CN118232834A - 一种光伏组件故障诊断方法、装置、设备及存储介质 - Google Patents
一种光伏组件故障诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118232834A CN118232834A CN202410162585.0A CN202410162585A CN118232834A CN 118232834 A CN118232834 A CN 118232834A CN 202410162585 A CN202410162585 A CN 202410162585A CN 118232834 A CN118232834 A CN 118232834A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- fault diagnosis
- photovoltaic module
- target
- 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 185
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 18
- 230000015556 catabolic process Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 239000000306 component Substances 0.000 description 60
- 238000012545 processing Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本公开实施例提供了一种光伏组件故障诊断方法、装置、设备及存储介质。包括:获取光伏组件的待测组件数据;获取光伏组件的样本组件数据,根据样本组件数据构建故障诊断模型,其中,故障诊断模型中包括样本组件数据和故障类型的对应关系;根据待测组件数据和故障诊断模型确定光伏组件的故障诊断结果。基于数据驱动的原理,利用已有的样本数据进行建模和推断,能够提高故障诊断的准确性和效率。随着更多样本数据的积累和模型的不断优化,故障诊断的效果将进一步提升。通过对数据进行特征提取和相似度比较,可以提高故障诊断的准确率。
Description
技术领域
本发明涉及新能源领域,尤其是涉及一种光伏组件故障诊断方法、装置、设备及存储介质。
背景技术
随着全球能源需求的不断增长和环境保护意识的不断提高,太阳能作为一种清洁、可再生的能源,越来越受到人们的关注。太阳能电池板是将太阳能转化为电能的核心部件,其性能和寿命直接影响着太阳能发电***的效率和可靠性。
然而,太阳能电池板在使用过程中可能会出现各种故障,如电池板老化、裂纹、短路、开路等,这些故障会导致电池板的输出功率下降,影响发电效率。因此,对太阳能电池板进行故障诊断是保证太阳能发电***正常运行的重要手段之一。
目前,常用的太阳能电池板故障诊断方法主要有电学检测、光学检测和热学检测等。其中,电学检测是最常用的方法,它利用电学仪器对太阳能电池板进行测试,然后通过分析测试数据来判断电池板的故障类型。然而,电学检测方法存在着检测精度低、检测速度慢以及检测成本高等问题。
发明内容
本发明的目的在于克服现有技术方案检测精度低、检测速度慢以及检测成本高的问题,提供了一种光伏组件故障诊断方法、装置、设备及存储介质,能够通过迭代训练神经网络构建出故障诊断模型,实现光伏组件的故障诊断。
第一方面,本公开实施例提供了一种光伏组件故障诊断方法,该方法包括:
获取光伏组件的待测组件数据;
获取光伏组件的样本组件数据,根据样本组件数据构建故障诊断模型,其中,故障诊断模型中包括样本组件数据和故障类型的对应关系;
根据待测组件数据和故障诊断模型确定光伏组件的故障诊断结果。
可选的,获取光伏组件的待测组件数据,包括:根据指定时间采集光伏组件的电路相关数据和环境相关数据,其中,电路相关数据包括电流值、电压值和反向电压值,环境相关数据包括辐照度、湿度值和温度值;对电路相关数据和环境相关数据进行特征提取以获取组件特征数据;将组件特征数据存入指定地址以生成待测组件数据。
可选的,获取光伏组件的样本组件数据,包括:获取光伏组件的历史电路数据和历史环境数据;对历史电路数据和历史环境数据进行特征提取以获取历史特征数据;基于历史特征数据获取用户标注的故障类型,根据历史特征数据和故障类型的对应关系生成数据集,其中,故障类型包括短路、开路、电击穿、热击穿和阴影遮挡;将数据集按照指定比例划分成训练集和测试集;将训练集和测试集作为样本组件数据。
可选的,构建故障诊断模型,包括:搭建神经网络结构的初始网络结构,并获取用户输入的目标迭代次数;根据训练集对初始网络结构进行迭代训练,并确定当前迭代次数;当当前迭代次数与目标迭代次数一致时,输出对应的网络结构作为初始诊断模型;根据初始诊断模型和测试集生成故障诊断模型。
可选的,根据初始诊断模型和测试集生成故障诊断模型,包括:将测试集中的各历史特征数据输入初始诊断模型以获取输出的测试故障类型,并确定各历史特征数据对应的实际故障类型;根据测试故障类型和实际故障类型确定模型准确率;判断模型准确率是否大于预设阈值,若是,直接将初始诊断模型作为故障诊断模型;否则,基于模型准确率获取调整参数,根据调整参数对初始诊断模型进行调整以生成故障诊断模型。
可选的,根据待测组件数据和故障诊断模型确定光伏组件的故障诊断结果,包括:基于故障诊断模型确定待测组件数据和各样本组件数据的相似度;将相似度最大的样本组件数据作为目标样本数据;获取目标样本数据的故障类型作为目标诊断故障,根据目标诊断故障获取目标解决方案;将目标诊断故障和目标解决方案作为故障诊断结果。
可选的,根据目标诊断故障获取目标解决方案,包括:获取预设的故障解决方案清单,其中,故障解决方案清单中包括各诊断故障对应的解决方案;通过故障解决方案清单对目标诊断故障进行匹配,以获取与目标诊断故障匹配的目标解决方案。
第二方面,本公开实施例还提供了一种光伏组件故障诊断装置,该装置包括:
待测组件数据获取模块,用于获取光伏组件的待测组件数据;
故障诊断模型构建模块,用于获取光伏组件的样本组件数据,根据样本组件数据构建故障诊断模型,其中,故障诊断模型中包括样本组件数据和故障类型的对应关系;
故障诊断结果生成模块,用于根据待测组件数据和故障诊断模型确定光伏组件的故障诊断结果。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
当存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行如本公开任意实施例的一种光伏组件故障诊断方法。
第四方面,本公开实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开任意实施例的一种光伏组件故障诊断方法。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
因此,本发明有如下有益效果:
1.基于数据驱动的原理,利用已有的样本数据进行建模和推断,能够提高故障诊断的准确性和效率。
2.随着更多样本数据的积累和模型的不断优化,故障诊断的效果将进一步提升。
3.通过对数据进行特征提取和相似度比较,可以提高故障诊断的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的一些实施例,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是根据本发明实施例一提供的一种光伏组件故障诊断方法的流程图;
图2是根据本发明实施例一提供的另一种光伏组件故障诊断方法的流程图;
图3是根据本发明实施例二提供的一种光伏组件故障诊断装置结构示意图;
图4是根据本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种光伏组件故障诊断方法的流程图,本实施例可适用于检测光伏组件故障的情况。该方法可以由本公开实施例所提供的光伏组件故障诊断装置来执行,该装置可采用软件和/或硬件的方式实现,并一般可集成在计算机设备中。本公开实施例的方法具体包括:
S110:获取光伏组件的待测组件数据。
其中,光伏组件是一种将太阳能转化为电能的设备,通常由多个太阳能电池片组成。每个太阳能电池片都由两层半导体材料组成,当阳光照射到电池片上时,会激发电子和空穴的运动,从而产生电流。多个太阳能电池片通过串联和并联的方式连接在一起,形成一个光伏组件,将产生的电流汇集起来,输出到外部电路中。光伏组件的性能和效率受到多种因素的影响,需要对光伏组件进行故障诊断。
可选的,获取光伏组件的待测组件数据,包括:根据指定时间采集光伏组件的电路相关数据和环境相关数据,其中,电路相关数据包括电流值、电压值和反向电压值,环境相关数据包括辐照度、湿度值和温度值;对电路相关数据和环境相关数据进行特征提取以获取组件特征数据;将组件特征数据存入指定地址以生成待测组件数据。
具体的,根据指定的时间间隔,采集光伏组件的电路相关数据和环境相关数据。这些数据包括电流值、电压值、反向电压值、辐照度、湿度值和温度值等。这些数据对于评估光伏组件的性能和运行状况至关重要。为了获取这些数据,可以使用各种传感器来测量组件的电压、电流和温度等参数,或者使用无人机等设备来拍摄组件的图像。这些数据可以通过无线传输等方式发送到数据中心进行处理。接下来,控制器对采集到的电路相关数据和环境相关数据进行特征提取,以获取组件特征数据。控制器是指进行光伏故障诊断的计算机控制器。特征提取是一种数据处理技术,它可以从原始数据中提取出有意义的特征,以便更好地理解和分析数据。在这个过程中,可以使用各种数据分析方法和算法,如统计分析、机器学习等,来提取出光伏组件的关键特征。最后,将提取得到的组件特征数据存入指定地址,以生成待测组件数据。指定地址可以是本地文件***、数据库或者云端存储等。待测组件数据可以用于后续的分析和处理,例如评估光伏组件的性能、检测故障、优化***设计等。
S120:获取光伏组件的样本组件数据,根据样本组件数据构建故障诊断模型,其中,故障诊断模型中包括样本组件数据和故障类型的对应关系。
具体的,获取到待测组件数据和样本组件数据后,我们可以根据样本组件数据构建故障诊断模型。该模型中包括样本组件数据和故障类型的对应关系,通过对样本组件数据进行分析和处理,建立起不同故障类型与相应数据特征之间的映射关系。
图2为本发明实施例一提供了一种光伏组件故障诊断方法的流程图,步骤S120主要包括如下的步骤S121至步骤S125:
S121:获取光伏组件的样本组件数据。
可选的,获取光伏组件的样本组件数据,包括:获取光伏组件的历史电路数据和历史环境数据;对历史电路数据和历史环境数据进行特征提取以获取历史特征数据;基于历史特征数据获取用户标注的故障类型,根据历史特征数据和故障类型的对应关系生成数据集,其中,故障类型包括短路、开路、电击穿、热击穿和阴影遮挡;将数据集按照指定比例划分成训练集和测试集;将训练集和测试集作为样本组件数据。
具体的,历史电路数据包括电流值、电压值和反向电压值等,历史环境数据包括辐照度、湿度值和温度值等。在获取了历史电路数据和历史环境数据之后,需要对这些数据进行特征提取,以获取历史特征数据。这些历史特征数据可以用于构建故障诊断模型,例如,如果某个组件的电压值异常低,那么它可能存在短路故障。特征提取可以使用聚类分析法,具体可以将历史数据分成不同的簇,每个簇代表一种故障类型。通过对簇的特征进行分析,可以提取出光伏组件的关键特征。
进一步的,基于历史特征数据,可以获取用户标注的故障类型。用户标注是指用户根据自己的经验和知识,对光伏组件的故障类型进行标注和分类。根据历史特征数据和故障类型的对应关系,可以生成一个数据集。数据集中包括了光伏组件的历史特征数据和对应的故障类型,以便后续进行故障诊断和预测。故障类型包括短路、开路、电击穿、热击穿和阴影遮挡等。根据历史特征数据和故障类型的对应关系,可以生成数据集。为了提高故障诊断的准确性和可靠性,需要对数据集进行划分。将数据集按照指定比例划分成训练集和测试集。训练集用于训练故障诊断模型,测试集用于验证模型的性能。
S122:搭建神经网络结构的初始网络结构,并获取用户输入的目标迭代次数。
具体的,控制器会先搭建神经网络结构的初始网络结构,并获取用户输入的目标迭代次数。初始网络结构可以是一个简单的神经网络,例如多层感知器(MLP)或卷积神经网络(CNN)。
S123:根据训练集对初始网络结构进行迭代训练,并确定当前迭代次数。
具体的,控制器会根据训练集对初始网络结构进行迭代训练。在每次迭代中,需要根据训练集的数据对网络进行更新,以提高网络的性能。在训练过程中,需要确定当前迭代次数,并根据当前迭代次数对网络进行调整。
S124:当当前迭代次数与目标迭代次数一致时,输出对应的网络结构作为初始诊断模型。
具体的,当当前迭代次数与目标迭代次数一致时,可以输出对应的网络结构作为初始诊断模型。初始诊断模型是一个经过训练的神经网络,可以用于对新的样本进行故障诊断。
S125:根据初始诊断模型和测试集生成故障诊断模型。
其中,测试集是一个包含已知故障类型的样本集,可以用于验证初始诊断模型的性能。在生成故障诊断模型时,需要根据初始诊断模型对测试集进行预测,并将预测结果与真实故障类型进行比较。如果预测结果与真实故障类型一致,则说明初始诊断模型的性能良好,可以用于对新的样本进行故障诊断。
可选的,根据初始诊断模型和测试集生成故障诊断模型,包括:将测试集中的各历史特征数据输入初始诊断模型以获取输出的测试故障类型,并确定各历史特征数据对应的实际故障类型;根据测试故障类型和实际故障类型确定模型准确率;判断模型准确率是否大于预设阈值,若是,直接将初始诊断模型作为故障诊断模型;否则,基于模型准确率获取调整参数,根据调整参数对初始诊断模型进行调整以生成故障诊断模型。
需要说明的是,在将历史特征数据输入初始诊断模型之前,可以先对历史特征数据进行预处理,例如清洗、标准化、归一化等,以确保数据的质量和可用性。
具体的,可以将预处理后的历史特征数据输入初始诊断模型进行训练,以获取输出的测试故障类型。根据输出的测试故障类型和实际故障类型,确定模型的准确率。模型准确率是指模型输出的测试故障类型与实际故障类型之间的一致性程度。如果模型准确率小于预设阈值,说明初始诊断模型的性能不够理想,需要对其进行调整。根据模型准确率获取调整参数,例如调整神经网络的结构、调整训练参数等,以提高模型的性能。
S130:根据待测组件数据和故障诊断模型确定光伏组件的故障诊断结果。
可选的,根据待测组件数据和故障诊断模型确定光伏组件的故障诊断结果,包括:基于故障诊断模型确定待测组件数据和各样本组件数据的相似度;将相似度最大的样本组件数据作为目标样本数据;获取目标样本数据的故障类型作为目标诊断故障,根据目标诊断故障获取目标解决方案;将目标诊断故障和目标解决方案作为故障诊断结果。
具体的,通过将待测组件数据输入故障诊断模型,可以计算待测组件数据与每个样本组件数据之间的相似度。相似度可以通过某种距离度量来计算,例如欧几里德距离、余弦相似度等。
然后可以选择相似度最大的样本组件数据作为目标样本数据。目标样本数据代表与待测组件数据最相似的样本组件。然后可以从样本组件数据中获取该目标样本数据对应的故障类型作为光伏组件的目标诊断故障。
进一步的,根据目标诊断故障的类型,我们可以从预先定义的故障解决方案库中获取相应的目标解决方案,目标解决方案是指针对目标诊断故障的具体建议和措施。最后,通过将目标诊断故障和目标解决方案作为故障诊断结果输出。故障诊断结果结果可以提供给维修人员或相关决策者,以便他们采取适当的措施来修复或维护光伏组件。
可选的,根据目标诊断故障获取目标解决方案,包括:获取预设的故障解决方案清单,其中,故障解决方案清单中包括各诊断故障对应的解决方案;通过故障解决方案清单对目标诊断故障进行匹配,以获取与目标诊断故障匹配的目标解决方案。
具体的,故障解决方案清单中包含了各种诊断故障对应的解决方案。故障解决方案清单是提前准备好的,其中列出了针对不同故障类型的可能解决方法。将目标诊断故障与故障解决方案清单中的各个故障类型进行比较和匹配,具体可以通过匹配算法或规则来实现,以确定与目标诊断故障最匹配的解决方案。一旦找到与目标诊断故障匹配的故障类型,就可以从故障解决方案清单中获取相应的解决方案,即目标解决方案。基于预设的故障解决方案清单,通过匹配来确定最合适的解决方案,可以提高故障处理的效率和准确性。
本发明实施例的技术方案,通过获取光伏组件的待测组件数据;获取光伏组件的样本组件数据,根据样本组件数据构建故障诊断模型,其中,故障诊断模型中包括样本组件数据和故障类型的对应关系;根据待测组件数据和故障诊断模型确定光伏组件的故障诊断结果。基于数据驱动的原理,利用已有的样本数据进行建模和推断,能够提高故障诊断的准确性和效率。随着更多样本数据的积累和模型的不断优化,故障诊断的效果将进一步提升。通过对数据进行特征提取和相似度比较,可以提高故障诊断的准确率。
实施例二
图3为本发明实施例二提供的一种光伏组件故障诊断装置结构示意图。该装置可采用软件和/或硬件的方式实现,并一般可集成在执行方法的电子设备中。如图3所示,该装置包括:待测组件数据获取模块210,用于获取光伏组件的待测组件数据;
故障诊断模型构建模块220,用于获取光伏组件的样本组件数据,根据样本组件数据构建故障诊断模型,其中,故障诊断模型中包括样本组件数据和故障类型的对应关系;
故障诊断结果生成模块230,用于根据待测组件数据和故障诊断模型确定光伏组件的故障诊断结果。
可选的,待测组件数据获取模块210,具体用于:根据指定时间采集光伏组件的电路相关数据和环境相关数据,其中,电路相关数据包括电流值、电压值和反向电压值,环境相关数据包括辐照度、湿度值和温度值;对电路相关数据和环境相关数据进行特征提取以获取组件特征数据;将组件特征数据存入指定地址以生成待测组件数据。
可选的,故障诊断模型构建模块220,具体包括:样本组件数据获取单元,用于:获取光伏组件的历史电路数据和历史环境数据;对历史电路数据和历史环境数据进行特征提取以获取历史特征数据;基于历史特征数据获取用户标注的故障类型,根据历史特征数据和故障类型的对应关系生成数据集,其中,故障类型包括短路、开路、电击穿、热击穿和阴影遮挡;将数据集按照指定比例划分成训练集和测试集;将训练集和测试集作为样本组件数据。
可选的,故障诊断模型构建模块220,具体包括:初始网络结构搭建单元,用于:搭建神经网络结构的初始网络结构,并获取用户输入的目标迭代次数;迭代训练单元,用于:根据训练集对初始网络结构进行迭代训练,并确定当前迭代次数;初始诊断模型生成单元,用于:当当前迭代次数与目标迭代次数一致时,输出对应的网络结构作为初始诊断模型;故障诊断模型生成单元,用于:根据初始诊断模型和测试集生成故障诊断模型。
可选的,故障诊断模型生成单元,具体用于:将测试集中的各历史特征数据输入初始诊断模型以获取输出的测试故障类型,并确定各历史特征数据对应的实际故障类型;根据测试故障类型和实际故障类型确定模型准确率;判断模型准确率是否大于预设阈值,若是,直接将初始诊断模型作为故障诊断模型;否则,基于模型准确率获取调整参数,根据调整参数对初始诊断模型进行调整以生成故障诊断模型。
可选的,故障诊断结果生成模块230,具体包括:相似度确定单元,用于:基于故障诊断模型确定待测组件数据和各样本组件数据的相似度;目标样本数据确定单元,用于:将相似度最大的样本组件数据作为目标样本数据;目标解决方案获取单元,用于:获取目标样本数据的故障类型作为目标诊断故障,根据目标诊断故障获取目标解决方案;故障诊断结果生成单元,用于:将目标诊断故障和目标解决方案作为故障诊断结果。
可选的,目标解决方案获取单元,具体用于:获取预设的故障解决方案清单,其中,故障解决方案清单中包括各诊断故障对应的解决方案;通过故障解决方案清单对目标诊断故障进行匹配,以获取与目标诊断故障匹配的目标解决方案。
本发明实施例的技术方案,通过获取光伏组件的待测组件数据;获取光伏组件的样本组件数据,根据样本组件数据构建故障诊断模型,其中,故障诊断模型中包括样本组件数据和故障类型的对应关系;根据待测组件数据和故障诊断模型确定光伏组件的故障诊断结果。基于数据驱动的原理,利用已有的样本数据进行建模和推断,能够提高故障诊断的准确性和效率。随着更多样本数据的积累和模型的不断优化,故障诊断的效果将进一步提升。通过对数据进行特征提取和相似度比较,可以提高故障诊断的准确率。
本发明实施例所提供的一种光伏组件故障诊断装置可执行本发明任意实施例所提供的一种光伏组件故障诊断方法,具备执行方法相应的功能模块和有益效果。
实施例三
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种光伏组件故障诊断方法。也即:获取光伏组件的待测组件数据;获取光伏组件的样本组件数据,根据样本组件数据构建故障诊断模型,其中,故障诊断模型中包括样本组件数据和故障类型的对应关系;根据待测组件数据和故障诊断模型确定光伏组件的故障诊断结果。
在一些实施例中,一种光伏组件故障诊断方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的一种光伏组件故障诊断方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种光伏组件故障诊断方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种光伏组件故障诊断方法,其特征在于,包括:
获取光伏组件的待测组件数据;
获取光伏组件的样本组件数据,根据所述样本组件数据构建故障诊断模型,其中,所述故障诊断模型中包括样本组件数据和故障类型的对应关系;
根据所述待测组件数据和所述故障诊断模型确定所述光伏组件的故障诊断结果。
2.根据权利要求1所述的一种光伏组件故障诊断方法,其特征在于,所述获取光伏组件的待测组件数据,包括:
根据指定时间采集光伏组件的电路相关数据和环境相关数据,其中,所述电路相关数据包括电流值、电压值和反向电压值,所述环境相关数据包括辐照度、湿度值和温度值;
对所述电路相关数据和所述环境相关数据进行特征提取以获取组件特征数据;
将所述组件特征数据存入指定地址以生成所述待测组件数据。
3.根据权利要求1所述的一种光伏组件故障诊断方法,其特征在于,所述获取光伏组件的样本组件数据,包括:
获取光伏组件的历史电路数据和历史环境数据;
对所述历史电路数据和所述历史环境数据进行特征提取以获取历史特征数据;
基于所述历史特征数据获取用户标注的故障类型,根据所述历史特征数据和所述故障类型的对应关系生成数据集,其中,所述故障类型包括短路、开路、电击穿、热击穿和阴影遮挡;
将所述数据集按照指定比例划分成训练集和测试集;
将所述训练集和所述测试集作为所述样本组件数据。
4.根据权利要求3所述的一种光伏组件故障诊断方法,其特征在于,所述构建故障诊断模型,包括:
搭建神经网络结构的初始网络结构,并获取用户输入的目标迭代次数;
根据所述训练集对所述初始网络结构进行迭代训练,并确定当前迭代次数;
当所述当前迭代次数与所述目标迭代次数一致时,输出对应的网络结构作为初始诊断模型;
根据所述初始诊断模型和所述测试集生成所述故障诊断模型。
5.根据权利要求4所述的一种光伏组件故障诊断方法,其特征在于,所述根据所述初始诊断模型和所述测试集生成所述故障诊断模型,包括:
将所述测试集中的各所述历史特征数据输入所述初始诊断模型以获取输出的测试故障类型,并确定各所述历史特征数据对应的实际故障类型;
根据所述测试故障类型和所述实际故障类型确定模型准确率;
判断所述模型准确率是否大于预设阈值,若是,直接将所述初始诊断模型作为所述故障诊断模型;
否则,基于所述模型准确率获取调整参数,根据所述调整参数对所述初始诊断模型进行调整以生成所述故障诊断模型。
6.根据权利要求1所述的一种光伏组件故障诊断方法,其特征在于,所述根据所述待测组件数据和所述故障诊断模型确定所述光伏组件的故障诊断结果,包括:
基于所述故障诊断模型确定所述待测组件数据和各所述样本组件数据的相似度;
将所述相似度最大的样本组件数据作为目标样本数据;
获取所述目标样本数据的故障类型作为目标诊断故障,根据所述目标诊断故障获取目标解决方案;
将所述目标诊断故障和所述目标解决方案作为所述故障诊断结果。
7.根据权利要求6所述的一种光伏组件故障诊断方法,其特征在于,所述根据所述目标诊断故障获取目标解决方案,包括:
获取预设的故障解决方案清单,其中,所述故障解决方案清单中包括各诊断故障对应的解决方案;
通过所述故障解决方案清单对所述目标诊断故障进行匹配,以获取与所述目标诊断故障匹配的目标解决方案。
8.一种光伏组件故障诊断装置,其特征在于,包括:
待测组件数据获取模块,用于获取光伏组件的待测组件数据;
故障诊断模型构建模块,用于获取光伏组件的样本组件数据,根据所述样本组件数据构建故障诊断模型,其中,所述故障诊断模型中包括样本组件数据和故障类型的对应关系;
故障诊断结果生成模块,用于根据所述待测组件数据和所述故障诊断模型确定所述光伏组件的故障诊断结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162585.0A CN118232834A (zh) | 2024-02-05 | 2024-02-05 | 一种光伏组件故障诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162585.0A CN118232834A (zh) | 2024-02-05 | 2024-02-05 | 一种光伏组件故障诊断方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118232834A true CN118232834A (zh) | 2024-06-21 |
Family
ID=91500350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410162585.0A Pending CN118232834A (zh) | 2024-02-05 | 2024-02-05 | 一种光伏组件故障诊断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118232834A (zh) |
-
2024
- 2024-02-05 CN CN202410162585.0A patent/CN118232834A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
WO2018028005A1 (zh) | 一种大型光伏电站中电池面板的故障检测算法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN114386537B (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和*** | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
He et al. | Intelligent Fault Analysis With AIOps Technology | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN115616374A (zh) | 一种基于机器学习的半导体芯片的测试*** | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
CN118232834A (zh) | 一种光伏组件故障诊断方法、装置、设备及存储介质 | |
CN116338391A (zh) | 一种绝缘子状态检测方法、装置、电子设备以及介质 | |
CN115640542A (zh) | 基于贝叶斯理论的智能电能表状态评估方法及评估装置 | |
Peng et al. | Remaining useful life prediction for aircraft engines based on grey model | |
Qianqian et al. | Study on life prediction of radar based on non-parametric regression model | |
CN116127326B (zh) | 一种复合绝缘子检测方法、装置、电子设备及存储介质 | |
CN115615969B (zh) | 一种变压器故障诊断方法、***及电子设备 | |
CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
CN116990744B (zh) | 一种电能表检测方法、装置、设备及介质 | |
CN116127379A (zh) | 一种光伏阵列的故障诊断方法、装置、设备及存储介质 | |
CN116845287A (zh) | 一种燃料电池的测试数据预测方法、装置、设备及介质 | |
CN118091422A (zh) | 电池健康状态预测方法、装置、电子设备及存储介质 | |
CN117611131A (zh) | 一种局部放电类型识别方法、装置、设备及介质 | |
CN118070098A (zh) | 干扰信号检测方法、模型训练方法、装置、设备及介质 | |
Zhao | Application of Principal Component Analysis Algorithm in Abnormal Diagnosis of Electricity Bill Reading and Receiving Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |