光伏阵列组件老化故障诊断与定位研究

国网枣庄供电公司 吴 丹 马运保 陈培阳

针对光伏组件的老化故障，本文深入研究了老化故障的产生机理，以及老化对输出功率和填充因子产生的影响，最终选取输出功率和填充因子的异常变化作为老化故障的判据。在交叉互联结构电压传感器布置方案的基础上，提出了利用加权支持向量机的光伏故障支路诊断方法和基于填充因子最大偏差的故障组件定位方法。保证发生异常老化故障后，能够实现故障支路的正确识别和故障组件的定位，所需要的训练样本数据较少，诊断精度较高。

1 老化故障分析

老化对组件填充因子的影响。太阳能电池的填充因子（符号FF），是评价太阳能电池品质好坏的一个重要参数[1]。填充因子定义为：

易知，FF值越大，太阳能电池效能越高，为了使太阳能电池效能达到最高，FF应尽可能接近于1，但指数函数的P-N结特性会阻止它达到1[2]。当光照强度S=1000W/m2，环境温度T=25℃时，由仿真可得组件填充因子随串联电阻变化t特性，填充因子随串联电阻增大而非线性减小[3]。

2 光伏阵列老化故障诊断与定位方法

2.1 SP结构光伏阵列电压传感器优化布置

本文给出一种故障辨识度为1的交叉互联结构的传感器配置方案，如图1所示。

图1 交叉互联结构的传感器配置方案

2.2 基于填充因子最大偏差的老化组件定位方法

为了得到不同光照强度和工作温度下组件的填充因子的值，还需要获取不同环境下的短路电流Isc和开路电压Voc。

当光照强度为Snew，参考光照强度为Sref，温度为Tnew，参考电池温度为Tref，环境温度为Tenvir时：

式中ΔT=Tnew-Tref，Tnew=Tenvir+K×Snew，ΔS=Snew/Sref-1，K为太阳光照强度变化时电池温度系数，a、b、c为常数，参考之前的研究推荐值为a=0.0025，b=0.5，c=0.00288。

将光照度传感器和温度传感器获得的数据代入公式（2）、（3），可以得到开路电压和短路电流，将Im、Vm、Isc、Voc代入公式（1）可以求得各模块的填充因子。

支路i的填充因子阵列：

支路i各模块填充因子方差为σi2。

m×n光伏阵列中各模块的填充因子矩阵：

光伏阵列非故障支路方差矩阵为：

阵列正常组件的基准值为fd：

δi为非故障支路i中所有模块填充因子之间的最大偏差值：

本文利用自适应加权融合算法来降低传感器误差及干扰信号的影响，根据每个支路各模块填充因子的方差大小给相应支路最大偏差值分配不同的权重。

设定m-1个非故障串联支路的填充因子矩阵的加权因子矩阵为：

约束条件：

总均方误差：

求解出式（12）的极值就是其最小值，基于σ2最小准则，按照多元函数极值求解方法，ωi的取值如下：

给m-1个最大偏差值赋予权重之后的值δm为光伏阵列正常组件FF值的标准最大偏差：

故障支路j的填充因子矩阵：

支路j各模块填充因子相对基准值的偏差：

故障支路j的任意三个相连光伏组件x、y、z，对应模块p、p+1填充因子FF（j,p）、FF（j,p+1）；相对基准值的偏差ΔFF（j,p）、ΔFF（j,p+1）。

组件故障定位判据中的K值是根据光伏老化对填充因子影响的大量数据得出的经验值。判据表1中的第4条，故障组件可能是y组件也可能是x和z两个组件。为了定位需要也考虑到现实可行性，我们在定位时遇到这种情况，将定位中的模块编号减1（即p=p-1）再进行组件故障定位。

表1 组件故障定位判据

3 故障诊断系统硬件设计与试验数据分析

本文搭建的光伏阵列老化故障诊断系统由6×4光伏阵列。

本试验一共涉及光伏阵列的3组工作状况，第一组试验中光伏阵列正常工作，第二组试验中光伏阵列第二、第三条支路中第1～2块组件受到阴影遮挡，第三组试验中将第三条支路的第5块组件用工作了6年的老化组件替换。选取相似度最高的10小时作为相似时（见表2）。并确定各个相似时中训练样本的初始权值s、t。

下车时九点了。跑步去省汽车站。还好，到龙岗的最后一班车还没走，像是在等我。买了票，直冲检票口，差点撞在检票员身上。上车先灌了一瓶矿泉水，然后闭上眼睛打盹。

表2 相似时数据

从历史数据中随机选取15天中午11:00时刻的数据作为测试样本，见表3。

表3 测试样本数据

用测试样本数据对训练后的支持向量机进行测试，由支路电流和光伏阵列电压数据，计算得到三组试验中各个支路输出功率见表4。

表4 三组试验中各支路输出功率

故障支路的诊断结果见表5，可以看出，第二组试验中的支路2、支路3以及第三组试验的支路3被诊断为故障支路。而第二组试验中，相邻的支路2，3同时判断为故障支路，此时需要结合阴影支路判定算法对第二组试验中模块的电压数据进行分析，以便进一步判断支路2和支路3是否存在阴影遮挡。

表5 三组试验中支持向量机诊断结果

从表6中数据可以看出，支路1、支路4中各模块电压近似相等，处于相同的工作状态下。而支路2与支路3中模块1电压与正常模块相比出现了较大的电压降落，可知第1、2块组件存在阴影遮挡。同时，由于组件2为模块1、模块2的公共测量区域，因此可以判断，第二组试验中支路2和支路3为阴影遮挡导致的“假故障”现象，故只有第三组试验中支路3为故障支路，下面对第三组试验中支路3中老化故障组件进行精确定位。

表6 第二组试验中各模块电压

计算得到试验条件下光伏组件开路电压Voc=36.7V，短路电流Isc=7.95A，则测量模块的开路电压为两块组件开路电压之和73.4V，测量模块的短路电流与组件短路电流相等。得到第三组试验中各个模块的填充因子见表7。

表7 第三组试验中各模块填充因子

表8 非故障支路各模块填充因子方差、权重因子及填充因子最大偏差值

由表中数据，得到光伏阵列中处于正常工作状态下光伏组件FF值的标准最大偏差δm=0.0146，将支路3中各个模块的FF值与标准最大偏差fd作差，得到ΔFF，将其与标准最大偏差δm比较，结果见表9。

表9 填充因子差值与标准最大偏差比较结果

由表9所示结果，根据组件故障定位判据得出结论：在模块3与模块4的测量范围内，即支路3中的第5块组件发生了老化故障，对照试验设定，验证了本文给出的老化故障诊断与定位方法的准确性。

表10为综合多次试验结果得到的诊断及定位模型平均正确率。故障支路诊断中随着训练样本数和测试样本数的增加，诊断正确率提高，诊断时间延长，当训练样本数和测试样本数增加两倍时，故障支路诊断正确率提高到将近85%，再增加样本数，则正确率增幅较少。阴影判据的诊断正确率在一定程度上也限制了故障支路诊断正确率的提高。

表10 故障诊断及定位正确率

4 结论

本文在交叉互联结构的传感器配置方案的基础上，提出了基于相似时筛选样本的加权支持向量机老化故障诊断方法和基于数据融合策略的填充因子最大偏差老化组件定位方法，联合阴影支路判定算法实现故障支路检测和老化组件定位。