光伏设备的故障智能诊断模型设计

2022-11-17路岩

电子产品可靠性与环境试验 2022年5期

路岩

（中国大唐集团科学技术研究总院有限公司，北京 100040）

0 引言

随着“碳中和”的理念在电力行业的贯彻落实，光伏发电作为清洁环保的能源形式越来越受到重视。光伏设备的使用寿命有限，并且存在明显的衰退趋势。针对光伏设备故障及其对电网负荷的冲击问题，光伏设备的故障诊断研究愈发重要。通过构建完整的光伏设备故障模型，进而设计光伏设备全生命周期管理体系，可以实现对光伏设备的健康管理，保障光伏发电系统的安全稳定运行。

随着光伏发电越来越受到重视，光伏设备故障诊断成为学者的研究热点。刘开石等[1]采用人工蜂群算法（ABC）对支持向量机（SVM:Support Vector Machine）的故障诊断模型优化，得到了较好的预测效果。陶彩霞等[2]利用深度信念网络算法，针对光伏阵列的短路、开路、局部阴影和异常老化几种常见的故障类型，建立诊断模块。YI Zhehan等[3]借助模糊推理系统（FIS）建立了光伏系统的故障诊断方法，但其中模糊判断的部分依赖个人经验，受主观因素的影响较大。宋文海等[4]将概率神经网络与光伏阵列的故障诊断相结合，通过Bayes决策方法对当前的故障模式进行识别判断，同样识别了短路、开路、局部阴影和异常老化4种故障情况。余玲珍等[5]利用改进的蝙蝠算法与核极限学习机结合，使用混沌映射和高斯扰动策略的蝙蝠算法优化核极限学习机的正则化系数C和核函数参数γ，构建的故障诊断模型，并用于光伏阵列的故障诊断，获得了良好的效果。任晓琳等[6]同样采用蝙蝠算法，引入Levy飞行策略，引入指数递减的惯性权重并应用于速度更新公式中。王超等[7]采用结合注意力机制的PSO-GRU方法，预测光伏电站的短期功率，证明了PSO-Attention-GRU模型具有更好的预测性能。邓宇豪等[8]为解决传统光伏预测方法中难以解决的云层移动造成干扰的问题，提出了反馈修正算法，以误差时间序列的相关性匹配搜索估计误差的移动，在实际的实验中取得了良好的效果。另外，对太阳辐照的准确预测能够提高光伏功率预测的准确性。过奕任等[9]采用网络集成的方法，对太阳全辐照进行超短期预测，根据太阳全辐射在不同天气情况下的变化特性，构建混合模型的子模型，采用网上公开数据库的数据测试方法，获得了良好的效果。张景景[10]建立了BP神经网络，对其进行训练，进而实现了太阳辐照度的预测。

1 故障智能诊断模型设计

1.1 总体设计

考虑光伏设备常见的故障有4种，即短路、开路、局部阴影和异常老化。系统需要采集的参数包括两个方面:一方面是气象信息参数，主要包括与光伏功率强相关的气息因素，具体包括辐照度、温度等；另一方面是设备信息参数，包括最大功率点电压（Um）、最大功率点电流（Im）、开路电压（Uoc）和短路电流（Isc）。

上述两个方面的参数分别对应光伏设备故障诊断的间接诊断和直接诊断。间接诊断通过分析当前气象信息，预测当前应用的光伏功率，再与实际的输出功率比较，判断光伏设备的状态；直接诊断通过分析当前光伏设备的电流电压参数，判断其是否在合理阈值内。两种诊断方式相互配合，形成光伏设备的故障智能化诊断模型。基于上述基础及光伏设备的使用过程，通过数据积累，光伏输出的预测和设备状态的判断将更加准确，可以形成光伏设备的全生命周期管理系统。

故障智能诊断模型设计的总体流程图如图1所示。

图1 总体流程

1.2 功能模块设计

a）气象信息采集模块

与光伏输出功率有关的气息因素包括辐照度、温度、湿度、露点和风速等[11]。太阳总辐照度包括太阳直接辐照度和太阳散射辐照度，分别使用直射辐照度检测表和散射辐照表检测。

其他气象参数（如温度、湿度、露点和风速），分别由温度检测表、湿度检测表、露点传感器和风速仪测量。采用主成分分析法，将上述气象因素进行整合，结合形成若干主成分，将存在相关性的气象数据变量转化为一组线性无关的变量组，实现数据的降维。

b）退化趋势数据分析模块

基于光伏电站的长期运行数据，分析光伏输出功率的相关参数。对上述气象因素与光伏输出功率进行分析，采用SVM算法，建立气象信息与光伏输出功率之间的关系。结合主成分分析和SVM方法进行光伏功率预测，如图2所示。

图2 基于主成分分析与SVM的光伏功率预测模型

由光伏信息数据库中关于各种气象信息的数据进行主成分分析，降维为若干主成分变量。利用处理后的数据，进行SVM模型的训练，获得光伏输出功率的预测模型。在光伏预测的实践中，获得实时气象信息后，即可得到t/min后的光伏功率的预测值。当实际测量t/min后的光伏功率后，即可得到二者的偏差。在结合光伏设备的使用年限等情况后，当偏差超过阈值后（通常是发电量连续大幅度地低于发电量预测值），说明光伏设备可能出现了过度退化的情况。如图3所示。

图3 退化趋势分析模型

c）设备状态采集模块

与光伏设备实时状态相关的参数主要由电气参数和温度参数组成。在光伏阵列中布局电流电压采集器，通过采集关键点的光伏电池板的电流、电压，可用于开路故障和短路故障的诊断[4]。

d）设备状态分析模块

考虑短路、开路和局部阴影3种故障。其中，短路和开路故障的故障特征明显，可以通过电流电压的传感器数据分析而知；局部阴影故障不易通过简单的电流电压关系识别，可以借助SVM算法予以诊断。

2 故障诊断算法设计

2.1 退化趋势数据分析算法设计

退化趋势数据分析算法主要用于识别异常老化的故障，如前文所述，采用SVM方法构建退化趋势数据分析模型。SVM模型利用非线性映射的方法，将输入映射到高维度的特征空间φ（x），实现非线性向线性的映射。如以Xl至Xi构成完整的数据空间X。

式（1）中:xi——不同类型的数据，与yi对应。

于是，可以将SVM最优超平面求解问题转化为最小值求解问题。

s.t.

式（2）-（3）中:c——惩罚因子；

β——松弛变量。

在SVM模型的计算过程中，可使用核函数代替φ（x）的计算，核函数类型可采用多项式、Sigmoid函数和径向基核函数等[12]。以常见的径向基核函数为例，可表示为:

式（4）中:K——核函数；

σ——核函数宽度。

则优化决策函数可表示为:

按输入输出关系训练，可以得到输出变量关于各种输入变量的模型。

2.2 设备状态分析算法设计

光伏组件通常采用串并联结合的方式，将若干组件首先并联为组，然后将组与组串联。当某一个组发生短路故障时，该组内光伏组件无法正常工作，可以通过开路电压进行简单的诊断，输出电压减小，短路电流不变。当某一个组发生开路故障时，与正常情况相比，伏安曲线会出现失真，由此可进行故障诊断。

针对局部阴影故障，难以以简单的电流电压关系快速地识别。通过建立最大功率点电压（Um）、最大功率点电流（Im）、开路电压（Uoc）和短路电流（Isc）与故障类型的关系，训练输入输出关系间的SVM的模型，对故障状况归类，实现对局部阴影的判断。SVM模型与退化趋势分析中使用的模型结构类似，此处不再赘述。

3 实例分析

以某光伏电站为例，验证光伏设备故障智能诊断模型。首先验证一组光伏组件出现短路故障的情况，通过设备状态分析，获取光伏设备的电流数据，通过对比当前数据与正常状态下的电压电流关系（如图4所示），尤其是开路电压和短路电流，可以识别短路故障的发生。

图4 短路电流故障数据分析

此外，验证光伏设备异常老化的故障情况。光伏输出功率模型已完成训练，输出1 min前的气象信息数据，计算得到光伏功率的预测值。报警主要针对光伏输出功率的异常减小，因此报警偏差报警，或同一天内累计报警100次，则认为当天的发电情况退化。如果在连续的30天中有15天被判定为发电情况退化，则可能出现了异常老化的情况。

某典型日的光伏输出功率的实测值和预测值曲线如图5所示。横坐标是当天的时间，纵坐标是归一化后的光伏功率。图中4条曲线分别表示光伏输出功率实测值、预测值、二者差值和允许误差。差值由实测值减去预测值得到，因而差值为负时表示光伏设备存在异常衰退的风险。设置允许误差为0.03，即图中纵坐标值为-0.03的直线以下的部分表示偏差超出允许范围。然后依前文所述，对连续多日的比较结果进行判断，得到总体的异常衰退判断结果。