喬蘇朋 楊 艷 陳世群 高 偉 楊耿杰

光伏陣列故障檢測方法綜述

喬蘇朋1楊 艷2陳世群3高 偉3楊耿杰3

（1. 國電南京自動(dòng)化股份有限公司，南京 211100；2. 淮陰工學(xué)院自動(dòng)化學(xué)院，江蘇 淮安 223003； 3. 福州大學(xué)電氣工程與自動(dòng)化學(xué)院，福州 350108）

基于狀態(tài)監(jiān)測的故障診斷方法是提高光伏系統(tǒng)可靠性和安全性的有效實(shí)施途徑。光伏陣列輸出的非線性特性及其易受外界環(huán)境干擾的特點(diǎn)，導(dǎo)致傳統(tǒng)保護(hù)裝置難以檢測到其直流側(cè)故障。光伏陣列故障不僅會降低發(fā)電量、損害光伏組件，嚴(yán)重時(shí)甚至?xí)?dǎo)致大面積火災(zāi)。為解決該問題，專家學(xué)者們提出了多種光伏陣列故障檢測方法，本文就常見的故障檢測方法進(jìn)行概述，首先分析光伏陣列故障檢測的研究意義，然后介紹光伏陣列常見的故障類型，最后對常見檢測方法的優(yōu)缺點(diǎn)進(jìn)行總結(jié)。

光伏陣列；故障診斷；光伏組件；狀態(tài)檢測

0 引言

隨著全球光伏發(fā)電容量指數(shù)級增長，可靠的光伏陣列運(yùn)維管理及故障診斷變得尤為重要。由于光伏陣列常年曝露在戶外，受多變環(huán)境（如雷雨天氣、熱循環(huán)、濕度、紫外線輻射、陰影等）影響，容易出現(xiàn)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[1]。同時(shí)，故障導(dǎo)致發(fā)電量大量損失，組件發(fā)生不可逆損壞，嚴(yán)重時(shí)甚至引發(fā)火災(zāi)[2]。通常，光伏陣列在直流側(cè)裝有過電流保護(hù)設(shè)備（overcurrent protection devices, OCPD）和接地故障保護(hù)設(shè)備（ground fault detection inter- rupters, GFDI）[3]，這些保護(hù)設(shè)備的故障電流閾值通常設(shè)置為短路電流的2.1倍[4]。然而，當(dāng)發(fā)生輕、中度故障或故障發(fā)生在低輻照度情況下時(shí)，傳統(tǒng)的保護(hù)設(shè)備因最大功率點(diǎn)跟蹤（maximum power point tracking, MPPT）和過低的故障電流無法及時(shí)動(dòng)作[2]。因此，建立有效的光伏陣列故障診斷及智能運(yùn)行監(jiān)測系統(tǒng)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(nèi)外學(xué)者進(jìn)行了大量的研究[5-6]。本文首先分析光伏陣列常見的故障類型及各類故障對應(yīng)的特性；其次，將國內(nèi)外學(xué)者所提的故障檢測方法分為物理檢測法、能量損失法、-曲線法、時(shí)序電壓電流法四類并逐一介紹；然后，對比分析上述四類故障檢測方法的優(yōu)缺點(diǎn)；最后，對光伏陣列故障診斷的發(fā)展趨勢進(jìn)行探討，指出一些有建設(shè)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(tǒng)

典型的光伏系統(tǒng)由光伏陣列、直流匯流箱、逆變器及保護(hù)設(shè)備組成，并網(wǎng)光伏系統(tǒng)典型配置如圖1所示。每塊光伏模組由串聯(lián)的光伏電池片和并聯(lián)在電池片兩側(cè)的旁路二極管組成，旁路二極管是為防止電池片因熱斑效應(yīng)燒毀。

圖1 并網(wǎng)光伏系統(tǒng)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(guī)模為5×10的光伏系統(tǒng)（見圖1）對各類故障進(jìn)行介紹。

部分遮陰指光伏陣列的某些模組被云層、樹木或建筑物遮擋（見圖1中F1），導(dǎo)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(dǎo)非遮陰模組的電流以防止出現(xiàn)熱斑。

開路故障指光伏陣列中的某一串線路存在斷開點(diǎn)（見圖1中F2），導(dǎo)致故障串沒有電流回路，使其進(jìn)入開路狀態(tài)，不產(chǎn)生能量。此時(shí)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(gè)不同電位點(diǎn)發(fā)生意外連接，部分光伏模組被短路，導(dǎo)致陣列的輸出功率受損[2]。在圖1中，F(xiàn)3故障有9塊模組被短路，因此稱之為線-線失配90%故障（簡稱LL-90%）；F4故障處為兩個(gè)光伏串間發(fā)生短路，有2塊模組被短路，因此稱其為線-線失配20%故障（簡稱LL- 20%）；同理，F(xiàn)5故障為線-線失配10%故障（簡稱LL-10%），失配比越大表明線間故障越嚴(yán)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(shè)備接地導(dǎo)體或者地面意外接觸（見圖1中F6），產(chǎn)生低電阻回路的不良情況。

異常老化指的是光伏模組隨著運(yùn)行時(shí)長增加，內(nèi)部串聯(lián)電阻逐漸增大，并聯(lián)電阻逐漸減小的現(xiàn)象。常見的老化類型主要是串聯(lián)電阻的老化，如圖1中F7所示。串聯(lián)電阻的增大，會使串聯(lián)電阻上的壓降大于整串電池的輸出電壓，造成旁路二極管導(dǎo)通，使得輸出-曲線出現(xiàn)異常甚至多峰現(xiàn)象。

2 光伏陣列故障診斷方法

2.1 基于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(guī)的物理檢測方法。當(dāng)光伏陣列被遮擋或短路時(shí)，故障模組的內(nèi)部持續(xù)升溫，因此在故障模組附近會產(chǎn)生明顯的溫度梯度[7]，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(diǎn)，即可進(jìn)行快速直接的故障檢測[8]。Kaplani E. 等人采用紅外熱像儀獲取光伏陣列的紅外成像圖，再根據(jù)光伏模組在不同工作狀態(tài)下呈現(xiàn)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[9]。Benatto G. A. D. R. 等人利用無人機(jī)在高輻照度條件下拍取光伏陣列的電致發(fā)光成像圖，通過圖像信息來識別與功率損耗有關(guān)的故 障[10]?；谙蚬夥姵仄⑷腚娏鳙@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[11]。Haunschild J. 等人采用光致發(fā)電技術(shù)檢測光伏電池片低效率的缺陷[12]。Chakrapani S. K. 等人利用蘭姆波空氣耦合超聲波檢測技術(shù)快速檢測光伏模塊電池片的破裂[13]。孟佳彬等人通過擴(kuò)頻時(shí)域反射儀檢測光伏系統(tǒng)的變化電阻，并將其代替測量故障電流[14]，此方法能有效地檢測出光伏系統(tǒng)的接地故障，但需外加信號源，并且只能在離網(wǎng)狀態(tài)下操作。

圖2 紅外熱成像圖

物理檢測法能夠簡單、迅速地實(shí)現(xiàn)故障檢測，但亦存在極大的局限性，它難以有效實(shí)現(xiàn)故障分類，且檢測設(shè)備價(jià)格都較為昂貴，維護(hù)成本高，因此難以大規(guī)模應(yīng)用。

2.2 基于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(huán)境溫度和輻照度來估算理論輸出電壓、電流和功率，再計(jì)算理論值和實(shí)際值之間的差值，并將差值作為診斷算法的輸入數(shù)據(jù)以實(shí)現(xiàn)故障診斷。Harrou F. 等人提出一種基于改進(jìn)K最鄰近算法（K- nearest neighbor, KNN）的故障檢測方法[15]，通過將理論值與實(shí)際值的差值作為KNN的輸入，并結(jié)合指數(shù)加權(quán)移動(dòng)平均（exponential weighted moving average, EWMA）算法自適應(yīng)生成KNN的故障閾值邊界，實(shí)現(xiàn)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(shù)值統(tǒng)計(jì)方法分析不同狀態(tài)下理論值與實(shí)際值之間的變化關(guān)系，獲得故障診斷閾值[16]；當(dāng)理論值和實(shí)際值的差值大于故障閾值時(shí)，則判定光伏陣列存在故障。Hariharan R. 等人通過計(jì)算功率損失及DC側(cè)功率和輻照度的驟變，檢測光伏數(shù)組的失配和遮陰[17]。Dhimish M. 等人將功率損耗和電壓損耗代入三次多項(xiàng)式函數(shù)，得到故障界限曲線，再結(jié)合模糊推理系統(tǒng)，提升了故障識別率[18]。Chouder A. 等人提出基于功率損失的故障自動(dòng)監(jiān)測系統(tǒng)[19]，通過定義新的熱俘獲損失（ct）和雜項(xiàng)俘獲損失（cm），結(jié)合光伏系統(tǒng)的能量損失指針，辨識了不同運(yùn)行條件下的三種光伏故障類型?；诮y(tǒng)計(jì)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(tǒng)[20]。

圖3 能量損失法診斷流程

基于能量損失的故障診斷方法十分依賴仿真模型的準(zhǔn)確性，而光伏陣列長期在戶外運(yùn)行，導(dǎo)致光伏陣列不斷老化，長此以往仿真模型與實(shí)際光伏陣列的輸出特性會出現(xiàn)偏差，進(jìn)而導(dǎo)致誤判。此外，當(dāng)MPPT工作在錯(cuò)誤的峰值點(diǎn)時(shí)同樣會造成誤判[21]。

2.3 基于I-V曲線的診斷方法

光伏陣列-曲線如圖4所示。圖中包含了豐富的特征信息，能夠最直接準(zhǔn)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-曲線，得到4個(gè)在標(biāo)準(zhǔn)測試條件（standard test condition, STC）下的非線性特征值計(jì)算式，再通過粒子群與信賴域優(yōu)化算法（particle swarm optimization-trust region reflective, PSO-TRR）最小化目標(biāo)誤差函數(shù)，確定非線性特征式參數(shù)，以便獲取特征值大小，最后經(jīng)AdaBoost算法實(shí)現(xiàn)多類故障診斷[22]。Chen Z. 等人先將-曲線的電壓和電流分離，再將輻照度和溫度值合并，組成4維輸入向量；通過殘差網(wǎng)絡(luò)的多個(gè)卷積和池化層提取特征，最后使用Softmax實(shí)現(xiàn)光伏陣列常見故障的識別[23]。甘雨濤等人提出了一種基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)（adaptive network-based fuzzy inference system, ANFIS）的故障診斷方法[24]，從-曲線中提取陣列電壓、陣列電流、陣列功率、工作點(diǎn)斜率、電流離散率，再結(jié)合環(huán)境溫度和輻照度組成7個(gè)故障特征值作為ANFIS的輸入數(shù)據(jù)，實(shí)現(xiàn)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(gè)模糊推理系統(tǒng)辨識老化故障、遮陰故障、誘導(dǎo)衰減故障[25]；然而，該方法僅能在高照度情況下實(shí)現(xiàn)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于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法[26]，通過將-曲線中的oc、sc、mpp、mpp作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，實(shí)現(xiàn)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-曲線特征進(jìn)行故障診斷是目前研究的熱點(diǎn)，然而-曲線診斷法需要將逆變器退出運(yùn)行，再通過特定的儀器測量-曲線、輻照度和環(huán)境溫度，這一檢測過程造成光伏發(fā)電系統(tǒng)出現(xiàn)人為的功率損失；此外，由于-曲線更新頻率較慢，因此無法實(shí)現(xiàn)實(shí)時(shí)故障檢測，導(dǎo)致故障時(shí)間延長，進(jìn)而引起安全隱患。

2.4 基于時(shí)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(jìn)行故障甄別，各狀態(tài)下的時(shí)序電壓、電流如圖5所示。在不同故障情況下，分析時(shí)序波形的變化規(guī)律；在相同故障情況下，挖掘電參數(shù)的變化共性，以此來實(shí)現(xiàn)光伏陣列的故障診斷。這種診斷方法的優(yōu)點(diǎn)是可以在逆變器運(yùn)行過程中進(jìn)行診斷，避免出現(xiàn)人為功率損失的現(xiàn)象，并且無需測量光照輻照度和溫度。蔡雨橋等人提出一種基于動(dòng)態(tài)時(shí)間規(guī)整的故障檢測方法[27]，通過計(jì)算電流在時(shí)間序列上的相似度，并結(jié)合閾值法，實(shí)現(xiàn)開路故障、短路故障的實(shí)時(shí)監(jiān)測。楊佳葳等人提出了一種基于序差和（sum of ranking differences, SRD）的光伏陣列故障分類方法[28]，該方法設(shè)計(jì)了6個(gè)故障特征量，并使用SRD評價(jià)特征量在每一種工況下的得分，以得分最小的工況作為最終診斷類別。李光輝等人利用半監(jiān)督機(jī)器學(xué)習(xí)法（semi- supervised machine learning, SSML）實(shí)現(xiàn)了對光伏陣列中正常狀態(tài)、開路故障、老化故障三者之間的辨識[29]；該方法只需要少量的標(biāo)簽樣本就能實(shí)現(xiàn)故障診斷，但這種方法極易受噪聲干擾，隨著不好的樣本的積累，算法的準(zhǔn)確率將持續(xù)下降。Kumar B. P. 等人采用小波包分解法將光伏陣列的電壓分解到特定頻帶范圍內(nèi)提取故障特征，再使用閾值法實(shí)現(xiàn)故障診斷[30]。文獻(xiàn)[31-32]使用多分辨率分解方法提取故障特征值，再通過支持向量機(jī)和模糊推理系統(tǒng)實(shí)現(xiàn)線間故障的診斷。文獻(xiàn)[30-32]的方法能夠識別出的故障類別較少，且在低失配比時(shí)的識別準(zhǔn)確率有待提高。

圖5 各狀態(tài)下的時(shí)序電壓、電流

基于時(shí)序電壓電流的故障檢測方法無需測量環(huán)境溫度和照度，且光伏陣列的運(yùn)行電壓和電流在直流匯流箱處便于測量。因此，基于時(shí)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(shí)現(xiàn)對光伏陣列的實(shí)時(shí)故障診斷。

3 結(jié)論

考慮到傳統(tǒng)基于故障電流的光伏陣列故障診斷策略難以有效保護(hù)光伏系統(tǒng)，近年來國內(nèi)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(jīng)提出的故障檢測方法分為四種，四種方法的特點(diǎn)及優(yōu)缺點(diǎn)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(cè)重點(diǎn)及優(yōu)缺點(diǎn)。由于光伏陣列長期運(yùn)行在環(huán)境復(fù)雜的戶外，并且光伏陣列的故障類型很多，因此在實(shí)際中的光伏陣列故障檢測十分復(fù)雜，難以設(shè)計(jì)出一種完美的故障診斷方法。

表1 不同診斷方法的特點(diǎn)及優(yōu)缺點(diǎn)對比

在上述故障檢測方法中，時(shí)序電壓電流法最具發(fā)展前景，它不僅能夠?qū)崿F(xiàn)實(shí)時(shí)故障檢測，而且其檢測裝置安裝便利，無需測量環(huán)境溫度和照度。目前，針對時(shí)序電壓電流法的研究還不夠深入。鑒于光伏陣列的實(shí)際運(yùn)行情況復(fù)雜，存在多種類似故障而非故障的情況，如并網(wǎng)起動(dòng)過程、照度變化過程、晚間逆變器斷開運(yùn)行過程、MPPT故障運(yùn)行等，如何正確區(qū)分不同的運(yùn)行情況是故障檢測中的難點(diǎn)。此外，如何實(shí)現(xiàn)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(shí)現(xiàn)故障定位也是亟需解決的問題。

[1] 韓付昌, 陳志聰, 吳麗君, 等. 一種光伏陣列實(shí)時(shí)狀態(tài)監(jiān)測與故障定位系統(tǒng)[J]. 福州大學(xué)學(xué)報(bào)(自然科學(xué)版), 2018, 46(6): 799-807.

[2] 王堯, 張彥風(fēng), 牛峰, 等. 光伏直流電弧電磁輻射特性分析與測量方法[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(14): 2913-2921.

[3] PILLAI D S, NATARAJAN R. A compatibility analysis on NEC, IEC, and UL standards for protection against line-line and line-ground faults in PV arrays[J]. IEEE Journal of Photovoltaics, 2019, 9(3): 864-871.

[4] ZHAO Ye, DE PALMA J F, MOSESIAN J, et al. Line-line fault analysis and protection challenges in solar photovoltaic arrays[J]. IEEE Transactions on Industrial Electronics, 2013, 60(9): 3784-3795.

[5] 彭雅蘭, 李志剛. 太陽能光伏陣列在線故障診斷方法綜述[J]. 電器與能效管理技術(shù), 2019(11): 1-7.

[6] PILLAI D S, BLAABJERG F, RAJASEKAR N. A comparative evaluation of advanced fault detection approaches for PV systems[J]. IEEE Journal of Photo- voltaics, 2019, 9(2): 513-527.

[7] 毛峽, 李亞豪. 光伏陣列故障檢測中的無人機(jī)紅外圖像拼接[J]. 太陽能學(xué)報(bào), 2020, 41(3): 262-269.

[8] CUBUKCU M, AKANALCI A. Real-time inspection and determination methods of faults on photovoltaic power systems by thermal imaging in Turkey[J]. Renewable Energy, 2020, 147: 1231-1238.

[9] KAPLANI E. Detection of degradation effects in field- aged c-Si solar cells through IR thermography and digital image processing[J]. International Journal of Photoenergy, 2012, 2012: 1-11.

[10] BENATTO G A D R, MANTEL C, SPATARU S, et al. Drone-based daylight electroluminescence imaging of PV modules[J]. IEEE Journal of Photovoltaics, 2020, 10(3): 872-877.

[11] BREITENSTEIN O, BAUER J, TRUPKE T, et al. On the detection of shunts in silicon solar cells by photo and electroluminescence imaging[J]. Progress in Photovoltaics: Research and Applications, 2008, 16(4): 325-330.

[12] HAUNSCHILD J, REIS I E, GEILKER J, et al. Detecting efficiency-limiting defects in Czochralski- grown silicon wafers in solar cell production using photoluminescence imaging[J]. Physica Status Solidi- Rapid Research Letters, 2011, 5: 199-201.

[13] CHAKRAPANI S K, PADIYAR M J, BALASUBRAMANIAM K. Crack detection in full size CZ-silicon wafers using lamb wave air coupled ultrasonic testing (LAC-UT)[J]. Journal of Nondestructive Evaluation, 2012, 31(1): 46-55.

[14] 孟佳彬, 李智華, 吳春華, 等. 基于SSTDR的光伏系統(tǒng)對地故障檢測方法[J]. 太陽能學(xué)報(bào), 2020, 41(10): 109-118.

[15] HARROU F, TAGHEZOUIT B, SUN Ying. Improved KNN-based monitoring schemes for detecting faults in PV systems[J]. IEEE Journal of Photovoltaics, 2019, 9(3): 811-821.

[16] DHIMISH M, HOLMES V, MEHRDADI B, et al. Simultaneous fault detection algorithm for grid- connected photovoltaic plants[J]. IET Renewable Power Generation, 2017, 11(12): 1565-1575.

[17] HARIHARAN R, CHAKKARAPANI M, SARAVANA ILANGO G, et al. A method to detect photovoltaic array faults and partial shading in PV systems[J]. IEEE Journal of Photovoltaics, 2016, 6(5): 1278-1285.

[18] DHIMISH M, HOLMES V, MEHRDADI B, et al. Photovoltaic fault detection algorithm based on theoretical curves modelling and fuzzy classification system[J]. Energy, 2017, 140: 276-290.

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

[20] DAVARIFAR M, RABHI A, EL-HAJJAJI A, et al. Real-time model base fault diagnosis of PV panels using statistical signal processing[C]//2013 Inter- national Conference on Renewable Energy Research and Applications (ICRERA), 2013: 599-604.

[21] 張明銳, 陳喆旸, 韋莉. 免疫螢火蟲算法在光伏陣列最大功率點(diǎn)跟蹤中的應(yīng)用[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(7): 1553-1562.

[22] HUANG Junming, WAI Rongjong, GAO Wei. Newly- designed fault diagnostic method for solar photovoltaic generation system based on IV-curve measurement[J]. IEEE Access, 2019, 7: 70919-70932.

[23] CHEN Zhicong, CHEN Yixiang, WU Lijun, et al. Deep residual network based fault detection and diagnosis of photovoltaic arrays using current-voltage curves and ambient conditions[J]. Energy Conversion and Management, 2019, 198: 111793.

[24] 甘雨濤, 吳振輝, 陳志聰, 等. 基于LoRa和自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)的光伏陣列故障診斷系統(tǒng)[J]. 電氣技術(shù), 2020, 21(8): 80-86.

[25] SPATARU S, SERA D, KEREKES T, et al. Diagnostic method for photovoltaic systems based on light I-V measurements[J]. Solar Energy, 2015, 119: 29-44.

[26] 王元章, 吳春華, 周笛青, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷研究[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(16): 108-114.

[27] 蔡雨橋, 林培杰, 林耀海, 等. 基于動(dòng)態(tài)時(shí)間規(guī)整的光伏陣列在線故障檢測方法[J]. 電氣技術(shù), 2020, 21(7): 42-47.

[28] 楊佳葳, 閆正兵, 李劍鋒, 等. 基于序差和的光伏陣列故障分類方法[J]. 控制工程, 2020, 27(8): 1425- 1428.

[29] 李光輝, 段晨東, 武珊. 基于半監(jiān)督機(jī)器學(xué)習(xí)法的光伏陣列故障診斷[J]. 電網(wǎng)技術(shù), 2020, 44(5): 1908- 1913.

[30] KUMAR B P, ILANGO G S, REDDY M J B, et al. Online fault detection and diagnosis in photovoltaic systems using wavelet packets[J]. IEEE Journal of Photovoltaics, 2018, 8(1): 257-265.

[31] YI Z, ETEMADI A H. Line-to-line fault detection for photovoltaic arrays based on multi-resolution signal decomposition and two-stage support vector machine[J]. IEEE Transactions on Industrial Electronics, 2017, 64(11): 8546-8556.

[32] YI Zhehan, ETEMADI A H. Fault detection for photovoltaic systems based on multi-resolution signal decomposition and fuzzy inference systems[J]. IEEE Transactions on Smart Grid, 2017, 8(3): 1274-1283.

Review on photovoltaic array diagnosis methods

QIAO Supeng1YANG Yan2CHEN Shiqun3GAO Wei3YANG Gengjie3

(1. Guodian Nanjing Automation Co., Ltd, Nanjing 211100; 2. Faculty of Automation, Huaiyin Institute of Technology, Huaian, Jiangsu 223003; 3. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108)

The fault diagnosis method based on condition monitoring is an effective way to improve the reliability and safety of photovoltaic systems. The output of the photovoltaic array has non-linear characteristics and is easily affected by external environmental interference. These reasons make it difficult for traditional protection devices to detect its DC side faults. The failure of the photovoltaic array will not only reduce the power generation and damage the photovoltaic modules, but also cause large-scale fires in severe cases. In order to deal with this problem, the methods of photovoltaic array fault detection are constantly being proposed by experts and scholars. This research summarizes the common fault detection methods. In this paper, the common fault types and characteristics of photovoltaic arrays are introduced, and the advantages and disadvantages of common detection methods are summarized at the end.

photovoltaic array; fault diagnosis; photovoltaic module; status detection

江蘇省住房和城鄉(xiāng)建設(shè)廳指導(dǎo)項(xiàng)目（2019ZD001287）

江蘇淮安市科技局自然科學(xué)研究計(jì)劃項(xiàng)目（HAB201905）

2020-10-08

2020-12-14

喬蘇朋（1992—），男，江蘇省徐州市人，碩士，主要從事電力設(shè)備智能預(yù)警、狀態(tài)評估、故障診斷等研究工作。