CN116029160B - 光伏组件缺陷与发电效率损失的映射模型构建方法及系统 - Google Patents

光伏组件缺陷与发电效率损失的映射模型构建方法及系统 Download PDF

Info

Publication number
CN116029160B
CN116029160B CN202310290992.5A CN202310290992A CN116029160B CN 116029160 B CN116029160 B CN 116029160B CN 202310290992 A CN202310290992 A CN 202310290992A CN 116029160 B CN116029160 B CN 116029160B
Authority
CN
China
Prior art keywords
photovoltaic module
power generation
generation efficiency
defects
defect
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
CN202310290992.5A
Other languages
English (en)
Other versions
CN116029160A (zh
Inventor
孙鹏
李琼
刘林君
廖旭
龙国华
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.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
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 Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN202310290992.5A priority Critical patent/CN116029160B/zh
Publication of CN116029160A publication Critical patent/CN116029160A/zh
Application granted granted Critical
Publication of CN116029160B publication Critical patent/CN116029160B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Photovoltaic Devices (AREA)

Abstract

本发明公开一种光伏组件缺陷与发电效率损失的映射模型构建方法及系统，方法包括：获取至少一类光伏组件缺陷下的k组状态因素数据；将k组状态因素数据输入至预设的非线性函数模型中，得到光伏组件在某一类光伏组件缺陷下的发电效率损失率序列；获取光伏组件在所有类光伏组件缺陷下的总发电效率损失率序列；根据所有类光伏组件缺陷下的总发电效率损失率序列以及某一类光伏组件缺陷下的发电效率损失率序列计算各类光伏组件缺陷的相关系数；根据相关系数构建各类光伏组件缺陷与总发电效率损失率的定量关系。对缺陷相关系数为目标进行计算，得出光伏组件缺陷与发电效率损失率的定量关系，可有效评估光伏组件缺陷中各缺陷指标对发电效率的直接影响。

Description

光伏组件缺陷与发电效率损失的映射模型构建方法及系统
技术领域
本发明属于光伏组件缺陷分析技术领域，尤其涉及一种光伏组件缺陷与发电效率损失的映射模型构建方法及系统。
背景技术
太阳能作为最具商业价值的绿色能源，利用光伏组件对太阳能进行转化发电在目前应用极其广泛。但由于光伏组件长期户外作业，导致光伏组件受到环境影响严重，出现鸟粪覆盖、灰尘堆积、热斑问题等，直接造成光伏组件发电效率的降低，因此探索不同缺陷与发电效率损失之间的定量关系具有重要意义。
在不同缺陷中，针对缺陷种类与严重程度的隐秘性，关于光伏组件缺陷的检测与识别有了较大进展。传统的机器视觉检测方法是通过对光伏组件进行成像，获取图像数据后，再使用机器视觉算法进行缺陷检测。随着硬件性能和深度学习算法不断提升，深度学习被广泛运用到目标检测和故障诊断中，它与神经网络技术一同都是对人脑机制的仿生学模拟。通过对神经元建模和搭建神经网络，再通过巨量相关图像数据的训练，逐步提取故障特征，学习和固定模型参数，构建能够识别某种种类的神经网络模型，从而应用于目标检测和故障诊断领域。
现有关于光伏组件发电研究主要聚焦于光伏组件缺陷分类辨识研究，但是对于缺陷引起的光伏发电量损失量化研究较少。部分学者通过实验室模拟环境，测试了光伏组件在自然老化状态下效率衰减率和热斑温升对组件发电效率的影响，但是这一类实验结果难以直接用来评估户外运行的光伏组件缺陷下的效率影响模型，一是衰减率不能表明缺陷对发电效率损失的影响，二是户外光伏缺陷形式多样，且可能同时出现多类缺陷，必须建立一种考虑多类缺陷共同影响下的效率损失模型。
发明内容
本发明提供一种光伏组件缺陷与发电效率损失的映射模型构建方法及系统，用于解决无法建立考虑多类缺陷共同影响下的效率损失模型的技术问题。
第一方面，本发明提供一种光伏组件缺陷与发电效率损失的映射模型构建方法，包括：
获取至少一类光伏组件缺陷下的k组状态因素数据；
将k组所述状态因素数据输入至预设的非线性函数模型中，得到光伏组件在某一类光伏组件缺陷下的发电效率损失率序列
Figure SMS_1
，其中，所述非线性函数模型中包含各类光伏组件缺陷下的状态因素数据与发电效率损失率的非线性函数关系，所述非线性函数关系的表达式为：
Figure SMS_2
，
式中，
Figure SMS_3
为第i类光伏组件缺陷下的发电效率损失率，/>
Figure SMS_4
为第0个状态因素与发电效率损失率的回归系数，/>
Figure SMS_5
为第3i-2个状态因素与发电效率损失率的回归系数，
Figure SMS_6
为第i类光伏组件缺陷下的缺陷相关状态因素序列，/>
Figure SMS_7
为第3i-1个状态因素与发电效率损失率的回归系数，/>
Figure SMS_8
为第3i个状态因素与发电效率损失率的回归系数;
其中，系数
Figure SMS_9
求解如下：
Figure SMS_10
，
式中，
Figure SMS_11
为迭代次数，/>
Figure SMS_12
为迭代矢量，当满足以下条件迭代结束：
Figure SMS_13
，
Figure SMS_14
，
Figure SMS_15
，
式中，
Figure SMS_16
为残差，/>
Figure SMS_17
为实际效率损失值，/>
Figure SMS_18
为映射模型输出值，
Figure SMS_19
为所有样本序列点的残差平方和；
获取光伏组件在所有类光伏组件缺陷下的总发电效率损失率序列
Figure SMS_20
，其中，所述总发电效率损失率序列中的任一总发电效率损失率由实测得到；
根据所有类光伏组件缺陷下的总发电效率损失率序列以及某一类光伏组件缺陷下的发电效率损失率序列计算各类光伏组件缺陷的相关系数，其中，计算所述相关系数的表达式为：
Figure SMS_21
，
式中，
Figure SMS_22
为第i类光伏组件缺陷的效率损失值，/>
Figure SMS_23
为第i类光伏组件缺陷的效率损失平均值，/>
Figure SMS_24
为所有缺陷的效率损失值，/>
Figure SMS_25
为所有缺陷的效率损失平均值，n为样本数；
根据所述相关系数构建各类光伏组件缺陷与总发电效率损失率的定量关系。
第二方面，本发明提供一种光伏组件缺陷与发电效率损失的映射模型构建系统，其特征在于，包括：
第一获取模块，配置为获取至少一类光伏组件缺陷下的k组状态因素数据；
输出模块，配置为将k组所述状态因素数据输入至预设的非线性函数模型中，得到光伏组件在某一类光伏组件缺陷下的发电效率损失率序列
Figure SMS_26
，其中，所述非线性函数模型中包含各类光伏组件缺陷下的状态因素数据与发电效率损失率的非线性函数关系，所述非线性函数关系的表达式为：
Figure SMS_27
，
式中，
Figure SMS_28
为第i类光伏组件缺陷下的发电效率损失率，/>
Figure SMS_29
为第0个状态因素与发电效率损失率的回归系数，/>
Figure SMS_30
为第3i-2个状态因素与发电效率损失率的回归系数，
Figure SMS_31
为第i类光伏组件缺陷下的缺陷相关状态因素序列，/>
Figure SMS_32
为第3i-1个状态因素与发电效率损失率的回归系数，/>
Figure SMS_33
为第3i个状态因素与发电效率损失率的回归系数;
其中，系数
Figure SMS_34
求解如下：
Figure SMS_35
，
式中，
Figure SMS_36
为迭代次数，/>
Figure SMS_37
为迭代矢量，当满足以下条件迭代结束：
Figure SMS_38
，
Figure SMS_39
，
Figure SMS_40
，
式中，
Figure SMS_41
为残差，/>
Figure SMS_42
为实际效率损失值，/>
Figure SMS_43
为映射模型输出值，
Figure SMS_44
为所有样本序列点的残差平方和；
第二获取模块，配置为获取光伏组件在所有类光伏组件缺陷下的总发电效率损失率序列
Figure SMS_45
，其中，所述总发电效率损失率序列中的任一总发电效率损失率由实测得到；
计算模块，配置为根据所有类光伏组件缺陷下的总发电效率损失率序列以及某一类光伏组件缺陷下的发电效率损失率序列计算各类光伏组件缺陷的相关系数，其中，计算所述相关系数的表达式为：
Figure SMS_46
，
式中，
Figure SMS_47
为第i类光伏组件缺陷的效率损失值，/>
Figure SMS_48
为第i类光伏组件缺陷的效率损失平均值，/>
Figure SMS_49
为所有缺陷的效率损失值，/>
Figure SMS_50
为所有缺陷的效率损失平均值，n为样本数；
构建模块，配置为根据所述相关系数构建各类光伏组件缺陷与总发电效率损失率的定量关系。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的光伏组件缺陷与发电效率损失的映射模型构建方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的光伏组件缺陷与发电效率损失的映射模型构建方法的步骤。
本申请的光伏组件缺陷与发电效率损失的映射模型构建方法及系统，对各类缺陷定量分析且通过其综合值来建立起与状态因素相关的缺陷的量化系数，并且对缺陷相关系数为目标进行计算，得出光伏组件缺陷与发电效率损失率的定量关系，可有效评估光伏组件缺陷中各缺陷指标对发电效率的直接影响。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的一种光伏组件缺陷与发电效率损失的映射模型构建方法的流程图；
图2为本发明一实施例提供的光伏组件缺陷的状态因素示意图；
图3为本发明一实施例提供的一种光伏组件缺陷与发电效率损失的映射模型构建系统的结构框图；
图4是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种光伏组件缺陷与发电效率损失的映射模型构建方法的流程图。
如图1所示，光伏组件缺陷与发电效率损失的映射模型构建方法具体包括以下步骤：
步骤S101，获取至少一类光伏组件缺陷下的k组状态因素数据。
光伏组件缺陷是造成其发光效率降低的主要原因，而光伏组件缺陷常受到天气、地理位置、季节等因素影响，主要包括鸟粪影响、灰尘覆盖、热斑三类。
鸟粪影响属于自然因素，无法避免其对光伏组件造成的覆盖遮蔽缺陷，基于形态学分割法精准对鸟粪所覆盖的电池板块数进行分析计算，并得出鸟粪所覆盖电池板块的面积。
灰尘覆盖也是光伏组件受到的主要影响，包括面积和属性因素，属性是指灰尘的物质构成，分为油污类，尘埃类、沙尘类；灰尘中存在的油污、沙尘等污染严重影响着光伏组件的透光率，基于相对透光率与灰尘覆盖密度的函数关系以及相关公式反映灰尘覆盖对光伏组件的影响。此外，考虑到高风速时的灰尘下降大于低风速时的下降，风速增加时，灰尘积聚引起的光伏电池性能下降幅度更大，所以风速对电池发电效率的也有显著影响。因此，风速是评估灰尘覆盖缺陷的重要因素之一。
并且只考虑光伏组件自身缺陷导致的热斑，从而避免由于鸟粪、灰层覆盖导致的热斑被重复计算。由于硅晶体材料质量问题或者电池制造工艺缺陷都会引起热斑效应。当局部温度温差高于一定值时，可认定为局部组件为热斑区域。如图2所示为三类缺陷的相关因素汇总。
需要说明的是，基于以上的缺陷分类及缺陷相关因素分解，其中灰尘缺陷中存在“属性”这一非量化因素，因此需要构建灰层属性因素的量化模型；本申请基于对比实验法分析出灰尘缺陷属性因素对光伏组件板发电效率的影响，具体思路及流程图如下：
1）选取一块无任何污染或缺陷的光伏板作为本次实验的参照组，通过使用光照模拟源模拟典型日辐照曲线，得到参照组的
Figure SMS_51
曲线及正常环境条件下的总发电量/>
Figure SMS_52
。
2）再选取与参照组相同的三块光伏板，在相同模拟光照的条件下分别建立三组实验组模拟油污类、沙尘类、尘埃类缺陷的影响。
3）通过监测光伏组件的发电效率，分别得到三组的
Figure SMS_53
曲线，并且分别得到三组实验的总发电量/>
Figure SMS_54
。
4）得到各缺陷下的发电总量与
Figure SMS_55
曲线后，通过实验组分别对比参照组的/>
Figure SMS_56
曲线，代入缺陷下的发电功率损失率公式：/>
Figure SMS_57
。
5）分别得到各缺陷下的发电量与参照组发电总量的比值
Figure SMS_58
，进而得到油污类、沙尘、尘埃类三种缺陷下的光伏板发电损失率。
需注意，此处未用光伏组件衰减率作为计算依据，而是采用了光伏累计发电量，其原因是，光伏组件衰减率衡量的是最大功率下降，但是缺陷下的光伏组件，由于温升累积效应，发电功率会随着温升损失增加，所以用发电量的损失来计算量化指标更为合适。
基于以上构建灰尘缺陷属性的量化理论模型，以用作分析工具，获得相关区域固体粉尘颗粒物对光伏性能的影响，并设置量化系数
Figure SMS_59
分别代替灰尘油污类、沙尘、尘埃类实现量化。
进一步地，为了使建立缺陷指标与效率损失连续映射模型时避免重复计算，此时需要判定热斑位置是否与鸟粪、灰尘覆盖的位置重叠，若重叠则需要去掉此处的特征指标，防止重复计算，引起误差。
步骤S102，将k组所述状态因素数据输入至预设的非线性函数模型中，得到光伏组件在某一类光伏组件缺陷下的发电效率损失率序列
Figure SMS_60
，其中，所述非线性函数模型中包含各类光伏组件缺陷下的状态因素数据与发电效率损失率的非线性函数关系。
在本实施例中，所述非线性函数关系的表达式为：
Figure SMS_61
，
式中，
Figure SMS_62
为第i类光伏组件缺陷下的发电效率损失率，/>
Figure SMS_63
为第0个状态因素与发电效率损失率的回归系数，/>
Figure SMS_64
为第3i-2个状态因素与发电效率损失率的回归系数，
Figure SMS_65
为第i类光伏组件缺陷下的缺陷相关状态因素序列，/>
Figure SMS_66
为第3i-1个状态因素与发电效率损失率的回归系数，/>
Figure SMS_67
为第3i个状态因素与发电效率损失率的回归系数；
其中，系数
Figure SMS_68
求解如下：
Figure SMS_69
，
式中，
Figure SMS_70
为迭代次数，/>
Figure SMS_71
为迭代矢量，当满足以下条件迭代结束：
Figure SMS_72
，
Figure SMS_73
，
Figure SMS_74
，
式中，
Figure SMS_75
为残差，/>
Figure SMS_76
为实际效率损失值，/>
Figure SMS_77
为映射模型输出值，
Figure SMS_78
为所有样本序列点的残差平方和；
本实施例的方法，通过建立各类缺陷相关因素与效率损失的非线性映射模型，可找出某缺陷对效率损失的关键因素，可解释发电效率损失的耦合关系，有益于光伏组件户外运行时进行有效运维。
步骤S103，获取光伏组件在所有类光伏组件缺陷下的总发电效率损失率序列
Figure SMS_79
，其中，所述总发电效率损失率序列中的任一总发电效率损失率由实测得到。
步骤S104，根据所有类光伏组件缺陷下的总发电效率损失率序列以及某一类光伏组件缺陷下的发电效率损失率序列计算各类光伏组件缺陷的相关系数。
在本实施例中，计算相关系数的表达式为：
Figure SMS_80
，
式中，
Figure SMS_81
为第i类光伏组件缺陷的效率损失值，/>
Figure SMS_82
为第i类光伏组件缺陷的效率损失平均值，/>
Figure SMS_83
为所有缺陷的效率损失值，/>
Figure SMS_84
为所有缺陷的效率损失平均值，n为样本数。
步骤S105，根据所述相关系数构建各类光伏组件缺陷与总发电效率损失率的定量关系。
在本实施例中，计算各类光伏组件缺陷与总发电效率损失率的定量关系的表达式为：
Figure SMS_85
，
Figure SMS_86
，
式中，
Figure SMS_89
为第i个光伏组件的总发电效率损失率，/>
Figure SMS_92
为鸟粪缺陷引起的效率损失率，/>
Figure SMS_93
为灰层缺陷引起的效率损失率，/>
Figure SMS_88
为热斑缺陷引起的效率损失率，
Figure SMS_91
为鸟粪缺陷效率损失权重，/>
Figure SMS_95
为灰层缺陷效率损失权重，/>
Figure SMS_96
为热斑缺陷效率损失权重，
Figure SMS_87
为鸟粪缺陷与总效率损失的相关性，/>
Figure SMS_90
为灰层缺陷与总效率损失的相关性，/>
Figure SMS_94
为热斑缺陷与总效率损失的相关性，/>
Figure SMS_97
为第i类缺陷与总效率损失的相关性。
综上，本申请的方法，对各类缺陷定量分析且通过其综合值来建立起与属性相关的缺陷的量化系数，通过评估热斑与其它两种缺陷的位置关系，对重叠的缺陷进行分析，并将其进行解耦，可有效提升缺陷诊断与评估的准确率，并且对缺陷相关系数为目标进行计算，得出光伏组件缺陷与发电效率损失率的定量关系，可有效评估光伏组件缺陷中各缺陷指标对发电效率的直接影响。
请参阅图3，其示出了本申请的一种光伏组件缺陷与发电效率损失的映射模型构建系统的结构框图。
如图3所示，映射模型构建系统200，包括第一获取模块210、输出模块220、第二获取模块230、计算模块240以及构建模块250。
第一获取模块210，配置为获取至少一类光伏组件缺陷下的k组状态因素数据；
输出模块220，配置为将k组所述状态因素数据输入至预设的非线性函数模型中，得到光伏组件在某一类光伏组件缺陷下的发电效率损失率序列
Figure SMS_98
，其中，所述非线性函数模型中包含各类光伏组件缺陷下的状态因素数据与发电效率损失率的非线性函数关系，所述非线性函数关系的表达式为：
Figure SMS_99
，
式中，
Figure SMS_100
为第i类光伏组件缺陷下的发电效率损失率，/>
Figure SMS_101
为第0个状态因素与发电效率损失率的回归系数，/>
Figure SMS_102
为第3i-2个状态因素与发电效率损失率的回归系数，
Figure SMS_103
为第i类光伏组件缺陷下的缺陷相关状态因素序列，/>
Figure SMS_104
为第3i-1个状态因素与发电效率损失率的回归系数，/>
Figure SMS_105
为第3i个状态因素与发电效率损失率的回归系数;
其中，系数
Figure SMS_106
求解如下：
Figure SMS_107
，
式中，
Figure SMS_108
为迭代次数，/>
Figure SMS_109
为迭代矢量，当满足以下条件迭代结束：
Figure SMS_110
，
Figure SMS_111
，
Figure SMS_112
，
式中，
Figure SMS_113
为残差，/>
Figure SMS_114
为实际效率损失值，/>
Figure SMS_115
为映射模型输出值，
Figure SMS_116
为所有样本序列点的残差平方和；
第二获取模块230，配置为获取光伏组件在所有类光伏组件缺陷下的总发电效率损失率序列
Figure SMS_117
，其中，所述总发电效率损失率序列中的任一总发电效率损失率由实测得到；
计算模块240，配置为根据所有类光伏组件缺陷下的总发电效率损失率序列以及某一类光伏组件缺陷下的发电效率损失率序列计算各类光伏组件缺陷的相关系数，其中，计算所述相关系数的表达式为：
Figure SMS_118
，
式中，
Figure SMS_119
为第i类光伏组件缺陷的效率损失值，/>
Figure SMS_120
为第i类光伏组件缺陷的效率损失平均值，/>
Figure SMS_121
为所有缺陷的效率损失值，/>
Figure SMS_122
为所有缺陷的效率损失平均值，n为样本数；
构建模块250，配置为根据所述相关系数构建各类光伏组件缺陷与总发电效率损失率的定量关系。
应当理解，图3中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图3中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的光伏组件缺陷与发电效率损失的映射模型构建方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取至少一类光伏组件缺陷下的k组状态因素数据；
将k组所述状态因素数据输入至预设的非线性函数模型中，得到光伏组件在某一类光伏组件缺陷下的发电效率损失率序列
Figure SMS_123
，其中，所述非线性函数模型中包含各类光伏组件缺陷下的状态因素数据与发电效率损失率的非线性函数关系；
获取光伏组件在所有类光伏组件缺陷下的总发电效率损失率序列
Figure SMS_124
，其中，所述总发电效率损失率序列中的任一总发电效率损失率由实测得到；
根据所有类光伏组件缺陷下的总发电效率损失率序列以及某一类光伏组件缺陷下的发电效率损失率序列计算各类光伏组件缺陷的相关系数；
根据所述相关系数构建各类光伏组件缺陷与总发电效率损失率的定量关系。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据光伏组件缺陷与发电效率损失的映射模型构建系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至光伏组件缺陷与发电效率损失的映射模型构建系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图4是本发明实施例提供的电子设备的结构示意图，如图4所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例光伏组件缺陷与发电效率损失的映射模型构建方法。输入装置330可接收输入的数字或字符信息，以及产生与光伏组件缺陷与发电效率损失的映射模型构建系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于光伏组件缺陷与发电效率损失的映射模型构建系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取至少一类光伏组件缺陷下的k组状态因素数据；
将k组所述状态因素数据输入至预设的非线性函数模型中，得到光伏组件在某一类光伏组件缺陷下的发电效率损失率序列
Figure SMS_125
，其中，所述非线性函数模型中包含各类光伏组件缺陷下的状态因素数据与发电效率损失率的非线性函数关系；
获取光伏组件在所有类光伏组件缺陷下的总发电效率损失率序列
Figure SMS_126
，其中，所述总发电效率损失率序列中的任一总发电效率损失率由实测得到；
根据所有类光伏组件缺陷下的总发电效率损失率序列以及某一类光伏组件缺陷下的发电效率损失率序列计算各类光伏组件缺陷的相关系数；
根据所述相关系数构建各类光伏组件缺陷与总发电效率损失率的定量关系。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种光伏组件缺陷与发电效率损失的映射模型构建方法，其特征在于，包括：
获取至少一类光伏组件缺陷下的k组状态因素数据；
将k组所述状态因素数据输入至预设的非线性函数模型中，得到光伏组件在某一类光伏组件缺陷下的发电效率损失率序列
Figure QLYQS_1
，其中，所述非线性函数模型中包含各类光伏组件缺陷下的状态因素数据与发电效率损失率的非线性函数关系，所述非线性函数关系的表达式为：
Figure QLYQS_2
，
式中，
Figure QLYQS_3
为第i类光伏组件缺陷下的发电效率损失率，/>
Figure QLYQS_4
为第0个状态因素与发电效率损失率的回归系数，/>
Figure QLYQS_5
为第3i-2个状态因素与发电效率损失率的回归系数，/>
Figure QLYQS_6
为第i类光伏组件缺陷下的缺陷相关状态因素序列，/>
Figure QLYQS_7
为第3i-1个状态因素与发电效率损失率的回归系数，/>
Figure QLYQS_8
为第3i个状态因素与发电效率损失率的回归系数;
其中，系数
Figure QLYQS_9
求解如下：
Figure QLYQS_10
，
式中，
Figure QLYQS_11
为迭代次数，/>
Figure QLYQS_12
为迭代矢量，当满足以下条件迭代结束：
Figure QLYQS_13
，
Figure QLYQS_14
，
Figure QLYQS_15
，
式中，
Figure QLYQS_16
为残差，/>
Figure QLYQS_17
为实际效率损失值，/>
Figure QLYQS_18
为映射模型输出值，/>
Figure QLYQS_19
为所有样本序列点的残差平方和；
获取光伏组件在所有类光伏组件缺陷下的总发电效率损失率序列
Figure QLYQS_20
，其中，所述总发电效率损失率序列中的任一总发电效率损失率由实测得到；
根据所有类光伏组件缺陷下的总发电效率损失率序列以及某一类光伏组件缺陷下的发电效率损失率序列计算各类光伏组件缺陷的相关系数，其中，计算所述相关系数的表达式为：
Figure QLYQS_21
，
式中，
Figure QLYQS_22
为第i类光伏组件缺陷的效率损失值，/>
Figure QLYQS_23
为第i类光伏组件缺陷的效率损失平均值，/>
Figure QLYQS_24
为所有缺陷的效率损失值，/>
Figure QLYQS_25
为所有缺陷的效率损失平均值，n为样本数；
根据所述相关系数构建各类光伏组件缺陷与总发电效率损失率的定量关系。
2.根据权利要求1所述的一种光伏组件缺陷与发电效率损失的映射模型构建方法，其特征在于，所述光伏组件缺陷为鸟粪缺陷、灰尘缺陷或热斑缺陷。
3.根据权利要求2所述的一种光伏组件缺陷与发电效率损失的映射模型构建方法，其特征在于，所述鸟粪缺陷下的状态因素数据包括：覆盖面积、光照幅度和环境温度；所述灰尘缺陷下的状态因素数据包括：覆盖面积、属性系数、光照幅度、环境温度和风速；所述热斑缺陷下的状态因素数据包括：覆盖面积、温度差值、光照幅度和环境温度。
4.根据权利要求1所述的一种光伏组件缺陷与发电效率损失的映射模型构建方法，其特征在于，计算各类光伏组件缺陷与总发电效率损失率的定量关系的表达式为：
Figure QLYQS_26
，
Figure QLYQS_27
，
式中，
Figure QLYQS_29
为第i个光伏组件的总发电效率损失率，/>
Figure QLYQS_31
为鸟粪缺陷引起的效率损失率，/>
Figure QLYQS_35
为灰层缺陷引起的效率损失率，/>
Figure QLYQS_30
为热斑缺陷引起的效率损失率，/>
Figure QLYQS_32
为鸟粪缺陷效率损失权重，/>
Figure QLYQS_34
为灰层缺陷效率损失权重，/>
Figure QLYQS_37
为热斑缺陷效率损失权重，/>
Figure QLYQS_28
为鸟粪缺陷与总效率损失的相关性，/>
Figure QLYQS_33
为灰层缺陷与总效率损失的相关性，/>
Figure QLYQS_36
为热斑缺陷与总效率损失的相关性，/>
Figure QLYQS_38
为第i类缺陷与总效率损失的相关性。
5.一种光伏组件缺陷与发电效率损失的映射模型构建系统，其特征在于，包括：
第一获取模块，配置为获取至少一类光伏组件缺陷下的k组状态因素数据；
输出模块，配置为将k组所述状态因素数据输入至预设的非线性函数模型中，得到光伏组件在某一类光伏组件缺陷下的发电效率损失率序列
Figure QLYQS_39
，其中，所述非线性函数模型中包含各类光伏组件缺陷下的状态因素数据与发电效率损失率的非线性函数关系，所述非线性函数关系的表达式为：
Figure QLYQS_40
，
式中，
Figure QLYQS_41
为第i类光伏组件缺陷下的发电效率损失率，/>
Figure QLYQS_42
为第0个状态因素与发电效率损失率的回归系数，/>
Figure QLYQS_43
为第3i-2个状态因素与发电效率损失率的回归系数，/>
Figure QLYQS_44
为第i类光伏组件缺陷下的缺陷相关状态因素序列，/>
Figure QLYQS_45
为第3i-1个状态因素与发电效率损失率的回归系数，/>
Figure QLYQS_46
为第3i个状态因素与发电效率损失率的回归系数；
其中，系数
Figure QLYQS_47
求解如下：
Figure QLYQS_48
，
式中，
Figure QLYQS_49
为迭代次数，/>
Figure QLYQS_50
为迭代矢量，当满足以下条件迭代结束：
Figure QLYQS_51
，
Figure QLYQS_52
，
Figure QLYQS_53
，
式中，
Figure QLYQS_54
为残差，/>
Figure QLYQS_55
为实际效率损失值，/>
Figure QLYQS_56
为映射模型输出值，/>
Figure QLYQS_57
为所有样本序列点的残差平方和；
第二获取模块，配置为获取光伏组件在所有类光伏组件缺陷下的总发电效率损失率序列
Figure QLYQS_58
，其中，所述总发电效率损失率序列中的任一总发电效率损失率由实测得到；
计算模块，配置为根据所有类光伏组件缺陷下的总发电效率损失率序列以及某一类光伏组件缺陷下的发电效率损失率序列计算各类光伏组件缺陷的相关系数，其中，计算所述相关系数的表达式为：
Figure QLYQS_59
，
式中，
Figure QLYQS_60
为第i类光伏组件缺陷的效率损失值，/>
Figure QLYQS_61
为第i类光伏组件缺陷的效率损失平均值，/>
Figure QLYQS_62
为所有缺陷的效率损失值，/>
Figure QLYQS_63
为所有缺陷的效率损失平均值，n为样本数；
构建模块，配置为根据所述相关系数构建各类光伏组件缺陷与总发电效率损失率的定量关系。
6.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4任一项所述的方法。
CN202310290992.5A 2023-03-23 2023-03-23 光伏组件缺陷与发电效率损失的映射模型构建方法及系统 Active CN116029160B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310290992.5A CN116029160B (zh) 2023-03-23 2023-03-23 光伏组件缺陷与发电效率损失的映射模型构建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310290992.5A CN116029160B (zh) 2023-03-23 2023-03-23 光伏组件缺陷与发电效率损失的映射模型构建方法及系统

Publications (2)

Publication Number Publication Date
CN116029160A CN116029160A (zh) 2023-04-28
CN116029160B true CN116029160B (zh) 2023-06-20

Family

ID=86089468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310290992.5A Active CN116029160B (zh) 2023-03-23 2023-03-23 光伏组件缺陷与发电效率损失的映射模型构建方法及系统

Country Status (1)

Country Link
CN (1) CN116029160B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118115821B (zh) * 2024-04-28 2024-08-06 国网辽宁省电力有限公司辽阳供电公司 基于图像特征提取的光伏板故障识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004139A (zh) * 2021-09-24 2022-02-01 沈阳工程学院 一种光伏发电功率预测方法
WO2022022659A1 (zh) * 2020-07-31 2022-02-03 科华数据股份有限公司 一种光伏组件诊断方法、装置、设备及可读存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8318239B2 (en) * 2008-11-17 2012-11-27 Solopower, Inc. Method and apparatus for detecting and passivating defects in thin film solar cells
CN110942205B (zh) * 2019-12-05 2022-12-06 国网安徽省电力有限公司 一种基于himvo-svm的短期光伏发电功率预测方法
KR102421632B1 (ko) * 2020-10-06 2022-07-14 아주대학교산학협력단 태양광 발전 출력 예측 장치 및 방법
CN113496311A (zh) * 2021-06-25 2021-10-12 国网山东省电力公司济宁供电公司 光伏电站发电功率预测方法及系统
CN114581362B (zh) * 2021-07-22 2023-11-07 正泰集团研发中心(上海)有限公司 光伏组件缺陷检测方法、装置、电子设备和可读存储介质
CN114201876B (zh) * 2021-12-08 2022-11-15 国家电投集团青海光伏产业创新中心有限公司 一种在已有风电场内建设光伏电站的阴影遮挡损失评估方法
CN115642877A (zh) * 2022-11-04 2023-01-24 重庆中电自能科技有限公司 一种基于深度学习的光伏组件异常遮挡检测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022022659A1 (zh) * 2020-07-31 2022-02-03 科华数据股份有限公司 一种光伏组件诊断方法、装置、设备及可读存储介质
CN114004139A (zh) * 2021-09-24 2022-02-01 沈阳工程学院 一种光伏发电功率预测方法

Also Published As

Publication number Publication date
CN116029160A (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
Huang et al. Air quality prediction using improved PSO-BP neural network
CN111259481B (zh) 一种整合空间信息的建筑室内光环境设计评价方法及装置
CN109615629A (zh) 基于卷积神经网络的光伏板积灰状态图像识别系统及其分析调控方法
CN111539355A (zh) 一种基于深层神经网络的光伏板异物检测系统及检测方法
CN116029160B (zh) 光伏组件缺陷与发电效率损失的映射模型构建方法及系统
CN104408562A (zh) 一种基于bp神经网络的光伏系统发电效率综合评估方法
CN112183877A (zh) 一种基于迁移学习的光伏电站故障智能诊断方法
CN116796168A (zh) 一种基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测方法
CN116632823A (zh) 基于功率转换模型与多层感知机的短期光伏功率预测方法
CN114117953A (zh) 水文模型结构诊断方法、径流预报方法及装置
CN117114438A (zh) 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法
CN114240003A (zh) 一种新能源出力预测方法、系统、存储介质及设备
CN115759445A (zh) 一种基于机器学习和云模型的分类洪水随机预报方法
CN115496353A (zh) 一种压缩天然气加气站智能风险评估方法
CN109494716A (zh) 基于Bootstrap的风电输出功率置信区间预测方法
CN115965177A (zh) 基于注意力机制改进的自回归误差补偿风电功率预测方法
CN115829145A (zh) 一种光伏发电量预测系统及方法
CN113834902B (zh) 一种基于四维变分同化的二氧化硫排放源反演方法
CN107832909A (zh) 一种基于熵权法的农村小型分布式光伏建设风险评估方法
CN104253586B (zh) 一种太阳能电池板电气参数在线测量评价装置及方法
CN117077353A (zh) 基于多变量bp神经网络的碳排放测算建模、方法及装置
CN115907178A (zh) 一种净生态系统co2交换量的预测方法
Cao et al. IDS-Net: Integrated Network for Identifying Dust State of Photovoltaic Panels
CN115330085A (zh) 基于深度神经网络且无未来信息泄露的风速预测方法
Wang et al. Estimation of urban AQI based on interpretable machine learning

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