CN116054740A - 光伏发电设备的故障检测、故障检测模型处理方法和装置 - Google Patents
光伏发电设备的故障检测、故障检测模型处理方法和装置 Download PDFInfo
- Publication number
- CN116054740A CN116054740A CN202310096235.4A CN202310096235A CN116054740A CN 116054740 A CN116054740 A CN 116054740A CN 202310096235 A CN202310096235 A CN 202310096235A CN 116054740 A CN116054740 A CN 116054740A
- Authority
- CN
- China
- Prior art keywords
- power generation
- parameter
- fault detection
- fault
- curve
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 301
- 238000001514 detection method Methods 0.000 title claims abstract description 200
- 238000003672 processing method Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims description 60
- 230000015654 memory Effects 0.000 claims description 29
- 238000012952 Resampling Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000032683 aging Effects 0.000 claims description 10
- 230000036961 partial effect Effects 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 20
- 238000012937 correction Methods 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000005286 illumination Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000003862 health status Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013084 building-integrated photovoltaic technology Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000035613 defoliation Effects 0.000 description 1
- 230000001419 dependent effect Effects 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
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013082 photovoltaic technology Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003685 thermal hair damage Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本申请提供了光伏发电设备的故障检测、故障检测模型处理方法和装置,依据本申请实施例,首先获取光伏发电设备基于发电输出产生的发电参数值,然后根据所述发电参数值构建参数拟合曲线,并使用故障检测模型对参数拟合曲线进行分析,以获得对应的故障检测结果,其中,故障检测模型用于提取所述参数拟合曲线的曲线特征并依据所述曲线特征进行设备故障检测。光伏发电设备在不同的运行状态下对应有相应独特的参数拟合曲线,因此基于参数拟合曲线对光伏发电设备进行故障检测可以获得准确性较高的故障检测结果。通过直接读取实时的发电参数值,可以实现对光伏发电设备远程、规模化的故障检测,从而可以降低故障检测的人力成本,提高故障检测的效率。
Description
技术领域
本申请涉及到光伏发电技术领域,尤其涉及光伏发电设备的故障检测方法和装置、故障检测模型处理方法、装置、电子设备以及存储介质。
背景技术
光伏发电是利用半导体材料的光生伏特效应将光能直接转化为电能的一种技术。近年来,各国对环境问题的愈发重视,具有安全可靠、高效、无污染等众多优点的光伏发电技术成为可再生清洁能源的研究重点。随着光伏技术进步推动光伏发电成本持续下降,光伏发电正式进入可以和传统能源竞争的高速发展阶段。
由于光伏阵列(Photovoltaic Array)常年暴露在户外,光伏设备容易受环境影响而产生故障,存在故障的光伏阵列无法正常发电,同时其使用寿命也会受到影响,甚至有些故障还具有安全隐患,可能会引发火灾。为了避免上述问题,可以通过对光伏阵列进行故障检测,从而及时发现光伏阵列存在的故障,进而可以对检测到的故障进行诊断和处理。
然而,由于光伏发电站通常地处偏远地区,对光伏设备进行故障检测通常需要耗费大量的人力和物力,且对故障类型识别的准确率较低。因此,如何降低光伏设备的故障检测成本,提高故障检测效率及准确性具有研究意义。
发明内容
本申请实施例提供光伏发电设备的故障检测、故障检测模型处理方法和装置,以解决上述一个或多个技术问题。
第一方面,本申请实施例提供了一种光伏发电设备的故障检测方法,所述方法包括:
获取光伏发电设备基于发电输出产生的发电参数值;
根据所述发电参数值构建参数拟合曲线;
基于故障检测模型对所述参数拟合曲线进行设备故障检测,获得对应的故障检测结果,所述故障检测模型用于提取所述参数拟合曲线的曲线特征并依据所述曲线特征进行设备故障检测。
第二方面,本申请实施例提供了一种故障检测模型处理方法,所述方法包括:
获取光伏发电设备在多种故障状态下的发电参数样本值;
根据所述发电参数样本值构建参数拟合曲线样本;
提取所述参数拟合曲线样本的曲线特征,并根据参数拟合曲线样本的曲线特征以及与所述故障状态对应的故障信息,训练故障检测模型。
第三方面,本申请实施例提供了一种光伏发电设备的故障检测方法,所述方法包括:
获取光伏发电设备基于发电输出产生的发电参数值,所述发电参数值用于确定电压值和电流值;
根据所述电压值和电流值构建伏安特性曲线;
将所述伏安特性曲线转换为参数变化递归图,所述参数变化递归图表征发电参数值的变化趋势;
将所述参数变化递归图输入用于故障检测的卷积神经网络进行设备故障检测,获得对应的故障检测结果,所述故障检测结果包括是否存在故障以及故障类型。
第四方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器在执行所述计算机程序时实现上述任一项所述的方法。
第五方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法。
与相关技术相比,本申请具有如下优点:
依据本申请实施例,首先获取光伏发电设备基于发电输出产生的发电参数值,然后根据所述发电参数值构建参数拟合曲线,由发电参数值所构建的参数拟合曲线可以用于表征光伏发电设备的运行状态,例如可以包括健康状态以及多种故障状态。在构建参数拟合曲线后,使用故障检测模型对参数拟合曲线进行分析,以获得对应的故障检测结果。由于光伏发电设备在不同的运行状态下对应有相应独特的参数拟合曲线,因此基于参数拟合曲线的曲线特征对光伏发电设备进行故障检测可以获得准确性较高的故障检测结果。由于在获取发电参数时,可以直接从光伏发电设备或是与光伏发电设备相连接的装置自动读取实时的发电参数值,因此,本申请实施例提供的故障检测方法具有可规模化部署的特点,并且可以实现对光伏发电设备的远程故障检测,从而可以降低故障检测的人力成本,提高故障检测的效率。
本申请实施例提供的故障检测模型用于提取参数拟合曲线的曲线特征并依据曲线特征进行设备故障检测。该模型可以根据所输入的参数拟合曲线识别光伏发电设备的多种运行状态,由于可以在训练模型时灵活添加模型所要检测的故障类型,因此训练后的模型可以准确分辨多种故障类型,并且,所获得的故障检测结果具有较高的准确性。除此之外,还可以为光伏发电设备构建等效电路模型,并通过为等效电路模型添加电学元件或调整元件参数的方式模拟光伏发电设备的多种故障状态,以获得用于训练模型的发电参数样本值。通过这种方式可以加大发电参数样本值的数据量,并为实际应用中暂时未出现的故障情况提供用于训练的发电参数样本值,以使得训练后的故障检测模型可以提供更准确的故障检测结果。
此外,为了避免将受到外界环境影响的光伏发电设备误检测为产生故障的光伏发电设备,可以在获取发电参数值后,将所获取到的发电参数值校正为标准环境下所对应的发电参数值。基于校正后的发电参数值进行故障检测,可以获得更准确的故障检测结果。
还可以使用相同的设定步长对发电参数值进行重采样,以使得重采样后的发电参数值分布均匀,从而基于重新构建的参数拟合曲线对光伏发电设备进行故障检测,可以提高故障检测的鲁棒性。
进一步,还可以参数拟合曲线转换为参数变化递归图(Recurrence Plot,RP)。相比于参数拟合曲线,参数变化递归图使用图像像素点的像素值表征发电参数值的变化,从而可以在保留参数拟合曲线的全量信息的基础上,增加由图像像素点表征的信息,因此由参数变化递归图表征的信息更为丰富,进而通过使用参数变化递归图的图像特征进行故障检测,可以获得更准确的故障检测结果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本申请的一些实施方式,而不应将其视为是对本申请范围的限制。
图1示出了光伏阵列在健康的工作状态下的IV曲线示意图;
图2示出了不同状态下光伏阵列的IV曲线示意图;
图3示出了本申请实施例中提供的光伏发电设备的故障检测方案的场景示意图;
图4示出了本申请实施例中提供的一种光伏发电设备的故障检测方法的流程图;
图5A示出了本申请实施例中提供的数据校正前后的一组IV曲线示意图;
图5B示出了本申请实施例中提供的数据校正前后的另一组IV曲线示意图;
图6示出了本申请实施例中提供的三种不同状态下的IV曲线及各自对应的RP图的示意图;
图7示出了本申请实施例中提供的故障检测模型的结构示意图;
图8示出了本申请实施例中提供的一种故障检测模型处理方法的流程图;
图9示出了本申请实施例中提供的一种模拟电路的电路结构示意图;
图10示出了本申请实施例中提供的另一种光伏发电设备的故障检测方法的流程图;
图11示出了本申请实施例中提供的一种光伏发电设备的故障检测装置的结构框图;
图12示出了本申请实施例中提供的一种故障检测模型处理装置的结构框图;以及
图13示出了本申请实施例中提供的另一种光伏发电设备的故障检测装置的结构框图;
图14示出了用来实现本申请实施例的电子设备的框图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本申请的构思或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的,而非限制性的。
为便于理解本申请实施例的技术方案,以下对本申请实施例的相关技术进行说明。以下相关技术作为可选方案与本申请实施例的技术方案可以进行任意结合,其均属于本申请实施例的保护范围。
在本申请之前的一种相关技术中,可以通过识别红外热成像中的显著亮点,检测光伏阵列的遮挡或短路故障。然而,由于在照射度较低时,光伏阵列中的模组不会由于故障而持续升温,从而无法通过识别红外热成像中的显著亮点的方式检测到可能存在的故障。此外,该方法还需要运维管理人员使用特定的仪器进行故障检测,因此导致人工成本较大,检测效率较低。
在本申请之前的另一种相关技术中,可以通过估算光伏阵列的理论输出电压、电流和功率,并计算理论值和实际值之间的差值,通过差值进行故障检测。由于这一技术的实现十分依赖理论值计算的精确度,而在光伏阵列的使用过程中,会由于电子元件老化而无法估算出精确度理论值,从而导致故障检测的准确度较差。
有鉴于此,本申请实施例提供了一种新的光伏发电设备的故障检测方案,以全部或部分解决上述技术问题。
首先结合图1,对本申请涉及的技术术语进行如下介绍:
光伏阵列:在光伏发电的场景中,光伏电池单体是用于光电转换的最小单元,一个单体产生的电压大约为0.45V,工作电流约为20~25mA/cm2。将多个光伏电池单体进行串、并联封装后,就成了光伏阵列。
标准测试条件(STC,Standard Test Conditions):光伏阵列的标准测试条件是AM(Air-Mass,大气品质)=1.5;Irradiance(照射度)=1000W/m2;Temperature(温度)=25℃。其中,AM=1.5是指光线通过大气的实际距离为大气垂直厚度的1.5倍。
伏安特性曲线(IV曲线):在工作温度和照射度不变的情况下,当光伏阵列中的负载发生变化时,光伏阵列的输出电流与输出电压之间的相互关系。图1示出了光伏阵列在健康的工作状态下的IV曲线。
短路电流(Isc):在给定日照强度和温度下的最大输出电流,如图1所示,IV曲线与I轴的交点即为Isc,此时U=0。
开路电压(Voc):在给定日照强度和温度下的最大输出电压,如图1所示,,IV曲线与V轴的交点即为Voc,此时I=0。
最大功率点功率(Pmax):在给定日照和温度下,光伏阵列可能输出的最大功率;最大功率点电流(Imp):在给定日照强度和温度下,光伏阵列相应于最大功率点的电流;最大功率点电压(Vmp):在给定日照强度和温度下,光伏阵列相应于最大功率点的电压。
在实际应用中,光伏阵列会由于受到环境状态或是自身元件出现异常的影响而发生故障。例如,在光伏阵列受到落叶、污渍遮挡(遮阴)时,或是光伏阵列的电路出现开路、短路、老化时,均会导致故障状态。图2示出了光伏阵列在健康状态(正常)和四种故障状态(遮阴、开路、短路、老化)下IV曲线形态,以及对应的最大功率点。其中,最大功率点可以通过最大功率点跟踪(MPPT,Maximum Power Point Tracking)获得。最大功率点跟踪是指对因光伏阵列表面温度变化和太阳照射度变化而产生的输出电压与电流的变化进行跟踪控制,使阵列一直保持在最大输出工作状态,以获得最大功率输出的自动调整行为。如图2所示,由于光伏阵列的发电能力会受到故障的影响,光伏阵列的IV曲线会呈现与故障状态相对应的独特形态。因此,可以通过分析光伏阵列的IV曲线的形态特性,识别光伏阵列的运行状态,从而实现对光伏阵列的故障检测。其中,涉及到的光伏阵列可以是家用屋顶太阳能设备的光伏阵列,也可以是地面光伏电站,或是附着在建筑物上的光伏发电***(BAPV,BuildingAttached Photovoltaic)以及光伏建筑一体化(BIPV,Building IntegratedPhotovoltaics)等场景中的光伏阵列,本申请实施例对具体的应用场景不做限制。由本申请实施例提供的光伏发电设备的故障检测方案可以快速、准确地为光伏阵列的运维管理人员提供故障检测结果,从而使得运维管理人员可以及时对发生故障的光伏阵列进行维修,进而使发生故障的光伏阵列可以尽快回到能够提供最大输出的健康状态,减少由故障带来的经济损失和安全隐患。
图3是示例性的用于实现本申请实施例的方法的一个应用场景的示意图。如图3所示,光伏阵列与逆变器(Inverter)相连接。逆变器可以将光伏阵列所发的直流电转化成交流电,光伏阵列所发的需要通过逆变器的处理才能对外输出。在实际应用中,可以通过逆变器获取于光伏阵列所输出的电相关的发电参数值,例如电压值和电流值。在本申请实施例中,可以为逆变器配置通信模组,并通过通信模组的数据传输能力向与其连接的数据***(如部署于云计算平台的数据库)发送数据。为了获取光伏阵列工作时的温度和照射度,在光伏阵列的工作环境中还配置有温度传感器和照度仪。相似地,也可以为温度传感器以及照度仪配置通信模组。在光伏阵列工作时,逆变器、温度传感器和照度仪可以通过预先设置的数据采集频率(如每1小时1次)向数据***上报光伏阵列发电参数值、温度和照射度。
为了对光伏阵列进行故障检测,首先需要从上述数据***获取由逆变器、温度传感器和照度仪上报的数据。在本申请实施例中,需要获取的数据包括光伏阵列的输出电压值、电流值,以及采集电压值和电流值时对应的当前照射度和当前温度。在获取到上述数据后,可以对所获取到的数据进行数据校正。数据校正的方法为根据当前照射度和当前温度,将电压值和电流值校正至由STC所规定的标准照射度(1000W/m2)和标准温度(25℃)下对应的数值。
然后,对校正后的电压值和电流值进行数据重采样,以进一步提高故障检测的准确性。具体而言,可以先设置重采样电压值的取值区间[0,Vmax]与采样点数N。其中Vmax是在数据重采样中电压值可取的最大值。在设置Vmax时,可以首先确定光伏阵列在STC环境中且处于健康状态下的开路电压值Voc,然后将Vmax设置为一个略大于Voc的值。在确定取值区间[0,Vmax]与采样点数N后,在[0,Vmax]等步长对电压值进行重采样,并为由重采样获得的电压值构建一个含有N个点的电压向量V。根据校正后的电压值和电流值构建初始参数拟合曲线,即初始伏安特性曲线。基于初始伏安特性曲线与电压向量V,获取与电压向量V中的电压值相对应的电流值,以构建含有N个点电流向量I。最后基于数据重采样获得的电压向量V和电流向量I,构建用于故障检测的伏安特性曲线。由于光伏阵列在不同的运行状态下对应有相应独特的伏安特性曲线,因此基于伏安特性曲线对光伏阵列进行故障检测可以获得准确性较高的故障检测结果。
在获取伏安特性曲线后,使用递归图算法将伏安特性曲线转化为参数变化递归图,以提取伏安特性曲线的形态特征。参数变化递归图在保留伏安特性曲线的全量信息的基础上,增加了由图像像素点表征的信息,从而相比于直接使用伏安特性曲线,使用信息更为丰富的参数变化递归图进行故障检测,可以提高故障检测的准确性。然后,将参数变化递归图输入值预先训练的故障检测模型,以获取故障检测结果。故障检测结果中包括检测对象(即光伏阵列)的标识信息与故障类型,通过将所获取到的故障检测结果发送至发电站的运维管理人员的终端设备,可以及时提示运维管理人员及时对出现故障的光伏阵列进行检修。
运维管理人员在接收到故障检测结果后,可以根据故障检测结果中的标识信息快速定位发生故障的光伏阵列,并根据故障类型准备检修工具。例如,针对遮挡故障,可以使用清洁工具通过人工清洁的方式,或是调用清洁机器人为光伏面板清理遮挡物;针对老化故障,可以准备用于替换老化元件的电子元件,对故障光伏模组进行维修。当发电站中的多个光伏阵列频繁发生同种故障时,还可以为发电站制订统一升级改造方案,或是针对维修成本过高的光伏阵列制订退役及回收方案。
在实际应用中,还可以根据故障检测的需求,基于云计算平台搭建用于展示检测结果以及运维管理的交互界面,方便运维管理人员统一对光伏阵列的运行状态检测。
本申请实施例的执行主体可以是应用程序、服务、实例、软件形态的功能模块、虚拟机(Virtual Machine,VM)、容器或云服务器等,或者具有数据处理功能的硬件设备(如服务器或终端设备)或硬件芯片(如CPU、GPU、FPGA、NPU、AI加速卡或DPU)等。实现光伏发电设备的故障检测的装置可以部署在提供相应服务的应用方的计算设备或提供算力、存储和网络资源的云计算平台上,云计算平台对外提供服务的模式可以是IaaS(Infrastructure asa Service,基础设施即服务)、PaaS(Platform as a Service,平台即服务)、SaaS(Software as a Service,软件即服务)或DaaS(Data as a Service,数据即服务)。以平台提供SaaS软件即服务(Software as a Service)为例,云计算平台可以利用自身的计算资源提供神经网络模型的训练或光伏发电设备的故障检测模块的功能执行,具体的应用架构可以根据服务需求进行搭建。例如,平台可以向使用平台资源的应用方或个人提供基于上述模型的构建服务,进一步基于相关客户端或服务器等设备提交的光伏发电设备的故障检测请求调用上述模型和实现在线或离线故障检测的功能。
本申请实施例提供了一种光伏发电设备的故障检测方法,如图4所示为本申请一实施例的光伏发电设备的故障检测方法400的流程图,该方法400可以包括:
在步骤S401中,获取光伏发电设备基于发电输出产生的发电参数值。
光伏发电设备是指可以将光能转化为电能的设备,例如基于光伏阵列使用太阳光能发电的设备。光伏发电设备在不同运行状态下对应有相应的发电能力,可以通过光伏发电设备基于发电输出的发电参数值对其发电能力进行评估。从而,可以对由光伏发电设备产生的发电参数值进行分析,以对光伏发电设备的运行状态进行检测,达到故障检测的目的。并且,在获取发电参数值时无需额外使用检测仪器或是人工操作,因此降低了故障检测的成本。
涉及到的发电参数可以包括光伏发电设备基于发电输出产生的电压、电流和功率等。在获取发电参数值时,可以通过从光伏发电设备或是与光伏发电设备相连接的装置采集数据的方式进行获取,本申请实施例对具体的采集装置不做限制。例如,针对光伏阵列,可以通过与光伏阵列连接的逆变器获取由光伏阵列所输出光能的电压值和电流值。进一步,在获取时,可以选取上述参数中的部分或全部参数,并获取具体的数值。例如可以获取由光伏发电设备所输出的电压值和电流值,本申请实施例对具体的发电参数的选取不做限制。除此之外,还可以基于电学定律,根据所获取的到的发电参数值进一步计算出其他发电参数值。例如在获取到电压值和功率值后,可以根据公式P(功率)=U(电压)×I(电流)计算出相应的电流值。对于在本申请实施例中,主要以光伏阵列作为光伏发电设备的示例说明如何对于光伏发电设备的故障检测方法,在实际应用中,还可以基于相同的设计构思对例如风力发电设备、水力发电设备等使用其他形式的能量发电的设备进行故障检测,本申请对此不做限制。
在一种可能的实现方式中,可以通过访问光伏发电设备的逆变器,读取逆变器采集的发电参数值的方式获取光伏发电设备的发电参数值。逆变器可以将光伏阵列所发的直流电转化成交流电,由光伏阵列所产生的电能需要通过逆变器的处理才能对外输出。
其中,对于配置有通信模组的逆变器,可以预先设置数据采集频率(如每1小时1次),通过通信模组的数据传输能力,向与该通信模组相连接的数据***上报由逆变器所采集到的光伏阵列发电参数值。从而可以通过定期读取上述数据***的方式,实时获取发电参数值,实现对光伏阵列的在线故障检测。
在步骤S402中,根据所述发电参数值构建参数拟合曲线。
本申请实施例中涉及到的参数拟合曲线是指由所获取到至少两种发电参数之间的拟合关系构成的曲线,例如由电压值和电流值之间的拟合关系构成的伏安特性曲线。在获取到发电参数值后,可以使用例如最小二乘法这样的线性拟合算法构建拟合关系,本申请实施例对构建拟合关系的算法选取不做限制。由于拟合关系是由多种发电参数确定的,且发电参数的数值可以反映光伏发电设备的发电能力,因此由发电参数值的参数拟合关系构建的曲线携带了更多的信息量,从而通过参数拟合曲线对光伏发电设备进行故障检测,可以获得更准确的结果。
对于光伏阵列,可以根据所获取到的电流值和电压值,构建电流值和电压值之间的拟合曲线,也即是光伏阵列的伏安特性曲线。在光伏阵列发生故障时,其伏安特性曲线会呈现与故障状态相对应的独特形态。因此,可以通过分析光伏阵列的IV曲线的形态特性,识别光伏阵列的运行状态,从而实现对光伏阵列的故障检测。
在一种可能的实现方式中,在根据发电参数值构建参数拟合曲线之前,还可以根据采集发电参数值时对应的当前照射度和当前温度,将发电参数值校正至标准照射度和标准温度下对应的数值。其中,当前照射度和当前温度可以分别由部署于光伏发电设备的工作环境中的照度仪和温度传感器获取。可以理解的是,与上述逆变器相类似地,涉及到的照度仪和温度传感器可以配置有通信模组,利用通信模组的数据传输能力,可以将由照度仪和温度传感器采集到的当前照射度和当前温度传输至与通信模组相连接的数据***。通过为照度仪和温度传感器设置与逆变器相同的数据采集频率及数据采集时间,即可以从上述数据***获取与采集发电参数值时相对应的当前照射度和当前温度。
涉及到的标准照射度和标准温度可以是预先设置的一组照射度和温度。例如可以是标准测试条件下规定的照射度和温度,即照射度=1000W/m2,温度=25℃;也可以是行业中使用的其他标准下规定的照射度和温度,例如照射度=1000W/m2,温度=20℃。在实际应用中,由于天气变换、季节轮转等环境原因的影响,多次采集参数值时对应有不同的当前照射度和当前温度。光伏阵列的发电能力受照射度和温度的影响较大,例如,在阴天时照射度较低,从而会导致光伏阵列的发电能力较差。在对光伏阵列进行故障检测时,通过将采集到的发电参数值校正至标准照射度和标准温度下对应的数值,可以排除由上述两种因素导致光伏阵列发能力受限的情况,从而提高故障检测的准确性。
在一个应用实例中,可以通过如下公式将电压值和电流值校正至标准测试条件下规定的标准照射度(1000W/m2)和标准温度(25℃)对应的数值:
I2=I1(1+αrel(Tm2-Tm1))G2/G1
V2=V1+VOC1[βrel(Tm2-Tm1)+a·ln(G2/G1)]-Rs(I2-I1)-κ·I2(Tm2-Tm1)
其中,I1、V1分别为校正前的电流值、电压值;I2、V2分别为校正后的电流值、电压值;VOC1为光伏阵列的开路电压;Tm1和Tm2分别为当前温度和标准温度;G1和G2分别为当前照射度和标准照射度;Rs为光伏阵列的内阻;αrel和βrel分别是电流的温度系数和电压的温度系数;a和k为常数,在计算时可以将a和k的取值设置为1。
如图5A和图5B所示为两组数据校正前后的IV曲线示意图,其中,图5A示出了在健康状态下工作的光伏阵列的一组IV曲线,由图5B示出的另一组IV曲线是由具有部分遮挡故障的状态下的光伏阵列的IV曲线。通过图5A和图5B中所示出的数据校正前的IV曲线(rawIV)和数据校正后的IV曲线(corrected IV)可以看出,光伏阵列在健康状态下和故障状态下的发电能力均会受到光照度和温度的影响,且校正前后的数据相差较大。
在一种可能的实现方式中,在根据发电参数值构建参数拟合曲线之后,还可以通过数据重采样,获得数据分布均匀的发电参数值,并基于重采样后的发电参数值重新构建参数拟合曲线。
具体而言,在进行数据重采样时,可以首先按照设定步长和参数数值范围对发电参数中部分发电参数值进行数据重采样。其中,设定步长是指重采样的采样步长,通过按照一定的步长对数据进行重采样可以获得数据分布均匀的数值。涉及到的参数数值范围是指需要进行重采样的发电参数的取值范围,参数数值范围可以根据对应的发电参数在光伏发电设备健康状态下可取的最大值确定。可选的,也可以通过预先设置采样点数(例如50个),然后在参数数值范围内进行等步长采样,以完成对发电参数值的重采样。
由于参数拟合曲线是由至少两种发电参数值确定的,因此在对其中部分发电参数值进行重采样后,即可根据涉及到的多种参数的拟合曲线和重采样后的发电参数值确定发电参数中剩余部分的发电参数值。例如,当参数拟合曲线是由两种发电参数值确定的情况下,首先对其中一种发电参数值重采样,然后根据参数拟合曲线和重采样后的发电参数值重新确定另一种发电参数的取值。
最后,基于重新采样的发电参数值和重新确定的发电参数值,重新构建所述参数拟合曲线,以根据重新构建的参数拟合曲线进行设备故障检测。通过基于重新构建的参数拟合曲线对光伏发电设备进行故障检测,可以提高故障检测的鲁棒性。
在一个应用示例中,在对由光伏阵列获取的电压值和电流值进行重采样时,可以先根据光伏阵列在STC环境中且处于健康状态下的开路电压值,确定对电压值重采样的电压值范围。将电压值范围中的最大值记为最大电压值(Vmax),为了防止由于电压值超限压而导致的故障检测结果不准确,可以将最大电压值设置为一个略大于开路电压值的值。然后在电压值范围[0,Vmax]中等步长采样50个值,作为重采样后的电压值,并构建向量V以记录由重采样获取的50个电压值,从而重采样前所构建的伏安特性曲线与电压向量V,获取与电压向量V中的电压值相对应的电流值,以构建含有50个电流值的电流向量I。最后基于数据重采样获得的电压向量V和电流向量I,重新构建用于对该光伏阵列进行故障检测的伏安特性曲线。
在步骤S403中,基于故障检测模型对参数拟合曲线进行设备故障检测,获得对应的故障检测结果,所述故障检测模型用于提取所述参数拟合曲线的曲线特征并依据所述曲线特征进行设备故障检测。
本申请实施例所提供的故障检测模型是经过预先训练的模型,该模型可以对输入的数据进行特征提取,以识别光伏发电设备的运行状态,从而输出故障检测结果。涉及到的故障检测模型例如可以是卷积神经网络(CNN,Convolutional Neural Network)模型、残差网络(ResNet,Residual Neural Network)模型或支持向量机(Support Vector Machine)模型,也可以是集成了多种模型的机器学习模型或深度学习模型。为了提高故障检测模型的准确率,还可以适应性地为模型添加算法,例如使用正则化(Regularization)算法为模型的损失函数添加正则项,或在构建卷积神经网络时结合注意力机制(AttentionMechanism)等。本申请实施例对具体的机器学习模型、深度学习模型或算法的选取不做限制。
在一种可能的实现方式中,在基于故障检测模型对所述参数拟合曲线进行设备故障检测,获得对应的故障检测结果时,可以首先将所述参数拟合曲线转换为参数变化递归图。参数变化递归图使用图像像素点的像素值表征发电参数值的变化。如图6所示为三种不同状态下的IV曲线(如图6中所标记的IV curve)及各自对应的RP图(RP plot)的示意图。其中,涉及到的状态包括健康状态(healthy status)、第一遮挡故障状态(PS1)和第二遮挡故障状态(PS2)。通过对比上述三种状态下IV曲线以及由IV曲线对应转化得到的RP图,可以发现,相比于三个IV曲线,三个RP图之间的差异更为明显,RP图可以携带更多的特征信息,因此通过使用RP图进行故障检测可以获得更准确的结果。
其中,前述涉及到的参数拟合曲线的曲线特征即包括参数变化递归图的图像特征,将参数变化递归图输入故障检测模型,可以获得对应的故障检测结果。故障检测模型用于提取参数变化递归图的图像特征,并基于所提取的图像特征预测光伏发电设备的设备故障。
图7示出了本申请实施例中提供的故障检测模型的结构示意图。如图7所示,故障检测模型是一个基于卷积神经网络构建的机器学习模型。在将上述参数变化递归图输入该模型后,模型中的第一卷积层(CNN1)将对所输入的参数变化递归图进行初步的特征提取。提取出特征将通过池化层进行降维压缩,以减少后续网络的计算量。其中,池化层可以选用最大池化层(Max Pooling)。然后通过第二卷积层(CNN2)对由池化层输出的特征进行进一步的特征提取,并通过全连接层对得到所提取出的特征针对各故障类型的权重,最后通过交叉熵损失函数(Cross Entropy Loss)判断故障类型,并输出检测结果。
通过上述步骤,所获取的故障检测结果可以包括有故障类型。在获得故障检测结果后,可以根据故障类型定位光伏发电设备中产生故障的发电模组。
除此之外,还可以通过调用通讯应用发送包括故障检测结果的提示消息,以将该提示消息提供给光伏发电设备的运维管理人员。光伏发电设备的运维管理人员可以通过终端设备接收上述提示消息。在收到提示消息后,可以根据提示消息中所指示的故障设备以及故障类型,对产生故障的光伏发电设备进行检修。
本申请实施例还提供了一种故障检测模型处理方法,如图8所示为本申请一实施例的故障检测模型处理方法800的流程图,该方法800可以包括:
在步骤S801中,获取光伏发电设备在多种故障状态下的发电参数样本值。
为了对故障检测模型进行训练,首先需要获取用于训练的发电参数样本值。发电参数样本值可以是光伏发电设备在历史时间段基于发电输出产生的历史数值,也可以通过为发电设备构建等效电路模型的方式,由等效电路模型获得所需要的发电参数样本值。所获取的发电参数样本值对应标记有故障类型的标签,如遮挡故障、老化故障、短路故障或开路故障等。可以理解的是,为了避免故障检测模型将健康状态误报为故障状态,还可以为发电参数样本值中添加在光伏发电设备或是光伏发电设备所对应的等效电路模型在没有任何故障时产生的数值,并对应标记健康状态标签。
在实际应用中可能由于历史数值确实而导致发电参数样本值的数据量不足,从而无法完成对故障检测模型的训练。通过为光伏发电设备构建等效电路模型,可以由等效电路模型的输出获取发电参数样本值,从而补充用于训练的发电样本参数值的数据量,以完成模型的训练。在历史数值充足的情况下,也可以通过使用等效电路模型获取更多的发电样本参数值,通过加大发电样本参数值的数据量提高训练模型的准确性。进一步,由于可以为等效电路模型灵活添加组件以及调配参数,因此,还可以通过等效电路模型模拟多种实际应用中暂未发生的故障,以在光伏发电设备真实发生故障时,获得更为准确的故障检测结果。
在一个应用示例中,可以选用神经网络模型作为故障检测模型,并使用所获取到的发电参数样本值以及对应的故障类型标签对故障检测模型进行训练。在构建故障检测模型时,可以根据参数样本值的数据量以及故障类型的数量对神经网络的深度进行调整,以提高故障检测结果的准确性。本申请实施例对模型内部的具体结构不做限制。
在一种可能的实现方式中,在获取光伏发电设备在多种故障状态下的发电参数样本值时,可以通过光伏发电设备的等效电路模型模拟设备故障,采集模拟的多种故障状态下的发电参数样本值。
其中,在通过光伏发电设备的等效电路模型模拟设备故障时,可以通过所述等效电路模型中添加与故障类型对应的目标组件模拟设备故障,涉及到的目标组件可以包括增益器、串联电阻或并列电阻,涉及到的故障类型可以包括遮挡故障、老化故障、短路故障或开路故障。进一步,针对同一类型的故障,可以通过调整目标组件的数值,获取由等效电路模型提供的不同故障程度下的发电参数样本值。
如图9示出了一个有本申请实施例提供的光伏发电设备的等效电路模型图。该等效电路模型可以用于模拟光伏阵列工作时的运行状态,包括正常工作时的健康状态,以及出现故障时的运行状态。如图9所示,光伏阵列由两个串组组成,每个串组中含有3个光伏模组(PV Cells)。与每个光伏模组相并联的是旁路二极管(Bypass Diode),在实际应用中,旁路二极管可以用于防止光伏模组发生热损坏。该等效电路的输入为两个外界环境变量,分别为照射度(Irradiance)和温度(Temperature)。通过调整这两个变量的值,可以模拟光伏阵列在不同照射度和温度条件下的运行状态所对应的发电参数样本值。
将由PV Cells1、PV Cells2和PV Cells3组成的串组记为第一串组,由PV Cells4、PV Cells5和PV Cells6组成的串组记为第二串组。第一串组中的每个光伏模组的照射度输入接口前接入了一个增益器(Gain),通过调整增益,可以衰减光伏模组的输入照射强度,以模拟遮挡故障。第二串组串联有一个开路电阻(Roc),当Roc的电阻值较小时,第二串组联通正常,当Roc的电阻值较大时,第二串组断路。通过将Roc设置较大的电阻值,可以模拟第二串组的开路故障。
两个串组共同连接有一个串联电阻(Rs_degra),当Rs_degra的电阻值较小时,该等效电路中的光伏阵列连通正常,当Rs_degra的电阻值较大时,光伏阵列由于发电功率被Rs_degra消耗而出现故障,从而可以通过为Rs_degra设置较大的电阻值模拟老化故障。两个串组还共同并联一个并联电阻(Rsh_degra),当Rsh_degra的电阻值较大时,发电功率正常输入到外部负载,当Rsh_degra的电阻值较小时,光伏阵列将会短路。通过为Rsh_degra设置较小的电阻值,可以模拟光伏阵列出现电路短路时的短路故障。
两路光伏串组共同连接到一个电压表和一个电流表,并连接受控电压源进行电压调整。在该等效电路中,各元件的输出值将统一输出到Out变量。
表1示出了本申请实施例所提供的等效电路中与故障状态相对应的故障方针参数所对应的取值范围。
表1故障状态及对应方针参数的取值范围
表1中示出了5个故障状态下对应的故障代码、故障名称、故障设置描述以及故障仿真参数。其中,故障代码是本申请实施例所使用的对应与不同故障类型的标签名,为了对同一故障类型下不同程度的故障进行区分,在故障代码中加入了编号。如PS1和PS2分别表示在在一个串组上有一个PV模组受到部分遮挡,以及在一个串组上有两个PV模组受到部分遮挡的故障状态。表1中涉及的故障类型包括遮挡故障、开路故障(OC)、老化故障(Rs_degra)和短路故障(Rsh_degra)。
下面结合图9对表1中示出的内容进行具体说明。为了获取多种故障状态下的发电参数样本值,可以按照表1所示的故障方针参数中提供的取值或是取值范围,调整等效电路模型中目标组件的取值,从而在等效电路模型的Out采集该等效电路模型输出的发电参数样本值。针对故障代码为PS1的遮挡故障,可以通过调整增益1、增益2和增益3中任意一个增益器的数值,将与该增益器相串联的光伏模组所接受到的光照度控制在环境照射度的[10%,90%]范围内,以模拟如图9所示的第一串组上有一个PV模组受到部分遮挡时的故障状态。类似地,针对故障代码为PS1的遮挡故障,可以调整增益1、增益2和增益3中任意两个增益器的数值以模拟如图9所示的第一串组上有两个PV模组受到部分遮挡时的故障状态。
针对故障代码为OC的开路故障,可以将与第二串组相串联的开路电阻Roc的电阻值设置为105Ω,以模拟第二串组出现开路故障的故障状态。针对故障代码为Rs_degra的老化故障,可以通过调整与两个串组共同连接的串联电阻(Rs_degra)的电阻值,以模拟光伏阵列在不同的老化程度下故障状态,其中,串联电阻的电阻值取值范围可以是Rs∈[0.5Ω,5Ω]。最后,针对故障代码是Rsh_degra的短路故障,可以通过调整与两个串组共同并联的并联电阻(Rsh_degra)的电子值,以模拟光伏阵列处于短路故障时的故障状态,其中,并联电阻的电阻值取值范围可以是Rs∈[0.5Ω,5Ω]。
除上述示出的故障状态以外,还可以通过为等效电路模型添加其他目标组件,或是调整其他参数的形式,模拟其他可能出现的故障状态,以获取相对应的发电参数样本值,本申请对具体的目标组件配置或是参数取值范围不做限制。
在一种可能的实现方式中,在采集模拟的多种故障状态下的发电参数样本值时,可以采集由等效电路模型输出的电流值和电压值。结合图9,可以在Out采集该等效电路模型输出的电压值和电流值。在获取电压值和电流值时,可以通过在上述参数取值范围内取不同参数值的方式获得某一类型故障的多组电压值和电流值,同时也可以调整等效电路模型所输入照射度和温度的值,以模拟在不同当前照射度和当前温度的环境下所输出的电压值和电流值。
在步骤S802中,根据所述发电参数样本值构建参数拟合曲线样本。
在步骤S803中,提取所述参数拟合曲线样本的曲线特征,并根据参数拟合曲线样本的曲线特征以及与所述故障状态对应的故障信息,训练故障检测模型。
上述所获取的参数样本值对应标注有与其故障状态相对应的故障代码(即标签),在训练模型时,即可直接将故障代码作为故障信息,模型进行训练。
在一种可能的实现方式中,在所述根据参数拟合曲线样本的曲线特征以及与故障状态对应的故障信息,训练故障检测模型之前,还可以首先按照设定步长和参数数值范围对发电参数样本值中部分发电参数样本值进行数据重采样,然后根据参数拟合曲线和重采样后发电参数样本值确定发电参数样本值中剩余部分发电参数样本值,最后基于重新采样的发电参数样本值和重新确定的发电参数样本值,重新构建参数拟合曲线样本,以在后续使用重新构建的参数拟合曲线样本对故障检测模型进行训练。针对数据重采样的具体实施方式可以参见前述实施例,此处不再赘述。
在一种可能的实现方式中,在根据所述发电参数样本值构建参数拟合曲线样本之前,还可以根据采集发电参数样本值时对应的当前照射度和当前温度,将发电参数样本值校正至标准照射度和标准温度下对应的数值。结合图9,在Out采集等效电路模型输出的电压值和电流值的同时,还可以采集当前照射度和当前温度。针对数据校正的具体实施方式可以参见前述实施例,此处不再赘述。
在一种可能的实现方式中,提取所述参数拟合曲线样本的曲线特征,并根据参数拟合曲线样本的曲线特征以及与所述故障状态对应的故障信息,训练故障检测模型时,首先将所述参数拟合曲线样本的曲线特征转换为参数变化递归样本图,所述参数变化递归样本图使用图像像素点的像素值表征发电参数样本值的变化。然后基于参数变化递归样本图以及故障信息训练用于检测故障信息的故障检测模型,其中,参数拟合曲线样本的曲线特征即包括参数变化递归样本图的图像特征,故障检测模型用于提取所述参数变化递归样本图的图像特征,并基于所提取的图像特征预测所述光伏发电设备的设备故障。
可以理解的是,还可以将所获取到的参数变化递归样本图分为两部分,将一部分用于训练模型,剩余的部分用于样本测试。在一个应用示例中,本申请实施例所提供的故障检测模型的精度(Accuracy)为0.97,宏平均值(Macro Average)为0.97,加权平均值为0.98。可见,本申请实施例所提供的故障检测模型可以达到较高的准确率。如下表所示为应用本申请实施例提供的故障检测模型的具体测试结果。
故障代码 | Precision | Recall | F1-score | 样本数据量 |
Healthy | 1.00 | 0.93 | 0.96 | 367 |
PS1 | 0.94 | 1.00 | 0.97 | 767 |
PS2 | 1.00 | 1.00 | 1.00 | 741 |
OC | 1.00 | 1.00 | 1.00 | 374 |
Rs_degra | 1.00 | 0.87 | 0.93 | 383 |
Rsh_degra | 0.92 | 1.00 | 0.96 | 363 |
表2故障检测模型的具体测试结果
Precision(准确率),Recall(召回率),F1-score是Precision和Recall的调和平均值。如表2所示,由本申请实施例所提供的故障检测模型对于各类故障类别均能提供较为准确的检测结果。并且,该故障检测模型准确分辨了相同类型、不同程度的故障,如对应故障代码为PS1和PS2的测试结果所示,故障检测模型可以准确识别对由不同数量的故障光伏模组所产生的不同程度的遮挡故障。
本申请实施例还提供了一种光伏发电设备的故障检测方法,如图10所示为本申请一实施例的光伏发电设备的故障检测方法1000的流程图,该方法1000可以包括:
在步骤S1001中,获取光伏发电阵列基于发电输出产生的发电参数值,所述发电参数值用于确定电压值和电流值。
在步骤S1002中,根据所述电压值和电流值构建伏安特性曲线。
在步骤S1003中,将所述伏安特性曲线转换为参数变化递归图,所述参数变化递归图表征发电参数值的变化趋势。
在步骤S1004中,将所述参数变化递归图输入用于故障检测的卷积神经网络进行设备故障检测,获得对应的故障检测结果,所述故障检测结果包括是否存在故障以及故障类型。
具体的实施方式可参见前述实施例,此处不再赘述。
与本申请实施例提供的方法的应用场景以及方法相对应地,本申请实施例还提供一种光伏发电设备的故障检测装置。如图11所示为本申请一实施例的光伏发电设备的故障检测装置1100的结构框图,该装置1100可以包括:
参数值获取模块1101,用于获取光伏发电设备基于发电输出产生的发电参数值;
拟合曲线构建模块1102,用于根据所述发电参数值构建参数拟合曲线;
结果获取模块1103,用于基于故障检测模型对所述参数拟合曲线进行设备故障检测,获得对应的故障检测结果,所述故障检测模型用于提取所述参数拟合曲线的曲线特征并依据所述曲线特征进行设备故障检测。
在一种可能的实现方式中,所述参数获取模块1101可以具体用于访问所述光伏发电设备的逆变器,读取所述逆变器采集的发电参数值。
在一种可能的实现方式中,所述装置1100还可以包括:
参数值校正模块,用于在所述根据所述发电参数值构建参数拟合曲线之前,根据采集所述发电参数值时对应的当前照射度和当前温度,将所述发电参数值校正至标准照射度和标准温度下对应的数值。
在一种可能的实现方式中,所述装置1100还可以包括:
重采样模块,用于在所述根据所述发电参数值构建参数拟合曲线之后,按照设定步长和参数数值范围对所述发电参数值中部分发电参数值进行数据重采样;根据所述参数拟合曲线和重采样后发电参数值确定所述发电参数值中剩余部分发电参数值;基于重新采样的发电参数值和重新确定的发电参数值,重新构建所述参数拟合曲线,以根据重新构建的参数拟合曲线进行设备故障检测。
在一种可能的实现方式中,所述结果获取模块1103可以进一步包括:
递归图转换子模块,用于将所述参数拟合曲线转换为参数变化递归图,所述参数变化递归图使用图像像素点的像素值表征发电参数值的变化;
结果获取子模块,用于将所述参数变化递归图输入故障检测模型,获得对应的故障检测结果,所述故障检测模型用于提取所述参数变化递归图的图像特征,并基于所提取的图像特征预测所述光伏发电设备的设备故障。
在一种可能的实现方式中,所述故障检测结果包括故障类型,所述装置1100还可以包括:
故障定位模块,用于根据所述故障类型定位所述光伏发电设备中产生故障的发电模组。
在一种可能的实现方式中,所述装置1100还可以包括:
消息发送模块,用于通过调用通讯应用发送包括所述故障检测结果的提示消息。
与本申请实施例提供的方法的应用场景以及方法相对应地,本申请实施例还提供一种故障检测模型处理装置。如图12所示为本申请一实施例的故障检测模型处理装置1200的结构框图,该装置1200可以包括:
参数样本值获取模块1201,用于获取光伏发电设备在多种故障状态下的发电参数样本值;
拟合曲线样本构建模块1202,用于根据所述发电参数样本值构建参数拟合曲线样本;
模型训练模块1203,用于提取所述参数拟合曲线样本的曲线特征,并根据参数拟合曲线样本的曲线特征以及与所述故障状态对应的故障信息,训练故障检测模型。
在一种可能的实现方式中,所述参数样本值获取模块1201可以进一步包括:
参数样本值采集子模块,用于通过光伏发电设备的等效电路模型模拟设备故障,采集模拟的多种故障状态下的发电参数样本值。
在一种可能的实现方式中,所述参数样本值采集子模块可以具体用于,通过所述等效电路模型中添加与故障类型对应的目标组件模拟设备故障,所述目标组件包括增益器、串联电阻或并列电阻,所述故障类型包括遮挡故障、老化故障、短路故障或开路故障。
在一种可能的实现方式中,所述参数样本值采集子模块可以具体用于,采集所述等效电路模型输出的电流值和电压值。
在一种可能的实现方式中,所述模型训练模块1203可以具体用于,将所述参数拟合曲线样本的曲线特征转换为参数变化递归样本图,所述参数变化递归样本图使用图像像素点的像素值表征发电参数样本值的变化;基于所述参数变化递归样本图以及故障信息训练用于检测故障信息的故障检测模型,所述参数拟合曲线样本的曲线特征包括所述参数变化递归样本图的图像特征,所述故障检测模型用于提取所述参数变化递归样本图的图像特征,并基于所提取的图像特征预测所述光伏发电设备的设备故障。
在一种可能的实现方式中,所述装置1200还可以包括:
重采样模块,用于在所述根据参数拟合曲线样本的曲线特征以及与所述故障状态对应的故障信息,训练故障检测模型之前,按照设定步长和参数数值范围对所述发电参数样本值中部分发电参数样本值进行数据重采样;根据所述参数拟合曲线样本和重采样后发电参数样本值确定所述发电参数样本值中剩余部分发电参数样本值;基于重新采样的发电参数样本值和重新确定的发电参数样本值,重新构建所述参数拟合曲线样本。
在一种可能的实现方式中,所述装置1200还可以包括:
参数样本值校正模块,用于在所述根据所述发电参数样本值构建参数拟合曲线样本之前,根据采集发电参数样本值时对应的当前照射度和当前温度,将所述发电参数样本值校正至标准照射度和标准温度下对应的数值。
与本申请实施例提供的方法的应用场景以及方法相对应地,本申请实施例还提供另一种光伏发电设备的故障检测装置。如图13所示为本申请一实施例的光伏发电设备的故障检测装置1300的结构框图,该装置1300可以包括:
参数值获取模块1301,用于获取光伏发电设备基于发电输出产生的发电参数值,所述发电参数值用于确定电压值和电流值;
伏安特性曲线构建模块1302,用于根据所述电压值和电流值构建伏安特性曲线;
递归图转换模块1303,用于将所述伏安特性曲线转换为参数变化递归图,所述参数变化递归图表征发电参数值的变化趋势;
结果获取模块1304,用于将所述参数变化递归图输入用于故障检测的卷积神经网络进行设备故障检测,获得对应的故障检测结果,所述故障检测结果包括是否存在故障以及故障类型。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述,并具备相应的有益效果,在此不再赘述。
图14为用来实现本申请实施例的电子设备的框图。如图14所示,该电子设备包括:存储器1401和处理器1402,存储器1401内存储有可在处理器1402上运行的计算机程序。处理器1402执行该计算机程序时实现上述实施例中的方法。存储器1401和处理器1402的数量可以为一个或多个。
该电子设备还包括:
通信接口1403,用于与外界设备进行通信,进行数据交互传输。
如果存储器1401、处理器1402和通信接口1403独立实现,则存储器1401、处理器1402和通信接口1403可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(PeripheralComponent Interconnect,PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器1401、处理器1402及通信接口1403集成在一块芯片上,则存储器1401、处理器1402及通信接口1403可以通过内部接口完成相互间的通信。
本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现本申请实施例中提供的方法。
本申请实施例还提供了一种芯片,该芯片包括处理器,用于从存储器中调用并运行存储器中存储的指令,使得安装有芯片的通信设备执行本申请实施例提供的方法。
本申请实施例还提供了一种芯片,包括:输入接口、输出接口、处理器和存储器,输入接口、输出接口、处理器以及存储器之间通过内部连接通路相连,处理器用于执行存储器中的代码,当代码被执行时,处理器用于执行申请实施例提供的方法。
应理解的是,上述处理器可以是中央处理器(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是,处理器可以是支持进阶精简指令集机器(Advanced RISC Machines,ARM)架构的处理器。
进一步地,可选的,上述存储器可以包括只读存储器和随机访问存储器。该存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以包括随机访问存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM均可用。例如,静态随机访问存储器(Static RAM,SRAM)、动态随机访问存储器(Dynamic Random Access Memory,DRAM)、同步动态随机访问存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机访问存储器(Double Data RateSDRAM,DDR SDRAM)、增强型同步动态随机访问存储器(Enhanced SDRAM,ESDRAM)、同步链接动态随机访问存储器(Sync link DRAM,SLDRAM)和直接内存总线随机访问存储器(DirectRambus RAM,DR RAM)。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生依照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。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。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中描述的或在此以其他方式描述的任何过程或方法可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能。
在流程图中描述的或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。
应理解的是,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,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模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本申请的示例性实施方式,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记载的技术范围内,可轻易想到其各种变化或替换,这些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权利要求的保护范围为准。
Claims (16)
1.一种光伏发电设备的故障检测方法,包括:
获取光伏发电设备基于发电输出产生的发电参数值;
根据所述发电参数值构建参数拟合曲线;
基于故障检测模型对所述参数拟合曲线进行设备故障检测,获得对应的故障检测结果,所述故障检测模型用于提取所述参数拟合曲线的曲线特征并依据所述曲线特征进行设备故障检测。
2.根据权利要求1所述的方法,其中,所述获取光伏发电设备基于发电输出产生的发电参数值包括:
访问所述光伏发电设备的逆变器,读取所述逆变器采集的发电参数值。
3.根据权利要求1所述的方法,其中,在所述根据所述发电参数值构建参数拟合曲线之前,所述方法还包括:
根据采集所述发电参数值时对应的当前照射度和当前温度,将所述发电参数值校正至标准照射度和标准温度下对应的数值。
4.根据权利要求1所述的方法,其中,在所述根据所述发电参数值构建参数拟合曲线之后,所述方法还包括:
按照设定步长和参数数值范围对所述发电参数值中部分发电参数值进行数据重采样;
根据所述参数拟合曲线和重采样后发电参数值确定所述发电参数值中剩余部分发电参数值;
基于重新采样的发电参数值和重新确定的发电参数值,重新构建所述参数拟合曲线,以根据重新构建的参数拟合曲线进行设备故障检测。
5.根据权利要求1所述的方法,其中,所述基于故障检测模型对所述参数拟合曲线进行设备故障检测,获得对应的故障检测结果包括:
将所述参数拟合曲线转换为参数变化递归图,所述参数变化递归图使用图像像素点的像素值表征发电参数值的变化;
将所述参数变化递归图输入故障检测模型,获得对应的故障检测结果,所述参数拟合曲线的曲线特征包括所述参数变化递归图的图像特征,所述故障检测模型用于提取所述参数变化递归图的图像特征,并基于所提取的图像特征预测所述光伏发电设备的设备故障。
6.根据权利要求1所述的方法,其中,所述故障检测结果包括故障类型,所述方法还包括:
根据所述故障类型定位所述光伏发电设备中产生故障的发电模组。
7.一种故障检测模型处理方法,包括:
获取光伏发电设备在多种故障状态下的发电参数样本值;
根据所述发电参数样本值构建参数拟合曲线样本;
提取所述参数拟合曲线样本的曲线特征,并根据参数拟合曲线样本的曲线特征以及与所述故障状态对应的故障信息,训练故障检测模型。
8.根据权利要求7所述的方法,其中,所述获取光伏发电设备在多种故障状态下的发电参数样本值包括:
通过光伏发电设备的等效电路模型模拟设备故障,采集模拟的多种故障状态下的发电参数样本值。
9.根据权利要求8所述的方法,其中,所述通过光伏发电设备的等效电路模型模拟设备故障包括:
通过所述等效电路模型中添加与故障类型对应的目标组件模拟设备故障,所述目标组件包括增益器、串联电阻或并列电阻,所述故障类型包括遮挡故障、老化故障、短路故障或开路故障。
10.根据权利要求8所述的方法,其中,所述采集模拟的多种故障状态下的发电参数样本值包括:
采集所述等效电路模型输出的电流值和电压值。
11.根据权利要求7所述的方法,其中,所述提取所述参数拟合曲线样本的曲线特征,并根据参数拟合曲线样本的曲线特征以及与所述故障状态对应的故障信息,训练故障检测模型包括:
将所述参数拟合曲线样本的曲线特征转换为参数变化递归样本图,所述参数变化递归样本图使用图像像素点的像素值表征发电参数样本值的变化;
基于所述参数变化递归样本图以及故障信息训练用于检测故障信息的故障检测模型,所述参数拟合曲线样本的曲线特征包括所述参数变化递归样本图的图像特征,所述故障检测模型用于提取所述参数变化递归样本图的图像特征,并基于所提取的图像特征预测所述光伏发电设备的设备故障。
12.根据权利要求11所述的方法,其中,在所述根据参数拟合曲线样本的曲线特征以及与所述故障状态对应的故障信息,训练故障检测模型之前,所述方法还包括:
按照设定步长和参数数值范围对所述发电参数样本值中部分发电参数样本值进行数据重采样;
根据所述参数拟合曲线样本和重采样后发电参数样本值确定所述发电参数样本值中剩余部分发电参数样本值;
基于重新采样的发电参数样本值和重新确定的发电参数样本值,重新构建所述参数拟合曲线样本。
13.根据权利要求7所述的方法,其中,在所述根据所述发电参数样本值构建参数拟合曲线样本之前,所述方法还包括:
根据采集发电参数样本值时对应的当前照射度和当前温度,将所述发电参数样本值校正至标准照射度和标准温度下对应的数值。
14.一种光伏发电设备的故障检测方法,包括:
获取光伏发电设备基于发电输出产生的发电参数值,所述发电参数值用于确定电压值和电流值;
根据所述电压值和电流值构建伏安特性曲线;
将所述伏安特性曲线转换为参数变化递归图,所述参数变化递归图表征发电参数值的变化趋势;
将所述参数变化递归图输入用于故障检测的卷积神经网络进行设备故障检测,获得对应的故障检测结果,所述故障检测结果包括是否存在故障以及故障类型。
15.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器在执行所述计算机程序时实现权利要求1-14中任一项所述的方法。
16.一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-14中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310096235.4A CN116054740A (zh) | 2023-01-17 | 2023-01-17 | 光伏发电设备的故障检测、故障检测模型处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310096235.4A CN116054740A (zh) | 2023-01-17 | 2023-01-17 | 光伏发电设备的故障检测、故障检测模型处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116054740A true CN116054740A (zh) | 2023-05-02 |
Family
ID=86127762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310096235.4A Pending CN116054740A (zh) | 2023-01-17 | 2023-01-17 | 光伏发电设备的故障检测、故障检测模型处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116054740A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937695A (zh) * | 2023-09-18 | 2023-10-24 | 国网浙江宁波市鄞州区供电有限公司 | 一种光伏电源的数据分析方法、装置、设备及存储介质 |
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*** |
-
2023
- 2023-01-17 CN CN202310096235.4A patent/CN116054740A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937695A (zh) * | 2023-09-18 | 2023-10-24 | 国网浙江宁波市鄞州区供电有限公司 | 一种光伏电源的数据分析方法、装置、设备及存储介质 |
CN116937695B (zh) * | 2023-09-18 | 2024-02-13 | 国网浙江宁波市鄞州区供电有限公司 | 一种光伏电源的数据分析方法、装置、设备及存储介质 |
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*** |
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*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dhimish et al. | Comparing Mamdani Sugeno fuzzy logic and RBF ANN network for PV fault detection | |
Natarajan et al. | Fault detection of solar PV system using SVM and thermal image processing | |
CN116054740A (zh) | 光伏发电设备的故障检测、故障检测模型处理方法和装置 | |
US20180046924A1 (en) | Whole-life-cycle power output classification prediction system for photovoltaic systems | |
CN111754026B (zh) | 光伏电站群功率预测方法、装置、计算机设备及存储介质 | |
Dhimish et al. | Photovoltaic hot-spots fault detection algorithm using fuzzy systems | |
CN111245365B (zh) | 基于动态加权深度森林的光伏组件故障诊断方法 | |
CN110503153B (zh) | 基于差分进化算法和支持向量机的光伏***故障诊断方法 | |
CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
Wang et al. | Performance assessment of photovoltaic modules based on daily energy generation estimation | |
CN113283580A (zh) | 一种太阳能电池板故障自动检测方法 | |
Prince Winston et al. | Experimental investigation on output power enhancement of partial shaded solar photovoltaic system | |
CN114048896A (zh) | 光伏发电数据的预测方法、***、设备及介质 | |
CN111027768A (zh) | 数据处理方法、装置和应用平台 | |
CN114611799B (zh) | 基于监督学习的时序神经网络新能源出力多步预测方法 | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
Serrano-Luján et al. | Case of study: Photovoltaic faults recognition method based on data mining techniques | |
CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
CN113361946B (zh) | 一种基于分布式光伏并网***的电能质量评估方法及装置 | |
CN116647183A (zh) | 光伏阵列发电性能确定方法、装置和光伏*** | |
CN116166055A (zh) | 光伏***跟踪支架的控制方法、装置和光伏*** | |
TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
CN115759820A (zh) | 一种光伏电站定损计算方法、***及存储介质 | |
CN115082385A (zh) | 基于光伏组件倾斜角的光伏电站缺陷预警方法及装置 |
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 |