CN116846331B - 一种光伏维护系统、方法、装置及存储介质 - Google Patents
一种光伏维护系统、方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116846331B CN116846331B CN202310753144.3A CN202310753144A CN116846331B CN 116846331 B CN116846331 B CN 116846331B CN 202310753144 A CN202310753144 A CN 202310753144A CN 116846331 B CN116846331 B CN 116846331B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- suspicious
- module
- data
- temperature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012423 maintenance Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 230000007613 environmental effect Effects 0.000 claims abstract description 36
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 81
- 238000007689 inspection Methods 0.000 claims description 44
- 239000013598 vector Substances 0.000 description 49
- 239000000463 material Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 239000002313 adhesive film Substances 0.000 description 2
- 230000032798 delamination Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002845 discoloration Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000005038 ethylene vinyl acetate Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920001200 poly(ethylene-vinyl acetate) Polymers 0.000 description 1
- 229920000098 polyolefin Polymers 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- 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
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/30—Electrical components
-
- 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
-
- 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
- H02S50/15—Testing of PV devices, e.g. of PV modules or single PV cells using optical means, e.g. using electroluminescence
-
- 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
Abstract
本说明书实施例提供一种光伏维护系统、方法、装置及存储介质,该系统包括:第一监测模块、第二监测模块、第三监测模块、图像采集模块、数据传输模块、预警模块、存储器和处理器;第一监测模块、第二监测模块、第三监测模块依次被配置为监测光伏组件的工作数据、环境数据、第一温度数据及旁路二极管的第二温度数据;图像采集模块被配置为获取光伏组件的检测图像;处理器被配置为基于环境数据,确定当前时段至少一个光伏组件的基准电压特征和基准温度特征;以及基于基准电压特征、基准温度特征、工作数据、第一温度数据以及第二温度数据,确定光伏系统的预警信息;预警模块被配置为接收处理器发送的预警信息及巡检方案,并向工作人员进行展示。
Description
技术领域
本说明书涉及太阳能发电领域,特别涉及一种光伏维护系统、方法、装置及存储介质。
背景技术
随着光伏系统发电的应用愈发广泛,对光伏系统运行状态进行有效的监控、故障预警以及维护,能够避免光伏系统发生火灾、设备损毁等重大事故,对光伏系统的安全运行至关重要。目前大部分光伏系统都采用人工巡检维护,逐块检测光伏系统上的光伏元件电气参数来判断是否正常。但是光伏元件安装在高处或野外恶劣环境中,工作电压达到上百伏,出于经济成本和安全的考虑,光伏系统的在线故障诊断的需求更加凸出。
CN106688176B提供了一种具有故障诊断装置的光伏发电系统及其故障诊断方法,基于每个光伏组件的温度、电压与正常情况进行比较从而检测出光伏发电系统中通过肉眼难以判断的故障,但并不涉及天气对光伏组件的温度以及电压变化的影响,以及故障的维护方案。
因此,希望提出一种光伏维护系统、方法、装置及存储介质,能够实现光伏系统故障的在线准确诊断和预警,以及根据诊断和预警,确定准确的巡检维护方案,从而保证光伏系统的正常运行。
发明内容
本说明书一个或多个实施例提供一种光伏维护系统。所述系统包括:第一监测模块、第二监测模块、第三监测模块、图像采集模块、数据传输模块、预警模块、存储器以及处理器。所述第一监测模块被配置为监测光伏系统上的光伏组件的工作数据。所述第二监测模块被配置为监测所述光伏组件的环境数据。所述第三监测模块被配置为监测所述光伏组件的第一温度数据,以及所述光伏系统的旁路二极管的第二温度数据。所述图像采集模块被配置为获取所述光伏组件的检测图像。所述数据传输模块被配置为将所述工作数据、所述环境数据、所述第一温度数据、所述第二温度数据和所述检测图像传送到所述存储器进行存储。所述处理器被配置为:基于所述环境数据,确定当前时段至少一个光伏组件的基准电压特征和基准温度特征;以及基于所述基准电压特征、所述基准温度特征、所述工作数据、所述第一温度数据以及所述第二温度数据,确定所述光伏系统的预警信息。所述预警模块被配置为接收所述处理器发送的所述预警信息及巡检方案,并向工作人员进行展示。
本说明书一个或多个实施例提供一种光伏维护方法,所述方法由光伏维护系统的控制器实现。所述方法包括:基于所述环境数据,确定当前时段至少一个光伏组件的基准电压特征和基准温度特征;以及基于所述基准电压特征、所述基准温度特征、工作数据、第一温度数据以及第二温度数据,确定光伏系统的预警信息。
本说明书一个或多个实施例提供一种光伏维护装置,所述装置包括至少一个存储介质和至少一个处理器,所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令以实现所述光伏维护方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行所述光伏维护方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的光伏维护系统的模块示意图;
图2是根据本说明书一些实施例所示的光伏维护方法的示例性流程图;
图3是根据本说明书一些实施例所示的确定光伏系统的预警信息的示例性流程图;
图4是根据本说明书一些实施例所示的判断电压异常的光伏组件和/或对应的旁路二极管是否处于可疑状态的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的光伏维护系统的模块示意图。
如图1所示,光伏维护系统100可以包括第一监测模块110、第二监测模块120、第三监测模块130、图像采集模块140、数据传输模块150、预警模块180、存储器160以及处理器170。
第一监测模块110可以被配置为监测光伏系统上的光伏组件的工作数据。工作数据可以包括电压和电流中的至少一个。例如,第一监测模块可以包括电流传感器、电压传感器等中的一种或多种。
第二监测模块120可以被配置为监测光伏组件的环境数据。例如,第一监测模块可以包括温度传感器、湿度传感器、光照传感器等中的一种或多种。
第三监测模块130可以被配置为监测光伏组件的第一温度数据,以及光伏系统的旁路二极管的第二温度数据。例如,第三监测模块可以包括温度传感器等。
在一些实施例中,光伏组件的第一温度数据可以包括至少一个子温度数据。至少一个子温度数据可以与光伏组件至少一个预设位置的太阳能电池块对应。预设位置可以基于太阳能电池块的串并联线路确定。
图像采集模块140可以被配置为获取光伏组件的检测图像。例如,图像采集模块可以包括相机等。在一些实施例中,图像采集模块140可以接收处理器170发送的采集指令,基于采集指令,获取检测图像。采集指令可以包括图像采集模块需要采集的时刻以及该时刻需要检测图像的光伏组件(如,可疑位置的光伏组件等)的位置等。
数据传输模块150可以被配置为将工作数据、环境数据、第一温度数据、第二温度数据、检测图像传送到存储器进行存储。
预警模块180可以被配置为接收处理器发送的预警信息及巡检方案,并向工作人员进行展示。展示的形式可以包括语音、图像、视频等中的一种或多种形式展示。
存储器160可以用于存储与光伏维护系统相关的数据和/或指令。在一些实施例中,存储器160可以被配置为存储数据传输模块传输的工作数据、环境数据、第一温度数据、第二温度数据以及检测图像。存储器还可以用于与处理器进行数据交互。
处理器170是指用于处理从光伏维护系统的其他机构的组成部分中获得数据和/或信息的系统。处理器170可以基于这些数据、信息和/或处理结果执行程序指令,以执行一个或多个本说明书中描述的功能。
在一些实施例中,处理器170可以基于环境数据,确定当前时段至少一个光伏组件的基准电压特征和基准温度特征,以及基于基准电压特征、基准温度特征、工作数据、第一温度数据以及第二温度数据,确定光伏系统的预警信息。
在一些实施例中,处理器170还可以基于环境数据,通过第一预设方法,确定当前时段至少一个光伏组件的基准电压特征和基准温度特征。处理器还可以基于基准电压特征以及工作数据,确定电压异常的光伏组件数量;以及基于电压异常的光伏组件数量、工作数据、基准温度特征、第一温度数据以及第二温度数据,确定光伏系统的预警信息。
在一些实施例中,处理器170还可以响应于电压异常的光伏组件的数量满足第二预设条件时,基于工作数据,判断逆变器是否处于可疑状态。处理器170还可以响应于电压异常的光伏组件的数量不满足第二预设条件时,基于基准温度特征、第一温度数据以及第二温度数据,判断电压异常的光伏组件和/或对应的旁路二极管是否处于可疑状态。处理器170还可以基于可疑状态确定可疑位置,以确定光伏系统的预警信息。
在一些实施例中,预警信息包括至少一个可疑位置,处理器170还可以基于预警信息,确定巡检方案。
在一些实施例中,处理器170还可以对至少一个可疑位置,通过第二预设方法,确定至少一个可疑位置的可疑程度;以及基于可疑程度,确定巡检方案,巡检方案至少包括可疑位置的巡检顺序。
关于第一监测模块110、第二监测模块120、第三监测模块130、图像采集模块140、数据传输模块150、预警模块180、存储器160以及处理器170中涉及内容的说明,请参见下文图2-4的内容。
需要注意的是,以上对于光伏维护系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图1中披露的第一监测模块、第二监测模块、第三监测模块、图像采集模块、数据传输模块、预警模块、存储器以及处理器可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的光伏维护方法的示例性流程图。在一些实施例中,流程200可以由光伏维护系统100的处理器170执行。如图2所示,流程200包括下述步骤210-步骤230。
步骤210,基于环境数据,确定当前时段至少一个光伏组件的基准电压特征和基准温度特征。
环境数据可以是指与光伏组件所在环境有关的数据。在一些实施例中,环境数据可以包括光伏组件所在环境的环境温度、环境湿度、风力大小及方向、光照强度、降雨情况(如,降雨、未降雨等)等中的至少一个。
在一些实施例中,第二监测模块可以监测光伏组件的环境数据,如,第二监测模块上的温度传感器监测环境温度等。处理器可以通过第二监测模块获取环境数据。关于第二监测模块的说明,请参见图1中的相关说明。
光伏组件为光伏系统的一部分。光伏系统是指利用半导体材料的光伏效应,将太阳辐射能转化为电能的一种发电系统。光伏系统可以包括至少一个光伏阵列、至少一个逆变器、多个旁路二极管等。
一个光伏阵列可以包括多个光伏组件。一个光伏阵列对应一个逆变器。
光伏组件是经由太阳能电池块串联/并联,并进行封装,随后再安装其它辅材制成。在一些实施例中,光伏组件可以由至少一个太阳能电池块组成。太阳能电池块是一种利用太阳光直接发电的光电半导体薄片。
旁路二极管是指在光伏组件中反向并联于太阳能电池块组两端的二极管。
逆变器可以用于将光伏阵列输出的直流电变换为交流电。
当前时段是指当前时刻所处时间段。
基准电压可以是光伏组件中的电路的电压标准。电路是指光伏组件中太阳能电池块之间的串并联线路所组成的电路。基准电压特征是指与基准电压相关的特征。
在一些实施例中,基准电压特征可以包括基准电压的极值、方差、最大变化率等中的一种或多种。基准电压的最大变化率可以是基准电压的变化量与完成该变化量所用时间的比值。
在一些实施例中,一个光伏组件可以对应一个基准电压特征,不同的光伏组件可以对应不同的基准电压特征。
基准温度可以是光伏组件表面温度的基准。基准温度特征是指与光伏组件表面的基准温度相关的特征。
在一些实施例中,基准温度特征可以包括基准温度的极值、方差、最大变化率等中的一种或多种。基准温度的最大变化率可以是基准温度的变化量与完成该变化量所用时间的比值。
在一些实施例中,一个光伏组件对应一个基准温度特征,不同的光伏组件可以对应不同的基准温度特征。
在一些实施例中,基准温度特征可以包括至少一个子基准温度特征。至少一个子基准温度特征与光伏组件至少一个预设位置的太阳能电池块对应。
在一些实施例中,处理器可以基于环境数据,通过第一预设对照表,确定当前时段至少一个光伏组件的基准电压特征和基准温度特征。在一些实施例中,第一预设对照表中包括参考环境数据和光伏组件的参考基准电压特征与参考基准温度特征的对应关系。在一些实施例中,第一预设对照表可以根据先验知识或历史数据构建。
在一些实施例中,处理器还可以基于环境数据,通过第一预设方法,确定当前时段至少一个光伏组件的基准电压特征和基准温度特征。
第一预设方法是指预设的用于确定当前时段至少一个光伏组件的基准电压特征和基准温度特征的方法。第一预设方法可以包括多种方法。
在一些实施例中,第一预设方法可以包括基于环境数据、当前时段以及光伏组件的光伏材料,通过向量数据库,确定当前时段至少一个光伏组件的基准电压特征和基准温度特征。
光伏组件的光伏材料是指光伏组件所使用的光伏材料,如,光伏组件的光伏材料可以包括乙烯-醋酸乙烯脂共聚物封装胶膜、聚烯烃封装胶膜等中的一种或多种。
具体地,处理器可以基于环境数据、当前时段以及光伏组件的光伏材料,确定目标特征向量;基于目标特征向量,通过向量数据库确定多个关联特征向量;将多个关联特征向量对应的参考基准电压特征,加权求和,得到当前时段的光伏组件的基准电压特征。其中,计算获得基准电压特征的权重与距离有关,如,距离越大,关联特征向量对应的参考基准电压特征的权重可以设置的越小。距离是指目标特征向量与关联特征向量之间的向量距离。
向量数据库包含多个参考特征向量,其中,每个参考特征向量存在对应的历史光伏组件的参考基准电压特征和参考基准温度特征。参考特征向量是基于历史环境数据、历史时段以及历史光伏组件的光伏材料构建的特征向量。
在一些实施例中,处理器可以基于目标特征向量,在向量数据库中确定符合预设条件的多个参考特征向量,将符合预设条件的多个参考特征向量确定为多个关联特征向量。在一些实施例中,预设条件可以包括与目标特征向量的向量距离满足预设条件等。预设条件可以为本领域技术人员根据经验预设,如,距离小于距离阈值。
同理,对关联特征向量对应的参考基准温度特征进行同样的处理,得到当前时段的光伏组件的基准温度特征。其中,计算获得基准温度特征的权重与距离有关,如,距离越大,关联特征向量对应的参考基准温度特征的权重可以设置的越小。例如,处理器可以基于环境数据、当前时段以及光伏组件的光伏材料,确定目标特征向量;基于目标特征向量,通过向量数据库确定多个关联特征向量;将多个关联特征向量对应的参考基准温度特征T1(子基准温度特征a1、子基准温度特征a2、......子基准温度特征an)、T2(子基准温度特征b1、子基准温度特征b2、......子基准温度特征bn)、T3(子基准温度特征c1、子基准温度特征c2、......子基准温度特征cn),加权求和,得到当前时段的光伏组件的基准温度特征。其中,若参考基准温度特征T1、T2、T3,依次对应权重设置为L1、L2、L3,则对多个参考基准温度特征加权求和,计算当前基准温度特征K1(子基准温度特征d1、子基准温度特征d2、子基准温度特征d3)方法如下:
计算子基准温度特征d1=L1×子基准温度特征a1+L2×子基准温度特征b1+L3×子基准温度特征c1;
计算子基准温度特征d2=L1×子基准温度特征a2+L2×子基准温度特征b2+L3×子基准温度特征c2;
计算子基准温度特征d3=L1×子基准温度特征a3+L2×子基准温度特征b3+L3×子基准温度特征c3;
则当前基准温度特征为K1(子基准温度特征d1、子基准温度特征d2、子基准温度特征d3)。
在本说明书的一些实施例中,通过向量数据库的方法确定的当前时段至少一个光伏组件的基准电压特征和基准温度特征,考虑了环境数据、当前时段以及光伏组件的光伏材料的影响,提高了确定的光伏组件的基准电压特征和基准温度特征的准确性。
在一些实施例中,第一预设方法还可以包括基于当前时段、环境数据以及至少一个光伏组件的材料,通过特征模型,确定当前时段至少一个光伏组件的基准电压特征和基准温度特征。
在一些实施例中,特征模型可以为机器学习模型。在一些实施例中,特征提取模型可以包括神经网络(Neural Network,NN)。
在一些实施例中,特征模型的输入可以包括当前时段、环境数据以及至少一个光伏组件的材料,输出可以包括至少一个光伏组件的基准电压特征和基准温度特征。
在一些实施例中,特征模型可以基于大量带有第一标签的第一训练样本,训练得到。
第一训练样本可以包括至少一个历史样本时段、历史样本光伏组件对应的历史样本环境数据以及历史样本光伏组件的材料,训练标签可以为历史样本光伏组件对应的基准电压特征基准温度特征。
第一训练样本可以基于历史数据获取。第一训练样本的第一标签可以基于历史数据进行处理获得。具体地,历史数据包括多个光伏组件中的每个光伏组件在一段时间内的历史样本电压和历史样本第一温度数据,基于各个光伏组件在一段时间内的历史样本电压和历史样本第一温度数据,提取各个光伏组件的历史样本基准电压特征和历史样本基准温度特征,以获得第一标签。
在本说明书的一些实施例中,特征模型预测过程中考虑了当前时段、环境数据以及至少一个光伏组件的材料多种因素对光伏组件的基准电压特征和基准温度特征的影响,提高了预测光伏组件的基准电压特征和基准温度特征的准确性以及速度。
步骤220,基于基准电压特征、基准温度特征、工作数据、第一温度数据以及第二温度数据,确定光伏系统的预警信息。
工作数据可以是与光伏组件工作相关的数据。在一些实施例中,工作数据可以包括光伏组件上的电路的电压和电流中的至少一个。
第一温度数据是指光伏组件工作时,表面实际的温度数据(如,温度值等)。第一温度数据可以包括历史工作时或当前工作时,光伏组件表面的实际的温度数据。
第二温度数据是指旁路二极管工作时,表面实际的温度数据(如,温度值)。第二温度数据可以包括历史工作时或当前工作时,旁路二极管的表面实际的温度数据。
在一些实施例中,第三监测模块可以监测光伏组件的第一温度数据,以及光伏系统的旁路二极管的第二温度数据。处理器可以通过第三监测模块获取第一温度数据和第二温度数据。关于第三监测模块的说明,请参见图1中的相关说明。
预警信息可以是对光伏系统上可能发生故障的各个可疑位置进行预警的信息。例如,预警信息可以包括可疑位置及其可能的故障类型等中的一种或多种。
可疑位置是指光伏系统上处于可疑状态的光伏元件(如,逆变器、光伏组件、旁路二极管等)及其位置(如,光伏组件位置等)。可疑状态是指可能发生故障。
故障类型可以包括光伏组件的热斑效应、分层、碎裂、入侵、变形、变色等故障、旁路二极管开路故障、逆变器故障等中的一种或多种。
在一些实施例中,处理器可以基于基准电压特征、基准温度特征、工作数据、第一温度数据以及第二温度数据,通过第二预设对照表,确定光伏系统的预警信息。在一些实施例中,第二预设对照表中包括参考基准电压特征、参考基准温度特征、参考工作数据、参考第一温度数据以及参考第二温度数据与光伏系统的参考预警信息的对应关系。在一些实施例中,第二预设对照表可以根据先验知识或历史数据构建。
在一些实施例中,处理器还可以基于基准电压特征以及工作数据,确定电压异常的光伏组件数量;以及基于电压异常的光伏组件数量、工作数据、基准温度特征、第一温度数据以及第二温度数据,确定光伏系统的预警信息。
电压异常是指光伏组件的电路中的电压值出现异常。电压异常的光伏组件数量是指光伏系统中出现电压异常的光伏组件的数量。
在一些实施例中,处理器可以基于基准电压特征以及光伏组件上的电路的当前时段的电压特征,通过第三预设对照表,确定电压异常的光伏组件,进而确定电压异常的光伏组件的数量,其中,工作数据包括光伏组件上的电路的当前时段的电压,基于该电压,提取特征,获得光伏组件上的电路的当前时段的电压特征。在一些实施例中,第三预设对照表中包括参考基准电压特征和参考电压特征与参考光伏组件电压是否异常的对应关系。在一些实施例中,第三预设对照表可以根据先验知识或历史数据构建。
在一些实施例中,处理器还可以基于基准电压特征以及工作数据,确定至少一个光伏组件中的每个光伏组件的当前时段的电压特征与该光伏组件对应的基准电压特征的第一相似度。处理器还可以响应于第一相似度满足第一预设条件,则确定对应的光伏组件电压异常;以及基于电压异常的光伏组件,确定电压异常的光伏组件数量。
当前时段的电压特征是指与当前时间段的电压相关的特征。当前时段的电压特征可以包括当前时段电压的极值、方差、最大变化率等中的一种或多种。
在一些实施例中,处理器可以基于工作数据中各个光伏组件所对应的当前时段的电压,获取各个光伏组件在当前时段的电压特征。
第一相似度是指光伏组件的当前时段的电压特征与该光伏组件对应的基准电压特征之间的一致程度。第一相似度可以通过数值、百分比或者其他多种方式进行表示。
在一些实施例中,处理器可以采用多种方式确定第一相似度。
仅作为示例,处理器可以基于光伏组件的当前时段的电压特征和该光伏组件对应的基准电压特征,依次构建电压特征向量和基准电压特征向量;以及基于电压特征向量和基准电压特征向量,计算电压特征向量与基准电压特征向量之间的余弦距离、汉明距离等的倒数作为第一相似度。
第一预设条件可以是预设的第一相似度需要满足的条件,如,第一相似度大于第一阈值。第一阈值可以为本领域技术人员根据经验预设。
在一些实施例中,处理器可以将各个光伏组件对应的第一相似度与第一预设条件进行比较,响应于第一相似度满足第一预设条件(如,第一相似度大于第一阈值),则可以确定对应的光伏组件电压没有问题,反之则表明电压异常,进而可以根据电压异常的光伏组件,统计获得电压异常的光伏组件的数量。
在本说明书的一些实施例中,由于基准电压特征是基于历史一段时间内的检测数据获得,通过比较基准电压特征以及当前时段的电压特征的相似度,可以准确判断电压异常的光伏组件及其数量。
在一些实施例中,处理器可以基于电压异常的光伏组件的数量、工作数据、基准温度特征、第一温度数据以及第二温度数据,通过第四预设对照表,确定光伏系统的预警信息。在一些实施例中,第四预设对照表中包括参考电压异常的光伏组件的数量、参考工作数据、参考基准温度特征、参考第一温度数据以及参考第二温度数据与光伏系统的参考预警信息的对应关系。在一些实施例中,第四预设对照表可以根据先验知识或历史数据构建。
在一些实施例中,处理器基于电压异常的光伏组件数量、工作数据、基准温度特征、第一温度数据以及第二温度数据,确定光伏系统的预警信息的具体实现方式,还可以采用其它方法确定,如,可以采用图3中所示方法确定,具体参见图3中的说明。
在一些实施例中,光伏维护方法还可以包括如下步骤230。
步骤230,基于预警信息,确定巡检方案。
巡检方案可以是与至少一个可疑位置巡检相关的方案。
在一些实施例中,处理器可以基于预警信息,通过第五预设对照表,确定巡检方案。在一些实施例中,第五预设对照表中包括参考预警信息和参考巡检方案的对应关系。在一些实施例中,第五预设对照表可以根据先验知识或历史数据构建。
在一些实施例中,预警信息可以包括至少一个可疑位置,处理器还可以对至少一个可疑位置,通过第二预设方法,确定至少一个可疑位置的可疑程度;以及基于可疑程度,确定巡检方案。巡检方案至少可以包括可疑位置的巡检顺序。
第二预设方法是指用于确定可疑位置的可疑程度的方法。第二预设方法可以包括多种方法。
可疑程度可以用于衡量可疑位置发生故障的可能性。在一些实施例中,可疑位置的可疑程度越高,可疑位置发生故障的可能性越大。
在一些实施例中,当至少一个可疑位置包括逆变器或者当至少一个可疑位置包括光伏系统上除去逆变器、光伏组件以及旁路二极管之外的其它位置时,处理器可以采用如下方式计算可疑程度:
对各个电压异常的光伏组件,计算各个电压异常的光伏组件对应的差异A=a×(第一阈值-第一相似度)+b×(第二阈值-第二相似度),其中,a,b为大于0小于1的预设权重;以及将所有电压异常的光伏组件对应的差异A相加除以电压异常的光伏组件的个数所得到的值,确定为可疑位置的可疑程度。关于第一相似度和第一阈值的说明,请参见图2步骤220中相应的说明。关于第二相似度和第二阈值的说明,请参见图3中的相应说明。预设权重可以为本领域技术人员根据经验预设。
在一些实施例中,当至少一个可疑位置包括光伏组件或旁路二极管时,则可疑位置的可疑程度=c×(第一阈值-第一相似度)+d×(第三阈值-第三相似度)+e×|旁路二极管的当前温度-正常情况下旁路二极管的温度|,其中,c,d,e为大于0小于1的预设权重,为本领域技术人员根据经验预设。关于第三相似度与第三阈值的说明,请参见图3相关说明。正常情况下旁路二极管的温度可以为本领域技术人员根据经验预设。
在本说明书的一些实施例中,不同的可疑位置采用不同的可疑程度计算方法,能进一步提高计算获得的可疑程度的准确性。
巡检顺序可以是对可疑位置(如,逆变器、光伏组件、旁路二极管等)设置的巡检的先后顺序。
在一些实施例中,处理器可以基于可疑位置的可疑程度从高到底,依次对至少一个可疑位置进行巡检。
在一些实施例中,巡检顺序还可以与可疑位置的重要程度有关。
重要程度是指可疑位置在光伏系统中的重要程度。在一些实施例中,可以提前预设光伏系统中不同位置的重要程度。例如,由于一个光伏阵列只对应一个逆变器,当逆变器故障时,整个光伏阵列的供电受到影响,则提前预设的光伏系统中不同位置的重要程度可以为:逆变器>光伏组件和旁路二极管>其它位置。
在一些实施例中,巡检顺序可以为重要程度越高的可疑位置,越先进行巡检。
在一些实施例中,处理器还可以先考虑可疑位置的重要程度,再考虑可疑位置的可疑程度,确定至少一个可疑位置的巡检顺序。例如,处理器可以先基于可疑位置的重要程度从高到底,依次对多个重要程度不同的可疑位置进行巡检。当在巡检的过程中,存在多个重要程度相同的可疑位置,无法基于可疑位置的重要程度从高到底排序进行巡检时,再在重要程度相同的多个可疑位置中,根据多个可疑位置的可疑程度从高到底,依次对重要程度相同的多个可疑位置进行巡检。
在本说明书的一些实施例中,优先巡检重要程度高的可疑位置,以最大化降低可疑位置对光伏系统正常运行的影响范围。
在一些实施例中,巡检顺序还可以与可疑位置的危险程度相关。
危险程度可以是可疑位置可能造成后果的严重程度。危险程度可以是针对光伏组件和旁路二极管故障的危险程度。
可以预设可疑位置的危险程度与该可疑位置的故障类型之间的对应关系。
在一些实施例中,预设可疑位置的危险程度与该可疑位置的故障类型之间的对应关系可以与光伏系统所在位置未来一段时间内的天气有关。例如,若光伏系统所在位置未来一段时间内天气炎热/不降雨,则与温度有关的故障(比如,旁路二极管故障)相比其它故障更危险,容易引起光伏组件发生火灾,则可以将与温度有关的故障(比如,旁路二极管故障)预设为相比其它故障危险程度更高。又例如,若光伏系统所在位置未来一段时间内出现大降雨,则光伏组件分层、碎裂等故障相比其它故障更为危险,因为水会进入光伏组件内部,可能造成成片光伏组件故障无法使用,则可以将光伏组件分层、碎裂等故障预设为相比其它故障危险程度更高。
在一些实施例中,可疑位置的危险程度越高,则越先巡检。
在一些实施例中,处理器还可以先考虑可疑位置的重要程度,再考虑可疑位置的危险程度,最后考虑可疑位置的可疑程度,确定至少一个可疑位置的巡检顺序。例如,处理器可以先基于可疑位置的重要程度从高到底,依次对多个重要程度不同的可疑位置进行巡检。当在巡检的过程中,存在多个重要程度相同的可疑位置,无法基于可疑位置的重要程度从高到底排序进行巡检时,再在重要程度相同的多个可疑位置中,根据多个可疑位置的危险程度从高到底,依次对重要程度相同的多个可疑位置进行巡检。当在巡检的过程中,还存在多个重要程度和危险程度均相同的可疑位置,无法基于可疑位置的重要程度或者危险程度从高到底排序进行巡检时,再在重要程度和危险程度均相同的多个可疑位置中,根据多个可疑位置的可疑程度从高到底,依次对重要程度相同的多个可疑位置进行巡检。
在本说明书的一些实施例中,优先巡检重要程度高的可疑位置,再考虑可疑位置的危险程度,最后考虑可疑位置的可疑程度,可以进一步降低可疑位置对光伏系统运行的影响范围,保证光伏系统的正常运行。
在本说明书的一些实施例中,在确定基准电压特征和基准温度特征的过程中考虑了环境数据的影响,提高了确定的作为比较基准的基准电压特征和基准温度特征的准确性,进而提高确定光伏系统的预警信息的准确性。另外,在确定光伏系统的预警信息后,还基于预警信息,设置不同的巡检方案,如,对不同类型的可疑位置安排不同的巡检顺序,实现对光伏系统上的可能发生故障的可疑位置进行及时巡检和维护,保证光伏系统的性能处于健康状况,保证光伏系统的正常运行。
图3是根据本说明书一些实施例所示的确定光伏系统的预警信息的示例性流程图。在一些实施例中,流程300可以由光伏维护系统100的处理器170执行。如图3所示,流程300包括下述步骤310-步骤330。
步骤310,响应于电压异常的光伏组件的数量满足第二预设条件,基于工作数据,判断逆变器是否处于可疑状态。
第二预设条件是指预设的电压异常的光伏组件数量需要满足的条件。例如,第二预设条件可以为电压异常的光伏组件数量大于等于预设数量(如,200个等)。
在一些实施例中,响应于电压异常的光伏组件的数量满足第二预设条件(如,电压异常的光伏组件数量大于等于预设数量),处理器可以基于工作数据,通过第六预设对照表,判断逆变器是否处于可疑状态。在一些实施例中,第六预设对照表中包括参考工作数据和参考逆变器是否处于可疑状态的对应关系。在一些实施例中,第六预设对照表可以根据先验知识或历史数据构建。
在一些实施例中,处理器还可以基于工作数据,确定光伏系统上的光伏阵列的总直流电。处理器还可以将总直流电输入光伏系统上的逆变器处理后输出交流电,以及基于交流电,确定实际电流特征。处理器还可以计算实际电流特征与预期电流特征的第二相似度;以及基于第二相似度,判断逆变器是否处于可疑状态。
在一些实施例中,处理器可以基于工作数据,获取光伏系统上的各个光伏组件的电流,然后将各个光伏组件的电流相加,获得光伏系统上的光伏阵列的总直流电。
实际电流特征是指将光伏阵列的总直流电输入逆变器处理后输出的实际交流电的特征。
在一些实施例中,实际电流特征可以包括实际交流电的电压、频率、振幅等中的一种或多种。
在一些实施例中,处理器可以基于逆变器输出的实际交流电,提取特征(如,电压、频率、振幅等),获取实际电流特征。
预期电流特征是指预期的交流电所具备的特征。
在一些实施例中,处理器可以将历史逆变器正常工作时,对同等大小的总电流进行处理后得到的历史交流电,提取特征(如,电压、频率、振幅等),获取历史交流电特征作为预期电流特征。
第二相似度是指实际电流特征和预期电流特征之间的一致程度。第二相似度可以通过数值、百分比或者其他多种方式进行表示。
在一些实施例中,处理器可以采用多种方式确定第二相似度。仅作为示例,处理器可以基于实际电流特征和预期电流特征,依次构建实际电流特征向量和预期电流特征向量;以及基于实际电流特征向量和预期电流特征向量,计算实际电流特征向量和预期电流特征向量之间的余弦距离、汉明距离等的倒数作为第二相似度。
在一些实施例中,处理器可以基于第二相似度以及第二阈值,判断逆变器是否处于可疑状态。第二阈值为预设值,可以为本领域技术人员根据经验预设。例如,处理器可以将第二相似度与第二阈值进行比较,若第二相似度小于第二阈值,代表实际电流特征和预期电流特征不一致,则逆变器可能发生故障,即判断逆变器处于可疑状态,且可疑位置为逆变器;若第二相似度大于等于第二阈值,代表实际电流特征和预期电流特征一致,则逆变器没有发生故障,即判断逆变器不处于可疑状态,则可能是光伏系统中除了逆变器、光伏组件、旁路二极管外的其他部分发生故障,且可疑位置为光伏系统中除了逆变器、光伏组件、旁路二极管外的其他部分。
在本说明书的一些实施例中,通过引入第二相似度和第二阈值,用这两个值的比较结果为依据,能够对逆变器是否发生故障进行准确区分,以提高判断逆变器是否处于可疑状态的可靠性。
步骤320,响应于电压异常的光伏组件的数量不满足第二预设条件,基于基准温度特征、第一温度数据以及第二温度数据,判断电压异常的光伏组件和/或对应的旁路二极管是否处于可疑状态。
关于基准温度特征、第一温度数据以及第二温度数据的说明,请参见图2步骤210-220的说明。
在一些实施例中,响应于电压异常的光伏组件的数量不满足第二预设条件(如,电压异常的光伏组件数量小于预设数量),处理器可以基于基准温度特征、第一温度数据以及第二温度数据,通过第七预设对照表,判断电压异常的光伏组件和/或对应的旁路二极管是否处于可疑状态。在一些实施例中,第七预设对照表中包括参考基准温度特征、参考第一温度数据以及参考第二温度数据与参考电压异常的光伏组件和/或对应的参考旁路二极管是否处于可疑状态的对应关系。在一些实施例中,第七预设对照表可以根据先验知识或历史数据构建。
在一些实施例中,处理器基于基准温度特征、第一温度数据以及第二温度数据,判断电压异常的光伏组件和/或对应的旁路二极管是否处于可疑状态的具体实现方式,还可以采用图4所示方法确定,具体参见图4中的说明。
步骤330,基于可疑状态确定可疑位置,以确定光伏系统的预警信息。
关于可疑位置的说明,请参见图2步骤210的说明。
在一些实施例中,处理器可以基于可疑状态中包含的可疑位置,确定可疑位置,以确定光伏系统的预警信息。
在一些实施例中,处理器可以将确定的可疑位置直接作为光伏系统的预警信息。
在本说明书的一些实施例中,通过引入第二预设条件,用电压异常的光伏组件数量与第二预设条件的比较结果为依据,能够准确区分后续是判断逆变器是否处于可疑状态,还是判断电压异常的光伏组件和/或对应的旁路二极管是否处于可疑状态,再基于准确确定的可疑状态确定可疑位置,以准确确定光伏系统的预警信息,,从而提高了预警信息的准确性。
应当注意的是,上述有关流程200和300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程200和300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图4是根据本说明书一些实施例所示的判断电压异常的光伏组件和/或对应的旁路二极管是否处于可疑状态的示例性流程图。在一些实施例中,流程400可以由光伏维护系统100的处理器170执行。如图4所示,流程400包括下述步骤410-步骤430。
步骤410,基于当前时段电压异常的光伏组件所对应的第一温度数据,确定当前温度特征。
关于第一温度数据的说明,请参见图2步骤220中相关说明。关于当前时段的说明,请参见图2步骤210的说明。
在一些实施例中,第一温度数据可以包括多个子温度数据。多个子温度数据与光伏组件多个预设位置的太阳能电池块对应。预设位置可以基于太阳能电池块的串并联线路确定。例如,预设位置可以由本领域技术人员基于需求和经验,结合太阳能电池块的串并联路线,对位置进行预先设置。
关于如何确定电压异常的光伏组件的说明,请参见图2步骤220中相关说明。
在一些实施例中,第一温度数据包括当前时段电压异常的光伏组件所对应的第一温度数据。
当前温度特征是指在当前时段内,与电压异常的光伏组件所对应的第一温度数据相关的特征。例如,当前温度特征可以包括当前时段内,电压异常的光伏组件所对应的第一温度数据的极值、方差、最大变化率等中的一种或多种。
在一些实施例中,处理器可以对当前时段电压异常的光伏组件所对应的第一温度数据进行特征提取,确定当前温度特征。
在一些实施例中,当前温度特征可以包括多个子温度特征。每个子温度特征基于对应的一个子温度数据提取获得。
步骤420,基于当前温度特征和基准温度特征,计算当前温度特征及其对应的基准温度特征的第三相似度。
关于基准温度特征的说明,请参见步骤210中相关内容。
第三相似度是指当前温度特征及其对应的基准温度特征的一致程度。第三相似度可以通过数值、百分比或者其他多种方式进行表示。
在一些实施例中,第三相似度可以包括多个子温度相似度(如,第一子温度相似度、第二子温度相似度……第n子温度相似度等)。每个子温度相似度基于子温度特征及其对应的子基准温度特征的一致程度确定。
在一些实施例中,每个子温度相似度可以采用多种方式确定。仅作为示例,处理器可以基于子温度特征及其对应的子基准温度特征,依次构建子温度特征向量和子基准温度特征向量;以及基于子温度特征向量和子基准温度特征向量,计算子温度特征向量和子基准温度特征向量之间的余弦距离、汉明距离等的倒数作为子温度相似度。
在一些实施例中,处理器可以将计算获得的各个子温度相似度相加求均值,作为第三相似度。
在一些实施例中,处理器还可以采用如下算法,计算第三相似度:第三相似度=a×第一子温度相似度+b×第二子温度相似度+……y×第n子温度相似度,其中,a、b……y为大于0和小于1的预设值,可以为本领域技术人员根据经验预设。
在一些实施例中,各个子温度相似度所对应的权重与相应太阳能电池块在光伏组件中的位置分布相关。在一些实施例中,本领域技术人员可以预设太阳能电池块在光伏组件中的位置与权重的关系。
在本说明书的一些实施例中,通过将光伏组件进行分区,然后分别计算各个分区的子温度相似度再加权求和的方式确定第三相似度,能进一步提高计算第三相似度的准确性以及可靠性。
步骤430,基于第三相似度、第一温度数据以及第二温度数据,判断电压异常的光伏组件和/或对应的旁路二极管是否处于可疑状态。
关于当前第二温度数据的说明,可以参见图3步骤320相关内容。
在一些实施例中,处理器可以基于第三相似度以及第三阈值,判断电压异常的光伏组件和/或对应的旁路二极管是否处于可疑状态。第三阈值为预设值,可以为本领域技术人员根据经验预设。
在一些实施例中,处理器将第三相似度与第三阈值进行比较,若第三相似度大于等于第三阈值,则表示该电压异常的光伏组件没有发生热斑效应的故障,该电压异常的光伏组件可能发生其他故障(如,光伏组件的分层、碎裂、入侵、变形、变色等)。
在一些实施例中,若该电压异常的光伏组件可能发生其他故障,处理器可以获取该电压异常的光伏组件的图像,以及基于该电压异常的光伏组件的图像,确定该电压异常的光伏组件的故障类型。
在一些实施例中,可以通过多种方式获取该电压异常的光伏组件的图像,如,无人机摄像头等。
在一些实施例中,若该电压异常的光伏组件可能发生其他故障,处理器可以基于电压异常的光伏组件图像、当前环境数据、第一相似度和第三相似度,通过故障模型,确定电压异常的光伏组件可能的故障类型及其故障概率。
当前环境数据是指当前时段电压异常光伏组件所在环境有关的数据。例如,当前环境数据可以是当前时段电压异常光伏组件所在环境的环境温度、环境湿度、风力大小及方向、光照强度、降雨情况(如,降雨、未降雨等)等中的至少一个。
关于第一相似度的说明,请参见图2步骤220的说明。
在一些实施例中,当前环境数据可以通过第三监测模块获取,处理器可以通过存储器或者是第三监测模块获取当前环境数据。
在一些实施例中,故障模型可以是机器学习模型,例如,故障模型可以是深度神经网络(Deep NeuralNetworks,DNN)或二分类模型(support Vector Mac,SVM)。
在一些实施例中,故障模型可以基于大量带有第二标签的第二训练样本,训练得到。
第二训练样本可以包括历史样本的光伏组件图像、历史样本环境数据、历史样本的光伏组件对应的历史样本第一相似度和历史样本第三相似度,训练标签可以为历史样本的光伏组件实际检修时对应的实际故障类型及其故障概率。其中,对于故障概率:如果历史样本的光伏组件确实发生故障,则故障概率记为1,没有发生故障,则故障概率记为0。
第二训练样本可以基于历史数据获取。第二训练样本的第二标签可以基于人工标记获得。
在本说明书的一些实施例中,通过故障模型,可以快速准确确定电压异常的光伏组件可能的故障类型及其故障概率。
在一些实施例中,处理器将第三相似度与第三阈值进行比较,若第三相似度小于第三阈值,则存在如下两种情况:
处理器可以将当前时刻该光伏组件对应的第一温度数据与当前时刻该光伏组件对应的基准温度进行比较,若当前时刻该光伏组件对应的第一温度数据小于当前时刻该光伏组件对应的基准温度,则电压异常的光伏组件不工作;
若当前时刻该光伏组件对应的第一温度数据大等于当前时刻该光伏组件对应的基准温度,则电压异常的光伏组件此时发生热斑效应的故障,以及该电压异常的光伏组件对应的旁路二极管发生开路故障,即电压异常的光伏组件和对应的旁路二极管均处于可疑状态,可疑位置为该电压异常的光伏组件及其对应的旁路二极管。
在一些实施例中,若电压异常的光伏组件不工作,处理器还可以将旁路二极管的当前时段的第二温度数据与旁路二极管的正常温度范围进行比较,若旁路二极管的当前时段的第二温度数据正常(即旁路二极管的当前时段的第二温度数据位于旁路二极管的正常温度范围内),则可以判断电压异常的光伏组件发生热斑效应的故障,且电压异常的光伏组件对应的旁路二极管正常工作,将该电压异常的光伏组件旁路掉,即,电压异常的光伏组件处于可疑状态,可疑位置为该电压异常的光伏组件;
若旁路二极管的当前时段的第二温度数据不正常(即旁路二极管的当前时段的第二温度数据没有位于旁路二极管的正常温度范围内),则可以判断电压异常的光伏组件对应的旁路二极管发生短路故障,即,电压异常的光伏组件对应的旁路二极管处于可疑状态,可疑位置为该旁路二极管。
在本说明书的一些实施例中,通过引入第三相似度和第三阈值,用这两个值的比较结果为依据,能够对电压异常的光伏组件的故障类型以及电压异常的光伏组件对应的旁路二极管故障进行准确区分,以提高判断电压异常的光伏组件和/或对应的旁路二极管是否处于可疑状态的可靠性。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (6)
1.一种光伏维护系统,其特征在于,所述系统包括:第一监测模块、第二监测模块、第三监测模块、图像采集模块、数据传输模块、预警模块、存储器以及处理器;
所述第一监测模块被配置为监测光伏系统上的光伏组件的工作数据;所述工作数据包括电压和电流中的至少一个;
所述第二监测模块被配置为监测所述光伏组件的环境数据;
所述第三监测模块被配置为监测所述光伏组件的第一温度数据,以及所述光伏系统的旁路二极管的第二温度数据;所述光伏组件的第一温度数据包括至少一个子温度数据,所述至少一个子温度数据与所述光伏组件至少一个预设位置的太阳能电池块对应,所述预设位置基于所述太阳能电池块的串并联线路确定;
所述图像采集模块被配置为获取所述光伏组件的检测图像;
所述数据传输模块被配置为将所述工作数据、所述环境数据、所述第一温度数据、所述第二温度数据和所述检测图像传送到所述存储器进行存储;
所述处理器被配置为:
基于所述环境数据,通过第一预设方法,确定当前时段至少一个所述光伏组件的基准电压特征和基准温度特征;
基于所述基准电压特征以及所述工作数据,确定电压异常的所述光伏组件的数量;
响应于所述电压异常的所述光伏组件的数量大于等于预设数量,基于所述工作数据,判断逆变器是否处于可疑状态;
响应于所述电压异常的所述光伏组件的数量小于预设数量,基于所述基准温度特征、所述第一温度数据以及所述第二温度数据,判断所述电压异常的所述光伏组件和/或对应的所述旁路二极管是否处于可疑状态;
基于所述可疑状态确定可疑位置;
基于所述可疑位置,确定所述光伏系统的预警信息;
所述预警模块被配置为接收所述处理器发送的所述预警信息及巡检方案,并向工作人员进行展示。
2.根据权利要求1所述的光伏维护系统,其特征在于,所述预警信息包括至少一个所述可疑位置,所述处理器还被配置为:
基于所述预警信息,确定所述巡检方案,包括:
对至少一个所述可疑位置,通过第二预设方法,确定至少一个所述可疑位置的可疑程度;以及
基于所述可疑程度,确定巡检方案,所述巡检方案至少包括所述可疑位置的巡检顺序。
3.一种光伏维护方法,其特征在于,所述方法由权利要求1所述的光伏维护系统的处理器实现;
所述方法包括:
基于环境数据,通过第一预设方法,确定当前时段至少一个光伏组件的基准电压特征和基准温度特征;
基于所述基准电压特征以及工作数据,确定电压异常的所述光伏组件的数量;
响应于所述电压异常的所述光伏组件的数量大于等于预设数量,基于所述工作数据,判断逆变器是否处于可疑状态;
响应于所述电压异常的所述光伏组件的数量小于预设数量,基于所述基准温度特征、第一温度数据以及第二温度数据,判断所述电压异常的所述光伏组件和/或对应的旁路二极管是否处于可疑状态;
基于所述可疑状态确定可疑位置;
基于所述可疑位置,确定光伏系统的预警信息。
4.根据权利要求3所述的方法,其特征在于,所述预警信息包括至少一个所述可疑位置,所述方法还包括:
基于所述预警信息,确定巡检方案,包括:
对至少一个所述可疑位置,通过第二预设方法,确定至少一个所述可疑位置的可疑程度;以及
基于所述可疑程度,确定巡检方案,所述巡检方案至少包括所述可疑位置的巡检顺序。
5.一种光伏维护装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求3~4中任一项所述的光伏维护方法。
6.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求3~4任一项所述的光伏维护方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753144.3A CN116846331B (zh) | 2023-06-25 | 2023-06-25 | 一种光伏维护系统、方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753144.3A CN116846331B (zh) | 2023-06-25 | 2023-06-25 | 一种光伏维护系统、方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116846331A CN116846331A (zh) | 2023-10-03 |
CN116846331B true CN116846331B (zh) | 2024-01-30 |
Family
ID=88171878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310753144.3A Active CN116846331B (zh) | 2023-06-25 | 2023-06-25 | 一种光伏维护系统、方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116846331B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012195495A (ja) * | 2011-03-17 | 2012-10-11 | Toshiba Corp | 異常診断装置およびその方法、コンピュータプログラム |
CN109729083A (zh) * | 2018-12-27 | 2019-05-07 | 北京奇安信科技有限公司 | 智能巡检方法、装置、设备及介质 |
CN112003564A (zh) * | 2020-09-18 | 2020-11-27 | 北京航空航天大学 | 基于智能终端的分布式光伏系统支路功率异常预警方法 |
CN112737503A (zh) * | 2020-12-31 | 2021-04-30 | 浙江锐博科技工程有限公司 | 一种光伏电站监控系统、方法及存储介质 |
CN113092900A (zh) * | 2021-03-22 | 2021-07-09 | 阳光新能源开发有限公司 | 光伏逆变器的状态检测方法、装置及计算机可读存储介质 |
CN115293372A (zh) * | 2022-08-02 | 2022-11-04 | 西安热工研究院有限公司 | 基于多维度、多参量数值分析的光伏组串故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3072839B1 (fr) * | 2017-10-23 | 2019-11-08 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede de detection de defauts dans un module photovoltaique |
CN108847686B (zh) * | 2018-07-02 | 2021-11-30 | 国电南瑞科技股份有限公司 | 一种光伏逆变器故障预测方法 |
-
2023
- 2023-06-25 CN CN202310753144.3A patent/CN116846331B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012195495A (ja) * | 2011-03-17 | 2012-10-11 | Toshiba Corp | 異常診断装置およびその方法、コンピュータプログラム |
CN109729083A (zh) * | 2018-12-27 | 2019-05-07 | 北京奇安信科技有限公司 | 智能巡检方法、装置、设备及介质 |
CN112003564A (zh) * | 2020-09-18 | 2020-11-27 | 北京航空航天大学 | 基于智能终端的分布式光伏系统支路功率异常预警方法 |
CN112737503A (zh) * | 2020-12-31 | 2021-04-30 | 浙江锐博科技工程有限公司 | 一种光伏电站监控系统、方法及存储介质 |
CN113092900A (zh) * | 2021-03-22 | 2021-07-09 | 阳光新能源开发有限公司 | 光伏逆变器的状态检测方法、装置及计算机可读存储介质 |
CN115293372A (zh) * | 2022-08-02 | 2022-11-04 | 西安热工研究院有限公司 | 基于多维度、多参量数值分析的光伏组串故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116846331A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jufri et al. | Development of Photovoltaic abnormal condition detection system using combined regression and Support Vector Machine | |
CN103412220B (zh) | 一种基于数据融合的船舶电站故障诊断方法 | |
KR102523891B1 (ko) | 태양광 발전 스트링 및 저장 매체의 작동 상태를 인식하는 방법 및 장치 | |
KR102064738B1 (ko) | 태양광발전 안전진단 통보 시스템 | |
KR102136141B1 (ko) | 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기 | |
KR102459015B1 (ko) | 인공신경망을 이용한 태양광 발전 시스템의 고장 검출 방법 및 분석장치 | |
US20190123683A1 (en) | Method for the electrical characterization of a photovoltaic cell | |
CN104221475A (zh) | 用于照明控制的光传感器的故障检测、定位及性能监控 | |
Kalogirou et al. | Development of a neural network-based fault diagnostic system for solar thermal applications | |
Livera et al. | On-line failure diagnosis of grid-connected photovoltaic systems based on fuzzy logic | |
CN108306615B (zh) | 一种用于光伏阵列故障类型诊断的方法及系统 | |
Dhimish et al. | Detecting defective bypass diodes in photovoltaic modules using Mamdani fuzzy logic system | |
CN111967620A (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
CN116846331B (zh) | 一种光伏维护系统、方法、装置及存储介质 | |
CN109842372A (zh) | 一种光伏组件故障检测方法和系统 | |
CN116915171A (zh) | 一种光伏支路故障检测方法、装置和光伏发电系统 | |
Rao et al. | A novel fault diagnostic strategy for PV micro grid to achieve reliability centered maintenance | |
CN109268692A (zh) | 一种供热管网井式补偿器泄漏监测系统及监测方法 | |
Pinceti et al. | Using drone-supported thermal imaging for calculating the efficiency of a PV plant | |
KR102448187B1 (ko) | I-v 곡선의 단위 벡터해석법을 이용한 pv 패널의 고장 감지 방법 | |
KR102306776B1 (ko) | 태양전지 패널 관리 시스템 및 그의 동작 방법 | |
Al-Katheri et al. | Application of Artificial Intelligence in PV Fault Detection. Sustainability 2022, 14, 13815 | |
Balasubramani et al. | Thermal Image Analysis of Photovoltaic Panel for Condition Monitoring Using Hybrid Thermal Pixel Counting Algorithm and XGBoost Classifier | |
Singh | Integration of Fault Notification Mechanism for IoT-based Photovoltaic Panel Monitoring and Analysis System | |
Burian et al. | General consideration regarding fault–find, tests and maintenance in the installations in hazardous areas |
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 |