致的电池片或组件发热，而形成的热斑；由于组件生产、运输、安装、外物击打等原因导致的组件隐裂等。上述常见故障会影响组件光电转换过程的正常进行，进而导致组件的实际最大功率低于理想最大功率，从而降低光伏电站的实际发电效率。在系统的日常维护中，若能提前知道故障类型和故障严重程度，将有利于维护工作及时、有效地开展。因此，光伏发电系统的故障诊断及评估，对延长光伏组件使用寿命和维持光伏电站正常运行是十分有意义的。
现有光伏组件及组串的故障诊断方法主要有两类：
第一类是依据光伏电站管理人员或现场运维人员对于电站现场情况的掌握及信息反馈，然后针对单一故障类型采用专用仪器进行检测，如IR、EL检测等，从而对光伏组件工作状态与故障情况进行判断。这类方法需要运维人员深入到电站现场进行排查与检测，采用的专业仪器往往价格昂贵，人力物力成本高；而且每次测量只能识别出一种故障类型，仪器使用不便，对故障的处理不及时，导致整体运维效率较为低下；
第二类是使用检测设备人工（或自动）对现场某些能够反映光伏组件工作状态的电压/流等电参数进行测量，然后将检测数据汇总分析，实现对故障的诊断。这类方法往往难以判断是何种故障导致的参数变化；检测时需要将组串从逆变器上断开，停止此串发电，导致逆变器工作不稳定，发电量降低。存在故障诊断不准确、数据采集繁琐、发电状态波动大、成本高效率低等缺点。
发明内容
本发明的主要目的在于提供一种基于电阻计算的光伏组串故障诊断方法，以解决光伏组串故障诊断中诊断不准确，诊断效率低，发电状态波动大的问题。
为了实现上述目的，本发明提供了一种基于电阻计算的光伏组串故障诊断方法，所述方法包括：
A. 光伏组串工作状态下的电压/流数据采集步骤：在组串正常工作条件下，利用预装的电压/流测量装置，通过电压调制的方式，测量并记录各关键数据点；
B. 光伏组串的串联电阻和并联电阻计算步骤：根据测量所得相关数据点，计算当前状态下组串的串联电阻和并联电阻；
C. 相关数据上传步骤：通过覆盖光伏电站的有线或无线传输方式，将关键数据上传至数据分析平台；
D. 故障状态确定及评估步骤：在已经建立的故障种类判断和程度量化模型中，对新上传的数据进行对比分析，对待测组串的当前故障类型进行判断，对故障程度进行量化评估。
根据本发明的一个实施例，进行步骤A时，
A1. 调制组串为开路，测量此时开路电压Uoc；
A2. 调制组串输出电压为U1=Uoc-δ（δ为采样系统能够实现的最小采样电压步长），测量此时输出电流I1，得到采样点P1；
A3. 从MPPT模块输出端测量输出电压Um及输出电流Im，得到采样的最大功率点Pm；
A4. 调制组串输出电压为U2=δ（δ为采样系统能够实现的最小采样电压步长），测量此时输出电流I2，得到采样点P2；
A5. 调制组串为短路，测量此时短路电流Isc；
A6. 数据采集周期可根据电站具体情况及系统处理速度确定；
优选的，进行步骤A3时，可直接从组串的MPPT功能模块输出端获得最大功率点电压Um与最大功率点电流Im。
根据本发明的一个实施例，进行步骤B时，按照下列公式进行电阻计算：
B1. 计算两等效电阻Rso和Rsho：
（1）
（2）
按照上式（1）和（2）进行；
B2. 计算等效串联电阻Rs和并联电阻Rsh：
（3）
（4）
按照上式（3）和（4）进行。
根据本发明的一个实施例，在进行步骤C时，
C1. 电站与数据分析平台之间距离远，根据电站大小选择数据传输方式为有线或无线，优选的，将各数据点的数据先近距离上传至数据集中网关，再远传至数据分析平台；
C2. 上传的数据包括：测量得到的最大功率点电压Um、最大功率点电流Im、计算得到的串联电阻Rs、并联电阻Rsh；
C3. 数据上传周期需与数据采集周期相匹配。
根据本发明的一个实施例，在进行步骤D时，
D1. 通过数据分析平台将各光伏电站的组件铭牌参数、组串中串联组件块数、组串位置等基本信息保存至数据库，并与上传的串联电阻和并联电阻保持对应关系，将铭牌参数、串联组件块数及设计参数均相同的组串划分为一类。
D2. 进一步的，对某一类型组串建立故障诊断模型，具体步骤如下：
Ⅰ. 建立光伏组串的多故障模型，得到每种故障与光强S和温度T之间的定性关系；
Ⅱ. 建立光伏组串的电阻特性模型，得到光强S和温度T与串联电阻Rs和并联电阻Rsh之间的定性关系；
Ⅲ. 提取串联电阻Rs与并联电阻Rsh的数据变化规律及特征，建立光伏组串的故障种类判断模型，得到每种故障与串联电阻Rs和并联电阻Rsh之间的定性关系。
Ⅳ. 结合已知故障和已建立的故障种类判断模型，对上传至平台的数据进行横向（组串与组串）和纵向时间）的定量对比分析；
Ⅴ. 提取串联电阻Rs与并联电阻Rsh的数据变化规律及特征，得到每种故障在不同程度下与串联电阻Rs和并联电阻Rsh之间的定量关系；
Ⅵ. 提取组串最大功率Pm及其故障损失比的数据变化规律及特征，建立组串功率损失比分级模型，针对不同类型组串，确定不同的等级阈值。
Ⅶ. 进一步的，先确定组串的串联电阻误差阈值α和组串的并联电阻误差阈值β，使用建立的故障种类判断模型判断光伏组串的故障种类，具体步骤如下：
a. 将某组串i的串联电阻Rsi与该组串无故障时的串联电阻Rsoi历史数据进行比较，
若满足(1-α)Rsoi<Rsi<(1+α)Rsoi，则判断该组串不存在故障；
若不满足(1-α)Rsoi<Rsi<(1+α)Rsoi，则判断该组串存在故障。
b. 对存在故障的组串i，若Rsi>(1+α)Rsoi，(1-β)Rshoi<Rshi<(1+β)Rshoi，进一步的：
若Rsi≥k*(1+α)Rsoi，则判断组串i存在热斑；
若Rsi≤k*(1-α)Rsoi，则判断组串i存在隐裂；
根据本发明的一个实施例，上述步骤b中，系数k根据组串的串联电阻和并联电阻历史数据进行确定。
c. 对存在故障的组串i，若Rsi>(1+α)Rsoi，Rshi>(1+β)Rshoi，进一步的，将满足此条件的两组串i和j进行电阻比较：
c1. 若(1-α)Rsj<Rsi<(1+α)Rsj且(1-β)Rshj<Rshi<(1+β)Rshj，将组串i与邻近另一电站的同类型组串q进行电阻比较：
若满足(1-β)Rshq<Rshi<(1+β)Rshq，则组串i存在气象因素导致的均匀阴影；
若不满足(1-β)Rshq<Rshi<(1+β)Rshq，则组串i存在环境因素导致的均匀灰尘；
将上述步骤c1推广至满足步骤c电阻关系的所有组串。
c2. 若Rsi>(1+α)Rsj，Rshi>(1+β)Rshj，将该电站组串i与j的所有同类型故障组串进行电阻比较：
若所有组串均不满足(1-β)Rshj<Rshi<(1+β)Rshj（i≠j），则电站组串i与j的所有同类型故障组串均存在不均匀灰尘；
若存在部分组件满足(1-β)Rshj<Rshi<(1+β)Rshj（i≠j），则电站组串i与j的所有同类型故障组串均存在不均匀阴影遮挡；
将上述步骤c2推广至组串j。
c3. 若Rsi>(1+α)Rsj，(1-β)Rshj<Rshi<(1+β)Rshj，则该组串存在热斑故障。
Ⅷ. 进一步的，使用建立的故障程度评估模型评估光伏组串的故障程度，具体步骤如下：
a. 计算发生故障的组串最大功率Pm，按照公式进行；
b. 计算同类型组串中未发生故障的组串此时的最大功率Pm0，按公式进行；
c. 计算故障导致的组串最大功率损失比，按照公式进行；
d. 对各故障组串，按照组串的最大功率损失比进行故障等级划分。
E. 根据本发明的一个实施例，在进行所述步骤Ⅶ时，确定组串的串联电阻误差阈值α和并联电阻误差阈值β，需根据电站环境、组串的串联电阻和并联电阻历史数据及对故障的容忍程度进行。
F. 根据本发明的一个实施例，所述方法还包括：
故障报表生成步骤：根据故障类型的判断结果和故障程度的评估结果，判断是否采取运维措施和采取何种措施，并给出故障报表；
G. 根据本发明的一个实施例，所述方法还包括：
数据保存步骤：将数据分析平台的各相关数据保存至故障诊断数据库；
H. 根据本发明的一个实施例，所述方法还包括：
模型优化步骤：利用数据库中的所有数据，定期对故障种类判断和程度量化模型进行优化，以提高其准确性。
根据本发明的一个实施例，进行步骤F时，
故障报表包括：故障组串位置、故障组串的串联组件数、组件铭牌参数、故障组串位置、组串发生故障类型，组串发生故障等级、运维指导意见。
根据本发明的一个实施例，进行步骤G时，
Ⅰ. 数据库中保存的数据包括：同类型组串的串联组件数、组件铭牌参数、组件设计参数、组串位置、时间、组串的串联电阻Rs、组串的并联电阻Rsh、最大功率点电压Um、最大功率点电流Im、最大功率损失比、故障类型、故障等级等；
Ⅱ. 数据库中保存的数据，应保证位置、时间等严格对应。
根据本发明的一个实施例，进行步骤H时，
Ⅰ. 数据库中数据按固定周期T1上传保存；
Ⅱ. 按照固定周期T2，利用数据库中的所有数据，进行一次针对故障种类判断模型和故障程度评估模型的参数优化；
Ⅲ. 系统使用后期，对于数据库中的大量数据，采用人工智能算法，寻找数据规律，对故障种类判断模型和故障程度评估模型进行评估与优化；
I. 针对上述步骤A—步骤H，设定合理的执行周期，进行故障诊断。
9)本发明的有益效果是：
上述基于电阻计算的光伏组串故障诊断方法，可以对光伏电站运营过程中产生的几种常见故障作出及时准确地类型判断和程度评估，并提供故障报表，从而指导运维。与现有的采用人工巡检的检测方法相比，实现了光伏电站组串故障的在线自动诊断，诊断过程不停机，对电站发电状态影响小；降低了光伏电站现场运维人员工作量及巡检的人工成本，克服了人工巡检的主观性和不稳定性，处理故障快速、准确、高效，从而有效避免故障进一步恶化。
10)本发明的其他特征和优点将在说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的其他优点可通过在说明书、权利要求书及附图中所特别指出的结构来实现和获得。
附图说明
图1是太阳电池五参数等效电路模型图；
图2是光伏组串的串联电阻和并联电阻与光强和温度的关系曲线图；
图3是本发明所述方法对应系统结构示意图；
图4是检测器所在位置示意图；
图5是所采集数据点的电压-电流说明图；
图6是本发明所述方法流程图。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定，只要不构成冲突，本发明的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
同时，在以下说明中，出于解释的目的阐述了很多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或所描述的特定方式来实施。
另外，在附图的流程图示出的步骤可以在诸如计算机等可执行指令的系统中执行，并且，虽然在流程图中示出了逻辑顺序，但在某些情况下，可以以不同于此的顺序执行所示出或描述的步骤。
通过分析发现，光伏组串的常见故障主要有四种，分别是光伏组件的表面灰尘、阴影遮挡、组件热斑、组件隐裂。
当组串内组件无上述任何故障发生时，其所受光强S仅由气象条件决定，工作温度T仅由自身发电状态决定。
当组件发生上述单一或多种故障时，组件受到的光照强度S和组件工作温度T会发生变化：组件表面灰尘一方面会遮挡阳光，使组件电池片表面受到的光照强度S降低，另一方面长时间积灰会导致组件出现热斑；组件受到的障碍物阴影遮挡，使组件电池片表面受到的光照强度S降低，并导致组件出现热斑；组件出现热斑时，热斑电池片可等效为电阻，消耗其他电池片产生的电能，自身发热导致组件热斑部位电池片工作温度T升高；组件隐裂，实质上就是光伏组件在生产、运输、安装、运维等操作时受到不均匀的机械应力或热应力，导致组件中的电池片或栅线断裂，从而组件电流收集能力降低，表现为组件输出电流降低，长时间工作时会形成热斑，导致组件温度升高，但短期内温升效果不明显。
由于多块光伏组件串联构成光伏组串，其内部组件发生的不同故障类型对应不同的S或T变化规律，不同故障程度对应不同的S或T变化程度。
图1示出了太阳电池的常用五参数等效电路模型。由基尔霍夫电压和电流定律可得到太阳电池输出电流I关于输出电压U的方程：
(5)
式中光生电流Iph、二极管反向电流Io、串联电阻Rs、并联电阻Rsh和二极管理想因子a五个参数即足以反映电池片的电气特性。
由于单块光伏组件一般由多片太阳电池串联组成，而组件在使用时也是多块串联成一个组串接入逆变器，故单纯由电池片串联构成的组串，仍满足（1）式所述电气关系。
对于某一特定的组件产品，由多块组件串联构成的组串的整体等效五参数也满足（1）式，其中串联电阻Rs和并联电阻Rsh均由组件当前所处的环境及工作状态所唯一决定，而影响环境和工作状态的变量是组串所受光强S和工作温度T，即对于一组确定的光强S和温度T，组串的Rs和Rsh也是确定的，当S和T发生变化时，组串的Rs和Rsh也相应的发生变化。
如前所述，若组串发生不同类型或程度的故障，会导致其S和T在规律和程度上发生相应的变化，从而相应的引起组串整体的串联电阻Rs和并联电阻Rsh发生变化。
图2示出了单晶光伏组件的Rs和Rsh两参数随S与T变化而变化的规律实验曲线图，可见：光伏组件的串联电阻Rs近似与光强S成反比，与温度T成正比；光伏组件的并联电阻Rsh近似与光强S成反比，与温度T无关；故测量出组串的实时串联电阻Rs和并联电阻Rsh后，通过与历史数据或相邻组串的Rs和Rsh进行比较，即可识别出该组串发生的故障类型及其程度。
图3示出了本发明所述方法对应的系统结构图。所述系统200主要包括：数据采集模块201，电阻计算模块202，数据传输模块203，网关204，数据分析平台205，数据库206。
数据采集模块201前端与组串输出端相连接，后端与电阻计算模块202相连接，通过电压调制的方式，采集电阻计算所需的相关数据点，并传给电阻计算模块202；电阻计算模块202利用数据采集模块201采集到的数据进行串联电阻和并联电阻计算；数据传输模块203将采集和计算得到的关键数据点传输到覆盖整个电站的Zigbee无线网络中；网关204将分散的数据传输模块203上传的数据，通过已有Web网络集中发送到远方的数据分析平台205；数据分析平台205对新上传的的数据进行横向分析与比较，并与数据库206中已有的历史数据进行纵向的分析与比较，进而判断组串的故障类型及其程度，然后将相关数据保存至数据库206。
图4示出了所述检测器302所在位置。所述检测器302在结构和功能上集成了图2所示数据采集模块201、电阻计算模块202和数据传输模块203。其输入端连接组串301的输出端，其输出端连接逆变器304的MPPT模块303的输入端。
图5给出了所述检测器检测的数据点在组串I-V曲线中的位置。数据点1的电压U1应尽量接近开路电压Uoc，以减小Rs与真实值之间的误差；数据点2的电压U2应尽量接近零，从而使其电流I2尽量接近短路电流Isc，以减小Rsh与真实值之间的误差。
一种基于光伏组串的串联电阻和并联电阻计算的故障诊断方法，具体步骤如下：
A. 对光伏组串301工作状态下的电压/流数据进行采集。在组串正常工作条件下，利用预装的检测器302，通过电压调制的方式，测量图4所示的5个数据点，具体步骤如下：
A1. 调制组串为开路，测量此时开路电压Uoc；
A2. 调制组串输出电压为U1=Uoc-δ（δ为采样系统能够实现的最小采样电压步长），测量此时输出电流I1，得到采样点P1；
A3. 从MPPT模块输出端测量输出电压Um及输出电流Im，得到采样的最大功率点Pm；
A4. 调制组串输出电压为U2=δ（δ为采样系统能够实现的最小采样电压步长），测量此时输出电流I2，得到采样点P2；
A5. 调制组串为短路，测量此时短路电流Isc。
B. 光伏组串的串联电阻和并联电阻计算。根据测量所得相关数据点，计算当前状态下组串的串联电阻和并联电阻，具体步骤如下：
B1. 计算两等效电阻Rso和Rsho：
（1）
（2）
按照上式（1）和（2）进行；
B2. 计算串联电阻Rs和并联电阻Rsh：
（3）
（4）
按照上式（3）和（4）进行。
C. 相关数据上传。由数据传输模块203将各关键数据上传至数据分析平台205，具体步骤如下：
C1. 上传的数据包括：测量得到的最大功率点电压Um、最大功率点电流Im、计算得到的串联电阻Rs、并联电阻Rsh；
C2. 优选的，通过覆盖全电站的Zigbee无线网络，先将各分散数据点的数据近距离上传至网关204，再集中通过已有Web网络远传至数据分析平台205。
D. 故障状态确定及评估。先建立故障类型判断和故障程度评估模型，再利用已建立的模型对故障类型进行判断，对故障程度进行评估，具体步骤如下：
D1. 通过数据分析平台将各光伏电站的组件铭牌参数、组串块数、位置等基本信息保存至数据库，并与上传的串联电阻和并联电阻保持对应关系，将铭牌参数与块数均相同的组串划分为一类。
D2. 进一步的，结合及时数据，对某一类型组串建立故障诊断模型，具体步骤如下：
Ⅰ. 结合历史数据，建立光伏组串的多故障模型，得到每种故障与光强S和温度T之间的定性关系；
Ⅱ. 结合历史数据，建立光伏组串的电阻特性模型，得到光强S和温度T与串联电阻Rs和并联电阻Rsh之间的定性关系；
Ⅲ. 提取历史数据中串联电阻Rs与并联电阻Rsh的数据变化规律及特征，建立光伏组串的故障种类判断模型，得到每种故障与串联电阻Rs和并联电阻Rsh之间的定性关系；
Ⅳ. 结合已知故障和已建立的故障种类判断模型，对上传至平台的数据进行横向（组串与组串）和纵向（时间）的定量对比分析；
Ⅴ. 提取串联电阻Rs与并联电阻Rsh的数据变化规律及特征，得到每种故障在不同程度下与串联电阻Rs和并联电阻Rsh之间的定量关系。
Ⅵ. 提取历史数据中组串最大功率Pm及其故障损失比的数据变化规律及特征，针对不同类型组串，确定故障等级分类模型中不同等级的阈值。
Ⅶ. 进一步的，先确定组串的串联电阻Rs误差阈值α和组串的并联电阻Rsh误差阈值β（如α=β=0.5），使用建立的故障种类判断模型判断光伏组串的故障种类，具体步骤如下：
a. 将某组串i的串联电阻Rsi与该组串无故障时的串联电阻Rsoi历史数据进行比较，
若满足(1-α)Rsoi<Rsi<(1+α)Rsoi，则判断该组串不存在故障；
若不满足(1-α)Rsoi<Rsi<(1+α)Rsoi，则判断该组串存在故障。
b. 对存在故障的组串i，若Rsi>(1+α)Rsoi，(1-β)Rshoi<Rshi<(1+β)Rshoi，进一步的：
若Rsi≥k*(1+α)Rsoi，则判断组串i存在热斑；
若Rsi≤k*(1-α)Rsoi，则判断组串i存在隐裂；
根据本发明的一个实施例，在上述步骤b中，系数k根据组串大量串联电阻和并联电阻数据进行确定。
c. 对存在故障的组串i，若Rsi>(1+α)Rsoi，Rshi>(1+β)Rshoi，进一步的，将满足此条件的两组串i和j进行电阻比较：
c1. 若(1-α)Rsj<Rsi<(1+α)Rsj且(1-β)Rshj<Rshi<(1+β)Rshj，将组串i与邻近另一电站的同类型组串q进行电阻比较：
若满足(1-β)Rshq<Rshi<(1+β)Rshq，则组串i存在气象因素导致的均匀阴影；
若不满足(1-β)Rshq<Rshi<(1+β)Rshq，则组串i存在环境因素导致的均匀灰尘；
上述步骤c1.推广至满足步骤c中电阻关系的所有组串。
c2. 若Rsi>(1+α)Rsj，Rshi>(1+β)Rshj，将该电站组串i与j的所有同类型故障组串进行电阻比较：
若所有组串均不满足(1-β)Rshj<Rshi<(1+β)Rshj（i≠j），则电站组串i与j的所有同类型故障组串均存在不均匀灰尘；
若存在部分组件满足(1-β)Rshj<Rshi<(1+β)Rshj（i≠j），则电站组串i与j的所有同类型故障组串均存在不均匀阴影遮挡；
上述步骤c2推广至组串j。
c3. 若Rsi>(1+α)Rsj，(1-β)Rshj<Rshi<(1+β)Rshj，则该组串存在热斑故障。
Ⅷ. 进一步的，使用建立的故障程度评估模型评估光伏组串的故障程度，具体步骤如下：
a. 计算发生故障的组串最大功率Pm，按照公式进行；
b. 计算同类型组串中未发生故障的组串此时的最大功率Pm0，按公式进行；
c. 计算故障导致的组串最大功率损失比，按照公式进行；
d. 对各故障组串，按照组串的最大功率损失比进行故障等级划分。
E. 出具故障报表。根据故障类型的判断结果和故障程度的评估结果，判断是否采取运维措施和采取何种措施，并给出故障报表；
故障报表包括：故障组串位置、故障组串的串联组件数、组件铭牌参数、故障组串位置、组串发生故障类型，组串发生故障等级、运维指导意见等。
F. 数据保存。将数据分析平台的各相关数据保存至故障诊断数据库；
数据库中保存的数据包括：同类型组串的串联组件数、组件铭牌参数、组件设计参数、组串位置、时间、组串的串联电阻Rs、组串的并联电阻Rsh、最大功率点电压Um、最大功率点电流Im、最大功率损失比、故障类型、故障等级等；
G. 模型优化。利用数据库中的所有数据，定期对故障种类判断和程度量化模型进行优化，以提高其准确性，具体步骤如下：
G1. 将数据库中数据按固定周期上传保存；
G2. 按照固定周期，利用数据库中的所有数据，进行一次针对故障种类判断模型和故障程度评估模型的参数优化，并更新故障诊断模型；
G3. 系统使用后期，对于数据库中的大量数据，采用人工智能算法，寻找数据规律，对故障种类判断模型和故障程度评估模型进行评估与优化；
H. 针对上述步骤A-步骤G，设定合理的执行周期，进行故障诊断。
I上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (2)
1.一种基于电阻计算的光伏组串故障诊断方法，其特征在于，所述方法包括以下步骤：
A. 光伏组串工作状态下的电压和电流数据采集；
B. 光伏组串的串联电阻和并联电阻计算；
C. 故障类型判断及故障程度评估；
D. 故障报表生成，数据保存及模型优化。
2.根据权利要求1所述的一种基于电阻计算的光伏组串故障诊断方法，其特征在于，所述步骤C具体包括以下步骤：
C1. 通过数据分析平台将各光伏电站的组件铭牌参数、设计参数、组串块数、组串位置保存至数据库，并与上传的串联电阻和并联电阻保持一一对应关系，将上述参数相同的组串记为同一类型；
C2. 确定一个类型组串的串联电阻Rs可接受误差阈值α和并联电阻Rsh可接受误差阈值β；
C3.判断C2所述类型光伏组串的故障种类，具体步骤如下：
Ⅰ. 将组串i的串联电阻Rsi与该组串无故障时的串联电阻Rsoi历史数据进行比较，
若满足(1-α)Rsoi<Rsi<(1+α)Rsoi，则判断组串i不存在故障，
若不满足(1-α)Rsoi<Rsi<(1+α)Rsoi，则判断组串i存在故障，
Ⅱ. 对存在故障的组串i，若Rsi>(1+α)Rsoi，(1-β)Rshoi<Rshi<(1+β)Rshoi，进一步的：
若Rsi≥k*(1+α)Rsoi，则判断组串i存在热斑，
若Rsi≤k*(1-α)Rsoi，则判断组串i存在隐裂，
根据本发明的一个实施例，在步骤Ⅱ中，系数k根据组串的串联电阻和并联电阻历史数据进行确定；
Ⅲ. 对存在故障的组串i，若Rsi>(1+α)Rsoi，Rshi>(1+β)Rshoi，进一步的，将满足此条件的两组串i和j进行电阻比较：
a. 若(1-α)Rsj<Rsi<(1+α)Rsj，(1-β)Rshj<Rshi<(1+β)Rshj，将组串i与邻近另一电站的同类型组串q进行电阻比较：
若满足(1-β)Rshq<Rshi<(1+β)Rshq，则组串i存在气象因素导致的均匀阴影，
若不满足(1-β)Rshq<Rshi<(1+β)Rshq，则组串i存在环境因素导致的均匀灰尘，
将步骤a推广至满足步骤Ⅲ电阻关系的所有组串；
b. 若Rsi>(1+α)Rsj，Rshi>(1+β)Rshj，将该电站组串i与j的所有同类型故障组串进行电阻比较：
若所有组串均不满足(1-β)Rshj<Rshi<(1+β)Rshj（i≠j），则电站组串i与j的所有同类型故障组串均存在不均匀灰尘，
若存在部分组件满足(1-β)Rshj<Rshi<(1+β)Rshj（i≠j），则电站组串i与j的所有同类型故障组串均存在不均匀阴影遮挡，
将上述步骤b推广至组串j；
c. 若Rsi>(1+α)Rsj，(1-β)Rshj<Rshi<(1+β)Rshj，则该组串存在热斑故障；
d. 将上述步骤C2至C3推广至所有类型光伏组串；
C4. 进一步的，使用建立的故障程度评估模型评估光伏组串的故障程度，具体步骤如下：
Ⅰ. 计算发生故障的组串最大功率Pm，按照公式<math display = 'block'>
<mrow>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<msub>
<mi>I</mi>
<mi>m</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>U</mi>
<mi>m</mi>
</msub>
</mrow>
</math>进行；
Ⅱ. 计算同类型组串中未发生故障的组串此时的最大功率Pm0，按照公式<math display = 'block'>
<mrow>
<msub>
<mi>P</mi>
<mi>m0</mi>
</msub>
<mo>=</mo>
<msub>
<mi>I</mi>
<mi>m0</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>U</mi>
<mi>m0</mi>
</msub>
</mrow>
</math>
进行；
Ⅲ. 计算故障导致的组串最大功率损失比<math display = 'block'>
<mrow>
<msub>
<mi>&eta;</mi>
<mi>m</mi>
</msub>
</mrow>
</math>，按照公式<math display = 'block'>
<mrow>
<msub>
<mi>&eta;</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
<mo>&sol;</mo>
<msub>
<mi>P</mi>
<mi>m0</mi>
</msub>
</mrow>
</math>进行；
Ⅳ. 对各故障组串，按照组串的最大功率损失比进行故障等级划分；
C5. 故障报表生成，数据保存及模型优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711336086.5A CN108092622B (zh) | 2017-12-14 | 2017-12-14 | 一种基于电阻计算的光伏组串故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711336086.5A CN108092622B (zh) | 2017-12-14 | 2017-12-14 | 一种基于电阻计算的光伏组串故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108092622A true CN108092622A (zh) | 2018-05-29 |
| CN108092622B CN108092622B (zh) | 2023-09-05 |
Family
ID=62175697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711336086.5A Active CN108092622B (zh) | 2017-12-14 | 2017-12-14 | 一种基于电阻计算的光伏组串故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108092622B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109347436A (zh) * | 2018-11-23 | 2019-02-15 | 杭州光曲智能科技有限公司 | 一种分布式建筑物屋顶光伏发电智能监控装置 |
| CN109543357A (zh) * | 2018-10-18 | 2019-03-29 | 电子科技大学 | 一种多元回归模型优化的故障程度量化评估方法 |
| CN112327999A (zh) * | 2020-11-02 | 2021-02-05 | 东南大学 | 基于最大功率点跟踪数据的光伏快速检测及精确诊断方法 |
| CN113157830A (zh) * | 2020-01-22 | 2021-07-23 | 华为技术有限公司 | 一种光伏组串的位置更新方法和装置 |
| CN113702730A (zh) * | 2021-08-04 | 2021-11-26 | 国家能源集团新能源技术研究院有限公司 | 用于光伏组件的故障诊断方法、系统及处理器 |
| CN114417703A (zh) * | 2021-12-22 | 2022-04-29 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种光伏组件故障在线诊断分析算法 |
| CN115167408A (zh) * | 2022-06-29 | 2022-10-11 | 国电电力伊金霍洛旗太阳能发电有限公司 | 一种基于光伏电站的巡检路线规划系统 |
| US11799419B2 (en) | 2019-05-28 | 2023-10-24 | Huawei Technologies Co., Ltd. | Detection condition determining method, apparatus, and photovoltaic system |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787235A (zh) * | 2014-12-22 | 2016-07-20 | 国家电网公司 | 一种光伏电池仿真模型建立方法及装置 |
| CN105978487A (zh) * | 2016-05-05 | 2016-09-28 | 江苏方天电力技术有限公司 | 基于内部等效参数的光伏组件故障诊断方法 |
| CN106021806A (zh) * | 2016-06-06 | 2016-10-12 | 福州大学 | 一种基于核函数极限学习机的光伏组串故障诊断方法 |
| CN107463742A (zh) * | 2017-08-01 | 2017-12-12 | 河海大学常州校区 | 一种针对光伏组件异常老化故障的建模方法 |
-
2017
- 2017-12-14 CN CN201711336086.5A patent/CN108092622B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787235A (zh) * | 2014-12-22 | 2016-07-20 | 国家电网公司 | 一种光伏电池仿真模型建立方法及装置 |
| CN105978487A (zh) * | 2016-05-05 | 2016-09-28 | 江苏方天电力技术有限公司 | 基于内部等效参数的光伏组件故障诊断方法 |
| CN106021806A (zh) * | 2016-06-06 | 2016-10-12 | 福州大学 | 一种基于核函数极限学习机的光伏组串故障诊断方法 |
| CN107463742A (zh) * | 2017-08-01 | 2017-12-12 | 河海大学常州校区 | 一种针对光伏组件异常老化故障的建模方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543357A (zh) * | 2018-10-18 | 2019-03-29 | 电子科技大学 | 一种多元回归模型优化的故障程度量化评估方法 |
| CN109543357B (zh) * | 2018-10-18 | 2021-01-05 | 电子科技大学 | 一种多元回归模型优化的故障程度量化评估方法 |
| CN109347436A (zh) * | 2018-11-23 | 2019-02-15 | 杭州光曲智能科技有限公司 | 一种分布式建筑物屋顶光伏发电智能监控装置 |
| US11799419B2 (en) | 2019-05-28 | 2023-10-24 | Huawei Technologies Co., Ltd. | Detection condition determining method, apparatus, and photovoltaic system |
| CN113157830A (zh) * | 2020-01-22 | 2021-07-23 | 华为技术有限公司 | 一种光伏组串的位置更新方法和装置 |
| CN112327999A (zh) * | 2020-11-02 | 2021-02-05 | 东南大学 | 基于最大功率点跟踪数据的光伏快速检测及精确诊断方法 |
| CN112327999B (zh) * | 2020-11-02 | 2022-03-11 | 东南大学 | 基于最大功率点跟踪数据的光伏快速检测及精确诊断方法 |
| CN113702730A (zh) * | 2021-08-04 | 2021-11-26 | 国家能源集团新能源技术研究院有限公司 | 用于光伏组件的故障诊断方法、系统及处理器 |
| CN114417703A (zh) * | 2021-12-22 | 2022-04-29 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种光伏组件故障在线诊断分析算法 |
| CN115167408A (zh) * | 2022-06-29 | 2022-10-11 | 国电电力伊金霍洛旗太阳能发电有限公司 | 一种基于光伏电站的巡检路线规划系统 |
| CN115167408B (zh) * | 2022-06-29 | 2024-01-12 | 国电电力伊金霍洛旗太阳能发电有限公司 | 一种基于光伏电站的巡检路线规划系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108092622B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108092622B (zh) | 一种基于电阻计算的光伏组串故障诊断方法 | |
| CN105375878B (zh) | 一种在线检测和评估光伏系统效率的方法 | |
| Jaffery et al. | Scheme for predictive fault diagnosis in photo-voltaic modules using thermal imaging | |
| Ventura et al. | Utility scale photovoltaic plant indices and models for on-line monitoring and fault detection purposes | |
| Platon et al. | Online fault detection in PV systems | |
| CN105932965B (zh) | 一种光伏电站系统效能的测量方法 | |
| TWI586066B (zh) | Solar power generation monitoring method and the solar power generation monitoring system used in the method | |
| CN104391189B (zh) | 基于三级诊断的大型光伏阵列故障诊断定位方法 | |
| CN108399493A (zh) | 积灰致光伏发电量损失预测方法及光伏组件清洗判断方法 | |
| CN108572011B (zh) | 一种基于机器视觉的光伏电池板积灰状态监测系统及计算方法 | |
| CN106777984A (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 | |
| KR102148761B1 (ko) | 태양광 발전 시스템의 고장 진단 장치 | |
| CN108964606A (zh) | 一种光伏系统热斑故障检测方法 | |
| WO2023033002A1 (ja) | 太陽電池モジュールの故障診断方法及びプログラム | |
| CN111027723A (zh) | 一种光伏与建筑一体化系统及方法 | |
| CN110781611B (zh) | 基于Lambert W函数的光伏组件温度实时计算方法 | |
| KR101207310B1 (ko) | 계통연계형 태양광발전 시스템의 발전성능 추정 방법 및 그 장치 | |
| CN104253586B (zh) | 一种太阳能电池板电气参数在线测量评价装置及方法 | |
| Lin et al. | On-line monitoring and fault diagnosis of PV array based on BP neural network optimized by genetic algorithm | |
| CN105160166A (zh) | 一种光伏阵列状态判断方法 | |
| CN116865669A (zh) | 一种基于分布式光伏故障检测系统 | |
| Harrou et al. | Online model-based fault detection for grid connected PV systems monitoring | |
| CN113240333B (zh) | 一种重点用能单位节能量评估方法、装置和计算机设备 | |
| CN111711417B (zh) | 在光伏系统中诊断发电量异常的方法 | |
| Tutsch et al. | Using automated evaluation of efficiency for photovoltaic power plant |
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 |
Inventor after: Wang Ru Inventor after: Wei Dong Inventor after: Zang Jiankang Inventor after: Ye Hongji Inventor before: Wei Dong Inventor before: Zang Jiankang Inventor before: Ye Hongji |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |