CN115310351A - 一种基于无人机的光伏阵列区域故障诊断的方法及系统 - Google Patents

一种基于无人机的光伏阵列区域故障诊断的方法及系统 Download PDF

Info

Publication number
CN115310351A
CN115310351A CN202210858779.5A CN202210858779A CN115310351A CN 115310351 A CN115310351 A CN 115310351A CN 202210858779 A CN202210858779 A CN 202210858779A CN 115310351 A CN115310351 A CN 115310351A
Authority
CN
China
Prior art keywords
photovoltaic array
array area
target photovoltaic
aerial vehicle
unmanned aerial
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
Application number
CN202210858779.5A
Other languages
English (en)
Inventor
高杰
周晨泽
陈露露
院金彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Wanfei Control Technology Co ltd
Original Assignee
Xi'an Wanfei Control Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Wanfei Control Technology Co ltd filed Critical Xi'an Wanfei Control Technology Co ltd
Priority to CN202210858779.5A priority Critical patent/CN115310351A/zh
Publication of CN115310351A publication Critical patent/CN115310351A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/08—Learning methods
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提供一种基于无人机的光伏阵列区域故障诊断的方法及系统，涉及光伏发电领域，能够解决光伏阵列区域的发生故障、设备使用老化，效率降低，能量损耗增大容易造成故障诊断误判的问题。本发明基于无人机获取光伏阵列区域环境参数信息传送给控制中心，控制中心将目标光伏阵列区域的理论电功率与实际电功率的数据信息输入到预先训练好的Softmax网络中，得到所述目标光伏阵列区域的故障状态，并将所述目标光伏阵列区域故障状态信息确定故障状态信息的类型。使用无人机不仅能够提供较为准确的数据，还可以依据固有模型对于故障进行准确的定位，并且对非故障且效率较低的光伏阵列区域进行准确的定位，并及时进行更换。本发明用于光伏发电的光伏阵列区域故障诊断。

Description

一种基于无人机的光伏阵列区域故障诊断的方法及系统
技术领域
本公开涉及无人机巡检领域，尤其涉及一种基于无人机的光伏阵列区域故障诊断的方法及系统。
背景技术
现有技术是随着传统化石能源逐渐被人们发现，并加以开采使用，使得生存环境越加糟糕，因此减少传统化石能源在能源结构中的占比，优化能源结构大量使用清洁能源的要求，使得太阳能的应用越来越广泛，但是随着光伏阵列区域大面积应用，对光伏阵列区域使用的可靠性提出要求，目前在光伏阵列区域上使用固定的传感器进行故障检测成本会大幅升高，且随着光伏阵列区域使用时间的增加，光伏阵列区域的使用效率也在逐渐降低，在实际的应用场景出现光伏阵列区域出现故障，无法判断哪一块光伏阵列区域出故障，也无法判断出现哪一类型的故障。
目前，基于无人机的光伏阵列区域故障诊断技术较为不成熟，应用方向也较小，其自身缺点也在于这种基于能量检测的方式一是对于模型精度的依赖性较高，如果模型精度较低，则会造成控制中心发生误判的情况；二是随时使用时间增长光伏阵列区域使用时间增长，设备使用老化，效率降低，能量损耗增大也容易造成误判。
发明内容
本发明提供一种基于无人机的光伏阵列区域故障诊断的方法及系统，能够解决光伏阵列区域使用的过程中出现故障，无法判断光伏阵列区域出现故障，无法精准定位故障状态和故障类型的问题。
本发明所提供一种基于无人机的光伏阵列区域故障诊断的方法，该方法包括：
无人机获取目标光伏阵列区域的环境参数信息后发送给控制中心；太阳能控制器将目标光伏阵列区域实际电功率数据信息发送控制中心；
控制中心收到目标光伏阵列区域的环境参数信息后进行处理，得到目标光伏阵列区域的理论电功率；
控制中心将目标光伏阵列区域的理论电功率数据信息和所述目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到目标光伏阵列区域的故障状态信息；
控制中心将所述目标光伏阵列区域的故障状态信息发送给无人机，并指派无人机到所述目标光伏阵列区域巡检采集实际的图像信息，无人机回传目标光伏阵列区域实际的图像信息给控制中心，控制中心确定目标光伏阵列区域故障状态信息的类型。
优选地，无人机获取目标光伏阵列区域的环境参数信息后发送给控制中心，是指无人机搭载有检测计量仪器，测量目标光伏阵列区域的环境参数信息，其中，所述测量目标光伏阵列区域的环境参数信息包括环境温度、光照强度、辐射度。
优选地，目标光伏阵列区域的环境参数信息输入到目标光伏阵列区域的输出功率仿真模型中，得到目标光伏阵列区域的理论电功率P，该目标光伏阵列区域理论电功率P表达式如下：
P＝I*Vm (1)
其中，Vm为最大功率点电压，I为理论电流值；
Figure BDA0003755443370000021
式(2)为光伏阵列区域的工程模型，其中，Isc为短路电流，S为光照强度，D1、C1、C2分别为工程模型内部系数，Voc为开路电压，α为工程模型经验常数，Tref为基准温度，V为输出电压，Rs为等效电路并联电阻。
优选地，目标光伏阵列区域的理论电功率P和所述目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到所述目标光伏阵列区域的故障状态信息，是指对以往收集的光伏阵列区域的环境参数信息设置对应权重，Softmax网络的输入层经过权重处理后输入到隐藏层，通过大量的数据运算，得到符合输出结果的数据关系，形成光伏阵列区域的故障状态信息。
优选地，控制中心将目标光伏阵列区域的理论电功率数据信息和目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到目标光伏阵列区域的故障状态信息，该故障状态信息的类型包括：
当电压≤理论电压*80％，电流≥理论电流*120％时，目标光伏阵列区域短路；
当电压≤理论电压*80％，电流≤理论电流*80％时，目标光伏阵列区域老化；
当电压≥理论电压*120％，电流≤理论电流*80％时，目标光伏阵列区域开路；
当目标光伏阵列区域为故障状态，在判断故障状态的类型前，事先要判断目标光伏阵列区域发生故障是否有遮挡物，判断结果为否，再继续判断故障状态的类型。
优选地，控制中心将得到目标光伏阵列区域的故障状态信息进行判断后，指示无人机在目标光伏阵列区域采集实际情况的图像信息，进行初步判断故障状态，无人机将目标光伏阵列区域初步判断故障状态信息发送给控制中心；
控制中心在判断故障状态的类型前，事先要指派无人机巡检，所述无人机回传的图像信息判断所述目标光伏阵列区域发生故障是否有遮挡物，判断结果为否，再继续判断故障状态信息的类型。
本发明实施例提供的一种基于无人机的光伏阵列区域故障诊断的方法是基于无人机的使用，无人机不仅能够提供目标光伏阵列区域较为准确的环境参数信息数据，还与控制中心信息互动，依据训练好的Softmax网络固有模型对于故障状态信息和故障信息的类型进行准确的定位，并且对非故障且效率较低的光伏阵列区域进行准确的定位，并及时进行更换。
根据本公开实施例的第二方面，提供一种基于无人机的光伏阵列区域故障诊断的系统，该系统包括无人机平台、光伏阵列区域电功率数据信息输出模块、控制中心；
无人机平台，用于获取目标光伏阵列区域的光伏阵列区域实际工作环境下的环境参数信息，并发送给控制中心；
光伏阵列区域电功率数据信息输出模块，用于输出目标光伏阵列区域的实际电功率数据信息，并发送给控制中心；
控制中心，用于接收目标光伏阵列区域实际电功率的数据信息和目标光伏阵列区域的环境参数信息，控制中心对目标光伏阵列区域的环境参数信息进行处理后，得到目标光伏阵列区域的理论电功率数据信息；该控制中心将目标光伏阵列区域的理论电功率和目标光伏阵列区域的实际电功率的数据信息输入到预先训练好的Softmax网络中，得到目标光伏阵列区域的故障状态信息，并将目标光伏阵列区域故障状态信息；
控制中心将所述目标光伏阵列区域的故障状态信息发送给无人机，并指派无人机到所述目标光伏阵列区域巡检采集实际的图像信息，无人机回传目标光伏阵列区域实际的图像信息给控制中心，控制中心确定目标光伏阵列区域故障状态信息的类型。
其中，无人机平台还包括采集单元、通讯单元；
采集单元，用于无人机采集目标光伏阵列区域的实际工作环境下的环境参数信息目标光伏阵列区域实际情况图像信息；
通讯单元，用于无人机接收采集单元目标光伏阵列区域的实际工作环境下的环境参数信息、目标光伏阵列区域实际情况图像信息，并发送给控制中心；
控制中心还包括控制单元、无线通讯单元；
控制单元，用于将目标光伏阵列区域的理论电功率数据信息与目标光伏阵列区域的实际电功率的数据信息输入到预先训练好的Softmax网络中，得到目标光伏阵列区域故障状态；
无线通讯单元，用于接收目标光伏阵列区域的理论电功率数据信息、目标光伏阵列区域的实际电功率数据信息，并将目标光伏阵列区域故障状态信息发送给无人机并指派所述无人机进行巡检确认目标光伏阵列区域故障状态信息的类型。
优选地，目标光伏阵列区域的理论电功率数据信息，是目标光伏阵列区域的环境参数信息输入目标光伏阵列区域的输出功率仿真模型得到目标光伏阵列区域的理论电功率P，该理论电功率P表达式如下：
P＝I*Vm (1)
其中，Vm为最大功率点电压，I为理论电流值
Figure BDA0003755443370000041
式(2)为光伏阵列区域的工程模型，其中，Isc为短路电流，S为光照强度，D1、C1、C2分别为工程模型内部系数，Voc为开路电压，α为工程模型经验常数，Tref为基准温度，V为输出电压，Rs为等效电路并联电阻。
优选地，控制中心将目标光伏阵列区域的理论电功率数据信息和目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到目标光伏阵列区域的故障状态信息，该故障状态信息的类型包括：
当电压≤理论电压*80％，电流≥理论电流*120％时，目标光伏阵列区域短路；
当电压≤理论电压*80％，电流≤理论电流*80％时，目标光伏阵列区域老化；
当电压≥理论电压*120％，电流≤理论电流*80％时，目标光伏阵列区域开路；
其中，当目标光伏阵列区域为故障状态，在判断故障状态的类型前，事先要判断目标光伏阵列区域发生故障是否有遮挡物，判断结果为否，再继续，判断故障状态信息的类型。
本发明实施例提供的一种基于无人机的光伏阵列区域故障诊断的系统，是通过使用无人机平台不仅能够提供目标光伏阵列区域较为准确的环境参数信息数据，还与控制中心信息互动，依据训练好的Softmax网络固有模型对于故障状态信息和故障信息的类型进行准确的定位，并且对非故障且效率较低的光伏阵列区域进行准确的定位，并及时进行更换。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本公开实施例提供的一种基于无人机的光伏阵列区域故障诊断的方法的流程图；
图2是本公开实施例提供的一种基于无人机的光伏阵列区域故障诊断的方法的softmax网络故障诊断及训练流程图；
图3是本公开实施例提供的一种基于无人机的光伏阵列区域故障诊断的方法Softmax网络权重处理及隐藏层示意图；
图4是本公开实施例提供的一种基于无人机的光伏阵列区域故障诊断的方法基于softmax网络故障判断流程图；
图5是本公开实施例提供的一种基于无人机的光伏阵列区域故障诊断的系统结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
实施例一、
本发明实施例提供一种基于无人机的光伏阵列区域故障诊断的方法，如图1所示，该故障诊断的方法，应用于无人机，该方法包括：
101、无人机获取目标光伏阵列区域的环境参数信息后发送给控制中心；太阳能控制器将目标光伏阵列区域的实际电功率数据信息发送所述控制中心；
102、所述控制中心收到所述目标光伏阵列区域的环境参数信息后进行处理，得到所述目标光伏阵列区域的理论电功率数据信息；
103、控制中心将所述目标光伏阵列区域的理论电功率数据信息和所述目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到所述目标光伏阵列区域的故障状态信息；
104、控制中心将所述目标光伏阵列区域的故障状态信息发送给无人机，并指派无人机到所述目标光伏阵列区域巡检采集实际的图像信息，无人机回传目标光伏阵列区域实际的图像信息给控制中心，控制中心确定目标光伏阵列区域故障状态信息的类型。
其中，太阳能控制器全称为最大功率点跟踪”MPPT(Maximum Power PointTracking)
其中，无人机获取目标光伏阵列区域的环境参数信息后发送给控制中心，是指无人机搭载有检测计量仪器，测量目标光伏阵列区域的环境参数信息，其中，所述测量目标光伏阵列区域的环境参数信息包括环境温度、光照强度、辐射度。
在一个实施例中，目标光伏阵列区域的环境参数信息输入到所述目标光伏阵列区域的输出功率仿真模型中，得到目标光伏阵列区域的理论电功率P，该理论电功率P表达式如下：
P＝I*Vm (1)
其中，Vm为最大功率点电压，I为理论电流值；
Figure BDA0003755443370000061
式(2)为光伏阵列区域的工程模型，其中，Isc为短路电流，S为光照强度，D1、C1、C2分别为工程模型内部系数，Voc为开路电压，α为工程模型经验常数，Tref为基准温度，V为输出电压，Rs为等效电路并联电阻。
在一个实施例中，所述目标光伏阵列区域的理论电功率P和所述目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到所述目标光伏阵列区域的故障状态信息，是指对以往收集的光伏阵列区域的环境参数信息设置对应权重，所述Softmax网络的输入层经过权重处理后输入到隐藏层，通过大量的数据运算，得到符合输出结果的数据关系，形成所述光伏阵列区域的故障状态信息。
在一个实施例中，控制中心将目标光伏阵列区域的理论电功率数据信息和目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到目标光伏阵列区域的故障状态信息；
在一个实施例中，如图4所示，Softmax网络判断出故障，既当目标光伏阵列区域为故障状态；
在判断故障状态的类型前，事先要判断目标光伏阵列区域发生故障是否有遮挡物，调用无人机判断故障区域是否存在遮挡情况后，进行判定，判定结果为否，再继续判断故障状态的类型，如果判定结果为是，指派无人机前去查看是否清除遮挡情况，无人机可携带诸如摄像头，热成像等设备并对光伏板的工作情况进行监控，如查看光伏板是否被树木遮挡或者是否被灰尘覆盖等信息回传控制中心；控制中心指派人员清除遮挡物。
当遮挡物清除后，再重新运行Softmax网络判断是否存在故障，再次判定；
如果判定结果为是，继续判断故障状态信息的类型；
如果判定结果为否，停止判断分析；
该故障状态信息的类型包括，
当电压≤理论电压*80％，电流≥理论电流*120％时，目标光伏阵列区域短路；
当电压≤理论电压*80％，电流≤理论电流*80％时，目标光伏阵列区域老化；
当电压≥理论电压*120％，电流≤理论电流*80％时，目标光伏阵列区域开路。
控制中心将得到目标光伏阵列区域的故障状态信息进行判断后，指示无人机在所述目标光伏阵列区域采集实际情况的图像信息，进行初步判断故障状态，无人机将目标光伏阵列区域初步判断故障状态信息发送给控制中心；控制中心根据所接收的标光伏阵列区域初步判断故障状态信息判断故障状态信息的类型。
本发明实施例提供的一种基于无人机的光伏阵列区域故障诊断的系统，是通过使用无人机平台不仅能够提供目标光伏阵列区域较为准确的环境参数信息数据，还与控制中心信息互动，依据训练好的Softmax网络固有模型对于故障状态信息和故障信息的类型进行准确的定位，并且对非故障且效率较低的光伏阵列区域进行准确的定位，并及时进行更换。
实施例二、
在一个实施例中，基于实施例一的一种基于无人机的光伏阵列区域故障诊断的方法，无人机搭载有检测计量仪器，如有光照强度计、温度计、辐射检测仪，用于测量当前光伏阵列区域的环境参数信息，如环境温度、光照强度、辐射度等；无人机在日常对于固定区域进行巡逻的情况下获取到实时状态下目标光伏阵列区域实际工作环境下的环境参数信息，比如光照强度，辐射度，温度等信息，将其传回到控制中心。
光伏阵列区域带有太阳能MPPT(Maximum Power Point Tracking)控制器，并将MPPT控制器连接到一个DC/AC逆变器单元，并使用电流和电压传感器去测量当前逆变器内的电压和电流大小，在考虑MPPT，逆变器，电流电压传感器的损耗后，可以计算出当前实际的光伏板转化能量，此设计值为实际电功率值；
通过将无人机巡检回传的光照强度计和温度值带入到光伏功率输出模型中，可以求解出此时的光伏板的理论功率，
控制中心对于无人机回传后的参数加入到输出模型进行计算，计算出此时的环境条件下的理论电功率，见公式(1)工程模型，
P＝I*Vm (1)
其中，Vm为最大功率点电压，I为理论电流值
Figure BDA0003755443370000081
Figure BDA0003755443370000082
Figure BDA0003755443370000083
C2＝(Vm/C2-1)/ln(1-Im*Isc) (5)
式(2)为光伏阵列区域的工程模型，其中，Isc为短路电流，S为光照强度，D1、C1、C2分别为工程模型内部系数，Voc为开路电压，α为工程模型经验常数，Tref为基准温度，V为输出电压，Rs为等效电路并联电阻。
这里Vm为最大功率点，是光伏阵列区域的固定参数，通常情况设备参数是厂家出场的时候就会给出，在这里取18.1V，Isc为短路电流，是光伏阵列区域固定参数，在这里取3.11A，Voc为开路电压，是光伏阵列区域的固定参数，在这里取21.7V，Im为最大功率点电流，是光伏阵列区域的固定参数，在这里取2.85A。取S为40000Lux(单位勒克斯Lux)，温度为30℃，由此可以算出代入公式(4)、(5)
C1＝1.1*10-4，C2＝0.2015，这里取α为0.5，β为0.75，可以C1、C2代入公式(3)得到此时D1＝324400，将C1、C2、D1代入公式(1)I＝2.243A。
将Vm＝18.1V，I＝2.243A代入公式(1)得到理论电功率P
P＝I*Vm＝40.5983W
本发明实施例提供的一种基于无人机的光伏阵列区域故障诊断的系统，是通过使用无人机平台不仅能够提供目标光伏阵列区域较为准确的环境参数信息数据，还与控制中心信息互动，依据训练好的Softmax网络固有模型对于故障状态信息和故障信息的类型进行准确的定位，并且对非故障且效率较低的光伏阵列区域进行准确的定位，并及时进行更换。
实施例三、
在一个实施例中，基于上述实施例一的一种基于无人机的光伏阵列区域故障诊断的方法中的Softmax网络处理，控制中心将所述目标光伏阵列区域的理论电功率数据信息和所述目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到所述目标光伏阵列区域的故障状态信息；如图2所示，具体步骤如下：
控制中心首先将所获取的数据包括有光照强度、温度、实际的电压和电流、理论的电压电流数值(即统称为待检测故障具体参数)，对数据进行归一化处理，对监测数据样本集Softmax网络处理，即输入实时检测的数据集，在测试阶段是利用事先已经训练好的Softmax网络进行故障诊断，并输出故障状态类型。
事先已经训练好的Softmax网络，是将待检测故障具体参数，预先设置好标签及处理好的数据，对数据标示标签的类别，然后初始化网络，是对Softmax网络进行参数初始化；向网络中输入与预先设置好的样本数据，进行无监督SAE网络预训练，获取出数据和标签，经过局部微调，用反向传播网络对网络进行有监督学习，改进SAE网络，得到有监督学习训练好的Softmax网络。
首先是特征提取，在这里使用SAE网络(Stacked Autoencoder(SAE)模型是一个由多层稀疏自编码器组成的深度神经网络模型)进行完成，由于网络层数、特征编码维度与输入信号之间相关联，SAE网络可以自主完成信号的底层特征提取和编码。
其次是数据训练阶段，前期可以使用一些既往数据或者网上公开数据对Softmax网络进行训练，首先进行数据归一化处理，并设定标签，设定好初始情况下的Softmax的网络的层数，训练的维度等参数，输入预处理后的样本数据，将所输出的特征值和网络分类标签作为依据，微调整个网络，并根据反向传播算法进一步训练整个网络，直到Softmax网络训练完成。
在一个实施例中，如图3所示其中W1～W12为权重，并有部分权重未在其中标出，输入层经过权重处理后输入到隐藏层，通过大量的数据运算，得到符合输出结果的数据关系。通过过去已知数据集(包括电流电压、温度、光照强度等参数信息，图像的信息，)进行训练，将数据集按照80％为数据集用于训练Softmax网络，20％作为验证集测试Softmax网络的训练效果，在数据集输入到Softmax网络中等参数训练完成后，将验证集的参数输入到Softmax网络，观察输出结果和已知结果的差别，如果准确度达到90％以上，则可以认为Softmax网络已经训练完成，可以正常使用，能够输出正确的数据和故障类型，故障类型为短路、开路、老化。故障类型为如下内容：
当电压≤理论电压*80％，电流≥理论电流*120％时，目标光伏阵列区域短路；
当电压≤理论电压*80％，电流≤理论电流*80％时，目标光伏阵列区域老化；
当电压≥理论电压*120％，电流≤理论电流*80％时，目标光伏阵列区域开路。
在一个实施例中故障状态诊断如方法为图3所示，具体输入实时的数据包的数据，利用已经训练好的Softmax网络进行故障状态识别，并输出故障状态类型。
通过Softmax可以分析出当前是否有故障，如果有故障并会输出具体的故障状态类型，供后续的维修进行参考。如果实际情况下的输出和理论情况下的输出差距较大，则怀疑是否出现有遮挡光伏阵列区域情况，如图4所示，可以通过调度无人机快速机动到问题区域，回传问题区域的图像，判断其是否存在有遮挡太阳能板情况；如果长时间存在有实际输出和理论输出差距较大的情况发生，则可以对问题区域的光伏阵列区域进行检测，判断其是否存在有老化或者其他问题，做到及时检测和更换，保障其工作效率。
本发明实施例提供的一种基于无人机的光伏阵列区域故障诊断的系统，是通过使用无人机平台不仅能够提供目标光伏阵列区域较为准确的环境参数信息数据，还与控制中心信息互动，依据训练好的Softmax网络固有模型对于故障状态信息和故障信息的类型进行准确的定位，并且对非故障且效率较低的光伏阵列区域进行准确的定位，并及时进行更换。
基于上述图1对应的实施例中所描述的一种基于无人机的光伏阵列区域故障诊断的方法，下述为本发明的系统实施例，可以用于执行本发明方法实施例。
实施例四、
本发明提供的一种基于无人机的光伏阵列区域故障诊断的系统，该系统包括无人机平台201、光伏阵列区域电功率输出模块202、控制中心203；
无人机平台2021，用于获取目标光伏阵列区域的光伏阵列区域实际工作环境下的环境参数信息，并发送给所述控制中心；
光伏阵列区域电功率输出模块202，用于输出所述目标光伏阵列区域的实际电功率，并发送给所述控制中心。
控制中心203，用于接收目标光伏阵列区域实际电功率的数据信息和目标光伏阵列区域的环境参数信息，控制中心对目标光伏阵列区域的环境参数信息进行处理后，得到所述目标光伏阵列区域的理论电功率；控制中心将所述目标光伏阵列区域的理论电功率和所述目标光伏阵列区域的实际电功率的数据信息输入到预先训练好的Softmax网络中，得到目标光伏阵列区域的故障状态信息，并将目标光伏阵列区域故障状态信息；
控制中心将目标光伏阵列区域的故障状态信息发送给无人机，并指派无人机到所述目标光伏阵列区域巡检采集实际的图像信息，无人机回传目标光伏阵列区域实际的图像信息给控制中心，控制中心确定目标光伏阵列区域故障状态信息的类型。
如图5所示，在一个实施例中，无人机平台201包括采集单元2011、通讯单元2012；
采集单元2011，用于无人机采集所述目标光伏阵列区域的实际工作环境下的环境参数信息、所述目标光伏阵列区域实际情况图像信息；
通讯单元2012，用于无人机接收采集单元所述目标光伏阵列区域的实际工作环境下的环境参数信息、目标光伏阵列区域实际情况图像信息，并发送给控制中心；
在一个实施例中，控制中心203还包括控制单元2031、无线通讯单元2032；
控制单元2031，用于将目标光伏阵列区域的理论电功率与目标光伏阵列区域的实际电功率的数据信息输入到预先训练好的Softmax网络中，得到目标光伏阵列区域故障状态；
无线通讯单元2032，用于接收目标光伏阵列区域的理论电功率信息、目标光伏阵列区域的实际电功率信息，并将目标光伏阵列区域故障状态信息发送。
在一个实施例中，目标光伏阵列区域的理论电功率，是将目标光伏阵列区域的环境参数信息输入目标光伏阵列区域的输出功率仿真模型得到目标光伏阵列区域的理论电功率，该理论电功率表达式如下：
P＝I*Vm (1)
其中，Vm为最大功率点电压，I为理论电流值
Figure BDA0003755443370000121
式(2)为光伏阵列区域的工程模型，其中，Isc为短路电流，S为光照强度，D1、C1、C2分别为工程模型内部系数，Voc为开路电压，α为工程模型经验常数，Tref为基准温度，V为输出电压，Rs为等效电路并联电阻。
在一个实施例中，控制中心将目标光伏阵列区域的理论电功率数据信息和目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到目标光伏阵列区域的故障状态信息，故障状态信息的类型包括，
当电压≤理论电压*80％，电流≥理论电流*120％时，目标光伏阵列区域短路；
当电压≤理论电压*80％，电流≤理论电流*80％时，目标光伏阵列区域老化；
当电压≥理论电压*120％，电流≤理论电流*80％时，目标光伏阵列区域开路；
当目标光伏阵列区域为故障状态，在判断故障状态的类型前，事先要判断目标光伏阵列区域发生故障是否有遮挡物，判断结果为否，再继续，判断故障状态的类型。
在一个实施例中，控制中心判断所述目标光伏阵列区域的故障状态基本类型，指示无人机在目标光伏阵列区域进行采集实际情况图像信息，进行初步判断故障状态，并将目标光伏阵列区域初步判断故障状态信息发送，例如，无人机采集实际情况图像信息包括光照强度、温度、辐射度信息，在无人机上还搭载摄像头、热成像模块进行其他类型的故障检测。
本发明实施例提供的一种基于无人机的光伏阵列区域故障诊断的系统，是基于无人机平台获取目标光伏阵列区域的光伏阵列区域实际工作环境下的环境参数信息，不仅能够提供目标光伏阵列区域较为准确的环境参数信息数据，还与控制中心信息互动，依据训练好的Softmax网络固有模型对于故障状态信息和故障信息的类型进行准确的定位，并且对非故障且效率较低的光伏阵列区域进行准确的定位，并及时进行更换。

Claims (10)

1.一种基于无人机的光伏阵列区域故障诊断的方法，应用于无人机，其特征在于，
所述方法包括：
无人机获取目标光伏阵列区域的环境参数信息后发送给控制中心；太阳能控制器将目标光伏阵列区域的实际电功率数据信息发送所述控制中心；
所述控制中心收到所述目标光伏阵列区域的环境参数信息后进行处理，得到所述目标光伏阵列区域的理论电功率数据信息；
所述控制中心将所述目标光伏阵列区域的理论电功率数据信息和所述目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到所述目标光伏阵列区域的故障状态信息；
所述控制中心将所述目标光伏阵列区域的故障状态信息发送给无人机，并指派所述无人机到所述目标光伏阵列区域巡检采集实际的图像信息，所述无人机回传所述目标光伏阵列区域实际的图像信息给控制中心，所述控制中心确定所述目标光伏阵列区域故障状态信息的类型。
2.根据权利要求1所述的一种基于无人机的光伏阵列区域故障诊断的方法，其特征在于，所述无人机获取目标光伏阵列区域的环境参数信息后发送给控制中心，是指无人机搭载有检测计量仪器，测量目标光伏阵列区域的环境参数信息，其中，所述测量目标光伏阵列区域的环境参数信息包括环境温度、光照强度、辐射度。
3.根据权利要求2所述的一种基于无人机的光伏阵列区域故障诊断的方法，其特征在于，所述目标光伏阵列区域的环境参数信息输入到所述目标光伏阵列区域的输出功率仿真模型中，得到所述目标光伏阵列区域的理论电功率P，所述目标光伏阵列区域的理论电功率P表达式如下：
P＝I*Vm (1)
其中，Vm为最大功率点电压，I为理论电流值
Figure FDA0003755443360000011
式(2)为光伏阵列区域的工程模型，其中，Isc为短路电流，S为光照强度，D1、C1、C2分别为工程模型内部系数，Voc为开路电压，α为工程模型经验常数，T为光伏板温度，Tref为基准温度，V为输出电压，Rs为等效电路并联电阻。
4.根据权利要求1所述的一种基于无人机的光伏阵列区域故障诊断的方法，其特征在于，所述目标光伏阵列区域的理论电功率P和所述目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到所述目标光伏阵列区域的故障状态信息，是指对以往收集的光伏阵列区域的环境参数信息设置对应权重，所述Softmax网络的输入层经过权重处理后输入到隐藏层，通过大量的数据运算，得到符合输出结果的数据关系，形成所述光伏阵列区域的故障状态信息。
5.根据权利要求4所述的一种基于无人机的光伏阵列区域故障诊断的方法，其特征在于，所述控制中心将所述目标光伏阵列区域的理论电功率数据信息和所述目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到所述目标光伏阵列区域的故障状态信息，所述故障状态信息的类型包括：
当电压≤理论电压*80％，电流≥理论电流*120％时，目标光伏阵列区域短路；
当电压≤理论电压*80％，电流≤理论电流*80％时，目标光伏阵列区域老化；
当电压≥理论电压*120％，电流≤理论电流*80％时，目标光伏阵列区域开路；
当所述目标光伏阵列区域为故障状态，在判断故障状态的类型前，事先要判断所述目标光伏阵列区域发生故障是否有遮挡物，判断结果为否，再继续判断故障状态的类型。
6.根据权利要求5所述的一种基于无人机的光伏阵列区域故障诊断的方法，其特征在于，所述控制中心将得到所述目标光伏阵列区域的故障状态信息进行判断后，指示所述无人机在所述目标光伏阵列区域采集实际情况的图像信息，进行初步判断故障状态，所述无人机将所述目标光伏阵列区域初步判断故障状态信息发送给控制中心；
所述控制中心在判断故障状态信息的类型前，事先要指派无人机巡检，所述无人机回传目标光伏阵列区域实际的图像信息判断所述目标光伏阵列区域发生故障是否有遮挡物，判断结果为否，再继续判断故障状态信息的类型。
7.一种基于无人机的光伏阵列区域故障诊断的系统，其特征在于，所述系统包括无人机平台、光伏阵列区域电功率输出模块、控制中心；
所述无人机平台，用于获取目标光伏阵列区域的光伏阵列区域实际工作环境下的环境参数信息，并发送给所述控制中心；
所述光伏阵列区域电功率输出模块，用于输出所述目标光伏阵列区域的实际电功率数据信息，并发送给所述控制中心；
所述控制中心，用于接收目标光伏阵列区域实际电功率的数据信息和目标光伏阵列区域的环境参数信息，所述控制中心对所述目标光伏阵列区域的环境参数信息进行处理后，得到所述目标光伏阵列区域的理论电功率；所述控制中心将所述目标光伏阵列区域的理论电功率数据信息和所述目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到所述目标光伏阵列区域的故障状态信息，并将所述目标光伏阵列区域的故障状态信息；
所述控制中心将所述目标光伏阵列区域的故障状态信息发送给无人机，并指派所述无人机到所述目标光伏阵列区域巡检采集实际的图像信息，所述无人机回传所述目标光伏阵列区域实际的图像信息给控制中心，所述控制中心确定所述目标光伏阵列区域故障状态信息的类型。
8.根据权利要求7所述的一种基于无人机的光伏阵列区域故障诊断的系统，其特征在于，所述无人机平台还包括采集单元、通讯单元；
所述采集单元，用于无人机采集所述目标光伏阵列区域的实际工作环境下的环境参数信息、所述目标光伏阵列区域实际情况图像信息；
所述通讯单元，用于无人机接收采集单元所述目标光伏阵列区域的实际工作环境下的环境参数信息、所述目标光伏阵列区域实际情况图像信息，并发送给所述控制中心；
所述控制中心还包括控制单元、无线通讯单元；
所述控制单元，用于将所述目标光伏阵列区域的理论电功率数据信息与所述目标光伏阵列区域的实际电功率的数据信息输入到预先训练好的Softmax网络中，得到所述目标光伏阵列区域故障状态；
所述无线通讯单元，用于接收所述目标光伏阵列区域的理论电功率数据信息、所述目标光伏阵列区域的实际电功率数据信息，将所述目标光伏阵列区域故障状态信息发送给无人机并指派所述无人机进行巡检确认所述目标光伏阵列区域故障状态信息的类型。
9.根据权利要求8所述的一种基于无人机的光伏阵列区域故障的系统，其特征在于，所述目标光伏阵列区域的理论电功率数据信息，是所述目标光伏阵列区域的环境参数信息输入所述目标光伏阵列区域的输出功率仿真模型得到所述目标光伏阵列区域的理论电功率P，所述理论电功率P表达式如下：
P＝I*Vm (1)
其中，Vm为最大功率点电压，I为理论电流值
Figure FDA0003755443360000041
式(2)为光伏阵列区域的工程模型，其中，Isc为短路电流，S为光照强度，D1、C1、C2分别为工程模型内部系数，Voc为开路电压，α为工程模型经验常数，Tref为基准温度，V为输出电压，Rs为等效电路并联电阻。
10.根据权利要求9所述的一种基于无人机的光伏阵列区域故障诊断的系统，其特征在于，所述控制中心将所述目标光伏阵列区域的理论电功率数据信息和所述目标光伏阵列区域的实际电功率数据信息输入到预先训练好的Softmax网络中，得到所述目标光伏阵列区域的故障状态信息，所述故障状态信息的类型包括：
当电压≤理论电压*80％，电流≥理论电流*120％时，目标光伏阵列区域短路；
当电压≤理论电压*80％，电流≤理论电流*80％时，目标光伏阵列区域老化；
当电压≥理论电压*120％，电流≤理论电流*80％时，目标光伏阵列区域开路；
当所述目标光伏阵列区域为故障状态，在判断故障状态的类型前，事先要判断所述目标光伏阵列区域发生故障是否有遮挡物，判断结果为否，再继续，判断故障状态的类型。
CN202210858779.5A 2022-07-20 2022-07-20 一种基于无人机的光伏阵列区域故障诊断的方法及系统 Pending CN115310351A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210858779.5A CN115310351A (zh) 2022-07-20 2022-07-20 一种基于无人机的光伏阵列区域故障诊断的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210858779.5A CN115310351A (zh) 2022-07-20 2022-07-20 一种基于无人机的光伏阵列区域故障诊断的方法及系统

Publications (1)

Publication Number Publication Date
CN115310351A true CN115310351A (zh) 2022-11-08

Family

ID=83856849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210858779.5A Pending CN115310351A (zh) 2022-07-20 2022-07-20 一种基于无人机的光伏阵列区域故障诊断的方法及系统

Country Status (1)

Country Link
CN (1) CN115310351A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205892A (zh) * 2023-03-13 2023-06-02 北京智盟信通科技有限公司 一种评估光伏组串工况的方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205892A (zh) * 2023-03-13 2023-06-02 北京智盟信通科技有限公司 一种评估光伏组串工况的方法及装置
CN116205892B (zh) * 2023-03-13 2024-04-05 北京智盟信通科技有限公司 一种评估光伏组串工况的方法及装置

Similar Documents

Publication Publication Date Title
Fadhel et al. PV shading fault detection and classification based on IV curve using principal component analysis: Application to isolated PV system
Kurukuru et al. Fault classification for photovoltaic modules using thermography and image processing
Gao et al. A novel fault identification method for photovoltaic array via convolutional neural network and residual gated recurrent unit
CN110567964B (zh) 一种检测变电设备缺陷的方法、装置及存储介质
CN115133874B (zh) 一种无人机联动巡查光伏电站故障检测的方法及系统
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
CN106160659A (zh) 一种光伏电站区域定向故障诊断方法
CN102540056B (zh) 一种aps芯片测试及筛选方法
CN115310351A (zh) 一种基于无人机的光伏阵列区域故障诊断的方法及系统
Liao et al. Using Matlab real-time image analysis for solar panel fault detection with UAV
Chattopadhyay et al. All India survey of photovoltaic module degradation 2014: Survey methodology and statistics
CN118195427B (zh) 一种用于电缆生产的综合检测系统
CN115774951A (zh) 一种光伏电站阵列的故障快速甄别方法
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
CN112818806A (zh) 一种基于深度学习的变电站巡检机器人辅助导航方法
CN113238131B (zh) 基于深度学习的绝缘子电晕放电状态评估方法
CN114663413A (zh) 基于多光谱与光学电场数据融合的绝缘子状态检测方法及其系统
CN114648510A (zh) 光伏组件的状态检测方法及装置、存储介质及电子设备
CN118038295A (zh) 输电线路缺陷实时在线识别系统
CN117749093A (zh) 一种基于lstm的光伏组件质量检测方法
CN109712018A (zh) 一种输电线路综合监控系统
CN117529878A (zh) 电站运维系统、电站运维方法及光伏电站
CN116739996A (zh) 基于深度学习的输电线路绝缘子故障诊断方法
CN116578922A (zh) 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置
CN112508946B (zh) 一种基于对抗神经网络的电缆隧道异常检测方法

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