CN117176079B - 一种光伏组件信息管理系统 - Google Patents
一种光伏组件信息管理系统 Download PDFInfo
- Publication number
- CN117176079B CN117176079B CN202311442789.1A CN202311442789A CN117176079B CN 117176079 B CN117176079 B CN 117176079B CN 202311442789 A CN202311442789 A CN 202311442789A CN 117176079 B CN117176079 B CN 117176079B
- Authority
- CN
- China
- Prior art keywords
- module
- data
- photovoltaic
- photovoltaic module
- energy
- 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
- 230000015556 catabolic process Effects 0.000 claims abstract description 38
- 238000006731 degradation reaction Methods 0.000 claims abstract description 38
- 230000036541 health Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000008439 repair process Effects 0.000 claims abstract description 33
- 238000004146 energy storage Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 17
- 230000003862 health status Effects 0.000 claims abstract description 16
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 238000007726 management method Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000004092 self-diagnosis Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013021 overheating Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000013211 curve analysis Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010223 real-time analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 3
- 230000035882 stress Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013082 photovoltaic technology Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012029 structural testing Methods 0.000 description 1
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明涉及光伏管理技术领域,具体涉及一种光伏组件信息管理系统,包括:数据收集单元:配备有多个传感器,从光伏组件实时收集工作参数和环境数据;光伏健康监测模块:使用传感器数据分析并评估光伏组件的健康状态和预期寿命;能源存储与调配模块:当系统产生的能量超过需求时,剩余能量被存储,在能源需求高峰期或阳光不足时,存储的能量重新调用;处理单元:与数据收集单元通信,并配置有数据分析工具;自我修复模块:用于检测光伏组件的小故障或性能下降;控制单元。本发明,能自动地检测故障、执行修复和管理能源,因此可以大大减少手动检查和维护的需求,从而降低运维成本。
Description
技术领域
本发明涉及光伏管理技术领域,尤其涉及一种光伏组件信息管理系统。
背景技术
光伏(PV)技术作为一种可持续和环保的能源解决方案,在全球范围内得到了广泛的应用。然而,光伏系统的运行和维护面临多个挑战。例如,光伏组件可能会受到各种环境因素(如温度、湿度、紫外线等)的影响,从而导致性能下降或故障。此外,随着光伏系统规模的增大,手动检查和维护的成本和复杂性也在增加。
传统的光伏信息管理系统通常侧重于基础的数据监控和故障警报,但这些系统通常缺乏先进的故障检测、预测和自我修复能力。更具体地说,这些系统通常没有利用先进的数据分析和机器学习算法来预测故障或估算组件的健康状态和预期寿命。它们也没有自适应地调整修复策略,以应对不同的环境条件和组件状态。
此外,现有系统大多数没有集成能源存储和调配功能,这限制了系统对于波动性和间歇性能源供应的有效管理。这些系统也没有针对数据量大、数据种类多、故障类型复杂等问题提供有效的解决方案。
因此,有必要开发一个更先进、更智能的光伏组件信息管理系统,该系统不仅能准确地检测和预测组件故障,而且还能自动地修复故障和优化修复策略。该系统还需要能够灵活地管理和调配存储在能量存储单元中的能源,以增加系统的整体效率和可靠性。
总体来说,由于上述的一系列技术缺陷和挑战,现有的光伏信息管理系统无法完全满足日益增长的需求和复杂的应用场景,因此,需要一个具有高度创新性和实用性的新型光伏组件信息管理系统,以解决这些问题。
发明内容
基于上述目的,本发明提供了一种光伏组件信息管理系统。
一种光伏组件信息管理系统,包括:
数据收集单元:配备有多个传感器,从光伏组件实时收集工作参数和环境数据;
光伏健康监测模块:使用传感器数据分析并评估光伏组件的健康状态和预期寿命;
能源存储与调配模块:当系统产生的能量超过需求时,剩余能量被存储,在能源需求高峰期或阳光不足时,存储的能量重新调用;
处理单元:与数据收集单元通信,并配置有数据分析工具,对收集到的数据进行分析,以识别潜在的性能下降和问题;
自我修复模块:用于检测光伏组件的小故障或性能下降,该模块通过调整参数或重新配置系统来自动修复问题,避免了手动干预和长时间停机;
控制单元:根据处理单元和光伏健康监测模块的分析结果,自动调整光伏组件的工作参数以优化性能。
进一步的,所述传感器包括电流传感器、温度传感器和光照强度传感器、机械应力传感器。
进一步的,所述光伏健康监测模块包括数据的分析与评估,具体如下:
功率-电压(P-V)曲线分析:通过电流和电压数据生成P-V曲线,对曲线进行分析以识别潜在的性能下降或组件损害;
温度分布分析:温度传感器提供的数据用于生成光伏组件的温度分布图,以便识别局部热点或过热问题;
光照-性能关系分析:根据光照强度和功率输出数据,建立光照-性能模型,用于评估组件在不同环境条件下的性能;
机械应力与寿命关系:长期收集的机械应力数据与历史性能数据进行关联分析,以估算组件的预期寿命和维护需求;
健康状态评级:根据以上分析,对光伏组件进行综合健康评级,从优秀到差分多个等级,作为后续维护或更换的参考;
还包括预期寿命预测,具体如下:
退化速率计算:通过长期监测,计算光伏组件性能的退化速率;
寿命预测模型:结合退化速率和其他健康指标,建立寿命预测模型。
进一步的,所述退化速率计算具体如下:退化速率的计算基于多年的实际输出功率数据,公式如下:/>,其中,/>:光伏组件初次安装时的输出功率;/>:经过/>年后的输出功率;/>:经过的年数;/>:年度性能退化速率(百分比)。
进一步的,所述寿命预测模型具体如下:
预测光伏组件的预期寿命涉及多个变量,包括年度性能退化速率/>、初始健康状态评级/>、以及环境因素评级/>,寿命预测模型公式如下:
;其中,/>:当输出功率降到这个阈值以下时,认定光伏组件达到了其寿命末期,设为初始功率的/>;/>:初始健康状态评级;/>:环境因素评级;/>:年度性能退化速率;/>:预期寿命(年)。
进一步的,所述能源存储与调配模块具体包括:
电池管理子模块:负责管理连接到系统的可再充电电池,电池管理子模块根据电池的健康状况和充电状态动态调整充电和放电参数;
峰谷电价适应算法:能源存储与调配模块具备实时监测电价变化的能力,能在电价低谷时储存能量,并在电价高峰时释放能量;
需求侧响应:该模块通过与智能电网系统的通信接口,响应电网中的需求变化,在电网负载高峰时减少电力输出,或在电网负载低谷时增加电力输出;
微电网集成:能源存储与调配模块具有与本地微电网的集成能力,允许光伏组件信息管理系统与微电网共享存储能量;
紧急备用能量储备:能源存储与调配模块总是保留的储备能量,以应对突发情况或紧急状态。
进一步的,所述处理单元具体包括:
实时数据处理与分析:处理单元实时接收来自各种传感器和子模块的数据,并进行即时的数据清洗、分析和解释;
指令生成与分发:基于实时分析结果,处理单元生成相应的操作指令,包括调整充电参数、发起需求侧响应或更改储能优先级,并将该操作指令分发给相应的执行模块;
用户交互接口:处理单元提供用户交互界面,允许用户或系统管理员实时查看系统状态、修改设置或手动执行操作;
自我诊断与故障恢复:处理单元具备自我诊断能力,能在出现问题或故障时自动进行诊断,并尝试执行恢复或重启操作;
能量效率优化:通过与能源存储与调配模块和光伏健康监测模块的紧密集成,处理单元优化整个系统的能量效率。
进一步的,所述自我修复模块具体包括:
故障检测与分类:采用故障检测算法,能够在系统中出现不同类型的故障时,自动进行故障识别和分类;
即时决策引擎:在检测到故障后,该模块通过即时决策引擎,能自动决定采取何种修复策略;
自适应修复策略库:模块内部储存有自适应修复策略库,自适应修复策略库基于历史数据不断优化,以应对各种未预见的故障情况;
预修复动作:在系统运行期间,该模块根据光伏组件的健康数据预测即将发生的故障,并提前执行预修复动作,延长组件寿命;
模块级修复:自我修复模块支持模块级别的自我修复;
人机交互界面与提示:当故障发生并被自动修复后,该模块会通过处理单元发送通知给用户或系统管理员,并提供修复报告和未来预防建议;
远程控制与修复:该模块支持远程控制,允许用户或系统管理员在远程进行故障诊断和修复。
进一步的,所述故障检测算法具体包括:
多元传感器数据融合:该算法同步处理多种传感器的数据,综合分析以准确识别可自动修复故障;
时间序列分析:用表示在时间/>的电压或电流读数,计算滑动平均:
,其中/>是滑动窗口大小,然后,计算标准偏差:,指标用于识别数据中的异常波动;
频域特征提取:使用傅里叶变换将时间域信号转换到频域/>:
,高频组件的存在表示电气故障,异常检测与阈值设置:设/>为阈值,如果/>或/>,则标记为潜在故障:
其中,和/>是正常运行条件下的平均值和标准偏差,/>和/>是调整因子;
基于机器学习的分类器,使用支持向量机模型,基于提取的特征进行分类,模型周期性地用新数据进行训练和更新。
本发明的有益效果:
本发明,该系统内置的自适应修复策略库能够在检测到故障后,自动选择并执行最优的修复策略。这一点不仅减少了人工干预的需要,也提高了修复效率和成功率,由于该系统能自动地检测故障、执行修复和管理能源,因此可以大大减少手动检查和维护的需求,从而降低运维成本。
本发明,通过能源存储与调配模块,该系统能够有效地管理存储和使用电能,以适应不同的环境条件和电网需求,这大大提高了系统的整体能效。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明,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为本发明实施例的管理系统模块示意图;
图2为本发明实施例的光伏健康监测模块示意图;
图3为本发明实施例的自我修复模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1-图3所示,一种光伏组件信息管理系统,包括:
数据收集单元:配备有多个传感器,从光伏组件实时收集工作参数和环境数据;
光伏健康监测模块:使用传感器数据分析并评估光伏组件的健康状态和预期寿命,例如,通过对长时间内的温度和电流波动数据进行分析,可以预测电缆老化或损坏的可能性;
能源存储与调配模块:当系统产生的能量超过需求时,剩余能量被存储,在能源需求高峰期或阳光不足时,存储的能量重新调用;
处理单元:与数据收集单元通信,并配置有数据分析工具,对收集到的数据进行分析,以识别潜在的性能下降和问题;
自我修复模块:用于检测光伏组件的小故障或性能下降,该模块通过调整参数或重新配置系统来自动修复问题,避免了手动干预和长时间停机;
控制单元:根据处理单元和光伏健康监测模块的分析结果,自动调整光伏组件的工作参数以优化性能;
其中,自我修复模块包括了与各光伏组件的电子控制器通信的能力,以实施细粒度的控制和调整。
进一步的,所述传感器包括电流传感器、温度传感器和光照强度传感器、机械应力传感器;
传感器数据:
电流和电压传感器:用于测量光伏组件的输出电流和电压,数据用于评估组件的实时性能和功率输出;
温度传感器:用于测量光伏组件和电池的表面温度,数据用于评估可能出现的过热问题或热点效应;
光照强度传感器:用于测量环境光照强度,数据用于判断光伏组件是否处于其最佳工作状态;
机械应力传感器:用于测量组件结构上的机械应力,如风压和雪负荷,数据用于评估结构健康状况。
进一步的,所述光伏健康监测模块包括数据的分析与评估,具体如下:
功率-电压(P-V)曲线分析:通过电流和电压数据生成P-V曲线,对曲线进行分析以识别潜在的性能下降或组件损害;
温度分布分析:温度传感器提供的数据用于生成光伏组件的温度分布图,以便识别局部热点或过热问题;
光照-性能关系分析:根据光照强度和功率输出数据,建立光照-性能模型,用于评估组件在不同环境条件下的性能;
机械应力与寿命关系:长期收集的机械应力数据与历史性能数据进行关联分析,以估算组件的预期寿命和可能的维护需求;
健康状态评级:根据以上分析,对光伏组件进行综合健康评级,从优秀到差分多个等级,作为后续维护或更换的参考;
还包括预期寿命预测,具体如下:
退化速率计算:通过长期监测,计算光伏组件性能的退化速率;
寿命预测模型:结合退化速率和其他健康指标,建立寿命预测模型;
通过这些高级数据分析和评估工具,光伏健康监测模块能够准确地评估光伏组件的当前健康状况和预期寿命,从而使维护团队能够更有效地进行预测性维护和更换计划,这不仅可以延长光伏组件的使用寿命,还可以降低维护成本和提高整体系统的可靠性和效率。
进一步的,所述退化速率计算具体如下:
退化速率的计算基于多年的实际输出功率数据,公式如下:
,其中,/>:光伏组件初次安装时的输出功率;/>:经过/>年后的输出功率;/>:经过的年数;/>:年度性能退化速率(百分比)。
进一步的,所述寿命预测模型具体如下:
预测光伏组件的预期寿命涉及多个变量,包括年度性能退化速率/>、初始健康状态评级/>(数值范围从1到5,1最差,5最好)、以及环境因素评级/>(数值范围从1到5,1最差,5最好),寿命预测模型公式如下:/>,其中,/>:当输出功率降到这个阈值以下时,认定光伏组件达到了其寿命末期,设为初始功率的/>;/>:初始健康状态评级;/>:环境因素评级;/>:年度性能退化速率;/>:预期寿命(年)。
解释:退化速率:衡量组件每年性能下降的百分比,直接影响组件寿命;
初始健康状态评级:基于初次安装后的性能和结构测试,为组件提供一个健康评级,评级越高,预期寿命通常越长;环境因素评级/>:考虑组件工作环境的恶劣程度,包括温度、湿度、风速,环境条件越好,组件的预期寿命通常越长。
进一步的,所述能源存储与调配模块具体包括:电池管理子模块:负责管理连接到系统的可再充电电池,电池管理子模块根据电池的健康状况和充电状态动态调整充电和放电参数;峰谷电价适应算法:能源存储与调配模块具备实时监测电价变化的能力,能在电价低谷时储存能量,并在电价高峰时释放能量;需求侧响应:该模块通过与智能电网系统的通信接口,响应电网中的需求变化,在电网负载高峰时减少电力输出,或在电网负载低谷时增加电力输出;微电网集成:能源存储与调配模块具有与本地微电网的集成能力,允许光伏组件信息管理系统在必要时与微电网共享存储能量;紧急备用能量储备:能源存储与调配模块总是保留的储备能量,以应对突发情况或紧急状态。
该能源存储与调配模块综合考虑了多个方面,包括电池健康、电价、电网需求、以及用户需求和环境因素,从而实现了高效和可持续的能量管理。其具备自适应和智能决策能力,能够在不同应用场景和需求下,提供灵活而高效的能源存储和调配解决方案。该模块与光伏健康监测模块、处理单元和控制单元等其他模块紧密集成,实现了系统性能和效率的全面优化。
进一步的,所述处理单元具体包括:
实时数据处理与分析:处理单元实时接收来自各种传感器和子模块(如电流和电压传感器、温度传感器等)的数据,并进行即时的数据清洗、分析和解释;
指令生成与分发:基于实时分析结果,处理单元生成相应的操作指令,如调整充电参数、发起需求侧响应或更改储能优先级等,并将这些指令分发给相应的执行模块;
用户交互接口:处理单元提供用户交互界面,允许用户或系统管理员实时查看系统状态、修改设置或手动执行操作;
自我诊断与故障恢复:处理单元具备自我诊断能力,能在出现问题或故障时自动进行诊断,并尝试执行恢复或重启操作;
能量效率优化:通过与能源存储与调配模块和光伏健康监测模块的紧密集成,处理单元优化整个系统的能量效率;
通过这些高级特点和功能,处理单元不仅能够实现系统内部各个模块之间的高效协同工作,还能提供强大的数据处理和决策支持能力。这极大地提高了光伏组件信息管理系统的整体性能、可靠性和用户体验,同时也便于系统的维护和升级。
进一步的,所述自我修复模块具体包括:
故障检测与分类:采用故障检测算法,能够在系统中出现不同类型的故障(如电路故障、组件退化、电池失效等)时,自动进行故障识别和分类;
即时决策引擎:在检测到故障后,该模块通过即时决策引擎,能自动决定采取何种修复策略,例如是否需进行模块重启、参数调整或切换到备用电路;
自适应修复策略库:模块内部储存有自适应修复策略库,自适应修复策略库基于历史数据不断优化,以应对各种未预见的故障情况;
预修复动作:在系统运行期间,该模块根据光伏组件的健康数据预测即将发生的故障,并提前执行预修复动作,延长组件寿命;
模块级修复:自我修复模块支持模块级别的自我修复,这意味着在检测到某个特定模块(例如一个电池或一个逆变器)发生故障时,只修复有问题的模块,而不影响整个系统;
人机交互界面与提示:当故障发生并被自动修复后,该模块会通过处理单元发送通知给用户或系统管理员,并提供修复报告和未来预防建议;
远程控制与修复:该模块支持远程控制,允许用户或系统管理员在远程进行故障诊断和修复。
通过这些特点和功能,自我修复模块不仅大大提高了光伏组件信息管理系统的可靠性和效率,也减少了维护和运营的总成本。该模块的存在和功能是本发明的重要创新点,它通过先进的算法、自适应修复策略和人机交互,成功解决了光伏组件管理中长期存在的可靠性和维护问题。
进一步的,所述故障检测算法具体包括:
多元传感器数据融合:该算法同步处理多种传感器的数据,综合分析以准确识别可自动修复故障。
时间序列分析:用表示在时间/>的电压或电流读数,计算滑动平均:
,其中/>是滑动窗口大小,然后,计算标准偏差:
,指标用于识别数据中的异常波动;频域特征提取:使用傅里叶变换将时间域信号/>转换到频域/>:
,高频组件的存在表示电气故障,异常检测与阈值设置:设/>为阈值,如果/>或/>,则标记为潜在故障:
其中,和/>是正常运行条件下的平均值和标准偏差,/>和/>是调整因子,基于机器学习的分类器,使用支持向量机模型,基于提取的特征进行分类,模型周期性地用新数据进行训练和更新。
通过这些先进的技术和方法,故障检测算法能有效地识别出光伏组件中的小故障,即使这些故障在传统方法下可能难以检测。这不仅提高了系统的可靠性,也有助于提前预防更严重的故障,从而延长光伏组件的有效使用寿命。这一特定的故障检测算法是自我修复模块和整个光伏组件信息管理系统的关键组成部分。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、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 (4)
1.一种光伏组件信息管理系统,其特征在于,包括:
数据收集单元:配备有多个传感器,从光伏组件实时收集工作参数和环境数据;
光伏健康监测模块:使用传感器数据分析并评估光伏组件的健康状态和预期寿命,所述光伏健康监测模块包括数据的分析与评估,具体如下:
功率-电压曲线分析:通过电流和电压数据生成P-V曲线,对曲线进行分析以识别潜在的性能下降或组件损害;
温度分布分析:温度传感器提供的数据用于生成光伏组件的温度分布图,以便识别局部热点或过热问题;
光照-性能关系分析:根据光照强度和功率输出数据,建立光照-性能模型,用于评估组件在不同环境条件下的性能;
机械应力与寿命关系:长期收集的机械应力数据与历史性能数据进行关联分析,以估算组件的预期寿命和维护需求;
健康状态评级:根据以上分析,对光伏组件进行综合健康评级,从优秀到差分多个等级,作为后续维护或更换的参考;
还包括预期寿命预测,具体如下:
退化速率计算:通过长期监测,计算光伏组件性能的退化速率,所述退化速率计算具体如下:
退化速率的计算基于多年的实际输出功率数据,公式如下:
;
其中,:光伏组件初次安装时的输出功率;/>:经过/>年后的输出功率;:经过的年数;/>:年度性能退化速率;
寿命预测模型:结合退化速率和其他健康指标,建立寿命预测模型,所述寿命预测模型具体如下:
预测光伏组件的预期寿命涉及多个变量,包括年度性能退化速率/>、初始健康状态评级/>、以及环境因素评级/>;
寿命预测模型公式如下:
;
其中,:当输出功率降到这个阈值以下时,认定光伏组件达到了其寿命末期,设为初始功率的/>;/>:初始健康状态评级;/>:环境因素评级;/>:年度性能退化速率;/>:预期寿命;
能源存储与调配模块:当系统产生的能量超过需求时,剩余能量被存储,在能源需求高峰期或阳光不足时,存储的能量重新调用;
处理单元:与数据收集单元通信,并配置有数据分析工具,对收集到的数据进行分析,以识别潜在的性能下降和问题;
自我修复模块:用于检测光伏组件的小故障或性能下降,该模块通过调整参数或重新配置系统来自动修复问题,避免了手动干预和长时间停机,所述自我修复模块具体包括:
故障检测与分类:采用故障检测算法,能够在系统中出现不同类型的故障时,自动进行故障识别和分类;
即时决策引擎:在检测到故障后,该模块通过即时决策引擎,能自动决定采取何种修复策略;
自适应修复策略库:模块内部储存有自适应修复策略库,自适应修复策略库基于历史数据不断优化,以应对各种未预见的故障情况;
预修复动作:在系统运行期间,该模块根据光伏组件的健康数据预测即将发生的故障,并提前执行预修复动作,延长组件寿命;
模块级修复:自我修复模块支持模块级别的自我修复;
人机交互界面与提示:当故障发生并被自动修复后,该模块会通过处理单元发送通知给用户或系统管理员,并提供修复报告和未来预防建议;
远程控制与修复:该模块支持远程控制,允许用户或系统管理员在远程进行故障诊断和修复;
所述故障检测算法具体包括:
多元传感器数据融合:该算法同步处理多种传感器的数据,综合分析以准确识别可自动修复故障;
时间序列分析:
用表示在时间/>的电压或电流读数,计算滑动平均:
;
其中是滑动窗口大小,
然后,计算标准偏差:
;
指标用于识别数据中的异常波动;
频域特征提取:
使用傅里叶变换将时间域信号转换到频域/>:
;
高频组件的存在表示电气故障;
异常检测与阈值设置:
设为阈值,如果/>或/>,则标记为潜在故障:
其中,和/>是正常运行条件下的平均值和标准偏差,/>和/>是调整因子;
基于机器学习的分类器,使用支持向量机模型,基于提取的特征进行分类,模型周期性地用新数据进行训练和更新;
控制单元:根据处理单元和光伏健康监测模块的分析结果,自动调整光伏组件的工作参数以优化性能。
2.根据权利要求1所述的一种光伏组件信息管理系统,其特征在于,所述传感器包括电流传感器、温度传感器和光照强度传感器、机械应力传感器。
3.根据权利要求1所述的一种光伏组件信息管理系统,其特征在于,所述能源存储与调配模块具体包括:
电池管理子模块:负责管理连接到系统的可再充电电池,电池管理子模块根据电池的健康状况和充电状态动态调整充电和放电参数;
峰谷电价适应算法:能源存储与调配模块具备实时监测电价变化的能力,能在电价低谷时储存能量,并在电价高峰时释放能量;
需求侧响应:该模块通过与智能电网系统的通信接口,响应电网中的需求变化,在电网负载高峰时减少电力输出,或在电网负载低谷时增加电力输出;
微电网集成:能源存储与调配模块具有与本地微电网的集成能力,允许光伏组件信息管理系统与微电网共享存储能量;
紧急备用能量储备:能源存储与调配模块总是保留的储备能量,以应对突发情况或紧急状态。
4.根据权利要求1所述的一种光伏组件信息管理系统,其特征在于,所述处理单元具体包括:
实时数据处理与分析:处理单元实时接收来自各种传感器和子模块的数据,并进行即时的数据清洗、分析和解释;
指令生成与分发:基于实时分析结果,处理单元生成相应的操作指令,包括调整充电参数、发起需求侧响应或更改储能优先级,并将该操作指令分发给相应的执行模块;
用户交互接口:处理单元提供用户交互界面,允许用户或系统管理员实时查看系统状态、修改设置或手动执行操作;
自我诊断与故障恢复:处理单元具备自我诊断能力,能在出现问题或故障时自动进行诊断,并尝试执行恢复或重启操作;
能量效率优化:通过与能源存储与调配模块和光伏健康监测模块的紧密集成,处理单元优化整个系统的能量效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311442789.1A CN117176079B (zh) | 2023-11-02 | 2023-11-02 | 一种光伏组件信息管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311442789.1A CN117176079B (zh) | 2023-11-02 | 2023-11-02 | 一种光伏组件信息管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117176079A CN117176079A (zh) | 2023-12-05 |
CN117176079B true CN117176079B (zh) | 2024-02-06 |
Family
ID=88937806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311442789.1A Active CN117176079B (zh) | 2023-11-02 | 2023-11-02 | 一种光伏组件信息管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117176079B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117578534B (zh) * | 2024-01-17 | 2024-05-07 | 深圳市名洋能源科技有限公司 | 光伏储能系统的调度方法、装置、设备及存储介质 |
CN117710152B (zh) * | 2024-02-02 | 2024-05-28 | 山东鑫光节能科技有限公司 | 一种基于聚类集成分析的光伏设备运行管理系统 |
CN117879062A (zh) * | 2024-03-12 | 2024-04-12 | 广州三晶电气股份有限公司 | 用电调度方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105743126A (zh) * | 2016-04-14 | 2016-07-06 | 华南理工大学 | 一种实现负荷管理的微电网能量管理系统 |
US9939485B1 (en) * | 2012-11-14 | 2018-04-10 | National Technology & Engineering Solutions Of Sandia, Llc | Prognostics and health management of photovoltaic systems |
CN109997025A (zh) * | 2016-11-29 | 2019-07-09 | Sts国防有限公司 | 引擎健康诊断装置和方法 |
EP3840158A1 (fr) * | 2019-12-20 | 2021-06-23 | Sagemcom Energy & Telecom SAS | Procédé de délestage de sorties d'une installation de production d'énergie électrique |
KR20210131603A (ko) * | 2020-04-24 | 2021-11-03 | 주식회사 티엔이테크 | 태양광 발전 어레이의 pid 복구장치 |
CN113947223A (zh) * | 2021-10-27 | 2022-01-18 | 新疆粤水电能源有限公司 | 一种智能化设备健康管理系统及方法 |
CN115310653A (zh) * | 2022-05-31 | 2022-11-08 | 河海大学常州校区 | 基于性能退化数据的光伏阵列剩余寿命预测方法 |
WO2023063622A1 (ko) * | 2021-10-14 | 2023-04-20 | 박기주 | 디지털 트윈을 기반으로 한 태양광 발전 시스템의 운영 유지 보수 관리 플랫폼 서비스 제공 장치 및 이를 이용한 태양광 발전 시스템의 운영유지보수 방법 |
CN116756505A (zh) * | 2023-06-07 | 2023-09-15 | 上海正泰电源系统有限公司 | 一种基于大数据的光伏设备智能管理系统及方法 |
-
2023
- 2023-11-02 CN CN202311442789.1A patent/CN117176079B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9939485B1 (en) * | 2012-11-14 | 2018-04-10 | National Technology & Engineering Solutions Of Sandia, Llc | Prognostics and health management of photovoltaic systems |
CN105743126A (zh) * | 2016-04-14 | 2016-07-06 | 华南理工大学 | 一种实现负荷管理的微电网能量管理系统 |
CN109997025A (zh) * | 2016-11-29 | 2019-07-09 | Sts国防有限公司 | 引擎健康诊断装置和方法 |
EP3840158A1 (fr) * | 2019-12-20 | 2021-06-23 | Sagemcom Energy & Telecom SAS | Procédé de délestage de sorties d'une installation de production d'énergie électrique |
KR20210131603A (ko) * | 2020-04-24 | 2021-11-03 | 주식회사 티엔이테크 | 태양광 발전 어레이의 pid 복구장치 |
WO2023063622A1 (ko) * | 2021-10-14 | 2023-04-20 | 박기주 | 디지털 트윈을 기반으로 한 태양광 발전 시스템의 운영 유지 보수 관리 플랫폼 서비스 제공 장치 및 이를 이용한 태양광 발전 시스템의 운영유지보수 방법 |
CN113947223A (zh) * | 2021-10-27 | 2022-01-18 | 新疆粤水电能源有限公司 | 一种智能化设备健康管理系统及方法 |
CN115310653A (zh) * | 2022-05-31 | 2022-11-08 | 河海大学常州校区 | 基于性能退化数据的光伏阵列剩余寿命预测方法 |
CN116756505A (zh) * | 2023-06-07 | 2023-09-15 | 上海正泰电源系统有限公司 | 一种基于大数据的光伏设备智能管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117176079A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117176079B (zh) | 一种光伏组件信息管理系统 | |
de Andrade Vieira et al. | Failure risk indicators for a maintenance model based on observable life of industrial components with an application to wind turbines | |
CN116722249A (zh) | 一种电池热失控预警保护系统及其保护方法 | |
KR102190845B1 (ko) | Ai기반 건물 전력부하 예측을 통한 연료전지 발전시스템 운전제어방법 | |
CN117713221B (zh) | 一种微逆光伏并网优化系统 | |
KR102268033B1 (ko) | 안전기능이 강화된 pv-ess 통합솔루션시스템 | |
KR102194271B1 (ko) | 모델 기반의 태양광발전 통합 관리 시스템 및 방법 | |
CN117454093A (zh) | 一种智能电源模块管理方法及系统 | |
CN116885766A (zh) | 一种分布式电源并网运行的控制方法及系统 | |
CN117175655A (zh) | 一种分布式新能源电力系统的蓄能控制方法及系统 | |
Ding et al. | Maintenance modeling and optimization for wind turbine systems: A review | |
CN117614136A (zh) | 一种新能源发电站的监控故障管理方法及系统 | |
KR102169040B1 (ko) | 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 | |
Tefera et al. | Recurrent neural network-based base transceiver station power supply system failure prediction | |
CN117394412A (zh) | 一种电网储能系统的调度控制系统及方法 | |
KR102228512B1 (ko) | 머신러닝을 이용한 태양광 발전설비의 고장 및 접속함 화재 감시기능과 원격제어기능을 구비한 태양광 발전장치 | |
KR102411915B1 (ko) | 시설 및 장비 실시간 모니터링 및 이상 징후 ai 진단 서비스 제공 시스템 및 방법 | |
CN103033733A (zh) | 光伏阵列中需要维护光伏模块的检测系统及其检测方法 | |
Livera et al. | Cloud-based decision support system for operation and maintenance in photovoltaic systems | |
CN118100161A (zh) | 寒地风光热综合能源智能监测与预警系统 | |
US20240079895A1 (en) | Battery performance monitoring and optimization | |
US20240210479A1 (en) | Battery performance monitoring and optimization using unsupervised clustering | |
KR102422891B1 (ko) | Ai기반 우선순위 제어기능을 구비한 일체형 태양광 온수 및 배터리 충전장치 및 이를 이용한 충전 방법 | |
KR102424064B1 (ko) | 태양광 에코모듈 운영관리시스템 | |
Thakur et al. | Efficient Fault Detection in Renewable Energy Systems through IoT and Isolation Forest Algorithm |
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 |