CN115566997B - 用于空压站的光伏组件衰减测试系统及方法 - Google Patents

用于空压站的光伏组件衰减测试系统及方法 Download PDF

Info

Publication number
CN115566997B
CN115566997B CN202211274872.8A CN202211274872A CN115566997B CN 115566997 B CN115566997 B CN 115566997B CN 202211274872 A CN202211274872 A CN 202211274872A CN 115566997 B CN115566997 B CN 115566997B
Authority
CN
China
Prior art keywords
attenuation
photovoltaic module
dynamic data
data
power
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
Application number
CN202211274872.8A
Other languages
English (en)
Other versions
CN115566997A (zh
Inventor
胡培生
孙小琴
魏运贵
胡明辛
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.)
Guangzhou Ruixin Intelligent Manufacturing Co ltd
Original Assignee
Guangzhou Ruixin Intelligent Manufacturing 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 Guangzhou Ruixin Intelligent Manufacturing Co ltd filed Critical Guangzhou Ruixin Intelligent Manufacturing Co ltd
Priority to CN202211274872.8A priority Critical patent/CN115566997B/zh
Publication of CN115566997A publication Critical patent/CN115566997A/zh
Application granted granted Critical
Publication of CN115566997B publication Critical patent/CN115566997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了用于空压站的光伏组件衰减测试系统及方法，涉及光伏组件测试技术领域，解决了现有技术无法对光伏组件进行综合评估，导致光伏组件的衰减评估不准确，且无法定位具体的环境因素的技术问题；本发明基于动态数据和衰减评估模型预测光伏组件衰减是否异常；若衰减异常则根据实验测试曲线单独或者联合分析确定影响光伏组件衰减的目标因素；本发明有助于对光伏组件进行及时维护，延长光伏组件的寿命；本发明在构建衰减评估模型时，引入了表示周期时长与模拟时长之间关系的时间因子，在光伏组件一次完整模拟之后，可以在记录数据的基础上，结合时间因子扩展标准训练数据，提高模拟效率，提高衰减评估模型精度。

Description

用于空压站的光伏组件衰减测试系统及方法
技术领域
本发明属于光伏组件测试领域，涉及应用于空压站的光伏组件衰减测试技术，具体是用于空压站的光伏组件衰减测试系统及方法。
背景技术
随着光伏技术的发展，光伏组件得到了大规模的投入使用。在光伏组件运营几年之后，部分会出现大面积的发电量减少现象，尤其是高温潮湿环境。而光伏组件功率衰减的无规律性是重点测试内容。
现有技术(公开号为CN112016181A的发明专利申请)公开了一种光伏组件的测试时间、组件状态评估方法和装置，根据室内湿热实验求解预先构建的组件功率衰减模型，然后结合目标地区气象数据中的温度和湿度计算功率衰减率，能够有效评估光伏组件在设定年限后的组件状态，为光伏组件的可靠性分析提供数据支撑。现有技术结合室内温热实验在参考温湿度的基础上预测光伏组件的服役状态，而在实际使用过程中，无法评估除了温湿度之外其他环境因素对光伏组件的影响，导致光伏组件的衰减评估不准确，且无法定位具体的环境因素；因此，亟须一种用于空压站的光伏组件衰减测试系统及方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了用于空压站的光伏组件衰减测试系统及方法，用于解决现有技术在光伏组件测试时所考虑的环境因素单一，无法对光伏组件进行综合评估，导致光伏组件的衰减评估不准确，且无法定位具体的环境因素的技术问题。
为实现上述目的，本发明的第一方面提供了用于空压站的光伏组件衰减测试系统，包括衰减测试模块以及与之相连接的数据采集模块；
数据采集模块通过数据传感器或者气象平台实时采集动态数据，并将动态数据上传至衰减测试模块；其中，动态数据包括温度、湿度、紫外辐射或者机械载荷，数据传感器包括功率传感器和载荷传感器；
衰减测试模块定期提取动态数据，基于动态数据和衰减评估模型判断光伏组件衰减是否异常；是，则分析识别动态数据；否，则持续评估；其中，衰减评估模型基于人工智能模型建立；
在光伏组件衰减异常时，衰减测试模块对动态数据进行排序，结合对应的实验测试曲线依次进行分析识别，确定目标因素；其中，实验测试曲线在实验室对动态数据进行定性模拟时获取。
优选的，所述衰减测试模块用于测试空压站对应的光伏组件功率衰减情况，与所述数据采集模块通信和/或电气连接；
所述数据采集模块与气象平台或者若干类型数据传感器通信连接；其中，气象平台用于获取光伏组件的工作环境数据。
优选的，所述衰减测试模块对动态数据进行排序，包括：
对自然环境进行模拟来设置动态数据的实验数值；
通过定性分析法和实验数值模拟光伏组件的工作环境；根据模拟结果中各动态数据对功率衰减的影响程度进行排序；其中，动态数据的排序分时段变化。
优选的，所述衰减测试模块根据动态数据的排序确定动态数据的分析周期，包括：
获取光伏组件的服役时长；根据动态数据的排序结果确定服役时长阶段对应的影响程度最大的动态数据，标记为时期因素；
根据时期因素是否超过下限值来确定分析周期；其中，下限值为时期因素会对光伏组件功率衰减产生影响的最低限值。
优选的，所述衰减测试模块结合衰减评估模型对定期提取的动态数据进行判断，包括：
将动态数据和时长因子拼接形成模型分析数据，从厂家数据中识别该分析周期的功率衰减限值；其中，时长因子表示周期时长与模拟时长的关系；
将模型分析数据输入至衰减评估模型中获取输出的功率衰减预测值；功率衰减预测值大于功率衰减限值时，则判断光伏组件衰减异常；否则，持续评估。
优选的，所述衰减评估模型基于人工智能模型建立，包括：
实验模拟各种工况下光伏组件的工作过程，记录工作过程的动态数据、时长因子以及对应的功率衰减实测值；将动态数据与时长因子拼接形成标准输入数据，将对应的功率衰减实测值标记为标准输出数据；
通过标准输入数据和标准输出数据训练人工智能模型，将训练完成的人工智能模型标记为衰减评估模型；其中，人工智能模型包括误差逆向传播神经网络模型或者RBF神经网络模型。
优选的，在光伏组件衰减异常时，所述衰减测试模块结合动态数据的实验测试曲线确定目标因素，包括：
按照对光伏组件衰减影响程度依次提取实验测试曲线；从所述实验测试曲线中匹配对应分析周期的功率衰减影响值；根据所述功率衰减预测值确定分析周期内功率周期衰减值；
将功率周期衰减值与所述功率衰减影响值是否相近；是，则将功率衰减影响值对应的动态数据标记为目标因素；否则，对下一动态数据进行分析，或者联合至少两个动态数据进行分析。
本发明的第二方面提供了用于空压站的光伏组件衰减测试方法，包括：
数据采集模块通过数据传感器或者气象平台实时采集动态数据，并将动态上传至衰减测试模块；其中，动态数据包括温度、湿度、紫外辐射或者机械载荷；
衰减测试模块定期提取动态数据，基于动态数据和衰减评估模型判断光伏组件衰减是否异常；是，则分析识别动态数据；否，则持续评估；其中，衰减评估模型基于人工智能模型建立；
在光伏组件衰减异常时，衰减测试模块对动态数据进行排序，结合对应的实验测试曲线依次进行分析识别，确定目标因素。
与现有技术相比，本发明的有益效果是：
1.本发明基于动态数据和衰减评估模型预测光伏组件衰减是否异常；若衰减异常则根据实验测试曲线单独或者联合分析确定影响光伏组件衰减的目标因素；本发明既可以对光伏组件的衰减状态进行预测，还可以确定其主要的影响因素，有助于对光伏组件进行及时维护，延长光伏组件的寿命。
2．本发明在构建衰减评估模型时，引入了表示周期时长与模拟时长之间关系的时间因子，在光伏组件一次完整模拟之后，可以在记录数据的基础上，结合时间因子扩展标准训练数据，提高模拟效率，提高衰减评估模型精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的工作步骤示意图；
图2为本发明的系统原理示意图。
实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
请参阅图1-图2，本发明第一方面实施例提供了用于空压站的光伏组件衰减测试系统，数据采集模块通过数据传感器或者气象平台实时采集动态数据，并将动态数据上传至衰减测试模块；衰减测试模块定期提取动态数据，基于动态数据和衰减评估模型判断光伏组件衰减是否异常；是，则分析识别动态数据；否，则持续评估；其中，衰减评估模型基于人工智能模型建立；在光伏组件衰减异常时，衰减测试模块对动态数据进行排序，结合对应的实验测试曲线依次进行分析识别，确定目标因素。
现有技术在进行光伏组件衰减测试时，一般时在实验室模拟各种工况下光伏组件的衰减情况，将模拟情况作为衰减限值，与实测衰减值进行比较进而判断是否衰减异常；现有技术无法对光伏组件的衰减值进行预测，也无法在复杂工况中识别具体影响光伏组件的动态数据，导致光伏组件的衰减评估不准确。
本发明基于动态数据和衰减评估模型预测光伏组件衰减是否异常；若衰减异常则根据实验测试曲线单独或者联合分析确定影响光伏组件衰减的目标因素。本发明既可以对光伏组件的衰减状态进行预测，还可以确定其主要的影响因素，有助于对光伏组件进行及时维护，延长光伏组件的寿命。
本发明中所述衰减测试模块用于测试空压站对应的光伏组件功率衰减情况，与所述数据采集模块通信和/或电气连接；所述数据采集模块与气象平台或者若干类型数据传感器通信连接；其中，气象平台用于获取光伏组件的工作环境数据。
理论来说，本发明输入到衰减评估模型中的动态数据为预测数据时，则获取的值为功率衰减预测值，可根据功率衰减预测值与功率衰减限值的比较来确定目标因素，而提高运维效率；当动态数据为历史数据时，则获取的功率衰减值可用来校正实验室的模拟结果。
衰减测试模块类似于服务器，主要进行数据处理，与数据采集模块和智能终端进行数据交互；而智能终端主要包括手机和电脑，用于对光伏组件的功率衰减进行预警。数据采集模块主要与数据传感器、气象平台相连接；数据传感器主要包括温度传感器、功率传感器、载荷传感器、湿度传感器等，且数据传感器主要对光伏组件或者光伏组件工作环境进行实测；气象平台则可用于获取空压站光伏组件工作环境的预测数据。
在一个优选的实施例中，所述衰减测试模块对动态数据进行排序，包括：对自然环境进行模拟来设置动态数据的实验数值；通过定性分析法和实验数值模拟光伏组件的工作环境；根据模拟结果中各动态数据对功率衰减的影响程度进行排序。
对动态数据中各影响因素进行排序是为了更好地对光伏组件进行衰减分析，在光伏组件服役每个阶段对其影响最大的动态数据均可能不同。因此，模拟光伏组件的整个生命周期，则这个生命周期内通过定性分析法(也就是某动态数据变化，其他动态数据处于最佳数值)来模拟各阶段中哪个动态数据对光伏组件的衰减程度影响最大，根据这个模拟结果来进行分阶段排序。
举例说明：假设动态数据为温度、湿度、紫外辐射和机械载荷，进行模拟之后，第一年湿度对光伏组件的衰减影响最大，温度、紫外辐射、机械载荷影响程度依次减小，第二年对光伏组的衰减影响最大的是温度，湿度、紫外辐射、机械载荷影响程度依次减小；则这两年就是两个阶段，因此会出现两个排序。
在一个可选的实施例中，所述衰减测试模块根据动态数据的排序确定动态数据的分析周期，包括：获取光伏组件的服役时长；根据动态数据的排序结果确定服役时长阶段对应的影响程度最大的动态数据，标记为时期因素；根据时期因素是否超过下限值来确定分析周期。
在上述动态数据分阶段排序结果的基础上，结合光伏组件的实际服役时长，确定光伏组件当前处于哪一个阶段，以及该阶段中对应的动态数据排序结果。若在该阶段中影响最大的动态数据，也就是时期因素的数值未超过下限值，则以该时期因素的数值变化来划分周期；若某时期因素的数值超过了下限值，则分析影响程度稍次的动态数据来划分确定分析周期。
本实施例中下限值为时期因素会对光伏组件功率衰减产生影响的最低限值，也即是说动态数据数值超过下限值时则对光伏组件功率衰减的影响可以忽略不计。举例说明本实施例：在某一时间内温度(影响最大的动态数据)在两个时间段内未超过下限值，则这两个时间段作为分析周期，其他时间段还可以分析其他动态数据确定是否需要划分为分析周期。
在一个优选的实施例中，所述衰减测试模块结合衰减评估模型对定期提取的动态数据进行判断，包括：将动态数据和时长因子拼接形成模型分析数据，从厂家数据中识别该分析周期的功率衰减限值；将模型分析数据输入至衰减评估模型中获取输出的功率衰减预测值；功率衰减预测值大于功率衰减限值时，则判断光伏组件衰减异常；否则，持续评估。
将动态数据与时间因子整合起来输入至衰减评估模型中即可获取功率衰减预测值，与功率衰减限值进行比较即可判断功率衰减是否异常，若异常则需要对动态数据进行重点识别，否则需要进行持续评估。
在一个可选的实施例中，所述衰减评估模型基于人工智能模型建立，包括：
实验模拟各种工况下光伏组件的工作过程，记录工作过程的动态数据、时长因子以及对应的功率衰减实测值；将动态数据与时长因子拼接形成标准输入数据，将对应的功率衰减实测值标记为标准输出数据；通过标准输入数据和标准输出数据训练人工智能模型，将训练完成的人工智能模型标记为衰减评估模型；其中，人工智能模型包括误差逆向传播神经网络模型或者RBF神经网络模型。
在实验室中模拟光伏组件在各种工况下，即不同温度、湿度、紫外辐射、机械载荷，持续一段时间后期获取功率衰减实测值。然后确定若干组动态数据、若干时间因子以及对应的功率衰减实测值，则可以形成若干条标准输入数据和标准输出数据。
本实施例中的时长因子表示周期时长与模拟时长的关系，可以简单理解为周期时长与模拟时长的比值，模拟时长是对应整个光伏组件的服役年限，周期时长则是指分析周期对应的时长；根据时间因子可以从一个模拟过程中提取若干组标准训练数据，满足不同情况的模型训练，提高了模型训练效率。举例说明如何结合时长因子来构建数据集：
假设动态数据固定，时长因子分为0.1、0.5、1，对应的功率衰减实测值为0.2、0.4、0.8；则可以生成三条标准训练(包括标准输入数据和标准输出数据)，分别为[(动态数据)，0.1，0.2]，[(动态数据)，0.5，0.4]，[(动态数据)，1，0.8]。
在一个优选的实施例中，在光伏组件衰减异常时，所述衰减测试模块结合动态数据的实验测试曲线确定目标因素，包括：按照对光伏组件衰减影响程度依次提取实验测试曲线；从所述实验测试曲线中匹配对应分析周期的功率衰减影响值；根据所述功率衰减预测值确定分析周期内功率周期衰减值；将功率周期衰减值与所述功率衰减影响值是否相近；是，则将功率衰减影响值对应的动态数据标记为目标因素；否则，对下一动态数据进行分析，或联合至少两个动态数据进行分析。在确定目标因素之后可以通过智能终端进行及时预警。
具体来说：将动态数据(其中的影响因素)标记为i，对应数值标记为SZi；i为正整数，且i越小说明其对光伏组件的衰减影响越大；
在某分析周期内SZ1与对应的功率衰减影响值相近(或者相等)，则说明在该分析周期内主要是影响因素i对光伏组件的衰减产生影响；若在某分析周期内SZ1远大于对应的功率衰减影响值，则判定影响因素i不是影响光伏组件衰减的因素，接着对SZ2、SZ3和SZ4进行分析；若在某分析周期内SZ1小于对应的功率衰减影响值，则应该考虑是否是两个影响因素联合影响结果。
本发明第二方面实施例提供了用于空压站的光伏组件衰减测试方法，包括：
数据采集模块通过数据传感器或者气象平台实时采集动态数据，并将动态上传至衰减测试模块；其中，动态数据包括温度、湿度、紫外辐射或者机械载荷；
衰减测试模块定期提取动态数据，基于动态数据和衰减评估模型判断光伏组件衰减是否异常；是，则分析识别动态数据；否，则持续评估；其中，衰减评估模型基于人工智能模型建立；
在光伏组件衰减异常时，衰减测试模块对动态数据进行排序，结合对应的实验测试曲线依次进行分析识别，确定目标因素。
上述公式中的部分数据均是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理：
数据采集模块通过数据传感器或者气象平台实时采集动态数据，并将动态数据上传至衰减测试模块。
衰减测试模块定期提取动态数据，基于动态数据和衰减评估模型判断光伏组件衰减是否异常；是，则分析识别动态数据；否，则持续评估。
在光伏组件衰减异常时，衰减测试模块对动态数据进行排序，结合对应的实验测试曲线依次进行分析识别，确定目标因素。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (4)

1.用于空压站的光伏组件衰减测试系统，包括衰减测试模块以及与之相连接的数据采集模块；其特征在于：
数据采集模块通过数据传感器或者气象平台采集实时动态数据，并将动态数据上传至衰减测试模块；其中，动态数据包括温度、湿度、紫外辐射或者机械载荷，数据传感器包括功率传感器和载荷传感器；
衰减测试模块定期提取动态数据，并对自然环境进行模拟来设置动态数据的实验数值，通过定性分析法和实验数值模拟光伏组件的工作环境，根据模拟结果中各动态数据对功率衰减的影响程度进行分阶段排序；获取光伏组件的服役时长，根据动态数据的排序结果确定服役时长中当前阶段对应的影响程度最大的动态数据，标记为时期因素，根据时期因素是否超过下限值来确定分析周期；其中，下限值为时期因素会对光伏组件功率衰减产生影响的最低限值；
将动态数据和时长因子拼接形成模型分析数据，从厂家数据中识别该分析周期的功率衰减限值；将模型分析数据输入至衰减评估模型中获取输出的功率衰减预测值；功率衰减预测值大于功率衰减限值时，则判断光伏组件衰减异常；否则，持续评估；其中，衰减评估模型基于人工智能模型建立，时长因子表示周期时长与模拟时长的关系，模拟时长是整个光伏组件的服役年限，周期时长则是指分析周期对应的时长，功率衰减限值根据经验设定；
在光伏组件衰减异常时，按照对光伏组件衰减影响程度依次提取实验测试曲线，从所述实验测试曲线中匹配对应分析周期的功率衰减影响值，根据所述功率衰减预测值确定分析周期内功率周期衰减值；比较功率周期衰减值与所述功率衰减影响值是否相等，是，则将功率衰减影响值对应的动态数据标记为目标因素，否则，对下一动态数据进行分析，或者联合至少两个动态数据进行分析；其中，实验测试曲线在实验室对动态数据进行定性模拟时获取。
2.根据权利要求1所述的用于空压站的光伏组件衰减测试系统，其特征在于，所述衰减测试模块用于测试空压站对应的光伏组件功率衰减情况，与所述数据采集模块通信和/或电气连接；
所述数据采集模块与气象平台或者若干类型数据传感器通信连接；其中，气象平台用于获取光伏组件的工作环境数据。
3.根据权利要求1所述的用于空压站的光伏组件衰减测试系统，其特征在于，所述衰减评估模型基于人工智能模型建立，包括：
实验模拟各种工况下光伏组件的工作过程，记录工作过程的动态数据、时长因子以及对应的功率衰减实测值；将动态数据与时长因子拼接形成标准输入数据，将对应的功率衰减实测值标记为标准输出数据；
通过标准输入数据和标准输出数据训练人工智能模型，将训练完成的人工智能模型标记为衰减评估模型；其中，人工智能模型包括误差逆向传播神经网络模型或者RBF神经网络模型。
4.用于空压站的光伏组件衰减测试方法，基于权利要求1至3的任意一项所述的用于空压站的光伏组件衰减测试系统运行，其特征在于，包括：
采集实时动态数据，并将动态数据上传至衰减测试模块；定期提取动态数据，并对自然环境进行模拟来设置动态数据的实验数值，通过定性分析法和实验数值模拟光伏组件的工作环境，根据模拟结果中各动态数据对功率衰减的影响程度进行分阶段排序；
获取光伏组件的服役时长，根据动态数据的排序结果确定服役时长中当前阶段对应的影响程度最大的动态数据，标记为时期因素，根据时期因素是否超过下限值来确定分析周期；其中，下限值为时期因素会对光伏组件功率衰减产生影响的最低限值；
将动态数据和时长因子拼接形成模型分析数据，从厂家数据中识别该分析周期的功率衰减限值；将模型分析数据输入至衰减评估模型中获取输出的功率衰减预测值；功率衰减预测值大于功率衰减限值时，则判断光伏组件衰减异常；否则，持续评估；
在光伏组件衰减异常时，按照对光伏组件衰减影响程度依次提取实验测试曲线，从所述实验测试曲线中匹配对应分析周期的功率衰减影响值，根据所述功率衰减预测值确定分析周期内功率周期衰减值；
比较功率周期衰减值与所述功率衰减影响值是否相等，是，则将功率衰减影响值对应的动态数据标记为目标因素，否则，对下一动态数据进行分析，或者联合至少两个动态数据进行分析。
CN202211274872.8A 2022-10-18 2022-10-18 用于空压站的光伏组件衰减测试系统及方法 Active CN115566997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211274872.8A CN115566997B (zh) 2022-10-18 2022-10-18 用于空压站的光伏组件衰减测试系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211274872.8A CN115566997B (zh) 2022-10-18 2022-10-18 用于空压站的光伏组件衰减测试系统及方法

Publications (2)

Publication Number Publication Date
CN115566997A CN115566997A (zh) 2023-01-03
CN115566997B true CN115566997B (zh) 2023-04-28

Family

ID=84767695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211274872.8A Active CN115566997B (zh) 2022-10-18 2022-10-18 用于空压站的光伏组件衰减测试系统及方法

Country Status (1)

Country Link
CN (1) CN115566997B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160166A (zh) * 2015-08-25 2015-12-16 许继集团有限公司 一种光伏阵列状态判断方法
CN106788239A (zh) * 2016-11-10 2017-05-31 上海许继电气有限公司 基于功率损失估计实现光伏电站性能评估和管理的方法
KR101861062B1 (ko) * 2017-11-28 2018-05-28 주식회사 주왕산업 태양전지모듈 그룹의 경년 열화 및 고장 진단장치와 그에 따른 전력공급 계통 제어장치
CN112016181A (zh) * 2019-05-28 2020-12-01 汉能移动能源控股集团有限公司 光伏组件的测试时间、组件状态评估方法和装置
CN114531113A (zh) * 2021-12-22 2022-05-24 中国航天空气动力技术研究院 柔性光伏组件性能衰减综合测试系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160166A (zh) * 2015-08-25 2015-12-16 许继集团有限公司 一种光伏阵列状态判断方法
CN106788239A (zh) * 2016-11-10 2017-05-31 上海许继电气有限公司 基于功率损失估计实现光伏电站性能评估和管理的方法
KR101861062B1 (ko) * 2017-11-28 2018-05-28 주식회사 주왕산업 태양전지모듈 그룹의 경년 열화 및 고장 진단장치와 그에 따른 전력공급 계통 제어장치
CN112016181A (zh) * 2019-05-28 2020-12-01 汉能移动能源控股集团有限公司 光伏组件的测试时间、组件状态评估方法和装置
CN114531113A (zh) * 2021-12-22 2022-05-24 中国航天空气动力技术研究院 柔性光伏组件性能衰减综合测试系统

Also Published As

Publication number Publication date
CN115566997A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN108375715B (zh) 一种配电网线路故障风险日预测方法及系统
CN103268519B (zh) 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置
CN112669305B (zh) 一种金属表面抗锈性能测试台及抗锈性能测评方法
CN115170000B (zh) 一种基于电能表通信模块的远程监测方法及系统
CN109597396B (zh) 一种基于大数据流及迁移学习的配变故障在线诊断方法
CN114839492A (zh) 一种基于mobilenetv3的gis局部放电类型识别方法及装置
CN118330505B (zh) 基于无线通信的线路泄漏电流监测与漏电保护方法
CN116861503A (zh) 一种基于大数据的电力变压器数字孪生模型的构建方法
CN114216558B (zh) 一种无线振动传感器电池剩余寿命预测方法及系统
CN117474584A (zh) 一种基于大数据的电力客户需求预测与分析系统
CN116822115A (zh) 一种基于数字孪生技术的智慧园区的环境管理方法及系统
CN114705965A (zh) 基于大数据的第三代半导体可靠性数据分析系统
CN110888100A (zh) 一种单相智能电能表在线带载检测系统及方法
CN113611096A (zh) 一种空压站电能消耗监测预警系统
CN116756505B (zh) 一种基于大数据的光伏设备智能管理系统及方法
CN115566997B (zh) 用于空压站的光伏组件衰减测试系统及方法
CN113468823B (zh) 一种基于机器学习的光模块损坏检测方法及系统
CN112507290B (zh) 配电设备故障概率预判方法、装置及存储介质
CN115793516B (zh) 一种智能桥梁移动检测的控制系统和方法
CN117910335B (zh) 风电叶片防覆冰涂料的防覆冰性能测试方法及系统
CN117114254B (zh) 一种电网新能源异常数据监测方法及系统
CN116522166B (zh) 一种基于大数据的空气污染监测系统
CN115438520B (zh) 一种基于蒙特卡洛模拟方法的智能电能表示数仿真方法
CN114089257B (zh) 一种电能表烧表在线监测方法、系统及介质
CN114048198A (zh) 一种测风塔缺漏数据的概率预判补全方法

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