CN111565024A - 一种太阳能电池板故障检测与运行效率预测装置和方法 - Google Patents
一种太阳能电池板故障检测与运行效率预测装置和方法 Download PDFInfo
- Publication number
- CN111565024A CN111565024A CN202010494229.0A CN202010494229A CN111565024A CN 111565024 A CN111565024 A CN 111565024A CN 202010494229 A CN202010494229 A CN 202010494229A CN 111565024 A CN111565024 A CN 111565024A
- Authority
- CN
- China
- Prior art keywords
- fault
- flux density
- magnetic flux
- module
- operation efficiency
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000004907 flux Effects 0.000 claims abstract description 38
- 230000003750 conditioning effect Effects 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 230000033001 locomotion Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000005358 geomagnetic field Effects 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
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
-
- 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
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/30—Electrical components
-
- 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
本发明公开了一种太阳能电池板故障检测与运行效率预测装置和方法。该装置由磁阻传感器阵列、磁阻传感器信号调理采集模块、无线数据传输模块、四轮运动装置、数据库、故障计算模块、深度学习神经网络、显示模块和报警装置组成；磁阻传感器信号调理采集模块对磁阻传感器阵列获取的磁通密度信号进行处理，由四轮运动装置带动在太阳能电池板表面逐块扫描，通过无线数据传输模块保存到远程计算机数据库中；故障计算模块判断故障是否存在，显示模块对故障的形状及位置进行成像，报警装置发出警报；深度学习神经网络对电池板的运行效率进行预测。本发明基于磁阻传感器阵列和深度学习神经网络，提供了一种新型太阳能电池板故障检测与运行效率预测方法。
Description
技术领域
本发明涉及太阳能电池板故障检测领域，特别是一种太阳能电池板故障检测与运行效率预测装置和方法。
技术背景
随着传统能源的日益枯竭和环境问题的愈发严重，清洁能源已经成为了新时代的宠儿，而太阳能作为一种清洁能源备受人们关注。近些年，光伏发电得到了快速发展并在全球范围内广泛分布。太阳能电池板是光伏发电系统的基础组成部分，其安全运行至关重要。太阳能电池板长时间暴露在户外容易发生故障，需要定期检查并排除故障。然而太阳能电池板内部故障肉眼无法识别，同时由于安装环境通常为荒郊野外，人为检查费时费力。因此，一种准确、实时和高效的太阳能电池板故障检测与运行效率预测方法十分的重要。
本发明提出了一种太阳能电池板故障检测与运行效率预测装置和方法，该装置将采用磁阻传感器阵列测量太阳能电池板表面的磁通密度，通过比较不同状态下磁通密度信号的幅值差异，来判断故障是否存在和位置，同时通过深度学习神经网络对故障存在时的数据进行预处理、特征提取和训练，从而对故障进行分类并对太阳能电池板的运行效率进行预测。
本发明的有益效果：1)该太阳能电池板故障检测装置结构简单，成本低廉，安装方便，非接触式，不影响太阳能电池板的正常工作。2)该方法可靠性强，环境适应性强，特别是与光学感应方法相比，该方法不会因为太阳能电池板上的灰尘而影响检测，且可检测电池板内部故障问题。3)该方法检测精度高，时效性强，能够实时准确提供太阳能电池板故障信息与运行效率，从而方便工作人员的检查与维护。
发明内容
本发明的目的是提供一种太阳能电池板故障检测与运行效率预测装置和方法。该装置由磁阻传感器阵列、磁阻传感器信号调理采集模块、无线数据传输模块、四轮运动装置、数据库、故障计算模块、深度学习神经网络、显示模块和报警装置组成。
所述磁阻传感器阵列为方形阵列，需要根据太阳能电池板的尺寸和检测分辨率要求对磁阻传感器数目和间距进行调整。磁阻传感器集成在印刷电路板(PCB)上，并与磁阻传感器信号调理采集模块连接。
所述磁阻传感器信号调理采集模块对磁阻传感器阵列采集的磁通密度信号进行转换、滤波、放大及采集等处理，通过无线数据传输模块将数据传输至远程计算机的数据库中。
所述磁阻传感器阵列、磁阻传感器信号调理采集模块和无线数据传输模块安装在四轮运动装置上，并在太阳能电池板表面按照固定的路线匀速运动。四轮运动装置的运动距离和路线根据太阳能电池板尺寸而定，运动速度根据信号采集和处理速度而定。
所述数据库包含了太阳能电池板在未工作状态下和工作状态下的磁通密度。其中，未工作状态下的磁通密度用于消除背景地磁场的影响。工作状态下的磁通密度包括无故障状态下磁通密度和实时检测的磁通密度。
所述故障计算模块从数据库中获取无故障状态下的磁通密度和实时检测的磁通密度，判断故障是否存在。
所述深度学习神经网络对故障存在时的数据进行预处理、特征提取和训练等操作后，可以对故障进行分类，同时预测太阳能电池板的运行效率。
本发明所提供的一种太阳能电池板故障检测与运行效率预测方法，其特征在于，包括如下步骤：
步骤1、四轮运动装置在太阳能电池表面按照固定的路线匀速运动，磁阻传感器阵列实时获取各个位置磁通密度信号，并连接磁阻传感器信号调理采集模块进行信号调理与采集。
步骤2、将步骤1中采集到的磁通密度数据通过无线数据传输模块保存到远程计算机数据库中。数据库中包含非工作状态下和工作状态下多种情况的磁通密度数据。
步骤3、故障计算模块获取步骤2中数据库的磁通密度数据，通过比较实时检测的磁通密度信号与无故障状态下磁通密度信号的幅值差异，判断故障是否存在。
步骤4、将步骤3中的故障状态下的磁通密度数据发送到显示模块中，通过成像算法显示故障大小和位置，并通过报警装置提醒工作人员。
步骤5、多次巡检后，数据量不断增多，深度学习神将网络对故障存在时的数据进行预处理、特征提取和训练等操作后，对故障进行分类，并可以实时预测太阳能电池板的运行效率，最后将故障类型和运行效率信息发送到显示模块。
所述的深度学习神经网络分为故障分类和运行效率预测功能，需要使用多种不同类型神经网络。
本发明所提供的太阳能电池板故障检测与运行效率预测装置和方法结构简单，成本低廉，安装方便，环境适应性强，是一种新型有效的非接触式检测方法，具有广阔的应用前景。
附图说明
图1为太阳能电池板故障检测与运行效率预测装置示意图
图中：1.太阳能电池板；2.四轮运动装置；3.磁阻传感器阵列；4.磁阻传感器信号调理采集模块；5.无线数据传输模块；6.数据库；7.故障计算模块；8显示模块；9.报警装置；10.深度学习神经网络
图2为磁阻传感器阵列示意图
图3为太阳能电池板故障检测方法流程图
图4为深度学习神经网络数据预处理、训练和预测示意图
具体实施方式
本发明提供一种太阳能电池板故障检测与运行效率预测装置和方法，可实现太阳能电池板故障检测，图像化显示故障大小与位置，同时对故障进行分类并预测太阳能电池板的运行效率，下面结合附图对本发明予以说明如下：
实施例
如图1所示，本实施例中提供了一种太阳能电池板故障检测与运行效率装置，所述装置由四轮运动装置2、磁阻传感器阵列3、磁阻传感器信号调理采集模块4、无线数据传输模块5、数据库6、故障计算模块7、显示模块8、报警装置9和深度学习神经网络10组成。
如图2所示，本实施例中所述磁阻传感器(TMR)阵列为方形阵列，每颗大小为0.3cm×0.3cm×0.145cm，一共10行，每行10颗，间距为3cm，集成在PCB上用于测量太阳能电池板上的磁通密度。
如图3所示，本实施例中提供了一种太阳能电池板故障检测与运行效率预测方法，包括如下步骤：
步骤1、四轮运动装置在太阳能电池板表面以3cm/s的速度从上至下做匀速扫掠，磁阻传感器阵列实时获取各个位置磁通密度信号，并连接磁阻传感器信号调理采集模块进行信号处理。
步骤2、将步骤1中采集到的磁通密度数据通过无线数据传输模块保存到远程计算机数据库中。数据库中包含非工作状态下和工作状态下多种情况的磁通密度数据。
步骤3、将步骤2中数据库中的磁通密度数据传输至故障计算模块中，故障计算模块通过比较实时检测的磁通密度信号与无故障状态下磁通密度信号幅值差异，判断故障是否存在。
步骤4、将步骤3中的故障信号发送到显示模块中，通过成像算法显示故障大小和位置，并通过警报装置提醒工作人员。
步骤5、经过多次巡检过后，故障信息数据基本充足。如图4所示，将故障信息数据预处理后，发送至卷积神经网络(CNN)进行特征提取和训练，从而对故障进行分类，将提取的特征与故障类型发送至门循环单元(GRU)神经网络中进行训练得到模型后，可以实时预测太阳能电池板的运行效率。
上述实施例仅为本发明的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换都应涵盖本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种太阳能电池板故障检测与运行效率预测装置和方法，其特征在于，所述装置由磁阻传感器阵列、磁阻传感器信号调理采集模块、无线数据传输模块、四轮运动装置、数据库、故障计算模块、深度学习神经网络、显示模块和报警装置组成。
2.根据权利要求1所述的太阳能电池板故障检测与运行效率预测装置，其特征在于，所述磁阻传感器阵列为方形阵列，需要根据太阳能电池板的尺寸和检测分辨率要求对磁阻传感器数目和间距进行调整。磁阻传感器集成在印刷电路板(PCB)上，并与磁阻传感器信号调理采集模块连接。
3.根据权利要求2所述的磁阻传感器信号调理采集模块，其特征在于，所述磁阻传感器信号调理采集模块对磁阻传感器阵列采集的磁通密度信号进行转换、滤波、放大及采集等处理，通过无线数据传输模块将数据传输至远程计算机的数据库中。
4.根据权利要求1所述的太阳能电池板故障检测与运行效率预测装置，其特征在于，所述磁阻传感器阵列、磁阻传感器信号调理采集模块和无线数据传输模块安装在四轮运动装置上，并在太阳能电池板表面按照固定的路线匀速运动。四轮运动装置的运动距离和路线根据太阳能电池板尺寸而定，运动速度根据信号采集和处理速度而定。
5.根据权利要求1所述的太阳能电池板故障检测与运行效率预测装置，其特征在于，所述数据库包含了太阳能电池板在未工作状态下和工作状态下的磁通密度。其中，未工作状态下的磁通密度用于消除背景地磁场的影响。工作状态下的磁通密度包括无故障状态下磁通密度和实时检测的磁通密度。
6.根据权利要求1所述的太阳能电池板故障检测与运行效率预测装置，其特征在于，所述故障计算模块从数据库中获取无故障状态下的磁通密度和实时检测的磁通密度，判断故障是否存在。
7.根据权利要求1所述的太阳能电池板故障检测与运行效率预测装置，其特征在于，所述深度学习神经网络对故障存在时的数据进行预处理、特征提取和训练等操作后，可以对故障进行分类，同时预测太阳能电池板的运行效率。
8.一种太阳能电池板故障检测与运行效率预测方法，其特征在于，包括如下步骤：
步骤1、四轮运动装置在太阳能电池表面按照固定的路线匀速运动，磁阻传感器阵列实时获取各个位置磁通密度信号，并连接磁阻传感器信号调理采集模块进行信号调理与采集。
步骤2、将步骤1中采集到的磁通密度数据通过无线数据传输模块保存到远程计算机数据库中。数据库中包含非工作状态下和工作状态下多种情况的磁通密度数据。
步骤3、故障计算模块获取步骤2中数据库的磁通密度数据，通过比较实时检测的磁通密度信号与无故障状态下磁通密度信号的幅值差异，判断故障是否存在。
步骤4、将步骤3中的故障状态下的磁通密度数据发送到显示模块中，通过成像算法显示故障大小和位置，并通过报警装置提醒工作人员。
步骤5、多次巡检后，数据量不断增多，深度学习神将网络对故障存在时的数据进行预处理、特征提取和训练等操作后，对故障进行分类，并可以实时预测太阳能电池板的运行效率，最后将故障类型和运行效率信息发送到显示模块。
9.根据权利要求8所述的太阳能电池板故障检测与运行效率预测方法，其特征在于，所述的深度学习神经网络分为故障分类和运行效率预测功能，需要使用多种不同类型神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010494229.0A CN111565024A (zh) | 2020-06-03 | 2020-06-03 | 一种太阳能电池板故障检测与运行效率预测装置和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010494229.0A CN111565024A (zh) | 2020-06-03 | 2020-06-03 | 一种太阳能电池板故障检测与运行效率预测装置和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111565024A true CN111565024A (zh) | 2020-08-21 |
Family
ID=72073710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010494229.0A Pending CN111565024A (zh) | 2020-06-03 | 2020-06-03 | 一种太阳能电池板故障检测与运行效率预测装置和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111565024A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112394292A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院上海硅酸盐研究所 | 电池故障动态检测系统 |
| CN112488340A (zh) * | 2020-12-18 | 2021-03-12 | 无锡挚达物联科技有限公司 | 基于深度学习的智能储能控制方法、装置及存储介质 |
| CN116413332A (zh) * | 2023-06-12 | 2023-07-11 | 中国石油大学(华东) | 水下结构裂纹柔性阵列监测探头 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006037586A1 (de) * | 2006-08-11 | 2008-02-28 | Solarwatt Ag | Vorrichtung und Verfahren zur Untersuchung der Stromflussverteilung in Solarzellen und Solarmodulen |
| CN109525194A (zh) * | 2018-10-15 | 2019-03-26 | 上海交通大学 | 光伏板故障光斑检测识别方法和系统 |
| CN109635483A (zh) * | 2018-12-24 | 2019-04-16 | 上海商然数据服务有限公司 | 一种基于电磁检测的电机和泵故障预测分析系统 |
| CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
| KR102074707B1 (ko) * | 2018-10-20 | 2020-02-14 | 주식회사 지농 | 태양전지판를 이용한 일사량 측정 장치 및 그를 이용한 일사량측정방법 |
-
2020
- 2020-06-03 CN CN202010494229.0A patent/CN111565024A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006037586A1 (de) * | 2006-08-11 | 2008-02-28 | Solarwatt Ag | Vorrichtung und Verfahren zur Untersuchung der Stromflussverteilung in Solarzellen und Solarmodulen |
| CN109525194A (zh) * | 2018-10-15 | 2019-03-26 | 上海交通大学 | 光伏板故障光斑检测识别方法和系统 |
| KR102074707B1 (ko) * | 2018-10-20 | 2020-02-14 | 주식회사 지농 | 태양전지판를 이용한 일사량 측정 장치 및 그를 이용한 일사량측정방법 |
| CN109635483A (zh) * | 2018-12-24 | 2019-04-16 | 上海商然数据服务有限公司 | 一种基于电磁检测的电机和泵故障预测分析系统 |
| CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112394292A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院上海硅酸盐研究所 | 电池故障动态检测系统 |
| CN112394292B (zh) * | 2020-11-16 | 2022-01-04 | 中国科学院上海硅酸盐研究所 | 电池故障动态检测系统 |
| CN112488340A (zh) * | 2020-12-18 | 2021-03-12 | 无锡挚达物联科技有限公司 | 基于深度学习的智能储能控制方法、装置及存储介质 |
| CN116413332A (zh) * | 2023-06-12 | 2023-07-11 | 中国石油大学(华东) | 水下结构裂纹柔性阵列监测探头 |
| CN116413332B (zh) * | 2023-06-12 | 2023-09-08 | 中国石油大学(华东) | 水下结构裂纹柔性阵列监测探头 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111565024A (zh) | 一种太阳能电池板故障检测与运行效率预测装置和方法 | |
| CN106049210B (zh) | 一种轨道状态智能检测平台 | |
| CN201429413Y (zh) | 高速列车受电弓状态在线式自动检测系统 | |
| CN111965246B (zh) | 一种基于多信息融合的刮板机故障检测方法及其检测系统 | |
| CN106774322B (zh) | 一种光伏电站巡检系统及其运行方法 | |
| CN106160659B (zh) | 一种光伏电站区域定向故障诊断方法 | |
| CN101833099B (zh) | 直升机巡检电力线路的锁定跟踪方法 | |
| CN109396954B (zh) | 嵌入式主轴系统异常状态智能检测和信息推送装置 | |
| CN111754483A (zh) | 一种基于热像仪进行异常设备识别的方法及系统 | |
| CN202583081U (zh) | 一种轨道交通隧道壁破损识别装置 | |
| CN112466000A (zh) | 一种基于电力巡检机器人的巡检系统及巡检控制方法 | |
| CN102538762A (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其构成的高铁接触网检测系统 | |
| CN111426461B (zh) | 机械零部件关键部位剩余疲劳寿命智能监测传感系统及设计方法 | |
| CN110213542A (zh) | 一种基于物联网大数据的基坑综合在线监测云平台系统 | |
| CN104410820A (zh) | 一种车载轨旁设备箱盒及线缆外观检测系统 | |
| CN111046761B (zh) | 基于多传感信息融合的皮带载荷分布检测系统及检测方法 | |
| CN113160447A (zh) | 一种智能巡检方法及巡检系统 | |
| CN113371028A (zh) | 一种电客车载轨道智能巡检系统及方法 | |
| CN110428398A (zh) | 一种基于深度学习的高铁接触网拉线缺陷检测方法 | |
| CN113869196A (zh) | 一种基于激光点云数据多特征分析的车型分类方法及装置 | |
| CN211529214U (zh) | 一种管线巡检装置 | |
| CN111652191A (zh) | 一种基于陆空两级光伏发电系统的故障检测方法及系统 | |
| CN117213621A (zh) | 一种接触网振动定点监测系统及监测方法 | |
| CN207540585U (zh) | 一种输电塔线的风致动力效应远程监测系统 | |
| CN203376876U (zh) | 一种基于图像分析的停车场空余车位数据采集系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |