CN117749091A - 一种基于iv曲线数据的光伏故障诊断方法和系统 - Google Patents
一种基于iv曲线数据的光伏故障诊断方法和系统 Download PDFInfo
- Publication number
- CN117749091A CN117749091A CN202311476134.6A CN202311476134A CN117749091A CN 117749091 A CN117749091 A CN 117749091A CN 202311476134 A CN202311476134 A CN 202311476134A CN 117749091 A CN117749091 A CN 117749091A
- Authority
- CN
- China
- Prior art keywords
- panel
- short
- circuit voltage
- circuit current
- battery plate
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010248 power generation Methods 0.000 abstract description 3
- 241000135164 Timea Species 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 239000000428 dust Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 2
- 230000005779 cell damage Effects 0.000 description 2
- 208000037887 cell injury Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012876 topography 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
本发明涉及光伏发电技术领域,尤其涉及一种基于IV曲线数据的光伏故障诊断方法和系统,包括:S1.采集电池板中的开路电压DY数据和短路电流DL数据以及填充因子TY数据;S2.将所述开路电压DY和所述短路电流DL以及所述填充因子TY进行处理,分别生成电池板中的开路电压的平均值PDY和短路电流的平均值PDL以及填充因子的平均值PTY,并计算电池板中开路电压的变化率BDY和短路电流的变化率BDL以及填充因子的变化率BTY。本发明除了采集短路电流DL,还通过引用开路电压DY和填充因子TY这两个关键影响因素,提高了光伏板的故障诊断的准确性,实现了多维度诊断电池板故障的效果,避免了因不能及时发现电池板故障而增加潜在风险的问题。
Description
技术领域
本发明涉及光伏发电技术领域,具体为一种基于IV曲线数据的光伏故障诊断方法和系统。
背景技术
光伏系统是一种利用太阳能光伏电池将太阳辐射能转化为电能的系统。这些系统也被称为太阳能电池系统或光伏电池系统,光伏系统是一种环保且可持续的电力生成方式,正被广泛采用以满足能源需求并减少对化石燃料的依赖,而光伏故障诊断是一种用于检测和识别太阳能光伏系统中问题和故障的过程。
现有技术中有一申请公开号为CN113283580A的一种太阳能电池板故障自动检测方法,该方法根据光伏组件运行时采集的电流数据变化趋势作为光伏组件故障分类依据,使用搭建好的ST-TCN深度学习故障诊断模型进行训练,对模型进行反复训练直到调至最优模型,并将训练好的模型进行保存;本发明使用电站采集的电流数据监测太阳能光伏组件的物理位置和故障等级,在使用过程中可以直接投入实际电厂使用,无需增加额外设备,减少电厂的运维成本的开销,本发明使用训练好的深度学习故障诊断模型,诊断检测效率高,并且要优于目前现有的深度学习故障诊断模型。
但是还存在如下不足:由上述的陈述可知,光伏板的故障不仅和运行时的电流数据有关,还和开路电压和填充因子有关,如果只对光伏板运行时的电流检测,难以及时发现开路电压和填充因子降低的问题,但是开路电压和填充因子的下降也会证明光伏板故障,因此需要综合考虑开路电压和短路电流以及填充因子等关键影响参数数据的变化,对于光伏板的故障诊断,而现有技术中未引用开路电压和填充因子这两个关键影响因素,使得对光伏板的故障诊断存在一定的不准确性。
发明内容
有鉴于此,本发明的目的在于提出一种基于IV曲线数据的光伏故障诊断方法和系统,以解决现有技术中存在的问题。
基于上述目的,本发明提供了一种基于IV曲线数据的光伏故障诊断方法,包括:
S1.采集N次电池板中的开路电压DY数据和短路电流DL数据以及填充因子TY数据;
S2.将N次采集的开路电压DY和短路电流DL以及填充因子TY进行处理,分别生成电池板中的开路电压的平均值PDY和短路电流的平均值PDL以及填充因子的平均值PTY,并计算电池板中开路电压的变化率BDY和短路电流的变化率BDL以及填充因子的变化率BTY;
S3.将电池板中的开路电压的平均值PDY和电池板中开路电压的变化率BDY进行无量纲化处理,将PDY和BDY相关联,生成电池板开路电压的预测值YCDY,用于将电池板中的短路电流的平均值PDL和电池板中短路电流的变化率BDL进行无量纲化处理,将PDL和BDL相关联,生成电池板短路电流的预测值YCDL,用于将电池板中的填充因子的平均值PTY和电池板中填充因子的变化率BTY进行无量纲化处理,将PTY和BTY相关联,生成电池板填充因子的预测值YCTY;
S4.将电池板开路电压的预测值YCDY和预设的开路电压的阈值YZDY相比较,将电池板短路电流的预测值YCDL和预设的短路电流的阈值YZDL相比较,将电池板填充因子的预测值YCTY和预设的填充因子的阈值YZTY相比较,判断电池板是否发生故障。
进一步地,将N次采集的电池板中的所述开路电压DY和所述短路电流DL以及所述填充因子TY进行处理,N为大于1的整数,获取的集合如下:
DY=[DY1、DY2...DYi...DYN]
DL=[DL1、DL2...DLi...DLN]
TY=[TY1、TY2...TYi...TYN]
其中,DYi为第i次电池板中的开路电压的幅值,DLi为第i次电池板中的短路电流;TYi为第i次电池板中的填充因子。
将N次电池板中的开路电压的平均值标记为PDY,将N次电池板中的短路电流的平均值标记为PDL,将N次电池板中的填充因子的平均值标记为PTY,并通过下式得出:
进一步地,对电池板中的开路电压进一步分析,计算连续N次的电池板中开路电压的变化率BDY,对电池板中的短路电流进一步分析,计算连续N次的电池板中短路电流的变化率BDL,对电池板中的填充因子进一步分析,计算连续N次的电池板中填充因子的变化率BTY,计算公式如下:
其中,N为大于1的正整数,DYN为电池板的第N次的开路电压值,DY1为电池板的第1次的开路电压值,DLN为电池板的第N次的短路电流值,DL1为电池板的第1次的短路电流值,TYN为电池板的第N次的填充因子值,TY1为电池板的第1次的填充因子值。
进一步地,将电池板中的开路电压的平均值和电池板中开路电压的变化率BDY进行无量纲化处理,将PDY和BDY相关联,生成电池板开路电压的预测值YCDY,将电池板中的短路电流的平均值PDL和电池板中短路电流的变化率BDL进行无量纲化处理,将PDL和BDL相关联,生成电池板开路电压的预测值YCDL,将电池板中的填充因子的平均值PTY和电池板中填充因子的变化率BTY进行无量纲化处理,将PTY和BTY相关联,生成电池板填充因子的预测值YCTY,依据的公式如下:
进一步地,将电池板开路电压的预测值YCDY和预设的开路电压的阈值YZDY相比较,将电池板短路电流的预测值YCDL和预设的短路电流的阈值YZDL相比较,将电池板填充因子的预测值YCTY和预设的填充因子的阈值YZTY相比较。
进一步地,当YCDY≤YZDY、YCDL≤YZDL、YCTY≤YZTY有任一条件满足时,报警提示该电池板出现故障。
一种基于IV曲线数据的光伏故障诊断系统,用于执行权利要求1-6任一项所述的光伏故障诊断方法,包括:
IV曲线数据采集模块,用于采集N次电池板中的开路电压DY数据和短路电流DL数据以及填充因子TY数据;
数据处理模块,用于将N次采集的所述开路电压DY和所述短路电流DL以及所述填充因子TY进行处理,分别生成电池板中的开路电压的平均值PDY和短路电流的平均值PDL以及填充因子的平均值PTY,并计算电池板中开路电压的变化率BDY和短路电流的变化率BDL以及填充因子的变化率BTY;
数据分析模块,用于将电池板中的开路电压的平均值PDY和电池板中开路电压的变化率BDY进行无量纲化处理,将PDY和BDY相关联,生成电池板开路电压的预测值YCDY,用于将电池板中的短路电流的平均值PDL和电池板中短路电流的变化率BDL进行无量纲化处理,将PDL和BDL相关联,生成电池板短路电流的预测值YCDL,用于将电池板中的填充因子的平均值PTY和电池板中填充因子的变化率BTY进行无量纲化处理,将PTY和BTY相关联,生成电池板填充因子的预测值YCTY;
预警模块,用于将电池板开路电压的预测值YCDY和预设的开路电压的阈值YZDY相比较,将电池板短路电流的预测值YCDL和预设的短路电流的阈值YZDL相比较,将电池板填充因子的预测值YCTY和预设的填充因子的阈值YZTY相比较,判断电池板是否发生故障。
进一步地,所述IV曲线数据采集模块由安装在电池板背部的集成传感器组成,所述集成传感器又包括采集电池板中的开路电压DY的示波器和采集电池板内短路电流DL的万用表以及采集电池板内填充因子TY的阳光模拟器。
本发明的有益效果:
通过集电池板中的开路电压DY数据和短路电流DL数据以及填充因子TY数据,分别生成电池板的开路电压的预测值YCDY,生成电池板短路电流的预测值YCDL,生成电池板填充因子的预测值YCTY,并将电池板的开路电压的预测值YCDY和预设的开路电压的阈值YZDY,电池板的短路电流的预测值YCDL和预设的短路电流的阈值YZDL,将电池板的填充因子的预测值YCTY和预设的填充因子的阈值YZTY一一进行对比,除了采集短路电流DL,还通过引用开路电压DY和填充因子TY这两个关键影响因素,提高了光伏板的故障诊断的准确性,实现了多维度诊断电池板故障的效果,避免了因不能及时发现电池板故障而增加潜在风险的问题。
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为本发明方法的工作流程图;
图2为本发明模块单元的工作示意图。
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。
实施例1
如图1所示,本发明提供一种基于IV曲线数据的光伏故障诊断方法,包括:
S1.采集N次电池板中的开路电压DY和短路电流DL以及填充因子TY。
当电池板故障时,会引起电池板中的开路电压DY下降,以下为具体原因:
局部热点:局部热点是指电池板上的某个区域因阴影、尘埃、损坏或其他原因而过热。过热的区域可能导致电池片受损,电池的开路电压DY可能会下降。
电池片破损:电池板的电池片如果受到物理损害,如撞击、裂纹或划痕,可能会导致电池片的效率下降,从而降低整体的开路电压DY。
连接线断裂:电池板上的连接线如果出现断裂或连接松动,可能导致电流不能有效地传输,从而降低了开路电压DY。
尘埃和污垢:电池板表面的积尘、污垢或沉积物可能会影响光吸收和传导,从而减少电池的效率和开路电压DY。
因此,设置示波器检测电池板中的开路电压DY尤为重要,如可做到会带来如下效果:
局部热点检测:示波器可以用来检测电池板上是否存在局部热点。当电池板上的某个区域因阴影、污垢或其他原因而过热时,该区域的电压通常会下降。通过示波器,您可以实时监测不同位置的电压,以快速检测和定位潜在的问题。
故障诊断:如果电池板的某个区域出现故障,例如电池片破损或连接线断裂,示波器可以帮助确定故障的具体位置。通过比较各个位置的电压,您可以确定故障是否限定在特定区域,这有助于更精确地修复问题。
性能监测:通过定期监测不同位置的开路电压,您可以评估电池板的性能。任何性能下降都会在示波器上反映出来,帮助您确定何时需要维护或更换电池板。
效率优化:了解不同位置的电压变化可以帮助您优化太阳能电池板的布局和定位,以最大化能源采集效率。通过监测电压,可以确定哪些位置获得更多的阳光,哪些位置可能需要调整或改进。
预防性维护:通过实时监测电池板上各个位置的电压,您可以进行预防性维护,及早发现问题并采取措施,以减少维修成本和系统停机时间。
同理,当电池板故障时,会引起电池板中的短路电流DL下降,以下为具体原因:
电池片损坏:如果电池板的电池片受到物理损害,如裂纹、划痕或撞击,电池片的电流输出可能会减少,从而导致短路电流下降。
连接问题:电池板上的连接线或连接点如果出现松动、断裂或氧化,可能会导致电流的不畅通,从而影响短路电流。
电池老化:随着时间的推移,电池板的电池片可能会发生老化,其电流输出能力可能会下降。这种情况通常是电池老化的结果。
局部阴影:在电池板上的某个区域受到部分阴影覆盖,可能会导致该区域的电流输出下降,从而影响整体的短路电流。
污染:电池板表面受到污染、尘埃、沥青或其他污染物的影响,可能会减少阳光吸收,导致电流下降。
气候和环境因素:极端气候条件或环境因素,如高温、低温或湿度,也可能导致电池板性能下降,从而减少短路电流。
因此,设置万用表检测电池板中的短路电流DL尤为重要,如可做到会带来如下效果:
故障检测:万用表可以用来检测是否存在电池板上的局部或全局短路。如果短路电流远低于预期值,这可能表明电池板中存在故障,如破损电池片、连接线问题或其他电路故障。
性能监测:通过定期测量电池板上各个位置的短路电流,您可以监测电池板的性能。任何性能下降都会在测量中反映出来,有助于确定何时需要维护或更换电池板。
效率评估:了解不同位置的短路电流可以帮助您评估电池板的各个部分的效率。这有助于确定哪些区域受到污染、损坏或阴影的影响,以采取适当的措施来提高效率。
定位问题:万用表测量不同位置的短路电流可以帮助您确定电池板中的问题所在。如果某一位置的电流远低于其他位置,那么问题可能局限在这个区域,这有助于更精确地定位和解决问题。
预防性维护:通过实时监测电池板上各个位置的电流,您可以进行预防性维护,及早发现问题并采取措施,以减少维修成本和系统停机时间。
数据记录和分析:万用表通常具有数据记录和分析功能,可以将测量数据保存下来以供后续分析。这有助于建立历史性能数据,以便跟踪电池板的长期变化和趋势。
可靠性提高:通过监测电池板上各个位置的短路电流,您可以提高太阳能系统的可靠性,减少故障风险,确保系统长期稳定运行。
同理,当电池板故障时,会引起电池板中的填充因子TY下降,以下为具体原因:
电池片损坏:电池板的电池片受到物理损害,如裂纹、划痕或撞击,可能会导致电池片的效率下降,从而减小填充因子。
连接线问题:电池板上的连接线或连接点如果出现松动、断裂或氧化,可能会导致电流的不畅通,从而影响填充因子。
局部阴影:在电池板上的某个区域受到部分阴影覆盖,可能会导致该区域的电流输出下降,从而降低填充因子。
电池老化:电池板中的电池片随着时间的推移可能会发生老化,电池的效率下降,这会导致填充因子降低。
污染:如果电池板表面受到污染、尘埃、沥青或其他污染物的影响,可能会减少阳光吸收,导致电池效率降低,从而减小填充因子。
电池板组件故障:电池板上的其他组件,如二极管、继电器或电路元件的故障,也可能导致电池板的效率下降,从而降低填充因子。
因此,设置阳光模拟器检测电池板中的填充因子TY尤为重要,如可做到会带来如下效果:
性能评估:阳光模拟器可以在受控环境中模拟不同日光条件,从而允许您在实验室环境中评估电池板的性能。通过测量填充因子,您可以了解电池板在不同光照条件下的效率如何,帮助您选择最适合的电池板类型和设计。
质量控制:在生产电池板时,阳光模拟器可用于进行质量控制。通过检测填充因子,您可以确保电池板的各个部件都正常工作,从而提高产品质量。
异常检测:如果电池板存在问题,如损坏的电池片、阴影、连接线问题或其他故障,填充因子可能会受到影响。阳光模拟器可以帮助及早检测这些问题,从而避免在实际使用中发生性能下降。
综上所述,采集电池板中的开路电压DY和短路电流DL以及填充因子TY数据,对监控电池板是否发生故障有着极为重要的作用,以下为本实施方式中数据采集模块采集电池板中的开路电压DY数据和短路电流DL数据以及填充因子TY数据的具体实施方式:
将N次采集的电池板中的开路电压DY和短路电流DL以及填充因子TY进行处理,N为大于1的整数,获取的集合如下:
DY=[DY1、DY2...DYi...DYN]
DL=[DL1、DL2...DLi...DLN]
TY=[TY1、TY2...TYi...TYN]
其中,DYi为第i次电池板中的开路电压的幅值,DLi为第i次电池板中的短路电流;TYi为第i次电池板中的填充因子;
S2.将N次电池板中的开路电压的平均值标记为PDY,将N次电池板中的短路电流的平均值标记为PDL,将N次电池板中的填充因子的平均值标记为PTY,并通过下式得出:
对电池板中的开路电压进一步分析,计算连续N次的电池板中开路电压的变化率BDY,对电池板中的短路电流进一步分析,计算连续N次的电池板中短路电流的变化率BDL,对电池板中的填充因子进一步分析,计算连续N次的电池板中填充因子的变化率BTY,计算公式如下:
其中,N为大于1的正整数,DYN为电池板的第N次的开路电压值,DY1为电池板的第1次的开路电压值,DLN为电池板的第N次的短路电流值,DL1为电池板的第1次的短路电流值,TYN为电池板的第N次的填充因子值,TY1为电池板的第1次的填充因子值。
S3.将电池板中的开路电压的平均值PDY和电池板中开路电压的变化率BDY进行无量纲化处理,将PDY和BDY相关联,生成电池板开路电压的预测值YCDY,将电池板中的短路电流的平均值PDL和电池板中短路电流的变化率BDL进行无量纲化处理,将PDL和BDL相关联,生成电池板开路电压的预测值YCDL,将电池板中的填充因子的平均值PTY和电池板中填充因子的变化率BTY进行无量纲化处理,将PTY和BTY相关联,生成电池板填充因子的预测值YCTY,依据的公式如下:
S4.将电池板开路电压的预测值YCDY和预设的开路电压的阈值YZDY相比较,将电池板短路电流的预测值YCDL和预设的短路电流的阈值YZDL相比较,将电池板填充因子的预测值YCTY和预设的填充因子的阈值YZTY相比较。
当YCDY≤YZDY、YCDL≤YZDL、YCTY≤YZTY有任一条件满足时,报警提示该电池板出现故障,达到在电池板出现故障的初期便进行报警的效果,避免因不能及时发现电池板故障而增加潜在风险的问题。
如图2所示,一种基于IV曲线数据的光伏故障诊断系统,用于执行权利要求1-6任一项所述的光伏故障诊断方法,包括:
IV曲线数据采集模块,用于采集N次电池板中的开路电压DY数据和短路电流DL数据以及填充因子TY数据;
数据处理模块,用于将N次采集的所述开路电压DY和所述短路电流DL以及所述填充因子TY进行处理,分别生成电池板中的开路电压的平均值PDY和短路电流的平均值PDL以及填充因子的平均值PTY,并计算电池板中开路电压的变化率BDY和短路电流的变化率BDL以及填充因子的变化率BTY;
数据分析模块,用于将电池板中的开路电压的平均值PDY和电池板中开路电压的变化率BDY进行无量纲化处理,将PDY和BDY相关联,生成电池板开路电压的预测值YCDY,用于将电池板中的短路电流的平均值PDL和电池板中短路电流的变化率BDL进行无量纲化处理,将PDL和BDL相关联,生成电池板短路电流的预测值YCDL,用于将电池板中的填充因子的平均值PTY和电池板中填充因子的变化率BTY进行无量纲化处理,将PTY和BTY相关联,生成电池板填充因子的预测值YCTY;
预警模块,用于将电池板开路电压的预测值YCDY和预设的开路电压的阈值YZDY相比较,将电池板短路电流的预测值YCDL和预设的短路电流的阈值YZDL相比较,将电池板填充因子的预测值YCTY和预设的填充因子的阈值YZTY相比较,判断电池板是否发生故障。
其中,IV曲线数据采集模块由安装在电池板背部的集成传感器组成,集成传感器又包括采集电池板中的开路电压DY的示波器和采集电池板内短路电流DL的万用表以及采集电池板内填充因子TY的阳光模拟器。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述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。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种航道水下地形变化分析系统及方法逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于IV曲线数据的光伏故障诊断方法,其特征在于,包括:
S1.采集N次电池板中的开路电压DY数据和短路电流DL数据以及填充因子TY数据;
S2.将N次采集的开路电压DY和短路电流DL以及填充因子TY进行处理,分别生成电池板中的开路电压的平均值PDY和短路电流的平均值PDL以及填充因子的平均值PTY,并计算电池板中开路电压的变化率BDY和短路电流的变化率BDL以及填充因子的变化率BTY;
S3.将电池板中的开路电压的平均值PDY和电池板中开路电压的变化率BDY进行无量纲化处理,将PDY和BDY相关联,生成电池板开路电压的预测值YCDY,用于将电池板中的短路电流的平均值PDL和电池板中短路电流的变化率BDL进行无量纲化处理,将PDL和BDL相关联,生成电池板短路电流的预测值YCDL,用于将电池板中的填充因子的平均值PTY和电池板中填充因子的变化率BTY进行无量纲化处理,将PTY和BTY相关联,生成电池板填充因子的预测值YCTY;
S4.将电池板开路电压的预测值YCDY和预设的开路电压的阈值YZDY相比较,将电池板短路电流的预测值YCDL和预设的短路电流的阈值YZDL相比较,将电池板填充因子的预测值YCTY和预设的填充因子的阈值YZTY相比较,判断电池板是否发生故障。
2.根据权利要求1所述的一种基于IV曲线数据的光伏故障诊断方法,其特征在于,将N次采集的电池板中的所述开路电压DY和所述短路电流DL以及所述填充因子TY进行处理,N为大于1的整数,获取的集合如下:
DY=[DY1、DY2…DYi…DYN]
DL=[DL1、DL2…DLi…DLN]
TY=[TY1、TY2…TYi…TYN]
其中,DYi为第i次电池板中的开路电压的幅值,DLi为第i次电池板中的短路电流;TYi为第i次电池板中的填充因子。
将N次电池板中的开路电压的平均值标记为PDY,将N次电池板中的短路电流的平均值标记为PDL,将N次电池板中的填充因子的平均值标记为PTY,并通过下式得出:
3.根据权利要求2所述的一种基于IV曲线数据的光伏故障诊断方法,其特征在于,对电池板中的开路电压进一步分析,计算连续N次的电池板中开路电压的变化率BDY,对电池板中的短路电流进一步分析,计算连续N次的电池板中短路电流的变化率BDL,对电池板中的填充因子进一步分析,计算连续N次的电池板中填充因子的变化率BTY,计算公式如下:
其中,N为大于1的正整数,DYN为电池板的第N次的开路电压值,DY1为电池板的第1次的开路电压值,DLN为电池板的第N次的短路电流值,DL1为电池板的第1次的短路电流值,TYN为电池板的第N次的填充因子值,TY1为电池板的第1次的填充因子值。
4.根据权利要求3所述的一种基于IV曲线数据的光伏故障诊断方法,其特征在于,将电池板中的开路电压的平均值和电池板中开路电压的变化率BDY进行无量纲化处理,将PDY和BDY相关联,生成电池板开路电压的预测值YCDY,将电池板中的短路电流的平均值PDL和电池板中短路电流的变化率BDL进行无量纲化处理,将PDL和BDL相关联,生成电池板开路电压的预测值YCDL,将电池板中的填充因子的平均值PTY和电池板中填充因子的变化率BTY进行无量纲化处理,将PTY和BTY相关联,生成电池板填充因子的预测值YCTY,依据的公式如下:
YCDY=PDY+PDY*BDY
YCDL=PDL+PDL*BDL
YCTY=PTY+PTY*BTY。
5.根据权利要求4所述的一种基于IV曲线数据的光伏故障诊断方法,其特征在于,将电池板开路电压的预测值YCDY和预设的开路电压的阈值YZDY相比较,将电池板短路电流的预测值YCDL和预设的短路电流的阈值YZDL相比较,将电池板填充因子的预测值YCTY和预设的填充因子的阈值YZTY相比较。
6.根据权利要求5所述的一种基于IV曲线数据的光伏故障诊断方法,其特征在于,当YCDY≤YZDY、YCDL≤YZDL、YCTY≤YZTY有任一条件满足时,报警提示该电池板出现故障。
7.一种基于IV曲线数据的光伏故障诊断系统,其特征在于,用于执行权利要求1-6任一项所述的光伏故障诊断方法,包括:
IV曲线数据采集模块,用于采集N次电池板中的开路电压DY数据和短路电流DL数据以及填充因子TY数据;
数据处理模块,用于将N次采集的所述开路电压DY和所述短路电流DL以及所述填充因子TY进行处理,分别生成电池板中的开路电压的平均值PDY和短路电流的平均值PDL以及填充因子的平均值PTY,并计算电池板中开路电压的变化率BDY和短路电流的变化率BDL以及填充因子的变化率BTY;
数据分析模块,用于将电池板中的开路电压的平均值PDY和电池板中开路电压的变化率BDY进行无量纲化处理,将PDY和BDY相关联,生成电池板开路电压的预测值YCDY,用于将电池板中的短路电流的平均值PDL和电池板中短路电流的变化率BDL进行无量纲化处理,将PDL和BDL相关联,生成电池板短路电流的预测值YCDL,用于将电池板中的填充因子的平均值PTY和电池板中填充因子的变化率BTY进行无量纲化处理,将PTY和BTY相关联,生成电池板填充因子的预测值YCTY;
预警模块,用于将电池板开路电压的预测值YCDY和预设的开路电压的阈值YZDY相比较,将电池板短路电流的预测值YCDL和预设的短路电流的阈值YZDL相比较,将电池板填充因子的预测值YCTY和预设的填充因子的阈值YZTY相比较,判断电池板是否发生故障。
8.根据权利要求7所述的一种基于IV曲线数据的光伏故障诊断系统,其特征在于,所述IV曲线数据采集模块由安装在电池板背部的集成传感器组成,所述集成传感器又包括采集电池板中的开路电压DY的示波器和采集电池板内短路电流DL的万用表以及采集电池板内填充因子TY的阳光模拟器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311476134.6A CN117749091A (zh) | 2023-11-07 | 2023-11-07 | 一种基于iv曲线数据的光伏故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311476134.6A CN117749091A (zh) | 2023-11-07 | 2023-11-07 | 一种基于iv曲线数据的光伏故障诊断方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117749091A true CN117749091A (zh) | 2024-03-22 |
Family
ID=90256949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311476134.6A Pending CN117749091A (zh) | 2023-11-07 | 2023-11-07 | 一种基于iv曲线数据的光伏故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117749091A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118214367A (zh) * | 2024-05-21 | 2024-06-18 | 南通皋鑫科技开发有限公司 | 一种光伏二极管状态智能监测方法 |
-
2023
- 2023-11-07 CN CN202311476134.6A patent/CN117749091A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118214367A (zh) * | 2024-05-21 | 2024-06-18 | 南通皋鑫科技开发有限公司 | 一种光伏二极管状态智能监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Livera et al. | Recent advances in failure diagnosis techniques based on performance data analysis for grid-connected photovoltaic systems | |
Appiah et al. | Review and performance evaluation of photovoltaic array fault detection and diagnosis techniques | |
CN107346899B (zh) | 一种光伏电站系统稳定性评估方法及系统 | |
Bastidas-Rodríguez et al. | Model-based degradation analysis of photovoltaic modules through series resistance estimation | |
CN107134978B (zh) | 一种发电量曲线判别光伏组件故障的方法 | |
CN117749091A (zh) | 一种基于iv曲线数据的光伏故障诊断方法和系统 | |
Ma et al. | Photovoltaic module current mismatch fault diagnosis based on IV data | |
CN108957385B (zh) | 一种电能计量设备自动化检定线异常表位确认方法及装置 | |
Bastidas-Rodriguez et al. | Photovoltaic modules diagnostic: An overview | |
CN109188227A (zh) | 一种双馈型风力发电机绝缘状态评估方法及系统 | |
CN104821789A (zh) | 一种光伏发电系统可靠性的检测方法 | |
KR20230045379A (ko) | 환경센서를 이용한 태양광 발전설비의 이상진단 시스템 및 방법 | |
CN104485889A (zh) | 用于多个相同安装倾角的光伏发电单元的故障检测方法 | |
Dhimish et al. | Novel photovoltaic hot-spotting fault detection algorithm | |
Livera et al. | Failure diagnosis of short-and open-circuit fault conditions in PV systems | |
US20180159466A1 (en) | Method for testing the strings of solar modules of a photovoltaic system, and photovoltaic inverter for carrying out the method | |
Madeti | A monitoring system for online fault detection in multiple photovoltaic arrays | |
CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
CN109270568A (zh) | 一种核电厂核仪表探测器和电缆性能检测方法及系统 | |
CN117749093A (zh) | 一种基于lstm的光伏组件质量检测方法 | |
CN117332920A (zh) | 一种新能源场站运行故障演化分析方法 | |
CN114400776B (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
Benninger et al. | Anomaly detection by comparing photovoltaic systems with machine learning methods | |
Dhoke et al. | Condition monitoring of a large-scale PV power plant in Australia | |
Chang et al. | PV O&M Optimization by AI practice |
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 |