一种光伏组件剩余寿命预测方法及预测系统

1.本发明属于光伏发电技术领域，特别是一种光伏组件剩余寿命预测方法及预测系统。


背景技术：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.鉴于上述问题，本发明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。
7.第一方面，本发明实施例提供了一种光伏组件剩余寿命预测方法，包括：
8.s1、获取目标光伏组件在当前时刻的输出功率退化量；
9.s2、根据所述输出功率退化量，对预设的模型参数进行更新；
10.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。
11.进一步地，所述s1具体包括：
12.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；
13.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。
14.进一步地，所述s2具体包括：
15.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；
16.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。
17.进一步地，所述剩余寿命预测模型的构建方法如下：
18.获取光伏组件在预设时刻的输出功率退化量；
19.根据所述输出功率退化量，构建光伏组件wiener过程退化模型；
20.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。
21.进一步地，所述光伏组件wiener过程退化模型表示为：
22.y(t)＝y(0)+vt+σb(t)
ꢀꢀꢀ
(2)
23.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。
24.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：
25.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；
26.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；
27.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。
28.另一方面，本发明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；
29.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；
30.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。
31.进一步地，还包括传输模块；
32.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。
33.与现有技术相比，本发明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：
34.一方面，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。
35.另一方面，本发明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，本发明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。
36.本发明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，或者通过实施本发明而了解。本发明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。
37.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
38.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
39.图1为本发明实施例提供的光伏组件剩余寿命预测方法流程图。
40.图2为本发明实施例提供的光伏组件输出功率退化量示意图。
41.图3为本发明实施例提供的退化增量分布检验示意图。
42.图4为本发明实施例提供的不考虑个体差异性的参数迭代示意图。
43.图5为本发明实施例提供的考虑个体差异性的参数迭代示意图。
44.图6(a)为本发明实施例提供的不考虑个体差异性的剩余寿命预测结果示意图。
45.图6(b)为本发明实施例提供的考虑个体差异性的剩余寿命预测结果示意图。
具体实施方式
46.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
47.光伏组件主要安装在户外，考虑到自然因素等的影响(如遮阴等)，组件的性能退化过程会呈现出非单调特性。光伏组件性能退化是指自然环境、机械应力等因素的复合效应对组件造成的退化失效过程，即组件性能随服役时间逐渐衰退直至失效，并且衰退过程中表现出时间的不确定性。
48.参见图1所示，本发明实施例提供了一种光伏组件剩余寿命预测方法，具体包括如下步骤：
49.s1、获取目标光伏组件在当前时刻的输出功率退化量；
50.s2、根据所述输出功率退化量，对预设的模型参数进行更新；
51.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。
52.在上述步骤s1中，首先，获取目标光伏组件的输出功率初始值，以及目标光伏组件在当前时刻的输出功率；其次，基于所获取到的目标光伏组件的输出功率初始值，以及目标光伏组件在当前时刻的输出功率，计算出目标光伏组件在当前时刻的输出功率退化量。
53.接下来对上述步骤s2和s3进行详细说明。
54.首先对剩余寿命预测模型的构建方法进行说明。
55.基于wiener过程构建设备服役过程的退化模型一般是在标准wiener过程的基础上，引入与设备性能退化过程相关的函数来建立。若设备服役过程中的退化描述为{y(t),t≥0}，则基于wiener过程构建的退化模型如下式所示：
56.y(t)＝y(0)+vz(t,α
η
)+σb(t)
ꢀꢀꢀ
(1)
57.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，表示光伏组件的退化速度，通过v能够表现出光伏组件在退化过程中的个体差异性；σ代表光伏组件在退化过程的扩散参数，表示光伏组件在退化过程中的不确定性；z(t,α
η
)表示光伏组件退化趋势的函数；b(t)代表标准布朗运动，表示光伏组件在退化过程中的随即动态特性；t表示预设时刻，t≥0。
58.wiener过程具有非单调平稳独立的高斯增量，适合刻画由衰退不断累积使得设备失效的非单调退化趋势。选用输出功率作为描述光伏组件性能退化的特征量，可以很好地诠释组件服役情况随时间变化的机理。光伏组件的输出功率退化量在服役过程中将随时间整体呈现线性上升的趋势，同时，由于自然等不确定因素的复合效应，组件的退化过程会产生变化的时间不确定性，导致退化在小范围内随机波动。此外，光伏组件的功率遵循高斯分布。这符合wiener模型刻画的线性非单调退化趋势。
59.因此，在本实施例中，对于光伏组件的退化过程{y(t),t≥0}，所构建的基于wiener过程的光伏组件wiener过程退化模型，即基于wiener过程的光伏组件退化模型表示为：
60.y(t)＝y(0)+vt+σb(t)
ꢀꢀꢀ
(2)
61.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，表示光伏组件的退化速度，通过v能够表现出光伏组件在退化过程中的个体差异性；σ代表光伏组件在退化过程的扩散参数，表示光伏组件在退化过程中的不确定性；b(t)代表标准布朗运动，表示光伏组件在退化过程中的随即动态特性；t表示预设时刻，t≥0。
62.在本实施例中，将光伏组件的输出功率退化量初值y(0)取为0；若在实际监测过程中，光伏组件的输出功率退化量不为0，则可先对其进行平移交换，将初始时刻的退化量变换为0。根据wiener过程的相关定义，任一时刻的光伏组件退化增量δy(t)均满足高斯分布的性质，即δy(t)～n(vδt,σ2δt)。δt为监测时间间隔，δt＝t
i-t
i-1
；δy为输出功率退化增量，δy＝y
i-y
i-1
。
63.光伏组件的健康状态随时间随机变化是其服役过程的特点，这使得组件的剩余寿命也具有随机特性，因此，光伏组件剩余寿命预测需求解剩余寿命的概率密度函数。以条件随机变量刻画光伏组件剩余寿命的不确定性，表示为从实际监测时刻起，组件首次退化到失效阈值y
th
所经历的时间间隔。基于光伏组件性能退化过程预测其剩余寿命，即判断组件
退化是否达到预先设定的失效阈值以及何时达到失效阈值。一般情况下，将服役光伏组件输出功率退化量到达初始功率的20％作为组件退化失效的阈值，实际预测过程中，失效阈值可根据组件服役的实际工程需要来设定更改。
64.根据带线性漂移wiener过程的光伏组件wiener过程退化模型，光伏组件的寿命t定义为：组件的输出功率退化量y(t)首次到达失效阈值y
th
的时间(首达时)：
65.t＝inf{t:y(t)≥y
th
|y(0)＜y
th
}
ꢀꢀꢀ
(3)
66.其中，y(t)代表目标光伏组件的累积输出功率退化量；y(0)代表目标光伏组件的输出功率退化量初值；t表示预设时刻，在实际监测过程中，可以将该预设时刻设为当前时刻；y
th
表示失效阈值。
67.漂移wiener模型的首达时服从逆高斯分布，将首达时的时间尺度变换成光伏组件tk时刻的剩余寿命lk：
68.lk＝inf{lk:y(tk+lk)≥y
th
|y(tk)＜y
th
}
ꢀꢀꢀ
(4)
69.式中，y(tk+lk)、y(tk)分别表示tk+lk、tk时刻的光伏组件输出功率退化量；y
th
表示失效阈值；lk表示光伏组件tk时刻的剩余寿命lk。
70.上述公式(4)进一步表示为：
[0071][0072]
式中，表示从时刻tk开始的功率退化模型，由标准wiener过程的性质可知，仍是由漂移wiener模型刻画的退化过程，可知：
[0073][0074]
因此，光伏组件在tk时刻的剩余寿命分布为：
[0075][0076]
基于数据建模方法的设备剩余寿命预测主要是先使用同类设备的服役退化数据估量模型参数的先验值，然后再更新剩余寿命分布。但实际上，即使是同类设备，其个体之间的退化也存在差异性。基于此，有效的剩余寿命预测要依赖于目标设备自身的退化过程，同时考虑个体差异性对预测不确定性的影响。将光伏组件wiener过程退化模型中的v随机变量化来刻画组件退化过程中存在的个体差异性，基于全概率公式可得tk时刻依赖于退化量序列y
0:k
＝[y0,...,yk]的剩余寿命预测模型为：
[0077][0078]
式中，y
0:k
表示tk时刻的退化量序列，y
0:k
＝[y0,...,yk](k≥1)；p(v|y
0:k
)表示v的后验分布。
[0079]
以上内容为本发明实施例所提供的光伏组件剩余寿命预测模型。
[0080]
由标准wiener过程的马尔可夫性可得：
[0081][0082]
则式(8)中：
[0083][0084]
通过式(7)和式(8)可表明，更新v的后验分布以及θ＝(v，σ)，可得到依赖于光伏组件退化轨迹的实时剩余寿命。
[0085]
在获取到上述的光伏组件剩余寿命预测模型后，可以通过该剩余寿命预测模型对目标光伏组件进行预测。为了减小预测结果的不确定性，本发明实施例提出根据目标光伏组件在当前时刻的输出功率退化量，对模型参数进行自适应更新，使整个剩余寿命预测过程基于目标组件自身的退化轨迹；对模型参数进行自适应更新的具体内容如下：
[0086]
考虑光伏组件退化过程呈现的个体差异性，令μ
v,0
,为v超参数的先验值；μ
v,k
,为v超参数基于退化轨迹的估计值，则v的先验分布为：
[0087][0088]
在标准wiener过程的驱动下，基于上述给定的模型参数v，光伏组件退化量序列y
0:k
的分布呈多元高斯分布，v|y
0:k
也呈高斯分布，即：
[0089][0090][0091]
其中，δt表示监测时间间隔，δt＝t
i-t
i-1
；δy表示输出功率退化增量，δy＝y
i-y
i-1
。
[0092]
基于贝叶斯更新计算v的后验分布：
[0093]
[0094]
其中，μ
v,0
和表示超参数v的先验值；μ
v,k
和表示超参数v基于退化轨迹的估计值。
[0095]
由模型参数可知，v|y
0:k
也呈高斯分布，即：
[0096][0097]
通过对公式(13)和公式(14)进行推导，得到v超参数在tk时刻基于退化轨迹的估计值：
[0098][0099]
通过公式(15)可以表明，v的后验分布可以在监测到新的退化数据时进行自适应更新。
[0100]
在得到v的后验分布后，需要利用现场监测数据序列y
0:k
估计退化模型里的未知参数向量为减小剩余寿命预测对先验信息的依赖性，采用期望最大化算法(em算法)来估计未知参数向量，具体包括：
[0101]
期望步：计算
[0102][0103]
式中，表示第j步的参数向量估计值。
[0104]
最大化步：计算
[0105][0106]
由上述期望步和最大化步推导，可得：
[0107][0108]
其中，表示漂移参数均值在第j+1步的估计值；表示漂移参数方差在第j+1步的估计值；表示扩散参数在第j+1步的估计值。
[0109]
由上述公式(15)和公式(18)逐步更新即可得到光伏组件性能退化模型中的参数。参数的显式求解过程快速简洁，能够大大提高模型参数的更新效率。
[0110]
根据公式(8)中的剩余寿命预测模型，以及后续公式(15)-(18)对模型参数的更新结果，可得光伏组件的全部监测数据序列y
0:k
在tk时刻的剩余寿命分布结果：
[0111][0112]
本发明实施例该提供了一种光伏组件剩余寿命预测系统，应用上述的方法，该系统包括获取模块、处理模块、预测模块和传输模块；其中，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；处理模块用于根据输出功率退化量，对预设的模型参数进行更新；预测模块用于根据更新后的模型参数，输出目标光伏组件在当前时刻的剩余寿命分布结果；传输模块用于将目标光伏组件在当前时刻的剩余寿命分布结果传输至云平台。
[0113]
最后对本发明实施例所对应的仿真实验结果进行说明。
[0114]
基于组成某5kw光伏阵列的单晶硅光伏组件15年输出功率退化数据构建wiener模型并完成剩余寿命的自适应更新，验证所提方法的可行性与优越性。首先对光伏组件15年的输出功率退化数据进行处理，得到其服役期间的输出功率退化量，结果如图2所示。根据wiener退化过程描述的退化特征量增量具有高斯特性，对光伏组件的输出功率退化增量进行高斯分布检验，结果如图3所示。图3检验结果表明，光伏组件功率退化增量数据基本呈现在一条直线上，符合高斯分布特征。
[0115]
基于wiener过程预测光伏组件的实时剩余寿命首先需要利用组件的退化数据实时更新模型参数。为进一步验证所提方法的有效性，本发明实施例考虑了两种不同情况：
[0116]
1)不考虑光伏组件在退化过程中存在个体差异性，即v和σ均为确定性参数，利用本发明实施例提供的模型参数估计方法，结果如图4所示。图4结果表明，迭代过程波动大且参数达到稳定的时间略长。
[0117]
2)考虑光伏组件在退化过程中存在个体差异性，即融合贝叶斯和期望最大化算法实时更新模型参数，结果如图5所示。给定的模型参数初始值与稳定值差异较大，主要是为了验证采用所提方法进行剩余寿命预测时，对模型参数的先验信息依赖性很小，图5结果也表明了整个迭代过程基本无波动且快速到达稳定值。
[0118]
在获得模型参数的基础上，基于首达时的概念预测光伏组件的实时剩余寿命。光伏组件的失效阈值设定为y
th
＝20w，即输出功率退化增量到达20w时认定组件退化失效。根据模型参数的实时估计值和剩余寿命的概率密度函数即可得到各监测时间点光伏组件的剩余寿命概率分布，并且可以进一步得到剩余寿命的点估计，结果如图6所示。由图6(a)和图6(b)可知情况2的剩余寿命预测结果与实际值更加吻合，同时，剩余寿命概率密度曲线随着退化数据的不断增多而逐渐变窄变高，即预测结果越来越准确，预测值越来越接近实际值。
[0119]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。