光伏組件發電故障診斷方法研究

熊昌全，溫賢茂，張宇寧，唐道建

（1.國家電投集團四川電力有限公司，成都 610299；2.國家電投集團四川電力有限公司甘孜州分公司，四川 康定 626099；3.國家電投集團西南能源研究院有限公司，成都 610213）

近年來隨著經濟的快速發展，我國開始實施“雙碳”政策，逐步減少對傳統化石能源的依賴，加快新能源發展[1]。太陽能作為新能源之一，以其清潔、可再生等優勢得到了快速的開發與利用。隨著光伏發電技術的快速提升與光伏電池板成本的逐漸降低，光伏電站建設規模顯著擴大[2]。

由于光伏電站通常建立在比較偏遠惡劣的環境中，光伏電站的絕大多數工作部件如電池板、逆變器等工作在室外環境中，需要承受著雨雪和高溫等惡劣環境的侵蝕，會導致光伏電站工作特性惡化，甚至導致光伏電站故障頻發，影響光伏發電的經濟效益[3]。為了保證光伏電站設備的正常運行，光伏電站需要安排人員定期對電站設備進行巡檢，對于某些重點設備甚至要進行一天多次巡檢。隨著光伏電場規模不斷增大，光伏電站的運維成本顯著增加，傳統定期的人工維護已經不能滿足快速發展的光伏電站。為了降低運維成本，提高故障識別率，越來越多的光伏電站開始對光伏發電系統運行狀態進行監測與診斷，狀態監測與診斷系統不僅可以實現對光伏電站的故障預警，防止因故障造成光伏電站發生嚴重事故，還可以降低光伏電站的維護費用。

1 光伏發電系統的主要故障

由于光伏組件特別是太陽能電池板多數長期處于氣候條件惡劣的戶外環境，隨著工作時間的增加，光伏組件將不可避免的性能下降甚至發生故障。常見的光伏組件異常類型主要分為：陰影遮擋，熱斑效應，組件老化、組件破裂，組件短路、組件斷路和支架故障等[4]（圖1）。

圖1 光伏組件各種常見故障

陰影遮擋：是光伏組件最常見的異常情形，光伏組件經常受到野草或塵埃等雜物的污染，造成光伏電池板部分面積被遮擋。由于被遮擋部分光伏電流小于正常工作的其他部分，將導致所在光伏子串的旁路二極管導通，電池單元將處于反向偏置狀態，作為負載消耗功率產生熱量，使電池的局部溫度升高，如果不及時清除不僅會造成功率損失，還有可能導致局部過熱發生熱斑現象[5]。

熱斑效應：當光伏組件受到遮擋或其他因素影響時，組件間如果出現了失配現象，太陽能電池板局部過熱將導致熱斑現象發生[6]。光伏組件長期在這種狀態下運行，會使得光伏組件加速老化，嚴重時甚至會焚毀，影響整個光伏陣列的安全。目前常見的解決措施是在光伏電池的兩端并聯一個旁路二極管，當失配現象出現時，電流大部分會流過旁路二極管，而不經過光伏組件，使得光伏組件不至于過熱。當光伏組件出現熱斑現象時，該部分光伏組件消耗部分組件輸出功率，造成發電量的損失。

開路故障：主要由線路老化腐蝕斷開、接頭松動等引起，依據太陽能電池串聯工作原理，單個組件的開路會直接引起該組件所在組串支路開路。在開路故障狀態下，由于部分組串沒有工作，光伏子陣在指定電壓下工作電流下降，I-V 與P-U 曲線偏離設計特性曲線。光伏子陣系統逆變器是按照MPPT（最大功率跟蹤）進行控制，開路故障不僅斷路組串不能工作，還有可能導致整個子陣的發電效率下降。

組件短路：短路故障通常是各線路連接問題產生的故障，使得部分組件的電流和功率無法正常匯入光伏子陣，該支路光伏組串的開路電壓下降，并導致最大功率點的電壓也將偏離原設計值。同樣，由于光伏子陣系統逆變器是按照MPPT 進行控制，短路故障也可能導致整個子陣的發電效率下降。

支架故障：支架類型主要分為固定式、單軸式和雙軸式。由于光伏電站建設主要集中在氣候條件惡劣的環境，支架極易受到影響，導致光伏追光支架追光功能失效，使得光伏陣列發電效率大幅度降低。

組件老化：由于光伏組件運行時間的增加，光伏組件的性能會隨著使用時間及日常損耗逐漸偏離原設計曲線。組件老化故障主要影響光伏陣列的最大輸出功率、最大功率點電壓和最大功率點電流，進而導致整個子陣的發電效率下降。

組件破裂：在受到故意破壞、熱應力或者冰雹等外力影響時，光伏組件頂端玻璃破裂，導致光伏組件內部容易受到腐蝕、出現短路事故，嚴重影響光伏組件的使用壽命。光伏組件的破裂情況不太嚴重時，對光伏子陣發電效率的影響較小，但嚴重時也可能造成發電功率的大量損失。

總體來講，大部分的光伏組件異常基本都會導致光伏電池I-V 與P-U 曲線偏離設計特性曲線，進而導致整個光伏子陣的發電效率下降。因此，通過對光伏子陣在線運行數據中的電壓、電流、功率及溫度等參數進行監控分析，可以判斷大部分的光伏組件異常情況。

2 運行狀態監測與故障診斷

隨著光伏電站的規模越來越大，國內外一些學者針對光伏故障診斷與狀態監測，開展一系列相關研究。對于目前的光伏故障診斷方法根據使用的技術來看，可以分為3 種類型，一種是利用視頻及圖像處理的方法識別光伏組件故障，另一種是利用各種傳感器對光伏組件進行狀態判斷，以及基于數據驅動的故障診斷方法[7]。

利用視頻及圖像處理的方法可以識別太陽能電池板及特定區域缺陷故障如：積灰、鳥糞、熱斑、破裂和支架異常等。通常由無人機或巡檢機器人攜帶可見光和紅外相機對光伏子陣進行巡視，對所拍攝光伏組件的圖片進行特征提取，利用相關深度學習和模式識別方法進行異常識別[8]。由于紅外相機采用熱成像方法，當光伏電池板存在熱斑現象時會在紅外圖像中呈現明顯的特征，是當前檢測熱斑故障最常用的方法之一。視頻及圖像檢測方法通常只能發現光伏組件外表及與溫度相關的一些故障，對于組件開路、短路以及老化等內部異常難以及時發現。

在食品腐敗菌和病原體中具有抑菌作用的化學成分，如醇類化合物和酮類化合物等也存在于花椒的精油中[21]，它們會完全抑制金黃色葡萄球菌、炭疽桿菌、枯草桿菌等10 種革蘭氏陽性菌以及變形桿菌、炭疽桿菌、霍亂弧菌等7種革蘭氏陰性菌的活性。

為了及時對光伏組件異常進行在線監測，還有學者根據光伏組件的故障特點在光伏組件上加裝各類傳感器。常見的傳感器有電壓傳感器、電流傳感器、溫度傳感器和姿態傳感器等。該類方法通過對光伏各組件的各種電氣參數及狀態參數進行在線監控和異常檢測與故障分析。雖然此類方法能及時判斷相應的異常狀態并精確定位故障位置，但是加裝各種傳感器，不僅需要增加額外投資，還涉及安裝施工問題，對于規模化的光伏電站來說增加了經濟成本和系統復雜度。

光伏電站SCADA 系統會采集光伏電站各部件的相關運行參數，這些參數通常反映了相關組件的運行狀態。光伏逆變器將光伏電池板直流電壓電流信號逆變成滿足并網要求的交流信號，是當前SCADA 系統監控數據的主要來源。目前光伏電站主要趨勢是采用組串式逆變器，逆變器將光伏電池板組串所發直流電進行逆變，經過交流匯流后由升壓站升壓并入電網。其中核心部件是組串式逆變器，不僅光伏組串的最大功率點控制都在逆變器按設定算法進行，還采集各光伏組串的相關電氣運行參數，如電壓，電流，頻率及功率等（圖2）。

圖2 組串式光伏電站結構

以某電站使用的某組串式逆變器為例，該逆變器可接入20 路光伏組串，在內部組合為10 路MPPT 電路對組串進行最大功率點跟蹤，再通過逆變電路實現直流電到三相交流電的轉換。組串式逆變器在進行逆變控制同時，還采集了各個組串的各類運行電氣參數。各個逆變器的參數經過通訊總線傳輸到監控中心SCADA 系統中，SCADA 系統對于各類參數進行數據顯示、統計、存儲，用戶可以在SCADA 系統中獲取光伏電站各個組件的各類運行參數。

經過對光伏組件各種故障特性分析，大部分的光伏組件故障都會導致光伏電池I-V 與P-U 曲線偏離設計特性曲線，導致電氣參數與正常運行工況有一定區別。通過對SCADA 系統中的光伏子陣在線運行數據電壓、電流和功率等電氣參數進行分析，提取故障特征進行故障診斷是一種較理想的方法。

光伏電站的運行會產生海量數據，如何根據運行數據進行特征挖掘從而運用于故障識別很多學者進行了深入的研究[9]。主要研究方法分為2 類，一是基于機理模型的診斷方法，一類是基于數據驅動的診斷方法。基于機理模型的診斷方法需要根據典型故障條件下光伏電池特征參數和輸出特性的變化規律及相關運行特性曲線等得到光伏組件的機理模型，利用實際運行數據與機理模型匹配進行故障識別與判斷。通常情況下，由于很難獲取光伏組件真實準確的運行機理，同時光伏組件特性隨著工況變化也會存在一些偏差，導致此類方法的魯棒性和適應性相對較差。基于數據驅動的故障診斷方法通常不依賴于模型或者使用黑箱模型進行故障診斷，例如各種神經網絡及深度學習算法等，是對光伏組件進行故障診斷的主要方法和研究熱點[10]。

3 光伏組件運行數據特點

由于光伏場站工況復雜，運行數據隨著時間、光照強度和天氣情況等因素變化，顯著存在非平穩特性及故障指標波動的特點，如圖3 所示，光伏子陣功率數據受天氣影響較大，普通采用單一的指標進行閾值判斷方法很難實現故障診斷及健康狀態預警。

圖3 光伏電站各種天氣情況下的功率數據

圖4 不同子陣運行數據

絕大多數基于數據驅動的光伏組件故障診斷方法需要不同工況下各種故障數據對其模型進行訓練，同時還需要對其識別的準確性、可靠性等指標進行驗證。但是，某些光伏組件的故障在光伏電站運行過程中較少出現，光伏組件故障數據在SCADA 數據中所占比例很小，很難同時出現前文所述的各種光伏組件故障，這給算法的模型訓練與驗證帶來困難。目前主要解決辦法采取實際運行數據結合仿真數據進行混合訓練與驗證。Matlab 的Simulink 提供了相應的光伏電站運行仿真工具箱，利用該工具箱可以對光伏組件的各個參數進行設置，按照光伏電站結構搭建對應的仿真系統。在此模型上仿真各種光伏組件故障，得到具體的U-I 曲線及各種仿真數據，利用這些數據，對設計的各種算法進行訓練和驗證，進而完善算法的設計[11]。

4 基于PCA 的光伏組件故障診斷

PCA 算法是一種數據降維算法，是目前主流的基于數據驅動的故障診斷方法之一[12]，通過對原始正常數據的坐標體系變換獲得新的包含原始數據主要特征且彼此正交的2 個低維子空間，分別是主元子空間和殘差子空間。主元子空間主要保留了原始正常數據的狀態特征信息，殘差子空間主要反映了與原始正常數據相悖的信息，也就反映了系統的異常，可以通過殘差子空間相關指標的計算實現異常檢測與故障識別。假設原始樣本矩陣

式中：m 為樣本數，n 為變量數。這里變量選擇需要考慮時空關聯性，針對某特定子陣，本文選擇該子陣附近數據關聯性較強的一些光伏子陣作為樣本空間，這里n 為關聯子陣的個數，m 為關聯子陣在相似工況下正常運行一段時間內的數據樣本量。PCA 樣本的選取方法實際從原理上考慮各個光伏子陣運行數據的時空關聯特性。首先為了消除數據大小差異對識別結果的影響，首先將樣本矩陣標準化為均值為0、方差為1 的矩陣，再由下式計算協方差矩陣S

對協方差矩陣進行奇異值分解，可以得到前文所述的主元子空間S^和殘差子空間S?，

式中，Λ=diag（λ1，λ2，…λn），λ 為協方差矩陣的特征值；Λ 和為各子空間對應特征向量對角矩陣；P 為載荷矩陣為殘差矩陣。

原始正常數據在主元子空間的投影對應了原始數據中的主要信息，在殘差子空間的投影則對應與主要信息相悖的誤差信息，因此主元子空間的信息可以近似地表達原始數據的信息，在實際的生產和應用中，降維在一定的信息損失范圍內，可以很大程度簡化原始過程特性分析的復雜程度。基于PCA 算法的故障檢測則主要是通過PCA 模型的平方預測誤差（Squared prediction error，SPE）統計量和霍特林（Hotellings T2）統計量進行的。其中SPE 統計量也稱Q 統計量，是通過分析新數據的殘差進行故障診斷的，衡量了該數據點不能被PCA 模型所描述的信息量大小，反映的是破壞變量整體趨勢的局部情況[13]，計算方法如下

T2統計量衡量的是包含在PCA 模型中的信息大小，表示標準分值平方和，反映的是變量整體趨勢被改變的情況，計算方法如下

搭建模型時，先由歷史正常數據訓練PCA 模型，計算出SPE 和T2控制限，然后將新數據載入模型，計算出SPE 統計量和T2統計量。對于這2 種統計量，會有以下4 種情況：①SPE 和T2統計量都不超過控制限；②SPE 正常，T2超過控制限；③SPE 超過控制限，但T2正常；④SPE 和T2統計量都超過控制限。一般認為①和②為正常，③和④為系統出現故障。

故障診斷模型的搭建流程主要包括樣本選取、數據預處理、模型訓練和模型校驗等[14]。根據光伏陣列的運行特性，本文選取包括光照強度、逆變器兩側功率、電壓和電流等具有強關聯性的參數進行建模。首先將光伏子陣各個子陣正常工況下的運行數據作為PCA模型的訓練集，當某一光伏組件發生短路故障時運行數據，模型診斷結果如圖5 所示，可以看出該部分T2統計量和SPE 統計量均大于控制限，表示系統出現故障。可以看出，PCA 方法可以及時發現光伏組件的異常情況。

圖5 子陣異常診斷結果

5 結論

本文對光伏電站故障診斷問題進行了研究，在分析光伏電站各種故障及故障數據特點的基礎上，對各種光伏電站故障診斷方法進行分析對比，采用主成分分析法建立故障診斷模型。最后，通過實際運行數據和故障數據對模型的準確性進行了驗證，表明采用基于數據驅動的PCA 故障診斷方法可以有效發現光伏組件運行異常。