CN116756505A - 一种基于大数据的光伏设备智能管理系统及方法 - Google Patents
一种基于大数据的光伏设备智能管理系统及方法 Download PDFInfo
- Publication number
- CN116756505A CN116756505A CN202310670374.3A CN202310670374A CN116756505A CN 116756505 A CN116756505 A CN 116756505A CN 202310670374 A CN202310670374 A CN 202310670374A CN 116756505 A CN116756505 A CN 116756505A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- module
- residual life
- prediction 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 35
- 238000007726 management method Methods 0.000 claims abstract description 23
- 238000006731 degradation reaction Methods 0.000 claims description 130
- 230000015556 catabolic process Effects 0.000 claims description 124
- 238000011156 evaluation Methods 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 7
- 238000000556 factor analysis Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000035899 viability Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及光伏设备智能管理领域,具体为一种基于大数据的光伏设备智能管理系统及方法,所述方法包括获取待监测区域光伏组件标牌数据、获取任一个光伏组件的输出功率值、根据标牌数据获取对应光伏组件的输出功率初始值,结合对应光伏组件的输出功率及环境因素对对应光伏组件退化过程产生的影响系数,计算对应光伏组件的退化量并构建预测模型、根据模型分析对应光伏组件的使用寿命并发出预警信号,通过计算光伏组件的输出功率退化量和光伏组件受外界环境因素影响产生的退化量,结合总退化量进一步构建光伏组件剩余寿命预测模型,根据光伏组件剩余寿命预测模型进行实时评估监测值,并发出预警信号,从而提高了光伏组件剩余寿命预测的精确性。
Description
技术领域
本发明涉及光伏设备智能管理领域,具体为一种基于大数据的光伏设备智能管理系统及方法。
背景技术
光伏组件作为光伏发电系统的核心部件,其使用寿命是决定光伏系统单位发电成本的一个重要因素。随着光伏组件服役时间的增加,其输出功率特性也随之发生明显变化,且呈现出性能退化不一致现象。对光伏组件进行剩余寿命预测,不仅可及时指导光伏电站运维,也可进行优化光伏组件的梯次利用,显著提升光伏电站运行经济性、安全性。基于此,研究光伏组件的剩余寿命预测具有极大的实际应用价值。
现阶段基于数据建模预测光伏组件剩余寿命的方法,基本是采用Gamma过程建立光伏组件的性能退化模型,但其在实施过程中存在极大误差,因此,针对光伏组件的剩余寿命预测管理方法进行优化是当前需要解决的问题。
发明内容
本发明的目的在于提供一种基于大数据的光伏设备智能管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种基于大数据的光伏设备智能管理方法,所述方法包括以下步骤:
S1、获取待监测区域光伏组件标牌数据;
S2、获取任一个光伏组件的输出功率值;
S3、根据所述标牌数据获取对应光伏组件的输出功率初始值,结合对应光伏组件的输出功率及环境因素对对应光伏组件退化过程产生的影响系数,计算对应光伏组件的退化量;
S4、根据所述光伏组件的退化量,构建预测模型;
S5、根据所述预测模型分析所述待监测区域光伏组件的使用寿命;
S6、发出预警信号。
进一步的,所述S3中根据所述标牌数据获取对应光伏组件的输出功率初始值,结合对应光伏组件的输出功率及环境因素对对应光伏组件退化过程产生的影响系数,计算对应光伏组件的退化量的方法包括以下步骤:
步骤1001、提取第j个光伏组件输出功率的初始值,记为y0;
步骤1002、获取第j个光伏组件实时输出功率,记为y1;
步骤1003、计算第j个光伏组件输出功率退化量,表达式为:
μ(Yt)=y1(t)-y0,
其中μ(Yt)表示时间t时光伏组件输出功率退化量;
步骤1004、获取第j个光伏组件受环境因素影响产生的退化量,表达式为:
其中WDt表示t时刻的温度、SDt表示t时刻的相对湿度、GZDt表示t时刻的太阳光照度,α1表示第一系数、α2表示第二系数、α3表示第三系数,EY表示光伏组件的活能力,表示t时刻的试验相对湿度,NSD表示额定使相对湿度,μ(WDt、SDt、GZDt)表示t时刻受温度、相对湿度和太阳光照度影响下,光伏组件的退化量,/>表示t时刻温度和相对湿度加速下对应的光伏组件退化量,/>表示t时刻太阳光照度对应的应力指数函数,k为玻尔兹曼常数,即k=8.62×10-5eV/K;
步骤1005、根据步骤1003和步骤1004得到退化量,求和得到第j个光伏组件总退化量,即
μ(Zt)=μ(Yt)+μ(WDt、SDt、GZDt),
其中μ(Zt)表示光伏组件总退化量。
本发明通过获取光伏组件输出功率以及光伏组件受温度、相对湿度和太阳光照度影响下产生的退化量,结合光伏组件硬件使用磨损度以及外界环境因素的影响,通过运算得出光伏组件的总退化量,为后续对光伏组件剩余寿命的预测模型构建提供数据参照。
进一步的,所述S4中根据所述光伏组件的退化量,构建预测模型的方法包括以下步骤:
步骤2001、根据所述光伏组件总退化量,基于Wiener进行第j个光伏组件退化数据建模,表达式为:
其中X(t)表示第j个光伏组件总退化量影响下的剩余寿命预测模型,x0表示初始退化量,即根据第j个光伏组件使用磨损程度对应的退化量,xτ表示τ时第j个光伏设备退化量,β表示第j个光伏组件使用最长时间,A表示漂移系数,σ表示扩散参数,a为第一系数,b为第二系数,Mt表示时间为t时第j个光伏组件受到的应力,/>表示漂移系数A服从正态分布N,,B(μ(Zt))表示随时间变化下光伏组件总退化量;
步骤2002、计算第j个光伏组件剩余寿命的可靠度,表达式为:
R(t)=P(T>t)且
其中α表示光伏设备失效阈值。
本发明根据获取的光伏组件退化量,基于Wiener对光伏组件数据进行建模,并通过公式运算进行光伏组件剩余寿命的可靠性运算,为后续对光伏组件剩余寿命的分析结果进行评估提供数据参照。
进一步的,所述S5中根据所述预测模型分析所述待监测区域光伏组件的使用寿命的方法包括以下步骤:
步骤3001、根据步骤2001得到第j个光伏组件总退化量影响下的剩余寿命预测模型;
步骤3002、通过公式对第j个光伏组件总退化量影响下的剩余寿命预测模型进行评估,表达式为:
lnL(X|θ)=f(X|Aa,σ)且
其中lnL(X|θ)表示第j个光伏组件总退化量影响下的剩余寿命预测模型进行最大似然评估;
步骤3003、根据步骤2002中运算的数据进行最值计算,得到第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估值,表达式为:
其中表示最佳评估值,/>表示第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估情况下对应的数据值。
本发明基于最大似然函数对光伏组件剩余寿命预测模型进行评估,并根据评估函数进行最值求解,即光伏组件总退化量影响下的剩余寿命预测模型最佳评估值,为后续对分析结果发出预警信号提供数据参照。
进一步的,所述S6中发出预警信号的方法包括以下步骤:
步骤4001、获取步骤2001中第j个光伏组件总退化量影响下的剩余寿命预测模型;
步骤4002、获取步骤3002中第j个光伏组件总退化量影响下的剩余寿命预测模型进行评估情况;
步骤4003、获取步骤3003中第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估值;
步骤4004、结合第j个光伏组件总退化量影响下的剩余寿命预测模型与第j个光伏组件总退化量影响下的剩余寿命预测模型进行评估情况进行判断,将第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估值作为阈值条件,根据第j个光伏组件剩余寿命进行判断,即当实时监测的对应的光伏组件对应的剩余寿命评估值超过最佳设定的阈值时,发出预警信号,当实时监测的对应的光伏组件对应的剩余寿命评估值没有超过最佳设定的阈值时,不发出预警信号。
本发明结合光伏组件总退化量影响下的剩余寿命预测模型与光伏组件总退化量影响下的剩余寿命预测模型进行评估情况进行判断,将光伏组件总退化量影响下的剩余寿命预测模型最佳评估值作为阈值条件,根据光伏组件剩余寿命进行判断,即当实时监测的光伏组件对应的剩余寿命评估值超过最佳设定的阈值时,发出预警信号,当实时监测的光伏组件对应的剩余寿命评估值没有超过最佳设定的阈值时,不发出预警信号,相比现有技术,本发明基于Wiener进行光伏组件退化建模,不仅考虑光伏组件自身因素影响退化量情况,同时结合光伏组件受外界环境因素影响进行计算,根据模型进行评估,将最佳评估值作为对应光伏组件的阈值条件,通过实时监测的数据与阈值条件进行比较,从而提高对光伏组件监测的精确性。
一种基于大数据的光伏设备智能管理系统,所述系统包括以下模块:
区域划分模块:所述区域划分模块用于将待监测区域均匀划分成n个区域;
数据获取模块:所述数据获取模块用于获取待监测区域光伏组件标牌数据;
退化量分析模块:所述退化量分析模块用于分析光伏组件退化程度;
剩余寿命预测模块:所述剩余寿命预测模块用于构建预测模型,通过预测模型分析光伏组件剩余寿命;
预警模块:所述预警模块用于分析剩余寿命预测模块的数据,根据分析结果进行与设定的阈值比较,根据比较结果判断并发出预警信号。
进一步的,所述退化量分析模块包括环境因素分析单元和输出功率分析单元:
所述环境因素分析单元用于计算受环境因素影响下光伏组件退化量;
所述输出功率分析单元用于计算光伏组件输出功率的退化量。
进一步的,所述剩余寿命预测模块包括预测模型构建单元和剩余寿命分析单元:
所述预测模型构建单元用于将退化量分析模块的数据作为依据,进行构建预测模型;
所述剩余寿命分析单元用于根据构建的预测模型进行分析,预测光伏组件的剩余寿命时间。
本发明通过运算光伏组件的输出功率退化量以及光伏组件受外界环境因素影响产生的退化量,从而得到光伏组件总退化量,通过构建光伏组件剩余寿命预测模型进行分析,根据分析结果进行评估,并发出预警信号,从而解决了光伏组件剩余寿命预测的精确性。
附图说明
图1是本发明一种基于大数据的光伏设备智能管理方法流程图;
图2是本发明一种基于大数据的光伏设备智能管理系统模块示意图;
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做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-图2,本发明实施例中:一种基于大数据的光伏设备智能管理系统及方法,所述光伏设备智能管理方法包括以下步骤:
一种基于大数据的光伏设备智能管理方法,所述方法包括以下步骤:
S1、获取待监测区域光伏组件标牌数据;
S2、获取任一个光伏组件的输出功率值;
S3、根据所述标牌数据获取对应光伏组件的输出功率初始值,结合对应光伏组件的输出功率及环境因素对对应光伏组件退化过程产生的影响系数,计算对应光伏组件的退化量;
S4、根据所述光伏组件的退化量,构建预测模型;
S5、根据所述预测模型分析所述待监测区域光伏组件的使用寿命;
S6、发出预警信号。
所述S3中根据所述标牌数据获取对应光伏组件的输出功率初始值,结合对应光伏组件的输出功率及环境因素对对应光伏组件退化过程产生的影响系数,计算对应光伏组件的退化量的方法包括以下步骤:
步骤1001、提取第j个光伏组件输出功率的初始值,记为y0;
步骤1002、获取第j个光伏组件实时输出功率,记为y1;
步骤1003、计算第j个光伏组件输出功率退化量,表达式为:
μ(Yt)=y1(t)-y0,
其中μ(Yt)表示时间t时光伏组件输出功率退化量;
步骤1004、获取第j个光伏组件受环境因素影响产生的退化量,表达式为:
其中WDt表示t时刻的温度、SDt表示t时刻的相对湿度、GZDt表示t时刻的太阳光照度,α1表示第一系数、α2表示第二系数、α3表示第三系数,EY表示光伏组件的活能力,表示t时刻的试验相对湿度,NSD表示额定使相对湿度,μ(WDt、SDt、GZDt)表示t时刻受温度、相对湿度和太阳光照度影响下,光伏组件的退化量,/>表示t时刻温度和相对湿度加速下对应的光伏组件退化量,/>表示t时刻太阳光照度对应的应力指数函数,k为玻尔兹曼常数,即k=8.62×10-5eV/K;
步骤1005、根据步骤1003和步骤1004得到退化量,求和得到第j个光伏组件总退化量,即
μ(Zt)=μ(Yt)+μ(WDt、SDt、GZDt),
其中μ(Zt)表示光伏组件总退化量。
所述S4中根据所述光伏组件的退化量,构建预测模型的方法包括以下步骤:
步骤2001、根据所述光伏组件总退化量,基于Wiener进行第j个光伏组件退化数据建模,表达式为:
其中X(t)表示第j个光伏组件总退化量影响下的剩余寿命预测模型,x0表示初始退化量,即根据第j个光伏组件使用磨损程度对应的退化量,xτ表示τ时第j个光伏设备退化量,β表示第j个光伏组件使用最长时间,A表示漂移系数,σ表示扩散参数,a为第一系数,b为第二系数,Mt表示时间为t时第j个光伏组件受到的应力,/>表示漂移系数A服从正态分布N,,B(μ(Zt))表示随时间变化下光伏组件总退化量;
步骤2002、计算第j个光伏组件剩余寿命的可靠度,表达式为:
R(t)=P(T>t)且
其中α表示第j个光伏设备失效阈值。
所述S5中根据所述预测模型分析所述待监测区域光伏组件的使用寿命的方法包括以下步骤:
步骤3001、根据步骤2001得到第j个光伏组件总退化量影响下的剩余寿命预测模型;
步骤3002、通过公式对第j个光伏组件总退化量影响下的剩余寿命预测模型进行评估,表达式为:
lnL(X|θ)=f(X|Aa,σ)且
其中lnL(X|θ)表示第j个光伏组件总退化量影响下的剩余寿命预测模型进行最大似然评估;
步骤3003、根据步骤2002中运算的数据进行最值计算,得到第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估值,表达式为:
其中表示最佳评估值,/>表示第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估情况下对应的数据值。
所述S6中发出预警信号的方法包括以下步骤:
步骤4001、获取步骤2001中第j个光伏组件总退化量影响下的剩余寿命预测模型;
步骤4002、获取步骤3002中第j个光伏组件总退化量影响下的剩余寿命预测模型进行评估情况;
步骤4003、获取步骤3003中第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估值;
步骤4004、结合第j个光伏组件总退化量影响下的剩余寿命预测模型与第j个光伏组件总退化量影响下的剩余寿命预测模型进行评估情况进行判断,将第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估值作为阈值条件,根据第j个光伏组件剩余寿命进行判断,即当实时监测的对应的光伏组件对应的剩余寿命评估值超过最佳设定的阈值时,发出预警信号,当实时监测的对应的光伏组件对应的剩余寿命评估值没有超过最佳设定的阈值时,不发出预警信号。
一种基于大数据的光伏设备智能管理系统,所述系统包括以下模块:
区域划分模块:所述区域划分模块用于将待监测区域均匀划分成n个区域;
数据获取模块:所述数据获取模块用于获取待监测区域光伏组件标牌数据;
退化量分析模块:所述退化量分析模块用于分析光伏组件退化程度;
剩余寿命预测模块:所述剩余寿命预测模块用于构建预测模型,通过预测模型分析光伏组件剩余寿命;
预警模块:所述预警模块用于分析剩余寿命预测模块的数据,根据分析结果进行与设定的阈值比较,根据比较结果判断并发出预警信号。
所述退化量分析模块包括环境因素分析单元和输出功率分析单元:
所述环境因素分析单元用于计算受环境因素影响下光伏组件退化量;
所述输出功率分析单元用于计算光伏组件输出功率的退化量。
所述剩余寿命预测模块包括预测模型构建单元和剩余寿命分析单元:
所述预测模型构建单元用于将退化量分析模块的数据作为依据,进行构建预测模型;
所述剩余寿命分析单元用于根据构建的预测模型进行分析,预测光伏组件的剩余寿命时间。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于大数据的光伏设备智能管理方法,其特征在于,所述方法包括以下步骤:
S1、获取待监测区域光伏组件标牌数据,其中所述监测区域内包括若干个光伏组件;
S2、获取任一个光伏组件的输出功率值;
S3、根据所述标牌数据获取对应光伏组件的输出功率初始值,结合对应光伏组件的输出功率及环境因素对对应光伏组件退化过程产生的影响系数,计算对应光伏组件的退化量;
S4、根据所述光伏组件的退化量,构建预测模型;
S5、根据所述预测模型分析所述待监测区域光伏组件的使用寿命;
S6、发出预警信号。
2.根据权利要求1所述一种基于大数据的光伏设备智能管理方法,其特征在于,所述S3中根据所述标牌数据获取对应光伏组件的输出功率初始值,结合对应光伏组件的输出功率及环境因素对对应光伏组件退化过程产生的影响系数,计算对应光伏组件的退化量的方法包括以下步骤:
步骤1001、提取第j个光伏组件输出功率的初始值,记为y0;
步骤1002、获取第j个光伏组件实时输出功率,记为y1;
步骤1003、计算第j个光伏组件输出功率退化量,表达式为:
μ(Yt)=y1(t)-y0,
其中μ(Yt)表示时间t时光伏组件输出功率退化量;
步骤1004、获取第j个光伏组件受环境因素影响产生的退化量,表达式为:
其中WDt表示t时刻的温度、SDt表示t时刻的相对湿度、GZDt表示t时刻的太阳光照度,α1表示第一系数、α2表示第二系数、α3表示第三系数,EY表示光伏组件的活能力,表示t时刻的试验相对湿度,NSD表示额定使相对湿度,μ(WDt、SDt、GZDt)表示t时刻受温度、相对湿度和太阳光照度影响下,光伏组件的退化量,/>表示t时刻温度和相对湿度加速下对应的光伏组件退化量,/>表示t时刻太阳光照度对应的应力指数函数,k为玻尔兹曼常数,即k=8.62×10-5eV/K;
步骤1005、根据步骤1003和步骤1004得到退化量,求和得到第j个光伏组件总退化量,即
μ(Zt)=μ(Yt)+μ(WDt、SDt、GZDt),
其中μ(Zt)表示光伏组件总退化量。
3.根据权利要求1所述一种基于大数据的光伏设备智能管理方法,其特征在于,所述S4中根据所述光伏组件的退化量,构建预测模型的方法包括以下步骤:
步骤2001、根据所述光伏组件总退化量,基于Wiener进行第j个光伏组件退化数据建模,表达式为:
其中X(t)表示第j个光伏组件总退化量影响下的剩余寿命预测模型,x0表示初始退化量,即根据第j个光伏组件使用磨损程度对应的退化量,xτ表示τ时第j个光伏设备退化量,β表示第j个光伏组件使用最长时间,A表示漂移系数,σ表示扩散参数,a为第一系数,b为第二系数,Mt表示时间为t时第j个光伏组件受到的应力,/>表示漂移系数A服从正态分布N,,B(μ(Zt))表示随时间变化下光伏组件总退化量;
步骤2002、计算第j个光伏组件剩余寿命的可靠度,表达式为:
R(t)=P(T>t)且
其中α表示光伏设备失效阈值。
4.根据权利要求3所述一种基于大数据的光伏设备智能管理方法,其特征在于,所述S5中根据所述预测模型分析所述待监测区域光伏组件的使用寿命的方法包括以下步骤:
步骤3001、根据步骤2001得到第j个光伏组件总退化量影响下的剩余寿命预测模型;
步骤3002、通过公式对第j个光伏组件总退化量影响下的剩余寿命预测模型进行评估,表达式为:
lnL(X|θ)=f(X|Aa,σ)且
其中lnL(X|θ)表示第j个光伏组件总退化量影响下的剩余寿命预测模型进行最大似然评估;
步骤3003、根据步骤2002中运算的数据进行最值计算,得到第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估值,表达式为:
其中表示最佳评估值,/>表示第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估情况下对应的数据值。
5.根据权利要求4所述一种基于大数据的光伏设备智能管理方法,其特征在于,所述S6中发出预警信号的方法包括以下步骤:
步骤4001、获取步骤2001中第j个光伏组件总退化量影响下的剩余寿命预测模型;
步骤4002、获取步骤3002中第j个光伏组件总退化量影响下的剩余寿命预测模型进行评估情况;
步骤4003、获取步骤3003中第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估值;
步骤4004、结合第j个光伏组件总退化量影响下的剩余寿命预测模型与第j个光伏组件总退化量影响下的剩余寿命预测模型进行评估情况进行判断,将第j个光伏组件总退化量影响下的剩余寿命预测模型最佳评估值作为阈值条件,根据第j个光伏组件剩余寿命进行判断,即当实时监测的对应的光伏组件对应的剩余寿命评估值超过最佳设定的阈值时,发出预警信号,当实时监测的对应的光伏组件对应的剩余寿命评估值没有超过最佳设定的阈值时,不发出预警信号。
6.一种基于大数据的光伏设备智能管理系统,其特征在于,所述系统包括以下模块:
区域划分模块:所述区域划分模块用于将待监测区域均匀划分成n个区域;
数据获取模块:所述数据获取模块用于获取待监测区域光伏组件标牌数据;
退化量分析模块:所述退化量分析模块用于分析光伏组件退化程度;
剩余寿命预测模块:所述剩余寿命预测模块用于构建预测模型,通过预测模型分析光伏组件剩余寿命;
预警模块:所述预警模块用于分析剩余寿命预测模块的数据,根据分析结果进行与设定的阈值比较,根据比较结果判断并发出预警信号。
7.根据权力要求5所述一种基于大数据的光伏设备智能管理系统,其特征在于,所述退化量分析模块包括环境因素分析单元和输出功率分析单元:
所述环境因素分析单元用于计算受环境因素影响下光伏组件退化量;
所述输出功率分析单元用于计算光伏组件输出功率的退化量。
8.根据权力要求5所述一种基于大数据的光伏设备智能管理系统,其特征在于,所述剩余寿命预测模块包括预测模型构建单元和剩余寿命分析单元:
所述预测模型构建单元用于将退化量分析模块的数据作为依据,进行构建预测模型;
所述剩余寿命分析单元用于根据构建的预测模型进行分析,预测光伏组件的剩余寿命时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670374.3A CN116756505B (zh) | 2023-06-07 | 2023-06-07 | 一种基于大数据的光伏设备智能管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670374.3A CN116756505B (zh) | 2023-06-07 | 2023-06-07 | 一种基于大数据的光伏设备智能管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116756505A true CN116756505A (zh) | 2023-09-15 |
CN116756505B CN116756505B (zh) | 2024-05-28 |
Family
ID=87956437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310670374.3A Active CN116756505B (zh) | 2023-06-07 | 2023-06-07 | 一种基于大数据的光伏设备智能管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756505B (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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657937A (zh) * | 2018-11-30 | 2019-04-19 | 西安电子科技大学 | 一种基于退化数据的产品可靠性评估与寿命预测方法 |
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
CN111046564A (zh) * | 2019-12-16 | 2020-04-21 | 重庆大学 | 两阶段退化产品的剩余寿命预测方法 |
CN114818345A (zh) * | 2022-05-05 | 2022-07-29 | 兰州理工大学 | 一种光伏组件剩余寿命预测方法及预测系统 |
CN114943179A (zh) * | 2022-05-30 | 2022-08-26 | 中国人民解放军空军工程大学 | 基于多源退化数据融合的可靠性评估及剩余寿命预测方法 |
CN115270529A (zh) * | 2022-09-28 | 2022-11-01 | 华东交通大学 | 融合环境因素及随机初始退化的光伏组件可靠性建模方法 |
-
2023
- 2023-06-07 CN CN202310670374.3A patent/CN116756505B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
CN109657937A (zh) * | 2018-11-30 | 2019-04-19 | 西安电子科技大学 | 一种基于退化数据的产品可靠性评估与寿命预测方法 |
CN111046564A (zh) * | 2019-12-16 | 2020-04-21 | 重庆大学 | 两阶段退化产品的剩余寿命预测方法 |
CN114818345A (zh) * | 2022-05-05 | 2022-07-29 | 兰州理工大学 | 一种光伏组件剩余寿命预测方法及预测系统 |
CN114943179A (zh) * | 2022-05-30 | 2022-08-26 | 中国人民解放军空军工程大学 | 基于多源退化数据融合的可靠性评估及剩余寿命预测方法 |
CN115270529A (zh) * | 2022-09-28 | 2022-11-01 | 华东交通大学 | 融合环境因素及随机初始退化的光伏组件可靠性建模方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116756505B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN116756505B (zh) | 一种基于大数据的光伏设备智能管理系统及方法 | |
CN111814407B (zh) | 一种基于大数据和深度学习的洪水预报方法 | |
CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN115329812A (zh) | 一种基于人工智能的道路基础设施异常监测方法 | |
CN113011763A (zh) | 一种基于时空图卷积注意力的桥梁损伤识别方法 | |
CN116502160A (zh) | 一种电量数据自动采集系统 | |
CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
CN117743909A (zh) | 一种基于人工智能的供热系统故障分析方法及装置 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN102270278A (zh) | 基于红外测温的设备故障的预测方法及装置 | |
CN112364477B (zh) | 户外实证预测模型库生成方法及系统 | |
CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 | |
CN117892212B (zh) | 一种分布式异构能源站点态势感知监测方法 | |
CN117649188B (zh) | 一种基于大数据的数字化产业金融平台 | |
CN116805275B (zh) | 一种基于数据分析的公共机构能耗智能监管系统 | |
CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及系统 | |
CN117932501B (zh) | 一种电能表运行状态管理方法和系统 | |
CN116633026B (zh) | 清洁能源感知监控方法、装置、计算机设备及存储介质 |
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 |