CN116865672A - 光伏组件异常识别方法及装置、计算机可读储存介质 - Google Patents

光伏组件异常识别方法及装置、计算机可读储存介质 Download PDF

Info

Publication number
CN116865672A
CN116865672A CN202310613282.1A CN202310613282A CN116865672A CN 116865672 A CN116865672 A CN 116865672A CN 202310613282 A CN202310613282 A CN 202310613282A CN 116865672 A CN116865672 A CN 116865672A
Authority
CN
China
Prior art keywords
photovoltaic module
energy efficiency
value
judging
efficiency value
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.)
Pending
Application number
CN202310613282.1A
Other languages
English (en)
Inventor
陆江
王文彬
袁廷璧
段震清
柳殿彬
崔亚辉
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.)
North China Electric Power University
National Energy Group New Energy Technology Research Institute Co Ltd
Original Assignee
North China Electric Power University
National Energy Group New Energy Technology Research Institute 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 North China Electric Power University, National Energy Group New Energy Technology Research Institute Co Ltd filed Critical North China Electric Power University
Priority to CN202310613282.1A priority Critical patent/CN116865672A/zh
Publication of CN116865672A publication Critical patent/CN116865672A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提供一种光伏组件异常识别方法及装置、计算机可读储存介质，属于光伏组件技术领域。所述光伏组件异常识别方法包括：实时监测光伏组件的运行数据，对监测到的运行数据进行计算，对连续变化的物理量进行采集相当于抽样，得到光伏组件的能效差值样本；基于所述能效差值样本对光伏组件的能效状况进行假设检验得到检验统计量，计算光伏组件实际能效值与理论能效值的差异程度值，根据所述差异程度值判断光伏组件的第一异常情况得到第一判断结果；获取光伏组件的总发电量输出能效值，判断光伏组件的第二异常情况，得到第二判断结果；基于第一判断结果以及第二判断结果判断光伏组件的异常工况。

Description

光伏组件异常识别方法及装置、计算机可读储存介质
技术领域
本发明涉及光伏组件技术领域，具体地涉及一种光伏组件异常识别方法、一种光伏组件异常识别装置、一种计算机可读储存介质以及一种电子设备。
背景技术
在“双碳”政策的推动下，国内大规模兴建光伏电站，但目前光伏行业忽略运维而重视基建，导致电站低能效问题日趋加重，光伏组件发电效率的高低直接影响电站的发电量，对阵列中能效异常的组串、组件进行识别，提示运维人员进行维护，可有效提高电站发电量。
目前识别组件异常状态的技术主要基于对组件I-V特性曲线的分析来实现，但在实际工程中，光伏组件数量众多，光伏组件的I-V曲线获取困难，无法实时分析光伏电站阵列中各组件的异常情况。
发明内容
本发明实施方式的目的是提供一种光伏组件异常识别方法及装置，以解决上述问题。
为了实现上述目的，本发明第一方面提供一种光伏组件异常识别方法，所述方法包括：
实时监测光伏组件的运行数据，对监测到的运行数据进行计算，对连续变化的物理量进行采集相当于抽样，进而得到光伏组件的能效差值样本；
基于所述能效差值样本对光伏组件进行假设检验得到检验统计量，基于所述检验统计量计算光伏组件实际能效值与理论能效值的差异程度值，根据所述差异程度值与显著性水平判断光伏组件的第一异常情况得到第一判断结果；
获取光伏组件的总发电量输出能效值，基于所述总发电量输出能效值判断光伏组件的第二异常情况，得到第二判断结果；其中，第二异常情况为光伏组件的总发电量输出能效值低于光伏发电单元内所有光伏组件的能效平均值；
基于第一判断结果以及第二判断结果判断光伏组件的异常工况。
本发明实施例中，所述实时监测光伏组件的运行数据，对监测到的运行数据抽样，得到光伏组件的能效差值样本具体为：
获取光伏组件同一系列采样时刻的多个采样点的多类运行数据；
根据所述多个采样点的多类运行数据分别计算光伏组件多个采样点的实际能效值以及理论能效值；
计算光伏组件同一采样点的实际能效值与理论能效值的差值；
将光伏组件多个采样点的实际能效值与理论能效值的差值作为光伏组件的能效差值样本。
本发明实施例中，所述计算光伏组件多个采样点的实际能效值的计算公式为：
其中，Ps,i为采样点的实际能效值，i为采样点，ΔT为采样周期，Pstc为光伏组件标称功率，Gi为光伏组件正面太阳辐照强度，G0为标准测试条件下的太阳辐照强度。
本发明实施例中，所述计算光伏组件多个采样点的理论能效值的方法，包括：
计算光伏组件的最大输出功率：
根据光伏组件的最大输出功率计算光伏组件的理论能效值；
其中，Tc为组件表面温度，Umref为光伏组件标称电压，Imref为光伏组件标称电流，Tref为标准测试条件下的温度，e为自然对数底数，G为光伏组件正面太阳辐照强度，a、b以及c为均为线性回归常数。本发明实施例中，所述基于所述能效差值样本对光伏组件进行假设检验得到检验统计量，包括：应用t检验法对光伏组件进行检验，获取检验统计量；
所述基于所述检验统计量计算光伏组件实际能效值与理论能效值的差异程度值包括：
根据检验统计量计算t检验法中原假设成立时抽到该样本或更恶劣的样本的概率P；
根据t检验法中原假设成立时抽到该样本或更恶劣的样本的概率计算光伏组件实际能效值与理论能效值的差异程度值。
本发明实施例中，所述根据所述差异程度值判断光伏组件的异常情况，输出第一判断结果具体为：
当所述差异程度值小于或等于第一预设值时，第一判断结果为差异程度值正常，光伏组件的实际能效值大于或等于理论能效值；
当所述差异程度值大于第一预设值时，第一判断结果为差异程度值异常，光伏组件的实际能效值小于理论能效值。
本发明实施例中，所述基于所述总发电量输出能效值判断光伏组件的第二异常情况，包括：应用3-σ检验法判断光伏组件的第二异常情况；所述基于所述总发电量输出能效值判断光伏组件的第二异常情况，得到第二判断结果具体为：
当光伏组件监测时间段内总发电量输出的能效值小于μ-3σ时，第二判断结果为3-σ检验法检验结果异常，光伏组件的监测时间段内总发电量输出的能效值低于光伏组件能效平均值；
当光伏组件监测时间段内总发电量输出的能效值大于或等于μ-3σ时，第二判断结果为3-σ检验法检验结果正常，光伏组件的监测时间段内总发电量输出的能效值正常；
其中，μ为发电单元中所有组件的能效平均值，σ为光伏发电单元中所有组件能效的标准差。
本发明实施例中，所述基于第一判断结果以及第二判断结果判断光伏组件的异常工况具体为：
当第一判断结果为差异程度值正常，则光伏组件处于正常工况；
当第一判断结果为差异程度值异常，第二判断结果为3-σ检验法检验结果正常，则光伏组件处于积灰工况或限功率工况；
当第一判断结果为差异程度值异常，第二判断结果为3-σ检验法检验结果异常，则光伏组件处于短路工况、断路工况、碎裂工况、热斑工况或遮挡工况。
本发明第二方面提供一种光伏组件异常识别装置，所述装置包括：
监测单元，用于实时监测光伏组件的运行数据，对监测到的运行数据进行计算，对连续变化的物理量进行采集相当于抽样，进而得到光伏组件的能效差值样本；
检验单元，用于基于所述能效差值样本对光伏组件的异常情况进行假设检验，得到检验统计量，并基于所述检验统计量计算得到光伏组件实际能效值与理论能效值的差异程度值；
第一判断单元，用于根据所述检验单元计算得到的光伏组件实际能效值与理论能效值的差异程度值判断光伏组件的异常情况得到第一判断结果；
第二判断单元，用于获取光伏组件的总发电量输出能效值，基于所述总发电量输出能效值判断光伏组件的第二异常情况，得到第二判断结果；其中，第二异常情况为光伏组件的总发电量输出能效值低于光伏组件能效平均值；
第三判断单元，用于基于第一判断结果以及第二判断结果判断光伏组件的异常工况。
本发明第三方面提供一种计算机可读储存介质，存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如上所述的光伏组件异常识别方法。
本发明第四方面提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的光伏组件异常识别方法。
本发明利用光伏组件监测技术的优势对光伏组件的能效差值进行实时监测，可以实时识别光伏电站的异常工况。
本发明分析电站中各光伏组件的实际运行数据，统计组件实际能效值与理论能效值的差值，对其进行假设检验，识别能效显著降低的组件，量化理论能效值与实际能效值的差异程度值，并利用差异程度值获取第一异常情况，使得识别结果准确。
本发明根据实际能效值与理论能效值的差异程度值判断第一异常情况，并基于光伏组件的总发电量输出能效值判断第二异常情况，通过第一异常情况以及第二异常情况识别光伏组件的最终异常工况，进一步提高识别精度，能够对组件工况进行简单分类，实现光伏组件的实时异常识别。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明一种实施方式提供的光伏组件异常识别方法流程图；
图2是本发明一种实施方式提供的光伏组件的采样示意图；
图3是本发明一种实施方式提供的3-σ检验法检验示意图；
图4是本发明一种实施方式提供的光伏组件的异常工况判断示意图；
图5是本发明一种实施方式提供的光伏组件异常识别装置的结构框图；
图6是本发明一种实施方式提供的光伏组件的能效统计直方图；
图7是本发明一种实施方式提供的光伏发电单元所有光伏组件的能效直方图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
术语解释：
t检验法是统计假设检验法中的其中一种，t检验法主要用于样本含量较小(例如n<30)，总体标准差σ未知的正态分布。t检验法是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。
3-σ检验法又叫做3σ准则，是指先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差，表明该数据为异常值。这种判别处理原理及方法仅局限于对正态或近似正态分布的样本数据处理，它是以测量次数充分大为前提的，当测量次数少的情形用准则剔除粗大误差是不够可靠的。因此，在测量次数较少的情况下，最好不要选用该准则。
如背景技术中所介绍的，目前识别组件异常状态的技术主要基于对组件I-V特性曲线的分析来实现，但在实际工程中获取光伏组件的I-V曲线比较困难，无法实时分析光伏电站阵列中各组件的异常情况。
为了解决上述问题，本发明实施方式提供了一种光伏组件异常识别方法，包括：实时监测光伏组件的运行数据，对监测到的运行数据进行计算，对连续变化的物理量进行采集相当于抽样，进而得到光伏组件的能效差值样本；基于所述能效差值样本对光伏组件进行假设检验获取检验统计量，基于所述检验统计量计算光伏组件实际能效值与理论能效值的差异程度值，根据所述差异程度值以及显著性水平判断光伏组件的第一异常情况得到第一判断结果；获取光伏组件的总发电量输出能效值，基于所述总发电量输出能效值判断光伏组件的第二异常情况，得到第二判断结果；其中，第二异常情况为光伏组件的总发电量输出能效值低于光伏发电单元内所有光伏组件的能效平均值；基于第一判断结果以及第二判断结果判断光伏组件的异常工况。本发明通过实时监测光伏组件的运行数据，统计组件实际能效值与理论能效值的差值，对其进行假设检验，识别能效显著降低的组件，量化理论能效值与实际能效值的差异程度值，并利用差异程度值获取第一异常情况，使得识别结果更准确。本发明通过实时监测光伏组件的运行数据，得到光伏组件的能效差值样本，基于能效差值样本计算实际能效值与理论能效值的差异程度值，判断第一异常情况，并基于光伏组件的总发电量输出能效值判断第二异常情况，通过第一异常情况以及第二异常情况识别光伏组件的最终异常工况，进一步提高识别精度，能够对组件工况进行简单分类，实现光伏组件的实时异常识别。以下对上述技术方案进行详细阐述。
图1是本发明一种实施方式提供的光伏组件异常识别方法流程图。如图1所示，本发明实施方式第一方面提供一种光伏组件异常识别方法，所述方法包括：
S1.实时监测光伏组件的运行数据，对监测到的运行数据进行计算，对连续变化的物理量进行采集相当于抽样，进而得到光伏组件的能效差值样本；
在本实施例中，实时监测光伏组件的运行数据，对监测到的运行数据进行计算，对连续变化的物理量进行采集相当于抽样，进而得到光伏组件的能效差值样本，包括：
获取光伏组件同一系列采样时刻的多个采样点的多类运行数据；
根据所述多个采样点的多类运行数据分别计算光伏组件多个采样点的实际能效值以及理论能效值；
计算光伏组件同一采样点的实际能效值与理论能效值的差值；
将光伏组件当前采样时刻的采样行为看作一次抽样，得到光伏组件的能效差值样本。
具体的，多类运行数据包括光伏组件的实际输出功率、光伏组件太阳辐照强度、光伏组件表面温度等，通过采集光伏组件的多类运行数据，以计算光伏组件每一采样点的实际能效值以及理论能效值。
根据光伏组件的多类运行数据，对监测时间内所有采样时刻的实际能效值与理论能效值的差值进行统计分析。
如图2、图6以及图7所示，图2为光伏组件的采样示意图，图6为光伏组件的能效直方图，图7为光伏发电单元中所有光伏组件的能效直方图图。在本实施例中，利用光伏组件实际能效值与理论能效值的差值服从正态分布的条件，采用假设检验法对监测时间内所有采样时刻的实际能效值与理论能效值的差值进行统计分析。
选取同一系列采样时刻，获取光伏组件多个采样点在当前采样时刻的多类运行数据，根据多类运行数据计算多个采样点的实际能效值以及理论能效值。
将光伏组件当前采样时刻的采样行为看作一次抽样，将光伏组件多个采样点的实际能效值与理论能效值的差值看作光伏组件的能效差值样本。
S2.基于所述能效差值样本对光伏组件进行检验获取检验统计量，基于所述检验统计量计算光伏组件实际能效值与理论能效值的差异程度值，根据所述差异程度值以及显著性水平判断光伏组件的第一异常情况得到第一判断结果；
在本实施例中，应用t检验法检验光伏组件的第一异常情况。
具体的，在t检验法中，设原假设为组件实际能效值与理论能效值之差的均值大于或等于零，即组件能效正常；备择假设为组件实际能效值与理论能效值之差的均值小于零，即组件能效显著降低，即：
H0:μ(ΔPR)≥0；H1:μ(ΔPR)<0；
其中ΔPR为组件实际能效值与理论能效值之差，引入t统计量，设x1,x2,x3,...,xn是来自正态分布N(μ，σ2)的一个样本，则有：
其中，为样本平均数；S2为样本方差；t为根据样本计算的检验统计量；μ为假设的数值，本例设为0。通过自由度n-1和显著性水平α查找t分布表得到标准t值，若t<t(α,n-1)，则拒绝原假设；否则不拒绝原假设。
在假设检验中，显著性α水平的含义为：当原假设正确时却被拒绝的概率或风险，一般α取0.05或0.01，但由于实际工程中分析对象的情况各不相同，须根据实际情况选取合适的数值。
为了提高统计检验精度，精确地反应理论值与实际值的差异程度，在本实施例中，还根据检验统计量计算光伏组件实际能效值与理论能效值的差异程度值。
在本实施例中，所述基于所述能效差值样本对光伏组件进行假设检验得到检验统计量，包括：应用t检验法对光伏组件进行检验，获取检验统计量；
所述基于所述检验统计量计算光伏组件实际能效值与理论能效值的差异程度值具体包括：
根据检验统计量计算t检验法中原假设成立时抽到该样本或更恶劣的样本的概率P；
根据t检验法中原假设成立时抽到该样本或更恶劣的样本的概率计算光伏组件实际能效值与理论能效值的差异程度值。
具体的，计算t检验法中原假设成立时抽到该样本或更恶劣的样本的概率P采用如下公式计算：
其中，t为检验统计量，Gam(x)为伽玛函数，n为样本数量；P>α时，原假设成立，说明组件能效值与理论能效值的差异并不显著，P<α时，备择假设成立，说明组件实际能效值与理论能效值差异显著，即组件能效值显著下降，此时应根据下降的程度对组件进行相应的维护：易知P值取值范围在[0，1]，当组件能效正常，P值接近于1，随着组件能效值的降低，P值逐渐减小并接近于0，故可根据P值的大小大致判断组件所处的情况，从而指导运维人员进行维护。
进一步的，当光伏组件出现短路、断路等情况时，光伏组件的实际能效值与理论能效值的差值较大，此时计算出来的P值极小，不利于分析，故本发明提出光伏组件实际能效值与理论能效值的差异程度值来表征光伏组件的异常情况。
根据t检验法中原假设成立时抽到该样本或更恶劣的样本的概率计算光伏组件实际能效值与理论能效值的差异程度值，具体为：
d＝-ln(P)。
易知，d值随着组件能效值的下降而增大，则可根据d值的大小对组件的能效情况作出判断。
在本实施例中，所述根据所述差异程度值判断光伏组件的异常情况，输出第一判断结果具体为：
当所述差异程度值小于或等于第一预设值时，第一判断结果为差异程度值正常，光伏组件的实际能效值大于或等于理论能效值；
当所述差异程度值大于第一预设值时，第一判断结果为差异程度值异常，光伏组件的实际能效值显著小于理论能效值。
S3.获取光伏组件的总发电量输出能效值，基于所述总发电量输出能效值判断光伏组件的第二异常情况，得到第二判断结果；其中，第二异常情况为光伏组件的总发电量输出能效值低于光伏组件能效平均值；
在本实施例中，应用3-σ检验法检验光伏组件的第二异常情况。
具体的，当光伏组件的总发电量输出能效值低于μ-3σ时，认为该光伏组件输出的实际能效值远低于组件能效平均值。
其中，光伏组件的总发电量输出能效值为光伏组件根据监测时间发电量计算得到的能效。μ为光伏阵列中所有光伏组件输出的实际能效值的平均值，σ为光伏阵列中所有光伏组件输出的实际能效值的标准差。
如图3所示，图3为3-σ检验法检验示意图。由于正常情况下光伏发电单元中所有组件服从正态分布，根据正态分布的特性，有99.73％的组件能效值落入μ±3σ范围内，若某个光伏组件的总发电量输出能效值超过该范围则说明该组件出现了异常情况。
在本实施例中，所述基于所述总发电量输出能效值判断光伏组件的第二异常情况，包括：所述应用3-σ检验法判断光伏组件的异常情况，输出第二判断结果具体为：
当光伏组件监测时间段内总发电量输出的能效值小于μ-3σ时，第二判断结果为3-σ检验法检验结果异常，光伏组件的监测时间段内总发电量输出的能效值低于光伏组件能效平均值；
当光伏组件监测时间段内总发电量输出的能效值大于或等于μ-3σ时，第二判断结果为3-σ检验法检验结果正常，光伏组件的监测时间段内总发电量输出的能效值正常；
其中，μ为光伏发电单元中所有组件的能效平均值，σ为光伏发电单元中所有组件能效的标准差。
S4.基于第一判断结果以及第二判断结果判断光伏组件的异常工况。
在本实施例中，所述基于第一判断结果以及第二判断结果判断光伏组件的异常工况具体为：
当第一判断结果为差异程度值正常，则光伏组件处于正常工况；
当第一判断结果为差异程度值异常，第二判断结果为3-σ检验法检验结果正常，则光伏组件处于积灰工况或限功率工况；
当第一判断结果为差异程度值异常，第二判断结果为3-σ检验法检验结果异常，则光伏组件处于短路工况、断路工况、碎裂工况、热斑工况或遮挡工况。
当第一判断结果与第二判断结果都为异常，说明该光伏组件能效值低于理论值和平均值，此时应为单个光伏组件异常；而当第一判断结果异常、第二判断结果正常，则说明该组件能效值低于理论值但与平均值相差不大，此时说明光伏阵列受到积灰、限功率等因素影响。
进一步的，由于光伏组件能效值受到天气因素的影响，降雨之后光伏组件能效值上升，扬沙之后光伏组件能效值下降，故选取一天中所有采样时刻的能效差值进行t-检验，选取光伏发电单元中各光伏组件当天的能效值进行3-σ检验。为了更进一步区分光伏组件的异常工况，本发明实施例提供更为详细的判断光伏组件的异常工况如下图4所示。
图4中，通过对光伏组件多个采样点的实际能效值与理论能效值的差值进行统计分析计算得出d值，根据显著性水平0.005得出d值的阈值约为5(即第一预设值)，故当该组件当天的d值大于5时，说明当天的能效显著低于理论值，判定为能效异常，进而进一步根据3-σ检验结果与d值大小对异常工况进行区分，从而指导运维人员开展相应的维护。
考虑到组件在实际运行过程中可能有2到3种工况共同存在的情况，例如热斑与积灰，此时应利用3-σ检验识别出异常组件，再根据其他基准组件的d值与异常组件d值的差值(即Δd)大小来区分异常工况，本文选择同一组串中各组件d值的最小值作为基准组件的d值。
本发明实施例中，所述计算光伏组件多个采样点的实际能效值的计算公式为：
其中，Ps,i为采样点的实际能效值，i为采样点，ΔT为采样周期，Pstc为光伏组件标称功率，Gi为光伏组件正面太阳辐照强度，G0为标准测试条件下的太阳辐照强度。
本发明实施例中，所述计算光伏组件多个采样点的理论能效值的方法，包括：
计算光伏组件的最大输出功率：
根据光伏组件的最大输出功率计算光伏组件的理论能效值；
其中，Tc为组件表面温度，Umref为光伏组件标称电压，Imref为光伏组件标称电流，Tref为标准测试条件下的温度，e为自然对数底数，G为光伏组件正面太阳辐照强度，a为0.0025，b为0.5，c为0.00288。
本发明实施方式还提供一种光伏组件异常识别装置，如图5所示，所述光伏组件异常识别装置包括：监测单元、检验单元、第一判断单元、第二判断单元以及第三判断单元。监测单元用于实时监测光伏组件的运行数据，对监测到的运行数据进行计算，对连续变化的物理量进行采集相当于抽样，进而得到光伏组件的能效差值样本。检验单元用于基于所述能效差值样本对光伏组件的异常情况进行假设检验得到检验统计量，并基于所述检验统计量计算得到光伏组件实际能效值与理论能效值的差异程度值。第一判断单元用于根据所述检验单元计算得到的光伏组件实际能效值与理论能效值的差异程度值判断光伏组件的异常情况得到第一判断结果。第二判断单元，用于获取光伏组件的总发电量输出能效值，基于所述总发电量输出能效值判断光伏组件的第二异常情况，得到第二判断结果；其中，第二异常情况为光伏组件的总发电量输出能效值低于光伏组件能效平均值。第三判断单元，用于基于第一判断结果以及第二判断结果判断光伏组件的异常工况。
所述光伏组件异常识别装置采用如上所述的光伏组件异常识别方法识别异常光伏组件，包括：
实时监测光伏组件的运行数据，对监测到的运行数据进行计算，对连续变化的物理量进行采集相当于抽样，进而得到光伏组件的能效差值样本；
基于所述能效差值样本对光伏组件进行假设检验得到检验统计量，基于所述检验统计量计算光伏组件实际能效值与理论能效值的差异程度值，根据所述差异程度值与显著性水平判断光伏组件的第一异常情况得到第一判断结果；
获取光伏组件的总发电量输出能效值，基于所述总发电量输出能效值判断光伏组件的第二异常情况，得到第二判断结果；其中，第二异常情况为光伏组件的总发电量输出能效值低于光伏发电单元内所有光伏组件的能效平均值；
基于第一判断结果以及第二判断结果判断光伏组件的异常工况。
本发明实施方式还提供一种计算机可读储存介质，存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如上所述的光伏组件异常识别方法。
本发明实施方式还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的光伏组件异常识别方法。
在本实施方式中，还用于对光伏组件进行试验，得出光伏组件的试验结果，以确定光伏组件多类异常情况的判断阈值。在后续的光伏组件异常识别中，通过计算得到的差异程度值d，对应光伏组件的多类异常情况。其中，多类异常情况包括但不限于：遮挡、挡路、碎裂以及积灰。
本实施方式还给出确定光伏组件判断阈值的试验数据，如下：
根据现有光伏电站运行数据进行分析，考虑到电站易受组件积灰的影响，选取显著性水平为0.005，该电站运行11年，老化率取75％，根据实验所得数据统计计算出不同工况下的d值，如表1所示，根据表1结果划分工况区间。
表1.组件在不同工况下的d值
具体的，本实施方式选取某一光伏电站进行光伏组件异常识别试验：
其光伏组件参数如表2所示：
表3.光伏组件参数
其气象数据由电站的气象站收集，组件配备电压、电流、温度传感器，每5分钟将数据收集并传输到后端平台。实验共分为4种，分别为：组件遮挡实验、组件短路和断路实验、组件碎裂和热斑实验、组件积灰实验，其中，遮挡实验包括单子串50％、70％、100％，双子串50％、70％、100％，三子串50％、70％、100％共9种情况，积灰实验包括积灰密度9g/m2、15g/m2、27g/m2共3种情况，各实验步骤如下：
(1)组件遮挡实验：
1.用拖布对组件进行清洁；
2.将纸壳按相应的尺寸、位置覆盖在组件正面，用胶布将其固定；
3.记录组件编号，观察其电压、电流、能效值变化情况；
4.撤去纸壳。
(2)组件短路(断路)实验：
1.用拖布对组件进行清洁；
2.将组件引出线短接(断开)；
3.记录组件编号，观察其电压、电流、能效值变化情况；
4.接线复原。
(3)组件碎裂、热斑实验：
1.选取发生碎裂、热斑的组件，记录组件编号；
2.观察其电压、电流、能效值与其他正常组件的差异；
(4)组件积灰实验步骤如下：
1.用拖布对组件进行清洁；
2.根据不同的积灰密度分别将尘土覆盖在不同组件正面表面；
记录组件编号，观察其电压、电流、能效值变化情况。
组件遮挡、故障实验时间为2023年2月18日-2023年3月8日，组件积灰实验时间为2023年3月16日-2023年3月19日，每天8:00-18:00，各实验皆分为两组，组一用于确定阈值，组二用于验证方法的正确性。由于传感器精度各不相同，剔除辐照度小于100W/m2的数据，组二的实验结果如表3所示。
表3.实验结果
/>
由表3可知，该方法可对组件工况进行简单分类，d值可以较好地反映光伏组件的能效状况，该值并未严格地随着工况的异常程度的加深而增大，其原因可能是受到了外部环境以及组件衰老程度不一致等因素的影响。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (10)

1.一种光伏组件异常识别方法，其特征在于，所述方法包括：
实时监测光伏组件的运行数据，对监测到的运行数据进行计算，对连续变化的物理量进行采集并抽样，得到光伏组件的能效差值样本；
基于所述能效差值样本对光伏组件进行假设检验得到检验统计量，基于所述检验统计量计算光伏组件实际能效值与理论能效值的差异程度值，根据所述差异程度值与显著性水平判断光伏组件的第一异常情况得到第一判断结果；
获取光伏组件的总发电量输出能效值，基于所述总发电量输出能效值判断光伏组件的第二异常情况，得到第二判断结果；其中，第二异常情况为光伏组件的总发电量输出能效值低于光伏发电单元内所有光伏组件的能效平均值；
基于第一判断结果以及第二判断结果判断光伏组件的异常工况。
2.根据权利要求1所述的光伏组件异常识别方法，其特征在于，所述实时监测光伏组件的运行数据，对监测到的运行数据进行计算，对连续变化的物理量进行采集相当于抽样，得到光伏组件的能效差值样本，包括：
获取光伏组件同一系列采样时刻的多个采样点的多类运行数据；
根据所述多个采样点的多类运行数据分别计算光伏组件多个采样点的实际能效值以及理论能效值；
计算光伏组件同一采样点的实际能效值与理论能效值的差值；
将光伏组件当前采样时刻的采样行为看作一次抽样，得到光伏组件的能效差值样本。
3.根据权利要求2所述的光伏组件异常识别方法，其特征在于，所述计算光伏组件多个采样点的实际能效值的计算公式为：
其中Ps,i为采样点的实际能效值，i为采样点，ΔT为采样周期，Pstc为光伏组件标称功率，Gi为光伏组件正面太阳辐照强度，G0为标准测试条件下的太阳辐照强度；
所述计算光伏组件多个采样点的理论能效值的方法，包括：
计算光伏组件的最大输出功率：
根据光伏组件的最大输出功率计算光伏组件的理论能效值；
其中，Tc为组件表面温度，Umref为光伏组件标称电压，Imref为光伏组件标称电流，Tref为标准测试条件下的温度，e为自然对数底数，G为光伏组件正面太阳辐照强度，a、b以及c均为线性回归常数。
4.根据权利要求1所述的光伏组件异常识别方法，其特征在于，所述基于所述能效差值样本对光伏组件进行假设检验得到检验统计量，包括：应用t检验法对光伏组件进行假设检验，获取检验统计量；
所述基于所述检验统计量计算光伏组件实际能效值与理论能效值的差异程度值，包括：
根据检验统计量计算t检验法中原假设成立时抽到该样本或更恶劣的样本的概率P；
根据t检验法中原假设成立时抽到该样本或更恶劣的样本的概率计算光伏组件实际能效值与理论能效值的差异程度值。
5.根据权利要求1所述的光伏组件异常识别方法，其特征在于，所述根据所述差异程度值判断光伏组件的异常情况，输出第一判断结果具体为：
当所述差异程度值小于或等于第一预设值时，第一判断结果为差异程度值正常，光伏组件的实际能效值大于或等于理论能效值；
当所述差异程度值大于第一预设值时，第一判断结果为差异程度值异常，光伏组件的实际能效值小于理论能效值。
6.根据权利要求5所述的光伏组件异常识别方法，其特征在于，所述基于所述总发电量输出能效值判断光伏组件的第二异常情况，包括：应用3-σ检验法判断光伏组件的第二异常情况；
所述基于所述总发电量输出能效值判断光伏组件的第二异常情况，得到第二判断结果具体为：
当光伏组件监测时间段内总发电量输出的能效值小于μ-3σ时，第二判断结果为3-σ检验法检验结果异常，光伏组件的监测时间段内总发电量输出的能效值低于光伏组件能效平均值，该组件能效异常；
当光伏组件监测时间段内总发电量输出的能效值大于或等于μ-3σ时，第二判断结果为3-σ检验法检验结果正常，光伏组件的监测时间段内总发电量输出的能效值正常；
其中，μ为光伏发电单元中所有组件的能效平均值，σ为光伏发电单元中所有组件能效的标准差。
7.根据权利要求6所述的光伏组件异常识别方法，其特征在于，所述基于第一判断结果以及第二判断结果判断光伏组件的异常工况具体为：
当第一判断结果为差异程度值正常，则光伏组件处于正常工况；
当第一判断结果为差异程度值异常，第二判断结果为3-σ检验法检验结果正常，则光伏组件处于积灰工况或限功率工况；
当第一判断结果为差异程度值异常，第二判断结果为3-σ检验法检验结果异常，则光伏组件处于短路工况、断路工况、碎裂工况、热斑工况或遮挡工况。
8.一种光伏组件异常识别装置，其特征在于，包括：
监测单元，用于实时监测光伏组件的运行数据，对监测到的运行数据进行计算，对连续变化的物理量进行采集相当于抽样，进而得到光伏组件的能效差值样本；
检验单元，用于基于所述能效差值样本对光伏组件的异常情况进行假设检验得到检验统计量，并基于所述检验统计量计算得到光伏组件实际能效值与理论能效值的差异程度值；
第一判断单元，用于根据所述检验单元计算得到的光伏组件实际能效值与理论能效值的差异程度值判断光伏组件的异常情况得到第一判断结果；
第二判断单元，用于获取光伏组件的总发电量输出能效值，基于所述总发电量输出能效值判断光伏组件的第二异常情况，得到第二判断结果；其中，第二异常情况为光伏组件的总发电量输出能效值低于光伏组件能效平均值；
第三判断单元，用于基于第一判断结果以及第二判断结果判断光伏组件的异常工况。
9.一种计算机可读储存介质，存储有计算机指令，其特征在于，当所述计算机指令在计算机上运行时，使得计算机执行权利要求1-8中任一项所述的光伏组件异常识别方法。
10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述的光伏组件异常识别方法。
CN202310613282.1A 2023-05-26 2023-05-26 光伏组件异常识别方法及装置、计算机可读储存介质 Pending CN116865672A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310613282.1A CN116865672A (zh) 2023-05-26 2023-05-26 光伏组件异常识别方法及装置、计算机可读储存介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310613282.1A CN116865672A (zh) 2023-05-26 2023-05-26 光伏组件异常识别方法及装置、计算机可读储存介质

Publications (1)

Publication Number Publication Date
CN116865672A true CN116865672A (zh) 2023-10-10

Family

ID=88225688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310613282.1A Pending CN116865672A (zh) 2023-05-26 2023-05-26 光伏组件异常识别方法及装置、计算机可读储存介质

Country Status (1)

Country Link
CN (1) CN116865672A (zh)

Similar Documents

Publication Publication Date Title
CN113783272B (zh) 一种基于超级电容监控管理系统的安全控制方法
CN108630330B (zh) 压水堆核电站仪表系统探测器试验处理方法、装置及系统
CN111579121B (zh) 在线诊断新能源汽车电池包内温度传感器故障的方法
CN115267589B (zh) 一种电动汽车电池故障多参数联合诊断方法
CN112417763A (zh) 输电线路的缺陷诊断方法、装置、设备及存储介质
CN110889441A (zh) 一种基于距离和点密度的变电设备数据异常识别方法
CN115015623B (zh) 一种基于大数据的矿山设备运行安全评价系统
CN112162017A (zh) 一种水污染超标监测方法、装置、系统
CN117408514A (zh) 基于多参数传感器的智能运维变电站监测预警系统及方法
CN116865672A (zh) 光伏组件异常识别方法及装置、计算机可读储存介质
CN116773239A (zh) 一种智能燃气表控制器可靠性寿命预测方法
CN113333304B (zh) 一种基于互联网的环保卷材检测评估分拣系统
CN115616374A (zh) 一种基于机器学习的半导体芯片的测试系统
CN114781165A (zh) 多特征信息融合的电力变压器绕组健康诊断方法
KR20230013423A (ko) 배터리 화재 예방 진단 시스템
CN114564469A (zh) 采集数据的处理方法及系统
CN117035719A (zh) 光伏组件清洗决策方法及系统、计算机可读储存介质
CN113672658A (zh) 基于复相关系数的电力设备在线监测错误数据识别方法
CN104731955A (zh) 风电机组油液监测诊断标准建立及智能诊断方法及系统
CN114814588B (zh) 一种蓄电池容量快速估算方法
CN117937686A (zh) 一种智能电池管理方法及系统
CN117783792B (zh) 基于多参数实时监测的阀侧套管绝缘状态检测方法及系统
CN117411436B (zh) 光伏组件状态检测方法、系统及存储介质
CN116992437A (zh) 一种人工智能的应用软件异常检测系统
CN117054948A (zh) 一种集成电路测试设备稳定性分析方法及系统

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