CN113515851B - 一种光伏故障检测特征量提取方法 - Google Patents
一种光伏故障检测特征量提取方法 Download PDFInfo
- Publication number
- CN113515851B CN113515851B CN202110631478.4A CN202110631478A CN113515851B CN 113515851 B CN113515851 B CN 113515851B CN 202110631478 A CN202110631478 A CN 202110631478A CN 113515851 B CN113515851 B CN 113515851B
- Authority
- CN
- China
- Prior art keywords
- maximum power
- power point
- photovoltaic
- value
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 title claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 26
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010248 power generation Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
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
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及光伏故障检测技术领域,公开了一种光伏故障检测特征量提取方法,提出了基于信赖域仿射算法并结合优化观察扰动算法和优化电导增量算法,提取MPPT最大功率点和等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm。本发明将扰动算法的缺点,用电导增量法去除,并将两种检测得到的结果综合考虑,用以确定最大功率点,提高算法的准确性。运用信赖域仿射算法,提取I‑V曲线的特征参数,并计算每个特征量,综合判断光伏阵列故障,并结合特征量与MPPT检测数据是否有误,以达到高精度检测。
Description
技术领域
本发明涉及一种光伏故障检测特征量提取方法,属于光伏故障检测技术领域。
背景技术
随着太阳能光电应用的蓬勃发展,光伏系统的建设成本逐渐降低,装机容量和数量不断增加,使得运行和维护的成本也不断增加。由于光伏系统需要在安装于有诸多不确定因素的户外环境,运行过程中容易受到热循环、湿度、紫外线、阴影等各种环境因素的影响,导致发生局部材料老化、裂纹、热斑、短路、开路或者遮阴等各种故障,使得光伏系统发电效率降低,故障严重时甚至损坏设备,造成火灾等等。因此,故障诊断技术在光伏发电系统中越发重要,及时可靠的故障预警能有效提高太阳光电的运行寿命和经济效益。
目前,光伏阵列的故障检测方法主要有红外图像检测法、电信号检测法和基于传感器的故障检测方法,上述的方法均需要人工大量的参与,当受到天气,环境等因素影响时,人工无法及时维护,可能造成经济损失。而其他的一些检测方法有能会需要大量的设备投入,损坏时不易更换,检测精度较低。需要一种有效检测手段来完成该种检测。
发明内容
发明目的:本发明所要解决的技术问题是提供一种光伏故障检测特征量提取方法,运用优化扰动观察法与优化电导增量法相互结合求取故障状态下的MPPT点,并通过信赖域仿射算法求取曲线特征参数,进一步判断故障类型。
技术内容:本发明公开了一种光伏故障检测特征量提取方法,用于光伏系统的存在短路、完全遮阴、不完全遮阴和异常老化四种状态下的特征量的提取及MPPT最大功率点的求取,包括如下步骤:
S1:通过辅助模型2检测光伏阵列中的电压、电流,构建光伏检测数学模型,所述光伏检测数学模型包括信赖域仿射算法模型、优化扰动观察算法模型和优化电导增量算法模型,所述辅助模型2通过电压表、电流表将光伏阵列中的参数提取出来,并通过滤波得到可用数据Ii、Ui;
S2:建立信赖域防射算法模型和优化扰动观察算法模型,将从辅助模型2中得到的电压值和电流值分别输入信赖域防射算法模型、优化扰动观察算法模型中,分别得到光伏系统的特征参数a、b、c、d以及最大功率值Pi,并将光伏系统的特征参数输入辅助模型1,得到特征量等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm;
S3:建立优化电导增量算法模型,将从辅助模型2中得到的电压值和电流值分别输入所述信赖域防射算法模型、优化电导增量算法模型中,分别得到光伏系统的特征参数a、b、c、d以及功率值Pi,并将光伏系统的特征参数输入辅助模型1,得到特征量等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm;
S4:将S2与S3中同一时刻得到MPPT最大功率点、短路电流Isc、开路电压Voc、最大功率点电流Im和最大功率点电压Vm,输出到STC中,在STC中进行数据对比;
S5:设定误差范围,在某一时刻S2与S3中同一时刻得到MPPT最大功率点、短路电流Isc、开路电压Voc、最大功率点电流Im和最大功率点电压Vm在误差范围内,利用以上参数对光伏系统进行控制;若在误差范围外,则再次检测。
进一步地,所述S2中信赖域放射算法模型为:
1)规定0<μ<η<1,0<Λl<Λu,γ1<1<γ2,计算I-V曲线构成的函数f(x0)、f(x0)点处的梯度g0、f(x0)的Hessian矩阵H0、矢量函数V0、f(x0)的Hessian矩阵的对称近似矩阵B0;
2)取曲线上的点的横坐标Xk,令Xk+1=Xk+s,并更新计算f(xk+1)以及f(xk+1)点处的梯度gk+1,计算ρk+1,并更新信赖域半径Δk+1,比较f(xk+1)和f(xk)的大小,若f(xk+1)大于f(xk),则进入下一步,否则结束循环,输出特征系数;
3)更新计算Xk+1、f(xk+1)、f(xk+1)点处的梯度gk+1、f(xk+1)的Hessian矩阵Hk+1、矢量函数Vk+1、f(xk+1)处的Hessian矩阵的对称近似矩阵Bk+1,并确定步长S;直至得到f(xk+1)小于f(xk),最终输出特征参数a、b、c、d,便可得到该光伏阵列的特征值。
进一步地,步骤S2中的优化扰动观察算法模型为:
其中,Ui、Ii为当前检测电压、电流值,Pi为对应的功率值,Ui-1、Ii-1为上一次检测值,Pi-1为上一次检测的对应的功率值;
假定初始工作点位于最大功率点的左边,通过定步长来搜索,直到Pi-1>Pi,此时可以确定最大功率点位于当前检测点2K范围内,K为检测步长,此时应改变方向,并缩小步长为K/2,再次进行搜索,直到再出现Pi-1>Pi,再次重复上述步骤直至取得MPPT最大功率点。
进一步地,步骤S3中的优化电导增量算法模型求取MPPT最大功率点,此方法为:
基于对光伏P-U曲线及其导数曲线的分析,使用梯度变步长电导增量法求取MPPT点,其公式为:
通过导数|dP/dU|值与选定的界限的比较,来选定步长,以最快得到最大功率点即:
其中,A1、A2为光伏电池的输出量的两个阶梯值,N1、N2、N3为A1、A2分成的上中下三个部分的系数值,且N1>N2>N3。
进一步地,所述S2、S3中辅助模型1中等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm计算公式为:
其中,a、b、c、d的系数均由信赖域放射算法求得,a1、a2、a3为a的子系数,b1、b2、b3为b的子系数,c1、c2、c3为c的子系数,d1、d2、d3为d的子系数,Voc.stc、Vm.stc、Im.stc、Rs.stc为采得的开路电压值、最大功率点电压值、最大功率点电流值、以及计算得到的等效电阻值,为误差缩小因子。
有效增益:
1、本发明的信赖域仿射算法解决了传统近似公式的计算精度不高的状况,在低辐射状态下也可以有效的计算出特征量,减少了由于精度不足带来的误判,可以有效减少光伏电站运行时的损失。
2、本发明的优化扰动观察算法将传统的扰动观察法的定步长搜索,改变为在远离最大功率点时,以大步长进行搜索,当进入最大功率点附近时,变为小步长进行搜索,直至符合精度要求。该方法减小了在最大功率点的振荡,有效的减少搜索的时间,加大了搜索的精度。
3、本发明的优化电导增量法通过三段式的阶梯选择跟踪系数,以最快的方式搜索到最大功率点,同时兼顾了跟踪速度与精度的关系,并在外部环境急剧改变的状况依旧能够正常工作,补足了扰动观察法在急剧改变环境下,无法精确跟踪最大功率点的缺点。
4、通过辅助模型1,将特征量计算出,并传输到STC,在STC中进行对比,用来排除异常数据,在数据均不对等的状况下,再次检测,如果数据仍有问题,将报错上传人工。该种改进将检测精度再次提高,避免了错误的不可知信,有效的将数据利用。
附图说明
图1为本发明光伏故障诊断系统概况图;
图2为本发明故障分析图(均与正常工作状态下比较);
图3为本发明信赖域算法流程图;
图4为本发明优化扰动观察算法流程图;
图5为本发明优化电导增量算法流程图。
具体实施方式
下面结合附图对本发明作进一步说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
参照图1,本发明公开了一种光伏故障检测特征量提取方法,其基于信赖域防射算法模型、优化扰动观察算法模型、优化电导增量算法模型,以及辅助模型1和辅助模型2构成最终系统。其用于光伏系统的存在短路、完全遮阴、不完全遮阴和异常老化四种状态下的特征量的提取及MPPT最大功率点的求取,主要包括如下步骤:
S1:通过辅助模型2检测光伏阵列中的电压、电流,构建光伏检测数学模型,光伏检测数学模型包括信赖域仿射算法模型、优化扰动观察算法模型和优化电导增量算法模型,辅助模型2即为电压表与电流表,辅助模型2通过电压表、电流表将光伏阵列中的参数提取出来,并通过滤波得到较为准确的值,再得到可用数据Ii、Ui,输入到如下各个模块中。
S2:建立信赖域防射算法模型和优化扰动观察算法模型,将从辅助模型2中得到的电压值和电流值分别输入信赖域防射算法模型、优化扰动观察算法模型中,分别得到光伏系统的特征参数a、b、c、d以及最大功率值Pi,并将光伏系统的特征参数输入辅助模型1,得到特征量等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm。
1)信赖域防射算法模型,将辅助模型2得到的电压量与电流量,通过如下步骤提取出特征参数并输出给辅助模型1,参照图3,其为信赖域防射算法流程图,其步骤如下:
信赖域放射算法为:1)规定0<μ<η<1,0<Λl<Λu,γ1<1<γ2,计算I-V曲线构成的函数f(x0)、f(x0)点处的梯度g0、f(x0)的Hessian矩阵H0、矢量函数V0、f(x0)的Hessian矩阵的对称近似矩阵B0;
2)取曲线上的点的横坐标Xk,令Xk+1=Xk+s,并更新计算f(xk+1)以及f(xk+1)点处的梯度gk+1,计算ρk+1,并更新信赖域半径Δk+1,比较f(xk+1)和f(xk)的大小,若f(xk+1)大于f(xk),则进入下一步,否则结束循环,输出特征系数;
3)更新计算Xk+1、f(xk+1)、f(xk+1)点处的梯度gk+1、f(xk+1)的Hessian矩阵Hk+1、矢量函数Vk+1、f(xk+1)处的Hessian矩阵的对称近似矩阵Bk+1,并确定步长S;直至得到f(xk+1)小于f(xk),最终输出特征参数a、b、c、d,便可得到该光伏阵列的特征值。
2)优化扰动观察算法模型,将从辅助模型2得到的电压量和功率量,通过如下步骤得到MPPT点,输出到辅助模型1最终输入到STC中。参见附图4,气味优化扰动观察算法流程图,步骤如下:
区别于扰动算法,优化后的扰动算法更易于求得MPPT最大功率点,即
其中Ui、Ii为当前检测电压、电流值,Pi为对应的功率值,Ui-1、Ii-1为上一次检测值,Pi-1为上一次检测的对应的功率值。
假定初始工作点位于最大功率点的左边,通过定步长来搜索,直到Pi-1>Pi,此时可以确定最大功率点位于当前检测点2K(K为检测步长)范围内,此时应改变方向,并缩小步长为K/2,再次进行搜索,直到再出现Pi-1>Pi,再次重复上述步骤直至取得MPPT最大功率点。
S3:建立优化电导增量算法模型,将从辅助模型2中得到的电压值和电流值分别输入所述信赖域防射算法模型、优化电导增量算法模型中,分别得到光伏系统的特征参数a、b、c、d以及最大功率值Pi,并将光伏系统的特征参数输入辅助模型1,得到特征量等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm。
优化电导增量算法模型:将从辅助模型2得到的电压量和功率量,通过如下步骤得到MPPT点,输出到辅助模型1最终输入到STC中。参见附图5,其为优化电导增量算法流程图,具体步骤如下:
光伏电池的瞬间功率为
P=IU
则两边同时对U,求导可得
由绘制的P-U图像,结合导数性质可知
基于对光伏P-U曲线及其导数曲线的分析,使用梯度变步长电导增量法求取MPPT点,其公式为:
通过导数|dP/dU|值与选定的界限的比较,来选定步长,以最快得到最大功率点即
以此来快速得到MPPT最大功率点,其中,A1、A2为光伏电池的输出量的两个阶梯值,N1、N2、N3为A1、A2分成的上中下三个部分的系数值,且N1>N2>N3。
S4:将S2与S3中同一时刻得到MPPT最大功率点、短路电流Isc、开路电压Voc、最大功率点电流Im和最大功率点电压Vm,输出到STC中,在STC中进行数据对比。
S5:设定误差范围,在某一时刻S2与S3中同一时刻得到MPPT最大功率点、短路电流Isc、开路电压Voc、最大功率点电流Im和最大功率点电压Vm在误差范围内,利用以上参数对光伏系统进行控制;若在误差范围外,则再次检测,再次进行检测的结果在误差范围内则上传数据并对光伏系统进行控制,若还在误差范围外,则进行报错。
对于上述提到的辅助模型1中通过经验公式,将信赖域防射算法模型中得到的特征参数代入公式中,得到精确的特征值,其公式计算如下:
其中,a、b、c、d的系数均由信赖域放射算法求得,a1、a2、a3为a的子系数,b1、b2、b3为b的子系数,c1、c2、c3为c的子系数,d1、d2、d3为d的子系数,Voc.stc、Vm.stc、Im.stc、Rs.stc为采得的开路电压值、最大功率点电压值、最大功率点电流值、以及计算得到的等效电阻值,为误差缩小因子。
通过上述公式,可得到等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm四个特征量。
参照图2,为各种参数在不同故障下的参数变化表,在短路状况下,最大功率、开路电压、最大功率点电压都将减少;在不完全遮阴状况下,最大功率和最大功率电流将会下降,而最大功率电压将会降低;在完全遮阴状态下,最大功率和最大功率电流将会下降;在异常老化状态下,最大功率和最大功率电流将会下降,但等效电阻会增加。
Claims (5)
1.一种光伏故障检测特征量提取方法,用于光伏系统的存在短路、完全遮阴、不完全遮阴和异常老化四种状态下的特征量的提取及最大功率点MPPT的求取,其特征在于,包括如下步骤:
S1:通过辅助模型2检测光伏阵列中的电压、电流,构建光伏检测数学模型,所述光伏检测数学模型包括信赖域仿射算法模型、优化扰动观察算法模型和优化电导增量算法模型,所述辅助模型2通过电压表、电流表将光伏阵列中的参数提取出来,并通过滤波得到可用数据Ii、Ui;
S2:建立信赖域防射算法模型和优化扰动观察算法模型,将从辅助模型2中得到的电压值和电流值分别输入信赖域防射算法模型得到光伏系统的特征参数a、b、c、d,输入优化扰动观察算法得到最大功率值Pi,并将光伏系统的特征参数输入辅助模型1,得到特征量等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm;
S3:建立优化电导增量算法模型,将从辅助模型2中得到的电压值和电流值分别输入所述信赖域防射算法模型得到光伏系统的特征参数a、b、c、d,输入优化电导增量算法模型中得到最大功率值Pi,并将光伏系统的特征参数输入辅助模型1,得到特征量等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm;
S4:将S2与S3中同一时刻得到最大功率点MPPT、等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm,输出到控制器STC中,在控制器STC中进行数据对比;
S5:设定误差范围,在某一时刻S2与S3中同一时刻得到最大功率点MPPT、等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm在误差范围内,利用以上参数对光伏系统进行控制;若在误差范围外,则再次检测。
2.根据权利要求1所述的光伏故障检测特征量提取方法,其特征在于,所述S2中信赖域放射算法模型为:
1)规定0<μ<η<1,0<Λl<Λu,γ1<1<γ2,计算I-V曲线构成的函数f(x0)、f(x0)点处的梯度g0、f(x0)的Hessian矩阵H0、矢量函数V0、f(x0)的Hessian矩阵的对称近似矩阵B0;
2)取曲线上的点的横坐标Xk,令Xk+1=Xk+s,并更新计算f(xl+1)以及f(xk+1)点处的梯度gk+1,计算ρk+1,并更新信赖域半径Δk+1,比较f(xk+1)和f(xk)的大小,若f(xk+1)大于f(xk),则进入下一步,否则结束循环,输出特征系数;
3)更新计算Xk+1、f(xk+1)、f(xk+1)点处的梯度gk+1、f(xk+1)的Hessian矩阵Hk+1、矢量函数Vk+1、f(xk+1)处的Hessian矩阵的对称近似矩阵Bk+1,并确定步长S;直至得到f(xk+1)小于f(xk),最终输出特征参数a、b、c、d,便可得到该光伏阵列的特征值。
3.根据权利要求1中所述的光伏故障检测特征量提取方法,其特征在于,步骤S2中的优化扰动观察算法模型为:
其中,Ui、Ii为当前检测电压、电流值,Pi为对应的功率值,Ui-1、Ii-1为上一次检测值,Pi-1为上一次检测的对应的功率值;
假定初始工作点位于最大功率点的左边,通过定步长来搜索,直到Pi-1>Pi,此时可以确定最大功率点位于当前检测点2K范围内,K为检测步长,此时应改变方向,并缩小步长为K/2,再次进行搜索,直到再出现Pi-1>Pi,再次重复上述步骤直至取得MPPT最大功率点。
4.根据权利要求1中所述的光伏故障检测特征量提取方法,其特征在于,步骤S3中的优化电导增量算法模型求取MPPT最大功率点,此方法为:
基于对光伏P-U曲线及其导数曲线的分析,使用梯度变步长电导增量法求取MPPT点,其公式为:
通过导数|dP/dU|值与选定的界限的比较,来选定步长,以最快得到最大功率点即:
其中,A1、A2为光伏电池的输出量的两个阶梯值,N1、N2、N3为A1、A2分成的上中下三个部分的系数值,且N1>N2>N3。
5.根据权利要求1至4任一所述的光伏故障检测特征量提取方法,其特征在于,所述S2、S3中辅助模型1中等效电阻Rs、开路电压Voc、最大功率点电流Im和最大功率点电压Vm计算公式为:
其中,a、b、c、d的系数均由信赖域放射算法求得,a1、a2、a3为a的子系数,b1、b2、b3为b的子系数,c1、c2、c3为c的子系数,d1、d2、d3为d的子系数,Voc.stc、Vm.stc、Im.stc、Rs.stc为采得的开路电压值、最大功率点电压值、最大功率点电流值、以及计算得到的等效电阻值,lndT为误差缩小因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631478.4A CN113515851B (zh) | 2021-06-07 | 2021-06-07 | 一种光伏故障检测特征量提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631478.4A CN113515851B (zh) | 2021-06-07 | 2021-06-07 | 一种光伏故障检测特征量提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113515851A CN113515851A (zh) | 2021-10-19 |
CN113515851B true CN113515851B (zh) | 2023-12-01 |
Family
ID=78065702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110631478.4A Active CN113515851B (zh) | 2021-06-07 | 2021-06-07 | 一种光伏故障检测特征量提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113515851B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011117485A1 (fr) * | 2010-03-26 | 2011-09-29 | Watt Consulting | Dispositif et méthode pour détecter la performance de panneaux photovoltaïques |
CN111327271A (zh) * | 2020-01-20 | 2020-06-23 | 福州大学 | 基于半监督极限学习机的光伏阵列故障诊断方法 |
CN111460644A (zh) * | 2020-03-27 | 2020-07-28 | 河海大学常州校区 | 一种具有故障诊断和功率预测功能的光伏阵列监测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200006946A1 (en) * | 2018-07-02 | 2020-01-02 | Demand Energy Networks, Inc. | Random variable generation for stochastic economic optimization of electrical systems, and related systems, apparatuses, and methods |
-
2021
- 2021-06-07 CN CN202110631478.4A patent/CN113515851B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011117485A1 (fr) * | 2010-03-26 | 2011-09-29 | Watt Consulting | Dispositif et méthode pour détecter la performance de panneaux photovoltaïques |
CN111327271A (zh) * | 2020-01-20 | 2020-06-23 | 福州大学 | 基于半监督极限学习机的光伏阵列故障诊断方法 |
CN111460644A (zh) * | 2020-03-27 | 2020-07-28 | 河海大学常州校区 | 一种具有故障诊断和功率预测功能的光伏阵列监测系统 |
Non-Patent Citations (6)
Title |
---|
一种新型光伏阵列在线故障检测方法研究;王欢;徐小力;;仪器仪表学报(第12期);127-134 * |
基于RBF神经网络的光伏系统MPPT研究;王志豪;李自成;王后能;刘庆;;电力系统保护与控制(第06期);91-97 * |
基于扰动观察法的MPPT控制优化策略;黄礼明;连永圣;陈标龙;林培杰;程树英;;现代电子技术(第24期);214-216 * |
基于数据手册的任意辐照和温度下光伏电池模型参数提取;黄磊;张继元;舒杰;崔琼;吴志锋;丁建宁;;新能源进展(第06期);46-52 * |
局部阴影条件下光伏阵列MPPT算法研究;贾林壮;陈侃;李国杰;冯琳;江秀臣;;太阳能学报(第09期);60-67 * |
应用信赖域法的广域阻尼控制器参数协调优化;李红军;陆超;胡晓光;;电力自动化设备(第10期);29-34 * |
Also Published As
Publication number | Publication date |
---|---|
CN113515851A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bastidas-Rodríguez et al. | Model-based degradation analysis of photovoltaic modules through series resistance estimation | |
DK1841037T3 (en) | System, method, and manufacturing article for determining parameter values associated with a power grid | |
KR101065862B1 (ko) | 태양전지 어레이의 부분 음영 판단에 따른 태양광 발전 시스템의 최대전력 추정방법 | |
KR102230548B1 (ko) | Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템 | |
JP6310948B2 (ja) | 太陽電池検査システムおよび太陽電池検査方法 | |
CN106603006A (zh) | 一种基于查表插值的光伏阵列的故障诊断与定位方法 | |
CN109992911B (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
CN108092623A (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
Zhang et al. | A fault diagnosis method for photovoltaic module current mismatch based on numerical analysis and statistics | |
WO2023033002A1 (ja) | 太陽電池モジュールの故障診断方法及びプログラム | |
CN113037214B (zh) | 一种基于s-v曲线的光伏组件阴影遮挡故障诊断方法 | |
CN108306615B (zh) | 一种用于光伏阵列故障类型诊断的方法及系统 | |
CN107222169B (zh) | 一种基于离群点检测的光伏阵列实时监控与故障检测方法 | |
CN114330150B (zh) | 一种电热传感器互校正的锂电池健康状态估计方法 | |
CN113515851B (zh) | 一种光伏故障检测特征量提取方法 | |
Pan et al. | Research on output distribution modeling of photovoltaic modules based on kernel density estimation method and its application in anomaly identification | |
CN109086891B (zh) | 基于模糊逻辑推理的热斑故障诊断方法 | |
JP6865950B2 (ja) | 太陽光発電システムおよび太陽光発電制御システム | |
CN116436405A (zh) | 一种光伏组串的热斑故障诊断方法 | |
CN115117944B (zh) | 一种风电光伏联合发电的功率控制方法 | |
Kongphet et al. | Photovoltaic Fault Detection and Diagnosis: Which Level of Granularity for PV Modeling? | |
Sarikh et al. | Photovoltaic system fault identification methodology based on IV characteristics analysis | |
JP6354946B2 (ja) | 太陽光発電システムの異常診断方法 | |
Voutsinas et al. | A survey of fault detection and identification methods for Photovoltaic systems based on IV curves | |
TWI573385B (zh) | 太陽光電模組陣列之最佳化線上即時故障檢測器及其故障檢測方法 |
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 |