CN115983447A - 一种基于因果推理的光伏发电故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于因果推理的光伏发电故障诊断方法，包括以下步骤：第一步：根据光伏组件信息、环境信息、历史发电数据，构建发电量预测模型；第二步，判断光伏实际发电量与模型预测发电量之间的偏差值，如果偏差值大于预设值，则判断光伏发电故障。第三步，若存在发电故障，定位发电故障问题。本申请能够结合光伏组件信息、环境信息、历史发电数据利用AI算法模型构建发电量预测模型，通过比对实际发电量，及时发现光伏发电异常，并利用无人机图像分析、设备数据分析快速定位、处理故障，减少因故障带来发电损耗，增加电站发电效益。

Description

一种基于因果推理的光伏发电故障诊断方法

技术领域

本发明涉及发电故障诊断技术领域，尤其涉及一种基于因果推理的光伏发电故障诊断方法。

背景技术

利用间歇性能源产生能量的装置，如光伏发电装置，越来越得到广泛使用。这些装置的发电成本取决于其电力续供时间及其诊断其故障的能力，如果可能，是实时诊断故障的能力。现有的装置不是设计用于在发生故障时、甚至在其发电量变得异常低时进行快速反应，故而出现问题时就需要人工对其进行检测，如此可能消耗大量的时间，提高了电能损耗。

发明内容

本发明的目的在于：为了解决上述问题，而提出的一种基于因果推理的光伏发电故障诊断方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于因果推理的光伏发电故障诊断方法，包括以下步骤：

第一步：根据光伏组件信息、环境信息、历史发电数据，构建发电量预测模型；

第二步，判断光伏实际发电量与模型预测发电量之间的偏差值，如果偏差值大于预设值，则判断光伏发电故障；

第三步，若存在发电故障，定位发电故障问题。

优选地，在所述第一步中，构建发电量预测模型中获取光伏组件信息包括：光伏组件面积、光伏组件材质、光伏使用时间；获取环境信息包括：辐射度、日照小时数、天气类型、光照强度、温度、湿度、空气质量指数；获取历史发电数据包括：采集时光伏组件信息、采集时环境信息、采集时间、发电量。

优选地，在所述第二步中，光伏实际发电量通过设备采集获得；模型预测发电量通过采集光伏电站的光伏组件信息、环境信息，预测获得；比较模型预测发电量和光伏实际发电量，若偏差值大于预设值，则判定存在发电故障，若偏差值小于预设值，则判定发电正常；

进一步地，预测发电量，Q＝Q_c+Q_a，

其中Q_c为根据光伏行业经验总结出的在标准测试环境下发电量计算公式；Q_a为弥补实际环境与标准测试环境差异产生的发电量计算偏差，利用AI算法模型，结合历史数据构建的发电量偏差值补偿模型；

进一步地，

其中n为当日辐照小时数；Irr_n＝[Irr₁,Irr₂,......,Irr_n]，Irr_n为第n小时辐照度；Area为光伏组件面积；R_t为光伏组件转换效率；R_s为光伏组件衰减率。发电量计算公式根据采集光伏电站的每小时的辐照度、对应的光伏组件面积以及在标准测试条件下的光伏组件转化效率，同事结合光伏组件使用时间，将对应的光伏组件衰减率作为发电量计算参量，更精准的计算出光伏发电量；

进一步地，光伏组件转化效率、衰减率则根据在标准测试条件下计算得出，具体公式如下：

(3)光伏组件转换效率

其中P_s、Irr、Area分别为在标准测试条件下输出功率、辐照度、光伏组件面积；

(4)光伏组件衰减率

其中P_s、P_c分别为在标准测试条件下初始输出功率、当前输出功率；

进一步地，

Q_a＝f(T_use,C,Weather,Sun_h,Temp,Humidity,Air,Beam)，

其中T_use为光伏组件使用时间，C为光伏组件材质，Weather为天气，Sun_h为日照时长，Temp为温度，Humidity为湿度，Air为空气质量，Beam为光照强度，通过采集相关参数的历史数据，构建发电量预测补偿模型。

优选地，在所述第三步中，定位发电故障问题，包括以下步骤：

(4)判断光伏组件是否存在自身质量问题：

判断光伏组件是否存在质量问题主要根据光伏组件转换效率和衰减率两个维度，光伏组件转换效率和衰减率与光伏组件材质相关，光伏组件材质主要分为单晶硅、多晶硅、非晶硅三种，不同材质对应的转换效率和衰减率不同，具体转换效率和衰减率可根据光伏组件厂家提供的数据自定义对应的预设值转换效率预设值

衰减率预设值

进一步地，若

或

则判定光伏组件不满足标准要求，存在质量问题；

(5)判断光伏组件是否存在异常：

判断光伏组件是否存在异常主要通过获取无人机航拍的光伏组件红外热成像图片、原始图片，并通过图像识别算法对获取的光伏组件图片进行分析，包括以下步骤：

1.对光伏组件原始图片进行分析，判断光伏组件表面是否存在异物，若存在异物，则判定对应的光伏组件存在异物遮挡故障；

2.对光伏组件红外热成像图片进行分析，若光伏组件红外热成像图片全部部位发热异常，则判定对应的光伏组件可能发生旁路二极管全部损坏，或是内部线路被断开等故障；若光伏组件红外热成像图片部分区域发热异常，则判定对应的光伏组件可能发生旁路二极管部分损坏，或是存在隐裂、划伤等故障；

(6)判断逆变器、汇流箱、配电柜等设备是否存在故障：

判断逆变器、汇流箱、配电柜等设备是否存在故障主要通过实时采集对应设备状态数据信息，包括对应的对比其与正常运行状态下的数据差异，若存在差异，则判定对应的设备存在故障。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本申请能够结合光伏组件信息、环境信息、历史发电数据利用AI算法模型构建发电量预测模型，通过比对实际发电量，及时发现光伏发电异常，并利用无人机图像分析、设备数据分析快速定位、处理故障，减少因故障带来发电损耗，增加电站发电效益。

附图说明

图1示出了根据本发明实施例提供的诊断方法的系统框图；

具体实施方式

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作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，本发明提供一种技术方案：

一种基于因果推理的光伏发电故障诊断方法，包括以下步骤：

第一步：根据光伏组件信息、环境信息、历史发电数据，构建发电量预测模型；

第二步，判断光伏实际发电量与模型预测发电量之间的偏差值，如果偏差值大于预设值，则判断光伏发电故障；

第三步，若存在发电故障，定位发电故障问题。

在第一步中，构建发电量预测模型中获取光伏组件信息包括：光伏组件面积、光伏组件材质、光伏使用时间；获取环境信息包括：辐射度、日照小时数、天气类型、光照强度、温度、湿度、空气质量指数；获取历史发电数据包括：采集时光伏组件信息、采集时环境信息、采集时间、发电量。

在第二步中，光伏实际发电量通过设备采集获得；模型预测发电量通过采集光伏电站的光伏组件信息、环境信息，预测获得；比较模型预测发电量和光伏实际发电量，若偏差值大于预设值，则判定存在发电故障，若偏差值小于预设值，则判定发电正常；

进一步地，预测发电量，Q＝Q_c+Q_a，

其中Q_c为根据光伏行业经验总结出的在标准测试环境下发电量计算公式；Q_a为弥补实际环境与标准测试环境差异产生的发电量计算偏差，利用AI算法模型，结合历史数据构建的发电量偏差值补偿模型；

进一步地，

其中n为当日辐照小时数；Irr_n＝[Irr₁,Irr₂,......,Irr_n]，Irr_n为第n小时辐照度；Area为光伏组件面积；R_t为光伏组件转换效率；R_s为光伏组件衰减率。发电量计算公式根据采集光伏电站的每小时的辐照度、对应的光伏组件面积以及在标准测试条件下的光伏组件转化效率，同事结合光伏组件使用时间，将对应的光伏组件衰减率作为发电量计算参量，更精准的计算出光伏发电量；

进一步地，光伏组件转化效率、衰减率则根据在标准测试条件下计算得出，具体公式如下：

(5)光伏组件转换效率

其中P_s、Irr、Area分别为在标准测试条件下输出功率、辐照度、光伏组件面积；

(6)光伏组件衰减率

其中P_s、P_c分别为在标准测试条件下初始输出功率、当前输出功率；

进一步地，

Q_a＝f(T_use,C,Weather,Sun_h,Temp,Humidity,Air,Beam)，

其中T_use为光伏组件使用时间，C为光伏组件材质，Weather为天气，Sun_h为日照时长，Temp为温度，Humidity为湿度，Air为空气质量，Beam为光照强度，通过采集相关参数的历史数据，构建发电量预测补偿模型。

在第三步中，定位发电故障问题，包括以下步骤：

(7)判断光伏组件是否存在自身质量问题：

判断光伏组件是否存在质量问题主要根据光伏组件转换效率和衰减率两个维度，光伏组件转换效率和衰减率与光伏组件材质相关，光伏组件材质主要分为单晶硅、多晶硅、非晶硅三种，不同材质对应的转换效率和衰减率不同，具体转换效率和衰减率可根据光伏组件厂家提供的数据自定义对应的预设值转换效率预设值

衰减率预设值

进一步地，若

或

则判定光伏组件不满足标准要求，存在质量问题；

(8)判断光伏组件是否存在异常：

判断光伏组件是否存在异常主要通过获取无人机航拍的光伏组件红外热成像图片、原始图片，并通过图像识别算法对获取的光伏组件图片进行分析，包括以下步骤：

1.对光伏组件原始图片进行分析，判断光伏组件表面是否存在异物，若存在异物，则判定对应的光伏组件存在异物遮挡故障；

2.对光伏组件红外热成像图片进行分析，若光伏组件红外热成像图片全部部位发热异常，则判定对应的光伏组件可能发生旁路二极管全部损坏，或是内部线路被断开等故障；若光伏组件红外热成像图片部分区域发热异常，则判定对应的光伏组件可能发生旁路二极管部分损坏，或是存在隐裂、划伤等故障；

(9)判断逆变器、汇流箱、配电柜等设备是否存在故障：

判断逆变器、汇流箱、配电柜等设备是否存在故障主要通过实时采集对应设备状态数据信息，包括对应的对比其与正常运行状态下的数据差异，若存在差异，则判定对应的设备存在故障。

实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种基于因果推理的光伏发电故障诊断方法，其特征在于，包括以下步骤：

第一步：根据光伏组件信息、环境信息、历史发电数据，构建发电量预测模型；

第二步，判断光伏实际发电量与模型预测发电量之间的偏差值，如果偏差值大于预设值，则判断光伏发电故障；

第三步，若存在发电故障，定位发电故障问题。

2.根据权利要求1所述的一种基于因果推理的光伏发电故障诊断方法，其特征在于，在所述第一步中，构建发电量预测模型中获取光伏组件信息包括：光伏组件面积、光伏组件材质、光伏使用时间；获取环境信息包括：辐射度、日照小时数、天气类型、光照强度、温度、湿度、空气质量指数；获取历史发电数据包括：采集时光伏组件信息、采集时环境信息、采集时间、发电量。

3.根据权利要求1所述的一种基于因果推理的光伏发电故障诊断方法，其特征在于，在所述第二步中，光伏实际发电量通过设备采集获得；模型预测发电量通过采集光伏电站的光伏组件信息、环境信息，预测获得；比较模型预测发电量和光伏实际发电量，若偏差值大于预设值，则判定存在发电故障，若偏差值小于预设值，则判定发电正常；

进一步地，预测发电量，Q＝Q_c+Q_a，

其中Q_c为根据光伏行业经验总结出的在标准测试环境下发电量计算公式；Q_a为弥补实际环境与标准测试环境差异产生的发电量计算偏差，利用AI算法模型，结合历史数据构建的发电量偏差值补偿模型；

进一步地，

其中n为当日辐照小时数；Irr_n＝[Irr₁,Irr₂,......,Irr_n]，Irr_n为第n小时辐照度；Area为光伏组件面积；R_t为光伏组件转换效率；R_s为光伏组件衰减率。发电量计算公式根据采集光伏电站的每小时的辐照度、对应的光伏组件面积以及在标准测试条件下的光伏组件转化效率，同事结合光伏组件使用时间，将对应的光伏组件衰减率作为发电量计算参量，更精准的计算出光伏发电量；

进一步地，光伏组件转化效率、衰减率则根据在标准测试条件下计算得出，具体公式如下：

(1)光伏组件转换效率

其中P_s、Irr、Area分别为在标准测试条件下输出功率、辐照度、光伏组件面积；

(2)光伏组件衰减率

其中P_s、P_c分别为在标准测试条件下初始输出功率、当前输出功率；

进一步地，

Q_a＝f(T_use,C,Weather,Sun_h,Temp,Humidity,Air,Beam)，

其中T_use为光伏组件使用时间，C为光伏组件材质，Weather为天气，Sun_h为日照时长，Temp为温度，Humidity为湿度，Air为空气质量，Beam为光照强度，通过采集相关参数的历史数据，构建发电量预测补偿模型。

4.根据权利要求1所述的一种基于因果推理的光伏发电故障诊断方法，其特征在于，在所述第三步中，定位发电故障问题，包括以下步骤：

(1)判断光伏组件是否存在自身质量问题：

判断光伏组件是否存在质量问题主要根据光伏组件转换效率和衰减率两个维度，光伏组件转换效率和衰减率与光伏组件材质相关，光伏组件材质主要分为单晶硅、多晶硅、非晶硅三种，不同材质对应的转换效率和衰减率不同，具体转换效率和衰减率可根据光伏组件厂家提供的数据自定义对应的预设值转换效率预设值

衰减率预设值

进一步地，若

或

则判定光伏组件不满足标准要求，存在质量问题；

(2)判断光伏组件是否存在异常：

判断光伏组件是否存在异常主要通过获取无人机航拍的光伏组件红外热成像图片、原始图片，并通过图像识别算法对获取的光伏组件图片进行分析，包括以下步骤：

1.对光伏组件原始图片进行分析，判断光伏组件表面是否存在异物，若存在异物，则判定对应的光伏组件存在异物遮挡故障；

2.对光伏组件红外热成像图片进行分析，若光伏组件红外热成像图片全部部位发热异常，则判定对应的光伏组件可能发生旁路二极管全部损坏，或是内部线路被断开等故障；若光伏组件红外热成像图片部分区域发热异常，则判定对应的光伏组件可能发生旁路二极管部分损坏，或是存在隐裂、划伤等故障；

(3)判断逆变器、汇流箱、配电柜等设备是否存在故障：

判断逆变器、汇流箱、配电柜等设备是否存在故障主要通过实时采集对应设备状态数据信息，包括对应的对比其与正常运行状态下的数据差异，若存在差异，则判定对应的设备存在故障。

Images