1.1.2 光伏组件故障诊断方法

近年来，对光伏发电技术的研究已经从最高效率的竞争转移到提高系统性能可靠性方面。随着光伏产业的快速增长，光伏技术的可靠性引起了研究人员、制造商和投资者的密切关注。虽然光伏技术长期以来一直被认为在现场条件下非常可靠，具有较低的衰减率，但是某些故障的出现可能会引发灾难性的后果。正常情况下光伏组件的使用寿命为20～25年，然而，在光伏系统运行多年期间，其暴露在户外恶劣的环境条件下可能导致不同类型的故障持续发生 ^[7] 。光伏组件作为光伏发电系统中的核心部件，其可靠性是影响整个系统性能的关键。光伏组件中常见的故障有阴影、热斑、电势诱导衰减（Potential Induced Degradation，PID）、二极管失效、隐裂、虚焊等，其中热斑的故障率为25%，比重最高且最为严重 ^[8-10] 。这些故障的发生可能会降低组件的使用寿命，加快组件的老化过程，从而降低组件的输出效率，更严重者甚至会引发一系列安全问题，如火灾、漏电等 ^[11] 。通过增加光伏组件使用寿命来降低成本是推动光伏产业进一步发展的关键因素。通过连续、可靠和可跟踪的光伏电站监测，可以提高光伏系统的可靠性和服务性能，从而增加光伏系统的使用寿命。这反过来又将直接影响投资成本、LCOE和光伏总体竞争力 ^[12] 。从这个意义上讲，通过准确量化性能损失和识别故障来保障系统可靠性和良好的性能是确保并网光伏系统运行品质的关键。在线的光伏组件故障诊断技术能够及时发出故障告警，这将使运维人员能够及时采取纠正措施，以防止光伏系统长时间运行不佳，从而最大限度地减少故障造成的功率损失，有利于提高光伏系统的性能，增加系统的经济收益。

故障诊断是指对光伏系统中的故障进行检测和分类的过程。原则上，现有的故障诊断方法通常由两部分组成：检测部分，检测光伏系统的异常运行；分类部分，将检测到的故障分类为各种故障类别或致因。故障检测技术是运用不同诊断方法来识别并网光伏系统的故障，而故障分类技术则是用不同的故障分类方法来区分光伏系统内发生的故障的具体类型。分类（决策）阶段是故障诊断常规流程中最重要的步骤，因为它可以快速量化各种故障机制背后的因素。因此，通过通知运维人员最可能的故障源，允许他们及时采取纠正措施，可以最大限度地减少故障造成的发电损失。一般来说，目前的光伏系统故障诊断方法可以分为以下几类：基于视觉检测、基于成像技术、基于数据分析、基于监控系统。

当前，最流行的故障检测方法是基于成像技术 ^[13-16] 。这些成像技术包括红外热成像（Infrared imaging，IR）、紫外荧光成像（Ultraviolet fluorescence，UL）、光致发光成像（Photoluminescence，PL）和电致发光成像（Electroluminescence，EL），能够检查现有光伏电站中存在的问题，并通过图像分析准确检测各类故障。视觉检测也是一种普遍采用的方法，例如通过视觉检测来评估光伏阵列的故障，以观察光伏系统中的可见故障。尽管这些技术可以识别几乎所有已知的光伏系统故障，但该过程非常耗时，并且需要额外的价格较昂贵的专用设备。另一方面，基于可获得性能数据分析的方法可以提供实时检测，在实际中具有优化运维、节省时间的优势。随着当前人工智能领域的进步和统计数据分析技术的快速发展，关键器件的故障检测和分类引起了广泛关注 ^[17,18] 。光伏行业中当前自动识别和分类故障的基本方法是为每个被监控参数定义阈值水平，其中测量值与期望值和定义阈值的比较可以提供关于故障状况的信息 ^[19-21] 。这些阈值可以是静态的（即预设置的）或动态的（即有来自测量值的反馈）。这种基于阈值比较的方法的优点是在各种光伏系统中均可适用，且实现简单，而缺点则是需要建立准确的模型进而设定合理的阈值。目前许多已开发的检测算法主要针对检测单个传感器的数值变化，而不是对多个传感器的测量结果进行综合运用 ^[22] ，在复杂运行环境下这势必会产生一定的误判。其他方法如使用机器学习技术（如神经网络、模糊逻辑和专家系统）从可用数据中提取信息，也可以确定故障的相关情况 ^[23-29] 。

1.1.2.1 基于视觉检测

视觉检测法通常需要人工上站，如目视检查光伏阵列中存在的故障，以便观察光伏组件的颜色变化和可见缺陷 ^[30] 。视觉检测是众多检测方法中最简单、最快和最实用的方法之一，常用于检测可见缺陷和故障，如分层、变色（变黄和变褐）、弯曲、烧痕、玻璃破裂、破损和电池碎裂 ^[31,32] 。图1-2所示为通过视觉评估可检测到的两个可见缺陷（破损和变色）的例子。视觉检测也用于识别灰尘、污垢、树叶、鸟粪和阴影等故障 ^[33] 。然而，功率下降（如PID）和其他故障（如热斑）的外在表现通常是肉眼不可见的（或视觉摄像机和其他用于视觉检查的传感器），只能借助更复杂的工具来检测。

1.1.2.2 基于成像技术

图像分析（即从图像中提取信息）被广泛应用于故障诊断，因为它是光伏组件故障定性表征的强大工具 ^[34] 。图像处理技术可以以较高精度指示故障的准确位置，但这种技术依赖于适当的设备来获得所研究的光伏阵列的发光和热成像图像 ^[35] 。为了检测光伏组件的热行为，可以使用红外相机进行热成像检测。热成像是通过检测光伏组件或阵列的温差，并将它们显示在红外图像中，以便进一步识别组件上缺陷和故障的准确位置。热成像技术可用于识别光伏组件的开路、旁路二极管问题、内部短路、分层、局部阴影、隐裂、电池损坏和热斑 ^[36,37] 。图1-3所示为红外相机拍摄的热斑组件的红外图像，通过显著的温度差异可以准确识别组件中的热斑故障。

而发光技术（光致发光、电致发光和紫外荧光）需要使用外部电源，且需要在特殊环境下离线进行，通过适当的相机测量光子的辐射复合，以便检测光伏组件中的缺陷和故障。发光成像技术可以有效地诊断出电池裂纹、分流、开路、电池破损及PID的存在和位置 ^[14] 。图1-4所示为热斑组件和PID组件的EL图像。在EL图像中，健康电池单元显示为亮或灰色，而故障电池单元显示为暗或黑色。

尽管这些成像技术可以定性地诊断出上述故障，但一个显著的缺点是它们不能直接提供任何由于故障造成的定量损失水平的指标。

1.1.2.3 基于数据分析

由于实时检测和最优化实际运维的优点，基于数据分析的光伏系统故障诊断方法变得越来越普遍。因为基于数据分析的故障诊断方法仅需要依据在系统、阵列、组串和组件级别获得的实际光伏运行数据（如电压和电流）进行诊断 ^[25] 。这些数据分析方法支持实时监控，并可在出现故障时触发警报。原则上，对光伏系统的实测参数和模拟期望参数（通过电流-电压曲线、模拟参数和非参数模型以及机器学习算法获得）进行比较分析，进而产生关于系统健康状态和运行的有用信息。基于数据分析的方法已经得到应用并取得了良好的效果，这些方法能够识别多类故障，包括逆变器断开、最大功率点跟踪（Maximum Power Point Tracking，MPPT）故障、失配故障（部分阴影）、开路和短路故障、线间故障、老化和旁路二极管故障 ^[20,21,38] 。典型的基于数据分析的故障诊断系统结构包括传感器网络、数据采集系统和数据分析算法 ^[38] 。传感器网络由现场安装的传感设备组成，用于获取天气和光伏系统运行中的测量值。数据采集系统是采集和存储测量值的必要硬件和通信网络装置。数据分析算法用以评估系统性能并识别光伏系统中的故障。一般而言，基于数据分析的光伏系统故障诊断方法可以分为基于电特征分析、数值方法（机器学习）和统计分析的方法。

1.基于电特征分析

基于电特征参数分析的方法，需要直接测量系统的电气参数、辐照度和气象信息，还需要使用I-V特性曲线数据等。光伏组件有价值的运行信息可以直接从采集的I-V曲线中获得，因为它可以提供光伏组件、组串或阵列的大多数工作点。I-V曲线（用适当的设备跟踪）揭示了光伏最为显著的特征，并可为故障诊断提供详细信息 ^[39] 。由光伏系统中的传感器可以获取光伏组件、组串或阵列的运行参数，如电压、电流、功率等。通过这些电特征参数的变化可快速判断系统中组件或组串是否发生故障，而故障诊断的精度与传感器的数量成正相关，为检测出系统中光伏组件可能存在的故障，最理想的情况就是在每块光伏组件上放置传感器，但是大量的传感器会增加系统成本 ^[40] 。为此，相关研究采用一种优化的传感器放置策略来对小型光伏阵列进行故障诊断 ^[41,42] ，将研究矩阵的方法用于光伏阵列的故障诊断，其中阵列中的每块光伏组件可以看作是矩阵的每个节点元素，将每串中相邻光伏组件的连线等效为权值边，根据光伏阵列中电压、电流的相互关系，得出电压传感器覆盖所有权值节点即为最优的电压传感器放置策略，图1-5所示为一个3×3光伏阵列的最优传感器放置方法示意图。该方法可以在一定程度上减少阵列中传感器的数量，利用各电压、电流传感器之间的数值关系可以诊断出光伏组件的局部阴影、开路和短路等故障。

除上述优化的传感器放置策略外，对地电容检测法（Earth Capacitance Mea-surement，ECM）也可用于检测光伏组串中的故障，其原理图如图1-6所示，一般用于诊断传输线路中的断点，通过测量接地电容的大小来判断光伏组串中是否出现短路、开路、连接错误等故障，简单方便，但是不能实现在线测量 ^[43,44] 。

此外，时域反射法（Time Domain Reflectometry，TDR）利用反馈信号来检测光伏阵列是否有故障存在，从一个端口输入一个电信号，再从该端口接收到反馈的信号，对两者进行比较判断是否存在故障 ^[45,46] ，通常可用于检测线间故障、开路、短路等故障，原理如图1-7所示。该方法需要昂贵的设备，且需要离线测试，具有一定的局限性。

基于电路模型的方法通过建立精准的光伏组件模型与实际运行中的组件的参数进行对比，可以有效诊断出光伏组件中的局部阴影、老化等故障 ^[47,48] 。图1-8所示为基于电路模型的故障检测方法示意图，该方法通过将监测数据与建模预测的结果进行比较来计算功率损失，然后对损失指标进行处理以产生故障信号，利用电压、电流、功率损失等信息进一步通过特征计算确定光伏组件发生的故障类型 ^[49] 。该方法中的预测模型需要基于电路的光伏组件仿真（如单二极管和双二极管模型）或其他经验模型来估算发电量 ^[50] 。因此，需要使用可用的辐照度测量值、气象数据和制造商铭牌数据表中的其他信息来确定模型参数（通常通过参数提取方法）。虽然基于电路模型的方法计算效率高，但是故障诊断的结果依赖于模型的精度，且模型参数的识别较为困难。

2.数值方法（机器学习）

近年来，基于机器学习技术的方法在故障检测领域变得越来越流行，如人工神经网络、卡尔曼滤波器、支持向量机、决策树、模糊逻辑和专家系统等基于机器学习技术的检测工具已经逐渐被应用于识别光伏系统中的故障 ^[51-53] 。基于机器学习技术的方法可以从给定的光伏数据集中自动提取知识，并且由于其对预期发电量的准确估计，可以有效地识别光伏系统中的故障。然而，机器学习技术需要大量的训练数据和长期的训练过程。此外，为了对正常或故障条件做出决定，需要包含光伏系统健康和故障运行条件的先验数据（电流、电压、辐照度、环境和运行温度）。由于实际光伏系统中各种故障具有不可预测性、故障类型多样和故障表现特性受环境因素影响而不易诊断等特点，因此，对光伏组件进行在线故障诊断具有一定的难度。神经网络可以将光伏组件故障状态和故障原因之间的对应关系保存在神经网络结构、连接权值和阈值中，因此将实际测量得到的数据输入训练好的神经网络中，就可以判断组件是否发生故障及故障的类型，从而实现光伏组件在线故障诊断 ^[54] 。图1-9所示为一种用于光伏组件故障诊断的BP（Back Propagation，反向传播）神经网络的基本结构，将光伏组件的最大功率点电压 U _m 、组件最大功率点电流 I _m 、组件短路电流 I _SC 和组件的开路电压 U _OC 作为该神经网络的4个输入，若干个输出用于识别组件的状态，运用神经网络一般可以识别组件的短路、异常老化、阴影遮挡等故障。

决策树是故障分类技术中较常用的一种技术，其基本算法是通过自上而下的递归生成一棵决策树，生成的决策树可以分为内部节点和叶节点两类，内部节点是属性的集合，叶节点是最终的分类结果，图1-10所示为决策树的基本结构。在故障诊断过程中，决策树自上而下逐步通过内部节点对属性值进行比较，确定下一步的走向，最后到达的叶节点即为分类的故障诊断结果 ^[55] 。因此，从决策树的根节点到不同的叶节点，分别对应着一条分类规则，即整棵决策树是一组分类规则的集合。由于决策树有自动从提供的属性集合中选择合适属性的能力，因此其也被应用于光伏组件的故障诊断，利用从采集的数据集合中提取出故障诊断规则，能够有效对光伏组件的不同故障类型进行分类。

3.统计分析

基于统计分析的故障检测的方法已应用于光伏系统的故障诊断中，并主要用于系统的直流侧故障的精确检测来监控光伏电站的性能 ^[56-58] 。统计分析方法最常见的实现方式是为每个监控参数定义阈值，并将测量值与阈值限值（下限和上限）进行比较，以便对正常或故障情况做出决策，图1-11所示为基于统计分析的故障诊断方法示意图。根据大量不同故障类型的光伏组件的数据，采用回归、拟合等统计方法可以提取出不同类型故障对应的故障特征，再进一步以故障特征值作为故障指示值，能够有效地诊断并识别光伏系统中不同类型的光伏组件故障 ^[59,60] 。

1.1.2.4 基于监控系统

监控系统对于保持光伏电站高水平的发电性能、减少停机时间和确保快速故障检测至关重要 ^[61,62] 。监控系统能够评估光伏电站的运行并评估其是否按照预期运行以及发生故障时立即采取纠正措施。监控系统用于故障检测的关键是对太阳辐照度、环境（气象）条件和光伏系统的电气运行数据进行高质量的同步测量。这是通过在现场安装辐照度传感器和气象站来测量平面内或全局水平辐照度、环境空气温度来实现的。

使用监控系统的优势包括记录光伏系统的运行参数（电流、电压、功率、温度等）和快速检测异常操作行为。此外，由于大多数光伏电站覆盖大面积区域，使用人工现场访问方法（视觉检查和图像技术）检查每个阵列的性能既困难又耗时。光伏电站规模越大，就越需要一个系统来监控其性能并突出性能损失影响。气象站、逆变器、汇流箱和变压器的数据由数据记录器收集，并通过以太网、CAT5/6、RS-485或RS-232电缆传递到监控站 ^[63-65] 。这些监控数据可用于光伏系统故障的早期检测，对于建立在偏远地区和山区的光伏电站，建立一个远程的监控系统对于保障光伏电站的正常运行和维护至关重要。因为监控系统的成本比较高，所以基于监控系统的方法只适合应用在大型光伏电站中，并不适合应用在小型的光伏系统中。对于光伏电站来说，使用基于监控系统的方法的优点是可以较全面地记录电站的运行状态，实时地对电站设备运行状态进行监测，快速地对故障做出反应和报警，缺点是无法诊断系统内部故障。

1.1.2.5 诊断方法总结

综合以上几种故障诊断方法，可以得出视觉诊断最为简单，但是需要耗费大量的时间，这对于故障的快速诊断性要求显然不满足，而且肉眼可检查到的故障类型有限。数据分析方法用于监测光伏电站故障都有其自身的优缺点和局限性。基于图像技术的方法一般需要昂贵的设备支撑，对于户用或小型分布式系统难以应用。数据分析故障诊断技术对于检测诸如逆变器、组串和组件缺陷、局部阴影和MPPT等故障是有效的。其中部分技术方法依据I-V跟踪器来在线识别光伏系统的故障。然而，I-V测量需要额外的硬件配套设备，大部分逆变器目前暂不提供这些信息。基于数值分析的方法是识别光伏系统中诸如局部阴影、电池短路、旁路二极管和逆变器等故障的有效解决方案，可以提供预期功率的准确估计，检测响应快，分类精度高。但可能需要复杂的执行算法、大量的训练数据、长期的训练过程和大容量的数字处理器。另外难以获得能够覆盖所有可能的故障场景的训练数据集，也是一个无法忽视的应用限制。相比而言，用于故障检测的统计分析方法易于实现，并且不需要任何训练过程。这类方法对于识别线间、开路、局部阴影和老化故障是行之有效的。然而，这类方法不能从光伏阵列中识别个体故障组件，其故障诊断的定位精度稍显薄弱。基于监控系统的方法能够利用较全面的测量值反映光伏系统的运行状况，然而这种方法只适用于大型光伏系统，所需成本较高。

因此，最具成本效益的优化故障诊断解决方案还是取决于现场，并取决于光伏电站的架构（配置、安装的监控系统、可用设备、可用数据的质量等），不可一概而论。各种故障诊断方法的优缺点对比见表1-1。另外，我们对文献中涉及的基于数据分析的故障诊断方法进行分类统计，如图1-12所示，其中55%的数据分析方法基于电特征分析（I-V曲线、信号分析、功率损失和电路模型），31%基于数值方法（机器学习），14%基于统计分析方法。故障诊断的方法众多，因此需要进一步确定适合不同光伏系统的最有效和最合适的故障诊断解决方案，并在相同条件下对不同故障诊断方法的性能进行基准测试。

如上所述方法，根据测量设备、数据质量和用于故障诊断的技术，每种方案都会产生不同的结果（检测能力），分类精度也各不相同。从现有应用的结果来看，很明显，基于数据分析的方法是最有前景的诊断工具，因为它们可以使用可用设备在故障发生时准确检测故障，并随后确定特定故障发生的概率。随着光伏产业的快速发展及大量光伏电站的投入使用，对于故障诊断的要求也会越来越高，在传统的诊断技术不断完善的同时，会不断出现新的诊断方法，未来可能会呈现出多种诊断技术融合的光伏系统故障综合诊断解决方案。