路巖

（中國(guó)大唐集團(tuán)科學(xué)技術(shù)研究總院有限公司，北京 100040）

0 引言

隨著“碳中和”的理念在電力行業(yè)的貫徹落實(shí)，光伏發(fā)電作為清潔環(huán)保的能源形式越來(lái)越受到重視。光伏設(shè)備的使用壽命有限，并且存在明顯的衰退趨勢(shì)。針對(duì)光伏設(shè)備故障及其對(duì)電網(wǎng)負(fù)荷的沖擊問(wèn)題，光伏設(shè)備的故障診斷研究愈發(fā)重要。通過(guò)構(gòu)建完整的光伏設(shè)備故障模型，進(jìn)而設(shè)計(jì)光伏設(shè)備全生命周期管理體系，可以實(shí)現(xiàn)對(duì)光伏設(shè)備的健康管理，保障光伏發(fā)電系統(tǒng)的安全穩(wěn)定運(yùn)行。

隨著光伏發(fā)電越來(lái)越受到重視，光伏設(shè)備故障診斷成為學(xué)者的研究熱點(diǎn)。劉開(kāi)石等[1]采用人工蜂群算法（ABC）對(duì)支持向量機(jī)（SVM:Support Vector Machine）的故障診斷模型優(yōu)化，得到了較好的預(yù)測(cè)效果。陶彩霞等[2]利用深度信念網(wǎng)絡(luò)算法，針對(duì)光伏陣列的短路、開(kāi)路、局部陰影和異常老化幾種常見(jiàn)的故障類(lèi)型，建立診斷模塊。YI Zhehan等[3]借助模糊推理系統(tǒng)（FIS）建立了光伏系統(tǒng)的故障診斷方法，但其中模糊判斷的部分依賴(lài)個(gè)人經(jīng)驗(yàn)，受主觀因素的影響較大。宋文海等[4]將概率神經(jīng)網(wǎng)絡(luò)與光伏陣列的故障診斷相結(jié)合，通過(guò)Bayes決策方法對(duì)當(dāng)前的故障模式進(jìn)行識(shí)別判斷，同樣識(shí)別了短路、開(kāi)路、局部陰影和異常老化4種故障情況。余玲珍等[5]利用改進(jìn)的蝙蝠算法與核極限學(xué)習(xí)機(jī)結(jié)合，使用混沌映射和高斯擾動(dòng)策略的蝙蝠算法優(yōu)化核極限學(xué)習(xí)機(jī)的正則化系數(shù)C和核函數(shù)參數(shù)γ，構(gòu)建的故障診斷模型，并用于光伏陣列的故障診斷，獲得了良好的效果。任曉琳等[6]同樣采用蝙蝠算法，引入Levy飛行策略，引入指數(shù)遞減的慣性權(quán)重并應(yīng)用于速度更新公式中。王超等[7]采用結(jié)合注意力機(jī)制的PSO-GRU方法，預(yù)測(cè)光伏電站的短期功率，證明了PSO-Attention-GRU模型具有更好的預(yù)測(cè)性能。鄧宇豪等[8]為解決傳統(tǒng)光伏預(yù)測(cè)方法中難以解決的云層移動(dòng)造成干擾的問(wèn)題，提出了反饋修正算法，以誤差時(shí)間序列的相關(guān)性匹配搜索估計(jì)誤差的移動(dòng)，在實(shí)際的實(shí)驗(yàn)中取得了良好的效果。另外，對(duì)太陽(yáng)輻照的準(zhǔn)確預(yù)測(cè)能夠提高光伏功率預(yù)測(cè)的準(zhǔn)確性。過(guò)奕任等[9]采用網(wǎng)絡(luò)集成的方法，對(duì)太陽(yáng)全輻照進(jìn)行超短期預(yù)測(cè)，根據(jù)太陽(yáng)全輻射在不同天氣情況下的變化特性，構(gòu)建混合模型的子模型，采用網(wǎng)上公開(kāi)數(shù)據(jù)庫(kù)的數(shù)據(jù)測(cè)試方法，獲得了良好的效果。張景景[10]建立了BP神經(jīng)網(wǎng)絡(luò)，對(duì)其進(jìn)行訓(xùn)練，進(jìn)而實(shí)現(xiàn)了太陽(yáng)輻照度的預(yù)測(cè)。

1 故障智能診斷模型設(shè)計(jì)

1.1 總體設(shè)計(jì)

考慮光伏設(shè)備常見(jiàn)的故障有4種，即短路、開(kāi)路、局部陰影和異常老化。系統(tǒng)需要采集的參數(shù)包括兩個(gè)方面:一方面是氣象信息參數(shù)，主要包括與光伏功率強(qiáng)相關(guān)的氣息因素，具體包括輻照度、溫度等；另一方面是設(shè)備信息參數(shù)，包括最大功率點(diǎn)電壓（Um）、最大功率點(diǎn)電流（Im）、開(kāi)路電壓（Uoc）和短路電流（Isc）。

上述兩個(gè)方面的參數(shù)分別對(duì)應(yīng)光伏設(shè)備故障診斷的間接診斷和直接診斷。間接診斷通過(guò)分析當(dāng)前氣象信息，預(yù)測(cè)當(dāng)前應(yīng)用的光伏功率，再與實(shí)際的輸出功率比較，判斷光伏設(shè)備的狀態(tài)；直接診斷通過(guò)分析當(dāng)前光伏設(shè)備的電流電壓參數(shù)，判斷其是否在合理閾值內(nèi)。兩種診斷方式相互配合，形成光伏設(shè)備的故障智能化診斷模型。基于上述基礎(chǔ)及光伏設(shè)備的使用過(guò)程，通過(guò)數(shù)據(jù)積累，光伏輸出的預(yù)測(cè)和設(shè)備狀態(tài)的判斷將更加準(zhǔn)確，可以形成光伏設(shè)備的全生命周期管理系統(tǒng)。

故障智能診斷模型設(shè)計(jì)的總體流程圖如圖1所示。

圖1 總體流程

1.2 功能模塊設(shè)計(jì)

a）氣象信息采集模塊

與光伏輸出功率有關(guān)的氣息因素包括輻照度、溫度、濕度、露點(diǎn)和風(fēng)速等[11]。太陽(yáng)總輻照度包括太陽(yáng)直接輻照度和太陽(yáng)散射輻照度，分別使用直射輻照度檢測(cè)表和散射輻照表檢測(cè)。

其他氣象參數(shù)（如溫度、濕度、露點(diǎn)和風(fēng)速），分別由溫度檢測(cè)表、濕度檢測(cè)表、露點(diǎn)傳感器和風(fēng)速儀測(cè)量。采用主成分分析法，將上述氣象因素進(jìn)行整合，結(jié)合形成若干主成分，將存在相關(guān)性的氣象數(shù)據(jù)變量轉(zhuǎn)化為一組線性無(wú)關(guān)的變量組，實(shí)現(xiàn)數(shù)據(jù)的降維。

b）退化趨勢(shì)數(shù)據(jù)分析模塊

基于光伏電站的長(zhǎng)期運(yùn)行數(shù)據(jù)，分析光伏輸出功率的相關(guān)參數(shù)。對(duì)上述氣象因素與光伏輸出功率進(jìn)行分析，采用SVM算法，建立氣象信息與光伏輸出功率之間的關(guān)系。結(jié)合主成分分析和SVM方法進(jìn)行光伏功率預(yù)測(cè)，如圖2所示。

圖2 基于主成分分析與SVM的光伏功率預(yù)測(cè)模型

由光伏信息數(shù)據(jù)庫(kù)中關(guān)于各種氣象信息的數(shù)據(jù)進(jìn)行主成分分析，降維為若干主成分變量。利用處理后的數(shù)據(jù)，進(jìn)行SVM模型的訓(xùn)練，獲得光伏輸出功率的預(yù)測(cè)模型。在光伏預(yù)測(cè)的實(shí)踐中，獲得實(shí)時(shí)氣象信息后，即可得到t/min后的光伏功率的預(yù)測(cè)值。當(dāng)實(shí)際測(cè)量t/min后的光伏功率后，即可得到二者的偏差。在結(jié)合光伏設(shè)備的使用年限等情況后，當(dāng)偏差超過(guò)閾值后（通常是發(fā)電量連續(xù)大幅度地低于發(fā)電量預(yù)測(cè)值），說(shuō)明光伏設(shè)備可能出現(xiàn)了過(guò)度退化的情況。如圖3所示。

圖3 退化趨勢(shì)分析模型

c）設(shè)備狀態(tài)采集模塊

與光伏設(shè)備實(shí)時(shí)狀態(tài)相關(guān)的參數(shù)主要由電氣參數(shù)和溫度參數(shù)組成。在光伏陣列中布局電流電壓采集器，通過(guò)采集關(guān)鍵點(diǎn)的光伏電池板的電流、電壓，可用于開(kāi)路故障和短路故障的診斷[4]。

d）設(shè)備狀態(tài)分析模塊

考慮短路、開(kāi)路和局部陰影3種故障。其中，短路和開(kāi)路故障的故障特征明顯，可以通過(guò)電流電壓的傳感器數(shù)據(jù)分析而知；局部陰影故障不易通過(guò)簡(jiǎn)單的電流電壓關(guān)系識(shí)別，可以借助SVM算法予以診斷。

2 故障診斷算法設(shè)計(jì)

2.1 退化趨勢(shì)數(shù)據(jù)分析算法設(shè)計(jì)

退化趨勢(shì)數(shù)據(jù)分析算法主要用于識(shí)別異常老化的故障，如前文所述，采用SVM方法構(gòu)建退化趨勢(shì)數(shù)據(jù)分析模型。SVM模型利用非線性映射的方法，將輸入映射到高維度的特征空間φ（x），實(shí)現(xiàn)非線性向線性的映射。如以Xl至Xi構(gòu)成完整的數(shù)據(jù)空間X。

式（1）中:xi——不同類(lèi)型的數(shù)據(jù)，與yi對(duì)應(yīng)。

于是，可以將SVM最優(yōu)超平面求解問(wèn)題轉(zhuǎn)化為最小值求解問(wèn)題。

s.t.

式（2）-（3）中:c——懲罰因子；

β——松弛變量。

在SVM模型的計(jì)算過(guò)程中，可使用核函數(shù)代替φ（x）的計(jì)算，核函數(shù)類(lèi)型可采用多項(xiàng)式、Sigmoid函數(shù)和徑向基核函數(shù)等[12]。以常見(jiàn)的徑向基核函數(shù)為例，可表示為:

式（4）中:K——核函數(shù)；

σ——核函數(shù)寬度。

則優(yōu)化決策函數(shù)可表示為:

按輸入輸出關(guān)系訓(xùn)練，可以得到輸出變量關(guān)于各種輸入變量的模型。

2.2 設(shè)備狀態(tài)分析算法設(shè)計(jì)

光伏組件通常采用串并聯(lián)結(jié)合的方式，將若干組件首先并聯(lián)為組，然后將組與組串聯(lián)。當(dāng)某一個(gè)組發(fā)生短路故障時(shí)，該組內(nèi)光伏組件無(wú)法正常工作，可以通過(guò)開(kāi)路電壓進(jìn)行簡(jiǎn)單的診斷，輸出電壓減小，短路電流不變。當(dāng)某一個(gè)組發(fā)生開(kāi)路故障時(shí)，與正常情況相比，伏安曲線會(huì)出現(xiàn)失真，由此可進(jìn)行故障診斷。

針對(duì)局部陰影故障，難以以簡(jiǎn)單的電流電壓關(guān)系快速地識(shí)別。通過(guò)建立最大功率點(diǎn)電壓（Um）、最大功率點(diǎn)電流（Im）、開(kāi)路電壓（Uoc）和短路電流（Isc）與故障類(lèi)型的關(guān)系，訓(xùn)練輸入輸出關(guān)系間的SVM的模型，對(duì)故障狀況歸類(lèi)，實(shí)現(xiàn)對(duì)局部陰影的判斷。SVM模型與退化趨勢(shì)分析中使用的模型結(jié)構(gòu)類(lèi)似，此處不再贅述。

3 實(shí)例分析

以某光伏電站為例，驗(yàn)證光伏設(shè)備故障智能診斷模型。首先驗(yàn)證一組光伏組件出現(xiàn)短路故障的情況，通過(guò)設(shè)備狀態(tài)分析，獲取光伏設(shè)備的電流數(shù)據(jù)，通過(guò)對(duì)比當(dāng)前數(shù)據(jù)與正常狀態(tài)下的電壓電流關(guān)系（如圖4所示），尤其是開(kāi)路電壓和短路電流，可以識(shí)別短路故障的發(fā)生。

圖4 短路電流故障數(shù)據(jù)分析

此外，驗(yàn)證光伏設(shè)備異常老化的故障情況。光伏輸出功率模型已完成訓(xùn)練，輸出1 min前的氣象信息數(shù)據(jù)，計(jì)算得到光伏功率的預(yù)測(cè)值。報(bào)警主要針對(duì)光伏輸出功率的異常減小，因此報(bào)警偏差報(bào)警，或同一天內(nèi)累計(jì)報(bào)警100次，則認(rèn)為當(dāng)天的發(fā)電情況退化。如果在連續(xù)的30天中有15天被判定為發(fā)電情況退化，則可能出現(xiàn)了異常老化的情況。

某典型日的光伏輸出功率的實(shí)測(cè)值和預(yù)測(cè)值曲線如圖5所示。橫坐標(biāo)是當(dāng)天的時(shí)間，縱坐標(biāo)是歸一化后的光伏功率。圖中4條曲線分別表示光伏輸出功率實(shí)測(cè)值、預(yù)測(cè)值、二者差值和允許誤差。差值由實(shí)測(cè)值減去預(yù)測(cè)值得到，因而差值為負(fù)時(shí)表示光伏設(shè)備存在異常衰退的風(fēng)險(xiǎn)。設(shè)置允許誤差為0.03，即圖中縱坐標(biāo)值為-0.03的直線以下的部分表示偏差超出允許范圍。然后依前文所述，對(duì)連續(xù)多日的比較結(jié)果進(jìn)行判斷，得到總體的異常衰退判斷結(jié)果。

圖5 典型日的光伏功率預(yù)測(cè)與異常老化判斷

4 結(jié)束語(yǔ)

通過(guò)建立一套直接和間接診斷方法相結(jié)合的光伏設(shè)備故障智能診斷模型，對(duì)光伏設(shè)備常見(jiàn)的短路、開(kāi)路、局部陰影和異常老化4種故障實(shí)現(xiàn)了智能化的診斷。基于設(shè)備長(zhǎng)時(shí)間的運(yùn)行和數(shù)據(jù)積累，不斷訓(xùn)練更加準(zhǔn)確的光伏功率預(yù)測(cè)模型和故障診斷模型，形成一套光伏設(shè)備的全周期管理系統(tǒng)，實(shí)現(xiàn)對(duì)光伏設(shè)備更加完善的管理和保障。