CN111652191A - 一种基于陆空两级光伏发电系统的故障检测方法及系统 - Google Patents
一种基于陆空两级光伏发电系统的故障检测方法及系统 Download PDFInfo
- Publication number
- CN111652191A CN111652191A CN202010612237.0A CN202010612237A CN111652191A CN 111652191 A CN111652191 A CN 111652191A CN 202010612237 A CN202010612237 A CN 202010612237A CN 111652191 A CN111652191 A CN 111652191A
- Authority
- CN
- China
- Prior art keywords
- fault
- power generation
- photovoltaic power
- generation system
- optimal path
- 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 97
- 238000010248 power generation Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005401 electroluminescence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000005424 photoluminescence Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000001028 reflection method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供一种基于陆空两级光伏发电系统的故障检测方法及系统,该方法包括:获取包括光伏发电系统的故障数据以及正常数据的数据集;将数据集中的数据进行随机分类,得到训练集和测试集;基于训练集和最优路径森林算法,得到最优路径森林模型;基于测试集和最优路径森林模型,得到准确度最优的路径森林模型;获取光伏测量平台实时采集的数据;基于准确度最优的路径森林模型,对光伏测量平台实时采集的数据进行分析处理,若检测到有故障发生,上位机将检测到的故障位置信息发送给无人机;接收故障位置信息的无人机自动进行路线规划,根据路线规划算法求得最优路径。本发明提出了陆空两级对光伏发电系统检测的方法,提高了检测故障的准确性及效率。
Description
技术领域
本发明涉及光伏发电系统的故障检测技术领域,具体而言,尤其涉及一种基于陆空两级光伏发电系统的故障检测方法及系统。
背景技术
随着化石能源的消耗和环境问题的日益突出,寻找和利用新能源已成为当今世界的一大研究热点。太阳能光伏发电以其零污染、可持续、可靠性高、灵活性好等优点受到越来越多的关注,目前世界许多国家都建立了大型光伏电站,近几年来我国的光伏发电发展也十分迅速,有着良好的发展前景。在光伏电站投入运行以后,光伏阵列的故障主要有以下四种:热斑现象、因光伏电池组件老化导致光伏阵列失配现象、因接线盒错误导致的光伏电池组件开路或短路、光伏电池组件的碎裂。这几大类故障严重影响了光伏发电站的正常工作,降低了发电效率,甚至会威胁到光伏组件的安全。目前光伏阵列的故障检测已在实验环境下研究出了一些解决方法,但现有的理论检测技术要么与实际应用脱节,要么或多或少有一定的缺陷,并不能完全满足大型光伏电站以及人工较难到达的区域(高层建筑物楼顶)的故障检测需求。目前国内的大部分大型光伏电站还采用的是效率低下、工作量巨大的人工定期排查的方法。大型光伏电站的故障检测技术空白亟需填补。
随着新能源产业的不断发展,光伏、建筑一体化和光伏并网发电将成为世纪最重要的新兴产业之一。而对于能有效检测和排除光伏列阵的故障是保证光伏板正常工作的前提。目前光伏阵列的故障检测方法主要有人工目视检测法、红外图像检测法、电信号检测法、光致发光成像检测法和电致发光成像检测法等。但是,现有光伏阵列的故障检测的主要方法不同程度的存在一定的缺点和不足:
人工目视检测法,通过直接的用人眼视觉或者借助一些光学设,如放大镜、显微镜等来观察光伏板是否发生损坏的方法。由于没有更为经济实用的检测方法,如今在光伏发电系统中大多采用人工定期检测的方法。此种方法不仅效率比较低,实时性差,还存在漏检故障的情况。
红外图像检测法,主要利用正常与故障的光伏组件在工作时存在温差,在光伏阵列前安装红外成像仪或利用无人机携带热成像相机在空中捕捉光伏组件的红外图像,通过红外图像处理提取故障特征来识别故障光伏组件。但这种方法成本过高,实时性不好且一般只能用于识别热斑现象。
多传感器方法,通过在光伏阵列中安装传感器,以此来获得光伏阵列中相关的数据,并进行处理,从而判定故障。但这种方法操作过于复杂,需要设备停止运行才能检测。
电信号检测法、时域反射法,通过向光伏电池组件中注入高频信号,然后根据反射信号的不同变化来进行光伏阵列的故障检测与定位。另外,还可以根据故障状态下光伏阵列的电流和电压变化对光伏阵列的故障点进行检测。
光致发光成像检测法,通过研究太阳能电池片被激发后能级跃迁和导电率存在的差异性为原理进行检测。由于该方法在检测过程中需要使用激光发生装置,成本较高,且该方法能检测到的缺陷类型较少,因此不适用于大规模光伏发电系统的故障检测。
电致发光成像检测法,与光致发光成像检测法的原理相似,它是通过在太阳能电池片上加载一定的偏置电压一段时间以后,电池片会辐射出微弱的红外荧光,从而得到太阳能电池片的电致发光图像。通过对太阳能电池片的发光特性的判断识别出故障光伏板。但是由于在该方法中电池片辐射出的红外荧光非常微弱,容易造成检测的精确度不高,并且该方法在检测过程中的操作复杂,费时费力,因此不适用于光伏发电系统的故障检测。
发明内容
根据上述提出的技术问题,本发明提出了陆空两级对光伏发电系统检测的方法,提高检测故障的准确性及效率。陆地上检测主要基于计算机进行检测,此方法具有实时性优良的特点,具备快速检测、诊断和报警的能力,能及时为无人机提供故障发生的大致位置。空中检测主要是运用无人机进行图像采集,上位机对无人机采集的图像进行处理与分析,能够实现对光伏板的工作状态进行识别,识别精度高,能准确判断出故障类型。两种方式的结合可以大幅提高光伏发电系统故障检测的效率。
本发明采用的技术手段如下:
一种基于陆空两级光伏发电系统的故障检测方法,包括:
获取包括光伏发电系统的故障数据以及正常数据的数据集;
将数据集中的数据进行随机分类,得到训练集和测试集;
基于训练集和最优路径森林算法,得到最优路径森林模型;
基于测试集和所述最优路径森林模型,得到准确度最优的路径森林模型;
获取光伏测量平台实时采集的数据;
基于准确度最优的路径森林模型,对所述光伏测量平台实时采集的数据进行分析处理,如果检测到有故障发生,上位机将检测到的故障位置信息发送给无人机;
接收所述故障位置信息的无人机自动进行路线规划,根据路线规划算法求得最优路径。
进一步地,所述方法还包括:
无人机按照规划好的最优路径飞行至故障点,进行图像采集并将采集的图像传送给上位机进行分析,运用图像处理的通用算法判断该点是否存在故障,并得出故障类型,同时,发送信息至无人机表示该故障点图像检测完成。
进一步地,所述方法还包括:
无人机在工作时实时判断与自动充电点的距离,当无人机电量低至只能满足返回自动充电点时,无人机自动返回,精确定点降落和自动充电,充电完成后,无人机按照规划好的最优路径飞行至下一个故障点。
进一步地,所述基于训练集和最优路径森林算法,得到最优路径森林模型,包括:
将所述训练集代入最优路径森林算法中,生成完全图,所述最优路径森林算法根据完全图自动进行分类,得到最优路径森林模型。
本发明还提供了一种基于陆空两级光伏发电系统的故障检测系统,包括:地面平台检测模块和图像检测模块;
所述地面平台检测模块,用于获取包括光伏发电系统的故障数据以及正常数据的数据集;将数据集中的数据进行随机分类,得到训练集和测试集;基于训练集和最优路径森林算法,得到最优路径森林模型;基于测试集和所述最优路径森林模型,得到准确度最优的路径森林模型;
所述图像检测模块,用于获取光伏测量平台实时采集的数据;基于准确度最优的路径森林模型,对所述光伏测量平台实时采集的数据进行分析处理,如果检测到有故障发生,上位机将检测到的故障位置信息发送给无人机;接收所述故障位置信息的无人机自动进行路线规划,根据路线规划算法求得最优路径。
进一步地,所述地面平台检测模块还包括家庭光伏发电系统电压电流测量平台,所述家庭光伏发电系统电压电流测量平台包括电性连接的电压电流测量模块、继电器模块、太阳能控制器模块,检测时,通过控制继电器模块的通断,实现电压电流模块对开路电压,短路电流,最大功率点处的电压、电流、功率的测量。
进一步地,所述家庭光伏发电系统电压电流测量平台还设置有温度传感器和光强传感器,用于实时检测温度。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有包括计算机程序,其中,所述计算机程序运行时,执行上述基于陆空两级光伏发电系统的故障检测方法。
较现有技术相比,本发明具有以下优点:
1、本发明提供的基于陆空两级光伏发电系统的故障检测方法,能够提高检测故障的准确性及效率。陆地上检测主要基于计算机进行检测,此方法具有实时性优良的特点,具备快速检测、诊断和报警的能力,能及时为无人机提供故障发生的大致位置。空中检测主要是运用无人机进行图像采集,上位机对无人机采集的图像进行处理与分析,能够实现对光伏板的工作状态进行识别,识别精度高,能准确判断出故障类型。
2、本发明提供的基于陆空两级光伏发电系统的故障检测方法,采用常规定期巡测与发现故障检测相结合的方法,大大提高检测光伏发电系统故障的能力。
3、本发明提供的基于陆空两级光伏发电系统的故障检测系统,其图像检测模块(无人机)自动进行路线规划,实现“飞行智能化”。无人机在接收到计算机传来的检测区域的信号时能够实现自动路线规划进行检测,并能在执行任务过程中能自动规划到充电点的路径。当电量减小到只能满足返回充电点的需求时无人机自动返航进行充电,准备下一次检测。无人机路径规划的全自动化,不仅能提高故障检测的效率,也使得地面工作人员不用再对飞行中的无人机进行额外操作,减少了工作负担,精简了工作流程。
4、本发明提供的基于陆空两级光伏发电系统的故障检测方法,其故障识别结合了图像处理、神经网络、数据挖掘和机器学习等方法,大幅提高光伏发电系统故障检测准确度。无人机在飞行过程中,实时对伏发电系统的状况进行分析。通过与已建立的数据库的信息进行比对,判断故障发生点,并及时反馈给计算机主机,时效性好,能够及时通知维修人员进行处理,减少了电能损失。
基于上述理由本发明可在光伏发电系统的故障检测等领域广泛推广。
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做以简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的陆地检测方法流程图。
图2为本发明实施例提供的空中图像检测方法流程图。
图3为本发明实施例提供的家庭光伏发电系统电压电流测量平台结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
如图1所示,本发明提供了一种基于陆空两级光伏发电系统的故障检测方法,该方法包括陆地检测和空中图像检测两部分,具体的:
陆地检测部分包括如下步骤:
S101、获取包括光伏发电系统的故障数据以及正常数据的数据集;
光伏发电系统的故障数据以及正常数据主要是运用一些测量装置采集光伏发电系统在不同温度,不同光照强度情况下的各种故障及正常情况下的数据。
S102、将数据集中的数据进行随机分类,得到训练集和测试集;
随机分类主要是对正常数据和故障数据进行标号,将标号后的数据随机分成两组,即训练集和测试集;
S103、基于训练集和最优路径森林算法,得到最优路径森林模型;
所述基于训练集和最优路径森林算法,得到最优路径森林模型,包括:
将所述训练集代入最优路径森林算法中,生成完全图,所述最优路径森林算法根据完全图自动进行分类,得到最优路径森林模型。
S104、基于测试集和所述最优路径森林模型,得到准确度最优的路径森林模型;
运用测试集检测所述最优路径森林模型的准确程度,通过不断反复的重复以上过程,得到准确度最优的路径森林模型;
如图2所示,空中图像检测部分包括如下步骤:
S201、获取光伏测量平台实时采集的数据;
S202、基于准确度最优的路径森林模型,对所述光伏测量平台实时采集的数据进行分析处理,如果检测到有故障发生,上位机将检测到的故障位置信息发送给无人机;
S203、接收所述故障位置信息的无人机自动进行路线规划,根据路线规划算法求得最优路径。
S204、无人机按照规划好的最优路径飞行至故障点,进行图像采集并将采集的图像传送给上位机进行分析,运用图像处理的通用算法判断该点是否存在故障,并得出故障类型,同时,发送信息至无人机表示该故障点图像检测完成。地面工作人员再根据无人机返回的计算机中得到的故障信息进行故障维修。
S205、无人机在工作时实时判断与自动充电点的距离,当无人机电量低至只能满足返回自动充电点时,无人机自动返回,精确定点降落和自动充电,充电完成后,无人机按照规划好的最优路径飞行至下一个故障点。
实施例2
本发明提供了一种基于陆空两级光伏发电系统的故障检测方法,该方法主要应用于家庭光伏发电系统,对家庭光伏发电系统进行故障诊断时,由于经济成本的限制,不可能像光伏发电厂一样设计集成化的检测设备,而且家庭的用电无需将光伏发电系统产生的直流转化为交流,可以直接利用直流进行供电。针对家庭光伏发电系统的故障检测方法同样包括陆地检测和空中检测两部分,具体的:
陆地检测部分包括如下步骤:
S301、获取包括家庭光伏发电系统的故障数据以及正常数据的数据集;
家庭光伏发电系统的故障数据以及正常数据主要是通过控制继电器的通断,电压电流模块对开路电压,短路电流,最大功率点处的电压、电流、功率进行测量得到的数据,以及光强传感器以及温度传感器测量得到的数据。
S302、将数据集中的数据进行随机分类,得到训练集和测试集;
随机分类主要是对正常数据和故障数据进行标号,将标号后的数据随机分成两组,即训练集和测试集;
S303、基于训练集和最优路径森林算法,得到最优路径森林模型;
所述基于训练集和最优路径森林算法,得到最优路径森林模型,包括:
将所述训练集代入最优路径森林算法中,生成完全图,所述最优路径森林算法根据完全图自动进行分类,得到最优路径森林模型。
S304、基于测试集和所述最优路径森林模型,得到准确度最优的路径森林模型;
运用测试集检测所述最优路径森林模型的准确程度,通过不断反复的重复以上过程,得到准确度最优的路径森林模型;
空中图像检测部分包括如下步骤:
S401、获取光伏测量平台实时采集的数据;
S402、基于准确度最优的路径森林模型,对所述光伏测量平台实时采集的数据进行分析处理,如果检测到有故障发生,上位机将检测到的故障位置信息发送给无人机;
S403、接收所述故障位置信息的无人机自动进行路线规划,根据路线规划算法求得最优路径。
S404、无人机按照规划好的最优路径飞行至故障点,进行图像采集并将采集的图像传送给上位机进行分析,运用图像处理的通用算法判断该点是否存在故障,并得出故障类型,同时,发送信息至无人机表示该故障点图像检测完成。地面工作人员再根据无人机返回的计算机中得到的故障信息进行故障维修。
S405、无人机在工作时实时判断与自动充电点的距离,当无人机电量低至只能满足返回自动充电点时,无人机自动返回,精确定点降落和自动充电,充电完成后,无人机按照规划好的最优路径飞行至下一个故障点。
以上所述的基于陆空两级光伏发电系统的故障检测的方法在运行中分两种模式:
第一种模式:发现故障检测
主要运用计算机检测实时检测故障,当计算机检测到故障后,交给无人机进行实地图像采集诊断的检测方式。计算机检测实际是对故障信息的初步判断,为了增强故障诊断的准确程度,运用无人机图像采集以及上位机的图像处理,对故障进行进一步判断。大大增强故障诊断的可靠性。
第二种模式:常规定期巡检
有些故障运用地面平台检测,可能会存在识别不出来的情况。因此在运用中,光伏发电系统工作一段时间后,通过手动启动无人机常规巡检功能,将光伏发电系统所有区域得位置信息发送给无人机,无人机自动通过图像检测中的步骤对所有光伏板进行故障检测。
本发明还提供了一种基于陆空两级光伏发电系统的故障检测系统,包括:地面平台检测模块和图像检测模块;
所述地面平台检测模块,用于获取包括光伏发电系统的故障数据以及正常数据的数据集;将数据集中的数据进行随机分类,得到训练集和测试集;基于训练集和最优路径森林算法,得到最优路径森林模型;基于测试集和所述最优路径森林模型,得到准确度最优的路径森林模型;
所述图像检测模块,用于获取光伏测量平台实时采集的数据;基于准确度最优的路径森林模型,对所述光伏测量平台实时采集的数据进行分析处理,如果检测到有故障发生,上位机将检测到的故障位置信息发送给无人机;接收所述故障位置信息的无人机自动进行路线规划,根据路线规划算法求得最优路径。
优选的,所述地面平台检测模块还包括家庭光伏发电系统电压电流测量平台,如图3所示,所述家庭光伏发电系统电压电流测量平台包括电性连接的电压电流测量模块、继电器模块(继电器1、继电器2)、太阳能控制器模块(MPPT控制器),所述家庭光伏发电系统电压电流测量平台还设置有温度传感器和光强传感器,用于实时检测温度。其中,太阳能控制器模块的作用是在继电器1断开,继电器2闭合时,通过boost电路实现最大功率的跟踪。一方面可以帮助测量在最大功率点的特征参数,另一方面可以加大光伏发电系统的发电效率。检测时,通过控制继电器模块的通断,实现电压电流模块对开路电压,短路电流,最大功率点处的电压、电流、功率的测量。通过温度传感器和光强传感器测量出此时的光照强度和温度。将以上数据信息代入到准确度最优的路径森林模型中,判断光伏发电系统是正常,开路,短路,碎裂,遮阴还是组件老化。并且记录发生故障的线路位置,将位置信息发送给无人机。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于陆空两级光伏发电系统的故障检测方法,其特征在于,所述方法包括:
获取包括光伏发电系统的故障数据以及正常数据的数据集;
将数据集中的数据进行随机分类,得到训练集和测试集;
基于训练集和最优路径森林算法,得到最优路径森林模型;
基于测试集和所述最优路径森林模型,得到准确度最优的路径森林模型;
获取光伏测量平台实时采集的数据;
基于准确度最优的路径森林模型,对所述光伏测量平台实时采集的数据进行分析处理,如果检测到有故障发生,上位机将检测到的故障位置信息发送给无人机;
接收所述故障位置信息的无人机自动进行路线规划,根据路线规划算法求得最优路径。
2.根据权利要求1所述的基于陆空两级光伏发电系统的故障检测方法,其特征在于,所述方法还包括:
无人机按照规划好的最优路径飞行至故障点,进行图像采集并将采集的图像传送给上位机进行分析,运用图像处理的通用算法判断该点是否存在故障,并得出故障类型,同时,发送信息至无人机表示该故障点图像检测完成。
3.根据权利要求1或2所述的基于陆空两级光伏发电系统的故障检测方法,其特征在于,所述方法还包括:
无人机在工作时实时判断与自动充电点的距离,当无人机电量低至只能满足返回自动充电点时,无人机自动返回,精确定点降落和自动充电,充电完成后,无人机按照规划好的最优路径飞行至下一个故障点。
4.根据权利要求1所述的基于陆空两级光伏发电系统的故障检测方法,其特征在于,所述基于训练集和最优路径森林算法,得到最优路径森林模型,包括:
将所述训练集代入最优路径森林算法中,生成完全图,所述最优路径森林算法根据完全图自动进行分类,得到最优路径森林模型。
5.一种基于陆空两级光伏发电系统的故障检测系统,其特征在于,所述系统包括:地面平台检测模块和图像检测模块;
所述地面平台检测模块,用于获取包括光伏发电系统的故障数据以及正常数据的数据集;将数据集中的数据进行随机分类,得到训练集和测试集;基于训练集和最优路径森林算法,得到最优路径森林模型;基于测试集和所述最优路径森林模型,得到准确度最优的路径森林模型;
所述图像检测模块,用于获取光伏测量平台实时采集的数据;基于准确度最优的路径森林模型,对所述光伏测量平台实时采集的数据进行分析处理,如果检测到有故障发生,上位机将检测到的故障位置信息发送给无人机;接收所述故障位置信息的无人机自动进行路线规划,根据路线规划算法求得最优路径。
6.根据权利要求5所述的基于陆空两级光伏发电系统的故障检测系统,其特征在于,所述地面平台检测模块还包括家庭光伏发电系统电压电流测量平台,所述家庭光伏发电系统电压电流测量平台包括电性连接的电压电流测量模块、继电器模块、太阳能控制器模块,检测时,通过控制继电器模块的通断,实现电压电流模块对开路电压,短路电流,最大功率点处的电压、电流、功率的测量。
7.根据权利要求5所述的基于陆空两级光伏发电系统的故障检测系统,其特征在于,所述家庭光伏发电系统电压电流测量平台还设置有温度传感器和光强传感器,用于实时检测温度。
8.一种存储介质,其特征在于,所述计算机可读存储介质中存储有包括计算机程序,其中,所述计算机程序运行时,执行所述权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612237.0A CN111652191A (zh) | 2020-06-30 | 2020-06-30 | 一种基于陆空两级光伏发电系统的故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612237.0A CN111652191A (zh) | 2020-06-30 | 2020-06-30 | 一种基于陆空两级光伏发电系统的故障检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652191A true CN111652191A (zh) | 2020-09-11 |
Family
ID=72350463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010612237.0A Pending CN111652191A (zh) | 2020-06-30 | 2020-06-30 | 一种基于陆空两级光伏发电系统的故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652191A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112910410A (zh) * | 2021-01-21 | 2021-06-04 | 合肥工业大学 | 一种光伏发电站热斑效应监测系统 |
CN112923928A (zh) * | 2021-01-29 | 2021-06-08 | 江苏提米智能科技有限公司 | 一种基于图像识别的光伏板导航方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107579707A (zh) * | 2017-10-13 | 2018-01-12 | 江苏大学 | 一种基于参数辨识的光伏阵列故障诊断方法 |
KR20180046177A (ko) * | 2016-10-27 | 2018-05-08 | 전주비전대학교산학협력단 | 드론과 gis를 사용한 이상 발열 태양광 모듈 검출 방법 |
CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 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 |
CN109034220A (zh) * | 2018-07-13 | 2018-12-18 | 福州大学 | 一种基于最优旋转森林的智能光伏阵列故障诊断方法 |
US20200103894A1 (en) * | 2018-05-07 | 2020-04-02 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for computerized maintenance management system using the industrial internet of things |
-
2020
- 2020-06-30 CN CN202010612237.0A patent/CN111652191A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180046177A (ko) * | 2016-10-27 | 2018-05-08 | 전주비전대학교산학협력단 | 드론과 gis를 사용한 이상 발열 태양광 모듈 검출 방법 |
CN107579707A (zh) * | 2017-10-13 | 2018-01-12 | 江苏大学 | 一种基于参数辨识的光伏阵列故障诊断方法 |
CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 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 |
US20200103894A1 (en) * | 2018-05-07 | 2020-04-02 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for computerized maintenance management system using the industrial internet of things |
CN109034220A (zh) * | 2018-07-13 | 2018-12-18 | 福州大学 | 一种基于最优旋转森林的智能光伏阵列故障诊断方法 |
Non-Patent Citations (6)
Title |
---|
刘倩;李正飞;陈焕新;王誉舟;徐畅;: "基于最大相关最小冗余-随机森林算法的多联机系统在线故障诊断策略研究", 制冷技术, no. 06 * |
宋雷震;吕东芳;: "无人飞行器自动巡检光伏板建模智能系统", 兰州文理学院学报(自然科学版), no. 02 * |
沈龙凤;宋万干;葛方振;李想;杨忆;刘怀愚;高向军;洪留荣;: "最优路径森林分类算法综述", 计算机应用研究, no. 01 * |
陈启鑫;郑可迪;康重庆;皇甫奋宇;: "异常用电的检测方法:评述与展望", 电力系统自动化, no. 17 * |
陈明澍;: "用于光伏厂智能巡检的红外式无人机系统设计", 仪器仪表用户, no. 03, pages 28 - 32 * |
黄东风;姚烨彬;朱正菲;: "浅谈国际上光伏发电故障诊断的统计分析方法", 能源与环境, no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112910410A (zh) * | 2021-01-21 | 2021-06-04 | 合肥工业大学 | 一种光伏发电站热斑效应监测系统 |
CN112923928A (zh) * | 2021-01-29 | 2021-06-08 | 江苏提米智能科技有限公司 | 一种基于图像识别的光伏板导航方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108964606B (zh) | 一种光伏系统热斑故障检测方法 | |
CN106774322B (zh) | 一种光伏电站巡检系统及其运行方法 | |
CN106688176A (zh) | 具有故障诊断装置的光伏发电系统及其故障诊断方法 | |
CN106160659B (zh) | 一种光伏电站区域定向故障诊断方法 | |
CN105263000A (zh) | 基于无人机载双相机的大型光伏电站巡检装置 | |
CN111754483A (zh) | 一种基于热像仪进行异常设备识别的方法及系统 | |
CN112163018A (zh) | 确定光伏组件的生命周期的方法、装置及系统 | |
EP1883976A2 (en) | Energy generating device and method | |
CN103166240A (zh) | 并网太阳能光伏电站监测系统 | |
CN114898232B (zh) | 基于光伏组串数据分析的光伏电站无人机巡检方法及系统 | |
CN115133874A (zh) | 一种无人机联动巡查光伏电站故障检测的方法及系统 | |
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 | |
CN105262441B (zh) | 基于红外图像的光伏阵列故障等级划分方法 | |
CN106067760A (zh) | 一种基于云平台的光伏电源监控系统 | |
CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
CN115173550A (zh) | 一种分布式光伏发电实时监控方法和系统 | |
CN207703960U (zh) | 一种变电站巡检机器人 | |
CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断系统及方法 | |
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 | |
CN114895712A (zh) | 一种用于光伏发电设备大范围巡检方法及系统 | |
CN106603002A (zh) | 一种光伏电站故障检测系统 | |
CN117332920A (zh) | 一种新能源场站运行故障演化分析方法 | |
CN215987376U (zh) | 一种基于双光技术的光伏组件热斑无人机自动检测系统 | |
CN116365705A (zh) | 一种光伏组件故障实时监测方法及系统 | |
Li et al. | Research and application of photovoltaic power station on-line hot spot detection operation and maintenance system based on unmanned aerial vehicle infrared and visible light detection |
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 |