張?？?， 李澤滔

（貴州大學(xué) 電氣工程學(xué)院， 貴陽 550025）

0 引 言

隨著太陽能發(fā)展“十三五”規(guī)劃的提出，太陽能光伏發(fā)電規(guī)模迅速增加，光伏陣列是由許多光伏電池通過串并聯(lián)連接而成，是光伏發(fā)電系統(tǒng)核心部件之一。 由于光伏陣列經(jīng)常工作在屋頂、山地、以及各種室外環(huán)境，相比于光伏系統(tǒng)其他組件更容易發(fā)生故障，導(dǎo)致光伏發(fā)電系統(tǒng)不能正常運(yùn)行。 因此，對光伏陣列進(jìn)行故障診斷是保證光伏發(fā)電系統(tǒng)正常運(yùn)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(jù)國內(nèi)外學(xué)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(jìn)行了總結(jié)，并對未來發(fā)展趨勢進(jìn)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(fā)電系統(tǒng)的重要組成部件，通常安裝環(huán)境較為惡劣，容易出現(xiàn)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(xù)處于故障狀態(tài)，則會產(chǎn)生熱斑效應(yīng)，從而損壞光伏組件，導(dǎo)致光伏發(fā)電系統(tǒng)癱瘓，嚴(yán)重時可能導(dǎo)致火災(zāi)的發(fā)生，危及到生命財產(chǎn)安全。

2 光伏陣列故障傳統(tǒng)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(jù)光伏電池在正常和故障兩種工作狀態(tài)下溫度的不同，通過紅外成像儀來進(jìn)行故障診斷。 文獻(xiàn)［5］提出了利用紅外圖像分析法在線實時提取熱斑區(qū)域圖像特征，并通過結(jié)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(jìn)行故障的檢測，提高了故障診斷的實時性。

文獻(xiàn)［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(jìn)行去噪、校正處理，提高了光伏陣列故障診斷的準(zhǔn)確率；文獻(xiàn)［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(xiàn)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(xiàn)［8］采用了一種閾值的二值化的技術(shù)來提取復(fù)雜背景下的特征信息；文獻(xiàn)［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(jié)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(xiàn)時，有效提取特征信息進(jìn)行故障識別。

紅外圖像分析法優(yōu)勢在于能夠?qū)崟r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(yùn)行的數(shù)據(jù)，再根據(jù)檢測到的數(shù)據(jù)與歷史數(shù)據(jù)進(jìn)行對比分析與運(yùn)算，從而實現(xiàn)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(xiàn)［11］提出了一種新的基于傳感器檢測法的光伏拓?fù)浣Y(jié)構(gòu)，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(tài)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(huán)境因素對光伏陣列輸出特性曲線的影響，提高診斷準(zhǔn)確性，文獻(xiàn)［12］提出了一種基于傳感器檢測法的決策樹算法；文獻(xiàn)［13］提出將傳感器檢測法與模糊邏輯分類器相結(jié)合的方式進(jìn)行光伏陣列故障診斷，該方法診斷的準(zhǔn)確率明顯高于傳統(tǒng)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(fù)雜，容易出現(xiàn)測量值離散的問題，且在實際應(yīng)用過程中需要大量傳感器，很難實現(xiàn)故障的精準(zhǔn)定位，常常需要與其他方法結(jié)合。

2.3 電路結(jié)構(gòu)法

電路結(jié)構(gòu)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?qū)崿F(xiàn)故障診斷和定位。 文獻(xiàn)［15］提出了一種全連接（TCT）結(jié)構(gòu)的診斷法，如圖1 所示，通過將原有的TCT 結(jié)構(gòu)轉(zhuǎn)換為等效的先并聯(lián)再串聯(lián)的結(jié)構(gòu)，降低了傳感器的冗余量，有效降低了成本；文獻(xiàn)［16］提出了一種新型復(fù)合全連接（CTCT）的電路結(jié)構(gòu)改進(jìn)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(jiān)視光伏發(fā)電系統(tǒng)的運(yùn)行狀態(tài)，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(xiàn)遮蔭故障的某個具體位置。

圖1 TCT 結(jié)構(gòu)圖Fig.1 TCT structure diagram

圖2 CTCT 連接圖Fig.2 CTCT connection diagram

文獻(xiàn)［17］提出了一種基于SC－CP（Sensor Crossed based on Series－Parallel）的電路結(jié)構(gòu)改進(jìn)法，當(dāng)某個區(qū)域光伏電池出現(xiàn)故障時不會干擾其他區(qū)域光伏電池的正常運(yùn)行，降低了光伏電站安裝的難度，并提出在SC－CP 架構(gòu)基礎(chǔ)上，引入輻照度和光伏電池的背板溫度，結(jié)合群體決策理論以及模糊診斷技術(shù)，增強(qiáng)了光伏系統(tǒng)的抗干擾能力。

文獻(xiàn)［18］提出了一種新的傳感器網(wǎng)絡(luò)光伏陣列連接方式（SN－TCT）的電路結(jié)構(gòu)改進(jìn)法，通過利用Dempster／Shafer（DS）證據(jù)理論復(fù)合信息融合技術(shù)計算出各個相關(guān)陣列差值信息的概率分配函數(shù)以及似真度函數(shù)，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(jīng)網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)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(yōu)化算法，分為輸入層、輸出層、以及隱含層，其網(wǎng)絡(luò)模型如圖3 所示。 模型在光伏發(fā)電系統(tǒng)中也常用于光伏陣列的故障診斷，與光伏陣列的傳統(tǒng)診斷方法相比，神經(jīng)網(wǎng)絡(luò)算法自適應(yīng)更強(qiáng)。

圖3 神經(jīng)網(wǎng)絡(luò)模型Fig.3 Neural network model

文獻(xiàn)［19］提出了使用神經(jīng)網(wǎng)絡(luò)診斷方法對光伏電池的熱斑故障進(jìn)行識別和定位；針對BP 神經(jīng)網(wǎng)絡(luò)算法容易陷入局部最優(yōu)的情況，文獻(xiàn)［20］提出了一種改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)算法，通過優(yōu)化神經(jīng)網(wǎng)絡(luò)模型中的連接初始權(quán)值與閾值，避免了陷入局部最優(yōu)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(zhǔn)確率；文獻(xiàn)［21］提出了一種優(yōu)化的徑向基（RBF）神經(jīng)網(wǎng)絡(luò)算法，通過優(yōu)化模型中的連接權(quán)值、網(wǎng)絡(luò)中心以及函數(shù)寬度，顯著提高了故障診斷的效率。

為解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在故障診斷時容易出現(xiàn)均方誤差較大的問題，文獻(xiàn)［22］提出了基于粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)算法，故障診斷正確率高達(dá)94%；文獻(xiàn)［23］提出了一種基于概率神經(jīng)網(wǎng)絡(luò)的算法，該方法可以對光伏陣列故障識別精度高達(dá)到97.561%；文獻(xiàn)［24］提出了一種基于長短期記憶神經(jīng)網(wǎng)絡(luò)算法，將不同故障模式下的光伏陣列特征值作為訓(xùn)練數(shù)據(jù)集，其故障診斷準(zhǔn)確率比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)也有所提高。

面對訓(xùn)練數(shù)據(jù)集有限的情況，文獻(xiàn)［25］提出了利用深度信念網(wǎng)絡(luò)算法進(jìn)行故障診斷，通過提取數(shù)據(jù)更深層次的架構(gòu)特征信息來完善網(wǎng)絡(luò)模型，從而提高了故障類型識別的準(zhǔn)確率。

3.2 支持向量機(jī)算法

支持向量機(jī)（SVM）是一種經(jīng)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(yōu)化問題的數(shù)學(xué)模型為式（1）

其約束條件可轉(zhuǎn)化為式（2）：

其中，是一組列向量，是已知的樣本數(shù)據(jù)；為真實結(jié)果值；為的系數(shù)；為常數(shù)，1，2，…，。

可將優(yōu)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(jī)與SVM 最根本的區(qū)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(zhì)在于直接利用核函數(shù)計算。

在診斷過程中，由于SVM 采用了結(jié)構(gòu)風(fēng)險最小化原則，因此只需要獲取一些光照強(qiáng)度、溫度、電流、電壓等關(guān)鍵特征數(shù)據(jù)就能很好的進(jìn)行故障的識別。 為了獲得更精確的SVM 模型，提高故障診斷準(zhǔn)確率，也提出了許多優(yōu)化后的SVM 算法，文獻(xiàn)［27］提出了利用遺傳算法來優(yōu)化SVM 中的懲罰因子與核函數(shù)兩者的系數(shù)；文獻(xiàn)［28］提出了利用粒子群算法來優(yōu)化SVM 中的懲罰因子與核函數(shù)兩者系數(shù)，從而得到兩者系數(shù)的最優(yōu)值；文獻(xiàn)［29］提出了一種新的基于高斯核函數(shù)的SVM 診斷法，解決了傳統(tǒng)SVM 不能進(jìn)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(tǒng)，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(guī)則主要是專家的先驗知識。 當(dāng)對某個系統(tǒng)的模型認(rèn)識不夠深入時，通常采用模糊智能算法。

文獻(xiàn)［30］提出了基于模糊C 均值聚類（FCM）的方法進(jìn)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(jìn)行分析，以獲得一一對應(yīng)的模糊關(guān)系，通過隸屬度函數(shù)計算故障模型與故障特征量的隸屬度來進(jìn)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(guī)則較難獲得，且不能進(jìn)行自主學(xué)習(xí)。 為了便于大型光伏陣更好的進(jìn)行擴(kuò)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(xiàn)［31］提出了將FCM 與FM 相結(jié)合的算法。

文獻(xiàn)［32］通過將3 倍標(biāo)準(zhǔn)差（3σ）準(zhǔn)則和FCM算法相結(jié)合，將3σ 準(zhǔn)則獲取的故障因子經(jīng)FCM 算法求解出故障因子的閾值來進(jìn)行故障的識別，解決了復(fù)雜計算的問題；文獻(xiàn)［33］提出了基于高斯核函數(shù)（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(lǐng)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(yōu)化算法，例如，鯨魚優(yōu)化算法、螢火蟲算法、灰狼優(yōu)化算法、煙花算法、蜻蜓算法等。 文獻(xiàn)［34］提出了一種基于蜻蜓算法的自組織映射神經(jīng)網(wǎng)絡(luò)算法；文獻(xiàn)［35］提出了一種優(yōu)化的聚類算法（Density－Based Spatial Clustering of Applications with Noise，DBSCAN）；文獻(xiàn)［36］提出了自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理的算法；文獻(xiàn)［37］提出的基于主元分析的有監(jiān)督機(jī)器學(xué)習(xí)算法等。這些算法都各自有其優(yōu)缺點(diǎn)，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(fā)電系統(tǒng)的核心部件，為了避免因光伏陣列故障而導(dǎo)致重大安全事故的發(fā)生，對光伏陣列運(yùn)行狀態(tài)進(jìn)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(tǒng)電路結(jié)構(gòu)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(jié)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(fā)電系統(tǒng)大面積地使用，為了保障系統(tǒng)的正常運(yùn)行，減少安全事故的發(fā)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(xù)對智能算法不斷改進(jìn)也是未來的重要研究方向。

5 結(jié)束語

光伏發(fā)電作為未來發(fā)電的一種主要形式，將會對國家長遠(yuǎn)發(fā)展戰(zhàn)略以及社會生產(chǎn)生活產(chǎn)生重要的影響。 有效對光伏陣列進(jìn)行故障診斷，實現(xiàn)光伏陣列診斷智能化是保證光伏發(fā)電系統(tǒng)正常運(yùn)行的必然要求。 傳統(tǒng)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(kuò)展性較差，自適應(yīng)較差，很難進(jìn)行大規(guī)模的推廣。

現(xiàn)代智能算法雖然自適應(yīng)較強(qiáng)，但容易陷入局部最優(yōu)，容易造成故障診斷不準(zhǔn)確。 因此，隨著光伏發(fā)電需求日益增加，保證用電的安全性和穩(wěn)定性，研究新的優(yōu)化智能光伏陣列故障診斷算法是未來發(fā)展的趨勢。