徐立娟， 吳春華， 王元章， 李智華

(上海市電站自動(dòng)化技術(shù)重點(diǎn)實(shí)驗(yàn)室， 上海大學(xué)自動(dòng)化系， 上海 200072)

基于決策樹(shù)的光伏組件故障診斷方法研究

徐立娟， 吳春華， 王元章， 李智華

(上海市電站自動(dòng)化技術(shù)重點(diǎn)實(shí)驗(yàn)室， 上海大學(xué)自動(dòng)化系， 上海 200072)

分析了光伏組件在局部陰影或異常老化狀態(tài)下的輸出特性，提出了一種基于決策樹(shù)算法的光伏組件在線診斷局部陰影或異常老化的判斷方法。同時(shí)分析了在這兩種狀態(tài)下填充因子FF、斜率因子K和輸出電流比Im/Isc的變化規(guī)律，結(jié)合光伏組件的四個(gè)輸出參數(shù)(最大功率點(diǎn)電壓Um和電流Im、開(kāi)路電壓Uoc和短路電流Is)一起作為屬性集合，用于提供給決策樹(shù)生成算法自由選擇合適的屬性生成故障診斷決策樹(shù)。實(shí)際應(yīng)用中，只要獲得需要的屬性數(shù)據(jù)即可通過(guò)生成的決策樹(shù)診斷出光伏組件的工作狀態(tài)。實(shí)驗(yàn)結(jié)果證明了該方法的可行性和有效性。

光伏組件; 故障診斷; 決策樹(shù); 局部陰影; 異常老化

1 引言

光伏組件的輸出隨光照強(qiáng)度和環(huán)境溫度的變化而變化，其輸出呈現(xiàn)非線性特性，如果組件本身存在故障，其輸出特性會(huì)變得更加復(fù)雜，所以很難直接從其輸出數(shù)據(jù)中觀察和總結(jié)獲取故障的一般規(guī)律。而一些智能算法可以根據(jù)需要自動(dòng)從數(shù)據(jù)集中形成相關(guān)規(guī)則，近年來(lái)，這些智能檢測(cè)算法逐漸應(yīng)用到了光伏系統(tǒng)故障診斷領(lǐng)域[1-7]，如神經(jīng)網(wǎng)絡(luò)法、模糊控制法、多傳感器檢測(cè)法、紅外圖像分析法和時(shí)域反射法等。

上述方法雖然能夠有效的檢測(cè)組件故障，但是這些方法通常需要額外設(shè)備的輔助，如神經(jīng)網(wǎng)絡(luò)法和模糊控制法都需要光照儀和溫度計(jì)，其他的非智能檢測(cè)方法也都需要各種各樣的設(shè)備予以支持，這在一定程度上會(huì)增加光伏發(fā)電的成本。因此，本文提出了一種不需要額外輔助設(shè)備的智能檢測(cè)方法，即基于決策樹(shù)的光伏組件在線故障診斷方法，通過(guò)采集組件在正常、異常老化和局部陰影時(shí)的最大功率點(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)，經(jīng)過(guò)數(shù)據(jù)處理，利用CART算法實(shí)現(xiàn)了光伏組件故障診斷。

2 故障成因及其輸出規(guī)律總結(jié)

光伏組件通常安裝在屋頂、荒野和沙漠等惡劣環(huán)境中，多種原因會(huì)導(dǎo)致組件產(chǎn)生一些故障，影響其正常運(yùn)行。其中，異常老化和局部陰影是較常見(jiàn)的兩種故障狀態(tài)。

當(dāng)光伏組件存在異常老化或局部陰影時(shí)，其輸出功率一般會(huì)大幅下降。模擬組件在800W/m2和25℃環(huán)境條件下，正常、局部陰影、異常老化、小面積局部陰影和異常老化同時(shí)發(fā)生這四種情況的I-U曲線如圖1所示。小面積局部陰影為1塊電池遮擋20%的情況，局部陰影為1塊電池遮擋50%的情況，異常老化為串聯(lián)1Ω電阻的情況。

圖1 不同工作狀態(tài)下I-U曲線圖Fig.1 I-U curves under different states generators

由圖1可以發(fā)現(xiàn)，組件在局部陰影和異常老化時(shí)，最大功率點(diǎn)電壓和電流值都較正常狀態(tài)時(shí)大幅下降。 當(dāng)組件存在局部陰影或異常老化故障時(shí)，Um和Im的下降幅度相差不大。本文只針對(duì)單塊電池遮擋50%以上的局部陰影情況及串聯(lián)1～4Ω電阻模擬異常老化進(jìn)行研究。在相同環(huán)境條件下，局部陰影時(shí)組件的輸出通常都小于異常老化時(shí)組件的輸出。

3 決策樹(shù)算法

3.1 決策樹(shù)原理

決策樹(shù)是故障分類技術(shù)中較常用的一種技術(shù)[8,9]，其基本算法是通過(guò)自上而下的遞歸生成一棵決策樹(shù)，生成的決策樹(shù)可以分為內(nèi)部節(jié)點(diǎn)和葉子節(jié)點(diǎn)兩類，內(nèi)部節(jié)點(diǎn)是屬性的集合，葉子節(jié)點(diǎn)是最終的分類結(jié)果。在故障診斷過(guò)程中，決策樹(shù)自上而下逐步通過(guò)內(nèi)部節(jié)點(diǎn)對(duì)屬性值進(jìn)行比較，確定下一步的走向，最后到達(dá)的葉子節(jié)點(diǎn)即為分類的故障診斷結(jié)果。因此，從決策樹(shù)的根節(jié)點(diǎn)到不同的葉子節(jié)點(diǎn)，分別對(duì)應(yīng)著一條分類規(guī)則，即整棵決策樹(shù)是一組分類規(guī)則的集合。

決策樹(shù)的建立一般有四個(gè)步驟：①數(shù)據(jù)采集，通常是從實(shí)驗(yàn)中采集所需的數(shù)據(jù)；②數(shù)據(jù)預(yù)處理，通常包括數(shù)據(jù)檢驗(yàn)，創(chuàng)建新屬性和屬性選擇；③隨機(jī)選擇90%經(jīng)過(guò)預(yù)處理的數(shù)據(jù)作為決策樹(shù)進(jìn)行學(xué)習(xí)的數(shù)據(jù)集；④將余下10%的數(shù)據(jù)作為測(cè)試已經(jīng)生成的決策樹(shù)的數(shù)據(jù)集。當(dāng)測(cè)試決策樹(shù)完成，就能進(jìn)行光伏組件的在線故障診斷。

3.2 數(shù)據(jù)采集

為了采集訓(xùn)練決策樹(shù)所需的數(shù)據(jù)，實(shí)時(shí)采集和記錄相關(guān)數(shù)據(jù)，建立了如圖2所示的實(shí)驗(yàn)平臺(tái)。實(shí)驗(yàn)所用的光伏組件型號(hào)為HQ190M-190W，其參數(shù)如表1所示。

圖2 實(shí)驗(yàn)平臺(tái)Fig.2 Experimental platform

參數(shù)數(shù)值最大功率點(diǎn)電壓Um/V36.67最大功率點(diǎn)電流Im/A5.18開(kāi)路電壓Uoc/V45.32短路電流Isc/A5.53額定功率P/W190電流溫度系數(shù)ui/(%/℃)[0.09,0.11]電壓溫度系數(shù)uv/(%/℃)[-0.39,-0.37]

采集在不同環(huán)境條件下光伏組件在3種工作狀態(tài)，即正常、局部陰影和異常老化下的輸出數(shù)據(jù)，包括開(kāi)路電壓(Uoc)、短路電流(Isc)、最大功率點(diǎn)電壓(Um)和電流(Im)。局部陰影為單塊光伏電池遮擋50%，異常老化用串聯(lián)1Ω電阻來(lái)模擬。共采集了774組數(shù)據(jù)，實(shí)驗(yàn)采集數(shù)據(jù)分布如表2所示。

表2 數(shù)據(jù)分布Tab.2 Data distribution

可以利用光伏組件的短路電流Isc值估算光照強(qiáng)度值，如式(1)所示：

(1)

3.3 數(shù)據(jù)預(yù)處理

雖然決策樹(shù)能自動(dòng)從采集的數(shù)據(jù)集合中提取出故障診斷規(guī)則，但是決策樹(shù)也有局限性[10]，每個(gè)內(nèi)部節(jié)點(diǎn)屬性的選擇只能考慮單個(gè)變量，依據(jù)這個(gè)變量的取值來(lái)形成下一個(gè)內(nèi)部節(jié)點(diǎn)，所以很難發(fā)現(xiàn)基于多個(gè)變量組合的規(guī)則。因此必須優(yōu)化提供給決策樹(shù)進(jìn)行選擇的屬性，使決策樹(shù)能更有效地進(jìn)行故障診斷。經(jīng)過(guò)仿真和實(shí)驗(yàn)研究發(fā)現(xiàn)，除了提供光伏組件的輸出Im、Um、Isc和Uoc，還需要提供填充因子FF、輸出電流比Im/Isc和斜率因子K，而后3個(gè)變量是從前4個(gè)變量計(jì)算組合而來(lái)的。

圖3為光伏組件等效電路模型，由此電路模型可得組件電流方程為：

(2)

式中，U為組件的輸出電壓；I為組件的輸出電流；Iph為光生電流；I0為反向飽和電流；A為二極管理想因子；Rs為等效串聯(lián)電阻；Rsh為等效并聯(lián)電阻；q為電子電荷常數(shù)，其值為1.6×10-19C；T為絕對(duì)溫度；k為玻爾茲曼常數(shù)，其值為1.38×10-23J/K。

圖3 組件等效電路模型Fig.3 Equivalent circuit model of PV model

為了簡(jiǎn)化理論證明，并且考慮到流過(guò)二極管的電流I0的電流數(shù)量級(jí)比較小，通常在10-5左右，故簡(jiǎn)化式(2)為：

(3)

當(dāng)組件短路時(shí)，有U=0，則式(3)可變?yōu)椋?/p>

(4)

當(dāng)組件開(kāi)路時(shí)，有I=0，則式(3)可變?yōu)?/p>

Uoc=IphRsh

(5)

光生電流Iph為：

(6)

式中，SSTC為標(biāo)準(zhǔn)測(cè)試條件下的光照強(qiáng)度(1000W/m2)；ui為電流溫度系數(shù)；T為組件的工作溫度；TSTC為自標(biāo)準(zhǔn)測(cè)試條件下的工作溫度(25℃)。

分析組件的異常老化和局部陰影兩種故障工作狀態(tài)，可以容易得到在外界相同光照強(qiáng)度下，組件有局部陰影時(shí)，其平均光照強(qiáng)度值Sc必然較組件在正常工作和異常狀態(tài)下的光照強(qiáng)度值小，由式(6)可得局部陰影下Iph值相比正常和異常老化情況下的Iph值小。

填充因子FF是光伏組件品質(zhì)(串聯(lián)電阻和并聯(lián)電阻)的量度[11]，如式(7)所示：

(7)

由圖1可以發(fā)現(xiàn)，組件在異常老化和局部陰影下的輸出相比組件在正常狀態(tài)下的輸出，只有Im和Um值的變化較大，其大幅度地減小，Isc和Uoc值較正常時(shí)未發(fā)生較大變化，由式(7)可知，F(xiàn)F值在故障狀態(tài)下的值較正常情況下小，所以利用FF值可以很好地區(qū)分組件是否存在故障，不同故障狀態(tài)下組件的FF值隨光照強(qiáng)度變化如圖4所示。

圖4 不同工作狀態(tài)下FF值隨光照強(qiáng)度變化曲線Fig.4 Curves of FF under different states when irradiation changes

從圖4中可以看出，組件在異常老化和局部陰影狀態(tài)下的FF值區(qū)別并不大。在光照強(qiáng)度較低時(shí)，局部陰影時(shí)的FF值較異常老化時(shí)的FF值稍大，而在光照強(qiáng)度較高時(shí)，情況則相反。

為了更好地區(qū)分局部陰影和異常老化這兩個(gè)狀態(tài)，本文定義了斜率因子K和輸出電流比Im/Isc兩個(gè)屬性。K為組件I-U曲線中最大功率點(diǎn)至開(kāi)路電壓點(diǎn)直線斜率的絕對(duì)值，其計(jì)算公式為：

(8)

由圖1可發(fā)現(xiàn)，組件在異常老化和局部陰影時(shí)的最大功率點(diǎn)相差并不大，為了簡(jiǎn)化理論證明，本文假設(shè)在這兩種故障狀態(tài)下最大功率點(diǎn)相同，即Im和Um值相同。在局部陰影下，如前分析Iph值會(huì)較組件在異常老化時(shí)小，由式(5)可知，組件在局部陰影下的Uoc值會(huì)比在異常老化時(shí)的Uoc值小，于是由式(8)可知，組件在局部陰影下的K值會(huì)比在異常老化時(shí)的K值大。

組件在局部陰影和異常老化故障下的K值隨光照強(qiáng)度變化的曲線如圖5所示?？梢钥闯?，在同一光照強(qiáng)度下，組件在異常老化時(shí)其K值小于組件局部陰影時(shí)的K值。

圖5 局部陰影和異常老化下K值隨光照強(qiáng)度變化曲線Fig.5 Curves of K under partial shading and abnormal degradation when irradiation changes

光伏組件的輸出隨光照強(qiáng)度和環(huán)境溫度的變化而變化，光照強(qiáng)度的變化對(duì)組件的影響更大。為了使決策樹(shù)考慮到光照強(qiáng)度這一概念，又引入了組件輸出電流比Im/Isc值，組件在不同工作狀態(tài)下的Im/Isc值隨光照強(qiáng)度變化的曲線如圖6所示。

可以看出，組件在局部陰影時(shí)，Im/Isc值基本隨光照強(qiáng)度的增加而增大；異常老化情況下，光照強(qiáng)度較高時(shí)，Im/Isc隨光照強(qiáng)度的增加反而減小。

圖6 不同工作狀態(tài)下Im/Isc值隨光照強(qiáng)度變化曲線Fig.6 Curves of Im/Isc under different states when irradiation changes

根據(jù)圖4，假設(shè)組件在異常老化和局部陰影下的FF值相同；如前分析，組件在局部陰影下的Uoc值也會(huì)比在異常老化時(shí)的Uoc值小；同時(shí)本文假設(shè)在這兩種故障狀態(tài)下最大功率點(diǎn)相同，即Im和Um值相同，由此可得在相同光照強(qiáng)度下，組件在局部陰影時(shí)的Im/Isc值比在異常老化時(shí)的Im/Isc值大。

因此，共有7個(gè)屬性供決策樹(shù)生成算法進(jìn)行選擇，如表3所示。

表3 屬性集合
Tab.3 New and old attributes

名稱描述Im最大功率點(diǎn)電流Um最大功率點(diǎn)電壓Isc短路電流Uoc開(kāi)路電壓FF填充因子K斜率因子Im/Isc輸出電流比值

3.4 分類-回歸算法

在生成決策樹(shù)過(guò)程中，最重要的就是對(duì)內(nèi)部節(jié)點(diǎn)屬性的選擇，決策樹(shù)有自動(dòng)從提供的屬性集合中選擇合適屬性的能力，不同的決策樹(shù)生成算法選擇屬性的方法不同。

分類-回歸算法 (Classification And Regression Tree，CART)[12,13]采用二分遞歸分割的方法，生成的決策樹(shù)都是二叉樹(shù)，即決策樹(shù)內(nèi)部節(jié)點(diǎn)都只包含兩個(gè)分支，其結(jié)構(gòu)簡(jiǎn)單清晰，分類規(guī)則較少。為了選擇最優(yōu)的分裂屬性，CART算法采用了Gini值作為選擇最佳屬性的標(biāo)準(zhǔn)。

首先做一些簡(jiǎn)單的假設(shè)[14]：當(dāng)前節(jié)點(diǎn)中的屬性集合為A={A1,A2,…,Am}，訓(xùn)練樣本集合為S={s1,s2,…,sn}，類別集合為C={c1,c2,…,ck}。對(duì)于訓(xùn)練樣本集合S，T為S的一個(gè)屬性，它將S分裂成不相關(guān)的子集S1,S2,…,Sw。

在對(duì)當(dāng)前屬性進(jìn)行劃分時(shí)，Gini值為：

(9)

CART算法使用Gini值最小的屬性來(lái)對(duì)當(dāng)前內(nèi)部節(jié)點(diǎn)進(jìn)行劃分。

3.5 決策樹(shù)生成

限于實(shí)驗(yàn)條件，提供給決策樹(shù)生成算法的數(shù)據(jù)樣本例數(shù)較少，同時(shí)需要判斷的組件工作狀態(tài)較少，所以最終生成的決策樹(shù)結(jié)構(gòu)較簡(jiǎn)潔，如表4所示。生成的決策樹(shù)能夠有效地對(duì)測(cè)試樣本進(jìn)行分類，其正確率達(dá)到了98.32%。

表4 生成的決策樹(shù)信息Tab.4 Information of DT model

圖7為最終生成的決策樹(shù)。從所生成的決策樹(shù)中可以看出，利用CART算法為決策樹(shù)生成屬性只選擇了所提供的7個(gè)屬性中的3個(gè)，分別為FF、K和Um。

圖7 生成的決策樹(shù)Fig.7 DT model

4 實(shí)驗(yàn)驗(yàn)證

分布式MPPT系統(tǒng)[14]為每個(gè)光伏組件配備一個(gè)具有最大功率點(diǎn)跟蹤等功能的功率優(yōu)化器，該系統(tǒng)可以采集得到每個(gè)組件的輸出電流和輸出電壓，將最后生成的決策樹(shù)寫入功率優(yōu)化器中，利用決策樹(shù)診斷出組件的工作狀態(tài)，系統(tǒng)結(jié)構(gòu)如圖8所示。如果存在故障，系統(tǒng)就會(huì)上報(bào)至監(jiān)控中心以便人員維護(hù)，大幅度降低了人工維護(hù)的成本以及避免了組件故障可能產(chǎn)生的嚴(yán)重后果。

圖8 在線故障診斷系統(tǒng)示意圖Fig.8 Schematic diagram of online fault diagnosis system

為了驗(yàn)證生成的決策樹(shù)的有效性，分別在光照強(qiáng)度較高和光照強(qiáng)度較低時(shí)進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)中局部陰影為遮擋半塊電池以上的情況，異常老化為串聯(lián)1～4Ω的情況。令光伏板分別工作在正常、局部陰影和異常老化三種情況下，對(duì)這三種情況進(jìn)行多次實(shí)驗(yàn)，觀察上位機(jī)顯示的光伏板狀態(tài)與實(shí)際光伏板的狀態(tài)是否一致，若上位機(jī)顯示的狀態(tài)與實(shí)際的狀態(tài)一致，則說(shuō)明此時(shí)沒(méi)有發(fā)生誤判，反之，則說(shuō)明此時(shí)判斷失誤。根據(jù)判斷正確與否來(lái)計(jì)算實(shí)驗(yàn)的正確率。

在光照強(qiáng)度較高情況下，共測(cè)試了208組數(shù)據(jù)，利用短路電流Isc值估算得到光照強(qiáng)度范圍為553～872W/m2，測(cè)試結(jié)果如表5所示。

表5 光照強(qiáng)度較高時(shí)的實(shí)驗(yàn)結(jié)果Tab.5 Experimental results at high irradiation

在光照強(qiáng)度較弱情況下，共測(cè)試了222組數(shù)據(jù)，利用短路電流Isc值估算得到光照強(qiáng)度范圍為359～537W/m2，測(cè)試結(jié)果如表6所示。

表6 光照強(qiáng)度較低時(shí)的實(shí)驗(yàn)結(jié)果Tab.6 Experimental results at low irradiation

觀察實(shí)驗(yàn)結(jié)果可以得出，在不同環(huán)境條件下生成的決策樹(shù)都能有效地對(duì)光伏組件進(jìn)行故障診斷，證明了所提方法的正確性和可行性。分析實(shí)驗(yàn)中診斷錯(cuò)誤的數(shù)據(jù)，其原因有：①實(shí)驗(yàn)中輸出電壓和輸出電流的測(cè)量是不同步的，如果在此期間光照強(qiáng)度發(fā)生了變化，會(huì)導(dǎo)致電壓和電流數(shù)據(jù)的測(cè)量環(huán)境條件不一致，并且測(cè)量得到的數(shù)據(jù)并沒(méi)有在預(yù)處理中被清除出去，最終導(dǎo)致決策樹(shù)錯(cuò)誤的診斷；②有幾組實(shí)驗(yàn)數(shù)據(jù)不在決策樹(shù)學(xué)習(xí)得到的規(guī)則集中，導(dǎo)致了錯(cuò)誤的診斷。

5 結(jié)論

本文提出了一種基于決策樹(shù)算法的光伏組件在線故障診斷方法，該方法對(duì)數(shù)據(jù)十分敏感，生成的決策樹(shù)結(jié)構(gòu)簡(jiǎn)單易懂，不僅能為功率優(yōu)化器增加故障診斷的能力，同時(shí)也降低了人工維護(hù)的成本。

[1] Syafaruddin, E Karatepe, T Hiyama. Controlling of artificial neural network for fault diagnosis of photovoltaic array[A]. 16th International Conference on Intelligent System Application to Power Systems[C]. Crete, Greece, 2011. 1-6.

[2] Pietro Ducange, Michela Fazzolari, Beatrice Lazzerini, et al. An intelligent system for detecting faults in photovoltaic fields[A]. IEEE 11th International Conference on Intelligent Systems Design and Applications[C]. Cordoba, Spain, 2011. 1341-1346.

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

[4] 胡義華, 陳昊, 徐瑞東, 等(Hu Yihua, Chen Hao, Xu Ruidong, et al.). 基于最優(yōu)傳感器配置的光伏陣列故障診斷(Photovoltaic (PV) array fault diagnosis strategy based on optimal sensor placement)[J]. 中國(guó)電機(jī)工程學(xué)報(bào)(Proceedings of the CSEE), 2011, 31(33): 19-30.

[5] Bei Nian, Zhizhong Fu, Li Wang. Automatic detection of defects in solar modules: Image processing in detecting[A]. International Conference on Wireless Communications Networking and Mobile Computing[C]. Chengdu, China, 2010. 1-4.

[6] Takumi Takashima, Junji Yamaguchi, Masayoshi Ishida. Fault detection by signal response in PV module strings[A]. 33rd IEEE Photovoltaic Specialists Conference [C]．San Diego，CA，USA, 2008. 1-5.

[7] Takumi Takashima, Junji Yamaguchi, Masayoshi Ishida. Disconnection detection using earth capacitance measurement in photovoltaic module string[J]. Progress in Photovoltaics, 2008, 16(8): 669-677.

[8] 張延松, 趙英凱(Zhang Yansong，Zhao Yingkai). 基于PCA和粗糙集構(gòu)建決策樹(shù)的變電站故障診斷(Fault diagnosis of substation by the constructed decision tree based on principal component analysis (PCA) and rough set)[J]. 電力系統(tǒng)保護(hù)與控制(Power System Protection and Control), 2010, 38(14): 104-109.

[9] Shuguang He, Zhen He, Gang A Wang. Online monitoring and fault identification of mean shifts in bivariate processes using decision tree learning techniques[J]. Journal of Intelligent Manufacturing, 2013, 24(1): 25-34.

[10] 李旭(Li Xu). 五種決策樹(shù)算法的比較研究(A comparative study on five decision tree algorithms)[D]. 大連: 大連理工大學(xué)(Dalian: Dalian University of Technology), 2011.

[11] Wei Zhou, Hongxing Yang, Zhaohong Fang. A novel model for photovoltaic array performance prediction[J]. Applied Energy, 2007, 84(12): 1187-1198.

[12] 程曉蘭(Cheng Xiaolan). 決策樹(shù)分類算法及其應(yīng)用(Decision tree algorithm and application)[D]. 大連: 大連交通大學(xué)(Dalian：Dalian Jiaotong University), 2007.

[13] 王斌(Wang Bin.). 決策樹(shù)算法的研究及應(yīng)用(Research on decision tree and its application)[D]. 上海: 東華大學(xué)(Shanghai: Dong Hua University), 2008.

[14] 黃建明, 吳春華, 徐坤, 等(Huang Jianming, Wu Chunhua, Xu Kun, et al.). 基于等效負(fù)載阻抗擾動(dòng)的分布式MPPT方法研究(A distributed maximum power point tracking method based on the equivalent load impedance disturbance)[J]. 電力系統(tǒng)保護(hù)與控制(Power System Protection and Control), 2012, 40(24): 125-130.

Survey of fault diagnosis for PV modules based on decision tree

XU Li-juan, WU Chun-hua, WANG Yuan-zhang, LI Zhi-hua

(Shanghai Key Laboratory of Power Station Automation Technology, Department of Automation, Shanghai University, Shanghai 200072, China)

The output characteristics of PV modules when they are in abnormal degradation or partial shading are analyzed. A novel online fault diagnosis method for PV modules with abnormal degradation or partial shading based on decision tree (DT) is proposed. The change of fill factor (FF), the slope factor (K) and the ratio of output current (Im/Isc) under the two different faults are analyzed. The voltage of maximum power point (Um), the current of maximum power point (Im), open circuit voltage (Uoc), short circuit current (Isc),FF,KandIm/Iscare provided as the attribute collection which can be used by the DT algorithm. When the attribute data needed is acquired, the DT algorithm can determine the PV modules’ state. The experimental results show the feasibility and effectiveness of the proposed method.

PV module; fault diagnosis; decision tree (DT); partial shading; abnormal degradation

2016-05-31

國(guó)家自然科學(xué)基金項(xiàng)目(51677112)

徐立娟(1989-)， 女， 河北籍， 碩士研究生， 研究方向?yàn)楣夥到y(tǒng)及故障診斷； 吳春華(1978-)， 男， 浙江籍， 副教授， 博士， 研究方向?yàn)楣夥⒕W(wǎng)控制、 燃料電池電能變換控制、 風(fēng)力發(fā)電電能變換控制。

TM46

A

1003-3076(2017)06-0083-06