孫建民，梁 凌，李庚達(dá)，段震清，胡文森

(國(guó)家能源集團(tuán)新能源技術(shù)研究院有限公司，北京 102209)

0 引言

隨著煤炭、石油等化石能源的不斷消耗及環(huán)境問(wèn)題的日益加劇，新能源發(fā)電現(xiàn)已成為當(dāng)前世界范圍內(nèi)能源替代與電力供應(yīng)的主要形式。太陽(yáng)能發(fā)電作為一種清潔、環(huán)保的新能源發(fā)電方式，近年來(lái)得到廣泛應(yīng)用，其中，光伏發(fā)電的發(fā)展尤為迅猛。我國(guó)光伏電站的裝機(jī)規(guī)模逐年遞增，截至2019年底，光伏發(fā)電裝機(jī)容量已累計(jì)達(dá)到204.3 GW。

在我國(guó)，光伏電站的建設(shè)通常優(yōu)先選擇太陽(yáng)能資源優(yōu)良的西北部地區(qū)，但該類地區(qū)多為荒漠、高原、戈壁等環(huán)境較為惡劣的區(qū)域，這樣的環(huán)境條件會(huì)對(duì)光伏組件產(chǎn)生不利影響，大幅增加其發(fā)生故障的概率；且這類地區(qū)的人口密度偏低，導(dǎo)致光伏電站存在運(yùn)維困難和運(yùn)維周期長(zhǎng)的問(wèn)題，嚴(yán)重影響整個(gè)光伏電站的發(fā)電量。

光伏組件的運(yùn)行壽命一般為25～30年，但受運(yùn)行環(huán)境條件惡劣等因素的影響，其運(yùn)行壽命將大打折扣。據(jù)統(tǒng)計(jì)，處于不同地區(qū)、不同環(huán)境條件下的光伏電站的年均輸出功率衰減介于0.6%～1.0%之間，這極大影響了整個(gè)光伏電站的發(fā)電能力[1]。因此，如何保證光伏電站的最大輸出功率，對(duì)光伏電站的運(yùn)維提出了巨大挑戰(zhàn)。

在光伏電站的運(yùn)維過(guò)程中，光伏組件的故障診斷方法已成為其關(guān)鍵技術(shù)，也是助力光伏電站精細(xì)化運(yùn)維管控、提高光伏發(fā)電系統(tǒng)能效的重點(diǎn)研究方向。本文根據(jù)當(dāng)前光伏組件故障診斷研究方向的不同，將光伏組件故障診斷方法分為：基于電路結(jié)構(gòu)的光伏組件故障診斷方法、基于I-V輸出特性曲線的光伏組件故障診斷方法、基于紅外圖像檢測(cè)的光伏組件故障診斷方法、基于數(shù)學(xué)模型的光伏組件故障診斷方法和基于智能算法的光伏組件故障診斷方法這5類[2-4]，然后對(duì)這5類光伏組件故障診斷方法的相關(guān)研究進(jìn)行全面介紹，并對(duì)每類方法在實(shí)際應(yīng)用時(shí)的優(yōu)、缺點(diǎn)進(jìn)行分析比較。

1 基于電路結(jié)構(gòu)的光伏組件故障診斷方法

與正常的光伏組件或光伏組串相比，存在故障的光伏組件或光伏組串的電流或電壓會(huì)發(fā)生明顯的變化。針對(duì)此特性，可以給采用不同電路結(jié)構(gòu)的光伏陣列中的光伏組串配置對(duì)應(yīng)的傳感器，從而可對(duì)光伏組件進(jìn)行檢測(cè)，實(shí)現(xiàn)對(duì)故障光伏組件的定位[5-6]。

利用傳感器進(jìn)行檢測(cè)是最直接的基于電路結(jié)構(gòu)的光伏組件故障診斷方法，但若是光伏電站的裝機(jī)規(guī)模較大，所需的傳感器數(shù)量會(huì)較多，整體投資成本將顯著增加。因此，在改變光伏陣列電路結(jié)構(gòu)的同時(shí)減少傳感器的數(shù)量是當(dāng)前該類光伏組件故障診斷方法的研究重點(diǎn)[7-8]。

通常，光伏陣列的電路結(jié)構(gòu)為SP結(jié)構(gòu)，即多個(gè)光伏組件先串聯(lián)成光伏組串后，再將光伏組串并聯(lián)。文獻(xiàn)[9]提出了一種基于SP結(jié)構(gòu)的光伏組件故障診斷方法，該方法是依據(jù)光伏組件電壓的變化來(lái)確定光伏組件發(fā)生故障的范圍，以實(shí)現(xiàn)故障光伏組件的定位。以1個(gè)如圖1所示的“8×3”的光伏陣列為例，對(duì)該基于SP結(jié)構(gòu)的光伏組件故障診斷方法進(jìn)行描述：首先依據(jù)每條光伏組串的電流(即圖1中的I1、I2、I3)確定故障光伏組串，然后再將每條光伏組串中的2個(gè)電壓傳感器的值(即圖1中的V1和V4、V2和V5、V3和V6)分別與其所在光伏組串的電壓值U的進(jìn)行比較，從而逐步判斷出故障光伏組件的位置。

圖1 基于SP結(jié)構(gòu)的光伏組件故障診斷方法的實(shí)例Fig.1 Examples of PV modules fault diagnosis method based on SP structure

文獻(xiàn)[10]在上述研究的基礎(chǔ)上提出重構(gòu)拓?fù)浣Y(jié)構(gòu)，在每條光伏組串中均安裝電流傳感器，并利用所測(cè)得的電流數(shù)據(jù)進(jìn)行初步檢測(cè)，這樣可提高故障光伏組件的定位精度。文獻(xiàn)[11]在基于SP結(jié)構(gòu)的基礎(chǔ)上對(duì)光伏陣列進(jìn)行分區(qū)域評(píng)估，利用各區(qū)域的電壓數(shù)據(jù)差異來(lái)確定故障光伏組件的范圍?；赟P結(jié)構(gòu)的光伏組件故障診斷方法能實(shí)現(xiàn)可靠、精準(zhǔn)的故障光伏組件定位，增加傳感器數(shù)量可進(jìn)一步提升光伏組件故障診斷的精確度，但投資成本也會(huì)隨之明顯增加。因此，在保證光伏電站發(fā)電收益的前提下，各光伏電站可根據(jù)自身情況確定適宜的光伏組件故障診斷的精確度。

當(dāng)光伏陣列的電路結(jié)構(gòu)采用TCT結(jié)構(gòu)時(shí)，其是先將N塊光伏組件并聯(lián)，然后再串聯(lián)連接，采用該結(jié)構(gòu)的光伏陣列主要是利用電流傳感器來(lái)進(jìn)行光伏組件故障診斷。與基于SP結(jié)構(gòu)的光伏組件故障診斷方法相比，基于TCT結(jié)構(gòu)的光伏組件故障診斷方法較大程度地減少了電流傳感器的數(shù)量，降低了檢測(cè)成本。文獻(xiàn)[12]在TCT結(jié)構(gòu)基礎(chǔ)上構(gòu)建CTCT結(jié)構(gòu)，并提出了一種基于CTCT結(jié)構(gòu)的新的光伏組件故障診斷方法，該診斷方法是在光伏組件串聯(lián)時(shí)在每2排光伏組件之間增加m層電流傳感器，依據(jù)每層電流傳感器的顯示數(shù)值來(lái)確定故障光伏組件的位置。

雖然基于TCT結(jié)構(gòu)的光伏組件故障診斷方法已較大程度地減少了電流傳感器的數(shù)量，但其采用的電流傳感器的數(shù)量依然較多。因此，文獻(xiàn)[13]將TCT結(jié)構(gòu)與SP結(jié)構(gòu)結(jié)合構(gòu)成CTCT結(jié)構(gòu)，并提出了一種基于CTCT結(jié)構(gòu)的新的光伏組件故障診斷方法。該診斷方法具體為：光伏陣列中，每排光伏組串由N個(gè)光伏組件串聯(lián)，排與排之間并聯(lián)；然后每相鄰L個(gè)光伏組件設(shè)置1個(gè)電流傳感器，電流傳感器數(shù)量為；將每排光伏組串視為1條SP結(jié)構(gòu)的分支，并設(shè)置1個(gè)電壓傳感器。該診斷方法是先測(cè)出整條分支電路的總電壓和總電流，由電壓傳感器確定故障發(fā)生的具體排數(shù)，然后再利用電流傳感器確定對(duì)應(yīng)排數(shù)中故障光伏組件所在區(qū)域的范圍。隨著光伏陣列的數(shù)量增加，相對(duì)于基于TCT結(jié)構(gòu)的光伏組件故障診斷方法，該基于CTCT結(jié)構(gòu)的光伏組件故障診斷方法采用的傳感器數(shù)量可減少20%～50%。

以上幾種光伏組件故障診斷方法均只能實(shí)現(xiàn)故障光伏組件的定位，并不能判斷光伏組件的故障類型。基于此，文獻(xiàn)[14]提出了基于SN-TCT結(jié)構(gòu)的光伏組件故障診斷方法，該診斷方法將每排光伏組串理論的電壓、電流信息與實(shí)測(cè)的電壓、電流信息進(jìn)行對(duì)比，可將故障光伏組件的定位范圍縮小到一定程度，然后采用復(fù)合信息融合算法結(jié)合實(shí)測(cè)的光伏組串電壓、電流信息，利用概率分布函數(shù)判斷出故障光伏組件的位置。該診斷方法的優(yōu)點(diǎn)在于結(jié)合了環(huán)境信息與傳感器信息，增加了故障模式的識(shí)別能力，提高了故障定位的準(zhǔn)確率。

通過(guò)查閱相關(guān)文獻(xiàn)發(fā)現(xiàn)，大部分基于電路結(jié)構(gòu)的光伏組件故障診斷方法可實(shí)現(xiàn)對(duì)斷路這種故障類型的定位，極少數(shù)可實(shí)現(xiàn)對(duì)陰影故障類型的識(shí)別，而且由于需要重新加裝傳感器的問(wèn)題，基于電路結(jié)構(gòu)的光伏組件故障診斷方法目前僅適合應(yīng)用于裝機(jī)規(guī)模較小的光伏電站[15]。對(duì)于裝機(jī)規(guī)模較大的光伏電站而言，該類光伏組件故障診斷方法的檢測(cè)方法復(fù)雜，使用的傳感器數(shù)量較多、成本較高，并且裝機(jī)規(guī)模較大的光伏電站的電路結(jié)構(gòu)已確定，若對(duì)電路結(jié)構(gòu)進(jìn)行改造，則改造成本較大，因此，基于電路結(jié)構(gòu)的光伏組件故障診斷方法的實(shí)用性較差。

綜上所述，當(dāng)前基于電路結(jié)構(gòu)的光伏組件故障診斷方法發(fā)展的關(guān)鍵和重點(diǎn)研究方向是在保證檢測(cè)精確度的前提下減少傳感器的使用數(shù)量，降低傳感器投資成本；并在結(jié)合大數(shù)據(jù)的情況下，實(shí)現(xiàn)光伏組件故障類型的判定[16-17]。

2 基于I-V輸出特性曲線的光伏組件故障診斷方法

通過(guò)分析標(biāo)準(zhǔn)測(cè)試條件(STC)下，處于正常狀態(tài)與處于故障狀態(tài)的光伏組件的I-V輸出特性曲線(如圖2所示)，以及光伏組件工作溫度為25 ℃時(shí)，不同太陽(yáng)輻照度下光伏組件的I-V與P-V輸出特性曲線(如圖3所示)發(fā)現(xiàn)，這2種輸出特性曲線均呈現(xiàn)出有規(guī)律的變化。針對(duì)此光伏組件輸出特性曲線規(guī)律，可根據(jù)光伏組件在不同故障狀態(tài)和不同環(huán)境條件下的電壓、電流、最大功率點(diǎn)等各項(xiàng)指標(biāo)進(jìn)行故障類型的分析和判斷；也可通過(guò)對(duì)比實(shí)測(cè)光伏組件性能得到的實(shí)際輸出特性曲線與利用光伏組件出廠參數(shù)模擬得到的理論輸出特性曲線進(jìn)行對(duì)比分析，以此來(lái)判斷光伏陣列中是否存在故障光伏組件。

圖2 STC下處于正常狀態(tài)與故障狀態(tài)的光伏組件的I-V輸出特性曲線Fig.2 I-V output characteristic curve of PV modules in normal state and fault state under STC

圖3 光伏組件工作溫度為25 ℃時(shí)，不同太陽(yáng)輻照度下光伏組件的I-V、P-V輸出特性曲線Fig.3 I-V and P-V output characteristic curves of PV module under different solar irradiance when working temperature of PV module is 25 ℃

從光伏組件的I-V、P-V輸出特性曲線能直接獲取其最大輸出功率、最大功率點(diǎn)電壓、最大功率點(diǎn)電流、短路電流和開路電壓等多個(gè)參數(shù)，依據(jù)光伏組件故障特性對(duì)這些參數(shù)進(jìn)行整合，可得到對(duì)光伏組件故障更加敏感的特征參數(shù)。文獻(xiàn)[18]基于光伏組件I-V輸出特性曲線的形狀，獲取了光伏組件的熱等效電壓、曲線拐點(diǎn)因子、最大功率點(diǎn)因子、等效串聯(lián)電阻和填充因子這5個(gè)故障診斷指標(biāo)，以這5個(gè)故障診斷指標(biāo)針對(duì)不同光伏組件故障類型呈現(xiàn)出的不同敏感程度作為判斷基準(zhǔn)，將經(jīng)過(guò)規(guī)范處理(即數(shù)據(jù)歸一化)后的指標(biāo)采用模糊分類的方法進(jìn)行分類，對(duì)分類后的結(jié)果進(jìn)行打分并設(shè)定閾值，從而實(shí)現(xiàn)光伏組件故障類型的判斷及分類。從光伏組件I-V輸出特性曲線獲取數(shù)據(jù)并處理后，可據(jù)此較為容易地對(duì)不同的光伏組件故障類型進(jìn)行相應(yīng)的判斷，在經(jīng)過(guò)參數(shù)指標(biāo)對(duì)光伏組件故障類型的合理評(píng)估后，擇優(yōu)選取適合的閾值，并以此精確判定光伏組件故障的分類結(jié)果。

可結(jié)合多個(gè)參數(shù)對(duì)基于I-V輸出特性曲線的光伏組件故障診斷方法進(jìn)行研究分析。文獻(xiàn)[19]提出了一種基于功率損失與I-V輸出特性曲線的光伏組件故障診斷方法。該診斷方法首先確定光伏組串理論上的功率損失，然后依據(jù)光伏組串的實(shí)際功率損失來(lái)判斷其是否存在異常，再依據(jù)光伏組串電壓的變化量來(lái)判斷光伏組串的短路位置及短路光伏組件的個(gè)數(shù)，最后依據(jù)光伏組串的填充因子判斷光伏組件是否存在老化故障，從而完成對(duì)光伏組件故障類型的診斷。

文獻(xiàn)[20]提出了一種基于編碼的光伏組件故障快速診斷模型，用于模擬不同故障類型下光伏組件的I-V輸出特性曲線，以光伏組件實(shí)測(cè)值與理論值之間的最小誤差作為目標(biāo)函數(shù)，建立優(yōu)化目標(biāo)函數(shù)，利用DE算法辨識(shí)出光伏組件故障最優(yōu)參數(shù)，可較為準(zhǔn)確地定位故障光伏組件并識(shí)別其故障類型。

由于光伏組件對(duì)環(huán)境的敏感度較高，因此將環(huán)境因素作為光伏組件性能的影響因素并結(jié)合光伏組件的I-V輸出特性曲線可進(jìn)一步判斷光伏組件的工作狀態(tài)。文獻(xiàn)[21]將光伏組件I-V輸出特性曲線與光伏組件的工作溫度，以及環(huán)境溫度、太陽(yáng)輻照度等環(huán)境數(shù)據(jù)相結(jié)合，可較為全面地描述光伏組件的工作狀態(tài)，進(jìn)一步提高了光伏組件故障診斷的精確度。

基于I-V輸出特性曲線的光伏組件故障診斷方法的優(yōu)點(diǎn)是其對(duì)于故障特征參數(shù)的獲取較為便利，且故障特征參數(shù)的信息量較大，對(duì)于故障類型的鑒別及判定較為容易[22-23]。但基于I-V輸出特性曲線的光伏組件故障診斷方法也存在以下缺點(diǎn)：一方面，該類故障診斷方法不能確定故障發(fā)生的具體位置，且能夠識(shí)別的故障類型也十分有限；另一方面，該類故障診斷方法無(wú)法得到故障程度的量化指標(biāo)，如部分陰影遮擋的程度、串聯(lián)電阻的增加值和短路光伏組串的數(shù)量等，而這些量化指標(biāo)有助于運(yùn)維人員采集故障信息并進(jìn)行故障光伏組件的批量處理。

3 基于紅外圖像檢測(cè)的光伏組件故障診斷方法

基于紅外圖像檢測(cè)的光伏組件故障診斷方法的優(yōu)勢(shì)在于利用紅外圖像能夠定位到故障光伏組件的具體位置，且不需要獲取光伏組串的特性參數(shù)，利用計(jì)算機(jī)進(jìn)行圖像分析即可進(jìn)行光伏組件的故障診斷。但是該故障診斷方法具有一定的局限性：1)需要確保光伏組件是運(yùn)行在環(huán)境穩(wěn)定的狀態(tài)下；2)若光伏組件工作溫度受環(huán)境溫度的影響較大時(shí)，光伏組件發(fā)生故障時(shí)其工作溫度的波動(dòng)將不是特別明顯，所以無(wú)法根據(jù)紅外圖像中光伏組件的表面溫度來(lái)判斷光伏組件故障類型。以上原因極大限制了基于紅外圖像檢測(cè)的光伏組件故障診斷方法的應(yīng)用。

但隨著紅外熱成像探頭的不斷升級(jí)，對(duì)于光伏組件工作溫度的測(cè)定有了進(jìn)一步的提升，利用紅外圖像對(duì)光伏組件進(jìn)行故障診斷的技術(shù)也趨于完善[24]。

不同工作狀態(tài)下的光伏組件內(nèi)部太陽(yáng)電池呈現(xiàn)的溫度特性也不同，光伏組件的工作溫度T可表示為：

式中：為 太陽(yáng)電池對(duì)太陽(yáng)光線的有效吸收率；S為太陽(yáng)常數(shù)值；Γ為光伏陣列法線與光伏陣列太陽(yáng)連線之間的夾角；為有效的正面半球向外的太陽(yáng)輻射率；εHB為北面半球向外的太陽(yáng)輻射率；σ為史蒂芬-玻爾茲曼常數(shù)。

在太陽(yáng)電池發(fā)生故障時(shí)，其所發(fā)電能會(huì)轉(zhuǎn)化為熱能，導(dǎo)致太陽(yáng)電池的工作溫度發(fā)生變化，異常太陽(yáng)電池的工作溫度Tdes與正常太陽(yáng)電池的工作溫度Tnor之間的關(guān)系可表示為：

式中：L1為光照強(qiáng)度；η為正常太陽(yáng)電池的實(shí)際光電轉(zhuǎn)換效率。

根據(jù)式(2)，當(dāng)η=15%時(shí)，Tdes可表示為：

根據(jù)式(2)，當(dāng)η=30%時(shí)，Tdes可表示為：

由式(3)和式(4)可知，太陽(yáng)電池的光電轉(zhuǎn)換效率在提升的同時(shí)，一旦太陽(yáng)電池發(fā)生異常，光伏組件的工作溫度也會(huì)隨之升高，所以利用紅外圖像能夠直觀反應(yīng)出光伏組件的狀態(tài)，這也是可以利用紅外圖像檢測(cè)識(shí)別發(fā)生故障的光伏組件的最根本原因[25-27]。

文獻(xiàn)[28]提出了利用紅外圖像檢測(cè)來(lái)分析光伏陣列的工作狀態(tài)。對(duì)得到的紅外圖像進(jìn)行分析預(yù)處理，在考慮風(fēng)力、環(huán)境溫度和太陽(yáng)輻照度等諸多環(huán)境因素的影響后，再結(jié)合氣象和電氣等各類信息，采用IF-ELSE模糊推理的方法實(shí)現(xiàn)了對(duì)光伏陣列中光伏組件運(yùn)行狀態(tài)的診斷，并依據(jù)診斷效果對(duì)紅外探頭的性能提出了要求，明確了高分辨率的紅外探頭對(duì)光伏組件故障類型的識(shí)別具有促進(jìn)作用。

除了可以檢測(cè)熱斑故障，基于紅外圖像檢測(cè)的光伏組件故障診斷方法也可根據(jù)因不同外部原因造成光伏組件故障時(shí)其紅外圖像產(chǎn)生的顏色變化來(lái)進(jìn)行光伏組件故障類型檢測(cè)。文獻(xiàn)[29]提出了基于近紅外圖像的硅太陽(yáng)電池故障檢測(cè)，利用近紅外電荷耦合器件(CCD)設(shè)備拍攝太陽(yáng)電池通電后的紅外圖像信息，通過(guò)紅外圖像識(shí)別技術(shù)，針對(duì)不同的故障提出不同的算法，能較好地檢測(cè)出隱裂、碎片等光伏組件外在故障；而且由于算法較為簡(jiǎn)單，因此該故障診斷方法的檢測(cè)效率較高。但受限于設(shè)備性能，該故障診斷方法對(duì)于造成熱斑的光伏組件內(nèi)在缺陷無(wú)法進(jìn)行正確識(shí)別。

文獻(xiàn)[30]提出了利用CCD設(shè)備配合紅外設(shè)備拍攝紅外圖像光伏組件，采用形態(tài)學(xué)轉(zhuǎn)換技術(shù)對(duì)拍攝到的紅外圖像信息進(jìn)行處理后，使用Canny邊緣算法對(duì)存在缺陷的光伏組件進(jìn)行檢測(cè)的方法。該方法對(duì)紅外圖像的分割采用熱像素種子算法，對(duì)輸入的紅外圖像進(jìn)行預(yù)處理、高斯濾波和直方圖均衡化后，依據(jù)所得到的種子像素進(jìn)行最小距離偏差計(jì)算，并根據(jù)最小距離偏差是否超過(guò)閾值來(lái)判定光伏組件的故障點(diǎn)。通過(guò)該方法可同時(shí)檢測(cè)到光伏組件內(nèi)在、外在故障，且檢測(cè)質(zhì)量得到了極大提高。

文獻(xiàn)[31]在利用紅外圖像分析光伏組件熱斑現(xiàn)象的同時(shí)，對(duì)光伏組件中太陽(yáng)電池的破碎、焊帶的斷裂也進(jìn)行了研究，以不同故障類型光伏組件的紅外圖像呈現(xiàn)的顏色不同為依據(jù)進(jìn)行光伏組件故障類型的判定。此方法依據(jù)紅外圖像可直接進(jìn)行光伏組件故障類型的分類，但該文獻(xiàn)未對(duì)光伏組件故障類型的自動(dòng)分類進(jìn)行探究。

將紅外圖像信息轉(zhuǎn)化為數(shù)字信息也可進(jìn)一步提升光伏組件故障診斷的效果。文獻(xiàn)[32]利用卷積神經(jīng)網(wǎng)絡(luò)成功對(duì)光伏組件紅外圖像進(jìn)行編碼，依據(jù)圖像中不同顏色等級(jí)對(duì)應(yīng)的數(shù)值，實(shí)現(xiàn)了對(duì)單塊光伏組件中太陽(yáng)電池工作狀態(tài)的識(shí)別，從而完成了光伏組件的故障診斷。該方法同時(shí)利用脈沖神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)太陽(yáng)電池處于工作狀態(tài)時(shí)的時(shí)序信息的學(xué)習(xí)，且能夠?qū)崿F(xiàn)理想的光伏組件故障預(yù)警效果。

文獻(xiàn)[33]將紅外圖像轉(zhuǎn)換為色相、飽和度和強(qiáng)度(HSI)的顏色空間，并通過(guò)k-means聚類算法對(duì)(A,B)、(LAB)這2個(gè)顏色通道的顏色空間進(jìn)行進(jìn)一步分割，從突出的紅外圖像色素區(qū)提取時(shí)域特征，從而可對(duì)背板分層、EVA膜氣泡、太陽(yáng)電池蝸牛紋這3類光伏組件故障進(jìn)行鑒別。

綜上所述可知，紅外圖像檢測(cè)對(duì)于光伏組件故障類型的檢測(cè)主要針對(duì)太陽(yáng)電池破碎等外在故障和熱斑等存在較大溫度變化的內(nèi)在故障，而對(duì)于其他故障，如光伏組件短路等光伏組件工作溫度變化較小的故障的檢測(cè)效果則較差[34]。另一方面，基于紅外圖像檢測(cè)的光伏組件故障診斷方法主要依賴于圖像識(shí)別技術(shù)，因此對(duì)于探測(cè)設(shè)備探頭分辨率等的要求較高；其次，圖像的預(yù)處理對(duì)于圖像識(shí)別技術(shù)也尤為重要，可為光伏組件故障類型的進(jìn)一步識(shí)別與故障處理等奠定基礎(chǔ)；最后，圖像識(shí)別技術(shù)受環(huán)境因素的影響較大，其對(duì)于單一的環(huán)境信息的要求較高。但由于目前光伏電站的建設(shè)環(huán)境都較為復(fù)雜，因此，提高圖像的預(yù)處理能力、紅外熱成像探頭的識(shí)別精度都是基于紅外圖像檢測(cè)進(jìn)行光伏組件故障診斷的發(fā)展方向[35]。

4 基于數(shù)學(xué)模型的光伏組件故障診斷方法

隨著計(jì)算機(jī)技術(shù)與測(cè)試技術(shù)的發(fā)展，在掌握相關(guān)技術(shù)原理的前提下通過(guò)建立光伏組件數(shù)學(xué)模型，并利用軟件進(jìn)行仿真來(lái)診斷光伏組件的工作狀態(tài)，可作為一類光伏組件故障診斷方法。

光伏組件的等效電路圖如圖4所示，圖中：Iph為光伏組件的光生電流；RL為光伏組件的等效外負(fù)載；Rs為光伏組件的等效串聯(lián)電阻；Rsh為光伏組件的等效并聯(lián)電阻；V為光伏組件輸出端的端口電壓；I為光伏組件輸出端的端口電流。

圖4 光伏組件的等效電路圖Fig.4 Equivalent circuit diagram of PV module

圖中各參數(shù)之間的關(guān)系式可表示為：

式中：I0為二極管的反向飽和電流；n為二極管的理想因子；q為電子電荷，取值為1.602×10-19C。

所有的光伏組件數(shù)學(xué)模型均依據(jù)圖3及式(5)來(lái)推導(dǎo)，進(jìn)而進(jìn)行仿真與分析[36]?；跀?shù)學(xué)模型的光伏組件故障診斷方法是對(duì)光伏組件真實(shí)情況的初步理論判斷，該方法的優(yōu)勢(shì)在于能較為理想的對(duì)光伏組件的故障類型進(jìn)行識(shí)別，從機(jī)理上判斷故障發(fā)生的原因，在進(jìn)一步優(yōu)化的情況下，根據(jù)得到的實(shí)際數(shù)據(jù)可進(jìn)行較為精確地判斷，且檢測(cè)成本較低、需提取的數(shù)據(jù)種類較少，便于實(shí)際的光伏組件故障類型的分析[37-38]。

文獻(xiàn)[39]提出了一種基于參數(shù)擬合方法的光伏組件等效電路模型，利用單二極管等效電路模型，推導(dǎo)出光伏組件各性能參數(shù)的數(shù)學(xué)表達(dá)式，再利用人工魚群算法對(duì)參數(shù)進(jìn)行辨識(shí)，采用最小二乘法對(duì)參數(shù)不斷優(yōu)化擬合，使該光伏組件數(shù)學(xué)模型的精確度不斷提高，從而可滿足光伏組件故障診斷的要求。文獻(xiàn)[40]提出了使用Simulink模型對(duì)光伏組件的特征進(jìn)行模擬，然后將模擬數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)進(jìn)行比較，若某性能參數(shù)數(shù)值的誤差較大，則可據(jù)此判定該光伏組件發(fā)生了故障。該方法的關(guān)鍵點(diǎn)在于輸入數(shù)據(jù)的準(zhǔn)確性，缺點(diǎn)是對(duì)于環(huán)境條件產(chǎn)生的影響考慮較少。

由于模型的環(huán)境變動(dòng)性，不同研究建立的模型也會(huì)有所差別。文獻(xiàn)[41]針對(duì)陰影對(duì)光伏組件的遮擋程度進(jìn)行等級(jí)劃分，并依據(jù)劃分的等級(jí)分別對(duì)模型參數(shù)進(jìn)行修正，修正后的模型可實(shí)現(xiàn)大部分因陰影遮擋造成的光伏組件故障的仿真，進(jìn)一步為光伏組件的故障診斷提供了理論模型。文獻(xiàn)[42]提出了一種在光伏組件等效電路模型的基礎(chǔ)上計(jì)算光伏陣列等效串聯(lián)電阻的數(shù)學(xué)模型，依據(jù)正常工作及存在異常這2種狀態(tài)下的光伏陣列等效串聯(lián)電阻值的變化，可進(jìn)一步分析出光伏組件的故障類型。

基于數(shù)學(xué)模型的光伏組件故障診斷方法的研究時(shí)間較長(zhǎng)，但由于不同的環(huán)境條件會(huì)使光伏組件故障研究的側(cè)重點(diǎn)不同，因此每個(gè)研究所建立的模型針對(duì)環(huán)境條件都具有唯一性，較難適用于其他環(huán)境條件。從目前的文獻(xiàn)分析來(lái)看，基于數(shù)學(xué)模型的光伏組件故障診斷方法能檢測(cè)出的故障類型非常有限，且也較難判別故障光伏組件的位置，具有一定的局限性；而且為了提高光伏組件故障診斷的精確度，建立模型后，故障診斷需與神經(jīng)網(wǎng)絡(luò)和聚類算法相結(jié)合，因此光伏組件數(shù)學(xué)模型的精確度是此類故障診斷方法診斷結(jié)果精確度的基礎(chǔ)條件。

5 基于智能算法的光伏組件故障診斷方法

基于智能算法的光伏組件故障診斷方法采用的智能算法主要分為2大類：一類是基于模糊理論算法，由于該算法的模糊隸屬函數(shù)與模糊規(guī)則尚不成熟，因此利用該智能算法對(duì)光伏組件進(jìn)行故障診斷尚處于初步研究階段[43-44]；另一類是基于神經(jīng)網(wǎng)絡(luò)算法。神經(jīng)網(wǎng)絡(luò)是一種通過(guò)模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)的行為特征，進(jìn)行分布式并行信息處理的數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在于利用復(fù)雜的關(guān)系模型能夠解決多種輸入與輸出之間的非線性聯(lián)系，從而實(shí)現(xiàn)對(duì)參數(shù)的識(shí)別與判定，在現(xiàn)如今大數(shù)據(jù)、數(shù)據(jù)挖掘技術(shù)的催化下，其能夠得到不斷學(xué)習(xí)，從而提高識(shí)別的準(zhǔn)確性[45]。

目前，BP神經(jīng)網(wǎng)絡(luò)因具有適應(yīng)性高、自學(xué)能力強(qiáng)的特點(diǎn)而被廣泛使用，但BP神經(jīng)網(wǎng)絡(luò)的收斂速度較慢，容易陷入局部極小值點(diǎn)?；诖嗽?，各研究學(xué)者不斷對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，在尋優(yōu)方面進(jìn)行了重點(diǎn)研究。文獻(xiàn)[46]提出了基于BP神經(jīng)網(wǎng)絡(luò)的光伏組件故障診斷方法，該方法利用布谷鳥算法的尋優(yōu)特性有效解決了BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)差的缺點(diǎn)，提高了故障診斷的精確度和檢測(cè)速度。

由于BP神經(jīng)網(wǎng)絡(luò)的特性及其在參數(shù)識(shí)別方面的缺陷，文獻(xiàn)[47]提出了改進(jìn)型的基于徑向基(RBF)神經(jīng)網(wǎng)絡(luò)的光伏陣列故障類型識(shí)別算法，在確定隱含層中心的同時(shí)，采用粒子群優(yōu)化算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)光伏陣列故障診斷模型進(jìn)行自適應(yīng)權(quán)重尋優(yōu)，避免陷入局部最優(yōu)，最終提升了神經(jīng)網(wǎng)絡(luò)的泛化能力與收斂速度，使光伏組件故障診斷的精確度得到進(jìn)一步提升。

神經(jīng)網(wǎng)絡(luò)對(duì)于光伏組件故障特征參數(shù)的要求較高，數(shù)據(jù)在能夠反映故障特性的前提下進(jìn)行大量訓(xùn)練是提高光伏組件故障診斷精確度的唯一方式。文獻(xiàn)[48]基于深度挖掘技術(shù)，結(jié)合天氣參數(shù)等氣象信息，利用多方數(shù)據(jù)間的相關(guān)性確定了光伏組件故障特征參數(shù)，特征參數(shù)經(jīng)過(guò)訓(xùn)練后，提高了光伏組件故障診斷的精確度，且故障影響條件也考慮的較為全面，此故障診斷方法是今后光伏組件級(jí)故障診斷技術(shù)發(fā)展的方向。

文獻(xiàn)[49]利用輸入?yún)?shù)為太陽(yáng)輻照度和光伏組件工作溫度的神經(jīng)網(wǎng)絡(luò)對(duì)變工況下的光伏組件電流、電壓的輸入、輸出值進(jìn)行預(yù)測(cè)，并與光伏組件實(shí)際的電流、電壓進(jìn)行比較后，得出平均絕對(duì)誤差MAE的值，利用誤差率設(shè)定誤差范圍，以此來(lái)判斷光伏組件是否存在故障。

文獻(xiàn)[50]依據(jù)環(huán)境溫度、相對(duì)濕度等氣象條件，利用物理混合神經(jīng)網(wǎng)絡(luò)，首先對(duì)光伏組件的輸出功率進(jìn)行在線預(yù)測(cè)，將得到的光伏組件輸出功率預(yù)測(cè)值與光伏組件的實(shí)際輸出功率進(jìn)行對(duì)比，并確定一級(jí)警告閾值；再與其鄰近光伏組件的輸出功率實(shí)際值進(jìn)行對(duì)比，確定二級(jí)警告閾值；最后根據(jù)不同級(jí)別的警告閥值實(shí)現(xiàn)對(duì)光伏組件故障程度的判定。但該方法對(duì)于具體的光伏組件故障類型還無(wú)法進(jìn)行識(shí)別。

基于神經(jīng)網(wǎng)絡(luò)算法的光伏組件故障診斷方法的主要實(shí)施思路分為網(wǎng)絡(luò)的訓(xùn)練與實(shí)測(cè)這2個(gè)部分。此方法的關(guān)鍵點(diǎn)是需要大量的數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行不斷地訓(xùn)練，才能得到某一特定場(chǎng)合下的診斷網(wǎng)絡(luò)，因此，神經(jīng)網(wǎng)絡(luò)對(duì)光伏組件故障診斷結(jié)果的準(zhǔn)確度對(duì)數(shù)據(jù)的數(shù)量級(jí)有一定的依賴性，數(shù)量級(jí)越大，神經(jīng)網(wǎng)絡(luò)的適用性越強(qiáng)，因此數(shù)據(jù)的長(zhǎng)期收集對(duì)于神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確度至關(guān)重要[51-52]。其次，神經(jīng)網(wǎng)絡(luò)算法的適用性較弱，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)需要依據(jù)時(shí)間、地點(diǎn)、季節(jié)和環(huán)境溫度等環(huán)境條件隨時(shí)做出修改才能保證神經(jīng)網(wǎng)絡(luò)與實(shí)際環(huán)境條件的一致性，進(jìn)而提高神經(jīng)網(wǎng)絡(luò)判斷的準(zhǔn)確度。隨著大量光伏電站的建設(shè)，各種環(huán)境條件下皆產(chǎn)生了大量數(shù)據(jù)，這為基于神經(jīng)網(wǎng)絡(luò)算法的光伏組件故障診斷方法的廣泛應(yīng)用提供了數(shù)據(jù)支撐[53-54]。

6 光伏組件故障診斷方法的展望

6.1 光伏組件故障診斷方法小結(jié)

對(duì)本文提到的5類光伏組件故障診斷方法進(jìn)行總結(jié)，不同故障診斷方法的優(yōu)、缺點(diǎn)如表1所示。

在綜合分析光伏組件安裝條件、環(huán)境影響、故障診斷方法的特點(diǎn)及檢測(cè)成本等情況后，針對(duì)不同光伏發(fā)電項(xiàng)目的情況，可依據(jù)不同光伏組件故障診斷方法的優(yōu)、缺點(diǎn)進(jìn)行選取。

表1 不同光伏組件故障診斷方法的優(yōu)、缺點(diǎn)Table 1 Advantages and disadvantages of different PV modules fault diagnosis methods

1)基于電路結(jié)構(gòu)的光伏組件故障診斷方法的檢測(cè)結(jié)果較為準(zhǔn)確，但其精確度的提升是以提高投資成本為代價(jià)，因此是否使用基于電路結(jié)構(gòu)的光伏組件故障診斷方法，需要依據(jù)光伏陣列的電路結(jié)構(gòu)所需傳感器的數(shù)量進(jìn)行判斷。

2)基于I-V輸出特性曲線的光伏組件故障診斷方法對(duì)于數(shù)據(jù)的獲取較為方便，但數(shù)據(jù)獲取的前提是光伏組件數(shù)據(jù)來(lái)源的定位，尤其是針對(duì)大型光伏電站，光伏組件級(jí)的故障診斷目前尚無(wú)法實(shí)現(xiàn)，但隨著交直流載波技術(shù)的逐漸成熟，該方法的優(yōu)勢(shì)也將逐漸顯現(xiàn)。

3)基于數(shù)學(xué)模型的光伏組件故障診斷方法和基于智能算法的光伏組件故障診斷方法對(duì)于環(huán)境的依賴性較強(qiáng)，尤其是基于智能算法的光伏組件故障診斷方法，對(duì)于特定環(huán)境數(shù)據(jù)的數(shù)據(jù)量的要求較高，其依賴性更強(qiáng)。但隨著大數(shù)據(jù)、人工智能技術(shù)的不斷升級(jí)，基于智能算法的光伏組件故障診斷方法在有特定需要時(shí)可以依據(jù)環(huán)境隨時(shí)做出調(diào)整。

4)針對(duì)大型光伏電站，各類光伏組件故障診斷方法的診斷級(jí)別中，除了基于紅外圖像檢測(cè)的光伏組件故障診斷方法以外，其他光伏組件故障診斷方法的故障診斷級(jí)別僅能達(dá)到光伏組串級(jí)。但隨著技術(shù)的不斷提高，各類光伏組件故障診斷方法的識(shí)別精度也將逐漸提高。

6.2 展望

依據(jù)未來(lái)智能光伏電站的建設(shè)要求，實(shí)現(xiàn)“無(wú)人值守，少人值班”的可能性需要建立在算法智能化、設(shè)備智能化、人工智能化、傳輸智能化等方面的基礎(chǔ)上，隨著智能化技術(shù)的不斷進(jìn)步，光伏組件故障診斷方法也需要不斷升級(jí)，這不僅是對(duì)光伏組件故障診斷領(lǐng)域的研究提出了更高要求，更是對(duì)整個(gè)光伏運(yùn)維行業(yè)提出了更高要求?；谏鲜鰩追N光伏組件故障診斷方法診斷特點(diǎn)的分析，對(duì)光伏組件故障診斷技術(shù)的發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)。

未來(lái)，基于電路結(jié)構(gòu)的光伏組件故障診斷方法的發(fā)展趨勢(shì)為：一方面，要找到采用傳感器數(shù)量最小的光伏陣列電路結(jié)構(gòu)；另一方面，需要與智能算法相結(jié)合，從增加傳感器檢測(cè)的物理層面與數(shù)據(jù)分析及診斷的理論層面這2個(gè)方向進(jìn)行故障光伏組件的定位和診斷，此類診斷方法是未來(lái)智能光伏電站建設(shè)的決策性因素[14,55]。

對(duì)算法的自學(xué)習(xí)、自適應(yīng)性提出一定要求，使算法能夠在任何智能光伏電站評(píng)價(jià)中準(zhǔn)確發(fā)揮出其作用是智能算法的一大研究趨勢(shì)。為了提高光伏電站的運(yùn)維效率并降低運(yùn)維工作量，實(shí)現(xiàn)精細(xì)化運(yùn)維管理，故障診斷級(jí)別達(dá)到光伏組件級(jí)也是未來(lái)光伏組件故障診斷技術(shù)發(fā)展的熱門方向。

7 結(jié)論

本文對(duì)基于電路結(jié)構(gòu)的光伏組件故障診斷方法、基于I-V輸出特性曲線的光伏組件故障診斷方法、基于紅外圖象檢測(cè)的光伏組件故障診斷方法、基于數(shù)學(xué)模型的光伏組件故障診斷方法和基于智能算法的光伏組件故障診斷方法進(jìn)行了全面介紹和分析比較，并對(duì)光伏組件故障診斷技術(shù)未來(lái)的發(fā)展趨勢(shì)進(jìn)行了展望。光伏組件故障診斷方法的選擇需要在綜合分析光伏組件安裝條件、環(huán)境影響、故障診斷方式特點(diǎn)及檢測(cè)成本等情況后，針對(duì)不同光伏電站的情況，依據(jù)不同光伏組件故障診斷方法的優(yōu)、缺點(diǎn)進(jìn)行選取。隨著未來(lái)光伏電站智能化技術(shù)的不斷進(jìn)步，光伏組件故障診斷方法也將不斷升級(jí)。