CN112801329A - 结合因子隐藏式马可夫模型与发电量预测的太阳能板发电系统异常诊断分析装置与方法 - Google Patents
结合因子隐藏式马可夫模型与发电量预测的太阳能板发电系统异常诊断分析装置与方法 Download PDFInfo
- Publication number
- CN112801329A CN112801329A CN201911200773.3A CN201911200773A CN112801329A CN 112801329 A CN112801329 A CN 112801329A CN 201911200773 A CN201911200773 A CN 201911200773A CN 112801329 A CN112801329 A CN 112801329A
- Authority
- CN
- China
- Prior art keywords
- current
- power generation
- module
- values
- voltage
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 108
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002354 daily effect Effects 0.000 description 12
- 238000005290 field theory Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000003203 everyday effect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Ecology (AREA)
- General Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Environmental Sciences (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
一种发电系统异常诊断分析装置,用以诊断由多个模块串列并联而成的太阳能板发电系统,该分析装置包括:一总电流检测模块提供一总电流时序数据与观测电压;一环境信息模块提供环境信息;一FHMM演算模块对该时序数据进行FHMM演算得到多组第一串列电流推论值,并依据该环境信息与电流电压历史数据库,自多组第一串列电流推论值筛选出一组第二串列电流推论值;一数据库建置模块,记录该观测电压和该组第二串列电流推论值;一用户反馈模块依据该组第二串列电流推论值及该观测电压值决定是否发出异常警示。
Description
【技术领域】
本发明是有关于一种太阳能板发电系统监视方法,该太阳能板发电系统具有多个并联的太阳能发电模块;本方法只需要一个电压/电流计量测该多个并联太阳能发电模块输出总电流大小与电压,就能预测各个太阳能发电模块发电状态。
【背景技术】
请参照图1A,其绘示一传统太阳能板发电系统,该太阳能板发电系统具有四个并联的太阳能发电模块串列(module series);其中每个模块串列内部更具有多个太阳能电池模块(module)并联或串联在模块中来发电,每个太阳能发电模块串列各别输出12V-5A电流;4个模块串列并联输出12V-20A电流后,经由充电管理器12控制来对电池10充电。
如此当该多个太阳能电池模块其中之一故障或老化,导致最后并联输出的整个发电系统输出总电力下降时,维修员需逐一检查是四个太阳能发电模块串列中的哪个模块串列出现问题,如此维修工程十分繁琐耗时。
另一方面,若预先在四个太阳能发电模块串列上预先各别安装四个电表直接量测各个发电模块串列的输出电流,即可迅速得知是哪个发电模块串列故障,但如此成本相当高昂。
【发明内容】
本发明是有关于一种结合因子隐藏式马可夫模型FHMM(Factorial HiddenMarkov Model))与发电量预测的太阳能板发电系统异常诊断分析技术,通过直流汇流箱输出电量数据,使用FHMM模型进行非监督式学习,并分析每个模块串列逐时运作状态;利用前述结果并辅以日照强度气温等天气信息,分析每个模块串列的发电量是否为合理输出,进而反馈太阳能电厂维运商进一步诊断。
根据本发明的第一方面,提出一种发电系统异常诊断分析装置,用以诊断分析一太阳能板发电系统,该太阳能板发电系统包含多个太阳能发电模块串列,该多个太阳能发电模块串列并联输出一总电流,该异常诊断分析装置包括:一总电流检测模块,检测该总电流并输出一时间序列数据与一观测电压;一环境信息模块,提供该太阳能板发电系统所在位置的一环境信息;一FHMM演算模块,针对该时间序列数据,进行FHMM演算而得到多组第一串列电流推论值,并依据该环境信息模块所提供的该环境信息与一电流电压历史数据库,自该多组第一串列电流推论值筛选出一组第二串列电流推论值;一数据库建置模块,记录该观测电压和该组第二串列电流推论值,以更新该电流电压历史数据库;和一用户反馈模块,将该组第二串列电流推论值及该观测电压值与该电流电压历史数据库作比较以决定是否发出一异常警示。
根据本发明的一实施例,其特征在于,该环境信息至少包括一日照强度状态,当自该多组第一串列电流推论值筛选出该组第二串列电流推论值时,是比对该电流电压历史数据库中接近该日照强度状态的电流电压值。
根据本发明的一实施例,其特征在于,该环境信息至少包括一气温状态,当自该多组第一串列电流推论值筛选出该组第二串列电流推论值时,是比对该电流电压历史数据库中接近该气温状态的电流电压值。
根据本发明的一实施例,其特征在于,当自该多组第一串列电流推论值筛选出一组第二串列电流推论值时是使用至少两个相似度筛选算法,累计该至少两个相似度筛选算法结果作为相似度计算指标;其中该至少两个相似度筛选算法包含:K-近邻、内积相似矩阵、高斯核心与欧式距离四种演算法中的至少两种。
根据本发明的一实施例,其特征在于,该电流电压历史数据库显示该多个模块串列中的第X个具有一第一每日低发电时段T(X),该多个模块串列中的第Y个具有一第二每日低发电时段T(Y);该FHMM演算模块分别在该第一每日低发电时段T(X)内和第二每日低发电时段T(Y)内至少进行一次FHMM演算,将该第一每日低发电时段T(X)内,该第二串列电流推论值中最低者对应作为该第X个模块串列的推论电流值;将该第二每日低发电时段T(Y)内,该第二串列电流推论值中最低者对应作为该第Y个模块串列的推论电流值,该第一每日低发电时段T(X)异于该第二每日低发电时段T(Y)。
根据本发明的一实施例,其特征在于,环境信息模块检测在该第一每日低发电时段T(X)内进行FHMM演算时的环境信息,该环境信息包括日照强度状态与气温状态;如此将该第X个模块串列的推论电流值及该观测电压值与该电流电压历史数据库中接近FHMM演算时的该日照强度状态与该气温状态的电流电压值作比较,以决定是否发出一第X个模块串列异常警示。
根据本发明的另一方面,提出一种发电系统异常诊断分析方法,用以诊断分析一太阳能板发电系统,该太阳能板发电系统包含多个太阳能发电模块串列,该多个太阳能发电模块串列并联输出一总电流,该异常诊断分析方法包括步骤:检测该总电流并输出一时间序列数据与一观测电压;针对该时间序列数据,进行FHMM演算而得到多组第一串列电流推论值,并依据环境信息模块所提供的一环境信息与一电流电压历史数据库,自该多组第一串列电流推论值筛选出一组第二串列电流推论值;记录该观测电压和该第二串列电流推论值,以更新该电流电压历史数据库;和将该第二串列电流推论值及该观测电压值与该电流电压历史数据库作比较以决定是否发出一异常警示。
为了对本发明的上述及其他方面有更佳的了解,下文特举实施例,并配合所附图式详细说明如下:
【附图说明】
图1A绘示传统具有四个并联太阳能发电模块串列的太阳能板发电系统架构示意图。
图1B绘示本发明异常诊断分析装置应用于传统四个并联太阳能发电模块串列的发电系统架构示意图。
图2绘示依照本发明太阳能板发电系统异常诊断分析装置架构示意图。
图3绘示依照本发明太阳能板发电系统发电异常状态分析方法流程步骤。
图4绘示依照本发明实测四并联太阳能发电模块串列的总电流图。
如图5绘示本发明有限制条件FHMM模型四个串联列在t时间点的各别状态彼此影响关系图。
【符号说明】
12:充电管理器
14:电压/电流计
20:总电流检测模块
22:环境信息模块
24:FHMM演算模块
27:数据库建置模块
28:用户反馈模块
【具体实施方式】
图1B绘示依照本发明太阳能板发电系统架构示意图,该太阳能板发电系统具有四个并联的太阳能发电模块串列MS1~MS4,四个太阳能发电模块串列MS1~MS4各别输出的电流为I1~I4;四个太阳能发电模块串列MS1~MS4并联输出一总电流I-total;在总电流I-total流经路径上设置一电压/电流计14如此以具体量测总电流/电压值。
图2绘示依照本发明太阳能板发电系统异常诊断分析装置架构示意图,异常诊断分析装置包括:总电流检测模块20,环境信息模块22,FHMM演算模块24,数据库建置模块27和用户反馈模块28。其中各模块主要功能为:总电流检测模块20包含该电压/电流计14,用以检测该总电流I-total并输出一时间序列数据与一观测电压。环境信息模块22提供该太阳能板发电系统所在位置的一环境信息。FHMM演算模块24,针对该时间序列数据,进行FHMM演算而得到多组第一串列电流推论值,并依据该环境信息模块22所提供的该环境信息与一电流电压历史数据库,自该多组第一串列电流推论值筛选出一组第二组串列电流推论值。数据库建置模块27,记录该观测电压和该组第二组串列电流推论值,以更新该电流电压历史数据库。用户反馈模块28,将该组第二组串列电流推论值及该观测电压值与该电流电压历史数据库做比较以决定是否发出一异常警示。
图3绘示依照本发明太阳能板发电系统发电异常状态分析方法,该分析方法包含步骤:(31)数据收集,(33)FHMM模型建立,(35)结合日照与负载预测选定FHMM模型,(37)电流电压曲线建模,和(39)反馈用户等步骤,详细分析方法流程步骤参照下列说明:
步骤(31)数据收集:对图1B中电压/电流计14的电流负载曲线数据进行低频取样;取得前述数据后,将其存入数据库并进行前置处理,包括:数据整合、数据清理、最大-最小标准化等步骤。假设每一分钟量测记录一笔总电流I-total值,则观测4小时后可得到共240笔总电流观测值序列{Y-total-n},n=1:240;亦即Y-total-1~Y-total-240。类似地,针对四个发电模块串列MS1~MS4,依据本发明分析方法会推估产生对应的{Yn,k},其特征在于,n=1:240代表于观察期间内的240次观察,k=1:4分别对应到四个太阳能发电模块串列MS1~MS4。
换言之,{Y-total-n},n=1:N此为总电流时间序列,Y-total-n代表于第n个时间点低频取样所量测到的总电流值。{Yn,1},n=1:N为第1个模块串列MS1流经电流的时间序列,Yn,1代表于第n个时间点流经模块串列MS1的电流值。{Yn,2}n=1:N为第2个模块串列MS2流经电流的时间序列,Yn,2代表于第n个时间点流经模块串列MS2的电流值;其余模块串列的电流值表示符号以此类推。变数N为观测时间点数量,于实施例中,是对图4的总电流波形进行低频抽样量测(每分钟量测总电流I-total一次,量测记录四小时),总共得到240个纪录时间点,故N为240次,n从1递增至240。对于所有观测时间点n,满足以下的方程式Yn,1+Yn,2+Yn,3+Yn,4=Y-total-n。
步骤(33)FHMM模型建立:以一小时60笔量测数据为例来说明,其特征在于,电流计Meter-I所能量测到的电流值{Yt}t=1:60为所得的观测值(即总电流),共有60笔。而{St}t=1:60为所谓隐藏状态值,即该电流计Meter-I所无法量测到的电流值,必需通过FHMM模型的分析来推论该隐藏状态值。于此FHMM模型中:
c)本发明的FHMM模型是有限制条件(Constrained)的,此处的限制条件是 (因为只有1(正常)或者2(不正常)两种状态);传统HMM并没有相乘在一起,但FHMM把它们相乘起来,否则若不加以限制(Constrained),即是4个平行HMM的组合,彼此4条HMM间失去彼此影响关系(factorial)的意义。如图5绘示,影响而影响然后又会共同影响Yt。
本发明的FHMM模型的转移矩阵代表:当一个串列的状态转换到下一个状态的几率;如前段所述,假设每项串列状态拥有正常与不正常两种状态,当第m个串列发电功能在t时间点正常, 或者第m个串列发电功能在t时间点为不正常,依序表示「正常->正常,正常->不正常,不正常->正常,不正常->不正常」四态样的可能几率,转移矩阵P(m)可以表示为:
因为电流计所能提供的已知观测值是发电总电流状态值Yt,故St是需要估计的值,来评估各串流列的状态是正常或不正常;亦即本发明利用FHMM模型,依据发电总电流状态值Yt值来估计各个St.值;亦即要寻找St等于什么值时,能使得该观测到的Yt值发生几率最大。故本发明要把St1~St4状态排列组合产生特定发电总电流状态值Yt的几率逐一计算出来,然后以使Yt发生几率最大的St1~St4状态排列组合推论为目前四个串流列的发电状态。
一般来说,总电流与隐藏层参数St1~St4之间的关系如下
Yn,m(Y-totaln)=P(Y-totaln|S(m)=i)
且P(Y-totaln|S(m)=i)一般建模为一个高斯分布N(Y-totaln;μm,σm)。μm与σm为总电流相对于状态S(m)=i的平均与标准差。
针对某一个观测到的电流值Yt,为了要寻找所有St状态排列组合中,何者具有能产生该电流值Yt的最高几率,故需利用贝氏定理:依据上述4a公式已知的数值反推得出:在观测到的Yt值已知先决的条件下,产生要特定值St状态排列组合的几率。
此处贝氏定理已经是指向某个串联列,所以i=1~2,依照这个几率评断串联列是否正常或故障,评估几率门槛值0.8,当贝氏定理算到的故障几率值超过0.75或0.8就被视为故障。
以下是以平均场论(Mean Field Approximation)的方式估计参数,该演算法的输入为{Y-totaln}n=1:N、串列数与S(m)状态的个数,使用Mean Field Theory的方式逼近与估近相关参数,其回传值为{μm}m=1:4、P(S(m)=1)m=1:4或是P(S(m)=2)m=1:4与转移矩阵P(m)m=1:4。
步骤(35)结合日照与负载预测,并选定FHMM模型:FHMM采用平均场论方法估计相关参数。平均场论估计参数方法,需要给定初始值,以进行演算法的演算。一般的作法为随机产生相关的初始值当成平均场论的输入值。常见的随机模型为高斯分布、随机均匀分布模型。然而,不同的初始值,即使差异不大,或多或少会影响到最终参数估计的准确性。因此,本专利提出以下方法,以提高相关准确率:(a)对于同一笔数据集,随机产生十组不同的初始值。(b)对每个初始值,进行结构化变分推断的演算,并得到十组不同的参数。(c)结合该数据集的观测日照、预估的发电量与历史数据(历史观测日照、历史预估的发电量与结构化变分推断所产生的参数),使用集成演算法搜寻最相似的参数。本专利使用:K-近邻KNN(k-nearest neighbors)、内积相似矩阵、高斯核心(Gaussian Kernel)与欧式距离四种演算法来作为相似度计算指标similarity measure,每种演算法算1分,然后累计各个Θ值所得总分,选取得分最高的Θ值(和历史数据最相似的Θ值)作为演算参数。例如:取10笔Θ值开始运算,得到10组第一串列电流推论值;扣除2个结果误差过大者后,剩下8个候选Θ值,然后取近似度最高者的Θ值作为参数,做为模拟运算的初始值,而其所对应计算所得的该组串列电流推论值也就被筛选作为一组第二串列电流推论值。
以下以图4为例说明如何以平均场论方式估计参数,执行上述(a)对于同一笔数据集,随机产生十组不同的初始值。(b)对每个初始值,进行结构化变分推断的演算,并得到十组不同的参数步骤。
图4绘示依照本发明实测一四并联太阳能发电模块串列的总电流图,图4总共有240个纪录时间点,其协方差(covariance),C,为70.5597。以平均场论演算法对图4所示的总电流图进行第1次演算,该演算法可以回传以下信息:
表一{μm}
表二P(S(m)=1)或是P(S(m)=2)
index | S<sup>(m)=</sup>1 | S<sup>(m)=</sup>2 |
m=1 | 0.5170 | 0.4830 |
m=2 | 0.4059 | 0.5941 |
m=3 | 0.6759 | 0.3241 |
m=4 | 0.8018 | 0.1982 |
转移矩阵P(m)
然后使用以下三公式分别算出四个模块串列各别串列的电流推论值。公式(a)如下,其特征在于,或数值请参阅表一查表取得,Yt是观测到的总电流值,C为前述协方差。其中i=1或2代表模块串列正常或异常两种状态;而变数m则代表四个串列,故m在1:4之间变化。:
公式(b)如下,将上式计算结果带入下式中算出在特定观测总电流值Yt值下各串列电流几率值。
公式(c)如下,将上公式(b)计算结果带入公式(c)中,计算出第一次执行平均场论方式所得到的第1组第一串列电流推论值,亦即包含四个模块串列各别的电流推论值。
接着重复以平均场论方式估计参数方法对图4所示的总电流图进行第2~10次演算,类似的该演算法可以计算出另外9组第一串列电流推论值;如此进行FHMM演算后,可以得到10组第一串列电流推论值。
以下以图4为例说明如何执行上述(c)步骤:当欲自该多组第一串列电流推论值筛选出该组第二组串列电流推论值时,是比对该电流电压历史数据库中接近该气温和日照强度状态的电流电压值;亦即依据该环境信息模块22所提供的该环境信息与一电流电压历史数据库,自该多组第一串列电流推论值筛选出一组第二串列电流推论值。
配合观测该总电流时的日照强度/气温状态,将该多组第一串列电流推论值与「该电流电压历史数据库中接近该气温/日照强度状态的对应电流电压值」作比较,选择该多组第一串列电流推论值中,与接近该气温日照强度状态的对应电流电压值相似度最高者,作为该组第二串列电流推论值。本发明使用至少两个相似度筛选算法,并累计该至少两个相似度筛选算法结果作为相似度计算指标,如此来筛选该10组第一串列电流推论值,找出相似度最高者,选择作为一组第二串列电流推论值。本发明所使用的至少两个相似度筛选算法包含:K-近邻KNN(k-nearest neighbors)、内积相似矩阵、高斯核心(Gaussian Kernel)与欧式距离四种演算法的至少2种来作为相似度计算指标(similarity measure),每种演算法算1分,然后累计10组第一串列电流推论值所得总分,选取得分最高的那组第一串列电流推论值作为第二串列电流推论值,亦即和气温日照强度状态接近的历史数据具有最高相似度者。例如:本实施例是取10笔初始参数值开始平均场论运算,可先扣除2个结果误差过大者后,剩下8组候选第一串列电流推论值,然后取近似度最高者第二串列电流推论值。
步骤(37)电流电压曲线建模:依据上述步骤推估所得的一组第二串列电流推论值虽然包含四个电流推论值I1~I4,但这四个电流推论值I1~I4和各模块串列的对应关系是不明确的,亦即不确定I1~I4是分别对应到四个模块串列中哪一个模块串列的电流值。因此需借助电流电压历史数据库来协助判断。例如:太阳能板附近可能有遮蔽物阴影会随着每天太阳持续移动而改变阴影遮蔽位置,而使得第1模块串列MS1,第2模块串列MS2和第3模块串列MS3可能分别在9:00~9:45,10:00~10:50和11:00~12:00会被阴影遮住,因此该三个模块串列分别在不同的对应时时段中,发电效率较差。如此会导致该电流电压历史数据库纪录显示:该第1模块串列具有第一每日低发电时段T(X)=9:00~9:45,该第2模块串列具有第二每日低发电时段T(Y)=10:00~10:50,而该第3模块串列具有一第三每日低发电时段T(Z)=11:00~12:00;其中各个每日低发电时段不同,例如:第一每日低发电时段T(X)异于第二每日低发电时段T(Y)。
如此该FHMM演算模块24每天在该第一每日低发电时段9:00~9:45内至少进行一次FHMM演算,然后将第一每日低发电时段T(X)内,该组第二串列电流推论值中最低者对应作为该第1个模块串列的推论电流值,并存储到电流电压历史数据库中。类似地,该FHMM演算模块24每天在该第二每日低发电时段10:00~10:50内至少进行一次FHMM演算,然后将该10:00~11:00时段T(Y)内,该第二串列电流推论值中最低者对应作为该第2个模块串列的推论电流值,并存储到电流电压历史数据库中。如此运用该多个电流电压历史数据库特性可以推论在某个特定时段内,较低电流值是对应到哪个串联列。
如此历经一段时间纪录后,数据库建置模块27存储有不同气温和日照强度下,四个模块串列各别的电流推论值。且同时将每天计算所得新增的第二串列电流推论值、新观测到电压观测值,及气温/日照强度环境信息存储到电流电压历史数据库做为新的参考数据,作为将来模拟演算时的历史数据;例如:以本实施例而言,每日至少会存储4个模块串列的推论电流值各一笔与观察总电流当时的气温/日照强度环境信息到数据库中。
步骤(39)反馈用户:当太阳能面板的串列特征显著时,即可辨视每一条的电流特征,于对应的每日低发电时段内进行一次FHMM演算,且环境信息模块22检测在该第一每日低发电时段T(X)内进行FHMM演算时的环境信息,该环境信息包括日照强度状态与气温状态;如此将演算推论所得的串列电流推论值及观测电压值与该电流电压历史数据库中接近进行该FHMM演算时的日照强度状态与气温状态的电流电压值进行比较,当相关电流值差异甚大时,即反馈用户异常示警。例如:该FHMM演算模块24在该第一每日低发电时段9:00~9:45内进行FHMM演算,然后将第一每日低发电时段T(X)内,该组第二串列电流推论值中最低者对应作为该第1个模块串列的推论电流值;且当环境信息模块22检测在9:00~9:45时段内进行FHMM演算时的日照强度状态是中度等级,而气温状态是25'C;将该第1个模块串列的推论电流值与该电流电压历史数据库中日照强度状态接近中度等级且气温状态接近25'C的电流电压值作比较,若差异超过一异常门槛值,即反馈用户异常示警。
综上所述,虽然本发明已以实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视后附的申请专利范围所界定者为准。
Claims (16)
1.一种发电系统异常诊断分析装置,其特征在于,用以诊断分析一太阳能板发电系统,该太阳能板发电系统包含多个太阳能发电模块串列,该多个太阳能发电模块串列并联输出一总电流,该异常诊断分析装置包括:
一总电流检测模块,检测该总电流并输出一时间序列数据与一观测电压;
一环境信息模块,提供该太阳能板发电系统所在位置的一环境信息;
一FHMM演算模块,针对该时间序列数据,进行FHMM演算而得到多组第一串列电流推论值,并依据该环境信息与一电流电压历史数据库,自该多组第一串列电流推论值筛选出一组第二串列电流推论值;
一数据库建置模块,记录该观测电压和该组第二串列电流推论值,以更新该电流电压历史数据库;和
一用户反馈模块,将该组第二串列电流推论值及该观测电压值与该电流电压历史数据库作比较以决定是否发出一异常警示。
2.如权利要求1所述的发电系统异常诊断分析装置,其特征在于,该环境信息至少包括一日照强度状态,当自该多组第一串列电流推论值筛选出该组第二串列电流推论值时,是比对该电流电压历史数据库中接近该日照强度状态的电流电压值。
3.如权利要求1所述的发电系统异常诊断分析装置,其特征在于,该环境信息至少包括一气温状态,当自该多组第一串列电流推论值筛选出该组第二串列电流推论值时,是比对该电流电压历史数据库中接近该气温状态的电流电压值。
4.如权利要求1所述的发电系统异常诊断分析装置,其特征在于,当自该多组第一串列电流推论值筛选出一组第二串列电流推论值时,是使用至少两个相似度筛选算法,并累计该至少两个相似度筛选算法结果作为相似度计算指标,并比对该电流电压历史数据库中接近该环境信息的电流电压值,选择该多组第一串列电流推论值中相似度最高者为该组第二串列电流推论值。
5.如权利要求4所述的发电系统异常诊断分析装置,其特征在于,该至少两个相似度筛选算法包含:K-近邻、内积相似矩阵、高斯核心与欧式距离四种演算法中的至少两种。
6.如权利要求1所述的发电系统异常诊断分析装置,其特征在于,该电流电压历史数据库显示该多个模块串列中的第X个具有一第一每日低发电时段T(X),该FHMM演算模块在该第一每日低发电时段T(X)内至少进行一次FHMM演算,将该第一每日低发电时段T(X)内,该第二串列电流推论值中最低者对应作为该第X个模块串列的推论电流值。
7.如权利要求6所述的发电系统异常诊断分析装置,其特征在于,该电流电压历史数据库显示该多个模块串列中的第Y个具有一第二每日低发电时段T(Y),该FHMM演算模块在该第二每日低发电时段T(Y)内至少进行一次FHMM演算,将该第二每日低发电时段T(Y)内,该第二串列电流推论值中最低者对应作为该第Y个模块串列的推论电流值,该第一每日低发电时段T(X)异于该第二每日低发电时段T(Y)。
8.如权利要求6所述的发电系统异常诊断分析装置,其特征在于,该环境信息模块检测进行该FHMM演算时的一日照强度状态与一气温状态,将该第X个模块串列的推论电流值及该观测电压值与该电流电压历史数据库中接近该日照强度状态与该气温状态的电流电压值作比较,以决定是否发出一第X个模块串列异常警示。
9.一种发电系统异常诊断分析方法,其特征在于,用以诊断分析一太阳能板发电系统,该太阳能板发电系统包含多个太阳能发电模块串列,该多个太阳能发电模块串列并联输出一总电流,该异常诊断分析方法包括步骤:
检测该总电流并输出一时间序列数据与一观测电压;
针对该时间序列数据,进行FHMM演算而得到多组第一串列电流推论值,并依据一环境信息与一电流电压历史数据库,自该多组第一串列电流推论值筛选出一组第二串列电流推论值;
记录该观测电压和该第二串列电流推论值,以更新该电流电压历史数据库;和
将该第二串列电流推论值及该观测电压值与该电流电压历史数据库作比较以决定是否发出一异常警示。
10.如权利要求9所述的发电系统异常诊断分析方法,其特征在于,该环境信息至少包括一日照强度状态,当自该多组第一串列电流推论值筛选出该组第二串列电流推论值时,是比对该电流电压历史数据库中接近该日照强度状态的电流电压值。
11.如权利要求9所述的发电系统异常诊断分析方法,其特征在于,该环境信息至少包括一气温状态,当自该多组第一串列电流推论值筛选出该组第二串列电流推论值时,是比对该电流电压历史数据库中接近该气温状态的电流电压值。
12.如权利要求9所述的发电系统异常诊断分析方法,其特征在于,当自该多组第一串列电流推论值筛选出一组第二串列电流推论值时,是使用至少两个相似度筛选算法,并累计该至少两个相似度筛选算法结果作为相似度计算指标,并比对该电流电压历史数据库中接近该环境信息的电流电压值,选择该多组第一串列电流推论值中相似度最高者为该组第二串列电流推论值。
13.如权利要求12所述的发电系统异常诊断分析方法,其特征在于,该至少两个相似度筛选算法包含:K-近邻、内积相似矩阵、高斯核心与欧式距离四种演算法中的至少两种。
14.如权利要求9所述的发电系统异常诊断分析方法,其特征在于,该电流电压历史数据库显示该多个模块串列中的第X个具有一第一每日低发电时段T(X),该FHMM演算模块在该第一每日低发电时段T(X)内至少进行一次FHMM演算,将该第一每日低发电时段T(X)内,该第二串列电流推论值中最低者对应作为该第X个模块串列的推论电流值。
15.如权利要求14所述的发电系统异常诊断分析方法,其特征在于,该电流电压历史数据库显示该多个模块串列中的第Y个具有一第二每日低发电时段T(Y),该FHMM演算模块在该第二每日低发电时段T(Y)内至少进行一次FHMM演算,将该第二每日低发电时段T(Y)内,该第二串列电流推论值中最低者对应作为该第Y个模块串列的推论电流值,该第一每日低发电时段T(X)异于该第二每日低发电时段T(Y)。
16.如权利要求14所述的发电系统异常诊断分析方法,其特征在于,更包括步骤:检测进行该FHMM演算时的一日照强度状态与一气温状态,其特征在于,将该第X个模块串列的推论电流值及该观测电压值与该电流电压历史数据库中接近该日照强度状态与该气温状态的电流电压值作比较,以决定是否发出一第X个模块串列异常警示。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108141400A TW202119298A (zh) | 2019-11-14 | 2019-11-14 | 結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法 |
TW108141400 | 2019-11-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112801329A true CN112801329A (zh) | 2021-05-14 |
Family
ID=75803971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911200773.3A Pending CN112801329A (zh) | 2019-11-14 | 2019-11-29 | 结合因子隐藏式马可夫模型与发电量预测的太阳能板发电系统异常诊断分析装置与方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210152121A1 (zh) |
CN (1) | CN112801329A (zh) |
TW (1) | TW202119298A (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116800200B (zh) * | 2023-08-28 | 2023-12-29 | 广州丰久新能源科技有限公司 | 一种基于数据分析的太阳能电板安全监控系统 |
CN117424559A (zh) * | 2023-10-20 | 2024-01-19 | 重庆千信新能源有限公司 | 利用机器视觉进行光伏涂层电力故障的监测方法 |
CN117725538B (zh) * | 2024-02-07 | 2024-04-16 | 河海大学 | 水闸变形多测点联合诊断系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2500738A1 (en) * | 2011-03-17 | 2012-09-19 | Kabushiki Kaisha Toshiba | Abnormality diagnosis for photovoltaic power generation system |
TW201525644A (zh) * | 2013-12-26 | 2015-07-01 | Univ Nat Cheng Kung | 太陽能發電系統與其異常檢測方法 |
JP2017103878A (ja) * | 2015-11-30 | 2017-06-08 | 京セラ株式会社 | 太陽光発電システム及び太陽光発電システムを搭載した車両 |
TW201740296A (zh) * | 2016-05-10 | 2017-11-16 | Chun He Technology Co Ltd | 再生能源發電量預測方法與系統 |
TW201837831A (zh) * | 2017-03-30 | 2018-10-16 | 春禾科技有限公司 | 參考日照量的太陽能發電預測系統 |
-
2019
- 2019-11-14 TW TW108141400A patent/TW202119298A/zh unknown
- 2019-11-29 US US16/699,282 patent/US20210152121A1/en not_active Abandoned
- 2019-11-29 CN CN201911200773.3A patent/CN112801329A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2500738A1 (en) * | 2011-03-17 | 2012-09-19 | Kabushiki Kaisha Toshiba | Abnormality diagnosis for photovoltaic power generation system |
TW201525644A (zh) * | 2013-12-26 | 2015-07-01 | Univ Nat Cheng Kung | 太陽能發電系統與其異常檢測方法 |
JP2017103878A (ja) * | 2015-11-30 | 2017-06-08 | 京セラ株式会社 | 太陽光発電システム及び太陽光発電システムを搭載した車両 |
TW201740296A (zh) * | 2016-05-10 | 2017-11-16 | Chun He Technology Co Ltd | 再生能源發電量預測方法與系統 |
TW201837831A (zh) * | 2017-03-30 | 2018-10-16 | 春禾科技有限公司 | 參考日照量的太陽能發電預測系統 |
Also Published As
Publication number | Publication date |
---|---|
US20210152121A1 (en) | 2021-05-20 |
TW202119298A (zh) | 2021-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Garoudja et al. | An enhanced machine learning based approach for failures detection and diagnosis of PV systems | |
Bhardwaj et al. | Estimation of solar radiation using a combination of Hidden Markov Model and generalized Fuzzy model | |
CN112801329A (zh) | 结合因子隐藏式马可夫模型与发电量预测的太阳能板发电系统异常诊断分析装置与方法 | |
Gao et al. | A neural network-based joint prognostic model for data fusion and remaining useful life prediction | |
US10826428B1 (en) | Monitoring and fault detection method and system for photovoltaic plants | |
CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN116011686B (zh) | 基于多数据融合的充电棚光伏发电储量预测方法 | |
CN112036089A (zh) | 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法 | |
Yan et al. | Fault prognosis of HVAC air handling unit and its components using hidden-semi Markov model and statistical process control | |
Niu et al. | Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis | |
Chen et al. | A health index construction framework for prognostics based on feature fusion and constrained optimization | |
CN113048807B (zh) | 一种空冷机组背压异常检测方法 | |
CN116418293B (zh) | 一种基于物联网大数据的光伏电站智慧诊断系统 | |
Chen et al. | A deep learning feature fusion based health index construction method for prognostics using multiobjective optimization | |
CN113888353A (zh) | 分布式光伏发电设备的能效诊断方法、系统及介质 | |
CN114091600B (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
CN113283113B (zh) | 太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 | |
CN112418529B (zh) | 基于lstm神经网络的户外广告在线倒塌预测方法 | |
CN116774086B (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
Liu et al. | Hierarchical context-aware anomaly diagnosis in large-scale PV systems using SCADA data | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
Li et al. | A novel fault early warning method for mechanical equipment based on improved MSET and CCPR | |
Song et al. | A novel framework for machine remaining useful life prediction based on time series analysis | |
CN114638039B (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210514 |