基于决策树的光伏组件故障诊断方法研究

徐立娟， 吴春华， 王元章， 李智华

(上海市电站自动化技术重点实验室， 上海大学自动化系， 上海 200072)

基于决策树的光伏组件故障诊断方法研究

徐立娟， 吴春华， 王元章， 李智华

(上海市电站自动化技术重点实验室， 上海大学自动化系， 上海 200072)

分析了光伏组件在局部阴影或异常老化状态下的输出特性，提出了一种基于决策树算法的光伏组件在线诊断局部阴影或异常老化的判断方法。同时分析了在这两种状态下填充因子FF、斜率因子K和输出电流比Im/Isc的变化规律，结合光伏组件的四个输出参数(最大功率点电压Um和电流Im、开路电压Uoc和短路电流Is)一起作为属性集合，用于提供给决策树生成算法自由选择合适的属性生成故障诊断决策树。实际应用中，只要获得需要的属性数据即可通过生成的决策树诊断出光伏组件的工作状态。实验结果证明了该方法的可行性和有效性。

光伏组件; 故障诊断; 决策树; 局部阴影; 异常老化

1 引言

光伏组件的输出随光照强度和环境温度的变化而变化，其输出呈现非线性特性，如果组件本身存在故障，其输出特性会变得更加复杂，所以很难直接从其输出数据中观察和总结获取故障的一般规律。而一些智能算法可以根据需要自动从数据集中形成相关规则，近年来，这些智能检测算法逐渐应用到了光伏系统故障诊断领域[1-7]，如神经网络法、模糊控制法、多传感器检测法、红外图像分析法和时域反射法等。

上述方法虽然能够有效的检测组件故障，但是这些方法通常需要额外设备的辅助，如神经网络法和模糊控制法都需要光照仪和温度计，其他的非智能检测方法也都需要各种各样的设备予以支持，这在一定程度上会增加光伏发电的成本。因此，本文提出了一种不需要额外辅助设备的智能检测方法，即基于决策树的光伏组件在线故障诊断方法，通过采集组件在正常、异常老化和局部阴影时的最大功率点电压(Um)、最大功率点电流(Im)、开路电压(Uoc)和短路电流(Isc)，经过数据处理，利用CART算法实现了光伏组件故障诊断。

2 故障成因及其输出规律总结

光伏组件通常安装在屋顶、荒野和沙漠等恶劣环境中，多种原因会导致组件产生一些故障，影响其正常运行。其中，异常老化和局部阴影是较常见的两种故障状态。

当光伏组件存在异常老化或局部阴影时，其输出功率一般会大幅下降。模拟组件在800W/m2和25℃环境条件下，正常、局部阴影、异常老化、小面积局部阴影和异常老化同时发生这四种情况的I-U曲线如图1所示。小面积局部阴影为1块电池遮挡20%的情况，局部阴影为1块电池遮挡50%的情况，异常老化为串联1Ω电阻的情况。

图1 不同工作状态下I-U曲线图Fig.1 I-U curves under different states generators

由图1可以发现，组件在局部阴影和异常老化时，最大功率点电压和电流值都较正常状态时大幅下降。 当组件存在局部阴影或异常老化故障时，Um和Im的下降幅度相差不大。本文只针对单块电池遮挡50%以上的局部阴影情况及串联1～4Ω电阻模拟异常老化进行研究。在相同环境条件下，局部阴影时组件的输出通常都小于异常老化时组件的输出。

3 决策树算法

3.1 决策树原理

决策树是故障分类技术中较常用的一种技术[8,9]，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子节点两类，内部节点是属性的集合，叶子节点是最终的分类结果。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，最后到达的叶子节点即为分类的故障诊断结果。因此，从决策树的根节点到不同的叶子节点，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。

决策树的建立一般有四个步骤：①数据采集，通常是从实验中采集所需的数据；②数据预处理，通常包括数据检验，创建新属性和属性选择；③随机选择90%经过预处理的数据作为决策树进行学习的数据集；④将余下10%的数据作为测试已经生成的决策树的数据集。当测试决策树完成，就能进行光伏组件的在线故障诊断。

3.2 数据采集

为了采集训练决策树所需的数据，实时采集和记录相关数据，建立了如图2所示的实验平台。实验所用的光伏组件型号为HQ190M-190W，其参数如表1所示。

图2 实验平台Fig.2 Experimental platform

参数数值最大功率点电压Um/V36.67最大功率点电流Im/A5.18开路电压Uoc/V45.32短路电流Isc/A5.53额定功率P/W190电流温度系数ui/(%/℃)[0.09,0.11]电压温度系数uv/(%/℃)[-0.39,-0.37]

采集在不同环境条件下光伏组件在3种工作状态，即正常、局部阴影和异常老化下的输出数据，包括开路电压(Uoc)、短路电流(Isc)、最大功率点电压(Um)和电流(Im)。局部阴影为单块光伏电池遮挡50%，异常老化用串联1Ω电阻来模拟。共采集了774组数据，实验采集数据分布如表2所示。

表2 数据分布Tab.2 Data distribution

可以利用光伏组件的短路电流Isc值估算光照强度值，如式(1)所示：

(1)

3.3 数据预处理

虽然决策树能自动从采集的数据集合中提取出故障诊断规则，但是决策树也有局限性[10]，每个内部节点属性的选择只能考虑单个变量，依据这个变量的取值来形成下一个内部节点，所以很难发现基于多个变量组合的规则。因此必须优化提供给决策树进行选择的属性，使决策树能更有效地进行故障诊断。经过仿真和实验研究发现，除了提供光伏组件的输出Im、Um、Isc和Uoc，还需要提供填充因子FF、输出电流比Im/Isc和斜率因子K，而后3个变量是从前4个变量计算组合而来的。

图3为光伏组件等效电路模型，由此电路模型可得组件电流方程为：

(2)

式中，U为组件的输出电压；I为组件的输出电流；Iph为光生电流；I0为反向饱和电流；A为二极管理想因子；Rs为等效串联电阻；Rsh为等效并联电阻；q为电子电荷常数，其值为1.6×10-19C；T为绝对温度；k为玻尔兹曼常数，其值为1.38×10-23J/K。

图3 组件等效电路模型Fig.3 Equivalent circuit model of PV model

为了简化理论证明，并且考虑到流过二极管的电流I0的电流数量级比较小，通常在10-5左右，故简化式(2)为：

(3)

当组件短路时，有U=0，则式(3)可变为：

(4)

当组件开路时，有I=0，则式(3)可变为

Uoc=IphRsh

(5)

光生电流Iph为：

(6)

式中，SSTC为标准测试条件下的光照强度(1000W/m2)；ui为电流温度系数；T为组件的工作温度；TSTC为自标准测试条件下的工作温度(25℃)。

分析组件的异常老化和局部阴影两种故障工作状态，可以容易得到在外界相同光照强度下，组件有局部阴影时，其平均光照强度值Sc必然较组件在正常工作和异常状态下的光照强度值小，由式(6)可得局部阴影下Iph值相比正常和异常老化情况下的Iph值小。

填充因子FF是光伏组件品质(串联电阻和并联电阻)的量度[11]，如式(7)所示：

(7)

由图1可以发现，组件在异常老化和局部阴影下的输出相比组件在正常状态下的输出，只有Im和Um值的变化较大，其大幅度地减小，Isc和Uoc值较正常时未发生较大变化，由式(7)可知，FF值在故障状态下的值较正常情况下小，所以利用FF值可以很好地区分组件是否存在故障，不同故障状态下组件的FF值随光照强度变化如图4所示。

图4 不同工作状态下FF值随光照强度变化曲线Fig.4 Curves of FF under different states when irradiation changes

从图4中可以看出，组件在异常老化和局部阴影状态下的FF值区别并不大。在光照强度较低时，局部阴影时的FF值较异常老化时的FF值稍大，而在光照强度较高时，情况则相反。

为了更好地区分局部阴影和异常老化这两个状态，本文定义了斜率因子K和输出电流比Im/Isc两个属性。K为组件I-U曲线中最大功率点至开路电压点直线斜率的绝对值，其计算公式为：

(8)

由图1可发现，组件在异常老化和局部阴影时的最大功率点相差并不大，为了简化理论证明，本文假设在这两种故障状态下最大功率点相同，即Im和Um值相同。在局部阴影下，如前分析Iph值会较组件在异常老化时小，由式(5)可知，组件在局部阴影下的Uoc值会比在异常老化时的Uoc值小，于是由式(8)可知，组件在局部阴影下的K值会比在异常老化时的K值大。

组件在局部阴影和异常老化故障下的K值随光照强度变化的曲线如图5所示。可以看出，在同一光照强度下，组件在异常老化时其K值小于组件局部阴影时的K值。

图5 局部阴影和异常老化下K值随光照强度变化曲线Fig.5 Curves of K under partial shading and abnormal degradation when irradiation changes

光伏组件的输出随光照强度和环境温度的变化而变化，光照强度的变化对组件的影响更大。为了使决策树考虑到光照强度这一概念，又引入了组件输出电流比Im/Isc值，组件在不同工作状态下的Im/Isc值随光照强度变化的曲线如图6所示。

可以看出，组件在局部阴影时，Im/Isc值基本随光照强度的增加而增大；异常老化情况下，光照强度较高时，Im/Isc随光照强度的增加反而减小。

图6 不同工作状态下Im/Isc值随光照强度变化曲线Fig.6 Curves of Im/Isc under different states when irradiation changes

根据图4，假设组件在异常老化和局部阴影下的FF值相同；如前分析，组件在局部阴影下的Uoc值也会比在异常老化时的Uoc值小；同时本文假设在这两种故障状态下最大功率点相同，即Im和Um值相同，由此可得在相同光照强度下，组件在局部阴影时的Im/Isc值比在异常老化时的Im/Isc值大。

因此，共有7个属性供决策树生成算法进行选择，如表3所示。

表3 属性集合
Tab.3 New and old attributes

名称描述Im最大功率点电流Um最大功率点电压Isc短路电流Uoc开路电压FF填充因子K斜率因子Im/Isc输出电流比值

3.4 分类-回归算法

在生成决策树过程中，最重要的就是对内部节点属性的选择，决策树有自动从提供的属性集合中选择合适属性的能力，不同的决策树生成算法选择属性的方法不同。

分类-回归算法 (Classification And Regression Tree，CART)[12,13]采用二分递归分割的方法，生成的决策树都是二叉树，即决策树内部节点都只包含两个分支，其结构简单清晰，分类规则较少。为了选择最优的分裂属性，CART算法采用了Gini值作为选择最佳属性的标准。

首先做一些简单的假设[14]：当前节点中的属性集合为A={A1,A2,…,Am}，训练样本集合为S={s1,s2,…,sn}，类别集合为C={c1,c2,…,ck}。对于训练样本集合S，T为S的一个属性，它将S分裂成不相关的子集S1,S2,…,Sw。

在对当前属性进行划分时，Gini值为：

(9)

CART算法使用Gini值最小的属性来对当前内部节点进行划分。

3.5 决策树生成

限于实验条件，提供给决策树生成算法的数据样本例数较少，同时需要判断的组件工作状态较少，所以最终生成的决策树结构较简洁，如表4所示。生成的决策树能够有效地对测试样本进行分类，其正确率达到了98.32%。

表4 生成的决策树信息Tab.4 Information of DT model

图7为最终生成的决策树。从所生成的决策树中可以看出，利用CART算法为决策树生成属性只选择了所提供的7个属性中的3个，分别为FF、K和Um。

图7 生成的决策树Fig.7 DT model

4 实验验证

分布式MPPT系统[14]为每个光伏组件配备一个具有最大功率点跟踪等功能的功率优化器，该系统可以采集得到每个组件的输出电流和输出电压，将最后生成的决策树写入功率优化器中，利用决策树诊断出组件的工作状态，系统结构如图8所示。如果存在故障，系统就会上报至监控中心以便人员维护，大幅度降低了人工维护的成本以及避免了组件故障可能产生的严重后果。

图8 在线故障诊断系统示意图Fig.8 Schematic diagram of online fault diagnosis system

为了验证生成的决策树的有效性，分别在光照强度较高和光照强度较低时进行了实验。实验中局部阴影为遮挡半块电池以上的情况，异常老化为串联1～4Ω的情况。令光伏板分别工作在正常、局部阴影和异常老化三种情况下，对这三种情况进行多次实验，观察上位机显示的光伏板状态与实际光伏板的状态是否一致，若上位机显示的状态与实际的状态一致，则说明此时没有发生误判，反之，则说明此时判断失误。根据判断正确与否来计算实验的正确率。

在光照强度较高情况下，共测试了208组数据，利用短路电流Isc值估算得到光照强度范围为553～872W/m2，测试结果如表5所示。

表5 光照强度较高时的实验结果Tab.5 Experimental results at high irradiation

在光照强度较弱情况下，共测试了222组数据，利用短路电流Isc值估算得到光照强度范围为359～537W/m2，测试结果如表6所示。

表6 光照强度较低时的实验结果Tab.6 Experimental results at low irradiation

观察实验结果可以得出，在不同环境条件下生成的决策树都能有效地对光伏组件进行故障诊断，证明了所提方法的正确性和可行性。分析实验中诊断错误的数据，其原因有：①实验中输出电压和输出电流的测量是不同步的，如果在此期间光照强度发生了变化，会导致电压和电流数据的测量环境条件不一致，并且测量得到的数据并没有在预处理中被清除出去，最终导致决策树错误的诊断；②有几组实验数据不在决策树学习得到的规则集中，导致了错误的诊断。

5 结论

本文提出了一种基于决策树算法的光伏组件在线故障诊断方法，该方法对数据十分敏感，生成的决策树结构简单易懂，不仅能为功率优化器增加故障诊断的能力，同时也降低了人工维护的成本。

[1] Syafaruddin, E Karatepe, T Hiyama. Controlling of artificial neural network for fault diagnosis of photovoltaic array[A]. 16th International Conference on Intelligent System Application to Power Systems[C]. Crete, Greece, 2011. 1-6.

[2] Pietro Ducange, Michela Fazzolari, Beatrice Lazzerini, et al. An intelligent system for detecting faults in photovoltaic fields[A]. IEEE 11th International Conference on Intelligent Systems Design and Applications[C]. Cordoba, Spain, 2011. 1341-1346.

[3] A Chouder, S Silvestre. Automatic supervision and fault detection of PV systems based on power losses analysis[J]. Energy Conversion and Management, 2010, 51(10): 1929-1937．

[4] 胡义华, 陈昊, 徐瑞东, 等(Hu Yihua, Chen Hao, Xu Ruidong, et al.). 基于最优传感器配置的光伏阵列故障诊断(Photovoltaic (PV) array fault diagnosis strategy based on optimal sensor placement)[J]. 中国电机工程学报(Proceedings of the CSEE), 2011, 31(33): 19-30.

[5] Bei Nian, Zhizhong Fu, Li Wang. Automatic detection of defects in solar modules: Image processing in detecting[A]. International Conference on Wireless Communications Networking and Mobile Computing[C]. Chengdu, China, 2010. 1-4.

[6] Takumi Takashima, Junji Yamaguchi, Masayoshi Ishida. Fault detection by signal response in PV module strings[A]. 33rd IEEE Photovoltaic Specialists Conference [C]．San Diego，CA，USA, 2008. 1-5.

[7] Takumi Takashima, Junji Yamaguchi, Masayoshi Ishida. Disconnection detection using earth capacitance measurement in photovoltaic module string[J]. Progress in Photovoltaics, 2008, 16(8): 669-677.

[8] 张延松, 赵英凯(Zhang Yansong，Zhao Yingkai). 基于PCA和粗糙集构建决策树的变电站故障诊断(Fault diagnosis of substation by the constructed decision tree based on principal component analysis (PCA) and rough set)[J]. 电力系统保护与控制(Power System Protection and Control), 2010, 38(14): 104-109.

[9] Shuguang He, Zhen He, Gang A Wang. Online monitoring and fault identification of mean shifts in bivariate processes using decision tree learning techniques[J]. Journal of Intelligent Manufacturing, 2013, 24(1): 25-34.

[10] 李旭(Li Xu). 五种决策树算法的比较研究(A comparative study on five decision tree algorithms)[D]. 大连: 大连理工大学(Dalian: Dalian University of Technology), 2011.

[11] Wei Zhou, Hongxing Yang, Zhaohong Fang. A novel model for photovoltaic array performance prediction[J]. Applied Energy, 2007, 84(12): 1187-1198.

[12] 程晓兰(Cheng Xiaolan). 决策树分类算法及其应用(Decision tree algorithm and application)[D]. 大连: 大连交通大学(Dalian：Dalian Jiaotong University), 2007.

[13] 王斌(Wang Bin.). 决策树算法的研究及应用(Research on decision tree and its application)[D]. 上海: 东华大学(Shanghai: Dong Hua University), 2008.

[14] 黄建明, 吴春华, 徐坤, 等(Huang Jianming, Wu Chunhua, Xu Kun, et al.). 基于等效负载阻抗扰动的分布式MPPT方法研究(A distributed maximum power point tracking method based on the equivalent load impedance disturbance)[J]. 电力系统保护与控制(Power System Protection and Control), 2012, 40(24): 125-130.

Survey of fault diagnosis for PV modules based on decision tree

XU Li-juan, WU Chun-hua, WANG Yuan-zhang, LI Zhi-hua

(Shanghai Key Laboratory of Power Station Automation Technology, Department of Automation, Shanghai University, Shanghai 200072, China)

The output characteristics of PV modules when they are in abnormal degradation or partial shading are analyzed. A novel online fault diagnosis method for PV modules with abnormal degradation or partial shading based on decision tree (DT) is proposed. The change of fill factor (FF), the slope factor (K) and the ratio of output current (Im/Isc) under the two different faults are analyzed. The voltage of maximum power point (Um), the current of maximum power point (Im), open circuit voltage (Uoc), short circuit current (Isc),FF,KandIm/Iscare provided as the attribute collection which can be used by the DT algorithm. When the attribute data needed is acquired, the DT algorithm can determine the PV modules’ state. The experimental results show the feasibility and effectiveness of the proposed method.

PV module; fault diagnosis; decision tree (DT); partial shading; abnormal degradation

2016-05-31

国家自然科学基金项目(51677112)

徐立娟(1989-)， 女， 河北籍， 硕士研究生， 研究方向为光伏系统及故障诊断； 吴春华(1978-)， 男， 浙江籍， 副教授， 博士， 研究方向为光伏并网控制、 燃料电池电能变换控制、 风力发电电能变换控制。

TM46

A

1003-3076(2017)06-0083-06