CN113657027A - 一种光伏组件故障诊断方法、系统、设备及存储介质 - Google Patents
一种光伏组件故障诊断方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113657027A CN113657027A CN202110886843.6A CN202110886843A CN113657027A CN 113657027 A CN113657027 A CN 113657027A CN 202110886843 A CN202110886843 A CN 202110886843A CN 113657027 A CN113657027 A CN 113657027A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- model
- fault diagnosis
- module
- parameters
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000032683 aging Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000012512 characterization method Methods 0.000 abstract description 2
- 230000008439 repair process Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000873 masking effect Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- FBOUIAKEJMZPQG-AWNIVKPZSA-N (1E)-1-(2,4-dichlorophenyl)-4,4-dimethyl-2-(1,2,4-triazol-1-yl)pent-1-en-3-ol Chemical compound C1=NC=NN1/C(C(O)C(C)(C)C)=C/C1=CC=C(Cl)C=C1Cl FBOUIAKEJMZPQG-AWNIVKPZSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method 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
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏组件故障诊断方法、系统、设备及存储介质,属于电力设备运维检修技术领域。利用光伏组件等效单二极管模型五参数光生电流、二极管反向饱和电流、串联电阻Rs、并联电阻以及二极管理想因子和电气参数开路电压、最大功率作为故障表征参量,通过概率神经网络算法建立了融合模型参数与电气参数的光伏组件故障诊断模型,可以有效实现光伏组件阴影遮挡、短路、开路、老化等典型故障的识别诊断,同时使得训练数据集也大为缩小,提高了光伏组件故障诊断效率以及运维检修效率。
Description
技术领域
本发明属于电力设备运维检修技术领域,涉及一种光伏组件故障诊断方法、系统、设备及存储介质。
背景技术
随着碳达峰、碳中和进程的加快推进下,构建以新能源为主体的新型电力系统是必然趋势。这一背景下,光伏电站装机规模与并网容量快速增长。同时,恶劣的工作环境下使得光伏电站组件故障难以有效及时识别,运维检修难度大。
现有光伏组件的故障诊断主要通过红外图像识别、工作电压电流阈值,人工智能检测法,取得了不错的应用效果。红外图像识别法最大的优势在于其对组件本身毫无影响,并且可以直观反映出故障的位置,然而其会存在噪声大、成像不均匀等自身的局限性,同时设备费用也过于昂贵;工作电压电流阈值检测在大多数情况下不能准确区分外部故障特征相似的故障,还需要大量的辅助设备,较为繁琐;智能检测法的应用需要大量的数据进行训练,训练的数据也需要定期更新,仍然存在较大的挑战。
发明内容
本发明的目的在于克服上述现有技术中出现的噪声大、成像不均匀及费用昂贵等局限性,提供一种光伏组件故障诊断方法、系统、设备及存储介质。
为了达到上述目的,本发明采用以下技术方案予以实现:
一种光伏组件故障诊断方法,包括如下步骤:
步骤1)建立光伏组件不同运行状态下的仿真模型,获取光伏组件在不同运行状态下的电气参数,电气参数包括电流电压曲线;
步骤2)基于I-V曲线对光伏组件的模型参数进行辨识,得到不同运行状态下光伏组件的模型参数;
步骤3)以不同运行状态下的模型参数和电气参数作为概率神经网络模型的输入特征向量,以光伏组件的不同运行状态作为故障诊断的输出,建立基于概率神经网络模型的光伏组件故障诊断模型;
步骤4)利用样本数据对光伏组件故障诊断模型进行训练;
步骤5)将待测组件的模型参数和电气参数输入训练好的光伏组件故障诊断模型,输出光伏组件诊断结果。
优选地,运行状态包括光伏组件在正常、阴影遮挡、短路、开路及老化下的状态。
优选地,步骤1)中,电气参数还包括开路电压、短路电流和最大功率。
优选地,步骤2)中,模型参数包括光生电流、二极管反向饱和电流、串联电阻、并联电阻及二极管理想因子。
优选地,步骤2)中,基于电流电压曲线对光伏组件的模型参数进行辨识时采用的方法是粒子群算法。
优选地,步骤4)中,训练之前对获取的样本数据进行归一化处理。
一种光伏组件故障诊断系统,包括
仿真模型建立模块,用于建立光伏组件不同运行状态下的仿真模型;
参数获取模块,与仿真模型建立模块相交互,用于获取光伏组件在不同运行状态下的电气参数,并进一步获取不同运行状态下光伏组件的模型参数;
故障诊断模型建立模块,与参数获取模块相交互,基于电气参数和模型参数建立光伏组件故障诊断模型;
训练模块,与故障诊断模型建立模块相交互,用于对光伏组件故障诊断模型进行训练;
故障诊断模块,与训练模块相交互,基于训练好的光伏组件故障诊断模型获取光伏组件的诊断结果。
优选地,故障诊断模型建立模块是基于概率神经网络模型建立的。
优选地,参数获取模块包括电气参数获取单元和模型参数获取单元,
电气参数获取单元通过若干个不同的传感器获取电气参数;
模型参数获取单元与电气参数获取单元相交互,基于获取的电气参数,进行数据处理后得到模型参数。
一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述光伏组件故障诊断方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述光伏组件故障诊断方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明公开了一种融合模型参数与电气参数的光伏组件故障诊断方法,利用光伏组件等效单二极管模型五参数光生电流、二极管反向饱和电流、串联电阻Rs、并联电阻以及二极管理想因子和电气参数开路电压、最大功率作为故障表征参量,通过概率神经网络算法建立了融合模型参数与电气参数的光伏组件故障诊断模型,可以有效实现光伏组件阴影遮挡、短路、开路、老化等典型故障的识别诊断,同时使得训练数据集也大为缩小,提高了光伏组件故障诊断效率以及运维检修效率。
进一步地,基于电流电压曲线对光伏组件仿真模型进行辨别时采用的方法是粒子群算法,能够更加快速的对获取的众多数据进行处理,进而提高故障诊断效率。
本发明还公开了一种光伏组件故障诊断系统,包括五个模块,分别为仿真模型建立模块,用于建立光伏组件不同运行状态下的仿真模型;参数获取模块,与仿真模型建立模块相交互,用于获取光伏组件在不同运行状态下的电气参数,并进一步获取不同运行状态下光伏组件的模型参数;故障诊断模型建立模块,与参数获取模块相交互,基于电气参数和模型参数建立光伏组件故障诊断模型;训练模块,与故障诊断模型建立模块相交互,用于对光伏组件故障诊断模型进行训练;故障诊断模块,与训练模块相交互,基于训练好的光伏组件故障诊断模型获取光伏组件的诊断结果。本发明的光伏组件故障诊断系统设计严谨,实用性较强。
附图说明
图1为本发明一种光伏组件故障诊断方法的流程图;
图2为本发明中不同状态下光伏组件的电流电压曲线图;(a)为阴影状态与正常状态的电流电压曲线对比,(b)为短路状态与正常状态的电流电压曲线对比,(c)为开路状态与正常状态的电流电压曲线对比,(d)为老化状态与正常状态的电流电压曲线对比;
图3为本发明中的概率神经网络拓扑结构图。
其中,六个输入向量x1、x2、x3、x4、x5、x6分别为Iph、Id、Rs、Rsh、n、Voc;五个输出状态O1、O2、O3、O4、O5、分别为正常、阴影、短路、开路和老化状态。
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,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。
下面结合附图对本发明做进一步详细描述:
实施例1
一种光伏组件故障诊断方法,参见图1,包括如下步骤:
步骤1)建立光伏组件不同运行状态(包括光伏组件在正常、阴影遮挡、短路、开路及老化下的状态)下的仿真模型,获取光伏组件在不同故障条件下的电气参数,电气参数包括开路电压、短路电流、最大功率及电流电压曲线;
步骤2)基于电流电压曲线对光伏组件仿真模型进行辨别,得到不同运行状态(包括光伏组件在正常、阴影遮挡、短路、开路及老化下的状态)下光伏组件的模型参数,模型参数包括光生电流、二极管反向饱和电流、串联电阻、并联电阻及二极管理想因子;
步骤3)以不同运行状态下的模型参数和电气参数作为概率神经网络模型的输入特征向量,以光伏组件的不同运行状态作为故障诊断的输出,建立基于概率神经网络模型的光伏组件故障诊断模型;
步骤4)利用样本数据对光伏组件故障诊断模型进行训练;
步骤5)将待测组件的模型参数和电气参数输入训练好的光伏组件故障诊断模型,输出光伏组件诊断结果。
实施例2
一种融合模型参数与电气参数的光伏组件故障诊断方法,包括以下步骤:
步骤1:搭建光伏组件正常、阴影遮挡、短路、开路、老化等不同状态下的仿真模型,测量不同故障下的开路电压Voc、短路电流Isc、最大功率Pm和电流电压曲线(简称I-V曲线)。
步骤2:利用粒子群算法对I-V曲线进行辨识,获取不同状态下光伏组件的模型参数光生电流Iph、二极管反向饱和电流Id、串联电阻Rs、并联电阻Rsh以及二极管理想因子n1。
步骤3:将光伏组件正常、阴影遮挡、短路、开路、老化等不同状态下模型参数光生电流Iph、二极管反向饱和电流Id、串联电阻Rs、并联电阻Rsh以及二极管理想因子n1和电气参数开路电压Voc、短路电流Isc、最大功率Pm作为概率神经网络模型的输入特征向量,以光伏组件正常、阴影、短路、开路、老化5种运行状态作为故障诊断的输出,建立基于PNN的光伏组件故障诊断模型;
步骤4:利用样本数据对光伏组件故障诊断模型进行训练;
步骤5:利用所装设的传感器获取待测光伏组件开路电压Voc、短路电流Isc、最大功率Pm和I-V曲线,并利用粒子群算法辨识光伏组件的模型参数光生电流Iph、二极管反向饱和电流Id、串联电阻Rs、并联电阻Rsh;
步骤6:将待测组件模型参数和电气参数输入训练好的光伏组件概率神经网络故障诊断模型,输出光伏组件诊断结果。
实施例3
以模拟光伏组件为例进一步说明(同时也适用于其他组件)
一种融合模型参数与电气参数的光伏组件故障诊断方法,具体为:
由于实际中无法控制光伏组件的运行情况,采集任意工况下的实验故障数据具有一定的难度,本实施例对光伏组件的4种常见故障(阴影遮挡、短路、开路、老化)和正常进行了仿真建模,并利用电压、电流传感器采集开路电压Voc、短路电流Isc,最大功率Pm。表1描述了用于模拟的光伏组件的电气参数。同时模拟了正常状态和4种常见故障(阴影遮挡、短路、开路、老化)的输出特性,如表2所示。利用电压、电流传感器测量开路电压Voc、短路电流Isc、最大功率Pm。
表1模拟组件的电气参数
最大功率P<sub>m</sub>(W) | 366.68 |
最大功率点电压V<sub>m</sub>(V) | 41.2 |
最大功率点电流I<sub>m</sub>(A) | 8.9 |
开路电压V<sub>oc</sub>(V) | 51.1 |
短路电流I<sub>sc</sub>(A) | 9.65 |
K<sub>i</sub> | 0.50%A/℃ |
K<sub>v</sub> | -0.29V/℃ |
表2光伏组件故障时各参数的变化特点
故障类型 | 开路电压(V<sub>oc</sub>) | 短路电流(I<sub>sc</sub>) | 最大功率(P<sub>m</sub>) | 主要关联的模型参数 |
阴影 | 不变 | 不变 | 减小 | R<sub>sh</sub> |
短路故障 | 降低 | 不变 | 减小 | n和I<sub>d</sub> |
开路故障 | 不变 | 降低 | 减小 | I<sub>ph</sub> |
组件老化 | 不变 | 不变 | 减小 | R<sub>s</sub> |
对光伏组件的正常状态和4种常见故障(阴影遮挡、短路、开路、老化)进行了仿真建模,首先利用电压、电流传感器采集电压、电流波形构建I-V曲线。结果如图2所示,图2a可以看出与正常组件相比,阴影遮挡组件IV曲线的短路电流和最大功率会明显降低,而开路电压略减小,而且不同阴影遮挡情况下,其IV曲线形状也会发生扭曲,对应的PV曲线也出现几个局部最大功率峰值;图2b可以看出当光伏电池发生短路时,组件的开路电压和最大功率都会明显降低,短路电流却基本保持不变;图2c中组件开路故障时短路电流和最大功率会随着组件开路的发生而急剧下降,I-V曲线末端的斜率绝对值会略有减小,而开路电压基本保持不变;图2d中当组件老化时,其短路电流和开路电压基本保持不变,但是最大功率会有明显的降低。总的来说可以从图2看出组件常见故障与其电气参数有明显的关联。
利用粒子群算法对正常状态和4种常见故障(阴影遮挡、短路、开路、老化)下的I-V曲线进行辨识获取光伏组件不同状态下的光生电流Iph、二极管反向饱和电流Id、串联电阻Rs、并联电阻Rsh以及二极管理想因子n1,结果见表3。
表3模拟故障的参数辨识结果
由表3可知,阴影故障下,并联电阻和光生电流会发生变化;短路故障下并联电阻和二极管理想因子会发生变化;开路故障下二极管饱和电流、光生电流、并联电阻、串联电阻会发生变化;老化下二极管反向饱和电流和串联电阻会发生变化。
将光伏组件在正常、阴影遮挡、短路、开路、老化的5种不同状态下模型参数光生电流Iph、二极管反向饱和电流Id、串联电阻Rs、并联电阻Rsh以及二极管理想因子n1和电气参数开路电压Voc、短路电流Isc、最大功率Pm等8个参数特征向量作为概率神经网络模型的输入特征向量,以光伏组件正常、阴影、短路、开路、老化5种运行状态作为故障诊断的输出,建立基于PNN(概率神经网络模型)的光伏组件故障诊断模型,如图3所示,图3表明,光伏组件故障诊断模型由输入层、隐含层、求和层和输出层4层构成:首先输入层通过一定的权值将输入样本传递给隐藏层中相应的神经元。隐含层是径向基函数,其神经元的个数等于输入样本矢量的个数,在该过程中,输入特征向量与训练集中各个模式的相似度会被计算,隐含层的神经元激活函数取高斯型函数,高斯型函数具体如下式所示:
其中,xi,j是第i类样本的第j个中心,spread被称为平滑参数,其值一般取0.1。
然后,隐含层中属于同一类的输出结果会在求和层进行加权平均,具体过程如下式所示:
式中i表示输入层个数,Sumi表示第i类类型的求和层输出,N表示神经元的个数,其值与分类的类别数相同。
最后,将求和层中最大数值的类别作为输出层(O),即:
O=argmax(sumi)
式中,argmax(y(x))函数是返回使y值最大时的x的值。O=(O1,O2,…OP)是输出层向量,p为输出层样本的维数,其值等于分类的类别数。
将数据集随机分为训练数据集和测试数据集,并对两个数据集进行归一化处理;对样本数据进行训练以最小化诊断误差;
利用所装设的传感器获取待测光伏组件开路电压Voc、短路电流Isc、最大功率Pm和I-V曲线,并利用粒子群算法辨识光伏组件的模型参数光生电流Iph、二极管反向饱和电流Id、串联电阻Rs、并联电阻Rsh;
将待测组件模型参数和电气参数输入训练好的光伏组件故障诊断模型,输出光伏组件诊断结果。
实施例4
一种光伏组件故障诊断系统,包括
仿真模型建立模块,用于建立光伏组件不同运行状态下的仿真模型;
参数获取模块,与仿真模型建立模块相交互,用于获取光伏组件在不同运行状态下的电气参数,并进一步获取不同运行状态下光伏组件的模型参数;
故障诊断模型建立模块,与参数获取模块相交互,基于电气参数和模型参数建立光伏组件故障诊断模型;
训练模块,与故障诊断模型建立模块相交互,用于对光伏组件故障诊断模型进行训练;
故障诊断模块,与训练模块相交互,基于训练好的光伏组件故障诊断模型获取光伏组件的诊断结果。
其中,故障诊断模型建立模块是基于概率神经网络模型建立的;
参数获取模块包括电气参数获取单元和模型参数获取单元,
电气参数获取单元通过若干个不同的传感器获取电气参数;
模型参数获取单元与电气参数获取单元相交互,基于获取的电气参数,进行数据处理后得到模型参数。
实施例5
本发明方法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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。其中,所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
实施例6
在示例性实施例中,还提供计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明方法的步骤。处理器可能是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
综上所述,考虑到光伏组件故障会在在内部模型参数和组件电气参数中所表征,本文利用人工智能前沿理论,融合模型参数与电气参数实现光伏组件故障智能识别,对光伏电站运维有一定的指导意义。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (9)
1.一种融合模型参数与电气参数的光伏组件故障诊断方法,其特征在于,包括如下步骤:
步骤1)建立光伏组件不同运行状态下的仿真模型,获取光伏组件在不同运行状态下的电气参数,电气参数包括电流电压曲线;
步骤2)基于I-V曲线对光伏组件的模型参数进行辨识,得到不同运行状态下光伏组件的模型参数;
步骤3)以不同运行状态下的模型参数和电气参数作为概率神经网络模型的输入特征向量,以光伏组件的不同运行状态作为故障诊断的输出,建立基于概率神经网络模型的光伏组件故障诊断模型;
步骤4)利用样本数据对光伏组件故障诊断模型进行训练;
步骤5)将待测组件的模型参数和电气参数输入训练好的光伏组件故障诊断模型,输出光伏组件诊断结果。
2.根据权利要求1所述的光伏组件故障诊断方法,其特征在于,运行状态包括光伏组件在正常、阴影遮挡、短路、开路及老化下的状态。
3.根据权利要求1所述的光伏组件故障诊断方法,其特征在于,步骤1)中,电气参数还包括开路电压、短路电流和最大功率;
步骤2)中,模型参数包括光生电流、二极管反向饱和电流、串联电阻、并联电阻及二极管理想因子。
4.根据权利要求1所述的光伏组件故障诊断方法,其特征在于,步骤2)中,基于电流电压曲线对光伏组件的模型参数进行辨识时采用的方法是粒子群算法。
5.根据权利要求1所述的光伏组件故障诊断方法,其特征在于,步骤4)中,训练之前对获取的样本数据进行归一化处理。
6.一种光伏组件故障诊断系统,其特征在于,包括
仿真模型建立模块,用于建立光伏组件不同运行状态下的仿真模型;
参数获取模块,与仿真模型建立模块相交互,用于获取光伏组件在不同运行状态下的电气参数,并进一步获取不同运行状态下光伏组件的模型参数;
故障诊断模型建立模块,与参数获取模块相交互,基于电气参数和模型参数建立光伏组件故障诊断模型;
训练模块,与故障诊断模型建立模块相交互,用于对光伏组件故障诊断模型进行训练;
故障诊断模块,与训练模块相交互,基于训练好的光伏组件故障诊断模型获取光伏组件的诊断结果。
7.根据权利要求6所述的光伏组件故障诊断系统,其特征在于,
故障诊断模型建立模块是基于概率神经网络模型建立的;
参数获取模块包括电气参数获取单元和模型参数获取单元,
电气参数获取单元通过若干个不同的传感器获取电气参数;
模型参数获取单元与电气参数获取单元相交互,基于获取的电气参数,进行数据处理后得到模型参数。
8.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述光伏组件故障诊断方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述光伏组件故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110886843.6A CN113657027A (zh) | 2021-08-03 | 2021-08-03 | 一种光伏组件故障诊断方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110886843.6A CN113657027A (zh) | 2021-08-03 | 2021-08-03 | 一种光伏组件故障诊断方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657027A true CN113657027A (zh) | 2021-11-16 |
Family
ID=78478328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110886843.6A Pending CN113657027A (zh) | 2021-08-03 | 2021-08-03 | 一种光伏组件故障诊断方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657027A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105955148A (zh) * | 2016-07-01 | 2016-09-21 | 福州大学 | 基于ZigBee的光伏组件在线监测与故障诊断方法 |
CN105954616A (zh) * | 2016-05-05 | 2016-09-21 | 江苏方天电力技术有限公司 | 基于外特性电气参数的光伏组件故障诊断方法 |
CN105978487A (zh) * | 2016-05-05 | 2016-09-28 | 江苏方天电力技术有限公司 | 基于内部等效参数的光伏组件故障诊断方法 |
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 |
CN106059492A (zh) * | 2016-05-05 | 2016-10-26 | 江苏方天电力技术有限公司 | 基于功率预测的光伏组件阴影故障类型判定方法 |
CN106067758A (zh) * | 2016-05-25 | 2016-11-02 | 河海大学常州校区 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
CN108805256A (zh) * | 2018-08-07 | 2018-11-13 | 南京工业大学 | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 |
CN110008628A (zh) * | 2019-04-17 | 2019-07-12 | 河海大学常州校区 | 一种光伏阵列故障参数辨识方法 |
CN112016260A (zh) * | 2020-08-28 | 2020-12-01 | 河海大学常州校区 | 基于光伏组件i-v曲线的热斑电池片温度估算方法、装置及存储介质 |
-
2021
- 2021-08-03 CN CN202110886843.6A patent/CN113657027A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954616A (zh) * | 2016-05-05 | 2016-09-21 | 江苏方天电力技术有限公司 | 基于外特性电气参数的光伏组件故障诊断方法 |
CN105978487A (zh) * | 2016-05-05 | 2016-09-28 | 江苏方天电力技术有限公司 | 基于内部等效参数的光伏组件故障诊断方法 |
CN106059492A (zh) * | 2016-05-05 | 2016-10-26 | 江苏方天电力技术有限公司 | 基于功率预测的光伏组件阴影故障类型判定方法 |
CN106067758A (zh) * | 2016-05-25 | 2016-11-02 | 河海大学常州校区 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
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 |
CN105955148A (zh) * | 2016-07-01 | 2016-09-21 | 福州大学 | 基于ZigBee的光伏组件在线监测与故障诊断方法 |
CN108805256A (zh) * | 2018-08-07 | 2018-11-13 | 南京工业大学 | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 |
CN110008628A (zh) * | 2019-04-17 | 2019-07-12 | 河海大学常州校区 | 一种光伏阵列故障参数辨识方法 |
CN112016260A (zh) * | 2020-08-28 | 2020-12-01 | 河海大学常州校区 | 基于光伏组件i-v曲线的热斑电池片温度估算方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
夏超浩: "光伏组件模型参数辨识及其故障识别研究", 中国优秀硕士论文全文电子期刊, 30 June 2022 (2022-06-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aziz et al. | A novel convolutional neural network-based approach for fault classification in photovoltaic arrays | |
CN109766952B (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
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 | |
CN108062571B (zh) | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 | |
Zhu et al. | Fault diagnosis approach for photovoltaic arrays based on unsupervised sample clustering and probabilistic neural network model | |
Gao et al. | A novel fault identification method for photovoltaic array via convolutional neural network and residual gated recurrent unit | |
CN109670553B (zh) | 基于自适应神经模糊推理系统的光伏阵列故障诊断方法 | |
CN111444615B (zh) | 一种基于k近邻和iv曲线的光伏阵列故障诊断方法 | |
CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
JP7232228B2 (ja) | ソーラーパネルネットワークにおける故障の検出、診断及び位置確認のための方法及びシステム | |
CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
Liu et al. | Fault diagnosis approach for photovoltaic array based on the stacked auto-encoder and clustering with IV curves | |
CN110008628B (zh) | 一种光伏阵列故障参数辨识方法 | |
CN108009730B (zh) | 一种光伏电站系统健康状态分析方法 | |
CN111160241B (zh) | 一种基于深度学习的配电网故障分类方法、系统和介质 | |
CN113378449A (zh) | 一种基于模糊c均值聚类的光伏组件健康状态诊断方法 | |
Liu et al. | A dilation and erosion-based clustering approach for fault diagnosis of photovoltaic arrays | |
CN108092623A (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
Omar et al. | Fault classification on transmission line using LSTM network | |
Wang et al. | Online fault diagnosis of PV array considering label errors based on distributionally robust logistic regression | |
CN116484299A (zh) | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 | |
CN114139614B (zh) | 一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和系统 | |
Bharath et al. | Condition monitoring of photovoltaic systems using machine leaming techniques | |
Eskandari et al. | Optimization of SVM classifier using grid search method for line-line fault detection of photovoltaic systems | |
Han et al. | An intelligent fault diagnosis method for PV arrays based on an improved rotation forest algorithm |
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 |