光伏陣列故障檢測方法綜述

中國電工技術學會活動專區

CES Conference

隨着全球光伏發電容量指數級增長，可靠的光伏陣列運維管理及故障診斷變得尤爲重要。由於光伏陣列常年曝露在戶外，受多變環境（如雷雨天氣、熱循環、溼度、紫外線輻射、陰影等）影響，容易出現局部材料老化、裂紋、熱斑、開路或者短路等各種故障，影響其使用壽命。

同時，故障導致發電量大量損失，組件發生不可逆損壞，嚴重時甚至引發火災。通常，光伏陣列在直流側裝有過電流保護設備（overcurrent protection devices, OCPD）和接地故障保護設備（ground fault detection inter- rupters, GFDI），這些保護設備的故障電流閾值通常設置爲短路電流的2.1倍。

然而，當發生輕、中度故障或故障發生在低輻照度情況下時，傳統的保護設備因最大功率點跟蹤（maximum power point tracking, MPPT）和過低的故障電流無法及時動作。因此，建立有效的光伏陣列故障診斷及智能運行監測系統是亟待解決的問題之一。

針對光伏陣列故障類型的識別，國內外學者進行了大量的研究。本文首先分析光伏陣列常見的故障類型及各類故障對應的特性；其次，將國內外學者所提的故障檢測方法分爲物理檢測法、能量損失法、I-V曲線法、時序電壓電流法四類並逐一介紹；然後，對比分析上述四類故障檢測方法的優缺點；最後，對光伏陣列故障診斷的發展趨勢進行探討，指出一些有建設性意義的問題。

1 光伏陣列故障類型及其特性

1.1 光伏系統

典型的光伏系統由光伏陣列、直流匯流箱、逆變器及保護設備組成，併網光伏系統典型配置如圖1所示。每塊光伏模組由串聯的光伏電池片和並聯在電池片兩側的旁路二極管組成，旁路二極管是爲防止電池片因熱斑效應燒燬。

圖1 併網光伏系統典型配置

1.2 光伏陣列故障類型及其特性

光伏陣列中常見的故障有線間故障、接地故障、開路故障、遮陰故障、異常老化等。本文通過規模爲5×10的光伏系統（見圖1）對各類故障進行介紹。

部分遮陰指光伏陣列的某些模組被雲層、樹木或建築物遮擋（見圖1中F1），導致陣列輸出功率受損的情況。光伏模組通過安裝旁路二極管來傳導非遮陰模組的電流以防止出現熱斑。

開路故障指光伏陣列中的某一串線路存在斷開點（見圖1中F2），導致故障串沒有電流回路，使其進入開路狀態，不產生能量。此時光伏陣列的總輸出功率由其他正常串提供。

線間故障指光伏陣列中，某兩個不同電位點發生意外連接，部分光伏模組被短路，導致陣列的輸出功率受損[2]。在圖1中，F3故障有9塊模組被短路，因此稱之爲線-線失配90%故障（簡稱LL-90%）；F4故障處爲兩個光伏串間發生短路，有2塊模組被短路，因此稱其爲線-線失配20%故障（簡稱LL- 20%）；同理，F5故障爲線-線失配10%故障（簡稱LL-10%），失配比越大表明線間故障越嚴重。

接地故障是線間故障的一種特殊情況，指的是輸電線同設備接地導體或者地面意外接觸（見圖1中F6），產生低電阻迴路的不良情況。

異常老化指的是光伏模組隨着運行時長增加，內部串聯電阻逐漸增大，並聯電阻逐漸減小的現象。常見的老化類型主要是串聯電阻的老化，如圖1中F7所示。串聯電阻的增大，會使串聯電阻上的壓降大於整串電池的輸出電壓，造成旁路二極管導通，使得輸出I-V曲線出現異常甚至多峰現象。

2 光伏陣列故障診斷方法

2.1 基於物理特性的診斷方法

通過熱成像、通電、照射、超聲波等物理手段，研究和分析故障模組的物理特性，可偵測存在故障的光伏模組。紅外熱成像是一種常規的物理檢測方法。當光伏陣列被遮擋或短路時，故障模組的內部持續升溫，因此在故障模組附近會產生明顯的溫度梯度，紅外熱成像圖如圖2所示。通過識別熱成像圖像中的顯著亮點，即可進行快速直接的故障檢測。

Kaplani E. 等人採用紅外熱像儀獲取光伏陣列的紅外成像圖，再根據光伏模組在不同工作狀態下呈現出的溫度變化，判斷光伏陣列是否存在類似熱斑、老化等故障。Benatto G. A. D. R. 等人利用無人機在高輻照度條件下拍取光伏陣列的電致發光成像圖，通過圖像信息來識別與功率損耗有關的故障。

基於向光伏電池片注入電流獲取橫向功率損耗的方法，Breitenstein O. 等人提出了鎖相熱成像檢測光伏電池片漏電故障。Haunschild J. 等人採用光致發電技術檢測光伏電池片低效率的缺陷。Chakrapani S. K. 等人利用蘭姆波空氣耦合超聲波檢測技術快速檢測光伏模塊電池片的破裂。孟佳彬等人通過擴頻時域反射儀檢測光伏系統的變化電阻，並將其代替測量故障電流，此方法能有效地檢測出光伏系統的接地故障，但需外加信號源，並且只能在離網狀態下操作。

圖2 紅外熱成像圖

物理檢測法能夠簡單、迅速地實現故障檢測，但亦存在極大的侷限性，它難以有效實現故障分類，且檢測設備價格都較爲昂貴，維護成本高，因此難以大規模應用。

2.2 基於能量損失的診斷方法

能量損失法診斷流程如圖3所示。首先，通過測量環境溫度和輻照度來估算理論輸出電壓、電流和功率，再計算理論值和實際值之間的差值，並將差值作爲診斷算法的輸入數據以實現故障診斷。Harrou F. 等人提出一種基於改進K最鄰近算法（K- nearest neighbor, KNN）的故障檢測方法，通過將理論值與實際值的差值作爲KNN的輸入，並結合指數加權移動平均（exponential weighted moving average, EWMA）算法自適應生成KNN的故障閾值邊界，實現了對光伏陣列中不同失配比的線間故障、開路故障及部分遮陰的故障檢測。

Dhimish M. 等人通過數值統計方法分析不同狀態下理論值與實際值之間的變化關係，獲得故障診斷閾值；當理論值和實際值的差值大於故障閾值時，則判定光伏陣列存在故障。Hariharan R. 等人通過計算功率損失及DC側功率和輻照度的驟變，檢測光伏數組的失配和遮陰。Dhimish M. 等人將功率損耗和電壓損耗代入三次多項式函數，得到故障界限曲線，再結合模糊推理系統，提升了故障識別率。

Chouder A. 等人提出基於功率損失的故障自動監測系統，通過定義新的熱俘獲損失（Lct）和雜項俘獲損失（Lcm），結合光伏系統的能量損失指針，辨識了不同運行條件下的三種光伏故障類型。基於統計信號處理的方法，Davarifar M. 等人提出的診斷方法在加噪條件下仍能識別故障的光伏系統。

圖3 能量損失法診斷流程

基於能量損失的故障診斷方法十分依賴仿真模型的準確性，而光伏陣列長期在戶外運行，導致光伏陣列不斷老化，長此以往仿真模型與實際光伏陣列的輸出特性會出現偏差，進而導致誤判。此外，當MPPT工作在錯誤的峰值點時同樣會造成誤判。

2.3 基於I-V曲線的診斷方法

光伏陣列I-V曲線如圖4所示。圖中包含了豐富的特徵信息，能夠最直接準確地反映光伏陣列在各種情況下的輸出特性。Huang J. 等人通過測量光伏陣列的I-V曲線，得到4個在標準測試條件（standard test condition, STC）下的非線性特徵值計算式，再通過粒子羣與信賴域優化算法（particle swarm optimization-trust region reflective, PSO-TRR）最小化目標誤差函數，確定非線性特徵式參數，以便獲取特徵值大小，最後經AdaBoost算法實現多類故障診斷。

Chen Z. 等人先將I-V曲線的電壓和電流分離，再將輻照度和溫度值合併，組成4維輸入向量；通過殘差網絡的多個卷積和池化層提取特徵，最後使用Softmax實現光伏陣列常見故障的識別。甘雨濤等人提出了一種基於自適應神經網絡模糊推理系統（adaptive network-based fuzzy inference system, ANFIS）的故障診斷方法，從I-V曲線中提取陣列電壓、陣列電流、陣列功率、工作點斜率、電流離散率，再結合環境溫度和輻照度組成7個故障特徵值作爲ANFIS的輸入數據，實現了對開路故障、線間故障、部分遮陰、老化故障四種故障的診斷。

Spataru S.等人建立了3個模糊推理系統辨識老化故障、遮陰故障、誘導衰減故障；然而，該方法僅能在高照度情況下實現故障診斷，在低照度情況下難以工作。王元章等人則提出一種基於BP神經網絡的故障診斷方法，通過將I-V曲線中的Voc、Isc、Vmpp、Impp作爲神經網絡的輸入數據，實現了對短路、開路、遮陰、老化四種故障的識別。

圖4 光伏陣列I-V曲線

通過光伏陣列的I-V曲線特徵進行故障診斷是目前研究的熱點，然而I-V曲線診斷法需要將逆變器退出運行，再通過特定的儀器測量I-V曲線、輻照度和環境溫度，這一檢測過程造成光伏發電系統出現人爲的功率損失；此外，由於I-V曲線更新頻率較慢，因此無法實現實時故障檢測，導致故障時間延長，進而引起安全隱患。

2.4 基於時序電壓電流的診斷方法

光伏陣列的電壓電流診斷法是通過在線測量光伏陣列輸出的電壓、電流波形進行故障甄別，各狀態下的時序電壓、電流如圖5所示。在不同故障情況下，分析時序波形的變化規律；在相同故障情況下，挖掘電參數的變化共性，以此來實現光伏陣列的故障診斷。這種診斷方法的優點是可以在逆變器運行過程中進行診斷，避免出現人爲功率損失的現象，並且無需測量光照輻照度和溫度。

蔡雨橋等人提出一種基於動態時間規整的故障檢測方法，通過計算電流在時間序列上的相似度，並結合閾值法，實現開路故障、短路故障的實時監測。楊佳葳等人提出了一種基於序差和（sum of ranking differences, SRD）的光伏陣列故障分類方法，該方法設計了6個故障特徵量，並使用SRD評價特徵量在每一種工況下的得分，以得分最小的工況作爲最終診斷類別。

李光輝等人利用半監督機器學習法（semi- supervised machine learning, SSML）實現了對光伏陣列中正常狀態、開路故障、老化故障三者之間的辨識；該方法只需要少量的標籤樣本就能實現故障診斷，但這種方法極易受噪聲干擾，隨着不好的樣本的積累，算法的準確率將持續下降。Kumar B. P. 等人採用小波包分解法將光伏陣列的電壓分解到特定頻帶範圍內提取故障特徵，再使用閾值法實現故障診斷。有學者使用多分辨率分解方法提取故障特徵值，再通過支持向量機和模糊推理系統實現線間故障的診斷。有學者提出的方法能夠識別出的故障類別較少，且在低失配比時的識別準確率有待提高。

圖5 各狀態下的時序電壓、電流

基於時序電壓電流的故障檢測方法無需測量環境溫度和照度，且光伏陣列的運行電壓和電流在直流匯流箱處便於測量。因此，基於時序電壓電流的故障檢測法僅需在直流匯流箱處加裝故障檢測模塊即可實現對光伏陣列的實時故障診斷。

3 結論

考慮到傳統基於故障電流的光伏陣列故障診斷策略難以有效保護光伏系統，近年來國內外開展了大量對光伏陣列故障檢測的研究。本文將目前已經提出的故障檢測方法分爲四種，四種方法的特點及優缺點對比見表1。從表1可以看出，每一種故障檢測方法都具備不同的側重點及優缺點。

由於光伏陣列長期運行在環境複雜的戶外，並且光伏陣列的故障類型很多，因此在實際中的光伏陣列故障檢測十分複雜，難以設計出一種完美的故障診斷方法。

表1 不同診斷方法的特點及優缺點對比

在上述故障檢測方法中，時序電壓電流法最具發展前景，它不僅能夠實現實時故障檢測，而且其檢測裝置安裝便利，無需測量環境溫度和照度。目前，針對時序電壓電流法的研究還不夠深入。鑑於光伏陣列的實際運行情況複雜，存在多種類似故障而非故障的情況，如併網起動過程、照度變化過程、晚間逆變器斷開運行過程、MPPT故障運行等，如何正確區分不同的運行情況是故障檢測中的難點。此外，如何實現對光伏陣列中高阻故障的檢測、如何使用盡可能少的傳感器實現故障定位也是亟需解決的問題。

本文編自2021年第7期《電氣技術》，論文標題爲“光伏陣列故障檢測方法綜述”，作者爲喬蘇朋、楊豔、陳世羣、高偉、楊耿傑。

2021年第十六屆中國電工技術學會學術年會

中國電工技術學會成立40週年紀念大會

第五屆軌道交通電氣與信息技術國際學術會議

中國電工技術學會

新媒體平臺

學會官方微信

電工技術學報

電氣技術

學會官方B站

新浪微博

今日頭條號