基于三维动态建模的光伏发电机组故障诊断方法研究

摘 要：为提高光伏发电机组故障诊断的准确性与可靠性，保证光伏发电机组的正常运行和发电效率，利用三维动态建模开展了光伏发电机组故障诊断方法研究。首先，利用数据采集器采集发电机组的运行数据，获取其运行工况。其次，进行光伏发电机组三维动态建模，集成发电机组的动态特性。最后，基于模型仿真结果和实时运行数据，通过小波变换提取故障特征参数，确定故障所在位置与类型，输出故障诊断结果。试验结果表明，提出方法应用后，故障诊断结果极为接近预设的10kW故障输出功率值，充分验证了该方法对光伏发电机组复杂运行状态的深度模拟能力及对故障影响的精确诊断能力。

关键词：三维动态建模；光伏发电机组；故障；诊断；准确性；动态特性

中图分类号：TM 311" " 文献标志码：A

在实际运行中，光伏发电机组由于环境因素、设备老化、操作不当等多种原因，可能面临复杂多变的故障问题。因此，探索高效、精准的故障诊断方法对提高光伏发电机组的运行可靠性和维护效率具有重要意义。曹瑞峰等[1]通过精细调整SVM算法的核心参数与集成特征提取技术，实现了光伏发电机组故障模式的初步辨识，但该方法的响应时效性较差，难以满足光伏行业对故障监测与诊断高效性、全面性的高标准要求。龙寰等[2]提出从运行数据中提取特征参数，实现对故障的辨识与分类。然而，该方法在实际操作中面临以下问题。1）高度依赖数据的完整性与准确性。2）特征选取过程烦琐且技术要求高，无形中提高了误判与漏判的可能性，对光伏发电机组的长期稳定运行及发电效率的提升构成了潜在威胁。

三维动态建模技术通过构建光伏发电机组的三维模型，并结合实时运行数据，能够实现对光伏发电机组运行状态的动态模拟和可视化展示[3]。因此，本文引入先进的三维动态建模技术，开展了光伏发电机组故障诊断方法研究，为实现故障的快速定位与精准诊断做出贡献。

1 光伏发电机组运行数据采集

光伏发电机组运行数据采集是一个系统而详细的过程，旨在实时、准确地收集光伏系统的各项运行参数，为后续故障诊断提供数据支持。对采集到的数据进行分析，可以及时发现光伏发电机组中的故障或异常情况。例如，当发现某个光伏组件的发电量突然下降或者某个逆变器的输出电压异常时，可以迅速定位问题，并采取相应的措施进行处理，有助于避免故障扩大化，保障机组的稳定运行。

选用YZ-0524WL型号的数据采集器作为采集设备，其具有高精度、高稳定性。配置电压传感器、电流传感器、温度传感器等必要的传感器。分别在光伏发电机组的光伏组件、逆变器、电网接口等关键位置安装数据采集器和传感器，并调试设备，确保数据采集的准确性和稳定性[4]。其中，数据采集器通过内置的模数转换器（ADC）将传感器输出的模拟信号转换为数字信号，并进行初步的处理和存储，为后续的数据分析和故障诊断提供基础数据。

在整个监控系统中，数据采集器、传感器和上位机之间需要协同工作才能实现对光伏发电机组的有效监控和故障诊断。数据采集器负责数据的采集和初步处理；传感器负责将物理量转换为可测量的电信号；上位机则负责数据的接收、处理、显示和故障诊断等工作。三者之间通过紧密的配合和协作，共同保障光伏发电机组的稳定运行和高效发电。对采集参数进行设置，见表1。

按照表1所示的参数进行设置，检查各采集设备和传感器的运行状态，确保无异常后，启动数据采集程序，开始采集数据。在监控平台上实时查看各项运行参数，根据参数的动态变化，获取发电机组的实时运行工况[5]。

2 光伏发电机组三维动态建模

光伏发电机组运行数据采集完毕后，进行光伏发电机组三维动态建模，进而集成发电机组的动态特性。在三维动态建模中，光伏电池的输出电流是动态变化的参数之一。通过实时计算输出电流，可以模拟光伏电池在不同时间和环境条件下的工作状态，为模型的准确性和可靠性提供有力支持。而逆变器模型可以模拟逆变器在不同故障条件下的输出特性，从而帮助快速定位故障点并采取相应的处理措施，有助于提高光伏发电系统的可靠性和维护效率。

使用三维建模软件，根据设计图纸和技术规格书，建立光伏组件、逆变器、支架等关键部件的三维模型。首先，确定光伏发电机组的整体场景，包括光伏阵列的布局、逆变器的放置位置、电缆走向等[6]。

但是，光伏组件的特性受到多种复杂因素的影响，例如光伏电池的输出电流、光生电流等。光伏电池的数学模型基于物理原理构建，可以将这些影响因素以数学表达式的形式呈现出来。因此，通过光伏电池的数学模型来描述光伏组件的特性。光伏组件模型如公式（1）所示。

（1）

式中：I为光伏电池的输出电流；Iph为光生电流；I0为二极管的反向饱和电流；q为电子电荷量；V为光伏电池的输出电压；Rs为串联电阻；Rsh为并联电阻；n为二极管理想因子；K为玻尔兹曼常数；T为绝对温度。

通过上述表达式，描述光伏组件的特性。根据公式（1）计算的光伏电池的输出电流I，直接反映了光伏组件的发电能力，较大的输出电流通常意味在给定光照和温度条件下，光伏发电机组能够产生更多的电能。

由于光伏电池的输出电流需要通过逆变器转换为交流电才能接入电网或供负载使用，逆变器的性能直接影响整个光伏发电机组的发电效率和电能质量。因此，需要建立逆变器模型，逆变器的主电路工作方式是非线性的，且其电路结构相对复杂，给故障诊断带来了一定的挑战。通过建立逆变器模型，可以充分考虑其非线性和复杂性特点，设计更合理的故障诊断策略和方法，提高故障诊断的针对性和有效性。逆变器输出的交流电压随时间的变化表达式如公式（2）所示。

Iout（t）=Idc×sin（ϖt+φ） （2）

式中：Iout（t）为逆变器输出的交流电压随时间t的变化；Idc为逆变器的输入直流电压，是一个恒定值；ϖ为角频率，用于控制输出交流电的频率；φ为相位偏移，用于控制交流波形的相位。

公式（2）描述了光伏发电机组逆变器的输入输出电流的关系，明确光伏电池的最终输出电流。

结合光伏电池的输出电流，综合采集影响光伏组件的发电效率的太阳辐照度、温度、风速等环境参数[7]，将其导入MATLAB/SIMULINK软件中，获取光伏发电机组的三维动态模型，深入理解光伏系统的运行特性。构建的光伏发电机组的三维动态模型如图1所示。

3 光伏发电机组故障诊断

光伏发电机组三维动态建模完成后，基于模型仿真结果和实时运行数据，全方位、多维度地进行发电机组故障诊断。

首先，须深入回顾并分析光伏发电机组的历史运行数据，旨在从中挖掘潜在的异常模式或长期发展趋势。其次，系统地整理光伏发电机组常见的各类故障，包括其具体类型、引发原因以及外在表现形式，构建一个详细的故障知识库，为后续的诊断工作提供坚实的理论支撑与案例参考[8]。利用实时采集的数据与历史数据库中的信息相结合，并依托已建立的故障知识库，进行初步的故障类型预判。这一步骤的关键在于准确分析异常数据的独特特征与变化趋势，通过对比分析，缩小故障范围，并初步锁定可能的故障原因。为进一步验证并精确诊断故障，将引入三维动态模型进行深度仿真分析。此模型能够高度模拟光伏发电机组在故障条件下的实际运行状态，进而更直观地观察系统在不同故障情境下的响应。通过动态调整模型参数，并观察仿真结果的变化，进一步定位故障的具体位置。最后，为了从信号层面精准捕捉故障特征，对光伏发电机组的运行信号进行小波变换。

光伏发电机组的运行信号通常是非平稳的，即信号的统计特性随时间而变化。传统的傅里叶变换等信号处理方法在处理非平稳信号时存在局限性，而小波变换则能够更好地适应这种非平稳性。小波变换以其良好的时频局部化特性，能够有效地从复杂信号中提取与故障紧密相关的特征信息，为后续的故障识别及预测提供强有力的支持。这一过程不仅提升了故障诊断的精确度，也增强了整个光伏发电机组运维管理的智能化水平。

在实际应用中，光伏发电机组的运行信号往往包括噪声和干扰。小波变换具有去噪能力，通过计算小波变换系数并选择合适的阈值进行去噪处理，可以抑制噪声成分，增强信号中的有用信息，从而提高故障诊断的准确性。如公式（3）所示。

（3）

式中：x（t）为时域信号；W（a，b）为小波变换去噪函数；a为尺度参数；b为平移参数；ψ（t）为母小波函数。

利用光伏发电机组的相关时域信号（这些信号可能包括了电压、电流等反映机组运行状态的信息），同时也夹杂噪声。然后，确定适合的小波函数，并选择合适的尺度参数和平移参数进行小波变换。在这个过程中，尺度参数根据要分析的信号频率范围进行选择，大尺度用于捕捉低频信号部分（对应与光伏发电机组的稳定运行状态相关的信号），小尺度用于捕捉高频部分（包括噪声或者机组运行中的一些突变信息），平移参数确保小波函数能覆盖整个时域信号。

通过小波变换将原始信号分解为不同尺度下的小波系数后，分析这些系数的特性。由于噪声对应的小波系数与有用信号（反映光伏发电机组正常运行特征的信号）的小波系数具有不同的统计特性。在本文中，噪声的小波系数通常较小且分布无规律，而有用信号的小波系数在某些尺度下具有较大值且呈现一定规律。因此在小波变化后可以对小波系数进行筛选，去除那些被判定为代表噪声的小波系数，从而得到去噪后的光伏发电机组信号。

得到无噪声的光伏发电机组信号后，设计光伏发电机组故障诊断流程，如图2所示。

通过以上流程，可以对光伏发电机组进行全面的故障诊断和处理，有效地保证了光伏发电机组的稳定运行与高效发电。

4 试验分析

4.1 试验准备

为了验证基于三维动态建模的光伏发电机组故障诊断方法的有效性，选取一个包括多个光伏阵列的发电机组作为试验对象。这些光伏组件采用市场上常见的型号，即单晶硅或多晶硅光伏板，额定功率约为300Wp。每个光伏阵列呈矩形排列，组件之间保持适当的间距，以确保良好的通风和光照均匀性。阵列之间有一定的间隔，以减少相互遮挡。具体如图3所示。

整个光伏发电机组由9个光伏阵列模块组成，呈矩阵排列，每个阵列模块由3行3列（即3×3）的光伏组件构成。组件参数见表2。

每个阵列模块内，9个光伏组件通过串联连接成一条组件串，以提高输出电压；然后，3条组件串再并联接入汇流箱，以提高输出电流和总功率。设置电压和电流传感器，实时采集光伏阵列和逆变器的运行数据。使用CET-6602分布式发电本地监控站进行实时数据监控。

4.2 诊断结果分析

为了全面评估不同诊断方法的效能，将本文提出的基于三维动态建模的光伏发电机组故障诊断法设为试验组。同时，选取文献[1]中创新的基于改进支持向量机（SVM）的诊断方法作为对照组1，文献[2]中基于数据驱动的诊断方法作为对照组2。针对光伏发电机组中频发的组件开路故障，试验设定了一个具体案例，其中模拟的故障状态下光伏发电机组的输出功率显著偏离正常，设定为10kW的故障值。为深入剖析这一故障状态，将3种故障诊断方法逐一应用于该发电机组输出功率的详细诊断中，测量并对比各自得出的输出功率诊断值，确定发电机组的运行状态。通过将故障诊断值与预先设定的10kW故障值进行直接比对，能够科学量化地评估每种诊断方法的准确性、敏感度及可靠性。试验数据经整理后，直观展示于图4中。

由图4可知，本文引入的基于三维动态建模技术的光伏发电机组故障诊断方法所得诊断结果与预设的10kW故障值高度吻合，这一精准匹配不仅是对其深度模拟光伏系统复杂运行状态的直接证明，也凸显了其在捕捉并精确诊断故障影响方面的卓越能力。此结果不仅彰显了该方法在故障诊断领域的独特优势，也为其在提升光伏系统运维效率与可靠性方面的广泛应用奠定了坚实基础。

5 结语

在光伏发电机组故障诊断领域，基于三维动态建模的方法无疑为行业带来了革命性的突破。通过构建高度精细化的三维模型，并融入动态仿真技术，该方法能够模拟光伏发电机组在各种工况下的实际运行情况，从而实现对潜在故障的精准预测和高效诊断。这一方法的应用不仅提高了光伏发电机组的运维效率，还缩短了故障停机时间，提升了整体经济效益。期待该方法能够拓展到更广泛的能源领域，为构建更安全、更高效、更可持续的能源体系贡献力量。

参考文献

[1]曹瑞峰，刘子华，袁婷，等.基于改进SVM的新能源电站故障诊断方法[J].浙江电力，2023，42（11）：11-20.

[2]龙寰，杨婷，徐劭辉，等.基于数据驱动的风电机组状态监测与故障诊断技术综述[J].电力系统自动化，2023，47（23）：55-69.

[3]吴忠强，卢雪琴.基于深度迁移学习和LSTM网络的微电网故障诊断[J].计量学报，2023，44（4）：582-590.

[4]张利慧，李晓波，俎海东，等.风力发电机组滚动轴承故障振动诊断方法综述[J].内蒙古电力技术，2022，40（3）：7-12.

[5]俞小勇，秦丽文，桂海涛，等.新一代人工智能在配电网智能感知与故障诊断中的应用[J].南方电网技术，2022，16（5）：34-43.

[6]肖驰，张卫东，辛昂倍，等.基于智能监控系统的分布式光伏故障自动诊断研究[J].自动化与仪器仪表，2021（2）：248-251.

[7]李刚，齐莹，李银强，等.风力发电机组故障诊断与状态预测的研究进展[J].电力系统自动化，2021，45（4）：180-191.

[8]徐永干，冉恒，苟鑫，等.基于广义S变换和QPSO-SVM的水电机组振动故障诊断方法[J].智慧电力，2020，48（2）：38-44，84.