光伏阵列故障检测方法综述

中国电工技术学会活动专区

CES Conference

随着全球光伏发电容量指数级增长，可靠的光伏阵列运维管理及故障诊断变得尤为重要。由于光伏阵列常年曝露在户外，受多变环境（如雷雨天气、热循环、湿度、紫外线辐射、阴影等）影响，容易出现局部材料老化、裂纹、热斑、开路或者短路等各种故障，影响其使用寿命。

同时，故障导致发电量大量损失，组件发生不可逆损坏，严重时甚至引发火灾。通常，光伏阵列在直流侧装有过电流保护设备（overcurrent protection devices, OCPD）和接地故障保护设备（ground fault detection inter- rupters, GFDI），这些保护设备的故障电流阈值通常设置为短路电流的2.1倍。

然而，当发生轻、中度故障或故障发生在低辐照度情况下时，传统的保护设备因最大功率点跟踪（maximum power point tracking, MPPT）和过低的故障电流无法及时动作。因此，建立有效的光伏阵列故障诊断及智能运行监测系统是亟待解决的问题之一。

针对光伏阵列故障类型的识别，国内外学者进行了大量的研究。本文首先分析光伏阵列常见的故障类型及各类故障对应的特性；其次，将国内外学者所提的故障检测方法分为物理检测法、能量损失法、I-V曲线法、时序电压电流法四类并逐一介绍；然后，对比分析上述四类故障检测方法的优缺点；最后，对光伏阵列故障诊断的发展趋势进行探讨，指出一些有建设性意义的问题。

1 光伏阵列故障类型及其特性

1.1 光伏系统

典型的光伏系统由光伏阵列、直流汇流箱、逆变器及保护设备组成，并网光伏系统典型配置如图1所示。每块光伏模组由串联的光伏电池片和并联在电池片两侧的旁路二极管组成，旁路二极管是为防止电池片因热斑效应烧毁。

图1 并网光伏系统典型配置

1.2 光伏阵列故障类型及其特性

光伏阵列中常见的故障有线间故障、接地故障、开路故障、遮阴故障、异常老化等。本文通过规模为5×10的光伏系统（见图1）对各类故障进行介绍。

部分遮阴指光伏阵列的某些模组被云层、树木或建筑物遮挡（见图1中F1），导致阵列输出功率受损的情况。光伏模组通过安装旁路二极管来传导非遮阴模组的电流以防止出现热斑。

开路故障指光伏阵列中的某一串线路存在断开点（见图1中F2），导致故障串没有电流回路，使其进入开路状态，不产生能量。此时光伏阵列的总输出功率由其他正常串提供。

线间故障指光伏阵列中，某两个不同电位点发生意外连接，部分光伏模组被短路，导致阵列的输出功率受损[2]。在图1中，F3故障有9块模组被短路，因此称之为线-线失配90%故障（简称LL-90%）；F4故障处为两个光伏串间发生短路，有2块模组被短路，因此称其为线-线失配20%故障（简称LL- 20%）；同理，F5故障为线-线失配10%故障（简称LL-10%），失配比越大表明线间故障越严重。

接地故障是线间故障的一种特殊情况，指的是输电线同设备接地导体或者地面意外接触（见图1中F6），产生低电阻回路的不良情况。

异常老化指的是光伏模组随着运行时长增加，内部串联电阻逐渐增大，并联电阻逐渐减小的现象。常见的老化类型主要是串联电阻的老化，如图1中F7所示。串联电阻的增大，会使串联电阻上的压降大于整串电池的输出电压，造成旁路二极管导通，使得输出I-V曲线出现异常甚至多峰现象。

2 光伏阵列故障诊断方法

2.1 基于物理特性的诊断方法

通过热成像、通电、照射、超声波等物理手段，研究和分析故障模组的物理特性，可侦测存在故障的光伏模组。红外热成像是一种常规的物理检测方法。当光伏阵列被遮挡或短路时，故障模组的内部持续升温，因此在故障模组附近会产生明显的温度梯度，红外热成像图如图2所示。通过识别热成像图像中的显著亮点，即可进行快速直接的故障检测。

Kaplani E. 等人采用红外热像仪获取光伏阵列的红外成像图，再根据光伏模组在不同工作状态下呈现出的温度变化，判断光伏阵列是否存在类似热斑、老化等故障。Benatto G. A. D. R. 等人利用无人机在高辐照度条件下拍取光伏阵列的电致发光成像图，通过图像信息来识别与功率损耗有关的故障。

基于向光伏电池片注入电流获取横向功率损耗的方法，Breitenstein O. 等人提出了锁相热成像检测光伏电池片漏电故障。Haunschild J. 等人采用光致发电技术检测光伏电池片低效率的缺陷。Chakrapani S. K. 等人利用兰姆波空气耦合超声波检测技术快速检测光伏模块电池片的破裂。孟佳彬等人通过扩频时域反射仪检测光伏系统的变化电阻，并将其代替测量故障电流，此方法能有效地检测出光伏系统的接地故障，但需外加信号源，并且只能在离网状态下操作。

图2 红外热成像图

物理检测法能够简单、迅速地实现故障检测，但亦存在极大的局限性，它难以有效实现故障分类，且检测设备价格都较为昂贵，维护成本高，因此难以大规模应用。

2.2 基于能量损失的诊断方法

能量损失法诊断流程如图3所示。首先，通过测量环境温度和辐照度来估算理论输出电压、电流和功率，再计算理论值和实际值之间的差值，并将差值作为诊断算法的输入数据以实现故障诊断。Harrou F. 等人提出一种基于改进K最邻近算法（K- nearest neighbor, KNN）的故障检测方法，通过将理论值与实际值的差值作为KNN的输入，并结合指数加权移动平均（exponential weighted moving average, EWMA）算法自适应生成KNN的故障阈值边界，实现了对光伏阵列中不同失配比的线间故障、开路故障及部分遮阴的故障检测。

Dhimish M. 等人通过数值统计方法分析不同状态下理论值与实际值之间的变化关系，获得故障诊断阈值；当理论值和实际值的差值大于故障阈值时，则判定光伏阵列存在故障。Hariharan R. 等人通过计算功率损失及DC侧功率和辐照度的骤变，检测光伏数组的失配和遮阴。Dhimish M. 等人将功率损耗和电压损耗代入三次多项式函数，得到故障界限曲线，再结合模糊推理系统，提升了故障识别率。

Chouder A. 等人提出基于功率损失的故障自动监测系统，通过定义新的热俘获损失（Lct）和杂项俘获损失（Lcm），结合光伏系统的能量损失指针，辨识了不同运行条件下的三种光伏故障类型。基于统计信号处理的方法，Davarifar M. 等人提出的诊断方法在加噪条件下仍能识别故障的光伏系统。

图3 能量损失法诊断流程

基于能量损失的故障诊断方法十分依赖仿真模型的准确性，而光伏阵列长期在户外运行，导致光伏阵列不断老化，长此以往仿真模型与实际光伏阵列的输出特性会出现偏差，进而导致误判。此外，当MPPT工作在错误的峰值点时同样会造成误判。

2.3 基于I-V曲线的诊断方法

光伏阵列I-V曲线如图4所示。图中包含了丰富的特征信息，能够最直接准确地反映光伏阵列在各种情况下的输出特性。Huang J. 等人通过测量光伏阵列的I-V曲线，得到4个在标准测试条件（standard test condition, STC）下的非线性特征值计算式，再通过粒子群与信赖域优化算法（particle swarm optimization-trust region reflective, PSO-TRR）最小化目标误差函数，确定非线性特征式参数，以便获取特征值大小，最后经AdaBoost算法实现多类故障诊断。

Chen Z. 等人先将I-V曲线的电压和电流分离，再将辐照度和温度值合并，组成4维输入向量；通过残差网络的多个卷积和池化层提取特征，最后使用Softmax实现光伏阵列常见故障的识别。甘雨涛等人提出了一种基于自适应神经网络模糊推理系统（adaptive network-based fuzzy inference system, ANFIS）的故障诊断方法，从I-V曲线中提取阵列电压、阵列电流、阵列功率、工作点斜率、电流离散率，再结合环境温度和辐照度组成7个故障特征值作为ANFIS的输入数据，实现了对开路故障、线间故障、部分遮阴、老化故障四种故障的诊断。

Spataru S.等人建立了3个模糊推理系统辨识老化故障、遮阴故障、诱导衰减故障；然而，该方法仅能在高照度情况下实现故障诊断，在低照度情况下难以工作。王元章等人则提出一种基于BP神经网络的故障诊断方法，通过将I-V曲线中的Voc、Isc、Vmpp、Impp作为神经网络的输入数据，实现了对短路、开路、遮阴、老化四种故障的识别。

图4 光伏阵列I-V曲线

通过光伏阵列的I-V曲线特征进行故障诊断是目前研究的热点，然而I-V曲线诊断法需要将逆变器退出运行，再通过特定的仪器测量I-V曲线、辐照度和环境温度，这一检测过程造成光伏发电系统出现人为的功率损失；此外，由于I-V曲线更新频率较慢，因此无法实现实时故障检测，导致故障时间延长，进而引起安全隐患。

2.4 基于时序电压电流的诊断方法

光伏阵列的电压电流诊断法是通过在线测量光伏阵列输出的电压、电流波形进行故障甄别，各状态下的时序电压、电流如图5所示。在不同故障情况下，分析时序波形的变化规律；在相同故障情况下，挖掘电参数的变化共性，以此来实现光伏阵列的故障诊断。这种诊断方法的优点是可以在逆变器运行过程中进行诊断，避免出现人为功率损失的现象，并且无需测量光照辐照度和温度。

蔡雨桥等人提出一种基于动态时间规整的故障检测方法，通过计算电流在时间序列上的相似度，并结合阈值法，实现开路故障、短路故障的实时监测。杨佳葳等人提出了一种基于序差和（sum of ranking differences, SRD）的光伏阵列故障分类方法，该方法设计了6个故障特征量，并使用SRD评价特征量在每一种工况下的得分，以得分最小的工况作为最终诊断类别。

李光辉等人利用半监督机器学习法（semi- supervised machine learning, SSML）实现了对光伏阵列中正常状态、开路故障、老化故障三者之间的辨识；该方法只需要少量的标签样本就能实现故障诊断，但这种方法极易受噪声干扰，随着不好的样本的积累，算法的准确率将持续下降。Kumar B. P. 等人采用小波包分解法将光伏阵列的电压分解到特定频带范围内提取故障特征，再使用阈值法实现故障诊断。有学者使用多分辨率分解方法提取故障特征值，再通过支持向量机和模糊推理系统实现线间故障的诊断。有学者提出的方法能够识别出的故障类别较少，且在低失配比时的识别准确率有待提高。

图5 各状态下的时序电压、电流

基于时序电压电流的故障检测方法无需测量环境温度和照度，且光伏阵列的运行电压和电流在直流汇流箱处便于测量。因此，基于时序电压电流的故障检测法仅需在直流汇流箱处加装故障检测模块即可实现对光伏阵列的实时故障诊断。

3 结论

考虑到传统基于故障电流的光伏阵列故障诊断策略难以有效保护光伏系统，近年来国内外开展了大量对光伏阵列故障检测的研究。本文将目前已经提出的故障检测方法分为四种，四种方法的特点及优缺点对比见表1。从表1可以看出，每一种故障检测方法都具备不同的侧重点及优缺点。

由于光伏阵列长期运行在环境复杂的户外，并且光伏阵列的故障类型很多，因此在实际中的光伏阵列故障检测十分复杂，难以设计出一种完美的故障诊断方法。

表1 不同诊断方法的特点及优缺点对比

在上述故障检测方法中，时序电压电流法最具发展前景，它不仅能够实现实时故障检测，而且其检测装置安装便利，无需测量环境温度和照度。目前，针对时序电压电流法的研究还不够深入。鉴于光伏阵列的实际运行情况复杂，存在多种类似故障而非故障的情况，如并网起动过程、照度变化过程、晚间逆变器断开运行过程、MPPT故障运行等，如何正确区分不同的运行情况是故障检测中的难点。此外，如何实现对光伏阵列中高阻故障的检测、如何使用尽可能少的传感器实现故障定位也是亟需解决的问题。

本文编自2021年第7期《电气技术》，论文标题为“光伏阵列故障检测方法综述”，作者为乔苏朋、杨艳、陈世群、高伟、杨耿杰。

2021年第十六届中国电工技术学会学术年会

中国电工技术学会成立40周年纪念大会

第五届轨道交通电气与信息技术国际学术会议

中国电工技术学会

新媒体平台

学会官方微信

电工技术学报

电气技术

学会官方B站

新浪微博

今日头条号