CN115800916A - 一种光伏电站智能i-v诊断*** - Google Patents
一种光伏电站智能i-v诊断*** Download PDFInfo
- Publication number
- CN115800916A CN115800916A CN202211366705.6A CN202211366705A CN115800916A CN 115800916 A CN115800916 A CN 115800916A CN 202211366705 A CN202211366705 A CN 202211366705A CN 115800916 A CN115800916 A CN 115800916A
- Authority
- CN
- China
- Prior art keywords
- data
- fault diagnosis
- point
- curve
- mismatch
- 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 132
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000012850 discrimination method Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 239000011521 glass Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 9
- 230000008030 elimination Effects 0.000 abstract description 8
- 238000003379 elimination reaction Methods 0.000 abstract description 8
- 238000007689 inspection Methods 0.000 abstract description 8
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012774 diagnostic algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
本发明涉及一种光伏电站智能I‑V诊断***,包括数据采集、筛选与处理模块、故障类型失配性判别模块、故障诊断分析模块、故障诊断结果比对与校验模块。本发明能够实现光伏电站组串设备的实时诊断,支持报警设备故障详情分析,判断故障类型、给出故障原因分析和处理建议。能够实时分析诊断逆变器、汇流箱、光伏支路发电异常,快速筛查出低效运行设备,从而辅助管理者有计划地执行巡检和消缺工作,提升巡检和消缺工作效率。该故障诊断分析模块可实现光伏电站组串、逆变器的全量检测及故障识别。通过数据采集、筛选与处理模块有效地提升了数据的可靠性与真实性,通过故障诊断结果比对与校验模块保障了故障诊断结果的准确性和可靠性。
Description
技术领域
本发明属于光伏技术领域,尤其涉及一种光伏电站智能I-V诊断***。
背景技术
智能I-V诊断***是基于大数据的I-V诊断算法,通过故障精准定位,实现光伏阵列、汇流箱、逆变器等核心关键设备的诊断。***提取逆变器、汇流箱、光伏支路异常条件下的特征,建立故障诊断模型,并以机器学习为依托,结合大数据挖掘机AI识别算法,来确认光伏组串的故障类型,实时分析诊断逆变器、汇流箱、光伏支路发电异常,快速筛查出低效运行设备,从而辅助管理者有计划地执行巡检和消缺工作,提升巡检和消缺工作效率。实现光伏电站组串设备的实时诊断,支持报警设备故障详情分析,判断故障类型、给出故障原因分析和处理建议。
现有智能I-V诊断***通过将测量得到的光伏***的I-V曲线与理论曲线进行比较就能够判断光伏***是否发生了故障。
其中KT为光伏组件的开路电压温度系数,不同材质不同使用年限的光伏组件KT大小不同,当确定待诊断光伏组件样本后,可通过ASTME 1036-2002《使用标准电池的非聚能地面光电模件和阵列电气性能的标准试验方法》中规定的温度系数的测量方法测取KT值。
比较Uoc与的大小,通过设置电压区间来提高比较误差裕度。当 时,该组件的I-V曲线不是电压缺失型曲线,进入下一诊断流程;当 时,该组件的I-V曲线为电压缺失型,且少了一个子串电压;当 且不为0时,该组件的曲线同样为电压缺失型,且少了两个子串电压;当为0时,此时该组件无I-V曲线,其输出功率完全丢失。
对UdN>2/3UOC的光伏组件进行I-V数据解析获得它们的dmaxN-UdN数据,通过上一节提出的区分标准分别诊断出单台阶曲线、双台阶型曲线、电流塌陷型曲线。故障诊断流程如图1所示。
现有智能I-V诊断***具有以下技术缺陷:
1)现有技术方案缺乏对采集的电压、电流等数据筛选和处理的过程,会影响故障诊断的准确率和可靠性。
2)现有技术方案未对光伏组件故障类型进行明显划分,会导致光伏组件故障诊断缺乏针对性,影响光伏组件故障诊断的效率和解决方案的定制化生成。
3)现有技术方案的故障诊断方法较为单一,对于诊断结果缺乏对比、校准、核实,进而导致对诊断结果的准确性、可靠性缺乏有力支撑。
发明内容
本发明的目的是提供一种光伏电站智能I-V诊断***,通过对光伏I-V数据进行符合性判断和平滑性处理,解决光伏电站I-V智能诊断准确率、可靠性不足的问题,提高故障诊断精度;通过在光伏电站智能I-V诊断***中对光伏组件故障类型整理划分,创建故障知识库,有针对性地对各类光伏组件故障提出定制化诊断和解决方案;通过运行不同的光伏组件故障诊断方法,对故障诊断结果对比和校准,解决光伏组件故障诊断结果可靠性不足的问题,提高光伏故障诊断准确率和精度。
本发明提供了一种光伏电站智能I-V诊断***,包括数据采集、筛选与处理模块、故障类型失配性判别模块、故障诊断分析模块、故障诊断结果比对与校验模块;
所述数据采集、筛选与处理模块用于数据采集,数据符合性判断,以及数据平滑处理;所述数据符合性判断包括:正常情况下组件I-V数据中的(U0,I0)对应开路电压点,判断理论开路电压点处的电流即可判断I-V数据是否缺失,若开路电流I0≤0.05A,则I-V曲线符合要求,否则I-V曲线数据异常;对于开路电压缺失I-V数据的情况,则该组数据不再用于故障诊断,其I-V数据不符合,输出数据异常;所述数据平滑处理包括:对于光伏组件的电压、电流数据(Ui,Ii),其中,i=0,1,2,3…,31,对应的电压数据保持不变,当电流数据Ii满足以下条件时:
或者有
则对电流数据进行如下平滑处理:
Ii=(Ii-1+Ii+1)/2
以上过程循环30次,得到平滑处理后的数据,按照电压从大到小顺序排列(Un,In),其中n=0,1,2,3…,31;
所述故障类型失配性判别模块用于根据组件I-V曲线的凹凸性判断是否组件发生失配,按照I-V曲线由低到高的方向,规定凹凸性改变的点为下拐点,即低电压点,而台阶段的点为上拐点,即高电压点,通过I-V曲线的拐点检测,确定台阶段的电压区间,根据I-V曲线台阶段的数据进一步解耦出阴影、热斑和玻璃破碎的故障特征;
所述故障诊断分析模块用于失配性故障诊断和非失配性故障诊断;
其中,失配性故障诊断包括基于I-V曲线凹凸性的失配故障诊断方法和基于I-V曲线区间划分与特征点的失配故障诊断方法;
所述基于I-V曲线凹凸性的失配故障诊断方法采用I-V曲线定直线变步长检测法,包括:
以I-V曲线上的短路电流点(U31,I31)和开路电压点(U0,I0)斜率构造检测直线,获取多组平衡的直线簇,斜率以及直线方程的表达式为:
IN=kUN+bI
其中bI为检测直线变化步长,也是直线和电流轴的交点,bI的初始取值为短路电流I31,bI的最大值不超过两倍的短路电流值,即2I31,当直线经过虚拟最大功率点时,I-V曲线完全在检测直线下方,即IN<k*UN+bI;
该点临近的两点也位于直线下方,即IN-1<k*UN-1+bI,IN+1<k*UN+1+bI,IN-1>0;
该点临近的另外两点位于直线上方,IN-4<k*UN-4+bI,IN+4<k*UN+4+bI,IN-4>0;
则I-V曲线有下拐点,停止比较,该光伏组件存在失配,记录下满足条件的点的坐标(Un,In),即为下拐点的电压电流;若不满足,则改变bI的值,令bI=bI+Step_b,与下条直线比较,重复上述判断,直到bI的上限值仍没有满足上述条件,则不存在失配;根据以上方法确定台阶段的下拐点,然后根据第二条定直线,由下拐点(Un,In)和开路电压点(U0,I0)构成的检测直线,计算开路电压至上拐点开路电压点范围内的I-V数据到检测直线的最大值,该最大值对应的坐标(Um,Im),即为台阶段终点对应的电压电流值,台阶区间即为(Un,Um);台阶终点检测直线的方程和I-V曲线上的数据点到检测直线的距离表达式为:
I=kU+b
发生失配的情况下检测处下拐点的坐标,利用下拐点和开路电压点构造定直线检测台阶段终点,根据下拐点至开路电压点范围内的I-V数据到检测直线距离的最大值确定台阶段终点;
所述非失配性故障诊断包括最优组件对比法和关键参数判别法;
所述关键参数判别法包括:通过关键参数的组合判断故障类型;
对于电站应用场景,光伏组串的伏安特性与经典单二级管模型类似,电流/电压之间关系,采用如下经典公式表示:
式中,I:光伏组串工作电流;IL:光伏组串光生电流;Io:二极管反向饱和电流;n:二极管理想因子;V:光伏组串工作电压;Rs:光伏组串串联电阻;q:单电子电量;k:玻尔兹曼常数;T:热力学温度;
对于失配性故障诊断,所述故障诊断分析模块采用基于I-V曲线凹凸性的失配故障诊断方法和基于I-V曲线区间划分与特征点的失配故障诊断方法建模仿真分析,两种方法同步进行得出分析结果;对于非失配性故障诊断,所述故障诊断分析模块采用关键参数判别法和最优组件对比法建模仿真分析,两种方法同步进行得出分析结果;
所述故障诊断结果比对与校验模块用于将采用失配性故障诊断的两种方法或非失配性故障诊断的两种方法得到的故障诊断分析结果进行比对和校验,若对于结果比对一致或者小于合理误差区间,则输出故障诊断结果;对于结果比对有差异的,则反馈分析结果存在差异性,并重新计算分析,直至得到准确的最优分析结果。
借由上述方案,通过光伏电站智能I-V诊断***,具有如下技术效果:
1)该诊断***能够实现光伏电站组串设备的实时诊断,支持报警设备故障详情分析,判断故障类型、给出故障原因分析和处理建议。
2)该诊断***能够实时分析诊断逆变器、汇流箱、光伏支路发电异常,快速筛查出低效运行设备,从而辅助管理者有计划地执行巡检和消缺工作,提升巡检和消缺工作效率。
3)该诊断***的故障诊断分析模块,可实现光伏电站组串、逆变器的全量检测及故障识别,完成后自动生成IV诊断运维报告,针对不同的故障类型给出不同的运维建议。
4)该诊断***通过数据采集、筛选与处理模块有效地提升了数据的可靠性与真实性,通过故障诊断结果比对与校验模块保障了故障诊断结果的准确性和可靠性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1为现有智能I-V诊断***光伏组件I-V诊断流程图;
图2为本发明光伏电站智能I-V诊断***模块架构及流程图;
图3为本发明组件I-V数据符合性判定算法流程图;
图4为本发明组件I-V数据平滑处理算法流程图;
图5为本发明曲线定直线变步长检测法示意图;
图6为本发明关键参数判别法的非失配诊断算法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参图2至图6所示,本实施例提供了一种能够应用于光伏场站的智能I-V诊断***,该***基于大数据的I-V诊断算法,通过故障精准定位,可以实现光伏阵列、汇流箱、逆变器等核心关键设备的诊断。该***包括数据采集、筛选与处理模块、故障类型失配性判别模块、故障诊断分析模块、故障诊断结果比对与校验模块四个模块组成。***模块架构及流程图如附图2所示。其中:
数据采集、筛选与处理模块用于数据采集,数据符合性判断,以及数据平滑处理。为了避免后续诊断过程中发生误判,有必要对I-V数据符合性进行判断。正常情况下组件I-V数据中的(U0,I0)对应开路电压点,判断理论开路电压点处的电流即可判断I-V数据是否缺失。若开路电流I0≤0.05A,则I-V曲线符合要求,否则I-V曲线数据异常。根据以上判断,对于开路电压缺失I-V数据的情况,则该组数据不再用于故障诊断,其I-V数据不符合,输出数据异常。整个I-V数据符合性判断算法流程图如附图3所示。判断为异常的I-V曲线的这组数据则不再用于故障诊断分析。
由于数据采集的问题,可能会导致获得的I-V数据抖动比较大,影响后续用于故障诊断,为了消除I-V数据的抖动,提升数据质量,使用平滑处理算法对电流数据进行平滑处理。光伏组件的电压、电流数据(Ui,Ii),其中i=0,1,2,3…,31,对应的电压数据保持不变,当电流数据Ii满足以下条件时:
或者有
则对电流数据进行如下平滑处理:
Ii=(Ii-1+Ii+1)/2
以上过程循环30次,得到平滑处理后的数据,按照电压从大到小顺序排列(Un,In),其中n=0,1,2,3…,31。以上组件I-V数据平滑处理算法流程图如附图4所示。
故障类型失配性判别模块用于故障类型失配性判别,其原理是当光伏组件内电池单元失配工作在反偏状态,导致其所在子串的旁路二极管导通,所以失配组件的I-V曲线会出现拐点和台阶特征,I-V曲线的凹凸性发生改变。根据组件的凹凸性判断是否组件发生失配,对I-V曲线的拐点进行检测,按照I-V曲线由低到高的方向,规定凹凸性改变的点为下拐点,即低电压点,而台阶段的点为上拐点,即高电压点。通过I-V曲线的拐点检测,可以确定台阶段的电压区间,根据I-V曲线台阶段的数据进一步解耦出阴影、热斑和玻璃破碎的故障特征。
故障诊断分析模块用于失配性故障诊断和非失配性故障诊断。
其中失配性故障诊断主要包括基于I-V曲线凹凸性的失配故障诊断方法和基于I-V曲线区间划分与特征点的失配故障诊断方法。以前者为例,本方案采用I-V曲线定直线变步长检测法。根据I-V曲线特性,可以采用构造直线的方法检测拐点和台阶区间,拐点检测方法如附图5所示。
以I-V曲线上的短路电流点(U31,I31)和开路电压点(U0,I0)斜率构造检测直线,获取多组平衡的直线簇,斜率以及直线方程的表达式为:
IN=kUN+bI
其中bI为检测直线变化步长,也是直线和电流轴的交点,bI的初始取值为短路电流I31,为保证检测直线包络整个I-V曲线,所以理论上bI的最大值不会超过两倍的短路电流值,即2I31,因为当直线经过虚拟最大功率点时,I-V曲线完全在检测直线下方,即IN<k*UN+bI;
该点临近的两点也位于直线下方,即IN-1<k*UN-1+bI,IN+1<k*UN+1+bI,IN-1>0;
该点临近的另外两点位于直线上方,IN-4<k*UN-4+bI,IN+4<k*UN+4+bI,IN-4>0;
则I-V曲线有下拐点,停止比较,该光伏组件存在失配,记录下满足条件的点的坐标(Un,In),即为下拐点的电压电流;若不满足,则改变bI的值,令bI=bI+Step_b,与下条直线比较,重复上述判断,直到bI的上限值仍没有满足上述条件的话,则不存在失配。根据以上方法确定了台阶段的下拐点,然后根据第二条定直线,由下拐点(Un,In)和开路电压点(U0,I0)构成的检测直线,然后计算开路电压至上拐点开路电压点范围内的I-V数据到检测直线的最大值,该最大值对应的坐标(Um,Im),即为台阶段终点对应的电压电流值,台阶区间即为(Un,Um)。台阶终点检测直线的方程和I-V曲线上的数据点到检测直线的距离表达式为:
I=kU+b
通过开路电压和短路点路处的定斜线变步长检测直线可以判断是否发生失配,发生失配的情况下检测处下拐点的坐标。进一步利用下拐点和开路电压点构造定直线检测台阶段终点,根据下拐点至开路电压点范围内的I-V数据到检测直线距离的最大值确定台阶段终点。
非失配性故障诊断主要包括最优组件对比法和关键参数判别法。以关键参数判别法为例,是根据故障特征,得出非失配故障组件的I-V曲线的凹凸性不改变,只有关键参数发生改变。因此对于故障,通过关键参数的组合可以判断出故障类型。具体诊断算法流程图如附图6。
电站应用场景,光伏组串的伏安特性与经典单二级管模型类似,电流/电压之间关系,可采用如下经典公式表示:
上述公式中,各关键点性能参数解释如下:
I:光伏组串工作电流; IL:光伏组串光生电流;
Io:二极管反向饱和电流; n:二极管理想因子;
V:光伏组串工作电压; Rs:光伏组串串联电阻;
q:单电子电量; k:玻尔兹曼常数;
T:热力学温度
智能IV诊断功能特性的迭代及演进,以光伏电站中海量光伏组串数据为基础,结合经典二级管模型,深入学习光伏组串在电站应用场景中可能的故障失效模式,针对光伏组串不同的失效模式,建立对应的故障识别及诊断模型,并实现故障识别模型的迭代升级;逆变器将采集的IV曲线上报给管理***的IV故障识别算法模块,IV故障识别算法模块以当前故障识别及诊断模型,判断组串是否存在故障。其中,对于失配性故障诊断,该***采用基于I-V曲线凹凸性的失配故障诊断方法和基于I-V曲线区间划分与特征点的失配故障诊断方法建模仿真分析,两种方法算法同步进行得出分析结果。对于非失配性故障诊断,该***采用关键参数判别法和最优组件对比法建模仿真分析,两种方法算法同步进行得出分析结果。
故障诊断结果比对与校验模块主要是将以上采用失配性故障诊断的两种方法或非失配性故障诊断的两种方法得到的故障诊断分析结果进行比对和校验。对于结果比对一致或者小于某一合理误差区间的,则***输出故障诊断结果;对于结果比对有差异的,则要反馈分析结果存在差异性,并返回***初始流程重新计算分析,直至得到准确的最优分析结果。
该光伏电站智能I-V诊断***,具有如下技术效果:
1)该诊断***能够实现光伏电站组串设备的实时诊断,支持报警设备故障详情分析,判断故障类型、给出故障原因分析和处理建议。
2)该诊断***能够实时分析诊断逆变器、汇流箱、光伏支路发电异常,快速筛查出低效运行设备,从而辅助管理者有计划地执行巡检和消缺工作,提升巡检和消缺工作效率。
3)该诊断***的故障诊断分析模块,建立故障专家模型库,通过模型训练不断修正数据库;该故障诊断分析模块可实现光伏电站组串、逆变器的全量检测及故障识别,完成后自动生成IV诊断运维报告,针对不同的故障类型给出不同的运维建议。
4)该诊断***通过数据采集、筛选与处理模块有效地提升了数据的可靠性与真实性,通过故障诊断结果比对与校验模块保障了故障诊断结果的准确性和可靠性。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (1)
1.一种光伏电站智能I-V诊断***,其特征在于,包括数据采集、筛选与处理模块、故障类型失配性判别模块、故障诊断分析模块、故障诊断结果比对与校验模块;
所述数据采集、筛选与处理模块用于数据采集,数据符合性判断,以及数据平滑处理;所述数据符合性判断包括:正常情况下组件I-V数据中的(U0,I0)对应开路电压点,判断理论开路电压点处的电流即可判断I-V数据是否缺失,若开路电流I0≤0.05A,则I-V曲线符合要求,否则I-V曲线数据异常;对于开路电压缺失I-V数据的情况,则该组数据不再用于故障诊断,其I-V数据不符合,输出数据异常;所述数据平滑处理包括:对于光伏组件的电压、电流数据(Ui,Ii),其中,i=0,1,2,3…,31,对应的电压数据保持不变,当电流数据Ii满足以下条件时:
或者有
则对电流数据进行如下平滑处理:
Ii=(Ii-1+Ii+1)/2
以上过程循环30次,得到平滑处理后的数据,按照电压从大到小顺序排列(Un,In),其中n=0,1,2,3…,31;
所述故障类型失配性判别模块用于根据组件I-V曲线的凹凸性判断是否组件发生失配,按照I-V曲线由低到高的方向,规定凹凸性改变的点为下拐点,即低电压点,而台阶段的点为上拐点,即高电压点,通过I-V曲线的拐点检测,确定台阶段的电压区间,根据I-V曲线台阶段的数据进一步解耦出阴影、热斑和玻璃破碎的故障特征;
所述故障诊断分析模块用于失配性故障诊断和非失配性故障诊断;
其中,失配性故障诊断包括基于I-V曲线凹凸性的失配故障诊断方法和基于I-V曲线区间划分与特征点的失配故障诊断方法;
所述基于I-V曲线凹凸性的失配故障诊断方法采用I-V曲线定直线变步长检测法,包括:
以I-V曲线上的短路电流点(U31,I31)和开路电压点(U0,I0)斜率构造检测直线,获取多组平衡的直线簇,斜率以及直线方程的表达式为:
IN=kUN+bI
其中bI为检测直线变化步长,也是直线和电流轴的交点,bI的初始取值为短路电流I31,bI的最大值不超过两倍的短路电流值,即2I31,当直线经过虚拟最大功率点时,I-V曲线完全在检测直线下方,即IN<k*UN+bI;
该点临近的两点也位于直线下方,即IN-1<k*UN-1+bI,IN+1<k*UN+1+bI,IN-1>0;
该点临近的另外两点位于直线上方,IN-4<k*UN-4+bI,IN+4<k*UN+4+bI,IN-4>0;
则I-V曲线有下拐点,停止比较,该光伏组件存在失配,记录下满足条件的点的坐标(Un,In),即为下拐点的电压电流;若不满足,则改变bI的值,令bI=bI+Step_b,与下条直线比较,重复上述判断,直到bI的上限值仍没有满足上述条件,则不存在失配;根据以上方法确定台阶段的下拐点,然后根据第二条定直线,由下拐点(Un,In)和开路电压点(U0,I0)构成的检测直线,计算开路电压至上拐点开路电压点范围内的I-V数据到检测直线的最大值,该最大值对应的坐标(Um,Im),即为台阶段终点对应的电压电流值,台阶区间即为(Un,Um);台阶终点检测直线的方程和I-V曲线上的数据点到检测直线的距离表达式为:
I=kU+b
发生失配的情况下检测处下拐点的坐标,利用下拐点和开路电压点构造定直线检测台阶段终点,根据下拐点至开路电压点范围内的I-V数据到检测直线距离的最大值确定台阶段终点;
所述非失配性故障诊断包括最优组件对比法和关键参数判别法;
所述关键参数判别法包括:通过关键参数的组合判断故障类型;
对于电站应用场景,光伏组串的伏安特性与经典单二级管模型类似,电流/电压之间关系,采用如下经典公式表示:
式中,I:光伏组串工作电流;IL:光伏组串光生电流;Io:二极管反向饱和电流;n:二极管理想因子;V:光伏组串工作电压;Rs:光伏组串串联电阻;q:单电子电量;k:玻尔兹曼常数;T:热力学温度;
对于失配性故障诊断,所述故障诊断分析模块采用基于I-V曲线凹凸性的失配故障诊断方法和基于I-V曲线区间划分与特征点的失配故障诊断方法建模仿真分析,两种方法同步进行得出分析结果;对于非失配性故障诊断,所述故障诊断分析模块采用关键参数判别法和最优组件对比法建模仿真分析,两种方法同步进行得出分析结果;
所述故障诊断结果比对与校验模块用于将采用失配性故障诊断的两种方法或非失配性故障诊断的两种方法得到的故障诊断分析结果进行比对和校验,若对于结果比对一致或者小于合理误差区间,则输出故障诊断结果;对于结果比对有差异的,则反馈分析结果存在差异性,并重新计算分析,直至得到准确的最优分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211366705.6A CN115800916A (zh) | 2022-11-01 | 2022-11-01 | 一种光伏电站智能i-v诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211366705.6A CN115800916A (zh) | 2022-11-01 | 2022-11-01 | 一种光伏电站智能i-v诊断*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115800916A true CN115800916A (zh) | 2023-03-14 |
Family
ID=85435090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211366705.6A Pending CN115800916A (zh) | 2022-11-01 | 2022-11-01 | 一种光伏电站智能i-v诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115800916A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708689A (zh) * | 2024-02-05 | 2024-03-15 | 锦浪科技股份有限公司 | 一种基于距离特征法的光伏组件故障检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282398A1 (en) * | 2015-03-25 | 2016-09-29 | Delta Electronics (Shanghai) Co., Ltd | Method and Device for ARC Fault Detection for Photovoltaic Inverter and Photovoltaic Inverter Using the Same |
CN114640304A (zh) * | 2022-03-28 | 2022-06-17 | 合肥工业大学 | 一种基于i-v曲线的光伏组件电流失配故障诊断方法 |
-
2022
- 2022-11-01 CN CN202211366705.6A patent/CN115800916A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282398A1 (en) * | 2015-03-25 | 2016-09-29 | Delta Electronics (Shanghai) Co., Ltd | Method and Device for ARC Fault Detection for Photovoltaic Inverter and Photovoltaic Inverter Using the Same |
CN114640304A (zh) * | 2022-03-28 | 2022-06-17 | 合肥工业大学 | 一种基于i-v曲线的光伏组件电流失配故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
张志祥: "基于Ⅰ-Ⅴ特性分析的晶硅光伏组件故障诊断方法研究", 《硕士电子期刊》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708689A (zh) * | 2024-02-05 | 2024-03-15 | 锦浪科技股份有限公司 | 一种基于距离特征法的光伏组件故障检测方法 |
CN117708689B (zh) * | 2024-02-05 | 2024-04-30 | 锦浪科技股份有限公司 | 一种基于距离特征法的光伏组件故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104391189B (zh) | 基于三级诊断的大型光伏阵列故障诊断定位方法 | |
CN107733357B (zh) | 一种大型光伏电站中电池面板的故障检测算法 | |
CN105846780B (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN108964606B (zh) | 一种光伏***热斑故障检测方法 | |
US9506971B2 (en) | Failure diagnosis method for photovoltaic power generation system | |
US6324665B1 (en) | Event based fault diagnosis | |
CN105827200A (zh) | 光电***中电池组串故障的识别方法、装置和设备 | |
US10340849B2 (en) | Diagnosis system and diagnosis method for photovoltaic power generation system | |
Ma et al. | Photovoltaic module current mismatch fault diagnosis based on IV data | |
JP6310948B2 (ja) | 太陽電池検査システムおよび太陽電池検査方法 | |
CN115800916A (zh) | 一种光伏电站智能i-v诊断*** | |
CN113037214B (zh) | 一种基于s-v曲线的光伏组件阴影遮挡故障诊断方法 | |
WO2023033002A1 (ja) | 太陽電池モジュールの故障診断方法及びプログラム | |
CN114460439A (zh) | 一种数字集成电路测试*** | |
CN111191406A (zh) | 确定光伏模块串的电学模型的方法、与其相关的诊断方法和装置 | |
CN113561853A (zh) | 燃料电池***在线故障诊断方法及装置 | |
CN106998190B (zh) | 一种光伏方阵串并联失配损失分析方法 | |
CN115236524A (zh) | 一种新能源汽车动力电池的绝缘故障检测方法及*** | |
CN117169585A (zh) | 一种光伏板功率测试*** | |
CN117749093A (zh) | 一种基于lstm的光伏组件质量检测方法 | |
Matam et al. | Data-integrity checks and balances in monitoring of a solar pv system | |
KR102598830B1 (ko) | 태양광 모듈 및 스트링의 고장진단 시스템 및 그 방법 | |
KR102568590B1 (ko) | 태양광 시스템의 고장 진단을 위한 인공지능 학습 데이터의 전처리 시스템 및 그 방법 | |
CN115902702A (zh) | 一种无刷直流电机逆变器开路故障诊断方法 | |
CN113191075B (zh) | 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230314 |
|
RJ01 | Rejection of invention patent application after publication |