徐立娟， 吳春華， 王元章， 李智華

(上海市電站自動化技術重點實驗室， 上海大學自動化系， 上海 200072)

基于決策樹的光伏組件故障診斷方法研究

徐立娟， 吳春華， 王元章， 李智華

(上海市電站自動化技術重點實驗室， 上海大學自動化系， 上海 200072)

分析了光伏組件在局部陰影或異常老化狀態(tài)下的輸出特性，提出了一種基于決策樹算法的光伏組件在線診斷局部陰影或異常老化的判斷方法。同時分析了在這兩種狀態(tài)下填充因子FF、斜率因子K和輸出電流比Im/Isc的變化規(guī)律，結合光伏組件的四個輸出參數(shù)(最大功率點電壓Um和電流Im、開路電壓Uoc和短路電流Is)一起作為屬性集合，用于提供給決策樹生成算法自由選擇合適的屬性生成故障診斷決策樹。實際應用中，只要獲得需要的屬性數(shù)據(jù)即可通過生成的決策樹診斷出光伏組件的工作狀態(tài)。實驗結果證明了該方法的可行性和有效性。

光伏組件; 故障診斷; 決策樹; 局部陰影; 異常老化

1 引言

光伏組件的輸出隨光照強度和環(huán)境溫度的變化而變化，其輸出呈現(xiàn)非線性特性，如果組件本身存在故障，其輸出特性會變得更加復雜，所以很難直接從其輸出數(shù)據(jù)中觀察和總結獲取故障的一般規(guī)律。而一些智能算法可以根據(jù)需要自動從數(shù)據(jù)集中形成相關規(guī)則，近年來，這些智能檢測算法逐漸應用到了光伏系統(tǒng)故障診斷領域[1-7]，如神經網絡法、模糊控制法、多傳感器檢測法、紅外圖像分析法和時域反射法等。

上述方法雖然能夠有效的檢測組件故障，但是這些方法通常需要額外設備的輔助，如神經網絡法和模糊控制法都需要光照儀和溫度計，其他的非智能檢測方法也都需要各種各樣的設備予以支持，這在一定程度上會增加光伏發(fā)電的成本。因此，本文提出了一種不需要額外輔助設備的智能檢測方法，即基于決策樹的光伏組件在線故障診斷方法，通過采集組件在正常、異常老化和局部陰影時的最大功率點電壓(Um)、最大功率點電流(Im)、開路電壓(Uoc)和短路電流(Isc)，經過數(shù)據(jù)處理，利用CART算法實現(xiàn)了光伏組件故障診斷。

2 故障成因及其輸出規(guī)律總結

光伏組件通常安裝在屋頂、荒野和沙漠等惡劣環(huán)境中，多種原因會導致組件產生一些故障，影響其正常運行。其中，異常老化和局部陰影是較常見的兩種故障狀態(tài)。

當光伏組件存在異常老化或局部陰影時，其輸出功率一般會大幅下降。模擬組件在800W/m2和25℃環(huán)境條件下，正常、局部陰影、異常老化、小面積局部陰影和異常老化同時發(fā)生這四種情況的I-U曲線如圖1所示。小面積局部陰影為1塊電池遮擋20%的情況，局部陰影為1塊電池遮擋50%的情況，異常老化為串聯(lián)1Ω電阻的情況。

圖1 不同工作狀態(tài)下I-U曲線圖Fig.1 I-U curves under different states generators

由圖1可以發(fā)現(xiàn)，組件在局部陰影和異常老化時，最大功率點電壓和電流值都較正常狀態(tài)時大幅下降。 當組件存在局部陰影或異常老化故障時，Um和Im的下降幅度相差不大。本文只針對單塊電池遮擋50%以上的局部陰影情況及串聯(lián)1～4Ω電阻模擬異常老化進行研究。在相同環(huán)境條件下，局部陰影時組件的輸出通常都小于異常老化時組件的輸出。

3 決策樹算法

3.1 決策樹原理

決策樹是故障分類技術中較常用的一種技術[8,9]，其基本算法是通過自上而下的遞歸生成一棵決策樹，生成的決策樹可以分為內部節(jié)點和葉子節(jié)點兩類，內部節(jié)點是屬性的集合，葉子節(jié)點是最終的分類結果。在故障診斷過程中，決策樹自上而下逐步通過內部節(jié)點對屬性值進行比較，確定下一步的走向，最后到達的葉子節(jié)點即為分類的故障診斷結果。因此，從決策樹的根節(jié)點到不同的葉子節(jié)點，分別對應著一條分類規(guī)則，即整棵決策樹是一組分類規(guī)則的集合。

決策樹的建立一般有四個步驟：①數(shù)據(jù)采集，通常是從實驗中采集所需的數(shù)據(jù)；②數(shù)據(jù)預處理，通常包括數(shù)據(jù)檢驗，創(chuàng)建新屬性和屬性選擇；③隨機選擇90%經過預處理的數(shù)據(jù)作為決策樹進行學習的數(shù)據(jù)集；④將余下10%的數(shù)據(jù)作為測試已經生成的決策樹的數(shù)據(jù)集。當測試決策樹完成，就能進行光伏組件的在線故障診斷。

3.2 數(shù)據(jù)采集

為了采集訓練決策樹所需的數(shù)據(jù)，實時采集和記錄相關數(shù)據(jù)，建立了如圖2所示的實驗平臺。實驗所用的光伏組件型號為HQ190M-190W，其參數(shù)如表1所示。

圖2 實驗平臺Fig.2 Experimental platform

參數(shù)數(shù)值最大功率點電壓Um/V36.67最大功率點電流Im/A5.18開路電壓Uoc/V45.32短路電流Isc/A5.53額定功率P/W190電流溫度系數(shù)ui/(%/℃)[0.09,0.11]電壓溫度系數(shù)uv/(%/℃)[-0.39,-0.37]

采集在不同環(huán)境條件下光伏組件在3種工作狀態(tài)，即正常、局部陰影和異常老化下的輸出數(shù)據(jù)，包括開路電壓(Uoc)、短路電流(Isc)、最大功率點電壓(Um)和電流(Im)。局部陰影為單塊光伏電池遮擋50%，異常老化用串聯(lián)1Ω電阻來模擬。共采集了774組數(shù)據(jù)，實驗采集數(shù)據(jù)分布如表2所示。

表2 數(shù)據(jù)分布Tab.2 Data distribution

可以利用光伏組件的短路電流Isc值估算光照強度值，如式(1)所示：

(1)

3.3 數(shù)據(jù)預處理

雖然決策樹能自動從采集的數(shù)據(jù)集合中提取出故障診斷規(guī)則，但是決策樹也有局限性[10]，每個內部節(jié)點屬性的選擇只能考慮單個變量，依據(jù)這個變量的取值來形成下一個內部節(jié)點，所以很難發(fā)現(xiàn)基于多個變量組合的規(guī)則。因此必須優(yōu)化提供給決策樹進行選擇的屬性，使決策樹能更有效地進行故障診斷。經過仿真和實驗研究發(fā)現(xiàn)，除了提供光伏組件的輸出Im、Um、Isc和Uoc，還需要提供填充因子FF、輸出電流比Im/Isc和斜率因子K，而后3個變量是從前4個變量計算組合而來的。

圖3為光伏組件等效電路模型，由此電路模型可得組件電流方程為：

(2)

式中，U為組件的輸出電壓；I為組件的輸出電流；Iph為光生電流；I0為反向飽和電流；A為二極管理想因子；Rs為等效串聯(lián)電阻；Rsh為等效并聯(lián)電阻；q為電子電荷常數(shù)，其值為1.6×10-19C；T為絕對溫度；k為玻爾茲曼常數(shù)，其值為1.38×10-23J/K。

圖3 組件等效電路模型Fig.3 Equivalent circuit model of PV model

為了簡化理論證明，并且考慮到流過二極管的電流I0的電流數(shù)量級比較小，通常在10-5左右，故簡化式(2)為：

(3)

當組件短路時，有U=0，則式(3)可變?yōu)椋?/p>

(4)

當組件開路時，有I=0，則式(3)可變?yōu)?/p>

Uoc=IphRsh

(5)

光生電流Iph為：

(6)

式中，SSTC為標準測試條件下的光照強度(1000W/m2)；ui為電流溫度系數(shù)；T為組件的工作溫度；TSTC為自標準測試條件下的工作溫度(25℃)。

分析組件的異常老化和局部陰影兩種故障工作狀態(tài)，可以容易得到在外界相同光照強度下，組件有局部陰影時，其平均光照強度值Sc必然較組件在正常工作和異常狀態(tài)下的光照強度值小，由式(6)可得局部陰影下Iph值相比正常和異常老化情況下的Iph值小。

填充因子FF是光伏組件品質(串聯(lián)電阻和并聯(lián)電阻)的量度[11]，如式(7)所示：

(7)

由圖1可以發(fā)現(xiàn)，組件在異常老化和局部陰影下的輸出相比組件在正常狀態(tài)下的輸出，只有Im和Um值的變化較大，其大幅度地減小，Isc和Uoc值較正常時未發(fā)生較大變化，由式(7)可知，F(xiàn)F值在故障狀態(tài)下的值較正常情況下小，所以利用FF值可以很好地區(qū)分組件是否存在故障，不同故障狀態(tài)下組件的FF值隨光照強度變化如圖4所示。

圖4 不同工作狀態(tài)下FF值隨光照強度變化曲線Fig.4 Curves of FF under different states when irradiation changes

從圖4中可以看出，組件在異常老化和局部陰影狀態(tài)下的FF值區(qū)別并不大。在光照強度較低時，局部陰影時的FF值較異常老化時的FF值稍大，而在光照強度較高時，情況則相反。

為了更好地區(qū)分局部陰影和異常老化這兩個狀態(tài)，本文定義了斜率因子K和輸出電流比Im/Isc兩個屬性。K為組件I-U曲線中最大功率點至開路電壓點直線斜率的絕對值，其計算公式為：

(8)

由圖1可發(fā)現(xiàn)，組件在異常老化和局部陰影時的最大功率點相差并不大，為了簡化理論證明，本文假設在這兩種故障狀態(tài)下最大功率點相同，即Im和Um值相同。在局部陰影下，如前分析Iph值會較組件在異常老化時小，由式(5)可知，組件在局部陰影下的Uoc值會比在異常老化時的Uoc值小，于是由式(8)可知，組件在局部陰影下的K值會比在異常老化時的K值大。

組件在局部陰影和異常老化故障下的K值隨光照強度變化的曲線如圖5所示?？梢钥闯?，在同一光照強度下，組件在異常老化時其K值小于組件局部陰影時的K值。

圖5 局部陰影和異常老化下K值隨光照強度變化曲線Fig.5 Curves of K under partial shading and abnormal degradation when irradiation changes

光伏組件的輸出隨光照強度和環(huán)境溫度的變化而變化，光照強度的變化對組件的影響更大。為了使決策樹考慮到光照強度這一概念，又引入了組件輸出電流比Im/Isc值，組件在不同工作狀態(tài)下的Im/Isc值隨光照強度變化的曲線如圖6所示。

可以看出，組件在局部陰影時，Im/Isc值基本隨光照強度的增加而增大；異常老化情況下，光照強度較高時，Im/Isc隨光照強度的增加反而減小。

圖6 不同工作狀態(tài)下Im/Isc值隨光照強度變化曲線Fig.6 Curves of Im/Isc under different states when irradiation changes

根據(jù)圖4，假設組件在異常老化和局部陰影下的FF值相同；如前分析，組件在局部陰影下的Uoc值也會比在異常老化時的Uoc值?。煌瑫r本文假設在這兩種故障狀態(tài)下最大功率點相同，即Im和Um值相同，由此可得在相同光照強度下，組件在局部陰影時的Im/Isc值比在異常老化時的Im/Isc值大。

因此，共有7個屬性供決策樹生成算法進行選擇，如表3所示。

表3 屬性集合
Tab.3 New and old attributes

名稱描述Im最大功率點電流Um最大功率點電壓Isc短路電流Uoc開路電壓FF填充因子K斜率因子Im/Isc輸出電流比值

3.4 分類-回歸算法

在生成決策樹過程中，最重要的就是對內部節(jié)點屬性的選擇，決策樹有自動從提供的屬性集合中選擇合適屬性的能力，不同的決策樹生成算法選擇屬性的方法不同。

分類-回歸算法 (Classification And Regression Tree，CART)[12,13]采用二分遞歸分割的方法，生成的決策樹都是二叉樹，即決策樹內部節(jié)點都只包含兩個分支，其結構簡單清晰，分類規(guī)則較少。為了選擇最優(yōu)的分裂屬性，CART算法采用了Gini值作為選擇最佳屬性的標準。

首先做一些簡單的假設[14]：當前節(jié)點中的屬性集合為A={A1,A2,…,Am}，訓練樣本集合為S={s1,s2,…,sn}，類別集合為C={c1,c2,…,ck}。對于訓練樣本集合S，T為S的一個屬性，它將S分裂成不相關的子集S1,S2,…,Sw。

在對當前屬性進行劃分時，Gini值為：

(9)

CART算法使用Gini值最小的屬性來對當前內部節(jié)點進行劃分。

3.5 決策樹生成

限于實驗條件，提供給決策樹生成算法的數(shù)據(jù)樣本例數(shù)較少，同時需要判斷的組件工作狀態(tài)較少，所以最終生成的決策樹結構較簡潔，如表4所示。生成的決策樹能夠有效地對測試樣本進行分類，其正確率達到了98.32%。

表4 生成的決策樹信息Tab.4 Information of DT model

圖7為最終生成的決策樹。從所生成的決策樹中可以看出，利用CART算法為決策樹生成屬性只選擇了所提供的7個屬性中的3個，分別為FF、K和Um。

圖7 生成的決策樹Fig.7 DT model

4 實驗驗證

分布式MPPT系統(tǒng)[14]為每個光伏組件配備一個具有最大功率點跟蹤等功能的功率優(yōu)化器，該系統(tǒng)可以采集得到每個組件的輸出電流和輸出電壓，將最后生成的決策樹寫入功率優(yōu)化器中，利用決策樹診斷出組件的工作狀態(tài)，系統(tǒng)結構如圖8所示。如果存在故障，系統(tǒng)就會上報至監(jiān)控中心以便人員維護，大幅度降低了人工維護的成本以及避免了組件故障可能產生的嚴重后果。

圖8 在線故障診斷系統(tǒng)示意圖Fig.8 Schematic diagram of online fault diagnosis system

為了驗證生成的決策樹的有效性，分別在光照強度較高和光照強度較低時進行了實驗。實驗中局部陰影為遮擋半塊電池以上的情況，異常老化為串聯(lián)1～4Ω的情況。令光伏板分別工作在正常、局部陰影和異常老化三種情況下，對這三種情況進行多次實驗，觀察上位機顯示的光伏板狀態(tài)與實際光伏板的狀態(tài)是否一致，若上位機顯示的狀態(tài)與實際的狀態(tài)一致，則說明此時沒有發(fā)生誤判，反之，則說明此時判斷失誤。根據(jù)判斷正確與否來計算實驗的正確率。

在光照強度較高情況下，共測試了208組數(shù)據(jù)，利用短路電流Isc值估算得到光照強度范圍為553～872W/m2，測試結果如表5所示。

表5 光照強度較高時的實驗結果Tab.5 Experimental results at high irradiation

在光照強度較弱情況下，共測試了222組數(shù)據(jù)，利用短路電流Isc值估算得到光照強度范圍為359～537W/m2，測試結果如表6所示。

表6 光照強度較低時的實驗結果Tab.6 Experimental results at low irradiation

觀察實驗結果可以得出，在不同環(huán)境條件下生成的決策樹都能有效地對光伏組件進行故障診斷，證明了所提方法的正確性和可行性。分析實驗中診斷錯誤的數(shù)據(jù)，其原因有：①實驗中輸出電壓和輸出電流的測量是不同步的，如果在此期間光照強度發(fā)生了變化，會導致電壓和電流數(shù)據(jù)的測量環(huán)境條件不一致，并且測量得到的數(shù)據(jù)并沒有在預處理中被清除出去，最終導致決策樹錯誤的診斷；②有幾組實驗數(shù)據(jù)不在決策樹學習得到的規(guī)則集中，導致了錯誤的診斷。

5 結論

本文提出了一種基于決策樹算法的光伏組件在線故障診斷方法，該方法對數(shù)據(jù)十分敏感，生成的決策樹結構簡單易懂，不僅能為功率優(yōu)化器增加故障診斷的能力，同時也降低了人工維護的成本。

[1] Syafaruddin, E Karatepe, T Hiyama. Controlling of artificial neural network for fault diagnosis of photovoltaic array[A]. 16th International Conference on Intelligent System Application to Power Systems[C]. Crete, Greece, 2011. 1-6.

[2] Pietro Ducange, Michela Fazzolari, Beatrice Lazzerini, et al. An intelligent system for detecting faults in photovoltaic fields[A]. IEEE 11th International Conference on Intelligent Systems Design and Applications[C]. Cordoba, Spain, 2011. 1341-1346.

[3] A Chouder, S Silvestre. Automatic supervision and fault detection of PV systems based on power losses analysis[J]. Energy Conversion and Management, 2010, 51(10): 1929-1937．

[4] 胡義華, 陳昊, 徐瑞東, 等(Hu Yihua, Chen Hao, Xu Ruidong, et al.). 基于最優(yōu)傳感器配置的光伏陣列故障診斷(Photovoltaic (PV) array fault diagnosis strategy based on optimal sensor placement)[J]. 中國電機工程學報(Proceedings of the CSEE), 2011, 31(33): 19-30.

[5] Bei Nian, Zhizhong Fu, Li Wang. Automatic detection of defects in solar modules: Image processing in detecting[A]. International Conference on Wireless Communications Networking and Mobile Computing[C]. Chengdu, China, 2010. 1-4.

[6] Takumi Takashima, Junji Yamaguchi, Masayoshi Ishida. Fault detection by signal response in PV module strings[A]. 33rd IEEE Photovoltaic Specialists Conference [C]．San Diego，CA，USA, 2008. 1-5.

[7] Takumi Takashima, Junji Yamaguchi, Masayoshi Ishida. Disconnection detection using earth capacitance measurement in photovoltaic module string[J]. Progress in Photovoltaics, 2008, 16(8): 669-677.

[8] 張延松, 趙英凱(Zhang Yansong，Zhao Yingkai). 基于PCA和粗糙集構建決策樹的變電站故障診斷(Fault diagnosis of substation by the constructed decision tree based on principal component analysis (PCA) and rough set)[J]. 電力系統(tǒng)保護與控制(Power System Protection and Control), 2010, 38(14): 104-109.

[9] Shuguang He, Zhen He, Gang A Wang. Online monitoring and fault identification of mean shifts in bivariate processes using decision tree learning techniques[J]. Journal of Intelligent Manufacturing, 2013, 24(1): 25-34.

[10] 李旭(Li Xu). 五種決策樹算法的比較研究(A comparative study on five decision tree algorithms)[D]. 大連: 大連理工大學(Dalian: Dalian University of Technology), 2011.

[11] Wei Zhou, Hongxing Yang, Zhaohong Fang. A novel model for photovoltaic array performance prediction[J]. Applied Energy, 2007, 84(12): 1187-1198.

[12] 程曉蘭(Cheng Xiaolan). 決策樹分類算法及其應用(Decision tree algorithm and application)[D]. 大連: 大連交通大學(Dalian：Dalian Jiaotong University), 2007.

[13] 王斌(Wang Bin.). 決策樹算法的研究及應用(Research on decision tree and its application)[D]. 上海: 東華大學(Shanghai: Dong Hua University), 2008.

[14] 黃建明, 吳春華, 徐坤, 等(Huang Jianming, Wu Chunhua, Xu Kun, et al.). 基于等效負載阻抗擾動的分布式MPPT方法研究(A distributed maximum power point tracking method based on the equivalent load impedance disturbance)[J]. 電力系統(tǒng)保護與控制(Power System Protection and Control), 2012, 40(24): 125-130.

Survey of fault diagnosis for PV modules based on decision tree

XU Li-juan, WU Chun-hua, WANG Yuan-zhang, LI Zhi-hua

(Shanghai Key Laboratory of Power Station Automation Technology, Department of Automation, Shanghai University, Shanghai 200072, China)

The output characteristics of PV modules when they are in abnormal degradation or partial shading are analyzed. A novel online fault diagnosis method for PV modules with abnormal degradation or partial shading based on decision tree (DT) is proposed. The change of fill factor (FF), the slope factor (K) and the ratio of output current (Im/Isc) under the two different faults are analyzed. The voltage of maximum power point (Um), the current of maximum power point (Im), open circuit voltage (Uoc), short circuit current (Isc),FF,KandIm/Iscare provided as the attribute collection which can be used by the DT algorithm. When the attribute data needed is acquired, the DT algorithm can determine the PV modules’ state. The experimental results show the feasibility and effectiveness of the proposed method.

PV module; fault diagnosis; decision tree (DT); partial shading; abnormal degradation

2016-05-31

國家自然科學基金項目(51677112)

徐立娟(1989-)， 女， 河北籍， 碩士研究生， 研究方向為光伏系統(tǒng)及故障診斷； 吳春華(1978-)， 男， 浙江籍， 副教授， 博士， 研究方向為光伏并網控制、 燃料電池電能變換控制、 風力發(fā)電電能變換控制。

TM46

A

1003-3076(2017)06-0083-06