CN112949198A - 光伏组串的故障检测方法、装置及计算机存储介质 - Google Patents
光伏组串的故障检测方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN112949198A CN112949198A CN202110267525.1A CN202110267525A CN112949198A CN 112949198 A CN112949198 A CN 112949198A CN 202110267525 A CN202110267525 A CN 202110267525A CN 112949198 A CN112949198 A CN 112949198A
- Authority
- CN
- China
- Prior art keywords
- fault
- diagnosis
- preset
- string
- algorithm
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000003745 diagnosis Methods 0.000 claims abstract description 351
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 162
- 238000000034 method Methods 0.000 claims description 65
- 238000012549 training Methods 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 22
- 238000013135 deep learning Methods 0.000 claims description 16
- 230000006698 induction Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 24
- 230000008901 benefit Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000005401 electroluminescence Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003066 decision tree 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
- 239000011521 glass Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- H02S50/15—Testing of PV devices, e.g. of PV modules or single PV cells using optical means, e.g. using electroluminescence
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏组串的故障检测方法,包括以下步骤:获取待测光伏组串的电流‑电压曲线;将电流‑电压曲线按照各个故障诊断算法进行计算,得到各个故障诊断算法的诊断结果;根据多个故障诊断算法的诊断结果确定待测光伏组串的故障检测结果。本发明还公开了一种光伏组串的故障检测装置及计算机存储介质。本发明通过将待测光伏组串的电流‑电压曲线分别采用多种不同的故障诊断算法进行故障诊断,根据不同故障诊断算法的诊断结果综合判断待测光伏组串是否故障以及具体是哪一故障,通过多种不同的故障诊断算法对待测光伏组串进行综合故障诊断,提高了故障诊断的准确性。
Description
技术领域
本发明涉及光伏技术领域,尤其涉及光伏组串的故障检测方法、装置及计算机存储介质。
背景技术
光伏发电以其清洁高效的优势,近年来逐步得到广泛应用和落地。而作为整个发电系统单元中的重要一环,光伏组串的有效故障识别和诊断对于光伏电站运维和提升系统发电量至关重要。组串故障会严重影响其输出性能,降低使用寿命,及时发现并更换故障组串,对于降低电站运维风险、显著提升发电量具有重要意义。
目前主要是通过数据驱动诊断、IV(电流-电压)扫描诊断等方案来检测光伏组串的故障,但数据驱动诊断、IV(电流-电压)扫描诊断等方案均具备各自的不足之处,导致故障诊断的准确性偏低。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种光伏组串的故障检测方法、装置及计算机存储介质,旨在提高光伏组串的故障诊断的准确性。
为实现上述目的,本发明提供一种光伏组串的故障检测方法,所述光伏组串的故障检测方法包括以下步骤:
获取待测光伏组串的电流-电压曲线;
将所述电流-电压曲线按照各个故障诊断算法进行计算,得到各个所述故障诊断算法的诊断结果;
根据多个所述故障诊断算法的诊断结果确定所述待测光伏组串的故障检测结果。
可选地,所述根据多个所述故障诊断算法的诊断结果确定所述待测光伏组串的故障检测结果的步骤包括:
根据每一所述故障诊断算法的诊断结果确定所述故障诊断算法针对每一预设故障对应的诊断值;
采用与所述故障诊断算法以及所述预设故障对应的权重对每一所述预设故障对应的多个所述诊断值进行加权处理,得到所述预设故障对应的加权诊断值;
根据多个所述预设故障对应的加权诊断值确定所述待测光伏组串的故障检测结果。
可选地,所述获取待测光伏组串的电流-电压曲线的步骤之前,还包括:
获取采用每一所述故障诊断算法进行诊断,且诊断结果为每一所述预设故障时的诊断结果正确率,以及获取每一所述预设故障的实际发生率;
根据所述诊断结果正确率以及所述实际发生率确定每一所述故障诊断算法针对每一所述预设故障的诊断精度;
根据多个所述诊断精度确定与每一所述故障诊断算法以及每一所述预设故障对应的权重。
可选地,所述根据多个所述诊断精度确定与每一所述故障诊断算法以及每一所述预设故障对应的权重的步骤包括:
将每一所述故障诊断算法针对每一所述预设故障的诊断精度作为采用所述故障诊断算法进行诊断,且诊断结果为所述预设故障时的诊断结果正确率的诱导值,以构建诱导有序加权算子的二维数组;
根据采用所述二维数组的所述诱导有序加权算子确定与每一所述故障诊断算法以及每一所述预设故障对应的权重。
可选地,所述根据多个所述预设故障对应的加权诊断值确定所述待测光伏组串的故障检测结果的步骤包括:
确定多个所述加权诊断值中的最大值;
在所述最大值大于或等于预设阈值时,将所述最大值对应的所述预设故障作为所述待测光伏组串的故障检测结果。
可选地,所述将所述电流-电压曲线按照各个故障诊断算法进行计算,得到各个所述故障诊断算法的诊断结果的步骤包括:
获取所述电流-电压曲线中的参数特征值,根据所述参数特征值确定所述诊断结果,以及,将所述电流-电压曲线转换为图像,将所述图像输入至预设深度学习训练模型,得到所述预设深度学习训练模型输出的所述诊断结果。
可选地,所述根据所述参数特征值确定所述诊断结果的步骤包括以下至少一个:
将所述参数特征值与所述参数特征值对应的预设值进行比较,根据比较结果确定所述诊断结果;
将所述参数特征值输入至预设机器学习训练模型,得到所述预设机器学习训练模型输出的所述诊断结果。
可选地,所述将所述参数特征值输入至预设机器学习训练模型的步骤包括:
将所述电流-电压曲线以及所述参数特征值输入所述预设机器学习训练模型。
此外,为实现上述目的,本发明还提供一种光伏组串的故障检测装置,所述光伏组串的故障检测装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的光伏组串的故障检测程序,所述光伏组串的故障检测程序被所述处理器执行时实现如上所述中任一项所述的光伏组串的故障检测方法的步骤。
此外,为实现上述目的,本发明还提供计算机存储介质,所述计算机存储介质上存储有光伏组串的故障检测程序,所述光伏组串的故障检测程序被处理器执行时实现如上所述中任一项所述的光伏组串的故障检测方法的步骤。
本发明实施例提出的光伏组串的故障检测方法、装置及计算机存储介质,获取待测光伏组串的电流-电压曲线;将所述电流-电压曲线按照各个故障诊断算法进行计算,得到各个所述故障诊断算法的诊断结果;根据多个所述故障诊断算法的诊断结果确定所述待测光伏组串的故障检测结果。本发明通过将待测光伏组串的电流-电压曲线分别采用多种不同的故障诊断算法进行故障诊断,根据不同故障诊断算法的诊断结果综合判断待测光伏组串是否故障以及具体是哪一故障,通过多种不同的故障诊断算法对待测光伏组串进行综合故障诊断,提高了故障诊断的准确性。
附图说明
图1为本发明光伏组串的故障检测方法的一实施例的流程示意图;
图2为本发明光伏组串的故障检测方法另一实施例的流程示意图;
图3为本发明光伏组串的故障检测方法再一实施例的流程示意图;
图4为本发明光伏组串的故障检测方法又一实施例的流程示意图;
图5为本发明光伏组串的故障检测方法的一整体流程示意图;
图6为本发明多算法组合诊断的流程示意图;
图7为本发明光伏组串的故障检测方法的另一整体流程示意图;
图8为本发明IV曲线及其参数特征的示意图;
图9为本发明各个故障诊断算法的输入输出示意图;
图10为本发明基于IOWA算子的加权系数推导的细化流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种解决方案,通过将待测光伏组串的电流-电压曲线分别采用多种不同的故障诊断算法进行故障诊断,根据不同故障诊断算法的诊断结果综合判断待测光伏组串是否故障以及具体是哪一故障,通过多种不同的故障诊断算法对待测光伏组串进行综合故障诊断,提高了故障诊断的准确性。
本发明实施例中,故障诊断算法主要有以下四种技术方案:
(1)数据驱动诊断:通过获取组串直流侧相关运行发电参数、气象参数,结合相关智能算法和理论模型,来识别组串故障,该技术侧重于无专家经验支持的非线性关系逼近;
(2)IV(电流-电压)扫描诊断:通过IV检测功能对组串进行IV曲线扫描,从IV曲线中解耦相关特征,并根据专家经验设定的判断规则和阈值判断组串是否故障,该技术更侧重于专家经验诊断;
(3)红外扫描诊断:借助红外(IR,Infrared Radiation)成像测试仪观测组串的温度分布和热特性,诊断组串内部故障特征;
(4)EL扫描诊断:借助电致发光(EL,electroluminescent)测试仪识别组串的光分布特性,识别组串故障;
而从上述现有的故障诊断算法来看,其均具备各自的优势和不足之处,有一定的适用范围和局限,具体不足之处与优势如下:
(1)数据驱动诊断:可获取的运行数据特征有限,部分组串故障诊断精度较低,如并联失配、等效电阻异常等;优势在于支撑数据量足够,模型会不断修正,自适应提高准确率,且不需要额外硬件设备投入;
(2)IV扫描诊断:针对一些损失较小、曲线特征不明显的故障类型,如玻璃碎裂、轻微串联失配等,诊断效果受限;优势是可提取的故障特征全面,非失配故障诊断精度高,且IV诊断由于现有光伏系统中光伏逆变器均支撑该功能实现,因此不需要额外硬件设备投入;
(3)红外扫描诊断:需要额外IR外部设备支撑,硬件成本投入,且只能对组串内部故障有效诊断,对外部故障诊断受限;优势是组串内部故障检测效果良好;
(4)EL扫描诊断:需要额外EL外部设备支持,硬件成本投入,且仅能在夜间适用;优势是故障检测效果良好。
可以看出,各种故障诊断算法均有其优势适用领域和局限性。
可选地,在考虑到不增加硬件成本的条件下,即不考虑上述方案(3)红外诊断(4)EL诊断的前提下,将(1)数据驱动与(2)IV扫描的诊断方式进行组合,发挥各自适用优势、规避补足缺陷,以提高光伏组串的故障诊断的准确性。
下面将对光伏组串的故障检测方法进行举例说明。
参照图1,在一实施例中,光伏组串的故障检测方法包括以下步骤:
步骤S10,获取待测光伏组串的电流-电压曲线;
在本实施例中,通过IV(电流-电压)扫描设备获取待测的光伏组串的IV(电流-电压)曲线数据,这里的IV扫描设备可以是支持并网在线IV扫描的各类型光伏逆变器设备,IV曲线数据是指由多个采样电压和采样电流对构成的二维数组(Ui,Ii),其中,i=1~N,该离散点数组在显示时可以视为一条连续曲线。每一个光伏组串对应其唯一的一条IV曲线,IV曲线如图8所示。。
步骤S20,将所述电流-电压曲线按照各个故障诊断算法进行计算,得到各个所述故障诊断算法的诊断结果;
在本实施例中,采用多种不同的故障诊断算法,分别计算得到各个故障诊断算法的诊断结果,其中,多种不同的故障诊断算法可包括数据驱动诊断、IV扫描诊断等,也可包括光伏组串的其他故障诊断算法,在此不做限定。
可选地,诊断结果可以为正常或者故障,诊断结果也可以为正常、A故障、B故障、C故障等,其中,A故障、B故障、C故障为光伏组串中可能发生的预设故障。
步骤S30,根据多个所述故障诊断算法的诊断结果确定所述待测光伏组串的故障检测结果。
在本实施例中,在得到多个故障诊断算法的诊断结果后,根据多个诊断结果综合评估,以确定待测光伏组串是否可能出现故障,以及确定光伏组串最有可能出现的预设故障,并生成对应的故障检测结果。
可选地,故障检测结果可以为正常或者故障,故障检测结果也可以为正常、A故障、B故障、C故障等,其中,A故障、B故障、C故障为光伏组串中可能发生的预设故障。在确定待测光伏组串的故障检测结果后,通过显示装置显示该故障检测结果。
可选地,在根据多个诊断结果确定待测光伏组串的故障检测结果时,可根据各个诊断结果的数量确定故障检测结果,例如,存在3种故障诊断算法的诊断结果,且诊断结果分为正常、A故障以及A故障时,A故障的数量最多,因此可将A故障作为待测光伏组串的故障检测结果。
在本实施例公开的技术方案中,通过多种不同的故障诊断算法对待测光伏组串进行综合故障诊断,提高了故障诊断的准确性。
在另一实施例中,如图2所示,在上述图1所示的实施例基础上,步骤S30包括:
步骤S31,根据每一所述故障诊断算法的诊断结果确定所述故障诊断算法针对每一预设故障对应的诊断值;
在本实施例中,在根据多个故障诊断算法的诊断结果确定待测光伏组串的故障检测结果时,针对单个故障诊断算法的诊断结果,可将诊断结果数值化,对故障诊断算法的诊断结果进行精确量化。
可选地,预设故障为光伏组串可能发生的故障,由于光伏组串可能发生故障可能存在多个,因此预设故障也可存在多个。
可选地,在对诊断结果数值化时,将与诊断结果匹配的预设故障赋值为第一预设值,将与诊断结果不匹配的预设故障赋值为第二预设值,其中,第一预设值与第二预设值均为诊断值,且第一预设值大于第二预设值,例如,诊断结果为A故障时,则该故障诊断算法针对A故障对应的诊断值为1,该故障诊断算法针对B故障对应的诊断值为0,该故障诊断算法针对C故障对应的诊断值为0。具体地,以一次扫描IV曲线为例,将各个故障诊断算法的诊断结果数字化,得到第i种故障诊断算法针对第j种预设故障的诊断值rij:
步骤S32,采用与所述故障诊断算法以及所述预设故障对应的权重对每一所述预设故障对应的多个所述诊断值进行加权处理,得到所述预设故障对应的加权诊断值;
在本实施例中,预先设置有同时与故障诊断算法以及预设故障对应的权重,即不同的故障诊断算法以及不同的预设故障对应不停的权重。在得到每一故障诊断算法针对每一预设故障对应的诊断值后,针对单个预设故障,可得到单个预设故障对于多个故障诊断算法的诊断值,并根据单个预设故障对于多个故障诊断算法的权重对该预设故障对于多个故障诊断算法的诊断值进行加权求和,得到单个预设故障的加权诊断值,具体地,在故障诊断算法的数量为3种时,第j个预设故障的加权诊断值rj的公式如下:
其中,wij为与第i种故障诊断算法以及第j个预设对应的权重。
步骤S33,根据多个所述预设故障对应的加权诊断值确定所述待测光伏组串的故障检测结果。
在本实施例中,在得到多个预设故障对应的加权诊断值后,可比较各个预设故障对应的加权诊断值的大小,根据比较结果确定待测光伏组串的故障检测结果。例如,可确定多个加权诊断值中的最大值,将最大值对应的预设故障作为待测光伏组串的故障检测结果,又例如,在确定多个加权诊断值中的最大值后,还可将最大值与预设阈值进行比较,在最大值大于或等于预设阈值时,表明最大值对应的预设故障发生在待测光伏组串上的可能性较大,因此可将最大值对应的预设故障作为待测光伏组串的故障检测结果,在最大值小于预设阈值时,表明最大值对应的预设故障发生在待测光伏组串上的可能性较小,待测光伏组串的故障检测结果为正常。具体地,多个加权诊断值中的最大值r的公式如下:
其中,j、k以及l为多种故障诊断算法的不同诊断结果。
最后将多个加权诊断值中的最大值利用符号函数离散化,最终得到待测光伏组串的故障检测结果,故障检测结果(result,R)的表达式如下:
为了清晰说明上述评估计算流程,特列表举例说明上述流程:
在本实施例公开的技术方案中,通过将各个故障诊断算法的诊断结果数值化,并采用与不同故障诊断算法以及不同预设故障的权重进行加权处理,通过权重设置体现各个故障诊断算法对于不同预设故障的优势或劣势,以通过加权处理来结合各个故障诊断算法对于多个预设故障的优势,弥补其劣势,从而提高光伏组串的故障检测结果的准确性。
在再一实施例中,如图3所示,在图1至图2任一实施例所示的基础上,步骤S10之前,还包括:
步骤S40,获取采用每一所述故障诊断算法进行诊断,且诊断结果为每一所述预设故障时的诊断结果正确率,以及获取每一所述预设故障的实际发生率;
在本实施例中,在对待测光伏组串进行故障检测之前,事先计算并存储与每一故障诊断算法以及每一预设故障对应的权重。
可选地,在计算与每一故障诊断算法以及每一预设故障对应的权重时,首先获取光伏组串的历史诊断数据,历史诊断数据包括光伏组串样本的总数量、各个光伏组串样本通过各个故障诊断算法得到的历史诊断结果、各个光伏组串样本实际发生的预设故障,因此,针对每一故障诊断算法,可根据光伏组串样本通过故障诊断算法得到的历史诊断结果与光伏组串样本实际发生的预设故障是否匹配来计算该故障诊断算法对于该预设故障的诊断正确率,以及针对每一预设故障,可根据光伏组串样本实际发生的预设故障的数量与光伏组串样本的总数量来计算该预设故障的实际发生率。具体地,采用第i种故障诊断算法进行诊断,且诊断结果为第j个预设故障时的诊断结果正确率xij的计算公式如下:
第j个预设故障的实际发生率的公式如下:
其中,N为光伏组串样本的总数量,kij为采用第i种故障诊断算法进行诊断,且诊断结果为第j个预设故障时的诊断结果正确的样本数量,kj为第j个预设故障实际发生的样本数量。
步骤S50,根据所述诊断结果正确率以及所述实际发生率确定每一所述故障诊断算法针对每一所述预设故障的诊断精度;
在本实施例中,每一故障诊断算法针对每一预设故障的诊断精度可通过与故障诊断算法以及预设故障对应的诊断结果正确率以及与预设故障对应的实际发生率来计算,具体地,第i种故障诊断算法针对第j个预设故障的的诊断精度aij的计算公式如下:
步骤S60,根据多个所述诊断精度确定与每一所述故障诊断算法以及每一所述预设故障对应的权重。
在本实施例中,故障诊断算法针对预设故障的诊断精度表征该故障诊断算法对于检测该预设故障的能力以及优势程度,在诊断精度越大时,该故障诊断算法对于检测该预设故障的准确性越高。
可选地,在根据多个故障诊断算法的诊断结果确定待测光伏组串的故障检测结果时,可根据各个故障诊断算法对于对应的诊断结果的诊断精度确定待测光伏组串的故障检测结果。
可选地,参照图10,在根据多个诊断精度确定与每一故障诊断算法以及每一预设故障对应的权重时,可通过诱导有序加权算子(IOWA,Induced Ordered WeightedAveraging)来计算权重。IOWA算子的机理是对每个评估模型按照诊断精度从大到小进行排序赋权,并以目标函数最小(优)为原则,寻优最佳权重,为目标函数建立组合最优诊断模型。应用IOWA算子的目的就是能够通过建立IOWA函数计算值和损失函数,有效得到针对每个预设故障以及各种故障诊断算法对应的诊断值的权重,让对某个故障更有优势的算法分配到更高的权重,又提供了一定的容错性,不至于因为一种算法的不稳定导致整体诊断结果出现偏差,提高算法稳定性。且本方案是将IOWA算子应用从常规的(数值)回归领域延伸到(标签)分类领域。具体地,将每一故障诊断算法针对每一预设故障的诊断精度作为采用故障诊断算法进行诊断,且诊断结果为预设故障时的诊断结果正确率的诱导值,以构建IOWA算子的二维数组,进而根据二维数组生成IOWA算子的函数,例如,在故障诊断算法的数量为3种时,IOWA算子的函数的公式如下:
其中,<a1j,x1j>、<a2j,x2j>、<a3j,x3j>均为二维数组,函数fIOWA为由a1j,a2j,a3j所产生的3维诱导有序加权平均算子,即IOWA算子,a-index(ij)为a1j,a2j,a3j中按从大到小顺序排列第i个大的数值的下标,W=[w1,w2,w3]T则为每个故障诊断算法在IOWA算子中的加权系数,T为矩阵的转置。
这样,上述IOWA算子的函数值即是针对第j个预设故障采用上述3种故障诊断算法组合诊断得到的故障检测结果。也就是说如果IOWA的函数值和第j个预设故障的实际发生率xj相等,就是该诊断的最佳结果,而从IOWA算子的函数来看,能够调优IOWA的关键就在于加权系数的设定。
参照图10,下面将对加权系数进行计算,具体如下:
首先建立IOWA的目标损失函数,目标损失函数衡量了算法组合计算值与实际值的误差程度,即目标损失函数越小,误差程度越低,效果越优。该目标损失函数定义为公知公式,其计算公式如下:
其中,S(w)为目标损失函数。
根据上述公式,加权系数的设定即转化为合理配置加权系数w使得目标损失函数值S(w)最小,w值的计算可以通过搜索方法获得,搜索方法指通过算法策略,选取大量候选参数,通过尝试多种可能性,将表现最好的参数作为最终的结果。参数的搜索方法有网格搜索、随机搜索和贝叶斯搜索法等,具体搜索方法在此不作描述。
通过搜索方法确定可使目标损失函数值S(w)最小的Wij,Wij即为第i种故障诊断算法以及第j个预设故障对应的权重。
在本实施例公开的技术方案中,通过计算每一故障诊断算法针对每一预设故障的诊断精度,并通过IOWA算子确定对应的权重,使得在根据多个故障诊断算法的诊断结果确定待测光伏组串的故障检测结果时可充分结合各个故障诊断算法的优势,弥补各个故障诊断算法的优势,进一步提高光伏组串的故障检测结果的准确性。
在又一实施例中,如图4所示,在图1至图3任一实施例所示的基础上,步骤S20包括:
步骤S21,获取所述电流-电压曲线中的参数特征值,根据所述参数特征值确定所述诊断结果,以及,将所述电流-电压曲线转换为图像,将所述图像输入至预设深度学习训练模型,得到所述预设深度学习训练模型输出的所述诊断结果。
在本实施例中,在根据IV曲线按照各个故障诊断算法进行计算时,采用的故障诊断算法至少为2种,例如,至少包括:1、获取IV曲线中的参数特征值,根据参数特征值确定诊断结果;2、将IV曲线转换为图像,将图像输入至预设深度学习训练模型,得到预设深度学习训练模型输出的诊断结果。
可选地,参照图8以及图9,在IV曲线中提取的参数特征值可包括以下至少一个:
(1)开路点:指组串工作在开路状态的电压值,提取参数特征值:开路电压Voc;
(2)短路点:指组串工作在短路状态的电流值,提取参数特征值:短路电流Isc;
(3)最大功率点:指组串最大的输出功率点,提取参数特征值:最大功率Pm、工作电压Vm、工作电流Im;
(4)串联电阻:指组串在高压区的等效串联电阻,由高压区斜率计算可得,提取参数特征值:串联电阻Rs;
(5)并联电阻:指组串在低压区的等效并联电阻,由低压区斜率计算可得,提取参数特征值:并联电阻Rsh;
(6)拐点:指曲线采样点的二阶梯度正负切换的对应点,IV曲线上下拐点主要反映了组串的失配的严重程度和均匀程度,提取参数特征值:拐点电流Id、拐点电压Ud;
(7)铭牌参数:指组件铭牌上表示的组件额定参数值,提取参数特征值:额定工作功率Pm.stc、额定工作电流Im.stc、额定工作电压Vm.stc、额定开路电压Voc.stc、额定短路电流Isc;
(8)气象参数:指IV扫描功能执行时对应的气象值,提取参数特征值:辐照G,组串温度T。
可选地,在参数特征值确定诊断结果时,可采用IV曲线诊断的方式进行确定。IV曲线诊断是基于专家经验和组件理论模型制定的判断规则和判断阈值,通过评估IV曲线提取出的各项参数特征值是否满足规则和阈值条件来对组串故障与否作出判断,是一种重机理的诊断技术。算法通过输入每个组串的参数特征值,可推理输出本算法下的各个组串故障诊断结果。其中,诊断的模型是基于专家经验建立。具体地,将参数特征值与参数特征值对应的预设值进行比较,根据比较结果确定所述诊断结果,例如,在开路电压Voc小于预设开路电压时,判定出现故障:组串电压低,在短路电流Isc小于预设短路电流时,判定出现故障:组串电流低。
可选地,在参数特征值确定诊断结果时,可采用机器学习诊断的方式进行确定。IV曲线故障判断主要是分析曲线特性并分辨出组串是否存在何种故障,因而与机器学习算法相结合,应用分类算法是最合理的思路。从IV曲线诊断的性质来说,孤立看单个故障,影响该故障的参数较多数是单一或者定向的,如串联电阻低必定是串联电阻低于某个相对值,少数故障的影响是多参数耦合的,因而这个诊断方式更近似于一种多元二分类诊断,以数据在阈值的边界内外来评估某种故障是否存在,从该角度来看,决策树的思想更符合这种分类判定场景。因此本文选取决策分类树作为基础诊断算法,当然不限于该算法,基于决策树延伸的算法如随机森林分类、梯度提升树分类等,都可以作为本技术的应用算法。例如,可将参数特征值输入至预设机器学习训练模型,得到预设机器学习训练模型输出的诊断结果。其中,预设机器学习训练模型是通过机器学习算法基于一定量历史数据训练获得的。
可选地,在采用机器学习诊断的方式确定诊断结果时,还可将参数特征值以及IV曲线同时输入至预设机器学习训练模型,得到预设机器学习训练模型输出的诊断结果。相比于直接只输入特征值,优势在于在足够数据支持的情况下,能够让模型从原始IV曲线中自行提取更多的组件特征耦合信息,而不是局限于人为主观计算的一些特征值,减少专家经验和数学机理的影响程度,使训练的程度更加丰富全面,提高模型的诊断精度。
可选地,机器学习算法通过输入IV曲线的参数特征值,或者输入IV曲线及其参数特征值,能够有效归纳分析多个组串间的相同性、相异性和特征耦合性,以此输出诊断结果。
可选地,在将电流-电压曲线转换为图像,并将图像输入至预设深度学习训练模型时,可采用深度学习图像诊断的方式进行,即将IV曲线整体转换为图像形式,即原有的信息载体由离散的数据点转化为图像的像素特征,IV曲线重构将IV的信息维度进行了转换,旨在通过多样的处理和判断方法解析出更多的关键信息,提高诊断的全面性和准确率。深度学习能够对更大或更高维度的数据信息进行处理,在图像处理上具备优势,其中主要的图像处理算法技术为卷积神经网络算法(CNN,Convolutional Neural Networks),因此可通过应用CNN算法进行图像处理,当然其他相关图像处理算法均可视为替代方案。深度学习图像诊断通过输入IV曲线的图像信息,能够在同时扫描的大量组串重构图像中对比差异性,输出诊断结果。其中,训练的模型是算法基于以一定量历史数据训练获得的。
可选地,在将电流-电压曲线按照各个故障诊断算法进行计算,得到各个故障诊断算法的诊断结果时,可采用上述IV曲线诊断、机器学习诊断以及深度学习图像诊断中的至少两种方式得到诊断结果。
在本实施例公开的技术方案中,通过提取IV曲线中的参数特征值,以数值的角度确定诊断结果,以及将IV曲线转化为图像,以图像的角度确定诊断结果,通过数值与图像两个角度的综合诊断,提高了光伏组串的故障检测结果的准确性。
在又一实施例中,参照图5至图10,下面将对光伏组串的故障检测方法的整体流程进行举例说明。
图5反映了模型训练与推理诊断的关系,光伏组串的故障检测方法通过历史积累的标签化数据进行模型训练和加权系数计算,以在推理诊断中应用并计算出实时的计算结果。
参照图6以及图7,光伏组串的故障检测方法包括:先通过IV扫描获取IV曲线数据,对该曲线数据进行两种操作:参数特征提取和曲线重构,分别得到参数特征值和重构曲线;进而,对参数特征值应用IV曲线诊断和机器学习算法进行故障诊断,并对重构曲线应用图像识别深度学习算法进行故障诊断;进而,对三种方法的诊断结果应用IOWA算子和综合评估方法进行组合计算,最终得到多种方法综合评估出的诊断结果。
本实施例主要拟解决的目标是提高组串诊断的准确性,其主要特点在于:
(1)本实施例采用IV扫描曲线的数据进行特征提取,相对传统电参数和气象参数,能获取到更全面的组串特征信息,为算法应用提供了数据支撑;
(2)采用多种算法技术诊断,弥补各种算法在各自领域上的劣势,提高诊断的准确性。从上一段所述的三种方案来看,IV曲线诊断是一种重机理、专家经验指导的诊断方法,机器学习算法是一种轻机理、基于统计与非线性拟合的诊断方法,深度学习算法能对从图像识别的角度进行分析,因此多算法组合的方式能够综合具备三者各自不同的优势,通过权重分配进一步抑制各自算法的薄弱项,整体提高诊断的效果;
(3)通过特征提取和图像重构,将组串信息以数据和图像两种形式呈现,这里数据指通过IV扫描获得的离散电流电压二维数组数据以及根据IV数据计算的相关特征值,图像则是由多条IV曲线重构形成的像素点图像,并对应分析诊断,多维度考虑,提高整体诊断的覆盖面;
(4)采用IOWA算法对多种算法的诊断结果进行科学的综合评估,以类权重的形式综合评定诊断结果。
本实施例的核心部分有两方面:一是基于IV扫描数据,运用多种不同诊断算法、不同数据形式组合诊断;二是基于IOWA算子技术对多算法组合诊断的最优组合算法权重系数进行推导与计算。
在通过上述三种诊断方法基于历史数据训练集构建模型,根据训练集模型计算值和诊断精度,构建IOWA算子和目标函数,最终目标是根据IOWA目标函数最优原则推导出三种诊断方法组合诊断的加权系数。
基于IOWA算子的加权系数计算中,通过上述多种故障诊断算法基于历史数据训练集构建模型,根据训练集模型计算值和诊断精度,构建IOWA算子和目标函数,最终目标是根据IOWA目标函数最优原则推导出三种诊断方法组合诊断的加权系数。基于训练集得到的各算法模型和组合诊断加权系数,应用于实时数据中,可以计算得到组合诊断的优化结果。
可选地,故障诊断算法可包括IV曲线诊断、机器学习诊断、深度学习图像诊断等,而预设故障可包括图9所示的组串串联失配、玻璃碎裂、组串热斑、组串并联失配、潜在电势诱导衰减(PID,potential Induced Degradation)、组件异常老化、串联电阻高、并联电阻低、组串电流低以及组串电压低等。
本实施例提供的光伏组串的故障检测具有以下优势:
(1)特征提取全面:采用IV扫描曲线的数据进行特征提取,相对传统电参数和气象参数,能获取到更全面的组串特征信息,为算法应用提供了数据支撑;
(2)多方法组合:采用多种算法技术诊断,弥补各种算法在各自领域上的劣势,提高诊断的准确性;
(3)多维度分析:通过特征提取和图像重构,将组串信息以数据和图像两种形式呈现,并对应分析诊断,多维度考虑,提高整体诊断的覆盖面;
(4)组合评估机制:采用IOWA算子对多种算法的诊断结果进行科学的综合评估,以加权权重的形式综合评定诊断结果,提高诊断准确率。
(5)经济性良好:本专利所描述的技术均可通过现有的软硬件技术实现,无需在原有系统上增加额外硬件成本,经济性能良好。
此外,本发明实施例还提出一种光伏组串的故障检测装置,所述光伏组串的故障检测装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的光伏组串的故障检测程序,所述光伏组串的故障检测程序被所述处理器执行时实现如上各个实施例所述的光伏组串的故障检测方法的步骤。
此外,本发明实施例还提出一种计算机存储介质,所述计算机存储介质上存储有光伏组串的故障检测程序,所述光伏组串的故障检测程序被处理器执行时实现如上各个实施例所述的光伏组串的故障检测方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种光伏组串的故障检测方法,其特征在于,所述光伏组串的故障检测方法包括以下步骤:
获取待测光伏组串的电流-电压曲线;
将所述电流-电压曲线按照各个故障诊断算法进行计算,得到各个所述故障诊断算法的诊断结果;
根据多个所述故障诊断算法的诊断结果确定所述待测光伏组串的故障检测结果。
2.如权利要求1所述的光伏组串的故障检测方法,其特征在于,所述根据多个所述故障诊断算法的诊断结果确定所述待测光伏组串的故障检测结果的步骤包括:
根据每一所述故障诊断算法的诊断结果确定所述故障诊断算法针对每一预设故障对应的诊断值;
采用与所述故障诊断算法以及所述预设故障对应的权重对每一所述预设故障对应的多个所述诊断值进行加权处理,得到所述预设故障对应的加权诊断值;
根据多个所述预设故障对应的加权诊断值确定所述待测光伏组串的故障检测结果。
3.如权利要求2所述的光伏组串的故障检测方法,其特征在于,所述获取待测光伏组串的电流-电压曲线的步骤之前,还包括:
获取采用每一所述故障诊断算法进行诊断,且诊断结果为每一所述预设故障时的诊断结果正确率,以及获取每一所述预设故障的实际发生率;
根据所述诊断结果正确率以及所述实际发生率确定每一所述故障诊断算法针对每一所述预设故障的诊断精度;
根据多个所述诊断精度确定与每一所述故障诊断算法以及每一所述预设故障对应的权重。
4.如权利要求3所述的光伏组串的故障检测方法,其特征在于,所述根据多个所述诊断精度确定与每一所述故障诊断算法以及每一所述预设故障对应的权重的步骤包括:
将每一所述故障诊断算法针对每一所述预设故障的诊断精度作为采用所述故障诊断算法进行诊断,且诊断结果为所述预设故障时的诊断结果正确率的诱导值,以构建诱导有序加权算子的二维数组;
根据采用所述二维数组的所述诱导有序加权算子确定与每一所述故障诊断算法以及每一所述预设故障对应的权重。
5.如权利要求2所述的光伏组串的故障检测方法,其特征在于,所述根据多个所述预设故障对应的加权诊断值确定所述待测光伏组串的故障检测结果的步骤包括:
确定多个所述加权诊断值中的最大值;
在所述最大值大于或等于预设阈值时,将所述最大值对应的所述预设故障作为所述待测光伏组串的故障检测结果。
6.如权利要求1所述的光伏组串的故障检测方法,其特征在于,所述将所述电流-电压曲线按照各个故障诊断算法进行计算,得到各个所述故障诊断算法的诊断结果的步骤包括:
获取所述电流-电压曲线中的参数特征值,根据所述参数特征值确定所述诊断结果,以及,将所述电流-电压曲线转换为图像,将所述图像输入至预设深度学习训练模型,得到所述预设深度学习训练模型输出的所述诊断结果。
7.如权利要求6所述的光伏组串的故障检测方法,其特征在于,所述根据所述参数特征值确定所述诊断结果的步骤包括以下至少一个:
将所述参数特征值与所述参数特征值对应的预设值进行比较,根据比较结果确定所述诊断结果;
将所述参数特征值输入至预设机器学习训练模型,得到所述预设机器学习训练模型输出的所述诊断结果。
8.如权利要求7所述的光伏组串的故障检测方法,其特征在于,所述将所述参数特征值输入至预设机器学习训练模型的步骤包括:
将所述电流-电压曲线以及所述参数特征值输入所述预设机器学习训练模型。
9.一种光伏组串的故障检测装置,其特征在于,所述光伏组串的故障检测装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的光伏组串的故障检测程序,所述光伏组串的故障检测程序被所述处理器执行时实现如权利要求1至8中任一项所述的光伏组串的故障检测方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有光伏组串的故障检测程序,所述光伏组串的故障检测程序被处理器执行时实现如权利要求1至8中任一项所述的光伏组串的故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267525.1A CN112949198B (zh) | 2021-03-10 | 2021-03-10 | 光伏组串的故障检测方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267525.1A CN112949198B (zh) | 2021-03-10 | 2021-03-10 | 光伏组串的故障检测方法、装置及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949198A true CN112949198A (zh) | 2021-06-11 |
CN112949198B CN112949198B (zh) | 2024-04-12 |
Family
ID=76229517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110267525.1A Active CN112949198B (zh) | 2021-03-10 | 2021-03-10 | 光伏组串的故障检测方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949198B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326667A (zh) * | 2021-08-03 | 2021-08-31 | 深圳格瑞特新能源有限公司 | 一种太阳能电池板故障诊断方法及系统 |
CN114035120A (zh) * | 2021-11-04 | 2022-02-11 | 合肥工业大学 | 基于改进cnn的三电平逆变器开路故障诊断方法及系统 |
CN115219912A (zh) * | 2022-04-24 | 2022-10-21 | 山东大学 | 一种储能电池早期故障诊断与安全超前预警方法及系统 |
CN117743958A (zh) * | 2024-02-19 | 2024-03-22 | 国网北京市电力公司 | 一种光伏阵列故障识别方法和装置、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
WO2020029327A1 (zh) * | 2018-08-10 | 2020-02-13 | 江南大学 | 一种基于改进随机森林算法的光伏阵列故障诊断方法 |
-
2021
- 2021-03-10 CN CN202110267525.1A patent/CN112949198B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020029327A1 (zh) * | 2018-08-10 | 2020-02-13 | 江南大学 | 一种基于改进随机森林算法的光伏阵列故障诊断方法 |
CN109873610A (zh) * | 2019-03-19 | 2019-06-11 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
毛乾龙;汪石农;: "基于参数优化的光伏电池故障诊断", 牡丹江师范学院学报(自然科学版), no. 01 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326667A (zh) * | 2021-08-03 | 2021-08-31 | 深圳格瑞特新能源有限公司 | 一种太阳能电池板故障诊断方法及系统 |
CN114035120A (zh) * | 2021-11-04 | 2022-02-11 | 合肥工业大学 | 基于改进cnn的三电平逆变器开路故障诊断方法及系统 |
CN115219912A (zh) * | 2022-04-24 | 2022-10-21 | 山东大学 | 一种储能电池早期故障诊断与安全超前预警方法及系统 |
CN117743958A (zh) * | 2024-02-19 | 2024-03-22 | 国网北京市电力公司 | 一种光伏阵列故障识别方法和装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112949198B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949198A (zh) | 光伏组串的故障检测方法、装置及计算机存储介质 | |
Zhu et al. | Fault diagnosis approach for photovoltaic arrays based on unsupervised sample clustering and probabilistic neural network model | |
CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
NL2020015B1 (en) | Fault diagnosis method of three-level inverter based on empirical mode decomposition and decision tree RVM | |
CN107992665B (zh) | 一种特高压换流站交流滤波器在线故障诊断分析方法 | |
CN113159077A (zh) | 一种基于混合卷积神经网络的三相逆变器故障识别方法 | |
EP2410312A1 (en) | A method for computer-assisted analyzing of a technical system | |
CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
WO2022022659A1 (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及系统 | |
CN109992911B (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
CN111310722A (zh) | 一种基于改进神经网络的电力设备图像的故障识别方法 | |
CN112287556A (zh) | 电缆绝缘状态的确定方法及装置 | |
CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
CN111797365A (zh) | 一种换流变压器温度异常判断方法及系统 | |
CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
CN117783769A (zh) | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 | |
CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 | |
CN113723496A (zh) | 一种电抗器铁心松动故障诊断方法、装置和设备 | |
CN113326873A (zh) | 一种基于数据增强的电力设备分合闸状态自动分类方法 | |
Bouchiba et al. | Application of Machine Learning algorithms for power systems fault detection | |
CN110967188A (zh) | 基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统 | |
CN117150220A (zh) | 一种基于机器学习的光伏阵列故障诊断方法 | |
CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
US20220138631A1 (en) | Systems and methods for photovoltaic fault detection using a feedback-enhanced positive unlabeled learning |
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 |