CN117808454A - 基于数据集成的三相光伏逆变器生命周期管理***及方法 - Google Patents
基于数据集成的三相光伏逆变器生命周期管理***及方法 Download PDFInfo
- Publication number
- CN117808454A CN117808454A CN202311844042.9A CN202311844042A CN117808454A CN 117808454 A CN117808454 A CN 117808454A CN 202311844042 A CN202311844042 A CN 202311844042A CN 117808454 A CN117808454 A CN 117808454A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic inverter
- subunit
- inverter
- phase photovoltaic
- phase
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000010354 integration Effects 0.000 title claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 238000007726 management method Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000036541 health Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 2
- 238000012937 correction Methods 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000010248 power generation Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 239000000306 component Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004807 localization Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Photovoltaic Devices (AREA)
- Inverter Devices (AREA)
Abstract
基于数据集成的三相光伏逆变器生命周期管理***及方法，涉及逆变器健康管理领域。解决现有软件和控制组件的故障或失灵会降低能量输出，甚至导致光伏***频繁停机或断电等问题，本发明通过光伏组件履历子单元和环境条件监控子单元获得光伏逆变器在运期间受光伏组件及环境条件变化产生的数据信息；根据获得的数据信息，执行运行状态评估子单元、故障检测与定位子单元及剩余寿命与预测子单元，完成光伏逆变器的健康状态监测和剩余寿命的准确估计。本发明基于数据集成的三相光伏逆变器生命周期管理提供数据收集、分析和控制环境，并在单元元件层面实施现场纠正措施，使光伏逆变器各元件和整个光伏***的稳定性和安全性随时间的推移得以大大提升。
Description
技术领域
本发明涉及逆变器健康管理技术领域，具体涉及一种基于数据集成的三相光伏逆变器生命周期管理***及方法。
背景技术
太阳能作为一种高效无污染的新能源，已成为了当今能源结构中一个重要的组成部分。光伏并网发电技术已成为太阳能光电应用的主流。截至2022年，并网光伏发电***的总容量已从300MW增长到约392.04GW。然而，由于光伏***组件和环境因素的高度不确定性及可变性，光伏发电***容量并不稳定，这对大型光伏发电***的可靠性提出了重大挑战。
三相光伏逆变器作为光伏发电***中的重要组成部分，将太阳能电池板产生的直流电通过功率模块转换成可以并网的交流电，其性能优劣直接影响发电***的安全稳定运行。我国能源局发布的光伏逆变器并网标准规定，为防止故障带来的破坏扩大影响局部电网的正常运行和降低经济损失，必须立刻断开并网开关并停止运行。因此，一旦光伏逆变器发生故障，需要快速确定故障位置及故障成因，并立刻停机检修，避免带来更大的功率损失和经济损失。
伴随着智能电网建设的不断推进，先进的监测技术在光伏逆变器运行维护中的应用愈发广泛和深入，包括状态监测、生产管理、运行调度、气象环境等在内的设备运行状态关联信息已经逐渐呈现出体量庞大、种类繁多、增长迅速等典型大数据特征。因此，在电力大数据的时代背景下，进一步推动人工智能技术在光伏逆变器健康管理领域中的全面应用，实现数据驱动与知识引导的有机结合，是设备运行维护迈向精细化、智能化管理的重要基石。
现有技术1：石凯,李光明,吴甫等。光伏发电***电气设备故障原因及处理措施分析[J]，太阳能,2023,(03):58-67。该技术仅通过总结光伏发电***中光伏组件、汇流箱、逆变器在运行过程中常出现的故障问题，分析产生故障的原因，未能识别潜在故障，进而无法提出处理或预防故障的措施。
现有技术2：李琴,潘三博。基于NB-IoT的光伏电站监测***[J]，仪表技术与传感器,2021,(08):59-62。该***利用NB-IoT无线传输技术将数据传输至云平台，监测光伏电站的运行状况。但光伏逆变器的运行情况及故障成因还需人为分析。
现有的可靠性评估技术中，光伏发电***被视为纯物理***。然而，现实生活中的光伏***是一个网络物理***，网络部分在***运行中发挥着关键作用。主要的网络组件包括所有功率转换算法、用于不同工作模式的逆变器状态机、最大功率点***、数字锁相环、孤岛检测器和故障保护。这些软件和控制组件的故障或失灵会降低能量输出，甚至导致光伏***频繁停机或断电。因此，需要对软件和控制的可靠性进行建模，并将其纳入整个光伏***的可靠性中。
发明内容
本发明为解决鉴于上述问题，本发明的目的在于提供一种基于数据集成的三相光伏逆变器生命周期管理***及方法，以反映三相光伏逆变器运行状态的多源信息作为数据基础，实现三相光伏逆变器的状态全面评估、故障智能诊断、剩余寿命精准预测，完成光伏发电***下对三相光伏逆变器状态的全面感知与综合维护。
基于数据集成的三相光伏逆变器生命周期管理***，该***包括环境条件监控子单元，光伏组件履历子单元，数据分析单元，运行状态评估子单元，故障检测与定位子单元以及剩余寿命与预测子单元；
所述环境条件监控子单元用于实时监测逆变器周围的环境数据；
所述光伏组件履历子单元用于记录光伏组件的硬件信息；
所述数据分析单元接收所述环境条件监控子单元获得的环境数据以及光伏组件履历子单元获取的硬件信息，并将所述环境数据和硬件信息作为运行状态评估子单元，故障检测与定位子单元以及剩余寿命与预测子单元的检测依据；
所述运行状态评估子单元用于分析逆变器的实时性能数据，并根据所述环境条件监控子单元提供的环境数据，评估逆变器的当前运行状态；
所述故障检测与定位子单元根据所述运行状态评估子单元获取的实时性能数据以及逆变器的当前运行状态，检测潜在故障并定位问题的具***置；
所述剩余寿命与预测子单元结合光伏组件履历子单元获取的硬件信息以及和实时运行数据，通过数据分析单元预测逆变器的剩余寿命。
本发明还提供一种基于数据集成的三相光伏逆变器生命周期管理方法，该方法由以下步骤实现：
步骤一、根据所述环境条件监控子单元获取的环境数据，光伏组件履历子单元获取的硬件信息以及运行状态评估子单元实时记录的三相光伏逆变器的输入电压、输入电流、输出电压、输出电流以及功率IGBT集电极-发射极电压，获取三相光伏逆变器的状态参数基准值，确定三相光伏逆变器的失效阈值，基于特征变量实测值与基准值之间的残差进行状态评估；
步骤二、利用机器学习算法从异常状态样本中产生分类预测模型，判断光伏逆变器故障类型；
步骤三、采用seq2seq回归模型进行多步预测，实现剩余寿命预测。
本发明的有益效果：本发明基于数据集成的三相光伏逆变器生命周期管理提供数据收集、分析和控制环境，并在单元元件层面实施现场纠正措施，使光伏逆变器各元件和整个光伏***的稳定性和安全性随时间的推移得以大大提升。
本发明方法基于数据集成的三相光伏逆变器生命周期管理***及方法，通过将数据集成技术应用于三相光伏逆变器运行过程中，实现了对三相光伏逆变器生命周期管理的支持。该方法不仅考虑了三相光伏逆变器的并网性能，还考虑了其在不同工况下的动态性能，可以有效地提高三相光伏逆变器的可靠性。
本发明所述的方法，具有广泛的应用前景，可以为电力***的稳定运行和高效管理提供重要的技术支持。
本发明所述的方法，通过数据集成方法对三相光伏逆变器进行生命周期管理，提高三相光伏逆变器的运行效率和可靠性；提前发现潜在故障，预防三相光伏逆变器的损坏和故障；有效减少三相光伏逆变器的维修和更换成本；提供决策支持，优化三相光伏逆变器的运行策略；实现三相光伏逆变器的生命周期管理，促进数据集成技术在光伏***运维过程的全面应用。
附图说明
图1为本发明所述的基于数据集成的三相光伏逆变器生命周期管理***整体框图；
图2为三相光伏逆变器拓扑结构图；
图3为三相光伏逆变器内部电路图；
图4为三相光伏逆变器正常运行I-V特性图；
图5为在光伏组件遮蔽场景下三相光伏逆变器I-V特性图。
具体实施方式
具体实施方式一、结合图1至图3说明本实施方式，基于数据集成的三相光伏逆变器生命周期管理***，该***包括生成期过程任务和运行期过程任务；
生成期过程任务为通过光伏组件履历子单元和环境条件监控子单元，获得三相光伏逆变器在运期间受光伏组件及环境条件变化产生的数据信息。
运行期过程任务为根据获得的数据信息，执行运行状态评估子单元、故障检测与定位子单元及剩余寿命与预测子单元，完成三相光伏逆变器的健康状态监测和剩余寿命的准确估计。
如图1所示，所述环境条件监控子单元用于获得三相光伏逆变器在不同辐照区间的运行时长、累计辐照量、温度区间、湿度区间以及极值情况信息作为环境数据；
所述光伏组件履历子单元根据所述环境条件监控子单元获得的环境数据，获取电池片组件发电量、电池片组件最高温度、电池片组件最低温度、实测电压最大值和实测电压最小值，并根据光伏组件的出厂信息和检修数据，以及传感器采集的光伏组件实时数据，获取光伏组件的硬件信息。
所述运行状态评估子单元根据数据分析单元获得的标准化的数据，并记录不同运行条件下三相光伏逆变器的发电量、逆变效率、三相桥臂输出电流、三相桥臂输出电压、三相桥臂输入电流和三相桥臂输入电压；通过实时监测和分析三相光伏逆变器的工作参数和性能指标，确定三相光伏逆变器的运行状态，并对三相光伏逆变器的潜在故障进行确定；
所述故障检测与定位子单元根据所述运行状态评估子单元确定的三相光伏逆变器的运行状态，对三相光伏逆变器的潜在故障进行确定，并根据所述环境条件监控子单元和所述光伏组件履历子单元获取的数据，对三相光伏逆变器进行故障模式和故障分析，判断故障来源；获得三相光伏逆变器存在的故障程度。
所述剩余寿命与预测子单元用于对三相光伏逆变器的退化指标进行分析处理，动态度量光伏逆变器的健康分数，对三相光伏逆变器的剩余使用时间进行预测。
本实施方式中，所述环境条件监控子单元负责实时监测逆变器周围的环境数据，如温度和湿度。这些数据的采集对逆变器的长期稳定运行至关重要。光伏组件履历子单元则记录着光伏组件的详细历史信息，包括安装日期、维护记录等。这些数据提供了对组件使用情况的全面了解。这两个子单元的数据随后上传至数据分析单元，该单元充当着中央处理单元的角色。数据分析单元整合并分析来自不同子单元的数据，为后续的运行状态评估、故障检测与定位、以及剩余寿命与预测提供基础。在运行状态评估子单元中，***分析逆变器的实时性能数据，考虑环境条件监控子单元提供的信息，评估逆变器的当前运行状态。这有助于实时监测***的性能，及时发现潜在问题。故障检测与定位子单元通过分析逆变器的性能参数，检测潜在故障并定位问题的具***置。这是通过充分利用运行状态评估子单元提供的结果，以精确识别潜在故障。
最后，剩余寿命与预测子单元结合光伏组件履历和实时运行数据，通过数据分析***预测逆变器的剩余寿命。这项预测有助于有效规划维护工作，延长***的使用寿命。整个***的结构和各组成部分之间的协作，确保了在逆变器的整个生命周期内都能够进行有效的监测、评估和维护，以最大化其性能和可靠性。
具体实施方式二、结合图1至图5说明本实施方式，本实施方式为具体实施方式一所述的基于数据集成的三相光伏逆变器生命周期管理***的方法，该方法由以下步骤实现：
步骤1：通过所述环境条件监控子单元采集三相光伏逆变器在不同辐照区间的运行时长、累计辐照量、温度区间、湿度区间，以及极值情况构建环境条件监控子单元；其中，低辐照度变化量为100W/m2～500W/m2，高辐照度变化量为300W/m2～1000W/m2。
三相光伏逆变器在各时段的发电能力受光照条件影响较大，受到光伏电池板发电特性、所处位置及逆变器特性等差异性影响，环境条件监控子单元用于融合积累的历史数据，然后通过数据分析的方法，进行对光伏逆变器的退化、故障等演变规律进行预测。
如图2和图3所示，本实施方式中，选用的三相光伏逆变器内部拓扑结构如图2所示，逆变器三相桥臂包含12个绝缘栅双极型晶体管(IGBT)和12个续流二极管。续流二极管与IGBT反向并联，为电流提供反向导通回路。逆变器输出电压经过LC滤波器为负载供电，其开关状态由门信号控制。当门信号为1时，IGBT导通；当门信号为0时，IGBT关断。
以A相为例，电路中的IGBT如图3虚线框中所示，G表门极gate，它用来接收指令。C表示集电极collector，E表示发射极emitter，集电极和发射极用来导通电流。平时IGBT是截止的，一旦门极接收到一个开通指令，电流就会源源不断地从集电极到发射极之间流过。
步骤2：利用步骤1获得的三相光伏逆变器运行外部环境条件，所述光伏组件履历子单元获取电池片组件发电量、组件最高温度、组件最低温度、实测电压最大值和实测电压最小值。光伏组件主要包括电池片和接线盒。根据光伏组件的出厂信息和检修数据，以及光伏背板温度传感器采集的光伏组件实时数据，获取光伏组件的硬件信息。对以上所述硬件信息进行处理，获得支持三相光伏逆变器稳定运行的有效光伏组件条件。
根据温湿度传感器采集的温度值和湿度值，及太阳能监测传感器采集的辐照度，对三相光伏逆变器的运行时间进行划分，记录同一时间点内电池片组件的发电量，电池片组件发电量＝平均日照时间×太阳能电池板瓦数×75％。本发明实施例选用60片多晶双玻单面组件，60块电池面板以6×10的网格布置，每平方米供电540W。
步骤3：将步骤1和步骤2获得的三相光伏逆变器运行所需的环境信息和硬件信息上传到数据分析单元。该数据分析单元可以收集、评估、可视化和解释所有这些来源的数据。
所述数据分析单元主要包括数据清洗、数据去噪、数据标准化及数据标定。对误差太大导致噪声太多的数据做平滑处理，利用Z分数标准化对不利于拟合和迭代计算的离群值做标准化处理，去除重复数据，填补缺失值，制定数据标签。
本实施方式中，以人为更换遮挡位置模拟自然条件下光伏组件的遮蔽效应，图5为遮挡状态下的I-V曲线，较图4正常状态下输出特性曲线相比，该状态下的I-V曲线出现多膝盖现象，可以知道光伏阵列中有个别组件的旁路二极管已经短路。
步骤4：采用运行状态评估子单元跟踪记录不同运行条件下三相光伏逆变器的发电量、逆变效率、三相桥臂输入、输出电流和三相桥臂输入、输出电压；并通过实时监测和分析光伏逆变器的工作参数和性能指标，及时检测和诊断逆变器的故障或异常情况，提供预测性维护。功率IGBT器件作为光伏逆变器的核心组成部分，其运行状态可作为光伏逆变器运行状态的重要表征。具体过程如下：
步骤4.1：定义在环境温度为25°、输入电压为额定工作电压条件下，性能满足要求的三相光伏逆变器的运行状态为正常。等时间间隔连续采集三相光伏逆变器在t个时刻点的输入电压Vi(n)、输入电流Ii(n)、输出电压Vo(n)、输出电流Io(n)以及功率IGBT的集电极-发射极电压Vce(n)，其中，n＝1,2,···,t。计算采集数据的均值μ(n)和标准差σ(n)。
定义正常运行状态下三相光伏逆变器特征参数为基准值， 服从正态分布/>
步骤4.2：获取正常运行状态下功率IGBT的集电极-发射极电压基准值定义当功率IGBT的集电极-发射极电压增大到其基准值Vce0的1.15倍时，三相光伏逆变器的剩余寿命为零，即三相光伏逆变器的失效阈值F＝1.15Vce0。
步骤4.3：根据上述的三相光伏逆变器的特征参数基准值，与实际场景测量值进行比较，计算特征变量实测值与基准值之间的残差E。
判断tm时刻三相光伏逆变器的状态，其状态评估准则如下：
当时，当前三相光伏逆变器为正常状态；/>为tm时刻的残差；
当或/>时，当前三相光伏逆变器为异常状态。
步骤5：构建故障检测与定位子单元，根据步骤4中确定的三相光伏逆变器的运行状态，对三相光伏逆变器的潜在故障进行确定，基于步骤1及步骤2所提到的多种外部条件，故障预测与定位子单元用于对光伏逆变器多故障模式和复杂故障分析的研究。判断故障来源，包括光伏组件因素、逆变器因素以及失配效应。
其中，光伏组件因素包括遮蔽效应，即因树叶或灰尘掉落造成的局部遮挡；失配效应，即光伏组件的退化、污染效应、光伏组件或光伏串失效、电子元件的断开、光伏***与电网断开。逆变器因素包括短路故障、开路故障、逆变器功率限制、低电压穿越故障、高电压穿越故障、最大功率点***故障。具体过程为：
步骤5.1：采集异常状态的三相光伏逆变器在t时间段内的输出电压，t＞60秒，并据此得到训练样本集合，采用极限学习机(Extreme Learning Machine,ELM)构建光伏逆变器故障诊断与定位模型，对于隐层输出函数表示为G(a,b,x)，隐藏节点个数表示为L；
步骤5.2：生成隐层节点参数(ai,bi)，计算隐藏输出矩阵H，输出网络最优权重β；
步骤5.3：确定ELM的输入为55×1的向量，隐含层神经元个数为500，选择sigmod函数作为隐含层神经元的激活函数，得到ELM为55×500×2的神经网络。
根据上述制定的数据标签，输出故障分类结果：光伏组件因素、逆变器因素以及失配效应。
步骤6：构建剩余寿命与预测子单元，根据步骤5中确定的三相光伏逆变器在各外部条件的故障程度，对三相光伏逆变器的退化指标进行分析处理，以动态的度量光伏逆变器的健康分数，对三相光伏逆变器的剩余使用时间进行预测。具体过程为：
步骤6.1：采用seq2seq2网络构建光伏逆变器寿命预测模型，对于编码过程将输入样本信息进行记忆，并保存于隐藏层中表示为ht＝f(h(t-1),xt)。
步骤6.2：将注意力机制引入了seq2seq模型的解码过程中，将编码器Encoder的隐藏层序列hn与解码器Decoder的隐藏层sn-1的相关性en,n-1表示为：
其中，a为神经网络，va、Wa与Ua均为神经网络参数。
Encoder的隐藏层序列对应的权值表示为
步骤6.3：将Encoder的所有隐藏层对应的权重进行加权求和得到此时刻经编码后的输入序列的组合
步骤6.4：将cn的值代入解码器，求得此时刻Decoder隐藏层对应的值sn，sn＝f(sn-1,yn-1,cn)，并以此为基础求取此时刻Decoder的输出值yn，yn＝g(yn-1,sn,cn)，即为光伏逆变器剩余寿命的预测值。
步骤6.5：确定节点参数取为[50 100 150]，并将预测时间设为[5 20 50]，注意力机制的epoch为100。
依据步骤6.1-6.5对三相光伏逆变器进行寿命预测，得到在预测起点tn时，三相光伏逆变器剩余的寿命RUL为：RUL＝ts-tn,s＝n+1,···,t。当判断预测的下降到F＝1.15Vce0，即当/>时，认为ts时刻三相光伏逆变器失效。
以上所述实施例仅为本发明的较佳实施方式，但并不能因此而理解为对本发明专利范围的限制，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。
本说明书和附图仅仅是本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以进行各种改动和变形而不脱离本发明的范围。
Claims (10)
1.基于数据集成的三相光伏逆变器生命周期管理***，其特征是：该***包括环境条件监控子单元，光伏组件履历子单元，数据分析单元，运行状态评估子单元，故障检测与定位子单元以及剩余寿命与预测子单元；
所述环境条件监控子单元用于实时监测逆变器周围的环境数据；
所述光伏组件履历子单元用于记录光伏组件的硬件信息；
所述数据分析单元接收所述环境条件监控子单元获得的环境数据以及光伏组件履历子单元获取的硬件信息，并将所述环境数据和硬件信息作为运行状态评估子单元，故障检测与定位子单元以及剩余寿命与预测子单元的检测依据；
所述运行状态评估子单元用于分析逆变器的实时性能数据，并根据所述环境条件监控子单元提供的环境数据，评估逆变器的当前运行状态；
所述故障检测与定位子单元根据所述运行状态评估子单元获取的实时性能数据以及逆变器的当前运行状态，检测潜在故障并定位问题的具***置；
所述剩余寿命与预测子单元结合光伏组件履历子单元获取的硬件信息以及实时运行数据，通过数据分析单元预测逆变器的剩余寿命。
2.根据权利要求1所述的基于数据集成的三相光伏逆变器生命周期管理***，其特征在于：所述环境条件监控子单元用于获得三相光伏逆变器在不同辐照区间的运行时长、累计辐照量、温度区间、湿度区间以及极值信息作为环境数据；
所述光伏组件履历子单元根据所述环境条件监控子单元获得的环境数据，获取电池片组件发电量、电池片组件最高温度、电池片组件最低温度、实测电压最大值和实测电压最小值，并根据光伏组件的出厂信息和检修数据，以及光伏背板温度传感器采集的光伏组件实时数据，获取光伏组件的硬件信息。
3.根据权利要求1所述的基于数据集成的三相光伏逆变器生命周期管理***，其特征在于：将所述环境条件监控子单元获得的环境信息和所述光伏组件履历子单元获得的硬件信息传至数据分析单元进行标准化处理，即：对数据进行清洗、去噪、标准化以及数据标定，获得标准化的数据。
4.根据权利要求1所述的基于数据集成的三相光伏逆变器生命周期管理***，其特征在于：所述运行状态评估子单元根据数据分析单元获得的标准化的数据，并记录不同运行条件下三相光伏逆变器的发电量、逆变效率、三相桥臂输出电流、三相桥臂输出电压、三相桥臂输入电流和三相桥臂输入电压；
通过实时监测和分析三相光伏逆变器的工作参数和性能指标，确定三相光伏逆变器的运行状态，并对三相光伏逆变器的潜在故障进行确定。
5.根据权利要求1所述的基于数据集成的三相光伏逆变器生命周期管理***，其特征在于：所述故障检测与定位子单元根据所述运行状态评估子单元确定的三相光伏逆变器的运行状态，对三相光伏逆变器的潜在故障进行确定，并根据所述环境条件监控子单元和所述光伏组件履历子单元获取的数据，对三相光伏逆变器进行故障模式的确定和复杂故障分析，判断故障来源；获得三相光伏逆变器存在的故障程度。
6.根据权利要求1所述的基于数据集成的三相光伏逆变器生命周期管理***，其特征在于：所述剩余寿命与预测子单元用于对三相光伏逆变器的退化指标进行分析处理，动态度量光伏逆变器的健康分数，对三相光伏逆变器的剩余使用时间进行预测。
7.基于数据集成的三相光伏逆变器生命周期管理方法，其特征是：该管理方法通过权利要求1至6任一项所述的基于数据集成的三相光伏逆变器生命周期管理***实现，该方法的具体过程为：
步骤一、根据所述环境条件监控子单元获取的环境数据，光伏组件履历子单元获取的硬件信息以及运行状态评估子单元实时记录的三相光伏逆变器的输入电压、输入电流、输出电压、输出电流以及功率IGBT集电极-发射极电压，获取三相光伏逆变器的状态参数基准值，确定三相光伏逆变器的失效阈值，基于特征变量实测值与基准值之间的残差进行状态评估；
步骤二、利用机器学习算法从异常状态样本中产生分类预测模型，判断光伏逆变器故障类型；
步骤三、采用seq2seq回归模型进行多步预测，实现所述三相光伏逆变器剩余寿命预测。
8.根据权利要求7所述的基于数据集成的三相光伏逆变器生命周期管理方法，其特征在于：步骤一的具体过程为：
步骤一一、设定在环境温度为25°、输入电压为额定工作电压条件下，三相光伏逆变器的运行状态为正常；等时间间隔连续采集三相光伏逆变器在t个时刻点的输入电压Vi(n)、输入电流Ii(n)、输出电压Vo(n)、输出电流Io(n)以及功率IGBT的集电极-发射极电压Vce(n)，其中，n＝1,2,···,t；计算采集数据的均值μ(n)和标准差σ(n)；
步骤一二、设定正常运行状态下三相光伏逆变器特征参数为基准值，获取正常运行状态下功率IGBT的集电极-发射极电压基准值，设定当功率IGBT的集电极-发射极电压增大到其基准值Vce0的1.15倍时，三相光伏逆变器的剩余寿命为零，即：三相光伏逆变器的失效阈值F＝1.15Vce0；
步骤一三、将步骤一二中设定的三相光伏逆变器的基准值与实际场景测量值进行比较，计算特征变量实测值与基准值之间的残差E；
判断tm时刻三相光伏逆变器的状态，m＝1,2,···,t，其状态评估准则如下：
当时，当前三相光伏逆变器为正常状态；
当E(tm)＜0或时，当前三相光伏逆变器为异常状态。
9.根据权利要求7所述的基于数据集成的三相光伏逆变器生命周期管理方法，其特征在于：步骤二中，所述故障检测与定位子单元根据确定的三相光伏逆变器的运行状态，对三相光伏逆变器的潜在故障进行确定；具体过程为：
步骤二一、采集异常状态的三相光伏逆变器在t时间段内的输出电压，并获得训练样本集合，采用ELM构建光伏逆变器故障诊断与定位模型，对于隐层输出函数表示为G(a,b,x)，隐藏节点个数表示为L；
步骤二二、生成隐层节点参数(ai,bi)，计算隐藏输出矩阵H，输出网络最优权重β；
步骤二三、确定ELM的输入为55×1的向量，隐含层神经元个数为500，选择sigmod函数作为隐含层神经元的激活函数，获得ELM为55×500×2的神经网络，并输出故障分类结果。
10.根据权利要求7所述的基于数据集成的三相光伏逆变器生命周期管理方法，其特征在于：步骤三的具体过程为：
步骤三一、采用seq2seq2模型构建光伏逆变器寿命预测模型，对于编码过程将输入样本信息进行记忆，并保存隐藏层中表示为ht＝f(h(t-1),xt)；
步骤三二、将注意力机制引入了seq2seq模型的解码过程中，将Encoder的隐藏层序列hn与Decoder的隐藏层sn-1的相关性en,n-1表示为：
式中，a为神经网络，va、Wa与Ua均为神经网络参数；
Encoder的隐藏层序列对应的权值表示为
步骤三三、将Encoder的所有隐藏层对应的权重进行加权求和获得此时刻经编码后的输入序列的组合
步骤三四、将cn的值代入Decoder，求得此时刻Decoder隐藏层对应的值sn，sn＝f(sn-1,yn-1,cn)，并以此为基础求取此时刻Decoder的输出值yn，yn＝g(yn-1,sn,cn)，即为光伏逆变器剩余寿命的预测值；
步骤三五、确定节点参数取为[50100150]，并将预测时间设为[52050]，注意力机制的epoch为100；
依据步骤三一至步骤三五对三相光伏逆变器进行寿命预测，获得在预测起点tn时，三相光伏逆变器剩余的寿命RUL为：RUL＝ts-tn,s＝n+1,···,t；当判断预测的Vce(tn)下降到F＝1.15Vce0，即当Vce(ts)＜1.15Vce0时，认为ts时刻三相光伏逆变器失效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311844042.9A CN117808454A (zh) | 2023-12-29 | 2023-12-29 | 基于数据集成的三相光伏逆变器生命周期管理***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311844042.9A CN117808454A (zh) | 2023-12-29 | 2023-12-29 | 基于数据集成的三相光伏逆变器生命周期管理***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117808454A true CN117808454A (zh) | 2024-04-02 |
Family
ID=90428013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311844042.9A Pending CN117808454A (zh) | 2023-12-29 | 2023-12-29 | 基于数据集成的三相光伏逆变器生命周期管理***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117808454A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109842372A (zh) * | 2017-11-28 | 2019-06-04 | 中国电力科学研究院有限公司 | 一种光伏组件故障检测方法和*** |
| CN110441643A (zh) * | 2019-08-07 | 2019-11-12 | 北京航空航天大学 | 永磁同步电机控制***中逆变器功率管断路故障诊断方法 |
| CN111800067A (zh) * | 2020-06-29 | 2020-10-20 | 南京理工大学 | 逆变器欠压故障下多电机同步协调容错控制方法及*** |
| CN114781262A (zh) * | 2022-04-21 | 2022-07-22 | 哈尔滨工业大学 | 基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及*** |
| CN114825636A (zh) * | 2022-05-26 | 2022-07-29 | 深圳博浩远科技有限公司 | 一种光伏逆变器健康状态监控与告警***及方法 |
| CN116930669A (zh) * | 2023-09-15 | 2023-10-24 | 深圳戴普森新能源技术有限公司 | 一种光伏逆变器故障检测方法及检测*** |
| KR20230170219A (ko) * | 2022-06-10 | 2023-12-19 | 딥센싱 주식회사 | 심층 신경망을 이용한 장비 고장 탐지 방법 및 시스템 |
-
2023
- 2023-12-29 CN CN202311844042.9A patent/CN117808454A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109842372A (zh) * | 2017-11-28 | 2019-06-04 | 中国电力科学研究院有限公司 | 一种光伏组件故障检测方法和*** |
| CN110441643A (zh) * | 2019-08-07 | 2019-11-12 | 北京航空航天大学 | 永磁同步电机控制***中逆变器功率管断路故障诊断方法 |
| CN111800067A (zh) * | 2020-06-29 | 2020-10-20 | 南京理工大学 | 逆变器欠压故障下多电机同步协调容错控制方法及*** |
| CN114781262A (zh) * | 2022-04-21 | 2022-07-22 | 哈尔滨工业大学 | 基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及*** |
| CN114825636A (zh) * | 2022-05-26 | 2022-07-29 | 深圳博浩远科技有限公司 | 一种光伏逆变器健康状态监控与告警***及方法 |
| KR20230170219A (ko) * | 2022-06-10 | 2023-12-19 | 딥센싱 주식회사 | 심층 신경망을 이용한 장비 고장 탐지 방법 및 시스템 |
| CN116930669A (zh) * | 2023-09-15 | 2023-10-24 | 深圳戴普森新能源技术有限公司 | 一种光伏逆变器故障检测方法及检测*** |
Non-Patent Citations (1)
| Title |
|---|
| 姜媛媛等: "基于小波包能量谱和ELM的光伏逆变器多故障在线诊断", 仪器仪表学报, vol. 36, no. 09, 15 September 2015 (2015-09-15), pages 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105337575B (zh) | 光伏电站状态预测及故障诊断方法和*** | |
| KR101882106B1 (ko) | 태양전지모듈 발전량 예측방법 및 예측장치 | |
| KR101238620B1 (ko) | 태양광발전 시스템의 고장 인식 장치 및 이의 진단 방법 | |
| KR102148761B1 (ko) | 태양광 발전 시스템의 고장 진단 장치 | |
| KR102230548B1 (ko) | Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템 | |
| KR102475374B1 (ko) | 휴지시간대를 활용한 스트링 단위의 태양광 발전시스템 능동형 고장예지 진단장치 및 그 방법 | |
| CN112883634B (zh) | 基于多维度分析的直流测量***状态预测方法及*** | |
| CN115063058B (zh) | 一种基于模型驱动和数据驱动的综合能源态势感知*** | |
| CN117318111B (zh) | 一种基于天气预测的光储能源动态调节方法及*** | |
| CN115293372A (zh) | 基于多维度、多参量数值分析的光伏组串故障诊断方法 | |
| CN114019392B (zh) | 一种燃料电池***单片电压一致性和故障干预*** | |
| KR20170126623A (ko) | 멀티변수를 기반으로 한 태양광 발전설비의 효율성 진단시스템 | |
| CN117808454A (zh) | 基于数据集成的三相光伏逆变器生命周期管理***及方法 | |
| CN104601107A (zh) | 一种云光伏故障诊断*** | |
| CN114722705A (zh) | 一种电力电缆线路劣化诊断方法 | |
| CN109474069B (zh) | 一种分布式发电站状态监测方法 | |
| CN111245097A (zh) | 一种智能电网管控***及方法 | |
| CN117951633B (zh) | 一种光伏发电设备故障诊断方法及*** | |
| CN117728585B (zh) | 一种分布式光伏电站状态预测方法及*** | |
| CN117130351B (zh) | 基于数字孪生技术的新能源场站区域联合控制保护*** | |
| Jing et al. | On-line Diagnosis Technology of Distributed Photovoltaic Abnormal Generation Based on Output Prediction | |
| CN117077380A (zh) | 一种降低人工智能装置功耗的方法及装置 | |
| CN118232345A (zh) | 一种基于分布式神经网络的储能电站故障诊断*** | |
| Pei et al. | Trend Prediction of DC Measuring System Based on LSTM | |
| CN118249389A (zh) | 一种风电并网计划偏差补偿用双储能电池能量管理方法 |
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 |