一种光伏组件剩余寿命预测方法及预测系统技术方案

本发明专利技术公开了一种光伏组件剩余寿命预测方法及预测系统，包括：获取目标光伏组件在当前时刻的输出功率退化量；根据输出功率退化量，对预设的模型参数进行更新；将更新后的模型参数输入至剩余寿命预测模型，输出目标光伏组件在当前时刻的剩余寿命分布结果；通过该方法可以在刻画目标光伏组件的退化特性时，考虑到光伏组件退化所呈现出来的非单调性、随机性以及个体差异性，并可以利用实时输出功率退化量数据进行结果的更新，从而提高对光伏组件剩余寿命预测的准确性。余寿命预测的准确性。余寿命预测的准确性。

A method and system for predicting the remaining life of photovoltaic modules

【技术实现步骤摘要】
一种光伏组件剩余寿命预测方法及预测系统


[0001]本专利技术属于光伏发电
，特别是一种光伏组件剩余寿命预测方法及预测系统。

技术介绍

[0002]光伏组件作为光伏发电系统的核心部件，其使用寿命是决定光伏系统单位发电成本的一个重要因素。随着光伏组件服役年限的增加和内外部随机因素的影响，光伏组件的性能将逐渐衰退，退化量的不断累积会影响光伏发电的可靠性。同时，由于光伏组件性能退化率较低，很难收集长期数据来确认退化路径和寿命。因此，有必要建立随机退化模型来刻画光伏组件性能退化随时间衰减的不稳定和模糊特征，以估计光伏组件的剩余寿命，提高光伏组件运行的可靠性。
[0003]目前，有关光伏组件剩余寿命预测管理的方法主要有两类：基于退化机理和基于退化数据驱动。基于退化机理模型的方法，仅是在先验知识下的经验模型，无法刻画光伏组件的实际退化情况。而基于退化数据驱动的方法，通常无需预先了解光伏组件的退化机理，只需利用与光伏组件性能退化相关的特征量构建数学模型，基于模型参数预测剩余寿命分布。基于退化数据驱动的方法主要有智能算法方法和数据建模方法。智能算法的方法无需对光伏组件的运行过程进行建模，直接使用监测数据进行机器学习，然后评估组件的现场寿命。但智能算法的方法通常需要大量的样本数据，且无法得到光伏组件现场剩余寿命的区间估计，难以表现组件剩余寿命随时间变化的不稳定和模糊特征。数据建模方法的优势在于其基于现场状态监测数据对光伏组件性能退化过程进行建模，可以有效量化剩余寿命预测结果的不稳定和模糊特征。
[0004]现阶段基于数据建模预测光伏组件剩余寿命的方法，基本是采用Gamma过程建立光伏组件的性能退化模型，即预先假设了光伏组件的退化过程是严格单调的，忽略了与光伏组件实际退化过程的差异，会增大光伏组件寿命预测的误差。
[0005]因此，如何在刻画当前光伏组件的退化特性时，考虑到光伏组件退化所呈现出来的非单调性、随机性以及个体差异性，从而提高对光伏组件剩余寿命预测的准确性，是当前亟需解决的技术问题。

技术实现思路

[0006]鉴于上述问题，本专利技术提供一种至少解决上述部分技术问题的一种光伏组件剩余寿命预测方法及预测系统，通过该方法可以在刻画当前光伏组件的退化特性时，考虑到光伏组件退化所呈现出来的非单调性、随机性以及个体差异性，从而提高对光伏组件剩余寿命预测的准确信。
[0007]第一方面，本专利技术实施例提供了一种光伏组件剩余寿命预测方法，包括：
[0008]S1、获取目标光伏组件在当前时刻的输出功率退化量；
[0009]S2、根据所述输出功率退化量，对预设的模型参数进行更新；
[0010]S3、将更新后的模型参数输入至剩余寿命预测模型，输出所述目标光伏组件在所述当前时刻的剩余寿命分布结果。
[0011]进一步地，所述S1具体包括：
[0012]S11、获取所述目标光伏组件的输出功率初始值，以及所述目标光伏组件在当前时刻的输出功率；
[0013]S12、基于所述S11获得的数据，计算出所述目标光伏组件在当前时刻的输出功率退化量。
[0014]进一步地，所述S2具体包括：
[0015]S21、基于贝叶斯更新算法和期望最大化算法，对所述预设模型参数进行显式求解；
[0016]S22、对求解后的模型参数设定初值，根据所述目标光伏组件在当前时刻的输出功率退化量，对预设模型参数进行自适应更新。
[0017]进一步地，所述剩余寿命预测模型的构建方法如下：
[0018]获取光伏组件在预设时刻的输出功率退化量；
[0019]根据所述输出功率退化量，构建光伏组件Wiener过程退化模型；
[0020]基于所述光伏组件Wiener过程退化模型，推导所述光伏组件在当前时刻的剩余寿命分布结果，获得所述光伏组件的剩余寿命预测模型。
[0021]进一步地，所述光伏组件Wiener过程退化模型表示为：
[0022]Y(t)＝Y(0)+vt+σB(t)
ꢀꢀꢀ
(2)
[0023]其中，Y(t)代表光伏组件的累积输出功率退化量；Y(0)代表光伏组件的输出功率退化量初值；v代表光伏组件在退化过程中的漂移参数；σ代表光伏组件在退化过程的扩散参数；B(t)代表标准布朗运动；t表示预设时刻，t≥0。
[0024]进一步地，所述基于所述光伏组件Wiener过程退化模型，推导所述光伏组件在当前时刻的剩余寿命分布结果，具体包括：
[0025]基于所述光伏组件Wiener过程退化模型，计算所述输出功率退化量首次达到失效阈值的时间T；
[0026]将所述输出功率退化量首次达到失效阈值的时间T转换为所述光伏组件在所述预设时刻的剩余寿命；
[0027]根据所述光伏组件在所述预设时刻的剩余寿命，结合Wiener过程，获得所述光伏组件在所述预设时刻的剩余寿命分布结果。
[0028]另一方面，本专利技术实施例还提供了一种光伏组件剩余寿命预测系统，应用上述的方法，该系统包括所述获取模块，用于获取目标光伏组件在当前时刻的输出功率退化量；
[0029]所述处理模块，用于根据所述输出功率退化量，对预设的模型参数进行更新；
[0030]所述预测模块，用于根据更新后的模型参数，输出所述目标光伏组件在所述当前时刻的剩余寿命分布结果。
[0031]进一步地，还包括传输模块；
[0032]所述传输模块，用于将所述目标光伏组件在所述当前时刻的剩余寿命分布结果传输至云平台。
[0033]与现有技术相比，本专利技术记载的一种光伏组件剩余寿命预测方法及预测系统，具
有如下有益效果：
[0034]一方面，由于自然环境、机械应力等随机因素的复合效应，以光伏组件输出功率作为退化特征量的退化过程会呈现出非单调性、随机性以及个体差异性，相较于目前常用的数据建模方法，Wiener过程可以更好地刻画光伏组件的退化特性。
[0035]另一方面，本专利技术解决了对光伏组件剩余寿命自适应预测的需求。基于光伏组件的退化轨迹，联合贝叶斯更新和期望最大化算法对Wiener模型的参数进行实时自适应更新，并在此基础上预测光伏组件的剩余寿命分布。因此，本专利技术能够有效解决目前数据建模方法存在的不足，提高光伏组件剩余寿命预测的准确性，使剩余寿命预测方法更满足实际应用需求。
[0036]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0037]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0038]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0039]图1为本专利技术实施例提供的光伏组件剩余寿命预测方法流程图。...

【技术保护点】

【技术特征摘要】
1.一种光伏组件剩余寿命预测方法，其特征在于，包括：S1、获取目标光伏组件在当前时刻的输出功率退化量；S2、根据所述输出功率退化量，对预设的模型参数进行更新；S3、将更新后的模型参数输入至剩余寿命预测模型，输出所述目标光伏组件在所述当前时刻的剩余寿命分布结果。2.如权利要求1所述的一种光伏组件剩余寿命预测方法，其特征在于，所述S1具体包括：S11、获取所述目标光伏组件的输出功率初始值，以及所述目标光伏组件在当前时刻的输出功率；S12、基于所述S11获得的数据，计算出所述目标光伏组件在当前时刻的输出功率退化量。3.如权利要求1所述的一种光伏组件剩余寿命预测方法，其特征在于，所述S2具体包括：S21、基于贝叶斯更新算法和期望最大化算法，对所述预设模型参数进行显式求解；S22、对求解后的模型参数设定初值，根据所述目标光伏组件在当前时刻的输出功率退化量，对预设模型参数进行自适应更新。4.如权利要求1所述的一种光伏组件剩余寿命预测方法，其特征在于，所述剩余寿命预测模型的构建方法如下：获取光伏组件在预设时刻的输出功率退化量；根据所述输出功率退化量，构建光伏组件Wiener过程退化模型；基于所述光伏组件Wiener过程退化模型，推导所述光伏组件在当前时刻的剩余寿命分布结果，获得所述光伏组件的剩余寿命预测模型。5.如权利要求4所述的一种光伏组件剩余寿命预测方法，其特征在于，所述光伏组件Wiener过程退化模型表示为：Y(t)＝Y(0)+vt+σB(t)
ꢀꢀ...

【专利技术属性】
技术研发人员：陈伟，雷欢，李旭斌，林洁，裴婷婷，孙存育，李明，丁聪，印宇杰，王思聪，谭森铭，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：