CN117200693A - 光伏组件故障诊断方法、装置、设备及存储介质 - Google Patents
光伏组件故障诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117200693A CN117200693A CN202310921220.7A CN202310921220A CN117200693A CN 117200693 A CN117200693 A CN 117200693A CN 202310921220 A CN202310921220 A CN 202310921220A CN 117200693 A CN117200693 A CN 117200693A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- fault
- current
- string
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000000540 analysis of variance Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- 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
- Photovoltaic Devices (AREA)
Abstract
本发明提供一种光伏组件故障诊断方法、装置、设备及存储介质，属于光伏组件故障检测技术领域。所述方法包括：获取光伏组件的运行数据；根据运行数据确定光伏组件的当前运行状态；在当前运行状态处于运行异常时，获取光伏组件的图像数据；基于预设识别模型对图像数据进行识别，得到故障结果。本发明通过结合光伏组件的运行数据和图像数据进行综合考量，能够快速、有效发现组件设备故障，提高光伏组件的故障检测效率和故障准确率，以及降低了人力和耗时成本。
Description
技术领域
本发明涉及光伏组件故障检测技术领域，具体地涉及一种光伏组件故障诊断方法、一种光伏组件故障诊断装置、一种电子设备和一种计算机可读存储介质。
背景技术
光伏发电的领域的主要目标之一就是降本增效，而光伏组件的故障往往会造成维修成本的增加和发电效率的降低。
为保证电站的发电量，业主及用户需定期检测运维光伏系统。但通常来讲，光伏发电项目规模越大，电站巡检、维护工作的复杂性也就越强。在对此种类型电站进行检测维护时，以人力为主的传统方式不仅消耗人力资源，更耗费大量时间成本，故障检测效率低。
发明内容
本发明的目的是提供一种光伏组件故障诊断方法、装置、设备及存储介质，解决光伏组件故障检测时存在着耗时成本大、效率低等问题。
为了实现上述目的，一方面，本发明提供一种光伏组件故障诊断方法，所述方法包括：
获取光伏组件的运行数据；
根据运行数据确定光伏组件的当前运行状态；
在当前运行状态处于运行异常时，获取光伏组件的图像数据；
基于预设识别模型对图像数据进行识别，得到故障结果。
优选地，所述运行数据包括：当前组串电流和历史组串电流；
根据运行数据确定光伏组件的当前运行状态，包括：
根据当前组串电流和历史组串电流，确定组串电流标准差和组串电流平均值；
根据组串电流标准差和组串电流平均值，确定组串电流离散率；
根据组串电流离散率，确定光伏组件的当前运行状态。
优选地，根据组串电流离散率，确定光伏组件的当前运行状态，包括：
在组串电流离散率大于预设离散率时，以确定光伏组件的当前运行状态处于运行异常。
优选地，所述图像数据包括：RGB图像和红外图像，所述预设识别模型包括：第一识别单元和第二识别单元；
基于预设识别模型对图像数据进行识别，得到故障结果，包括：
根据红外图像构建光伏组件的温度分布场；
基于第一识别单元，识别温度分布场的第一信息，所述第一信息包括：热斑的数量、位置和面积；
基于热斑的数量、位置和面积，对RGB图像进行裁剪，得到每一热斑对应的RGB区域图像；
基于第二识别单元，对每一RGB区域图像的进行故障识别分类，得到每一热斑的故障结果。
优选地，所述故障结果包括：故障类型、故障位置和故障数量，所述热斑的数量用于表征故障数量，所述热斑的位置用于表征故障位置。优选地，所述第一识别单元包括：聚合模型、方差分析、神经网络、随机森林、隔离森林和贝叶斯中的任意一种；
所述第二识别单元包括：聚合模型、方差分析、神经网络、随机森林、隔离森林和贝叶斯中的任意一种。
优选地，所述故障类型包括：组串外部故障和组串内部故障；
对每一RGB区域图像的进行故障识别分类，包括：
识别每一RGB区域图像是否存在表面故障特征，所述表面故障特征包括：组串遮挡特征和组串损坏特征；
若存在表面故障特征，将该RGB区域图像标记为组串外部故障；若不存在表面故障特征，将该RGB区域图像标记为组串内部故障。
另一方面，本发明还提供一种光伏组件故障诊断装置，所述装置用于实现上述的光伏组件故障诊断方法，所述装置包括：
第一获取模块，用于获取光伏组件的运行数据；
状态确定模块，用于根据运行数据确定光伏组件的当前运行状态；
第二获取模块，用于在当前运行状态处于运行异常时，获取光伏组件的图像数据；
故障识别模块，用于基于预设识别模型对图像数据进行识别，得到故障结果。
另一方面，本发明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上述的光伏组件故障诊断方法。
另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的光伏组件故障诊断方法。
通过上述技术方案，本发明至少具有如下技术效果：
本发明通过结合光伏组件的运行数据和图像数据进行综合考量，能够快速、有效发现组件设备故障，提高光伏组件的故障检测效率和故障准确率，以及降低了人力和耗时成本。
本发明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例的进一步理解，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例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明一种实施方式提供的光伏组件故障诊断方法的流程图；
图2是本发明一种实施方式提供的红外图像构建光伏组件的温度分布场的示意图；
图3是本发明一种实施方式提供的故障诊断报告的示意图；
图4是本发明一种实施方式提供的光伏组件故障诊断装置的框图。
具体实施方式
以下结合附图对本发明实施例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实施例，并不用于限制本发明实施例。
实施例一
图1是本发明一种实施方式提供的光伏组件故障诊断方法的流程图，如图1所示，本实施例提供一种光伏组件故障诊断方法，所述方法包括：
步骤S101：获取光伏组件的运行数据；
在本实施例中，可以在光伏组件上安装数据采集设备，利用数据采集设备来实时检测光伏组件的运行数据，本实施例的运行数据主要包括：发电量、直流电压、直流电流、总直流功率、A-B线电压、B-C线电压、C-A线电压、A相电流、B相电流、C相电流、有功功率、无功功率等数据，通过对上述数据进行清洗、筛选、分类等预处理后，能够判断光伏组件的发电量以及光伏组件的运行状态。
其中，直流电流包括组串电流，利用数据采集设备采集光伏组件的当前组串电流，以及在数据采集设备的历史数据库中获取历史组串电流，本实施例的历史组串电流为光伏组件处于运行正常下的历史数据，随机获取历史数据库中的历史组串电流；在本实施例中，根据运行数据确定光伏组件的当前运行状态，包括：
步骤a01：根据当前组串电流和历史组串电流，确定组串电流标准差和组串电流平均值；
本实施例的组串电流平均值的计算公式为：
式中，Iavg为组串电流平均值，I0为当前组串电流，Ij为第j个历史组串电流，n为历史组串电流的总数量。
本实施例的组串电流标准差的计算公式为：
式中，S为组串电流标准差，n为历史组串电流的总数量。
步骤a02：根据组串电流标准差和组串电流平均值，确定组串电流离散率；
本实施例的组串电流离散率τ的计算公式为：
τ＝S/Iavg*100％；
步骤a03：根据组串电流离散率，确定光伏组件的当前运行状态。
在本实施例中，根据离散率的大小分为四个等级：
第一个等级为：光伏组件支路电流运行稳定，此时离散率的取值范围为：0～5％；
第二个等级为：光伏组件支路电流运行情况良好，此时离散率的取值范围为：5％～10％；
第三个等级为：光伏组件支路电流运行情况有待提高，此时离散率的取值范围为：10％～20％；
第四个等级为：光伏组件支路电流运行情况较差，影响电站发电量，此时离散率超过20％。
步骤S102：根据运行数据确定光伏组件的当前运行状态；
本实施例的组串电流离散率处于第三个等级或者第四个等级时，说明光伏组件处于运行异常，需要对光伏组件故障诊断。
作为本实施例的进一步优化，根据组串电流离散率，确定光伏组件的当前运行状态，包括：
在组串电流离散率大于预设离散率时，即组串电流离散率大于10％时，以确定光伏组件的当前运行状态处于运行异常；
当组串电流离散率小于或等于预设离散率时，即组串电流离散率小于或等于10％时，以确定光伏组件的当前运行状态处于运行正常。
步骤S103：在当前运行状态处于运行异常时，获取光伏组件的图像数据；
本实施例的光伏组件的图像数据包括：RGB图像和红外图像，在本实施例中，利用无人机搭载红外探测器和光学成像镜等器件，按预设的飞行路线和光伏组件故障区域范围，对光伏组件进行巡检，采集光伏组件的RGB图像和红外图像。
步骤S104：基于预设识别模型对图像数据进行识别，得到故障结果。
在本实施例中，预设识别模型包括：第一识别单元和第二识别单元，其中，所述第一识别单元包括：聚合模型、方差分析、神经网络、随机森林、隔离森林和贝叶斯中的任意一种；所述第二识别单元包括：聚合模型、方差分析、神经网络、随机森林、隔离森林和贝叶斯中的任意一种。
作为本实施例的进一步优化，基于预设识别模型对图像数据进行识别，得到故障结果，包括：
步骤b01：根据红外图像构建光伏组件的温度分布场；
步骤b02：基于第一识别单元，识别温度分布场的特征信息，所述特征信息包括：热斑的数量、位置和面积；
由热力学原理可知，一切温度高于绝对零度的物体都在不断地以电磁波的形式向外辐射能量，其中，波长在0.76～1000μm之间的红外光波具有很强的温度效应，其辐射强度遵循斯蒂芬-波尔兹曼定律；利用无人机搭载红外探测器、光学成像物镜等器件接收被测目标的红外辐射能量分布场，并反映到红外探测器的光敏元件上，再由探测器将红外辐射能量转换成电信号，经放大处理并转换为标准视频信号，即可在电视屏或监测器上显示被测目标的温度场，通过拍摄到的图像就可以找出温度异常分布的热点或冷点，由此确定缺陷或泄漏的存在。
将已知的光伏组件按照参数规格录入数据集。(规格主要有250w、255w、260w、270w、275w、305w、310w、315w、320w)将数据集转化为可以应用的模型数据。
已知光电转换是通过光伏效应把太阳辐射能直接转换成电能的过程。这一过程的原理是光子将能量传递给电子使其运动从而形成电流。光电转化效率，即入射单色光子－电子转化效率，定义为单位时间内外电路中产生的电子数Ne与单位时间内的入射单色光子数Np之比。其数学表达式见公式：
IPCE＝1240Isc/(lPin)；
其中，IPCE为电子转化效率，Isc为短路电流(单位为μAcm-2)，l为入射单色光波长(单位为nm)，Pin为光电极受到的光功率密度(单位为Wm-2)。
光伏组件转换效率的计算方法是在照射强度M/cm2：太阳能工作温度25℃±2℃的情况下，最大输出功率除以日照强度乘以太阳能电池板吸收光面积乘以100％。
因此，本实施例的光伏组件的支路电流出现异常后，其温度分布场会发现改变，会出现热斑，如图2所示，通过对温度分布场的热斑进行识别，得到热斑的数量、位置和面积等信息。
步骤b03：基于热斑的数量、位置和面积，对RGB图像进行裁剪，得到每一热斑对应的RGB区域图像；
在得到热斑的数量、位置和面积等信息后，RGB图像和红外图像的尺寸大小是相同，红外图像上热斑的位置坐标，也是RGB图像的位置坐标，两者是一一对应的，因此直接对光伏组件具有热斑的区域的RGB图像进行识别，能提高故障检测的效率。
步骤b04：基于第二识别单元，对每一RGB区域图像的进行故障识别分类，得到每一热斑的故障结果。
在本实施例中，所述故障结果包括：故障类型、故障位置和故障数量，所述热斑的数量用于表征故障数量，所述热斑的位置用于表征故障位置。其中，所述故障类型包括：组串外部故障和组串内部故障；组串外部故障包括：组串损坏(表面具有损坏痕迹)，以及灰尘、雪和附着物、草木遮挡形成的热斑；组串内部故障包括：二极管故障问题、组串整体不发电等。
作为本实施例的进一步优化，对每一RGB区域图像的进行故障识别分类，包括：
步骤c01：识别每一RGB区域图像是否存在表面故障特征，所述表面故障特征包括：组串遮挡特征和组串损坏特征，其中，组串遮挡特征包括：灰尘、雪和附着物、草木遮挡等，组串损坏特征包括：表面具有损坏痕迹；
步骤c02：若存在表面故障特征，将该RGB区域图像标记为组串外部故障；若不存在表面故障特征，将该RGB区域图像标记为组串内部故障。
当若不存在表面故障特征时，则说明该光伏组件属于组串内部故障，告知维护人员进行维修，故障结果中包含有故障位置和故障数量等信息。
当存在表面故障特征时，再对表面故障特征进行再次识别，判断具体的类型。
在本实施例中，在对表面故障特征进行识别前，需要对第二识别单元进行训练，训练过程如下：
将采集的RGB图像自动上传到OCR识别训练集中进行识别，系统优先使用树叶识别模型进行匹配，匹配的熵值达到0.1，系统方认为是树叶遮挡，当匹配的值大于0.1说明匹配失败，系统调用光伏组件损坏数据模型进行匹配，匹配的值达到0.2时，大概率说明是光伏组件损坏，当概率没有达到0.2时，系统继续使用鸟粪模型进行匹配，查看概率是否低于0.2，低于0.2说明是鸟粪的概率大，否则继续使用电线模型进行匹配，核实概率是否低于0.2，如果所有模型都无法匹配的情况下；系统将图像上传到训练集中，并通过人工介入的方式标定当前图像的正确标签。
图像识别训练基于H2o机器学习工具，采用Deep Learning深度学习算法进行取模，并通过批量梯度下降法和边缘概率作为主体训练框架，通过训练得到识别的概率即求熵值，直到熵值达到最优值后，系统将训练的模型导出到识别平台进行模型更新操作，当再次出现类似图片后，系统能精准识别出相应的类型。
本实施例的故障诊断方法通过结合光伏组件的运行数据和图像数据进行综合考量，能够快速、有效发现组件设备故障，提高光伏组件的故障检测效率和故障准确率，以及降低了人力和耗时成本。
作为本实施例的进一步优化，所述方法还包括：
步骤d01：根据故障结果生成故障诊断报告，故障诊断报告如图3所示；故障诊断报告包括：故障类型(缺陷类型)、检测时间、故障位置、故障级别、维护处理方式、处理结果等信息。
步骤d02：根据故障诊断报告制定故障维护计划，对故障诊断报告进行数据提取归纳整合，完成故障的分析，得到故障维护计划，故障维护计划包含有故障导航，通过故障导航，为人员指定维修线路。
作为本实施例的进一步优化，所述方法还包括：故障导航并修复后，进行故障复核，生成复核巡检计划，无人机巡检执行，无人机采集数据分析，无人机采集的数据包括：设备异常编号、位置、故障类型、红外编号、纬度、经度、高温区域温度、背景平均温度；无人机红外图像采集以及设备发电数据采集分析汇总大数据模型算法训练结果，综合评定故障是否已经修复并完成功能故障复核。
实施例二
图4是本发明一种实施方式提供的光伏组件故障诊断装置的框图，如图4所示，基于实施例一同样的发明构思，本实施例还提供一种光伏组件故障诊断装置，所述装置用于实现实施例一的光伏组件故障诊断方法，所述装置包括：
第一获取模块，用于获取光伏组件的运行数据；
状态确定模块，用于根据运行数据确定光伏组件的当前运行状态；
第二获取模块，用于在当前运行状态处于运行异常时，获取光伏组件的图像数据；
故障识别模块，用于基于预设识别模型对图像数据进行识别，得到故障结果。
基于实施例一同样的发明构思，本实施例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上述的光伏组件故障诊断方法。
基于实施例一同样的发明构思，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的光伏组件故障诊断方法。
本实施例的故障诊断装置通过结合光伏组件的运行数据和图像数据进行综合考量，能够快速、有效发现组件设备故障，提高光伏组件的故障检测效率和故障准确率，以及降低了人力和耗时成本。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种光伏组件故障诊断方法，其特征在于，所述方法包括：
获取光伏组件的运行数据；
根据运行数据确定光伏组件的当前运行状态；
在当前运行状态处于运行异常时，获取光伏组件的图像数据；
基于预设识别模型对图像数据进行识别，得到故障结果。
2.根据权利要求1所述的方法，其特征在于，所述运行数据包括：当前组串电流和历史组串电流；
根据运行数据确定光伏组件的当前运行状态，包括：
根据当前组串电流和历史组串电流，确定组串电流标准差和组串电流平均值；
根据组串电流标准差和组串电流平均值，确定组串电流离散率；
根据组串电流离散率，确定光伏组件的当前运行状态。
3.根据权利要求2所述的方法，其特征在于，
根据组串电流离散率，确定光伏组件的当前运行状态，包括：
在组串电流离散率大于预设离散率时，以确定光伏组件的当前运行状态处于运行异常。
4.根据权利要求1所述的方法，其特征在于，所述图像数据包括：RGB图像和红外图像，所述预设识别模型包括：第一识别单元和第二识别单元；
基于预设识别模型对图像数据进行识别，得到故障结果，包括：
根据红外图像构建光伏组件的温度分布场；
基于第一识别单元，识别温度分布场的特征信息，所述特征信息包括：热斑的数量、位置和面积；
基于热斑的数量、位置和面积，对RGB图像进行裁剪，得到每一热斑对应的RGB区域图像；
基于第二识别单元，对每一RGB区域图像的进行故障识别分类，得到每一热斑的故障结果。
5.根据权利要求4所述的方法，其特征在于，所述第一识别单元包括：聚合模型、方差分析、神经网络、随机森林、隔离森林和贝叶斯中的任意一种；
所述第二识别单元包括：聚合模型、方差分析、神经网络、随机森林、隔离森林和贝叶斯中的任意一种。
6.根据权利要求4所述的方法，其特征在于，所述故障结果包括：故障类型、故障位置和故障数量，所述热斑的数量用于表征故障数量，所述热斑的位置用于表征故障位置。
7.根据权利要求6所述的方法，其特征在于，所述故障类型包括：组串外部故障和组串内部故障；
对每一RGB区域图像的进行故障识别分类，包括：
识别每一RGB区域图像是否存在表面故障特征，所述表面故障特征包括：组串遮挡特征和组串损坏特征；
若存在表面故障特征，将该RGB区域图像标记为组串外部故障；若不存在表面故障特征，将该RGB区域图像标记为组串内部故障。
8.一种光伏组件故障诊断装置，所述装置用于实现权利要求1-7中任一项所述的光伏组件故障诊断方法，其特征在于，所述装置包括：
第一获取模块，用于获取光伏组件的运行数据；
状态确定模块，用于根据运行数据确定光伏组件的当前运行状态；
第二获取模块，用于在当前运行状态处于运行异常时，获取光伏组件的图像数据；
故障识别模块，用于基于预设识别模型对图像数据进行识别，得到故障结果。
9.一种电子设备，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1-7中任一项所述的光伏组件故障诊断方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述的光伏组件故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310921220.7A CN117200693A (zh) | 2023-07-25 | 2023-07-25 | 光伏组件故障诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310921220.7A CN117200693A (zh) | 2023-07-25 | 2023-07-25 | 光伏组件故障诊断方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117200693A true CN117200693A (zh) | 2023-12-08 |
Family
ID=89004185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310921220.7A Pending CN117200693A (zh) | 2023-07-25 | 2023-07-25 | 光伏组件故障诊断方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117200693A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117792279A (zh) * | 2024-02-27 | 2024-03-29 | 鑫琪(苏州)新能源科技有限公司 | 基于神经网络的分布式光伏监控系统 |
| CN117792279B (zh) * | 2024-02-27 | 2024-05-17 | 鑫琪(苏州)新能源科技有限公司 | 基于神经网络的分布式光伏监控系统 |
-
2023
- 2023-07-25 CN CN202310921220.7A patent/CN117200693A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117792279A (zh) * | 2024-02-27 | 2024-03-29 | 鑫琪(苏州)新能源科技有限公司 | 基于神经网络的分布式光伏监控系统 |
| CN117792279B (zh) * | 2024-02-27 | 2024-05-17 | 鑫琪(苏州)新能源科技有限公司 | 基于神经网络的分布式光伏监控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pierdicca et al. | Deep convolutional neural network for automatic detection of damaged photovoltaic cells | |
| Aghaei et al. | Innovative automated control system for PV fields inspection and remote control | |
| CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
| Bommes et al. | Computer vision tool for detection, mapping, and fault classification of photovoltaics modules in aerial IR videos | |
| Su et al. | RCAG-Net: Residual channelwise attention gate network for hot spot defect detection of photovoltaic farms | |
| Wang et al. | Intelligent monitoring of photovoltaic panels based on infrared detection | |
| CN109034272A (zh) | 一种输电线路发热部件自动识别方法 | |
| de Oliveira et al. | Automatic fault detection of photovoltaic array by convolutional neural networks during aerial infrared thermography | |
| CN113609901A (zh) | 一种输变电设备故障监测方法及系统 | |
| CN112697798A (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
| Prabhakaran et al. | Deep Learning-Based Model for Defect Detection and Localization on Photovoltaic Panels. | |
| Kurukuru et al. | Machine learning framework for photovoltaic module defect detection with infrared images | |
| Hao et al. | Detection of bird nests on power line patrol using single shot detector | |
| Montanez et al. | Photovoltaic module segmentation and thermal analysis tool from thermal images | |
| Liu et al. | Fault diagnosis method of substation equipment based on You Only Look Once algorithm and infrared imaging | |
| Lu et al. | Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion. | |
| CN117200693A (zh) | 光伏组件故障诊断方法、装置、设备及存储介质 | |
| Kim et al. | Automatic detection of malfunctioning photovoltaic modules using unmanned aerial vehicle thermal infrared images | |
| CN115833747A (zh) | 基于最大功率点追踪的光伏老化检测方法及装置 | |
| Otamendi et al. | A scalable framework for annotating photovoltaic cell defects in electroluminescence images | |
| Jadin et al. | Hotspot detection in photovoltaic array using thermal imaging method | |
| Michail et al. | A comprehensive review of unmanned aerial vehicle-based approaches to support photovoltaic plant diagnosis | |
| Tang et al. | Fault diagnosis of the external insulation infrared images based on Mask Region convolutional neural network and perceptual hash joint algorithm | |
| Prabhakaran et al. | Defect analysis of faulty regions in photovoltaic panels using deep learning method | |
| Ishak et al. | Hotspot Detection of Solar Photovoltaic System: A Perspective from Image Processing |
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 |