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. 國電南京自動化股份有限公司，南京 211100；2. 淮陰工學院自動化學院，江蘇 淮安 223003； 3. 福州大學電氣工程與自動化學院，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，導致傳統(tǒng)保護裝置難以檢測到其直流側故障。光伏陣列故障不僅會降低發(fā)電量、損害光伏組件，嚴重時甚至會導致大面積火災。為解決該問題，專家學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)缺點進行總結。

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，故障導致發(fā)電量大量損失，組件發(fā)生不可逆損壞，嚴重時甚至引發(fā)火災[2]。通常，光伏陣列在直流側裝有過電流保護設備（overcurrent protection devices, OCPD）和接地故障保護設備（ground fault detection inter- rupters, GFDI）[3]，這些保護設備的故障電流閾值通常設置為短路電流的2.1倍[4]。然而，當發(fā)生輕、中度故障或故障發(fā)生在低輻照度情況下時，傳統(tǒng)的保護設備因最大功率點跟蹤（maximum power point tracking, MPPT）和過低的故障電流無法及時動作[2]。因此，建立有效的光伏陣列故障診斷及智能運行監(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，國內外學者進行了大量的研究[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的特性；其次，將國內外學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；最后，對光伏陣列故障診斷的發(fā)展趨勢進行探討，指出一些有建設性意義的問題。

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、逆變器及保護設備組成，并網光伏系統(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燒毀。

圖1 并網光伏系統(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（見圖1中F2），導致故障串沒有電流回路，使其進入開路狀態(tài)，不產生能量。此時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，某兩個不同電位點發(fā)生意外連接，部分光伏模組被短路，導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，指的是輸電線同設備接地導體或者地面意外接觸（見圖1中F6），產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行時長增加，內部串聯(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。當光伏陣列被遮擋或短路時，故障模組的內部持續(xù)升溫，因此在故障模組附近會產生明顯的溫度梯度[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，即可進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的故 障[10]。基于向光伏電池片注入電流獲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快速檢測光伏模塊電池片的破裂[13]。孟佳彬等人通過擴頻時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、迅速地實現(xiàn)故障檢測，但亦存在極大的局限性，它難以有效實現(xiàn)故障分類，且檢測設備價格都較為昂貴，維護成本高，因此難以大規(guī)模應用。

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，再計算理論值和實際值之間的差值，并將差值作為診斷算法的輸入數(shù)據(jù)以實現(xiàn)故障診斷。Harrou F. 等人提出一種基于改進K最鄰近算法（K- nearest neighbor, KNN）的故障檢測方法[15]，通過將理論值與實際值的差值作為KNN的輸入，并結合指數(shù)加權移動平均（exponential weighted moving average, EWMA）算法自適應生成KNN的故障閾值邊界，實現(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)計方法分析不同狀態(tài)下理論值與實際值之間的變化關系，獲得故障診斷閾值[16]；當理論值和實際值的差值大于故障閾值時，則判定光伏陣列存在故障。Hariharan R. 等人通過計算功率損失及DC側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式函數(shù)，得到故障界限曲線，再結合模糊推理系統(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監(jiān)測系統(tǒng)[19]，通過定義新的熱俘獲損失（ct）和雜項俘獲損失（cm），結合光伏系統(tǒng)的能量損失指針，辨識了不同運行條件下的三種光伏故障類型。基于統(tǒng)計信號處理的方法，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確性，而光伏陣列長期在戶外運行，導致光伏陣列不斷老化，長此以往仿真模型與實際光伏陣列的輸出特性會出現(xiàn)偏差，進而導致誤判。此外，當MPPT工作在錯誤的峰值點時同樣會造成誤判[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個在標準測試條件（standard test condition, STC）下的非線性特征值計算式，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AdaBoost算法實現(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；通過殘差網絡的多個卷積和池化層提取特征，最后使用Softmax實現(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神經網絡模糊推理系統(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、工作點斜率、電流離散率，再結合環(huán)境溫度和輻照度組成7個故障特征值作為ANFIS的輸入數(shù)據(jù)，實現(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個模糊推理系統(tǒng)辨識老化故障、遮陰故障、誘導衰減故障[25]；然而，該方法僅能在高照度情況下實現(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神經網絡的故障診斷方法[26]，通過將-曲線中的oc、sc、mpp、mpp作為神經網絡的輸入數(shù)據(jù)，實現(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-曲線特征進行故障診斷是目前研究的熱點，然而-曲線診斷法需要將逆變器退出運行，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，因此無法實現(xiàn)實時故障檢測，導致故障時間延長，進而引起安全隱患。

2.4 基于時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、電流波形進行故障甄別，各狀態(tài)下的時序電壓、電流如圖5所示。在不同故障情況下，分析時序波形的變化規(guī)律；在相同故障情況下，挖掘電參數(shù)的變化共性，以此來實現(xiàn)光伏陣列的故障診斷。這種診斷方法的優(yōu)點是可以在逆變器運行過程中進行診斷，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態(tài)時間規(guī)整的故障檢測方法[27]，通過計算電流在時間序列上的相似度，并結合閾值法，實現(xiàn)開路故障、短路故障的實時監(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]，該方法設計了6個故障特征量，并使用SRD評價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)督機器學習法（semi- supervised machine learning, SSML）實現(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簽樣本就能實現(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提取故障特征，再使用閾值法實現(xiàn)故障診斷[30]。文獻[31-32]使用多分辨率分解方法提取故障特征值，再通過支持向量機和模糊推理系統(tǒng)實現(xiàn)線間故障的診斷。文獻[30-32]的方法能夠識別出的故障類別較少，且在低失配比時的識別準確率有待提高。

圖5 各狀態(tài)下的時序電壓、電流

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

3 結論

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光伏系統(tǒng)，近年來國內外開展了大量對光伏陣列故障檢測的研究。本文將目前已經提出的故障檢測方法分為四種，四種方法的特點及優(yōu)缺點對比見表1。從表1可以看出，每一種故障檢測方法都具備不同的側重點及優(yōu)缺點。由于光伏陣列長期運行在環(huán)境復雜的戶外，并且光伏陣列的故障類型很多，因此在實際中的光伏陣列故障檢測十分復雜，難以設計出一種完美的故障診斷方法。

表1 不同診斷方法的特點及優(yōu)缺點對比

在上述故障檢測方法中，時序電壓電流法最具發(fā)展前景，它不僅能夠實現(xiàn)實時故障檢測，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，針對時序電壓電流法的研究還不夠深入。鑒于光伏陣列的實際運行情況復雜，存在多種類似故障而非故障的情況，如并網起動過程、照度變化過程、晚間逆變器斷開運行過程、MPPT故障運行等，如何正確區(qū)分不同的運行情況是故障檢測中的難點。此外，如何實現(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. 一種光伏陣列實時狀態(tài)監(jiān)測與故障定位系統(tǒng)[J]. 福州大學學報(自然科學版), 2018, 46(6): 799-807.

[2] 王堯, 張彥風, 牛峰, 等. 光伏直流電弧電磁輻射特性分析與測量方法[J]. 電工技術學報, 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, 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紅外圖像拼接[J]. 太陽能學報, 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]. 太陽能學報, 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跟蹤中的應用[J]. 電工技術學報, 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和自適應神經網絡模糊推理系統(tǒng)的光伏陣列故障診斷系統(tǒng)[J]. 電氣技術, 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神經網絡的光伏陣列故障診斷研究[J]. 電力系統(tǒng)保護與控制, 2013, 41(16): 108-114.

[27] 蔡雨橋, 林培杰, 林耀海, 等. 基于動態(tài)時間規(guī)整的光伏陣列在線故障檢測方法[J]. 電氣技術, 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)督機器學習法的光伏陣列故障診斷[J]. 電網技術, 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)建設廳指導項目（2019ZD001287）

江蘇淮安市科技局自然科學研究計劃項目（HAB201905）

2020-10-08

2020-12-14

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