光伏阵列故障诊断算法研究综述

2022-05-11张希康李泽滔

智能计算机与应用 2022年2期

张希康，李泽滔

（贵州大学电气工程学院，贵阳 550025）

0 引言

随着太阳能发展“十三五”规划的提出，太阳能光伏发电规模迅速增加，光伏阵列是由许多光伏电池通过串并联连接而成，是光伏发电系统核心部件之一。由于光伏阵列经常工作在屋顶、山地、以及各种室外环境，相比于光伏系统其他组件更容易发生故障，导致光伏发电系统不能正常运行。因此，对光伏阵列进行故障诊断是保证光伏发电系统正常运行的必要条件。

本文首先介绍了光伏阵列的常见故障类型并分析其形成原因；根据国内外学者的研究成果，综述了光伏阵列故障诊断的各种方法；最后，对目前诊断方法进行了总结，并对未来发展趋势进行了展望。

1 光伏阵列常见故障及其原因

光伏阵列作为光伏发电系统的重要组成部件，通常安装环境较为恶劣，容易出现组件老化、组件开路、组件短路、局部遮挡4 种典型的故障，各种典型故障的形成原因见表1。

表1 常见故障及形成原因Tab.1 Common faults and their causes

除典型故障外，光伏阵列中还包括电池板开路、电池板短路、旁路二极管失效、组件分层等故障。若光伏阵列持续处于故障状态，则会产生热斑效应，从而损坏光伏组件，导致光伏发电系统瘫痪，严重时可能导致火灾的发生，危及到生命财产安全。

2 光伏阵列故障传统诊断法

2.1 红外图像分析法

红外图像分析法的基本原理是根据光伏电池在正常和故障两种工作状态下温度的不同，通过红外成像仪来进行故障诊断。文献［5］提出了利用红外图像分析法在线实时提取热斑区域图像特征，并通过结合YCbCr 模型，分割图像亮度来缩小图像特征信息的体积，从而进行故障的检测，提高了故障诊断的实时性。

文献［6］提出了一种基于DM642 红外图像分析法，通过对红外成像仪获取的热像图在DM642 框架下进行去噪、校正处理，提高了光伏阵列故障诊断的准确率；文献［7］提出了基于红外图像分析法的光伏阵列故障自动检测与识别，通过模糊推理与信息融合的方式，实现对故障的精确识别。

针对红外图像分析法抗干扰能力较差的问题，文献［8］采用了一种阈值的二值化的技术来提取复杂背景下的特征信息；文献［9］提出了基于红外图像分析法的二维阈值化和模糊聚类相结合的方法，该方法能在红外图像背景对比度差、有较大噪声存在、以及非均匀成像等情况出现时，有效提取特征信息进行故障识别。

红外图像分析法优势在于能够实时检测故障，检测精度较高，但对热成像仪精度需求较高，安装成本较大，很难大面积推广使用，普适性较差，且抗干扰能力也较低。

2.2 传感器检测法

传感器检测法的基本原理是通过诸多传感器同时检测光伏阵列运行的数据，再根据检测到的数据与历史数据进行对比分析与运算，从而实现故障检测与识别。

针对传感器检测法需要大量传感器的问题，文献［11］提出了一种新的基于传感器检测法的光伏拓扑结构，该方法虽然减少了诊断过程中传感器的使用量和故障状态下的损失功率，但并未完全解决传感器过多的问题，不利于故障的检测。

为了降低环境因素对光伏阵列输出特性曲线的影响，提高诊断准确性，文献［12］提出了一种基于传感器检测法的决策树算法；文献［13］提出将传感器检测法与模糊逻辑分类器相结合的方式进行光伏阵列故障诊断，该方法诊断的准确率明显高于传统的传感器检测法。

传感器检测法的诊断原理简单，但测量过程较为复杂，容易出现测量值离散的问题，且在实际应用过程中需要大量传感器，很难实现故障的精准定位，常常需要与其他方法结合。

2.3 电路结构法

电路结构法中组件之间连接方式有很多种，通过不同连接方式与传感器组合能够实现故障诊断和定位。文献［15］提出了一种全连接（TCT）结构的诊断法，如图1 所示，通过将原有的TCT 结构转换为等效的先并联再串联的结构，降低了传感器的冗余量，有效降低了成本；文献［16］提出了一种新型复合全连接（CTCT）的电路结构改进法，如图2 所示，在满足输出功率不变的条件下，通过与传感器组合，监视光伏发电系统的运行状态，不仅能够有效检测光伏电池的热斑故障，还能够检测出出现遮荫故障的某个具体位置。

图1 TCT 结构图Fig.1 TCT structure diagram

图2 CTCT 连接图Fig.2 CTCT connection diagram

文献［17］提出了一种基于SC－CP（Sensor Crossed based on Series－Parallel）的电路结构改进法，当某个区域光伏电池出现故障时不会干扰其他区域光伏电池的正常运行，降低了光伏电站安装的难度，并提出在SC－CP 架构基础上，引入辐照度和光伏电池的背板温度，结合群体决策理论以及模糊诊断技术，增强了光伏系统的抗干扰能力。

文献［18］提出了一种新的传感器网络光伏阵列连接方式（SN－TCT）的电路结构改进法，通过利用Dempster／Shafer（DS）证据理论复合信息融合技术计算出各个相关阵列差值信息的概率分配函数以及似真度函数，从而能够快速识别光伏故障，提升了故障诊断的速度。

3 光伏阵列故障诊断智能算法

3.1 神经网络算法

神经网络算法是通过模拟人类大脑的一种工作模式而提出的一种智能优化算法，分为输入层、输出层、以及隐含层，其网络模型如图3 所示。模型在光伏发电系统中也常用于光伏阵列的故障诊断，与光伏阵列的传统诊断方法相比，神经网络算法自适应更强。

图3 神经网络模型Fig.3 Neural network model

文献［19］提出了使用神经网络诊断方法对光伏电池的热斑故障进行识别和定位；针对BP 神经网络算法容易陷入局部最优的情况，文献［20］提出了一种改进的BP 神经网络算法，通过优化神经网络模型中的连接初始权值与阈值，避免了陷入局部最优值的情况，保证了光伏电池故障诊断的全面性，提高了故障诊断的准确率；文献［21］提出了一种优化的径向基（RBF）神经网络算法，通过优化模型中的连接权值、网络中心以及函数宽度，显著提高了故障诊断的效率。

为解决传统神经网络在故障诊断时容易出现均方误差较大的问题，文献［22］提出了基于粒子群优化的小波神经网络算法，故障诊断正确率高达94%；文献［23］提出了一种基于概率神经网络的算法，该方法可以对光伏阵列故障识别精度高达到97.561%；文献［24］提出了一种基于长短期记忆神经网络算法，将不同故障模式下的光伏阵列特征值作为训练数据集，其故障诊断准确率比传统神经网络也有所提高。

面对训练数据集有限的情况，文献［25］提出了利用深度信念网络算法进行故障诊断，通过提取数据更深层次的架构特征信息来完善网络模型，从而提高了故障类型识别的准确率。

3.2 支持向量机算法

支持向量机（SVM）是一种经典的二元分类方法，通过寻找超平面的方式来求解二分类问题。SVM 优化问题的数学模型为式（1）

其约束条件可转化为式（2）：

其中，是一组列向量，是已知的样本数据；为真实结果值；为的系数；为常数，1，2，…，。

可将优化问题的模型等效为拉格朗日问题，式（3）：

其中，为拉格朗日乘子。

而感知机与SVM 最根本的区别在于其原理模型是定义在特征空间上的间隔最大的线性分类器，SVM 成为非线性分类器的本质在于直接利用核函数计算。

在诊断过程中，由于SVM 采用了结构风险最小化原则，因此只需要获取一些光照强度、温度、电流、电压等关键特征数据就能很好的进行故障的识别。为了获得更精确的SVM 模型，提高故障诊断准确率，也提出了许多优化后的SVM 算法，文献［27］提出了利用遗传算法来优化SVM 中的惩罚因子与核函数两者的系数；文献［28］提出了利用粒子群算法来优化SVM 中的惩罚因子与核函数两者系数，从而得到两者系数的最优值；文献［29］提出了一种新的基于高斯核函数的SVM 诊断法，解决了传统SVM 不能进行多元分类的问题。

3.3 模糊控制算法

模糊控制算法又称为专家系统，其基本思想是模仿人的模糊推理行为与决策过程，其模糊规则主要是专家的先验知识。当对某个系统的模型认识不够深入时，通常采用模糊智能算法。

文献［30］提出了基于模糊C 均值聚类（FCM）的方法进行光伏阵列故障诊断，采用聚类分析对不同故障类型的特征量进行分析，以获得一一对应的模糊关系，通过隶属度函数计算故障模型与故障特征量的隶属度来进行故障类型的识别， FCM 算法流程图如图4 所示。

图4 FCM 算法流程图Fig.4 Flow chart of FCM algorithm

该法的精确度较高，但模糊规则较难获得，且不能进行自主学习。为了便于大型光伏阵更好的进行扩展，利用了FCM 算法较好的聚类性能和模糊隶属（FM）算法良好的柔性分类能力，文献［31］提出了将FCM 与FM 相结合的算法。

文献［32］通过将3 倍标准差（3σ）准则和FCM算法相结合，将3σ 准则获取的故障因子经FCM 算法求解出故障因子的阈值来进行故障的识别，解决了复杂计算的问题；文献［33］提出了基于高斯核函数（GK）的FCM 算法，将故障特征相近的值通过GK变换，突出其差异性，解决了故障诊断过程中相似故障诊断难的问题。

3.4 其他智能算法

近几年，在光伏阵列故障诊断领域，除了以上所述算法之外，大量研究人员还提出了许多其他智能优化算法，例如，鲸鱼优化算法、萤火虫算法、灰狼优化算法、烟花算法、蜻蜓算法等。文献［34］提出了一种基于蜻蜓算法的自组织映射神经网络算法；文献［35］提出了一种优化的聚类算法（Density－Based Spatial Clustering of Applications with Noise，DBSCAN）；文献［36］提出了自适应神经网络模糊推理的算法；文献［37］提出的基于主元分析的有监督机器学习算法等。这些算法都各自有其优缺点，同时也表明智能算法在光伏阵列的故障诊断中扮演着重要的角色。