光伏陣列故障診斷算法研究綜述

張希康， 李澤滔

（貴州大學 電氣工程學院， 貴陽 550025）

0 引 言

隨著太陽能發展“十三五”規劃的提出，太陽能光伏發電規模迅速增加，光伏陣列是由許多光伏電池通過串并聯連接而成，是光伏發電系統核心部件之一。 由于光伏陣列經常工作在屋頂、山地、以及各種室外環境，相比于光伏系統其他組件更容易發生故障，導致光伏發電系統不能正常運行。 因此，對光伏陣列進行故障診斷是保證光伏發電系統正常運行的必要條件。

本文首先介紹了光伏陣列的常見故障類型并分析其形成原因；根據國內外學者的研究成果，綜述了光伏陣列故障診斷的各種方法；最后，對目前診斷方法進行了總結，并對未來發展趨勢進行了展望。

1 光伏陣列常見故障及其原因

光伏陣列作為光伏發電系統的重要組成部件，通常安裝環境較為惡劣，容易出現組件老化、組件開路、組件短路、局部遮擋4 種典型的故障，各種典型故障的形成原因見表1。

表1 常見故障及形成原因Tab.1 Common faults and their causes

除典型故障外，光伏陣列中還包括電池板開路、電池板短路、旁路二極管失效、組件分層等故障。若光伏陣列持續處于故障狀態，則會產生熱斑效應，從而損壞光伏組件，導致光伏發電系統癱瘓，嚴重時可能導致火災的發生，危及到生命財產安全。

2 光伏陣列故障傳統診斷法

2.1 紅外圖像分析法

紅外圖像分析法的基本原理是根據光伏電池在正常和故障兩種工作狀態下溫度的不同，通過紅外成像儀來進行故障診斷。 文獻［5］提出了利用紅外圖像分析法在線實時提取熱斑區域圖像特征，并通過結合YCbCr 模型，分割圖像亮度來縮小圖像特征信息的體積，從而進行故障的檢測，提高了故障診斷的實時性。

文獻［6］提出了一種基于DM642 紅外圖像分析法，通過對紅外成像儀獲取的熱像圖在DM642 框架下進行去噪、校正處理，提高了光伏陣列故障診斷的準確率；文獻［7］提出了基于紅外圖像分析法的光伏陣列故障自動檢測與識別，通過模糊推理與信息融合的方式，實現對故障的精確識別。

針對紅外圖像分析法抗干擾能力較差的問題，文獻［8］采用了一種閾值的二值化的技術來提取復雜背景下的特征信息；文獻［9］提出了基于紅外圖像分析法的二維閾值化和模糊聚類相結合的方法，該方法能在紅外圖像背景對比度差、有較大噪聲存在、以及非均勻成像等情況出現時，有效提取特征信息進行故障識別。

紅外圖像分析法優勢在于能夠實時檢測故障，檢測精度較高，但對熱成像儀精度需求較高，安裝成本較大，很難大面積推廣使用，普適性較差，且抗干擾能力也較低。

2.2 傳感器檢測法

傳感器檢測法的基本原理是通過諸多傳感器同時檢測光伏陣列運行的數據，再根據檢測到的數據與歷史數據進行對比分析與運算，從而實現故障檢測與識別。

針對傳感器檢測法需要大量傳感器的問題，文獻［11］提出了一種新的基于傳感器檢測法的光伏拓撲結構，該方法雖然減少了診斷過程中傳感器的使用量和故障狀態下的損失功率，但并未完全解決傳感器過多的問題，不利于故障的檢測。

為了降低環境因素對光伏陣列輸出特性曲線的影響，提高診斷準確性，文獻［12］提出了一種基于傳感器檢測法的決策樹算法；文獻［13］提出將傳感器檢測法與模糊邏輯分類器相結合的方式進行光伏陣列故障診斷，該方法診斷的準確率明顯高于傳統的傳感器檢測法。

傳感器檢測法的診斷原理簡單，但測量過程較為復雜，容易出現測量值離散的問題，且在實際應用過程中需要大量傳感器，很難實現故障的精準定位，常常需要與其他方法結合。

2.3 電路結構法

電路結構法中組件之間連接方式有很多種，通過不同連接方式與傳感器組合能夠實現故障診斷和定位。 文獻［15］提出了一種全連接（TCT）結構的診斷法，如圖1 所示，通過將原有的TCT 結構轉換為等效的先并聯再串聯的結構，降低了傳感器的冗余量，有效降低了成本；文獻［16］提出了一種新型復合全連接（CTCT）的電路結構改進法，如圖2 所示，在滿足輸出功率不變的條件下，通過與傳感器組合，監視光伏發電系統的運行狀態，不僅能夠有效檢測光伏電池的熱斑故障，還能夠檢測出出現遮蔭故障的某個具體位置。

圖1 TCT 結構圖Fig.1 TCT structure diagram

圖2 CTCT 連接圖Fig.2 CTCT connection diagram

文獻［17］提出了一種基于SC－CP（Sensor Crossed based on Series－Parallel）的電路結構改進法，當某個區域光伏電池出現故障時不會干擾其他區域光伏電池的正常運行，降低了光伏電站安裝的難度，并提出在SC－CP 架構基礎上，引入輻照度和光伏電池的背板溫度，結合群體決策理論以及模糊診斷技術，增強了光伏系統的抗干擾能力。

文獻［18］提出了一種新的傳感器網絡光伏陣列連接方式（SN－TCT）的電路結構改進法，通過利用Dempster／Shafer（DS）證據理論復合信息融合技術計算出各個相關陣列差值信息的概率分配函數以及似真度函數，從而能夠快速識別光伏故障，提升了故障診斷的速度。

3 光伏陣列故障診斷智能算法

3.1 神經網絡算法

神經網絡算法是通過模擬人類大腦的一種工作模式而提出的一種智能優化算法，分為輸入層、輸出層、以及隱含層，其網絡模型如圖3 所示。 模型在光伏發電系統中也常用于光伏陣列的故障診斷，與光伏陣列的傳統診斷方法相比，神經網絡算法自適應更強。

圖3 神經網絡模型Fig.3 Neural network model

文獻［19］提出了使用神經網絡診斷方法對光伏電池的熱斑故障進行識別和定位；針對BP 神經網絡算法容易陷入局部最優的情況，文獻［20］提出了一種改進的BP 神經網絡算法，通過優化神經網絡模型中的連接初始權值與閾值，避免了陷入局部最優值的情況，保證了光伏電池故障診斷的全面性，提高了故障診斷的準確率；文獻［21］提出了一種優化的徑向基（RBF）神經網絡算法，通過優化模型中的連接權值、網絡中心以及函數寬度，顯著提高了故障診斷的效率。

為解決傳統神經網絡在故障診斷時容易出現均方誤差較大的問題，文獻［22］提出了基于粒子群優化的小波神經網絡算法，故障診斷正確率高達94%；文獻［23］提出了一種基于概率神經網絡的算法，該方法可以對光伏陣列故障識別精度高達到97.561%；文獻［24］提出了一種基于長短期記憶神經網絡算法，將不同故障模式下的光伏陣列特征值作為訓練數據集，其故障診斷準確率比傳統神經網絡也有所提高。

面對訓練數據集有限的情況，文獻［25］提出了利用深度信念網絡算法進行故障診斷，通過提取數據更深層次的架構特征信息來完善網絡模型，從而提高了故障類型識別的準確率。

3.2 支持向量機算法

支持向量機（SVM）是一種經典的二元分類方法，通過尋找超平面的方式來求解二分類問題。SVM 優化問題的數學模型為式（1）

其約束條件可轉化為式（2）：

其中，是一組列向量，是已知的樣本數據；為真實結果值；為的系數；為常數，1，2，…，。

可將優化問題的模型等效為拉格朗日問題，式（3）：

其中，為拉格朗日乘子。

而感知機與SVM 最根本的區別在于其原理模型是定義在特征空間上的間隔最大的線性分類器，SVM 成為非線性分類器的本質在于直接利用核函數計算。

在診斷過程中，由于SVM 采用了結構風險最小化原則，因此只需要獲取一些光照強度、溫度、電流、電壓等關鍵特征數據就能很好的進行故障的識別。 為了獲得更精確的SVM 模型，提高故障診斷準確率，也提出了許多優化后的SVM 算法，文獻［27］提出了利用遺傳算法來優化SVM 中的懲罰因子與核函數兩者的系數；文獻［28］提出了利用粒子群算法來優化SVM 中的懲罰因子與核函數兩者系數，從而得到兩者系數的最優值；文獻［29］提出了一種新的基于高斯核函數的SVM 診斷法，解決了傳統SVM 不能進行多元分類的問題。

3.3 模糊控制算法

模糊控制算法又稱為專家系統，其基本思想是模仿人的模糊推理行為與決策過程，其模糊規則主要是專家的先驗知識。 當對某個系統的模型認識不夠深入時，通常采用模糊智能算法。

文獻［30］提出了基于模糊C 均值聚類（FCM）的方法進行光伏陣列故障診斷，采用聚類分析對不同故障類型的特征量進行分析，以獲得一一對應的模糊關系，通過隸屬度函數計算故障模型與故障特征量的隸屬度來進行故障類型的識別， FCM 算法流程圖如圖4 所示。

圖4 FCM 算法流程圖Fig.4 Flow chart of FCM algorithm

該法的精確度較高，但模糊規則較難獲得，且不能進行自主學習。 為了便于大型光伏陣更好的進行擴展，利用了FCM 算法較好的聚類性能和模糊隸屬（FM）算法良好的柔性分類能力，文獻［31］提出了將FCM 與FM 相結合的算法。

文獻［32］通過將3 倍標準差（3σ）準則和FCM算法相結合，將3σ 準則獲取的故障因子經FCM 算法求解出故障因子的閾值來進行故障的識別，解決了復雜計算的問題；文獻［33］提出了基于高斯核函數（GK）的FCM 算法，將故障特征相近的值通過GK變換，突出其差異性，解決了故障診斷過程中相似故障診斷難的問題。

3.4 其他智能算法

近幾年，在光伏陣列故障診斷領域，除了以上所述算法之外，大量研究人員還提出了許多其他智能優化算法，例如，鯨魚優化算法、螢火蟲算法、灰狼優化算法、煙花算法、蜻蜓算法等。 文獻［34］提出了一種基于蜻蜓算法的自組織映射神經網絡算法；文獻［35］提出了一種優化的聚類算法（Density－Based Spatial Clustering of Applications with Noise，DBSCAN）；文獻［36］提出了自適應神經網絡模糊推理的算法；文獻［37］提出的基于主元分析的有監督機器學習算法等。這些算法都各自有其優缺點，同時也表明智能算法在光伏陣列的故障診斷中扮演著重要的角色。

4 展 望

光伏陣列是光伏發電系統的核心部件，為了避免因光伏陣列故障而導致重大安全事故的發生，對光伏陣列運行狀態進行在線實時檢測則顯得尤為重要。在未來，光伏陣列的在線故障檢測方法依然是重要的研究方向，主要的工作可能聚焦在以下兩個方面：

（1）傳統電路結構法與智能算法相融合的方式是未來光伏陣列故障檢測方法的重要研究方向之一，兩種方法的結合既能減少傳感器的使用量，又能保證故障定位的精度；

（2）隨著光伏發電系統大面積地使用，為了保障系統的正常運行，減少安全事故的發生，不斷提高光伏陣列故障診斷方法的精確性也是刻不容緩的，因此，繼續對智能算法不斷改進也是未來的重要研究方向。

5 結束語

光伏發電作為未來發電的一種主要形式，將會對國家長遠發展戰略以及社會生產生活產生重要的影響。 有效對光伏陣列進行故障診斷，實現光伏陣列診斷智能化是保證光伏發電系統正常運行的必然要求。 傳統的光伏陣列診斷法雖然能夠較為精確的識別出某種單一故障，但可擴展性較差，自適應較差，很難進行大規模的推廣。

現代智能算法雖然自適應較強，但容易陷入局部最優，容易造成故障診斷不準確。 因此，隨著光伏發電需求日益增加，保證用電的安全性和穩定性，研究新的優化智能光伏陣列故障診斷算法是未來發展的趨勢。