CN115310653A - 基于性能退化数据的光伏阵列剩余寿命预测方法 - Google Patents
基于性能退化数据的光伏阵列剩余寿命预测方法 Download PDFInfo
- Publication number
- CN115310653A CN115310653A CN202210607917.2A CN202210607917A CN115310653A CN 115310653 A CN115310653 A CN 115310653A CN 202210607917 A CN202210607917 A CN 202210607917A CN 115310653 A CN115310653 A CN 115310653A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic array
- performance degradation
- model
- degradation
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 168
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 12
- 238000007476 Maximum Likelihood Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000003491 array Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 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
- 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
- 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
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于性能退化数据的光伏阵列剩余寿命预测方法,包括以下步骤:将光伏阵列失效对应的性能退化率输入到预先构建的退化轨迹模型或者性能退化模型中进行计算,得到预测的光伏阵列失效时间;将光伏阵列失效时间减去光伏阵列当前运行时间,计算得出光伏阵列剩余使用寿命;预先构建退化轨迹模型或者性能退化模型包括:获取不同时刻光伏阵列实际运行的实测数据,对实测数据进行预处理,去除预处理后的功率数据中的随机信号,提取趋势项信号并计算不同时刻的标准性能比,并将标准性能比转换成性能退化指标,建立退化轨迹模型或者性能退化模型。本发明提供的一种基于性能退化数据的光伏阵列剩余寿命预测方法,能够准确有效地对光伏阵列剩余寿命进行预测。
Description
技术领域
本发明涉及基于性能退化数据的光伏阵列剩余寿命预测方法,属于光伏系统技术领域。
背景技术
光伏阵列故障除了突发性故障外,光伏组件长期运行在户外环境中,易受外部环境因素的影响例如环境温度、湿度、紫外线辐射和由于大风、大雪造成的机械磨损等等,发生不同程度及类型的退化,致使光伏阵列输出功率下降,影响组件使用寿命。对光伏阵列的剩余寿命预测,可以为光伏电站的经济性评估与智能化运维提供重要参考依据,因此也受到越来越多的关注。
传统的光伏阵列剩余寿命预测方法是以失效时间为统计分析对象,通过大量实验以及长时间的运行得到光伏组件及其部件失效的全寿命周期数据,而后建立光伏组件运行时间与失效数据之间的分布模型,对于同类型的光伏组件进行性能评估并计算其等效运行时间与剩余寿命。然而,随着科学技术的发展,长寿命、高可靠性的光伏组件越来越多,传统的剩余寿命预测方法暴露出诸多问题,主要表现在: (1)长寿命、高可靠性产品使得试验组件短时间内难以失效,无法获得全寿命周期数据建立统计分布模型;(2)即使是同型号组件环境条件有所变化也会使得已建立的统计分布模型不再适用。
为在可接受的时间范围内获得足够多的退化数据,对光伏组件进行有效的性能评估与剩余寿命预测,越来越多的学者开展了基于加速老化数据的光伏组件寿命预测研究。然而,加速老化试验需要昂贵的试验设备一般小型光伏电站以及实验室难以承受,并且加速老化试验会过度加速特定的失效模式,而另一种失效模式可能会被掩盖导致所建立的加速退化模型难以外推至组件实际工作状况下的退化模型。
为解决以上问题,有学者提出了基于性能退化数据的剩余寿命预测方法,主要是以性能退化特征指标为对象,确立退化失效阈值,建立性能退化模型,完成剩余寿命预测(利用性能退化特征与失效阈值进行比较判断是否失效)。目前基于性能退化的光伏组件寿命预测方法主要可以分为基于失效物理模型与数据驱动的两种方法。由于光伏组件的结构复杂,降解失效因素众多,构建光伏组件的失效物理模型往往比较困难。基于数据驱动的方法主要是通过分析历史数据,计算性能退化特征参数的退化率,建立退化失效模型,确立性能特征参数失效标准,完成剩余寿命预测。虽然基于数据驱动的方法解决了光伏组件长寿命、高可靠性全寿命周期数据难以获取的问题,但是该方法在光伏领域的应用还处于尝试与探索阶段,缺乏系统性的研究。
目前现有针对基于性能退化数据的光伏阵列剩余寿命预测方法,由于缺乏对于其性能退化指标选取、性能退化数据预处理和性能退化模型建立与剩余寿命预测的系统研究,难以准确有效地对光伏阵列剩余寿命进行预测。
发明内容
本发明要解决的技术问题是,克服现有技术的缺陷,提供一种基于性能退化数据的光伏阵列剩余寿命预测方法,能够准确有效地对光伏阵列剩余寿命进行预测。
为解决上述技术问题,本发明采用的技术方案为:
一种基于性能退化数据的光伏阵列剩余寿命预测方法,包括以下步骤:
将光伏阵列失效对应的性能退化率输入到预先构建的退化轨迹模型或者性能退化模型中进行计算,得到预测的光伏阵列失效时间;
将光伏阵列失效时间减去光伏阵列当前运行时间,计算得出光伏阵列剩余使用寿命;
所述预先构建退化轨迹模型或者性能退化模型包括:
获取不同时刻光伏阵列实际运行的实测数据,实测数据包括工作点功率数据和共面辐照度数据;
对实测数据进行预处理,滤除超过共面辐照度设定范围内的实测数据,再利用中位数绝对偏差的方法滤除由于突发性故障导致功率异常降低的实测数据;
通过经验模态分解的方法去除预处理后的工作点功率数据中的随机信号,提取趋势项信号并计算不同时刻的标准性能比,并将标准性能比转换成性能退化指标;
根据不同时刻的性能退化指标建立退化轨迹模型或者性能退化模型。辐照度设定范围为700W/m2到1200W/m2,辐照度低于700W/m2和高于1200W/m2的实测数据将被滤除。
中位数绝对偏差的方法滤除工作点功率异常降低的实测数据的方法如下:
工作点功率数据形成观测数据集,对观测数据集中的工作点功率数据进行异常检测,计算每个观测值xi的判定系数D,具体计算表达式如下:
其中median(x)为观测数据集的中位数,AMAD的计算表达式如下:
假定数据服从正态分布,则b=1/(Φ-1(3/4))≈1.4826,当判定系数D 大于给定阈值时,则该观测值xi为异常数据,否则为正常数据,将异常数据滤除,正常数据保留。
经验模态分解的方法去除预处理后的工作点功率数据中的随机信号,提取趋势项信号具体包括以下步骤:
确定在原始信号中加入白噪声的次数M和所加入幅值噪声的系数;在原始信号x(t)上多次加入幅值均值为零,幅值为ω的高斯白噪声ni(t),从而得到新的目标信号xi(t):
xi(t)=x(t)+ωni(t) (3)
其中,xi(t)表示第i次加入高斯白噪声所产生的新的信号,x(t)为原始信号,ni(t)为第i次加入高斯白噪声,ω为所添加的高斯白噪声幅值系数;
对获得的xi(t)信号进行EMD分解,得到目标信号的一系列IMFs分量和残余分量r(t):
重复上述步骤,直至加入高斯白噪声次数为M,通过以上处理获得M 组IMFs分量,对其进总体平均运算,抵消多次加入的高斯白噪声对实际IMF的影响,从而得到最终的IMF分量imf如下所示:
对得到的每个IMF分量,利用单位根校验方法对分解后的IMF分量进行平稳性判断,若存在单位根则判定分量非平稳,若不存在单位根则判定分量平稳;
将为非平稳性的分量舍去,将平稳性的分量与残余分量进行叠加得到提取后的趋势项信号:
其中,X(t)表示叠加得到的趋势项信号;imfj表示分解得到的第j个模态分量,r(t)表示分解后得到的残余分量。
性能退化指标具体计算方法如下:
将趋势项信号带入式(7)计算其相应的光伏阵列标准性能比PRnorm;
其中,Ya为光伏系统实际效能输出,Yref为光伏系统参考效能输出, PDC为光伏系统直流侧工作点功率数据,GPOA为共面辐照度,GSTC是 STC下的辐照度,Pnorm为光伏阵列前期安装中实测的稳定状态下转换至STC的最大功率输出;
将光伏阵列的标准性能比PRnorm以月为单位进行划分,统计每个月标准性能比PRnorm的分布情况;
对每个月的标准性能比PRnorm进行平均,计算得到每个月PRnorm的期望值E(PRnorm),然后通过E(PRnorm)计算得到性能退化率Df,作为光伏阵列的性能退化指标,其中性能退化率Df的计算方法为 Df=(1-E(PRnorm))*100%。
退化轨迹模型的建立包括:
以性能退化指标为因变量以及采样时间为自变量构建退化轨迹模型,退化轨迹模型包括多项式模型、幂指数模型、指数模型和对数模型;
分别通过最小二乘法拟合性能退化指标数据,计算退化轨迹模型参数;
通过相关系数评价模型的拟合优度,选择相关系数最大的退化轨迹模型作为最优退化轨迹模型。
通过最小二乘法拟合性能退化指标数据,计算退化轨迹模型参数具体包括:
将性能退化率为y=[Df1,Df2,Df3…Dfn]和自变量t=[t1,t2,t3…tn],经变换后得到其表达式如下:
Y=B0+B1X (8)
式中,X=[x1,x2,x3…xn]表示变换后自变量,Y=[y1,y2,y3…yn]表示变换后的因变量,B=[B1,B2,B3…Bm]表示变换后待求解的模型参数;
将上式转换成矩阵形式表达:
将上述矩阵方程记为:
B·X=Y (10)
使得其误差平方和ε最小:
Minε=||B·X-Y||2 (11)
化简后,求得待求解的模型参数为:
B=(XTX)-1XTY (12);
相关系数R2计算表达式如下:
式中,n表示数据样本点个数,Xmodel表示通过模型估算的退化率值, Xmeas表示通过实测数据计算得到的退化率数值,Xmean表示通过实测数据计算得到的退化率数值的均值。
性能退化模型的建立包括:
假设光伏阵列性能退化率的增量ΔYi=Yi-Yi-1服从Gamma分布,记Δdi=ti q-ti-1 q,其中ti和ti-1代表不同时刻,则:ΔYi~Gamma(k(ti q- ti-1 q),λ) (14)
光伏阵列性能退化率的增量ΔYi的概率密度函数为:
则极大似然函数可表示如下:
将已有的不同时刻下性能退化率数据代入到极大似然函数方程进行求解,得到性能退化模型参数k,λ,q的值,则光伏阵列在t时刻下性能退化率的期望为:
E(Y(t))=λktq (17)。
本发明的有益效果:本发明提供一种基于性能退化数据的光伏阵列剩余寿命预测方法,首先对光伏阵列性能退化失效机理与影响因素进行分析,确立了性能退化指标、失效时间和剩余寿命的定义,通过预处理对实测性能退化数据中的粗大误差与随机信号的剔除,最后建立基于退化轨迹模型与Gamma随机过程的性能退化模型,能够准确有效地对光伏阵列剩余寿命进行预测。
附图说明
图1是本发明基于性能退化数据的光伏阵列剩余寿命预测方法的整体流程图;
图2是本发明基于退化轨迹的光伏阵列剩余寿命预测流程图;
图3是本发明基于Gamma随机过程的光伏阵列剩余寿命预测流程图;
图4是本发明基于退化轨迹模型的光伏阵列剩余寿命预测结果图;
图5是本发明基于Gamma随机过程的光伏阵列剩余寿命预测结果图;
图6是标准性能比PRnorm分布统计结果图。
具体实施方式
下面对本发明作进一步描述,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。
具体实施例1
本发明中首先对性能指标选取和失效时间与剩余使用寿命的定义,利用光伏阵列前期安装中的最大稳定功率作为其额定功率,计算其标准性能比PRnorm用以评估光伏阵列在户外环境中的实际运行状态:
其中,Ya为光伏系统实际效能输出,Yref为光伏系统参考效能输出, PDC为光伏系统直流侧功率点功率,GPOA为共面辐照度,GSTC是STC 下的辐照度,Pnorm为光伏阵列前期安装中实测的稳定状态下转换至 STC的最大功率输出。光伏阵列剩余寿命是指光伏阵列从当前运行时间至失效,使用寿命结束的时间长度,光伏阵列剩余寿命RUL的计算表达式如下:
RUL=FT-CT (2)
其中CT指光伏阵列当前运行时间,FT指光伏阵列寿命结束的时间长度。
光伏组件生产商通常提供20~25年保证期,保证光伏组件在运行期间内的发电功率相较于组件初始功率衰减20%,即光伏阵列标准性能比PRnorm衰退0.2。因此,本发明以光伏阵列的标准性能比PRnorm衰退0.2为达到光伏阵列的失效阈值(使用寿命结束FT),光伏阵列的性能退化率Df为:
Df=(1-E(PRnorm))*100% (3)
当Df=20%时,达到光伏组件的失效阈值,即使用寿命结束。
本发明具体包括以下步骤:
如图1所示,步骤一,获取光伏阵列实际运行的工作点功率数据以及共面辐照度气象数据,具体为通过逆变器采集光伏阵列的工作点功率数据以及通过气象站采集光伏阵列的共面辐照度;
步骤二,对实测数据进行预处理,滤除辐照度低于700W/m2和高于1200W/m2的功率数据,尽可能地消除环境状态波动因素的影响,选取环境状态稳定区间内的数据。然后利用中位数绝对偏差的方法去除数据中由于突发性故障导致的功率异常降低的数据,具体步骤包括:
对观测数据集中的数据进行异常检测,需要计算每个观测值xi的判定系数D,具体计算表达式如下:
当判定系数D大于给定阈值时,则该数值为异常数据,否则为正常数据,一般阈值设定为2.5,将异常数据滤除,正常数据保留。其中median(x)为观测数据集的中位数,AMAD的计算表达式如下:
假定数据服从正态分布,则b=1/(Φ-1(3/4))≈1.4826。
步骤三,通过经验模态分解的方法去除数据中的随机信号,提取趋势项信号并计算相应的性能退化指标。
采用经验模态分解的方法对预处理后的功率点功率,进行随机信号剔除与趋势项信号特征提取具体包括以下步骤:
确定在原始信号中加入白噪声的次数M和所加入幅值噪声的系数;
在原始信号x(t)上多次加入幅值均值为零,幅值为ω的高斯白噪声ni(t),从而得到新的目标信号xi(t):
xi(t)=x(t)+wni(t) (6)
其中,xi(t)表示第i次加入高斯白噪声所产生的新的信号,x(t)为原始信号,ni(t)为第i次加入高斯白噪声,ω为所添加的高斯白噪声幅值系数;
对式(6)所获得的xi(t)信号进行EMD分解,得到目标信号的一系列IMFs分量和残余分量r(t):
如果i<M则重复步骤(4.1.2)-步骤(4.1.3),加入M次高斯白噪声,则通过以上处理可以获得M组IMFs分量,对其进总体平均运算,抵消多次加入的高斯白噪声对实际IMF的影响,从而得到最终的IMF分量imf如下所示:
对得到的每个IMF分量,利用单位根校验(Augmented Dickey-Fuller,ADF)方法对分解后的IMF分量进行平稳性判断,若存在单位根则分量非平稳,若不存在单位根则分量平稳;
对上述步骤通过ADF检验判断为非平稳性的分量舍去,将平稳性的分量与残余分量进行叠加得到提取后的趋势项信号:
其中,X(t)表示叠加得到的趋势项信号;imfj表示分解得到的第j 个模态分量,r(t)表示分解后得到的残余分量。
对提取的趋势项信号采用统计的方法表征光伏阵列长时间尺度下的整体性能包括以下步骤:
将趋势信号带入式(1)计算其相应的光伏阵列标准性能比PRnorm;
将光伏阵列的标准性能比PRnorm以月为单位进行划分,统计每个月标准性能比PRnorm的分布情况;
对每个月的标准性能比PRnorm进行平均,计算得到每个月PRnorm的期望值E(PRnorm),然后通过E(PRnorm)计算得到性能退化率Df,作为光伏阵列的性能退化指标,其中性能退化率Df的计算方法为 Df=(1-E(PRnorm))*100%,用以评估光伏阵列的运行状态以及描绘其退化趋势线。
步骤四,建立基于退化轨迹的光伏阵列剩余寿命预测模型,通过实测数据计算得到的性能退化指标,求解退化轨迹模型参数,建立相应的退化轨迹模型,而后对所有退化轨迹模型进行模型评估,选取最佳预测模型,完成光伏阵列剩余寿命预测;如图2所示,该步骤具体包括:确定已知的退化轨迹模型,具体步骤包括:
退化轨迹模型分为线性与非线性函数,常见的退化轨迹模型有:
多项式模型:y(t)=at+b (10)
幂指数模型:y(t)=atb+c(11)
指数模型:y(t)=a exp(bt) (12)
对数模型:y(t)=a+b log(t) (13)
式(10~(13)中,y(t)为光伏阵列性能退化量(性能退化率Df)在t 时刻的计算量;a、b、c为退化轨迹模型待求解模型参数。
利用已知的退化轨迹模型,通过最小二乘法拟合性能退化指标数据,计算退化轨迹模型参数,具体包括:
数据预处理后性能退化率为y=[Df1,Df2,Df3…Dfn]和自变量t=[t1, t2,t3…tn],经变换后得到其表达式如下:
Y=B0+B1X (14)
式中,X=[x1,x2,x3…xn]表示变换后自变量,Y=[y1,y2,y3…yn] 表示变换后的因变量,B=[B1,B2,B3…Bm]表示变换后待求解的模型参数;
将上式转换成矩阵形式表达:
将上述矩阵方程记为:
B·X=Y (16)
使得其误差平方和ε最小:
Minε=||B·X-Y||2 (17)
化简后,求得待求解的模型参数为:
B=(XTX)-1XTY (18)
然后对建立的模型进行评估,选取最佳预测模型,具体如下:
模型参数求解结束后,从上述模型中选择最优退化轨迹模型,用以描述当前光伏阵列的性能退化趋势,通过相关系数R2(R-squared) 用以评价模型的拟合优度,从而确定最佳退化轨迹模型。相关系数是表示估算值与真实值之间的拟合优度,随着相关系数越大则其拟合效果越好,模型精度越高,具体计算表达式如下:
式中,n表示数据样本点个数,Xmodel表示通过模型估算的退化率值,Xmeas表示通过实测数据计算得到的退化率数值,Xmean表示通过实测数据计算得到的退化率数值的均值。
利用最佳预测模型完成对光伏阵列的剩余寿命的预测。该步骤具体包括:
利用最佳预测模型预测光伏阵列失效时间FT,用失效时间减去光伏阵列当前运行时间即光伏阵列剩余寿命。
建立基于Gamma随机过程的性能退化模型,根据实测数据计算得到的性能退化指标,求解性能退化模型参数,建立相应的性能退化模型,完成光伏阵列剩余寿命的概率预测;
如附图3所示,该步骤具体包括::
建立Gamma随机过程的性能退化模型;该步骤具体包括:
光伏阵列退化量的增量ΔYi=Yi-Yi-1服从Gamma分布,记Δdi=ti q-ti-1 q,则:Gamma分布的形状函数为:
ΔYi~Gamma(k(ti q-ti-1 q),λ) (17)
其中,Δdi代表时间函数,λ代表尺度参数;
光伏阵列退化量的增量ΔYi的概率密度函数为:
其极大似然函数可表示如下:
求得极大似然函数极大值,即得到待求解模型参数k,λ,q的估计。
利用计算得到的性能退化指标数据、极大似然估计法与优化算法求解性能退化模型参数,具体为利用优化算法求解极大似然方程(19),求解出待求解模型参数k,λ,q的值。
计算得到任意时刻下,性能退化量的概率分布以及相应的期望值,计算光伏阵列达到失效阈值时,使用寿命结束时间,而后计算其剩余寿命时间,完成预测。该步骤具体包括:
利用已有历史数据求解出模型参数k,λ,q后,便可通过Gamma 随机过程在t时刻的期望得到光伏阵列在t性能退化量的期望:
E(Y(t))=λktq (20)
已经光伏阵列性能退化量Df=20%时,光伏阵列失效,达到使用寿命,则可求出其失效时间:
而后利用光伏阵列剩余使用寿命的计算表达式:
RUL=FT-CT (22)
以此求出光伏阵列剩余寿命,完成预测。
具体实施例2
本发明在具体实施例1的基础上,利用上述所提出的方法对某太阳能有限公司光伏阵列20年的功率运行数据,进行数据预处理,并计算相应的性能退化指标,其中标准性能比PRnorm分布统计结果如图 6所示,利用10年的功率数据,实际性能退化率达到10%,对上述的四种退化轨迹模型(10)~(13)利用最小二乘法进行拟合,得到相应的退化轨迹模型,具体拟合结果如表1所示,而后再利用已建立的退化轨迹模型对未来时间节点的性能退化率进行预测,其真实性能退化率与模型预测退化轨迹对比图,如图4所示。通过模型评估确定,幂指数模型为最佳模型,计算光伏阵列退化率达到20%的时间是35.9101 年,光伏阵列已经正常运行20.84年,则其剩余寿命为15.0701年。
同样地,利用10年的功率数据,性能退化率衰退至10%的数据对基于Gamma随机过程的性能退化模型进行模型参数k、λ、q求解,建立相应的性能退化模型。将Gamma随机过程的极大似然估计方程作为适应度值函数,利用优化算法进行求解,求解光伏阵列基于Gamma随机过程性能退化模型参数,其结果如表2所示。确定模型参数之后便可以得到基于Gamma随机过程的光伏阵列性能退化模型,计算光伏阵列性能退化率在任意时刻的概率密度分布函数,并利用式 (18)求解性能退化率在任意时刻的期望值作为模型预测退化轨迹。模型预测退化轨迹、真实性能退化轨迹和任意时刻下的概率密度分布曲线,具体如图5所示。同时,利用Gamma随机过程性能退化模型估算光伏阵列性能衰退20%时,光伏阵列的运行时间为24.45年,目前该光伏阵列实际运行20.83年,则达到光伏阵列失效时其剩余寿命为 3.62年。
表1基于退化轨迹模型的模型参数与模型评估结果
表2基于Gamma随机过程的光伏阵列性能退化模型参数计算结果
以上仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于性能退化数据的光伏阵列剩余寿命预测方法,其特征在于:包括以下步骤:
将光伏阵列失效对应的性能退化率输入到预先构建的退化轨迹模型或者性能退化模型中进行计算,得到预测的光伏阵列失效时间;
将光伏阵列失效时间减去光伏阵列当前运行时间,计算得出光伏阵列剩余使用寿命;
所述预先构建退化轨迹模型或者性能退化模型包括:
获取不同时刻光伏阵列实际运行的实测数据,实测数据包括工作点功率数据和共面辐照度数据;
对实测数据进行预处理,滤除超过共面辐照度设定范围内的实测数据,再利用中位数绝对偏差的方法滤除由于突发性故障导致功率异常降低的实测数据;
通过经验模态分解的方法去除预处理后的功率数据中的随机信号,提取趋势项信号并计算不同时刻的标准性能比,并将标准性能比转换成性能退化指标;
根据不同时刻的性能退化指标建立退化轨迹模型或者性能退化模型。
2.根据权利要求1所述的基于性能退化数据的光伏阵列剩余寿命预测方法,其特征在于:辐照度设定范围为700W/m2到1200W/m2,辐照度低于700W/m2和高于1200W/m2的实测数据将被滤除。
4.根据权利要求1所述的基于性能退化数据的光伏阵列剩余寿命预测方法,其特征在于:经验模态分解的方法去除预处理后的功率数据中的随机信号,提取趋势项信号具体包括以下步骤:
确定在原始信号中加入白噪声的次数M和所加入幅值噪声的系数;在原始信号x(t)上多次加入幅值均值为零,幅值为ω的高斯白噪声ni(t),从而得到新的目标信号xi(t):
xi(t)=x(t)+ωni(t) (3)
其中,xi(t)表示第i次加入高斯白噪声所产生的新的信号,x(t)为原始信号,ni(t)为第i次加入高斯白噪声,ω为所添加的高斯白噪声幅值系数;
对获得的xi(t)信号进行EMD分解,得到目标信号的一系列IMFs分量和残余分量r(t):
其中,imfsj i(t)表示添加第i次高斯白噪声分解所获得的第j个IMF分量,ri(t)表示所得到的残余分量,N为本次分解所获得的IMF分量的个数;
重复上述步骤,直至加入高斯白噪声次数为M,通过以上处理获得M组IMFs分量,对其进总体平均运算,抵消多次加入的高斯白噪声对实际IMF的影响,从而得到最终的IMF分量imf如下所示:
对得到的每个IMF分量,利用单位根校验方法对分解后的IMF分量进行平稳性判断,若存在单位根则判定分量非平稳,若不存在单位根则判定分量平稳;
将为非平稳性的分量舍去,将平稳性的分量与残余分量进行叠加得到提取后的趋势项信号:
其中,X(t)表示叠加得到的趋势项信号;imfj表示分解得到的第j个模态分量,r(t)表示分解后得到的残余分量。
5.根据权利要求1所述的基于性能退化数据的光伏阵列剩余寿命预测方法,其特征在于:性能退化指标具体计算方法如下:
将趋势项信号带入式(7)计算其相应的光伏阵列标准性能比PRnorm;
其中,Ya为光伏系统实际效能输出,Yref为光伏系统参考效能输出,PDC为光伏系统直流侧工作点功率数据,GPOA为共面辐照度,GSTC是STC下的辐照度,Pnorm为光伏阵列前期安装中实测的稳定状态下转换至STC的最大功率输出;
将光伏阵列的标准性能比PRnorm以月为单位进行划分,统计每个月标准性能比PRnorm的分布情况;
对每个月的标准性能比PRnorm进行平均,计算得到每个月PRnorm的期望值E(PRnorm),然后通过E(PRnorm)计算得到性能退化率Df,作为光伏阵列的性能退化指标,其中性能退化率Df的计算方法为Df=(1-E(PRnorm))*100%。
6.根据权利要求5所述的基于性能退化数据的光伏阵列剩余寿命预测方法,其特征在于:退化轨迹模型的建立包括:
以性能退化指标为因变量以及采样时间为自变量构建退化轨迹模型,退化轨迹模型包括多项式模型、幂指数模型、指数模型和对数模型;
分别通过最小二乘法拟合性能退化指标数据,计算退化轨迹模型参数;
通过相关系数评价模型的拟合优度,选择相关系数最大的退化轨迹模型作为最优退化轨迹模型。
7.根据权利要求6所述的基于性能退化数据的光伏阵列剩余寿命预测方法,其特征在于:通过最小二乘法拟合性能退化指标数据,计算退化轨迹模型参数具体包括:
将性能退化率为y=[Df1,Df2,Df3…Dfn]和自变量t=[t1,t2,t3…tn],经变换后得到其表达式如下:
Y=B0+B1X (8)
式中,X=[x1,x2,x3…xn]表示变换后自变量,Y=[y1,y2,y3…yn]表示变换后的因变量,B=[B1,B2,B3…Bm]表示变换后待求解的模型参数;
将上式转换成矩阵形式表达:
将上述矩阵方程记为:
B·X=Y (10)
使得其误差平方和ε最小:
Minε=||B·X-Y||2 (11)
化简后,求得待求解的模型参数为:
B=(XTX)-1XTY (12);
9.根据权利要求5所述的基于性能退化数据的光伏阵列剩余寿命预测方法,其特征在于:性能退化模型基于Gamma随机过程,建立过程包括:
假设光伏阵列性能退化率的增量ΔYi=Yi-Yi-1服从Gamma分布,记Δdi=ti q-ti-1 q,其中ti和ti-1代表不同时刻,则:Gamma分布的形状函数为:ΔYi~Gamma(k(ti q-ti-1 q),λ) (14)
其中,Δdi代表时间函数,λ代表尺度参数;
光伏阵列性能退化率的增量ΔYi的概率密度函数为:
则极大似然函数可表示如下:
将已有的不同时刻下性能退化率数据代入到极大似然函数方程进行求解,得到性能退化模型参数k,λ,q的值,则光伏阵列在t时刻下性能退化率的期望为:
E(Y(t))=λktq (17)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607917.2A CN115310653A (zh) | 2022-05-31 | 2022-05-31 | 基于性能退化数据的光伏阵列剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607917.2A CN115310653A (zh) | 2022-05-31 | 2022-05-31 | 基于性能退化数据的光伏阵列剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310653A true CN115310653A (zh) | 2022-11-08 |
Family
ID=83855517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210607917.2A Pending CN115310653A (zh) | 2022-05-31 | 2022-05-31 | 基于性能退化数据的光伏阵列剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310653A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117176079A (zh) * | 2023-11-02 | 2023-12-05 | 中科华辰(山东)实业股份有限公司 | 一种光伏组件信息管理系统 |
-
2022
- 2022-05-31 CN CN202210607917.2A patent/CN115310653A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117176079A (zh) * | 2023-11-02 | 2023-12-05 | 中科华辰(山东)实业股份有限公司 | 一种光伏组件信息管理系统 |
CN117176079B (zh) * | 2023-11-02 | 2024-02-06 | 中科华辰(山东)实业股份有限公司 | 一种光伏组件信息管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
Coble et al. | Applying the general path model to estimation of remaining useful life | |
CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN113298297A (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
CN113988273A (zh) | 基于深度学习的冰灾环境主动配电网态势预警及评估方法 | |
CN115822887A (zh) | 风电机组的性能评估与能效诊断方法及系统 | |
CN114997578A (zh) | 一种基于深度学习的智慧风电场实时状态评估方法 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN114912339A (zh) | 一种变电站一次设备多因素温度预测方法 | |
CN115310653A (zh) | 基于性能退化数据的光伏阵列剩余寿命预测方法 | |
CN114897331A (zh) | 一种基于三参数区间灰数决策的电力变压器风险评估方法 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN112101673B (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及系统 | |
CN113515885B (zh) | 一种光伏组件智能健康状态诊断方法 | |
CN117708707B (zh) | 大数据下台区线损率异常智能预警方法和系统 | |
CN118246695A (zh) | 一种光伏新能源运维调度系统 | |
CN117521885A (zh) | 一种数据驱动的光伏发电短期预测方法 |
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 |