路巖

（中國大唐集團(tuán)科學(xué)技術(shù)研究總院有限公司，北京 100040）

0 引言

隨著“碳中和”的理念在電力行業(yè)的貫徹落實，光伏發(fā)電作為清潔環(huán)保的能源形式越來越受到重視。光伏設(shè)備的使用壽命有限，并且存在明顯的衰退趨勢。針對光伏設(shè)備故障及其對電網(wǎng)負(fù)荷的沖擊問題，光伏設(shè)備的故障診斷研究愈發(fā)重要。通過構(gòu)建完整的光伏設(shè)備故障模型，進(jìn)而設(shè)計光伏設(shè)備全生命周期管理體系，可以實現(xiàn)對光伏設(shè)備的健康管理，保障光伏發(fā)電系統(tǒng)的安全穩(wěn)定運行。

隨著光伏發(fā)電越來越受到重視，光伏設(shè)備故障診斷成為學(xué)者的研究熱點。劉開石等[1]采用人工蜂群算法（ABC）對支持向量機(jī)（SVM:Support Vector Machine）的故障診斷模型優(yōu)化，得到了較好的預(yù)測效果。陶彩霞等[2]利用深度信念網(wǎng)絡(luò)算法，針對光伏陣列的短路、開路、局部陰影和異常老化幾種常見的故障類型，建立診斷模塊。YI Zhehan等[3]借助模糊推理系統(tǒng)（FIS）建立了光伏系統(tǒng)的故障診斷方法，但其中模糊判斷的部分依賴個人經(jīng)驗，受主觀因素的影響較大。宋文海等[4]將概率神經(jīng)網(wǎng)絡(luò)與光伏陣列的故障診斷相結(jié)合，通過Bayes決策方法對當(dāng)前的故障模式進(jìn)行識別判斷，同樣識別了短路、開路、局部陰影和異常老化4種故障情況。余玲珍等[5]利用改進(jìn)的蝙蝠算法與核極限學(xué)習(xí)機(jī)結(jié)合，使用混沌映射和高斯擾動策略的蝙蝠算法優(yōu)化核極限學(xué)習(xí)機(jī)的正則化系數(shù)C和核函數(shù)參數(shù)γ，構(gòu)建的故障診斷模型，并用于光伏陣列的故障診斷，獲得了良好的效果。任曉琳等[6]同樣采用蝙蝠算法，引入Levy飛行策略，引入指數(shù)遞減的慣性權(quán)重并應(yīng)用于速度更新公式中。王超等[7]采用結(jié)合注意力機(jī)制的PSO-GRU方法，預(yù)測光伏電站的短期功率，證明了PSO-Attention-GRU模型具有更好的預(yù)測性能。鄧宇豪等[8]為解決傳統(tǒng)光伏預(yù)測方法中難以解決的云層移動造成干擾的問題，提出了反饋修正算法，以誤差時間序列的相關(guān)性匹配搜索估計誤差的移動，在實際的實驗中取得了良好的效果。另外，對太陽輻照的準(zhǔn)確預(yù)測能夠提高光伏功率預(yù)測的準(zhǔn)確性。過奕任等[9]采用網(wǎng)絡(luò)集成的方法，對太陽全輻照進(jìn)行超短期預(yù)測，根據(jù)太陽全輻射在不同天氣情況下的變化特性，構(gòu)建混合模型的子模型，采用網(wǎng)上公開數(shù)據(jù)庫的數(shù)據(jù)測試方法，獲得了良好的效果。張景景[10]建立了BP神經(jīng)網(wǎng)絡(luò)，對其進(jìn)行訓(xùn)練，進(jìn)而實現(xiàn)了太陽輻照度的預(yù)測。

1 故障智能診斷模型設(shè)計

1.1 總體設(shè)計

考慮光伏設(shè)備常見的故障有4種，即短路、開路、局部陰影和異常老化。系統(tǒng)需要采集的參數(shù)包括兩個方面:一方面是氣象信息參數(shù)，主要包括與光伏功率強相關(guān)的氣息因素，具體包括輻照度、溫度等；另一方面是設(shè)備信息參數(shù)，包括最大功率點電壓（Um）、最大功率點電流（Im）、開路電壓（Uoc）和短路電流（Isc）。

上述兩個方面的參數(shù)分別對應(yīng)光伏設(shè)備故障診斷的間接診斷和直接診斷。間接診斷通過分析當(dāng)前氣象信息，預(yù)測當(dāng)前應(yīng)用的光伏功率，再與實際的輸出功率比較，判斷光伏設(shè)備的狀態(tài)；直接診斷通過分析當(dāng)前光伏設(shè)備的電流電壓參數(shù)，判斷其是否在合理閾值內(nèi)。兩種診斷方式相互配合，形成光伏設(shè)備的故障智能化診斷模型?；谏鲜龌A(chǔ)及光伏設(shè)備的使用過程，通過數(shù)據(jù)積累，光伏輸出的預(yù)測和設(shè)備狀態(tài)的判斷將更加準(zhǔn)確，可以形成光伏設(shè)備的全生命周期管理系統(tǒng)。

故障智能診斷模型設(shè)計的總體流程圖如圖1所示。

圖1 總體流程

1.2 功能模塊設(shè)計

a）氣象信息采集模塊

與光伏輸出功率有關(guān)的氣息因素包括輻照度、溫度、濕度、露點和風(fēng)速等[11]。太陽總輻照度包括太陽直接輻照度和太陽散射輻照度，分別使用直射輻照度檢測表和散射輻照表檢測。

其他氣象參數(shù)（如溫度、濕度、露點和風(fēng)速），分別由溫度檢測表、濕度檢測表、露點傳感器和風(fēng)速儀測量。采用主成分分析法，將上述氣象因素進(jìn)行整合，結(jié)合形成若干主成分，將存在相關(guān)性的氣象數(shù)據(jù)變量轉(zhuǎn)化為一組線性無關(guān)的變量組，實現(xiàn)數(shù)據(jù)的降維。

b）退化趨勢數(shù)據(jù)分析模塊

基于光伏電站的長期運行數(shù)據(jù)，分析光伏輸出功率的相關(guān)參數(shù)。對上述氣象因素與光伏輸出功率進(jìn)行分析，采用SVM算法，建立氣象信息與光伏輸出功率之間的關(guān)系。結(jié)合主成分分析和SVM方法進(jìn)行光伏功率預(yù)測，如圖2所示。

圖2 基于主成分分析與SVM的光伏功率預(yù)測模型

由光伏信息數(shù)據(jù)庫中關(guān)于各種氣象信息的數(shù)據(jù)進(jìn)行主成分分析，降維為若干主成分變量。利用處理后的數(shù)據(jù)，進(jìn)行SVM模型的訓(xùn)練，獲得光伏輸出功率的預(yù)測模型。在光伏預(yù)測的實踐中，獲得實時氣象信息后，即可得到t/min后的光伏功率的預(yù)測值。當(dāng)實際測量t/min后的光伏功率后，即可得到二者的偏差。在結(jié)合光伏設(shè)備的使用年限等情況后，當(dāng)偏差超過閾值后（通常是發(fā)電量連續(xù)大幅度地低于發(fā)電量預(yù)測值），說明光伏設(shè)備可能出現(xiàn)了過度退化的情況。如圖3所示。

圖3 退化趨勢分析模型

c）設(shè)備狀態(tài)采集模塊

與光伏設(shè)備實時狀態(tài)相關(guān)的參數(shù)主要由電氣參數(shù)和溫度參數(shù)組成。在光伏陣列中布局電流電壓采集器，通過采集關(guān)鍵點的光伏電池板的電流、電壓，可用于開路故障和短路故障的診斷[4]。

d）設(shè)備狀態(tài)分析模塊

考慮短路、開路和局部陰影3種故障。其中，短路和開路故障的故障特征明顯，可以通過電流電壓的傳感器數(shù)據(jù)分析而知；局部陰影故障不易通過簡單的電流電壓關(guān)系識別，可以借助SVM算法予以診斷。

2 故障診斷算法設(shè)計

2.1 退化趨勢數(shù)據(jù)分析算法設(shè)計

退化趨勢數(shù)據(jù)分析算法主要用于識別異常老化的故障，如前文所述，采用SVM方法構(gòu)建退化趨勢數(shù)據(jù)分析模型。SVM模型利用非線性映射的方法，將輸入映射到高維度的特征空間φ（x），實現(xiàn)非線性向線性的映射。如以Xl至Xi構(gòu)成完整的數(shù)據(jù)空間X。

式（1）中:xi——不同類型的數(shù)據(jù)，與yi對應(yīng)。

于是，可以將SVM最優(yōu)超平面求解問題轉(zhuǎn)化為最小值求解問題。

s.t.

式（2）-（3）中:c——懲罰因子；

β——松弛變量。

在SVM模型的計算過程中，可使用核函數(shù)代替φ（x）的計算，核函數(shù)類型可采用多項式、Sigmoid函數(shù)和徑向基核函數(shù)等[12]。以常見的徑向基核函數(shù)為例，可表示為:

式（4）中:K——核函數(shù)；

σ——核函數(shù)寬度。

則優(yōu)化決策函數(shù)可表示為:

按輸入輸出關(guān)系訓(xùn)練，可以得到輸出變量關(guān)于各種輸入變量的模型。

2.2 設(shè)備狀態(tài)分析算法設(shè)計

光伏組件通常采用串并聯(lián)結(jié)合的方式，將若干組件首先并聯(lián)為組，然后將組與組串聯(lián)。當(dāng)某一個組發(fā)生短路故障時，該組內(nèi)光伏組件無法正常工作，可以通過開路電壓進(jìn)行簡單的診斷，輸出電壓減小，短路電流不變。當(dāng)某一個組發(fā)生開路故障時，與正常情況相比，伏安曲線會出現(xiàn)失真，由此可進(jìn)行故障診斷。

針對局部陰影故障，難以以簡單的電流電壓關(guān)系快速地識別。通過建立最大功率點電壓（Um）、最大功率點電流（Im）、開路電壓（Uoc）和短路電流（Isc）與故障類型的關(guān)系，訓(xùn)練輸入輸出關(guān)系間的SVM的模型，對故障狀況歸類，實現(xiàn)對局部陰影的判斷。SVM模型與退化趨勢分析中使用的模型結(jié)構(gòu)類似，此處不再贅述。

3 實例分析

以某光伏電站為例，驗證光伏設(shè)備故障智能診斷模型。首先驗證一組光伏組件出現(xiàn)短路故障的情況，通過設(shè)備狀態(tài)分析，獲取光伏設(shè)備的電流數(shù)據(jù)，通過對比當(dāng)前數(shù)據(jù)與正常狀態(tài)下的電壓電流關(guān)系（如圖4所示），尤其是開路電壓和短路電流，可以識別短路故障的發(fā)生。

圖4 短路電流故障數(shù)據(jù)分析

此外，驗證光伏設(shè)備異常老化的故障情況。光伏輸出功率模型已完成訓(xùn)練，輸出1 min前的氣象信息數(shù)據(jù)，計算得到光伏功率的預(yù)測值。報警主要針對光伏輸出功率的異常減小，因此報警偏差報警，或同一天內(nèi)累計報警100次，則認(rèn)為當(dāng)天的發(fā)電情況退化。如果在連續(xù)的30天中有15天被判定為發(fā)電情況退化，則可能出現(xiàn)了異常老化的情況。

某典型日的光伏輸出功率的實測值和預(yù)測值曲線如圖5所示。橫坐標(biāo)是當(dāng)天的時間，縱坐標(biāo)是歸一化后的光伏功率。圖中4條曲線分別表示光伏輸出功率實測值、預(yù)測值、二者差值和允許誤差。差值由實測值減去預(yù)測值得到，因而差值為負(fù)時表示光伏設(shè)備存在異常衰退的風(fēng)險。設(shè)置允許誤差為0.03，即圖中縱坐標(biāo)值為-0.03的直線以下的部分表示偏差超出允許范圍。然后依前文所述，對連續(xù)多日的比較結(jié)果進(jìn)行判斷，得到總體的異常衰退判斷結(jié)果。

圖5 典型日的光伏功率預(yù)測與異常老化判斷

4 結(jié)束語

通過建立一套直接和間接診斷方法相結(jié)合的光伏設(shè)備故障智能診斷模型，對光伏設(shè)備常見的短路、開路、局部陰影和異常老化4種故障實現(xiàn)了智能化的診斷。基于設(shè)備長時間的運行和數(shù)據(jù)積累，不斷訓(xùn)練更加準(zhǔn)確的光伏功率預(yù)測模型和故障診斷模型，形成一套光伏設(shè)備的全周期管理系統(tǒng)，實現(xiàn)對光伏設(shè)備更加完善的管理和保障。