CN117411436A - 光伏组件状态检测方法、系统及存储介质 - Google Patents
光伏组件状态检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117411436A CN117411436A CN202311731720.0A CN202311731720A CN117411436A CN 117411436 A CN117411436 A CN 117411436A CN 202311731720 A CN202311731720 A CN 202311731720A CN 117411436 A CN117411436 A CN 117411436A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- state parameter
- actual
- state
- irradiation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000003860 storage Methods 0.000 title abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 28
- 238000005286 illumination Methods 0.000 claims description 28
- 238000004140 cleaning Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000002441 reversible effect Effects 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Photovoltaic Devices (AREA)
Abstract
本申请公开了光伏组件状态检测方法、系统及存储介质,方法包括如下步骤:获取历史光伏组件状态参数数据、与历史光伏组件状态参数数据对应的历史辐照强度数据,按时间序列对历史辐照强度数据进行辐照区间划分;利用密度聚类对历史光伏组件状态参数数据进行划分,获得状态参数阈值区间;根据状态参数阈值区间确定每个辐照区间内的状态参数数据的真值表,获取实际状态参数数据,以实际状态参数数据和真值表输出实际真值;以包含当前运行时间段的预设时间步长实际真值变化情况输出当前光伏组件状态。本申请的有益效果:准确地反映光伏发电设备在不同天气、季节和环境下的性能变化,排除环境异常干扰,提高光伏组件状态检测的准确性。
Description
技术领域
本申请涉及光伏组件状态识别技术领域,尤其涉及光伏组件状态检测方法、系统及存储介质。
背景技术
太阳能光伏发电系统在当今能源领域的重要性日益凸显,它们为清洁能源的生产和碳排放的减少提供了关键支持。然而,光伏系统的性能受多种因素的影响,包括天气条件、季节变化、温度波动和设备老化等。
传统的检测方法通常依赖于静态阈值,这些阈值在光伏系统安装和设置时被预先定义,而且通常不会根据实际运行条件的变化而动态调整。这种静态阈值检测方法在一定程度上忽视了光伏系统在不同工作条件下性能的多样性和复杂性。因此,当系统遇到不同的天气、季节或环境变化时,这些静态阈值可能无法准确地捕捉到性能变化,导致了误判或漏判故障情况。
中国专利《分布式光伏发电状态监测系统》,公开号:CN114866031A,公开日:2022年08月05日,具体公开了通过在光伏电站中分散安装的光伏组件上对应配置无线温度监测装置、光照度变送器以及状态监测终端实现了对影响光伏板发电功率的关键参数温度及光照度的分布实时监测及处理。然而该方案中仅提到了采用不同通信方式实现了分散的温度参数及光照度的实时上传,为主站实现光伏系统运行故障预警及故障识别提供数据支撑,并没有公开主站如何根据实时上传的温度参数以及光照度判断光伏系统运行故障。
中国专利《一种基于光伏组件温度和辐照度校验的数据挖掘方法》,公开号:CN113783527A,公开日:2021年12月10日,具体公开了包括以下步骤:采集历史组件数据并进行数据预处理形成样本集;根据样本集进行扩展训练形成扩展样本库;使用扩展样本库对预先构建的神经网络进行训练和测试;获取目标光伏电站的组件参数并输入训练后的神经网络,输出特征向量数据;根据特征向量数据完成组件开路电压设计。该方案中通过大数据挖掘,分析出贴合实际的组件相对温升和环境温升,但仅对实际温度提高了辨识准确度,也并没有公开如何根据实际温度判断光伏系统是否运行正常。
发明内容
本申请针对现有技术中利用静态阈值判断光伏系统是否正常运行存在无法根据光伏系统实际工作条件执行准确判断,存在误判或漏判可能性的问题,提供光伏组件状态检测方法,通过机理分析获取影响光伏组件正常运行状态的状态参数,利用数据驱动获取按照时间序列划分的辐照区间,利用密度聚类获取与辐照区间对应的光伏组件状态参数动态阈值区间,构建真值表,利用包含当前运行时间段的预设时间步长中所有实际真值变化情况判断当前光伏组件状态,从而更准确地反映光伏发电设备在不同天气、季节和环境下的性能变化,避免了由于环境异常突变造成的光伏组件状态异常报警,降低了误报和漏报的风险。
为实现上述技术目的,本申请提供的一种技术方案是,光伏组件状态检测方法,包括如下步骤:S1:获取历史光伏组件状态参数数据并对其进行数据清洗;S2:获取与历史光伏组件状态参数数据对应的历史辐照强度数据,按时间序列对历史辐照强度数据进行辐照区间划分;S3:利用密度聚类对历史光伏组件状态参数数据按照辐照区间进行划分,获得在每个辐照区间内的状态参数阈值区间;S4:根据状态参数阈值区间确定每个辐照区间内的状态参数数据的真值表,获取实际状态参数数据,以实际状态参数数据和真值表输出实际真值;S5:以包含当前运行时间段的预设时间步长实际真值变化情况输出当前光伏组件状态。
进一步的,在执行S1之前,还包括:构建光伏组件物理模型,进行机理分析,获取光伏组件状态参数;具体步骤为:构建基于光伏组件单二极管物理模型等效电路图,根据肖克莱方程建立等效二极管电流表达式;根据光伏组件产电特性建立光生电流表达式以及二极管反向饱和电流表达式;根据等效电路建立输出电压以及输出电流表达式;根据输出功率、等效二极管电流表达式、光生电流表达式以及二极管反向饱和电流表达式、输出电压以及输出电流表达式构建基于光伏组件输出电压、输出电流以及组件温度的功率变化数学模型;根据基于光伏组件输出电压、输出电流以及组件温度的功率变化数学模型输出光伏组件状态参数。
进一步的,获取与历史光伏组件状态参数数据对应的历史辐照强度数据,按时间序列进行辐照区间划分包括:获取光照时间点,按照时间序列段划分光照时间区间;将对应光照时间区间的历史辐照强度数据作为该光照时间区间的辐照强度,获得对应光照时间区间的辐照区间。
进一步的,S4还包括:获取每个辐照区间内的状态参数阈值区间,以状态参数数据落于状态参数阈值区间时输出为“0”、状态参数数据未落于状态参数阈值区间时输出为“1”构建每个辐照区间内的真值表;
获取实际状态参数数据,以实际状态参数数据和真值表输出实际真值。
进一步的,S5还包括:以当前运行时间段对应的第一实际真值、位于第一实际真值前一时间序列的第二实际真值、位于第二实际真值前一时间序列的第三实际真值作为包含当前运行时间段的预设时间步长实际真值。
进一步的,S5还包括:若第一实际真值、第二实际真值、第三实际真值相同,则根据第一实际真值输出光伏组件运行状态,当第一实际真值输出为“0”时,判定光伏组件运行状态正常,当第一实际真值输出为“1”时,判定光伏组件运行状态异常;若实际真值存在差异,调取第一实际真值、第二实际真值、第三实际真值中输出为“1”的状态参数作为待验证参数,获取第一实际真值、第二实际真值、第三实际真值对应的待验证参数数据以及辐照数据,计算第一实际真值与第二实际真值的第一待验证参数差值、第一辐照差值以及第二实际真值与第三实际真值的第二待验证参数差值、第二辐照差值;若第一待验证参数差值与第二待验证参数差值的比值大于第一辐照差值与第二辐照差值的比值,则判定光伏组件运行状态异常,根据待验证参数执行对应的报警提示;若第一待验证参数差值与第二待验证参数差值的比值小于等于第一辐照差值与第二辐照差值的比值,则执行时间序列判断。
进一步的,时间序列判断包括:调取第一真值对应的时间序列以及实际状态参数数据的时间序列,判断时间序列是否相同,若是,则认为光伏组件运行状态异常,若否,则执行辐照波动判断。
进一步的,辐照波动判断包括:调取预设时间步长内的实际辐照强度以及历史辐照强度,判断实际辐照强度与历史辐照强度的差值波动是否正常,若是,则认为光伏组件运行状态异常,进行报警提示,若否,则以实际辐照强度更新历史辐照强度,重新计算状态参数阈值区间,并重新执行S4。
进一步的,S1还包括:获取历史光伏组件状态参数数据,利用拉依达准则对历史光伏组件状态参数数据进行数据清洗。
本申请提供的另一种技术方案是,光伏组件状态检测系统,用于实现如上述的方法,包括:机理分析模块,用于建立光伏组件物理模型进行机理分析;数据清洗模块,用于对历史光伏组件状态参数数据进行数据清洗;数据驱动模块,用于对历史光伏组件状态参数数据以及历史辐照强度数据进行分析,构建每个辐照区间内的状态参数阈值区间;数据分析模块,用于接收光伏组件实际状态参数数据,根据实际状态参数数据以及真值表判断光伏组件运行状态是否正常。
本申请提供的又一种技术方案是,计算机可读存储介质,用于存储计算机程序或指令,当计算机程序或指令被处理设备执行时,实现上述的光伏组件状态检测方法。
本申请的有益效果:通过机理分析获取影响光伏组件正常运行状态的状态参数,利用数据驱动获取按照时间序列划分的辐照区间,利用密度聚类获取与辐照区间对应的光伏组件状态参数动态阈值区间,构建真值表,利用包含当前运行时间段的预设时间步长中所有实际真值变化情况判断当前光伏组件状态,从而更准确地反映光伏发电设备在不同天气、季节和环境下的性能变化,避免了由于环境异常突变造成的光伏组件状态异常报警,降低了误报和漏报的风险。同时根据相同时间序列下的辐照强度检验辐照区间是否符合实际情况,避免异常天气产生的误报现象。
附图说明
图1为本申请光伏组件状态检测方法一种实施例情况下的流程示意图。
图2为本申请光伏组件状态检测方法一种实施例情况下的光伏组件物理模型示意图。
图3为本申请光伏组件状态检测方法另一种实施例情况下的流程示意图。
图4为本申请光伏组件状态检测系统一种实施例情况下的结构示意图。
具体实施方式
为使本申请的目的、技术方案以及优点更加清楚明白,下面结合附图和实施例对本申请作进一步详细说明,应当理解的是,此处所描述的具体实施方式仅是本申请的一种最佳实施例,仅用以解释本申请,并不限定本申请的保护范围,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,作为本申请的实施例一,光伏组件状态检测方法,包括如下步骤:
S1:获取历史光伏组件状态参数数据并对其进行数据清洗;
S2:获取与历史光伏组件状态参数数据对应的历史辐照强度数据,按时间序列对历史辐照强度数据进行辐照区间划分;
S3:利用密度聚类对历史光伏组件状态参数数据按照辐照区间进行划分,获得在每个辐照区间内的状态参数阈值区间;
S4:根据状态参数阈值区间确定每个运行时间段内的状态参数数据的真值表,获取实际状态参数数据,以实际状态参数数据和真值表输出实际真值;
S5:以包含当前运行时间段的预设时间步长实际真值变化情况输出当前光伏组件状态。
在本实施例中,通过构建光伏组件物理模型从而获得能够展现光伏组件运行状态的光伏组件状态参数。获取历史光伏组件状态参数数据以及历史辐照强度数据,根据时间序列划分辐照强度对应的辐照区间,因辐照强度随着时间的变化而变化,由此根据时间序列划分辐照强度所对应的区间即能对太阳辐照度进行分区划分,同时由于光伏组件状态的变化也会随着时间的变化而变化,如设备老化等,即通过时间序列能将辐照强度与光伏组件状态的变化用相同的时间进行关联,实现更准确的光伏组件状态检测。进而采用密度聚类的方式对历史光伏组件状态参数按照辐照区间进行划分,从而获得每个辐照区间中光伏组件状态参数的数值区间即状态参数阈值区间。以实际状态参数数据落于状态参数阈值区间时输出为“0”、实际状态参数数据未落于状态参数阈值区间时输出为“1”构建真值表。持续检测光伏组件状态时,获取当前运行时间段内的实际状态参数数据,根据当前运行时间段的真值表输出当前运行时间段的实际真值,进而获取包含当前运行时间段在内的预设时间步长的所有实际真值,分析预设时间步长实际真值变化情况,输出当前光伏组件状态。利用历史光伏组件状态参数数据以及辐照强度动态调整光伏组件正常运行状态的阈值区间,适应光伏组件在不同工作条件下的性能变化,能够根据实际运行情况调整检测参数,同时构建真值表,利用前序时间段内即预设时间步长内的所有实际真值的变化情况辅助判断当前光伏组件运行状态,避免因为环境变化引起的光伏组件状态参数的变化误判为光伏组件运行状态异常。本申请在状态参数突变时能够准确识别是否为光伏组件自身运行异常,排除环境影响,能够进一步提高对光伏组件状态检测的准确性。
如图2所示,在执行S1之前,还包括:构建光伏组件物理模型,进行机理分析,获取光伏组件状态参数。光伏组件物理模型为基于光伏组件单二极管物理模型,根据基于光伏组件单二极管的物理模型,进行机理分析得出影响光伏发电设备的关键参数作为光伏组件状态参数。机理分析至少包括如下步骤:
构建基于光伏组件单二极管物理模型等效电路图,根据肖克莱方程建立等效二极管电流表达式;
根据光伏组件产电特性建立光生电流表达式以及二极管反向饱和电流表达式;
根据等效电路建立输出电压以及输出电流表达式;
根据输出功率、等效二极管电流表达式、光生电流表达式以及二极管反向饱和电流表达式、输出电压以及输出电流表达式构建基于光伏组件输出电压、输出电流以及组件温度的功率变化数学模型;
根据基于光伏组件输出电压、输出电流以及组件温度的功率变化数学模型输出光伏组件状态参数。
具体的,根据肖克莱方程建立等效二极管电流表达式为:
;
其中,为二极管D流过的电流, />为二极管D的反向饱和电流,q为电子电荷,,V为输出电压,I为光伏组件输出电流,/>为光伏组件电阻,A为二极管的理想因子,1≦A≦1.5,T为光伏电池的绝对温度,25℃为298K,k为玻耳兹曼常量,/>。二极管电流/> 的大小受温度和二极管两端电压的影响。可以理解的是,此处的二极管即为等效二极管。
进而,根据光伏组件产电特性建立光生电流表达式以及二极管反向饱和电流表达式:
光生电流表达式为:
;
;
其中, 为标准情况条件下(通常为25℃,/>)的产光电流, />为实际温度, />为标况温度, />为标况温度与实际温度的差值, />为输出电流系数, />为实际辐照强度, />为标况下的辐照强度。
二极管反向饱和电流表达式为:
;
;
其中, 为标况下的短路电流, />为标况下的开路电压, />是输出电压系数, />为二极管的电流-电压特性系数, />为电池串联阵列的热电压。二极管的电流-电压特性系数可根据具体的电路配置和二极管参数得到。
根据等效电路建立输出电压以及输出电流表达式为:
;
其中,为等效电阻的电阻值。
根据输出功率表达式、等效二极管电流表达式、光生电流表达式以及二极管反向饱和电流表达式、输出电压以及输出电流表达式得到:
,
;
而以输出功率对电流、电压、温度分别求偏导分析得到:
;
;
;
设有初始值情况下的各偏导系数为:
;
;
;
构建基于光伏组件输出电压、输出电流以及组件温度的功率变化数学模型为:
;
从而得到输出电压、输出电流与组件温度与光伏发电设备发电功率的变化存在一定数学关系,即输出电压、输出电流与组件温度会影响光伏发电组件即光伏发电设备的发电功率,以此判断光伏组件状态的关键特征值,输出光伏组件状态参数。
获取历史光伏组件状态参数数据以及历史辐照强度数据,对历史光伏组件状态参数数据进行数据清洗。历史光伏组件状态参数数据至少包括光伏组件状态参数类型、光伏组件状态参数数值以及时间序列。在本实施例中,历史光伏组件状态参数数据即为光伏组件历史输出电压数据、光伏组件历史输出电流数据、光伏组件历史组件温度数据。对三组数据进行数据处理,将异常数据点去除,以保证数据的准确性与可靠性。
获取与历史光伏组件状态参数数据对应的历史辐照强度数据,按时间序列进行辐照区间划分包括:
获取光照时间点,按照时间序列段划分光照时间区间;
将对应光照时间区间的历史辐照强度数据作为该光照时间区间的辐照强度,获得对应光照时间区间的辐照区间。
在本实施例中,以光照时间点为06:00-18:00、时间序列段为2个小时为例,光照时间区间为06:00-08:00、08:00-10:00、10:00-12:00、12:00-14:00、14:00-16:00、16:00-18:00,将历史辐照强度时间分别按照时间填入光照时间区间,从而每个光照时间区间内包含在该时间段内所有的历史辐照强度数据,以该时间段内最高辐照强度以及最低辐照强度分别作为辐照区间的最高限与最低限,获得对应光照时间区间的辐照区间。可以理解的是,光照时间点可根据当地实际光照时间进行设置,同样时间序列段也可根据实际需求进行设置。
密度算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)将样本密度作为相似度,不断寻找被低密度区域分隔开的高密度区域,过滤噪声和离群点,以此划分样本簇群。在本实施例中利用密度算法通过一对邻域参数对历史光伏组件状态参数数据的密度进行描述,采用欧氏距离计算方法描述两个数据点的距离/> :
;
其中, 和 />为历史光伏组件状态参数数据的数据点。
通过将距离 与邻域参数 />相比,判断是否属于同一簇群
;
同时,若数据点 的 />邻域至少包含 />个样本,即 />,则代表/>为一个核心对象,存在于 />邻域内的数据点都是 />的密度直达数据。密度聚类算法是根据密度可达原则去除样本数据的异常点,指从核心对象/>出发,途径一系列核心对象 />,依次密度直达到 />,那么 />是 />密度可达数据。在密度算法中,/>是指一个数据点在其 />邻域内至少包含的样本个数最小值。
对于光伏组件的一组时间窗口内的历史光伏组件状态参数数据即对于在一个光照时间区间内的历史光伏组件状态参数数据 ,其中i为特征变量的个数,即电压为 />、电流为 />、组件温度为/>, />为采集样本的起始时间, />、/> 、/> 即为对应时刻 />的特征值数据, />、/> 、/> 则为下一时刻的各特征值,根据密度可达原则去除数据样本的异常点,得到滑动时间窗口数据样本。再对样本/>进行处理,求取各个特征参数的均值即历史光伏组件状态参数数据的平均值为:
;
其中, 为在该辐照区间内采集样本的终止时间与采集样本的起始时间的时刻段差值。即在一个辐照区间内的起始时间作为采集样本的起始时间,一个辐照区间内的终止时间作为采集样本的终止时间,如在10:00-12:00的辐照区间中,采集样本的起始时间为10:00,采集样本的终止时间为12:00, />为10:00时的光伏组件状态参数数据, />为12:00时的光伏组件状态参数数据。
利用密度聚类对历史光伏组件状态参数数据按照辐照区间进行划分,获得在每个辐照区间内的状态参数阈值区间包括:
利用密度聚类对历史光伏组件状态参数数据按照辐照区间进行划分,计算每个辐照区间内的最小状态参数阈值以及最大状态参数阈值,以最小状态参数阈值以及最大状态参数阈值作为状态参数阈值区间动态下限以及动态上限,输出状态参数阈值区间。
计算每个辐照区间内的最小状态参数阈值为:
;
计算每个辐照区间内的最大状态参数阈值为:
;
此时状态参数阈值区间为 ,以此作为光伏组件正常运行状态下的状态参数区间。在本实施例中,以每个辐照区间内历史光伏组件状态参数数据的个数作为 />。
根据状态参数阈值区间确定每个辐照区间内的状态参数数据的真值表,获取实际状态参数数据,以实际状态参数数据和真值表输出实际真值包括:
获取每个辐照区间内的状态参数阈值区间,以状态参数数据落于状态参数阈值区间时输出为“0”、状态参数数据未落于状态参数阈值区间时输出为“1”构建每个辐照区间内的真值表;
获取实际状态参数数据,以实际状态参数数据和真值表输出实际真值。
实际状态参数数据至少包括时间序列、状态参数类型以及状态参数数值。根据时间序列以及状态参数类型调取对应的真值表,根据真值表输出实际真值。
在本实施例中预设时间步长为包含至少三个采样点的时间段。以采集光伏组件实际状态参数数据的时间点作为采样点,如当采样间隔时间为一个小时,预设时间步长为三个小时,此时以当前运行时间段对应的第一实际真值、位于第一实际真值前一时间序列的第二实际真值、位于第二实际真值前一时间序列的第三实际真值作为包含当前运行时间段的预设时间步长实际真值。执行光伏组件实际参数数据采集后,执行:
调用当前运行时间段对应的第一实际真值、位于第一实际真值前一时间序列的第二实际真值、位于第二实际真值前一时间序列的第三实际真值;
若第一实际真值、第二实际真值、第三实际真值相同,则根据第一实际真值输出光伏组件运行状态,当第一实际真值输出为“0”时,判定光伏组件运行状态正常,当第一实际真值输出为“1”时,判定光伏组件运行状态异常;
若实际真值存在差异,调取第一实际真值、第二实际真值、第三实际真值中输出为“1”的状态参数作为待验证参数,获取第一实际真值、第二实际真值、第三实际真值对应的待验证参数数据以及辐照数据,计算第一实际真值与第二实际真值的第一待验证参数差值、第一辐照差值以及第二实际真值与第三实际真值的第二待验证参数差值、第二辐照差值;
若第一待验证参数差值与第二待验证参数差值的比值大于第一辐照差值与第二辐照差值的比值,则判定光伏组件运行状态异常,根据待验证参数执行对应的报警提示;
若第一待验证参数差值与第二待验证参数差值的比值小于等于第一辐照差值与第二辐照差值的比值,则判定光伏组件运行状态正常。
在其余实施例中预设时间步长可以为包含多个采样点的时间段,即调用当前时间段之前时间点的实际状态参数数据验证当前时间段的状态参数是否正常,从而避免由于偶然数据造成的状态参数阈值区间误差引起最终光伏组件运行状态判断的失误,提高光伏组件状态检测的准确性,针对异常状态参数进行对应报警,从而便于工作人员对光伏组件异常运行状态的针对性排查,提高检修效率。
作为本申请的实施例二,步骤S2中还包括:
获取历史光伏组件状态参数数据,利用拉依达准则对历史光伏组件状态参数数据进行数据清洗。
利用拉依达准则将数值分布在设定区间内的数据进行保存,超出界限的异常点去除,从而实现对历史光伏组件状态参数数据进行数据清洗,以确保数据的准确性与可靠性。
在本实施例中,以数据平均值加减两倍的标准差作为设定区间。拉依达法则是一种数据清洗方法,用于识别和删除异常值。利用拉依达准则对历史光伏组件状态参数数据进行数据清洗包括:
计算历史光伏组件状态参数数据的平均值,并计算标准差;
以数据平均值加减两倍的标准差作为设定区间;
筛除处于设定区间之外的数据。
各个特征参数的均值即历史光伏组件状态参数数据的平均值为:
;
历史光伏组件状态参数数据的平均值为每个光伏组件状态参数历史数据的平均值,以此计算每个光伏组件状态参数历史数据的标准差,作为即设定区间,认为在设定区间外的数据为异常数据,进行筛除,从而实现对历史光伏组件状态参数数据的清洗。
此时,实际状态参数数据至少包括辐照强度、状态参数类型以及状态参数数值。根据辐照强度选择光伏组件当前状态参数数据对应的辐照区间,再根据辐照区间选择对应的状态参数阈值区间。即在本实施例中,历史光伏组件状态参数数据至少包括光伏组件状态参数类型、光伏组件状态参数数值以及辐照强度,以辐照强度将辐照区间与状态参数阈值区间相对应,在构建状态参数阈值区间时,以位于相同辐照区间的相同光伏组件状态参数的数据作为一个数据集合计算状态参数阈值区间。从而排除在不同季节时辐照强度不同对光伏组件状态参数的影响,进一步提高对光伏组件状态的监测准确性。
如图3所示,作为本申请的实施例三,步骤S5还包括:
若第一待验证参数差值与第二待验证参数差值的比值小于等于第一辐照差值与第二辐照差值的比值,则执行时间序列判断。
时间序列判断包括:
调取第一真值对应的时间序列以及实际状态参数数据的时间序列,判断时间序列是否相同,若是,则认为光伏组件运行状态异常,若否,则执行辐照波动判断。
在本实施例中,实际状态参数数据至少包括辐照强度、状态参数类型、时间序列以及状态参数数值。历史光伏组件状态参数数据至少包括光伏组件状态参数类型、时间序列、光伏组件状态参数数值以及辐照强度。在以实际状态参数数据匹配真值时,根据实际状态参数数据中的辐照强度匹配对应辐照区间的真值表输出实际真值,在预设时间步长内存在实际真值输出差异时,若待验证参数的波动大于辐照强度的波动,认为待验证参数的超阈值不是由环境变化引起的,而是自身运行异常,若待验证参数的波动小于辐照强度的波动,则进一步验证是否为辐照引起的待验证参数异常,此时判断当前时间点的辐照强度与历史相同时间点的辐照强度是否相同,若是,则认为辐照强度并无影响,此时认为光伏组件运行状态异常。
辐照波动判断包括:
调取预设时间步长内的实际辐照强度以及历史辐照强度,判断实际辐照强度与历史辐照强度的差值波动是否正常,若是,则认为光伏组件运行状态异常,进行报警提示,若否,则以实际辐照强度更新历史辐照强度,重新计算状态参数阈值区间,并重新执行S4。
考虑到天气的变化因素,将在相同辐照强度却处于不同时间序列作为异常情况,以预设时间步长内的实际辐照强度以及历史辐照强度,如实际状态参数数据的时间序列为12:00,预设时间步长为4小时,即调取8:00到12:00的实际辐照强度以及历史辐照强度,判断预设时间步长的实际辐照强度以及历史辐照强度差值波动是否正常,若正常,则认为辐照强度并无异常变化,此时认为光伏组件运行状态可能异常,如产生了异常遮挡等问题,若异常,则认为辐照强度异常变化,即天气发生变化,此时以实际辐照强度更新历史辐照强度,从而提高状态参数阈值区间计算准确性。可以理解的是,由于本申请计算的是实际辐照强度以及历史辐照强度差值波动是否正常,即考虑到了可能存在阴天、晴天的辐照强度波动,在本实施例中天气发生变化指代辐照强度在该时间段的变化,如近几年的高温超往年上限导致的辐照强度超过往年上限的情况。同样在本申请中虽然仅以一天内的时间序列进行光照时间区间的划分进行举例,但以不同季节下一天内的时间序列作为不同光照时间区间也是本申请的可行方案之一,从而此时天气发生变化指代辐照强度在该季节情况下对应时间段的超限变化。
如图4所示,作为本申请的实施例四,光伏组件状态检测系统包括:
机理分析模块,用于建立光伏组件物理模型进行机理分析;
数据清洗模块,用于对历史光伏组件状态参数数据进行数据清洗;
数据驱动模块,用于对历史光伏组件状态参数数据以及历史辐照强度数据进行分析,构建每个辐照区间内的状态参数阈值区间;
数据分析模块,用于接收光伏组件实际状态参数数据,根据实际状态参数数据以及真值表判断光伏组件运行状态是否正常。
数据清洗模块以及机理分析模块分别连接于数据驱动模块,数据驱动模块利用机理分析模块以及数据清洗模块处理得到的数据构建每个辐照区间内的状态参数阈值区间,数据分析模块连接于数据驱动模块,利用数据驱动模块输出的状态参数阈值区间构建真值表,并结合实际状态参数数据判断光伏组件运行状态是否正常。
在本实施例中,数据清洗模块至少包括数据存储库以及数据清洗单元,历史光伏组件状态参数数据以及历史辐照强度数据存储至数据存储库,由数据清洗单元对历史光伏组件状态参数数据进行数据清洗。
具体的,数据存储库为IoTDB数据库,利用python编程工具获取实际情况下的历史光伏组件状态参数数据以及历史辐照强度数据存储至IoTDB数据库。并借助python编程工具对历史光伏组件状态参数数据进行数据清洗,利用python开发工具进行历史光伏组件状态参数数据密度聚类。
在另一些实施例中,数据驱动模块构建每个辐照区间内的状态参数阈值区间后,根据状态参数阈值区间构建每个辐照区间对应的真值表,进而数据分析模块接收数据驱动模块的真值表对光伏组件实际状态参数数据进行分析,输出光伏组件运行状态。
在本实施例中,光伏组件状态检测系统借助RS485通信接口与光伏组件采集模块进行通信连接,以获取光伏组件当前状态参数数据。通过结合机理分析和数据驱动方法,实现了光伏组件的状态动态阈值获取,首先根据机理分析模块得到描述光伏组件状态多源特征参数:组件电压,电流和组件温度;进一步的根据辐照时间区段,通过数据驱动模块构建密度聚类数学模型,进而数据驱动下的光伏组件动态阈值的获取。根据实际运行条件获取阈值,从而更准确地反映光伏发电设备在不同天气、季节和环境下的性能变化,降低了误报和漏报的风险。作为本申请的实施例五,还提供计算机可读存储介质,用于存储计算机程序或指令,当计算机程序或指令被处理设备执行时,实现上述的光伏组件状态检测方法。计算机可读存储介质可以是计算设备能够存储的任何可用介质或者是包含一个或多个可用介质的数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘)等。
以上之具体实施方式为本申请光伏组件状态检测方法、系统及存储介质的较佳实施方式,并非以此限定本申请的具体实施范围,本申请的范围包括并不限于本具体实施方式,凡依照本申请之形状、结构所作的等效变化均在本申请的保护范围内。
Claims (10)
1.光伏组件状态检测方法,其特征在于:包括如下步骤:
S1:获取历史光伏组件状态参数数据并对其进行数据清洗;
S2:获取与历史光伏组件状态参数数据对应的历史辐照强度数据,按时间序列对历史辐照强度数据进行辐照区间划分;
S3:利用密度聚类对历史光伏组件状态参数数据按照辐照区间进行划分,获得在每个辐照区间内的状态参数阈值区间;
S4:根据状态参数阈值区间确定每个辐照区间内的状态参数数据的真值表,获取实际状态参数数据,以实际状态参数数据和真值表输出实际真值;
S5:以包含当前运行时间段的预设时间步长实际真值变化情况输出当前光伏组件状态。
2.如权利要求1所述的光伏组件状态检测方法,其特征在于:
在执行S1之前,还包括:构建光伏组件物理模型,进行机理分析,获取光伏组件状态参数;具体步骤为:
构建基于光伏组件单二极管物理模型等效电路图,根据肖克莱方程建立等效二极管电流表达式;
根据光伏组件产电特性建立光生电流表达式以及二极管反向饱和电流表达式;
根据等效电路建立输出电压以及输出电流表达式;
根据输出功率、等效二极管电流表达式、光生电流表达式以及二极管反向饱和电流表达式、输出电压以及输出电流表达式构建基于光伏组件输出电压、输出电流以及组件温度的功率变化数学模型;
根据基于光伏组件输出电压、输出电流以及组件温度的功率变化数学模型输出光伏组件状态参数。
3.如权利要求1所述的光伏组件状态检测方法,其特征在于:
获取与历史光伏组件状态参数数据对应的历史辐照强度数据,按时间序列进行辐照区间划分包括:
获取光照时间点,按照时间序列段划分光照时间区间;
将对应光照时间区间的历史辐照强度数据作为该光照时间区间的辐照强度,获得对应光照时间区间的辐照区间。
4.如权利要求1所述的光伏组件状态检测方法,其特征在于:
所述S4还包括:
获取每个辐照区间内的状态参数阈值区间,以状态参数数据落于状态参数阈值区间时输出为“0”、状态参数数据未落于状态参数阈值区间时输出为“1”构建每个辐照区间内的真值表;
获取实际状态参数数据,以实际状态参数数据和真值表输出实际真值。
5.如权利要求1所述的光伏组件状态检测方法,其特征在于:
所述S5还包括:
以当前运行时间段对应的第一实际真值、位于第一实际真值前一时间序列的第二实际真值、位于第二实际真值前一时间序列的第三实际真值作为包含当前运行时间段的预设时间步长实际真值。
6.如权利要求5所述的光伏组件状态检测方法,其特征在于:
所述S5还包括:
若第一实际真值、第二实际真值、第三实际真值相同,则根据第一实际真值输出光伏组件运行状态,当第一实际真值输出为“0”时,判定光伏组件运行状态正常,当第一实际真值输出为“1”时,判定光伏组件运行状态异常;
若实际真值存在差异,调取第一实际真值、第二实际真值、第三实际真值中输出为“1”的状态参数作为待验证参数,获取第一实际真值、第二实际真值、第三实际真值对应的待验证参数数据以及辐照数据,计算第一实际真值与第二实际真值的第一待验证参数差值、第一辐照差值以及第二实际真值与第三实际真值的第二待验证参数差值、第二辐照差值;
若第一待验证参数差值与第二待验证参数差值的比值大于第一辐照差值与第二辐照差值的比值,则判定光伏组件运行状态异常,根据待验证参数执行对应的报警提示;
若第一待验证参数差值与第二待验证参数差值的比值小于等于第一辐照差值与第二辐照差值的比值,则执行时间序列判断。
7.如权利要求6所述的光伏组件状态检测方法,其特征在于:
所述时间序列判断包括:
调取第一真值对应的时间序列以及实际状态参数数据的时间序列,判断时间序列是否相同,若是,则认为光伏组件运行状态异常,若否,则执行辐照波动判断。
8.如权利要求7所述的光伏组件状态检测方法,其特征在于:
所述辐照波动判断包括:
调取预设时间步长内的实际辐照强度以及历史辐照强度,判断实际辐照强度与历史辐照强度的差值波动是否正常,若是,则认为光伏组件运行状态异常,进行报警提示,若否,则以实际辐照强度更新历史辐照强度,重新计算状态参数阈值区间,并重新执行S4。
9.如权利要求7所述的光伏组件状态检测方法,其特征在于:
所述S1还包括:
获取历史光伏组件状态参数数据,利用拉依达准则对历史光伏组件状态参数数据进行数据清洗。
10.光伏组件状态检测系统,用于实现如权利要求1至权利要求9任意一项所述的方法,其特征在于:包括:
机理分析模块,用于建立光伏组件物理模型进行机理分析;
数据清洗模块,用于对历史光伏组件状态参数数据进行数据清洗;
数据驱动模块,用于对历史光伏组件状态参数数据以及历史辐照强度数据进行分析,构建每个辐照区间内的状态参数阈值区间;
数据分析模块,用于接收光伏组件实际状态参数数据,根据实际状态参数数据以及真值表判断光伏组件运行状态是否正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311731720.0A CN117411436B (zh) | 2023-12-15 | 2023-12-15 | 光伏组件状态检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311731720.0A CN117411436B (zh) | 2023-12-15 | 2023-12-15 | 光伏组件状态检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117411436A true CN117411436A (zh) | 2024-01-16 |
CN117411436B CN117411436B (zh) | 2024-03-15 |
Family
ID=89500404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311731720.0A Active CN117411436B (zh) | 2023-12-15 | 2023-12-15 | 光伏组件状态检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117411436B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140188410A1 (en) * | 2012-12-28 | 2014-07-03 | Locus Energy, Llc | Methods for Photovoltaic Performance Disaggregation |
US20180240048A1 (en) * | 2015-09-30 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method and device for modeling a long-time-scale photovoltaic output time sequence |
CN110071692A (zh) * | 2019-05-27 | 2019-07-30 | 阳光电源股份有限公司 | 光伏组件故障判定方法、装置及控制器 |
CN113992151A (zh) * | 2021-09-24 | 2022-01-28 | 上海远景科创智能科技有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
KR20220049390A (ko) * | 2020-10-14 | 2022-04-21 | (주) 티이에프 | 태양광 발전 시스템에서 수집한 데이터를 통합적으로 관리하여 설비의 상태를 자동으로 모니터링하는 장치 및 방법 |
CN114564680A (zh) * | 2022-02-21 | 2022-05-31 | 中国长江三峡集团有限公司 | 一种基于统计特征的光伏组件异常识别方法 |
US20230080737A1 (en) * | 2020-05-27 | 2023-03-16 | North China Electric Power University | Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System |
-
2023
- 2023-12-15 CN CN202311731720.0A patent/CN117411436B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140188410A1 (en) * | 2012-12-28 | 2014-07-03 | Locus Energy, Llc | Methods for Photovoltaic Performance Disaggregation |
US20180240048A1 (en) * | 2015-09-30 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method and device for modeling a long-time-scale photovoltaic output time sequence |
CN110071692A (zh) * | 2019-05-27 | 2019-07-30 | 阳光电源股份有限公司 | 光伏组件故障判定方法、装置及控制器 |
US20230080737A1 (en) * | 2020-05-27 | 2023-03-16 | North China Electric Power University | Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System |
KR20220049390A (ko) * | 2020-10-14 | 2022-04-21 | (주) 티이에프 | 태양광 발전 시스템에서 수집한 데이터를 통합적으로 관리하여 설비의 상태를 자동으로 모니터링하는 장치 및 방법 |
CN113992151A (zh) * | 2021-09-24 | 2022-01-28 | 上海远景科创智能科技有限公司 | 光伏阵列工作状态的确定方法、装置、设备及存储介质 |
CN114564680A (zh) * | 2022-02-21 | 2022-05-31 | 中国长江三峡集团有限公司 | 一种基于统计特征的光伏组件异常识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117411436B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
WO2018028005A1 (zh) | 一种大型光伏电站中电池面板的故障检测算法 | |
CN108008176B (zh) | 一种光伏阵列实时状态监测与故障定位系统 | |
CN107451600B (zh) | 一种基于隔离机制的在线光伏热斑故障检测方法 | |
CN109660206B (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
KR101882106B1 (ko) | 태양전지모듈 발전량 예측방법 및 예측장치 | |
CN109766952B (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
Liu et al. | Fault diagnosis approach for photovoltaic array based on the stacked auto-encoder and clustering with IV curves | |
Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
Spataru et al. | Photovoltaic array condition monitoring based on online regression of performance model | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN111275295B (zh) | 一种基于反距离权重插值的分布式光伏故障诊断方法 | |
CN108092623A (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
CN115544140A (zh) | 一种基于人工智能的光伏电站性能检测系统及方法 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
Ndjakomo Essiane et al. | Faults detection and identification in PV array using kernel principal components analysis | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
Ding et al. | A health status-based performance evaluation method of photovoltaic system | |
CN117411436B (zh) | 光伏组件状态检测方法、系统及存储介质 | |
CN109739197A (zh) | 一种化工废料处理设备的多工况故障预测方法 | |
CN115733258A (zh) | 一种基于物联网技术的全户内智能变电站系统的控制方法 | |
CN116127354A (zh) | 基于深度学习的高压电缆局部放电故障定位方法及系统 | |
Elgamal et al. | Seamless Machine Learning Models to Detect Faulty Solar Panels | |
CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断系统及方法 |
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 |