光伏发电系统故障检测与定位方法

2022-03-10 13:00进,王
内蒙古科技与经济 2022年1期
关键词:残差组件电流

马 进,王 闯

(中广核新能源辽宁分公司,辽宁 沈阳 110000)

光伏发电在全球范围内正在大幅增长,原因是具有足够的支持技术,并能带来良好的经济和环境效益,光伏发电目前是最有希望的可持续能源。随着能源需求的增长,光伏发电装置越来越受到重视,大规模光伏发电系统由大量的太阳能组件相互连接。一个组件的故障最终会影响整个系统的性能。大型光伏电站需要采取主动监测的方式来检测早期故障,以便在重大破坏发生之前进行适当的补救。

目前大型光伏电站中,监测系统大多内置逆变器,以防止电网侧出现异常,并监测光伏系统运行状态。但是,很难检测到组串级中的故障。在大多数情况下,逆变器级的过电流保护装置无法检测到直流侧的故障,由于过电流装置所检测到的电流数值较低。即使在逆变器级检测到故障,也很难在光伏系统中确定故障位置。通常线路故障是由阵列中两点之间的意外短路造成的,主要是由于进水、动物咀嚼、机械损坏或直流接线盒腐蚀等原因。存在于单个组串或两个组串之间的故障,即线路故障,线路故障可分为串内或串间故障。笔者主要研究串内线路故障,串内线路故障如果长时间不被发现,这些故障会扩大并损坏光伏系统组件。因此,通过监控光伏系统的故障,提供早期故障预警对维持正常运行至关重要,有利于提高光伏发电系统的发电量。光伏监测级别包括逆变器级、阵列级和组串级别。组串级监测每个组串的实时工作状态。在组串中的发电量减少时可能是诊断为故障,但这需要很长的停机处理时间,可能会阻碍故障检测响应的及时性和有效性。快速故障检测方法是监测瞬时组串电流。特殊气象条件下的瞬时光伏串电流监测信息,很难确定组串是否正常工作。因此,有必要比较每个组串,找出哪一个组串出现异常。测量异常值的偏差可用于识别故障组串。

现阶段组串故障诊断测方法主要有两种:一种是基于过程历史数据的方法;另一种是基于模型的方法。这个基于过程历史数据的方法使用的经验模型来自对可用数据的分析,这些数据依赖于计算和机器人工神经网络(ANN)、贝叶斯等学习方法神经网络与模糊逻辑。但是,基于过程历史方法需要相关数据集的可用性支持,用于监控光伏系统。另一方面,基于模型的方法比较测量值和信号分析计算后输出警报信息。目前有几种基于模型的故障诊断方法应用于光伏系统中的检测。统计信号处理方法主要基于波形信号;例如,时域反射计,扩频TDR和接地电容测量,用于检测和定位有故障的光伏组件。基于I-V特性的检测比较了实际与预期阵列I-V特性的电参数,利用参考和阵列的差异进行功耗分析识别故障模块和组串。这些方法都无法识别故障的类型和位置。在故障诊断中采用模块级监测,在每个光伏组件上安装无线自供电的传感器,并比较测量值和估计值基于MPPT算法的最大串功率。基于模块的多用途传感器配备电压、电流、辐照度、温度和连续监测,用于通过分析其估计值来检测光伏阵列中的故障以及实际效率。尽管通过比较估计参数和测量参数检测故障可能是有效的,这些故障检测方法可能会受到各种限制,如无法及时发现和定位故障,缺乏自动化的故障诊断方法,需要大量传感器,因此成本高昂。所以,计划引入一种采用两段式故障检测的优化电压传感器,此算法仍然需要在光伏电池串,但在大规模阵列中很难应用。许多大型光伏系统通常将串电缆组合在一起,并通过背面的电缆穿过模块安装电缆管道,这样容易发生线路故障,如图1所示。此外,光伏系统缺乏保护可能会导致火灾发生,如图2所示。

图1 光伏组件后面的布线场景显示了捆绑在一起的一组电缆

图2 由于故障导致的直流接线盒故障

笔者提出了一种对组内线路故障的自动检测与定位系统的方法。故障检测的基础是产生故障指示信号,称为“残差”,通过组串电流测量值计算。该方法通过建立一个分析模型来预测线路故障发生的精确位置,该模型以故障电流水平、辐照度和光伏组件参数之间的函数关系为基础,将故障位置建模。文中还对所提出的方法进行了扩展,使之适用于任意串数和任意组串的阵列,详细的演示如何使用相同的故障位置预测模型来预测任意大小阵列的故障位置。特别是,建立了某一光伏阵列拓扑结构的故障定位预测模型,笔者提出了基于阵列尺寸的直接比例乘法器,允许对任意阵列尺寸使用相同的故障定位预测模型的方法。

1 光伏系统说明

1.1 典型光伏系统配置

典型的光伏系统包括光伏阵列、汇流箱、逆变器和其他系统组成,如图3所示。阵列由串联和并联的光伏组件组成,以获得所需的电压、电流和功率。在小型光伏系统中,组串通常直接连接到逆变器。相反,在大型光伏系统中,串接器通过汇流箱与逆变器相连。图3所示的光伏阵列示意图包括并联的N串,每个串包括串联的m个组件。每个组串产生的电压是m×V,其中V是每个组件上的电压,在阵列上产生的电流是n×I,其中I是通过每个组串的电流。由于阵列的结构,组串中的每个组件流过相同的电流,并且阵列中的每个组串有相同的电压。对于给定的阵列,总输出功率(Pout)可以计算为(m×V)×(n×I)。本文假设存在组串级电流监测。组串电流测量值表示为Li,i∈[1,n),其中下标“i”表示第i串测量值。这个阵列电流和电压分别表示为Iα和Vα。

图3 光伏系统的典型配置

1.2 光伏阵列保护要求

图3中的OCPD和GFPD表示过流保护装置以及接地故障保护装置。OCPD已连接为了保护阵列不受过电流故障的影响,GFPD用于防止接地故障。连接这些保护装置的目的是保护光伏系统中的电缆和电气设备。特别是大型光伏电站中的OCPD一般都与逆变器或汇流箱相连,数百根串接在一起。有大量组串联接到一个OCPD,特殊情况下的小故障电流,有一些相对较小的不匹配的组串内线路故障可能仍然未被检测到。因此,在大型光伏系统中,很难识别和定位线路故障。

光伏系统还包括旁路二极管和阻塞二极管。旁路二极管用于光伏组件保护,防止反向电流从良好组件流向故障光伏组件。阻塞二极管的用途与旁路二极管不同,它是管防止从正常组串到故障组串的反馈电流。然而,旁路二极管和阻塞二极管不能替代故障电流保护。在故障期间,反向电流可能被阻塞二极管完全切断,这可能导致OCPD失去适当中断故障的能力。

1.3 光伏阵列中的线路故障

线路故障是任意的,可以发生在任意两点之间在光伏阵列中。根据单串或多串故障,线路故障分为串内故障(如图3中的故障F1、F2和F3)或串间故障(如图3中的故障F4)。与故障串相关的电流和电压相对于无故障串的偏移量可用于检测故障发生并确定位置。然而,故障串的电流主要取决于模块失配(位置失配)的数量、模块电压和故障阻抗。根据“位置不匹配”原理,故障位置定义为旁路模块的数量。例如,图3中标记的故障F1、F2和F3分别对应于25%、50%和75%的位置不匹配(假设一个字符串中有4个模块)。

笔者的目的是检测和定位光伏阵列中的串内线路故障(如F1、F2和F3)。本文不考虑串间故障(F4),但该方法可以扩展到串间故障的检测。串内线路故障可使串内电流降至不足以使任何保护装置跳闸的水平。因此,提出的系统方法必须首先检测出串内线路故障的发生。其次,识别出有故障的组串。最后,在发生故障的组串中找到位置。在这种方法中,所需的信息是串电流(Ii)和太阳辐射(G)。

2 提出的故障检测和定位

本节总结了建议的故障检测和定位方法。所提出的总体方法,如图4所示。

提出的光伏阵列故障诊断策略分两个阶段实现。在第1阶段,检测到故障,然后在第2阶段精确定位故障。

图4 提出的故障检测和定位程序流程

2.1 故障检测

故障检测的目的是识别光伏阵列运行中的异常。检测故障发生的方法是生成残差的故障指示信号。由串电流控制测量预先确定的阈值。为了建立基于残差的故障检测方法,我们将第i串的串电流测量值表示为Ii,阵列电流表示为Iα。因此,Iα可以写成:

(1)

提出的故障检测程序以下步骤:

步骤1:计算串电流的平均值:

(2)

步骤2:计算每个组串的剩余值

对于每个组串,剩余电流可以计算为:

(3)

步骤3:基于残差估计的故障检测

|γi|>εTh→组串中存在ith故障

(4)

εTh=sup‖γi‖2在没有故障的情况下。

|∀i∈[1,n]|

(5)

图5 基于残差产生的故障检测系统概述

图6 4×4的电流与故障定位特性实例在组串1的不同位置出现错误的数组

故障检测方法的通用框图如图5所示。对于每个组串,残差γi故障信号通过公式(1)-(5)得出。例如,图6表示4×4阵列在串1的各个模块位置(Li)、i∈[1,4]处伴随串内故障的串电流。对于每个故障位置(Li),串1的相应电流幅值(Li)正在变化。故障位置的增加导致(Li)值的减小,从而提高了残差信号的灵敏度。如图6所示,仅在串1中可以看到电流大小的变化,而其余串电流保持不变,这表明串内故障仅影响对应串的电流输出。每个故障位置代表绕过一个光伏组件,导致该组件的电压损失。由于故障串与其他非故障串并联,因此串1中模块的电压将增加,以保持所有串的电压相同。还可以观察到,串1中的电流大小表示负值,这是由于从正常串流向故障串以保持每个字符串的电压相等的反馈电流造成的。

图6中显示了不同故障位置的串1中的大量电流变化,而串2、3、4中的电流仍然不受影响。

2.2 故障定位

如果,γi>εTh,i∈[1,n]那么我们的下一个目标是估计第i个组串中故障发生的可能位置。预计故障位置、辐照度、串中模块数量、阵列中串的数量和温度共同控制通过故障串的故障电流(Li)水平。因此,可以肯定地说,用于估计组串内故障位置的表达式可以用以下函数形式表示:

(6)

(7)

我们的目标是得到一个回归函数f(G,Ii),这样一旦发生故障,就可以估计出串内故障的精确位置。对于函数f(G,Ii)的推导,G的范围取400W/m2到1 000W/m2。为了得到等式(7)的回归函数,通过使用在MATLAB中开发的仿真模型进行的一系列仿真,获得了Li-G-Ii之间的三维数据集。在MATLAB中实现了4×4、6×3、15×4等多种阵列结构。图7示出了为15×4配置获得的数据集。通过对各种故障位置(介于1和15之间)和太阳辐照度(介于400W/m2和1 000W/m2之间,以100W/m2为步幅)组合以及相应的串(故障)电流水平进行模拟扫描,获得数据集。

为了根据式(7)获得(Li),使用MATLAB的多项式曲面拟合函数将数据集拟合到回归模型中,以获得以下形式的回归表达式:

(8)

使用模拟生成的数据集,我们估计参数(C1到C9)的值。选择3次拟合来估计多项式的系数,该多项式在最小二乘意义上拟合一组数据。对于与图7对应的15×4阵列配置,发现3次拟合是最合适的。

图7 显示串电流与故障位置和15×4阵列的辐照度水平

3 结论

光伏系统故障检测与定位算法是基于残差生成和回归系数提取的。结果成功地证明了所提出的成功检测和定位串内线路故障的方法,也适用于在大型太阳能发电场中。这个方法使用残差的异常值检测门槛。阈值边界之外的任何异常值都表示一个故障。一旦检测到故障,故障定位算法就可以预估出组串中的故障位置。故障定位算法使用仅需要辐照度的基于回归的表达式弦电流的大小。理论模拟对研究进行了验证,证明了本方法的可行性。此外,故障定位方法已对任何大小的数组进行了泛化和验证。通过分析发现,组串级监控可以显著提高光伏电站直流侧的发现故障的能力。现有的保护装置主要是为了保护逆变器和直流侧火灾用,补充现有保护设备光伏故障的检测和定位,最终有利于光伏组件的寿命。

猜你喜欢
残差组件电流
无人机智能巡检在光伏电站组件诊断中的应用
基于双向GRU与残差拟合的车辆跟驰建模
电流“勤劳”的体现
神奇的电流
基于残差学习的自适应无人机目标跟踪算法
新型碎边剪刀盘组件
U盾外壳组件注塑模具设计
电与电流
基于递归残差网络的图像超分辨率重建
桥梁组件搭配分析