CN111030597A - 一种无人机自动充电站的太阳能故障诊断方法 - Google Patents

一种无人机自动充电站的太阳能故障诊断方法 Download PDF

Info

Publication number
CN111030597A
CN111030597A CN201911414382.1A CN201911414382A CN111030597A CN 111030597 A CN111030597 A CN 111030597A CN 201911414382 A CN201911414382 A CN 201911414382A CN 111030597 A CN111030597 A CN 111030597A
Authority
CN
China
Prior art keywords
voltage
current
power generation
data
hall sensor
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
Application number
CN201911414382.1A
Other languages
English (en)
Other versions
CN111030597B (zh
Inventor
臧志斌
傅宁
马军
夏传福
吴小鸥
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.)
State Grid Siji Location Service Co ltd
State Grid Information and Telecommunication Co Ltd
Beijing Guodiantong Network Technology Co Ltd
Original Assignee
State Grid Siji Shenwang Position Service Beijing Co ltd
State Grid Information and Telecommunication 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 State Grid Siji Shenwang Position Service Beijing Co ltd, State Grid Information and Telecommunication Co Ltd filed Critical State Grid Siji Shenwang Position Service Beijing Co ltd
Priority to CN201911414382.1A priority Critical patent/CN111030597B/zh
Publication of CN111030597A publication Critical patent/CN111030597A/zh
Application granted granted Critical
Publication of CN111030597B publication Critical patent/CN111030597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提出一种无人机自动充电站的太阳能故障诊断方法，所述充电站的电源组件包括汇流箱，汇流箱与发电支路相连，发电支路的电力输出端处设有用于采集发电支路电压信号U的电流霍尔传感器；所述电流霍尔传感器与数据采集中心相连以上传发电支路的电压信号U，数据采集中心的微控制单元以数据位率变换法把电压信号U还原为发电支路的输出电流值
Figure DEST_PATH_IMAGE001
及发电支路的输出电压
Figure DEST_PATH_IMAGE002
；所述数据中心以发电支路的输出电流值和输出电压建立建立太阳能电池阵列电压‑电流数据模型，调用极限学习机算法对数据进行分析，对太阳能电池阵列的工况进行故障诊断评估；本发明能通过检测太阳能电池阵列数据的情况，判断太阳能电池阵列处于正常状态还是出现故障。

Description

一种无人机自动充电站的太阳能故障诊断方法
技术领域
本发明涉及太阳能发电技术领域，尤其是一种无人机自动充电站的太阳能故障诊断方法。
背景技术
现阶段，限制无人机进一步发展的主要因素来源其续航能力。大部分无人机均采用电池为其提供动力，其续航能力有限，为增加其续航时间，部分无人机采用加大电池的方法，但增加无人机重量，对续航时间短的问题没有得到较好的解决。在目前的研究中，已经有许多公司与研究机构设计了无人机服务站，例如《一种多旋翼飞行器远程服务站》，申请号：CN201820592352.4通过无人机自主降落，实现给无人机自主供电，提高无人机续航。
无人机服务站通常安放在户外，采用太阳能电池阵列给服务站蓄电池供电，蓄电池给服务台与无人机提供电源。但是服务站安装在户外，长期经历日晒雨淋，太阳能电池阵列作为服务站的顶板更是与外界环境直接接触，容易方案故障。本发明的技术目的就是通过检测太阳能电池阵列数据的情况，判断太阳能电池阵列处于正常状态还是出现故障。
发明内容
本发明提出一种无人机自动充电站的太阳能故障诊断方法，能通过检测太阳能电池阵列数据的情况，判断太阳能电池阵列处于正常状态还是出现故障。
本发明采用以下技术方案。
一种无人机自动充电站的太阳能故障诊断方法，所述充电站(10)的电源组件包括汇流箱(8)，所述汇流箱与发电支路(1)的电力输出端相连，以汇聚发电支路内太阳能电池阵列的电能；所述发电支路的电力输出端处设有用于采集发电支路电压信号U的电流霍尔传感器(12)；所述电流霍尔传感器与数据采集中心相连以上传发电支路的电压信号U，数据采集中心(11)的微控制单元以数据位率变换法把电压信号U还原为发电支路的输出电流值I及发电支路的输出电压U0；所述数据中心以发电支路的输出电流值和输出电压建立建立太阳能电池阵列电压-电流数据模型，调用极限学习机算法对数据进行分析，对太阳能电池阵列的工况进行故障诊断评估。
所述汇流箱与n条发电支路的电力输出端并联；所述发电支路以q块太阳能电池板(2)生成电能；所述太阳能电池板串联设置形成太阳能电池阵列；所述n条发电支路汇集到汇流箱之后，汇流箱以电压霍尔传感器15采集发电支路并联汇集后的电路总电压；
每条发电支路在接入汇流箱前先通过电流霍尔传感器；所述电流霍尔传感器把发电支路的初始电流I 转化为小电压U，并通过通讯电路(14)把数据上传至数据采集中心。
所述微控制单元以数据位率变换法还原数据的方法包括以下步骤；
步骤A1、n条发电支路的太阳能电池阵列总输出电流I＝[I1，I2，...，li，...，In]T，其中Ii表示太阳能电池阵列第i条支路太阳能电池板的输出电流，输入电流I经过压流比线性度为K的电流电流霍尔传感器，输入电流转为为小信号输出电压值U，其值为：
U＝K*I＝[U1，U2，...，Ui，...，Un]T
其中K为电流霍尔传感器将电流值转化为电压值的比例系数，单位为V/A；
步骤A2、所述太阳能电池阵列输出电压即为发电支路的输出电压U0，电压霍尔传感器把初始大电压数据U0转换为小电压数据Up，发电支路的输出电流经过电压霍尔传感器输入端电阻R0后，形成电压霍尔传感器输入端电流
Figure BDA0002350799420000021
假设电压霍尔传感器输出端与输入端电流比为L，则电压霍尔传感器输出端电流 Ip＝L*I0，输出端电流Ip为经过电压霍尔传感器输出端电阻Ri的输出电流值，输出电压的计算公式为 Up＝Ip*Ri，由输入端电流与输出端电流关系可得：
Figure BDA0002350799420000022
因此，可求输入电压与输出电压比Kv为：
Figure BDA0002350799420000023
步骤A3、微控制单元采集小信号电压U后，进行数据倍率变换，还原太阳能电池阵列的电流值：
Figure BDA0002350799420000024
实现电流采集的目的，还原输入电压U0＝Kv*Up，从而实现电压采集的目的。
所述极限学习机算法的训练方法为；
采集太阳能电池阵列不同状态下的样本数据，对极限学习机模型进行训练；太阳能电池不同状态的样本矩阵为(X，Y)，其中X为各发电支路电流值与电压值样本数据，Y为太阳能电池阵列状态期望样本，不同状态以不同数值代表；
所述各支路电流值与电压值样本数据包括开路电压、总电压、短路电流、下属支路电流；
所述太阳能电池阵列状态期望样本的状态类别包括正常、开路、短路、老化、阴影；
根据极限学习机神经网络模型结构，可得：
Figure BDA0002350799420000025
j＝1，2，3...n
输入样本与神经元个数确定，可以由样本数据随机生成权值w和阈值bo；
随机产生的w和b可以在训练模型之前就确定，后续使用中无需改变；由此，在确定了神经元的数量与神经元激活函数式后，就可以计算出神经元输出矩阵
Figure BDA0002350799420000031
Figure BDA0002350799420000032
在太阳能电池阵列故障评估系统中，由训练样本数据，确定了输入层与隐含层之间的权值w，隐含层神经元阈值b，求解出了隐含层与输出层之间的连接权值β。
当实时采集的输入数据xi导入数据采集中心时，微控制单元调用极限学习机模型，输出评估矩阵yi。
微控制单元调用极限学习机模型处理完成数据后，把电流值信息与电压值信息，以及诊断结果传输给无人机服务站总数据中心，由无人机服务站数据中心进行结果显示和结果网络回传作业。
所述电流霍尔传感器设有电线孔位(5)；所述发电支路电力输出端的电线穿置于电流霍尔传感器的电线孔位处。
所述汇流箱与多个发电支路的电力输出端并联；所述汇流箱汇聚各发电支路的电能以向充电站的蓄电池(9)供电。
蓄电池的额定电压为N伏，每块太阳能电池板的额定电压为p伏，当发电支路需要q块太阳能电池板串联后对蓄电池供电时，则发电支路的输出电压M＝p*q>N；
当光伏电池板电流正常供电时，电池板的每条支路经过汇流箱，电流汇聚之后给无人机服务站蓄电池供电；数据采集中心以单片机通过电流霍尔传感器采集发电支路的电流数据和电压数据，数据通过数据处理器进行采集，数据采集之后进行分析，诊断出无人机服务站太阳能电池是处于正常状态还是处于故障状态。
电流霍尔传感器可采用的型号包括HCS-LSP 20A，电流霍尔传感器的线性度为0.1V/A，电流霍尔传感器测试范围为-20A至20A；电压霍尔传感器可采用的型号包括LEMLV25P。
本发明的优点在于，可以通过自动检测太阳能电池阵列数据的情况，来判断太阳能电池阵列处于正常状态还是出现故障，减少了人工维护的工作量，有益于提升无人机自动充电站的可靠性。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是本发明的原理示意图；
附图2是本发明的流程示意图；
图中：1-发电支路；2-太阳能电池板；5-电线孔位；8-汇流箱；9-蓄电池；10-充电站；11-数据采集中心；12-电流霍尔传感器；14-通讯电路；15-电压霍尔传感器。
具体实施方式
如图1-2所示，一种无人机自动充电站的太阳能故障诊断方法，所述充电站10的电源组件包括汇流箱8，所述汇流箱与发电支路1的电力输出端相连，以汇聚发电支路内太阳能电池阵列的电能；所述发电支路的电力输出端处设有用于采集发电支路电压信号U的电流霍尔传感器12；所述电流霍尔传感器与数据采集中心相连以上传发电支路的电压信号U，数据采集中心11的微控制单元以数据位率变换法把电压信号U还原为发电支路的输出电流值I及发电支路的输出电压U0；所述数据中心以发电支路的输出电流值和输出电压建立建立太阳能电池阵列电压-电流数据模型，调用极限学习机算法对数据进行分析，对太阳能电池阵列的工况进行故障诊断评估。
所述汇流箱与n条发电支路的电力输出端并联；所述发电支路以q块太阳能电池板2生成电能；所述太阳能电池板串联设置形成太阳能电池阵列；所述n条发电支路汇集到汇流箱之后，汇流箱以电压霍尔传感器15采集发电支路并联汇集后的电路总电压；
每条发电支路在接入汇流箱前先通过电流霍尔传感器；所述电流霍尔传感器把发电支路的初始电流I 转化为小电压U，并通过通讯电路14把数据上传至数据采集中心。
所述微控制单元以数据位率变换法还原数据的方法包括以下步骤；
步骤A1、n条发电支路的太阳能电池阵列总输出电流I＝[I1，I2，...Ii，...，In]T，其中Ii表示太阳能电池阵列第i条支路太阳能电池板的输出电流，输入电流I经过压流比线性度为K的电流电流霍尔传感器，输入电流转为为小信号输出电压值U，其值为：
U＝K*I＝[U1，U2，...，Ui，...，Un]T
其中K为电流霍尔传感器将电流值转化为电压值的比例系数，单位为V/A；
步骤A2、所述太阳能电池阵列输出电压即为发电支路的输出电压U0，电压霍尔传感器把初始大电压数据U0转换为小电压数据Up，发电支路的输出电流经过电压霍尔传感器输入端电阻R0后，形成电压霍尔传感器输入端电流
Figure BDA0002350799420000041
假设电压霍尔传感器输出端与输入端电流比为L，则电压霍尔传感器输出端电流 Ip＝L*I0，输出端电流Ip为经过电压霍尔传感器输出端电阻Ri的输出电流值，输出电压的计算公式为 Up＝Ip*Ri，由输入端电流与输出端电流关系可得：
Figure BDA0002350799420000042
因此，可求输入电压与输出电压比Kv为：
Figure BDA0002350799420000051
步骤A3、微控制单元采集小信号电压U后，进行数据倍率变换，还原太阳能电池阵列的电流值：
Figure BDA0002350799420000052
实现电流采集的目的，还原输入电压U0＝Kv*Up，从而实现电压采集的目的。
所述极限学习机算法的训练方法为；
采集太阳能电池阵列不同状态下的样本数据，对极限学习机模型进行训练；太阳能电池不同状态的样本矩阵为(X，Y)，其中X为各发电支路电流值与电压值样本数据，Y为太阳能电池阵列状态期望样本，不同状态以不同数值代表；
所述各支路电流值与电压值样本数据包括开路电压、总电压、短路电流、下属支路电流；
所述太阳能电池阵列状态期望样本的状态类别包括正常、开路、短路、老化、阴影；
根据极限学习机神经网络模型结构，可得：
Figure BDA0002350799420000053
j＝1，2，3...n
输入样本与神经元个数确定，可以由样本数据随机生成权值w和阈值bo；
随机产生的w和b可以在训练模型之前就确定，后续使用中无需改变；由此，在确定了神经元的数量与神经元激活函数式后，就可以计算出神经元输出矩阵
Figure BDA0002350799420000054
Figure BDA0002350799420000055
在太阳能电池阵列故障评估系统中，由训练样本数据，确定了输入层与隐含层之间的权值w，隐含层神经元阈值b，求解出了隐含层与输出层之间的连接权值β。
当实时采集的输入数据xi导入数据采集中心时，微控制单元调用极限学习机模型，输出评估矩阵yi。
微控制单元调用极限学习机模型处理完成数据后，把电流值信息与电压值信息，以及诊断结果传输给无人机服务站总数据中心，由无人机服务站数据中心进行结果显示和结果网络回传作业。
所述电流霍尔传感器设有电线孔位5；所述发电支路电力输出端的电线穿置于电流霍尔传感器的电线孔位处。
所述汇流箱与多个发电支路的电力输出端并联；所述汇流箱汇聚各发电支路的电能以向充电站的蓄电池9供电。
蓄电池的额定电压为N伏，每块太阳能电池板的额定电压为p伏，当发电支路需要q块太阳能电池板串联后对蓄电池供电时，则发电支路的输出电压M＝p*q＞N；
当光伏电池板电流正常供电时，电池板的每条支路经过汇流箱，电流汇聚之后给无人机服务站蓄电池供电；数据采集中心以单片机通过电流霍尔传感器采集发电支路的电流数据和电压数据，数据通过数据处理器进行采集，数据采集之后进行分析，诊断出无人机服务站太阳能电池是处于正常状态还是处于故障状态。
电流霍尔传感器可采用的型号包括HCS-LSP20A，电流霍尔传感器的线性度为0.1V/A，电流霍尔传感器测试范围为-20A至20A；电压霍尔传感器可采用的型号包括LEMLV25P。
本例中，太阳能电池不同状态的样本矩阵的数据格式如下表；
表1太阳能电池阵列样本数据格式表
Figure BDA0002350799420000061
本例中，发电支路共有四条，发电支路内太阳能电池阵列电压输出峰值为130V，单片机AD采集上限为3.3V，因此输入电阻选用13K，输出电阻选用120Ω。

Claims (9)

1.一种无人机自动充电站的太阳能故障诊断方法，其特征在于：所述充电站(10)的电源组件包括汇流箱，所述汇流箱与发电支路(1)的电力输出端相连，以汇聚发电支路内太阳能电池阵列的电能；所述发电支路的电力输出端处设有用于采集发电支路电压信号U的电流霍尔传感器(12)；所述电流霍尔传感器与数据采集中心相连以上传发电支路的电压信号U，数据采集中心(11)的微控制单元以数据位率变换法把电压信号U还原为发电支路的输出电流值I及发电支路的输出电压U0；所述数据中心以发电支路的输出电流值和输出电压建立建立太阳能电池阵列电压-电流数据模型，调用极限学习机算法对数据进行分析，对太阳能电池阵列的工况进行故障诊断评估。
2.根据权利要求1所述的一种无人机自动充电站的太阳能故障诊断方法，其特征在于：所述汇流箱与n条发电支路的电力输出端并联；所述发电支路以q块太阳能电池板生成电能；所述太阳能电池板串联设置形成太阳能电池阵列；所述n条发电支路汇集到汇流箱之后，汇流箱以电压霍尔传感器(15)采集发电支路并联汇集后的电路总电压；
每条发电支路在接入汇流箱前先通过电流霍尔传感器；所述电流霍尔传感器把发电支路的初始电流I转化为小电压U，并通过通讯电路把数据上传至数据采集中心。
3.根据权利要求2所述的一种无人机自动充电站的太阳能故障诊断方法，其特征在于：所述微控制单元以数据位率变换法还原数据的方法包括以下步骤；
步骤A1、n条发电支路的太阳能电池阵列总输出电流I＝[I1，I2，...，Ii，...，In]T,其中Ii表示太阳能电池阵列第i条支路太阳能电池板的输出电流,输入电流I经过压流比线性度为K的电流电流霍尔传感器，输入电流转为为小信号输出电压值U，其值为：
U＝K*I＝[U1，U2，…，Ui，…，Un]T
其中K为电流霍尔传感器将电流值转化为电压值的比例系数，单位为V/A；
步骤A2、所述太阳能电池阵列输出电压即为发电支路的输出电压U0，电压霍尔传感器把初始大电压数据U0转换为小电压数据Up，发电支路的输出电流经过电压霍尔传感器输入端电阻R0后，形成电压霍尔传感器输入端电流
Figure FDA0002350799410000011
假设电压霍尔传感器输出端与输入端电流比为L，则电压霍尔传感器输出端电流Ip＝L*I0，输出端电流Ip为经过电压霍尔传感器输出端电阻Ri的输出电流值，输出电压的计算公式为Up＝Ip*Ri，由输入端电流与输出端电流关系可得：
Figure FDA0002350799410000012
因此，可求输入电压与输出电压比Kv为：
Figure FDA0002350799410000021
步骤A3、微控制单元采集小信号电压U后，进行数据倍率变换，还原太阳能电池阵列的电流值：
Figure FDA0002350799410000022
实现电流采集的目的，还原输入电压U0＝Kv*Up，从而实现电压采集的目的。
4.根据权利要求3所述的一种无人机自动充电站的太阳能故障诊断方法，其特征在于：所述极限学习机算法的训练方法为；
采集太阳能电池阵列不同状态下的样本数据，对极限学习机模型进行训练；太阳能电池不同状态的样本矩阵为(X,Y)，其中X为各发电支路电流值与电压值样本数据，Y为太阳能电池阵列状态期望样本，不同状态以不同数值代表；
所述各支路电流值与电压值样本数据包括开路电压、总电压、短路电流、下属支路电流；
所述太阳能电池阵列状态期望样本的状态类别包括正常、开路、短路、老化、阴影；
根据极限学习机神经网络模型结构，可得：
Figure FDA0002350799410000023
输入样本与神经元个数确定，可以由样本数据随机生成权值w和阈值b。；
随机产生的w和b可以在训练模型之前就确定，后续使用中无需改变；由此，在确定了神经元的数量与神经元激活函数式后，就可以计算出神经元输出矩阵
Figure FDA0002350799410000024
Figure FDA0002350799410000025
在太阳能电池阵列故障评估系统中，由训练样本数据，确定了输入层与隐含层之间的权值w，隐含层神经元阈值b，求解出了隐含层与输出层之间的连接权值β。
5.根据权利要求4所述的一种无人机自动充电站的太阳能故障诊断方法，其特征在于：当实时采集的输入数据xi导入数据采集中心时，微控制单元调用极限学习机模型，输出评估矩阵yi。
6.根据权利要求5所述的一种无人机自动充电站的太阳能故障诊断方法，其特征在于：微控制单元调用极限学习机模型处理完成数据后，把电流值信息与电压值信息，以及诊断结果传输给无人机服务站总数据中心，由无人机服务站数据中心进行结果显示和结果网络回传作业。
7.根据权利要求2所述的一种无人机自动充电站的太阳能故障诊断方法，其特征在于：所述电流霍尔传感器设有电线孔位(5)；所述发电支路电力输出端的电线穿置于电流霍尔传感器的电线孔位处。所述汇流箱与多个发电支路的电力输出端并联；所述汇流箱汇聚各发电支路的电能以向充电站的蓄电池(9)供电。
8.根据权利要求7所述的一种无人机自动充电站的太阳能故障诊断方法，其特征在于：蓄电池的额定电压为N伏，每块太阳能电池板的额定电压为p伏，当发电支路需要q块太阳能电池板串联后对蓄电池供电时，则发电支路的输出电压M＝p*q>N；
当光伏电池板电流正常供电时，电池板的每条支路经过汇流箱，电流汇聚之后给无人机服务站蓄电池供电；数据采集中心以单片机通过电流霍尔传感器采集发电支路的电流数据和电压数据，数据通过数据处理器进行采集，数据采集之后进行分析，诊断出无人机服务站太阳能电池是处于正常状态还是处于故障状态。
9.根据权利要求7所述的一种无人机自动充电站的太阳能故障诊断方法，其特征在于：电流霍尔传感器可采用的型号包括HCS-LSP 20A，电流霍尔传感器的线性度为0.1V/A，电流霍尔传感器测试范围为-20A至20A；电压霍尔传感器可采用的型号包括LEM LV25P。
CN201911414382.1A 2019-12-31 2019-12-31 一种无人机自动充电站的太阳能故障诊断方法 Active CN111030597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911414382.1A CN111030597B (zh) 2019-12-31 2019-12-31 一种无人机自动充电站的太阳能故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911414382.1A CN111030597B (zh) 2019-12-31 2019-12-31 一种无人机自动充电站的太阳能故障诊断方法

Publications (2)

Publication Number Publication Date
CN111030597A true CN111030597A (zh) 2020-04-17
CN111030597B CN111030597B (zh) 2021-08-10

Family

ID=70201143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911414382.1A Active CN111030597B (zh) 2019-12-31 2019-12-31 一种无人机自动充电站的太阳能故障诊断方法

Country Status (1)

Country Link
CN (1) CN111030597B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034306A (zh) * 2022-06-13 2022-09-09 昆明理工大学 基于可拓神经网络的铝电解故障预报及安全运维方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202183743U (zh) * 2011-08-26 2012-04-04 泰豪科技(深圳)电力技术有限公司 光伏汇流箱
CN204993248U (zh) * 2015-09-18 2016-01-20 绿尚太阳能科技（上海）有限公司 基于光伏电站信息系统的多路直流电压电流采集器
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
CN109766952A (zh) * 2019-01-21 2019-05-17 福州大学 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202183743U (zh) * 2011-08-26 2012-04-04 泰豪科技(深圳)电力技术有限公司 光伏汇流箱
CN204993248U (zh) * 2015-09-18 2016-01-20 绿尚太阳能科技（上海）有限公司 基于光伏电站信息系统的多路直流电压电流采集器
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
CN109766952A (zh) * 2019-01-21 2019-05-17 福州大学 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034306A (zh) * 2022-06-13 2022-09-09 昆明理工大学 基于可拓神经网络的铝电解故障预报及安全运维方法

Also Published As

Publication number Publication date
CN111030597B (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN102193027B (zh) 光伏发电系统的基于模型的功率估计
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
CN104601108A (zh) 一种小型光伏电站的故障诊断方法
CN102867871B (zh) 一种智能汇流箱及其光伏系统
KR101026139B1 (ko) 태양광 발전 시스템에 있어서 ｐｖ 모듈의 개별적인 진단이 가능한 ｐｖ 진단 장치
CN107171640B (zh) 一种光伏组件监测装置及光伏发电系统
CN109992911B (zh) 基于极限学习机和iv特性的光伏组件快速建模方法
CN103475267A (zh) 一种提高光伏阵列发电效率的方法
CN111027723A (zh) 一种光伏与建筑一体化系统及方法
CN102893264A (zh) 功率点跟踪
CN113169709A (zh) 基于机器学习的太阳能发电控制系统及方法
CN111030597B (zh) 一种无人机自动充电站的太阳能故障诊断方法
CN110729213A (zh) 一种智能光伏组件的终测方法及自动化检测装置
CN111342772A (zh) 一种组件级的光伏电站故障检测装置
KR101386528B1 (ko) 다단 스위치를 이용한 태양광 발전 시스템 및 그 구동 방법
CN114913036A (zh) 一种光伏电站的联合故障诊断系统及故障诊断方法
CN212278194U (zh) 一种组件级的光伏电站故障检测装置
Gong et al. Fault diagnosis method of photovoltaic array based on random forest algorithm
CN113988686A (zh) 基于多换流器并网协同控制的柔性配电网控制方法及系统
CN113919426A (zh) 基于k-medoids算法的光伏阵列故障识别方法
CN114336583A (zh) 5g基站光储直流微电网供能系统及方法
Tian et al. Design of photovoltaic array fault online evaluation system
Wang et al. An Improved Artificial Neural Network Method for Predicting PV Output Performance
Makhsoos et al. Evaluation of High-Efficiency Hydrogen Production from Solar Energy using Artificial Neural Network at the Université du Québec à Trois-Rivières
CN112290885B (zh) 一种户用光伏系统直流侧故障诊断方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li Qiang

Inventor after: Zang Zhibin

Inventor after: Fu Ning

Inventor after: Ma Jun

Inventor after: Xia Chuanfu

Inventor after: Wu Xiaoou

Inventor after: Zhao Jianwei

Inventor after: Zhou Hangfan

Inventor before: Zang Zhibin

Inventor before: Fu Ning

Inventor before: Ma Jun

Inventor before: Xia Chuanfu

Inventor before: Wu Xiaoou

CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 102200 room 510, 5 / F, block C, State Grid Park, future science city, Changping District, Beijing

Patentee after: State Grid Siji Location Service Co.,Ltd.

Patentee after: STATE GRID INFORMATION & TELECOMMUNICATION GROUP Co.,Ltd.

Address before: 102200 room 510, 5 / F, block C, State Grid Park, future science city, Changping District, Beijing

Patentee before: STATE GRID SIJI SHENWANG POSITION SERVICE (BEIJING) Co.,Ltd.

Patentee before: STATE GRID INFORMATION & TELECOMMUNICATION GROUP Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230828

Address after: 102209 room 510, 5 / F, building C, State Grid Park, future science city, Changping District, Beijing

Patentee after: State Grid Siji Location Service Co.,Ltd.

Patentee after: STATE GRID INFORMATION & TELECOMMUNICATION GROUP Co.,Ltd.

Patentee after: BEIJING GUODIANTONG NETWORK TECHNOLOGY Co.,Ltd.

Address before: 102200 room 510, 5 / F, block C, State Grid Park, future science city, Changping District, Beijing

Patentee before: State Grid Siji Location Service Co.,Ltd.

Patentee before: STATE GRID INFORMATION & TELECOMMUNICATION GROUP Co.,Ltd.