一種PSO-SVM的光伏陣列故障檢測與分類

林培杰， 陳志聰， 吳麗君， 程樹英

(福州大學物理與信息工程學院， 微納器件與電池研究所， 福建 福州 350116)

一種PSO-SVM的光伏陣列故障檢測與分類

林培杰， 陳志聰， 吳麗君， 程樹英

(福州大學物理與信息工程學院， 微納器件與電池研究所， 福建 福州 350116)

提出一種粒子群優化支持向量機的光伏陣列故障檢測與分類的方法. 分析了光伏陣列輸出特性和故障類型， 選擇合適的特征向量及歸一化方式. 選用徑向基核函數優化模型結構， 并利用PSO算法對參數進行尋優， 提高模型精確度. 結合實驗平臺獲取光伏陣列正常工作和8種故障狀態的實測數據， 隨機劃分為訓練集和測試集， 并建立PSO-SVM故障檢測與分類模型. 實驗表明， 應用本模型進行故障檢測準確率達99.89%， 分類準確率達98.68%， 優于BP神經網絡以及決策樹的檢測和分類結果.

光伏陣列； 故障; 檢測; 分類； 粒子群優化； 支持向量機

0 引言

近年來， 隨著光伏并網發電系統裝機數量和容量不斷增加， 為提高光伏電站的運行穩定性及其發電量， 人們對光伏電站的高效運行維護日益重視. 在光伏電站中， 光伏陣列作為其中最主要的一部分， 其工作狀態會影響整個電站運行的效率及穩定性. 由于光伏陣列通常安裝和工作在復雜的戶外環境中， 受到熱循環、 濕度、 紫外線、 陰影等各種環境因素的影響， 容易出現局部材料老化、 裂紋、 熱斑、 開路或者短路等各種故障， 影響光伏組件使用壽命[1]. 同時， 故障的產生會降低電站的發電效率， 嚴重時甚至發生火災， 導致財產損失[2]. 因此， 對光伏陣列在運行狀態中出現的故障能夠及時檢測、 分類、 警報與排除， 就能減少光伏電站因不正常運行而導致的發電量損失， 防止故障擴散， 避免安全事故的發生， 從而提高光伏系統全生命周期內的安全性及總發電量.

學者們提出了一些用于光伏陣列故障檢測與分類的不同方案. 文[3-4]提出一種新的光伏組件連接結構法， 采用CTCT結構， 在保持輸出功率不變的情況下， 監測光伏系統工作狀態, 再配合一定數量的傳感器， 可以確定發生熱斑故障的光伏組件位置. 基于該結構的故障診斷方案系統安裝過程較復雜， 對于大型的光伏電站而言， 所需要的傳感器數量巨大. 文[5-6]提出紅外熱成像法， 根據光伏組件在不同工作狀態下呈現出的溫度變化來判斷是否存在例如熱斑、 老化等故障， 對較大規模光伏陣列進行檢測時需要高分辨率的熱像儀. 文[7-8]提出對地電容測量法和時域反射分析法， 這兩種方法都需要系統停止工作的情況下對光伏系統進行檢測， 實時性較差. 隨著機器學習算法在故障診斷中應用的發展， 越來越多的學者將其引入到光伏陣列故障診斷中， 例如決策樹[9]、 神經網絡[2, 10-12]等， 其中神經網絡算法較為廣泛. 文[9]通過將光伏面板的電壓、 電流和工作溫度、 照度作為輸入訓練決策樹模型， 實現對光伏陣列故障檢測和診斷. 文[2， 10]提出了采用BP神經網絡的光伏組件故障診斷方法， 以光伏組件的開路電壓、 短路電流、 最大功率點電壓和電流作為輸入到訓練過的神經網絡， 用以識別組件正常、 短路或者異常老化三種狀態. 文[11]提出以光照強度、 組件工作溫度、 最大功率點電壓和電流作為輸入， 組件的輸出電壓作為輸出， 訓練多個3層前饋神經網絡模型， 實現單組串中光伏模塊短路故障的識別和定位. 文[12]提出采用貝葉斯神經網絡模型實現光伏組件的污染程度評估的方法， 模型以光照強度和太陽能電池溫度作為輸入， 光伏面板產生的功率作為輸出.

支持向量機(SVM)采用結構風險最小化原則， 具有很強的泛化能力， 并克服了神經網絡中存在的過擬合、 收斂速度慢、 容易陷入局部極值等缺點[13-14]， 在故障診斷等領域中有著廣泛的應用[15-16]. 因此， 本研究擬將SVM應用于光伏陣列故障檢測與分類中. 在實際應用中， SVM的精確度很大程度取決于參數的選取， 為高效獲得SVM最優參數， 采用粒子群優化算法(PSO)對其進行尋優[17-18]. 因此， 本研究建立PSO-SVM光伏陣列故障診斷與分類模型， 僅以光伏陣列最大功率點處的電壓和電流作為輸入特征向量， 無需采集光伏陣列的工作溫度和照度. 搭建實驗平臺， 模擬各種故障， 獲取樣本數據， 對模型進行訓練并驗證.

1 光伏陣列故障分析及特征提取

圖1 光伏并網發電系統拓撲及故障示意圖 Fig.1 Topological graph and typical faults of grid-connected PV system

典型的光伏并網發電系統如圖1所示， 系統通常由光伏組件、 帶有保護裝置的匯流箱和具有最大功率跟蹤(MPPT)功能的并網逆變器組成， 其中光伏組件通常采取SP的串并聯形式進行連接.

在光伏并網運行中， 常見的故障有接地、 短路和失配故障[19-20]. 接地故障主要由于電纜的絕緣層損壞， 而導致光伏陣列中某些組件的連接線與支架相連； 短路故障主要由光伏組件老化、 振動、 電弧毀壞了絕緣線路造成絕緣失效、 安裝不規范導致電池之間的短路等等. 短路故障將加大電弧產生的概率， 使組件輸出的功率都消耗在故障點， 導致故障部分過熱而損壞， 甚至引起火災等嚴重后果； 失配故障發生在部分組件與其他組件在電氣參數上產生較大的不一致， 失配故障包括有陰影、 組件/串的開路、 組件老化等缺陷. 根據故障類型， 主要針對光伏陣列的正常工作狀態及比較常見的開路、 短路和陰影等故障進行研究， 如圖1中所示的3種故障示意圖， 實現對光伏陣列不同狀態的識別和分類.

在STC下， 光伏陣列在正常狀態和不同故障狀態時的I-V和P-V特性曲線如圖2所示. 從圖2(a)中可以看出， 對比正常工作狀態下， 發生故障的光伏陣列的I-V曲線會呈現不同的變化. 例如， 在局部組件開路狀態下， 陣列的輸出電流減少， 短路電流下降， 但開路電壓不變； 在局部陰影情況下， 光伏陣列的I-V曲線將呈現階梯變化等. 同時， 在不同的照度和溫度下，I-V曲線將出現移動現象， 如果僅采用此曲線來對故障進行判斷將較為困難. 由于并網逆變器的MPPT功能， 即使光伏陣列產生了故障， 只要其輸出電壓達到逆變器的工作電壓， 逆變器可以讓系統重新工作于最大功率點， 如圖2(b)中所示. 當光伏陣列工作于正常狀態時， 系統輸出的功率將保持在A點， 此時若系統發生局部短路故障時， 系統功率點將轉移至B點. 因此， 可以采用系統工作于最大功率點的電氣參數Vmpp和Impp做為故障檢測算法的輸入特征參數. 本研究采用Matlab的Simulink平臺， 搭建一組6×3光伏陣列并網發電系統仿真模型， 改變輸入照度和溫度， 模擬4種工作狀態， 獲取若干組Vmpp和Impp數據， 得到數據分布如圖3所示.

圖2 不同工作狀態光伏特性曲線圖Fig.2 PV characteristic curves under various conditions

圖3 光伏陣列各種狀態的電壓-電流分布圖Fig.3 Vmpp vs Impp of PV under various conditions

圖4 光伏陣列仿真數據的Vnorm-Inorm分布圖Fig.4 Simulated Vnorm vs Inormof PV under various conditions

從圖3中可以看出， 4種光伏工作狀態下光伏陣列的Vmpp和Impp數據分布有較多的交疊的地方， 這樣不便于算法的識別和分類， 因此對其進行歸一化[21]. 在光伏發電系統中， 選取兩片與工作光伏陣列中組件參數一致的組件作為參考組件， 如圖1中虛線框所示. 在實際應用中， 將這兩塊參考組件放置靠近工作光伏陣列， 使它們具有相同的工作環境. 在測量光伏陣列Vmpp和Impp的時候， 同步測量參考組件的開路電壓Uoc-ref和短路電流Isc-ref， 并進行光伏陣列電壓和電流的歸一化， 具體計算公式如下：

式中：Vnorm為歸一化后的電壓參數；Inorm為歸一化后的電流參數；Uoc-ref為參考光伏組件的開路電壓；Isc-ref為參考光伏組件的短路電流；S為光伏陣列中單個組串的光伏組件數目；P為光伏陣列中并聯的光伏組串的數目. 根據歸一化后的數據， 得到光伏陣列各種狀態的數據分布圖如圖4所示. 從圖中可以看出， 數據的聚類效果較好. 因此， 以Vnorm和Inorm作為PSO-SVM的輸入特征參數， 利于算法的識別和分類.

2 PSO-SVM故障診斷與分類模型

采用SVM算法實現光伏陣列的故障診斷和分類， 在SVM的使用過程中， 選擇合適的核函數是一個重要的步驟， 其常用的核函數主要有多項式函數、 徑向基函數(RBF)、 sigmoid函數[14]. 在幾個核函數中， 根據實驗測試， 采用RBF在一般情況下會獲得更好的結果， 因此， 采用RBF作為核函數來建立SVM分類器. 同時， 核函數中的兩個參數： 懲罰因子c和核參數γ將影響分類器的精度， 通過PSO尋優算法對c和γ的最優解進行尋找.

PSO算法是根據鳥類捕食行為啟發而提出的一種群智能優化算法[22]. 在采用PSO算法針對問題進行優化時， 算法首先在可行解空間初始一群粒子， 每個粒子都成為優化問題的一個可行解， 具有位置和速度兩個屬性， 同時由目標函數確定其對應的適應度值， 由該值的大小來顯示粒子的優劣. 每個粒子將在可行解空間中運動， 并根據粒子自身的飛行經驗(個體極值)Pbest和群體的飛行經驗(全體極值)Gbest來調整自身的位置和速度， 調整飛行軌跡向最優解靠攏. 假設一個D維的搜索空間中， 有N個粒子組成的種群X=(X1,X2, …,XN)， 對于第i個粒子，它的速度表示為Vi=(vi1,vi2, …,vid)， 位置表示為Xi=(xi1,xi2, …,xid)，粒子更新自己的速度和位置的公式如下：

圖5 基于PSO的SVM參數尋優流程圖Fig.5 Flow chart of optimizing the SVM parameters with PSO

式中：t與t+1代表算法的迭代屬性；i∈[1,N]，N為粒子數；d∈[1,D]，D為粒子維度；vid表示粒子的速度；pid表示第i個粒子個體當前的最優解；pgd表示整個群體當前的最優解；xid表示粒子的位置；ω為慣性權重因子；c1和c2為加速因子；r1和r2為均勻分布于[0, 1]之間的隨機數. 根據PSO算法的工作原理， 采用PSO對SVM參數尋優的算法流程可描述如圖5所示.

算法的具體步驟如下：

① PSO參數初始化： 設置最大迭代步數MaxGen或給定目標函數評價值的最小精度Fmin， 設置種群數量N. 隨機生成種群位置X=(X1,X2, …,Xi, …,XN)，Xi=(xic，xiγ)表示第i個粒子由兩個分量構成， 分別代表SVM懲罰因子c和RBF參數γ的位置， 隨機生成對應每一個位置的速度Vi=(vic,viγ). 設置位置和速度兩個分量的限定范圍， 分別為[Xcmin,Xcmax]和[Xγmin,Xγmax].

② 進行粒子適應度評估.

③ 根據適應度值更新個體極值及群體極值.

④ 按照粒子速度與位置更新公式進行更新. 每一輪更新結束后需要對超出位置的各分量值進行限定.

⑤ 判斷是否滿足結束條件， 若滿足則結束尋優過程， 此時群體極值pgd即為所要求的最佳參數， 若不滿足轉至③繼續進行尋優. 結束條件為尋優達到最大進化代數或目標函數評價值小于給定精度.

⑥ 尋優結束， 獲得SVM最優參數， 根據最優參數訓練SVM模型.

3 實驗結果對比與分析

3.1 樣本參數獲取

根據圖1所示的拓撲圖， 搭建了一套1.8 kW的光伏并網發電和數據采集處理實驗平臺， 如圖6所示.

圖6 實驗平臺Fig.6 The experimental platform

表1 光伏組件和逆變器參數Tab.1 Parameters of PV module and inverter

系統采用了20塊型號為GL-M100太陽能組件， 其中18塊組件用于光伏并網， 分成3個組串， 每個組串采用6塊組件串聯， 組成6×3的連接方式， 另外2塊用于Uoc-ref和Isc-ref的獲取； 逆變器采用的型號為GW2000-NS， 光伏組件在STC下的輸出數據和逆變器的具體參數如表1所示. 同時設計以ARM7為核心的數據采集模塊， 采集光伏發電系統的電氣參數Impp和總電壓Vmpp以及參考電氣參數Uoc-ref和Isc-ref， 并將數據傳輸至上位機處理平臺.

針對搭建好的光伏陣列， 在其并網發電過程中進行各種故障模擬， 然后通過數據采集模塊采集故障數據. 為更好體現算法對光伏陣列故障的診斷和分類， 在保證處于故障中的光伏陣列輸出電壓滿足逆變器最低工作電壓的基礎上， 將前文所述的3種故障狀態進行細化， 總共得到8種故障狀態. 選取多個工作日對系統的各種工作狀態進行模擬和數據隨機采集. 采集的樣本總數為23 857個， 每種工作狀態的標簽、 簡稱、 采集的樣本數量及其所占總樣本數的比例如表2所示. 其中， 局部陰影故障只模擬陰影發生在并網發電的光伏陣列上， 而不在參考組件上.

表2 用于PSO-SVM模型的數據樣本Tab.2 Data set for the PSO-SVM model

圖7 光伏陣列實測數據的Vnorm-Inorm分布圖 Fig.7 Experimental Vnorm vs Inorm of PV under various conditions

通過歸一化運算， 得到實測數據的Vnorm和Inorm的分布圖如圖7所示. 由于實驗所采用的每個組件參數不是嚴格一致， 以及在數據采集過程中存在一定的噪聲影響以及最大功率跟蹤誤差等原因， 可以看出實測數據分布不能達到圖4中所示仿真數據的分布效果， 但仍然有一定的聚類效果， 其中開路1、 陰影3和陰影5這3種工作狀態下存在非線性數據邊界， 可以發現三者之間無法進行線性分割， 因此在本算法中采用RBF核函數， 將數據映射至高維空間再進行劃分.

圖8 基于PSO的SVM參數尋優結果Fig.8 Result of optimizing the SVM parameters with PSO

3.2 數據分析

不失一般性， 對3.1節所獲樣本數據隨機分成3份， 選取其中2份作為訓練集， 剩余1份作為測試集. 其中, 訓練集樣本用來對SVM分類模型訓練， 測試集樣本對訓練后的模型進行驗證. 在訓練SVM分類模型時， 由于采用了RBF核函數， 其中參數c和γ將對SVM分類模型的準確性產生較大的影響. 因此， 采用PSO算法對c和γ的最佳參數進行優化. 采用訓練集樣本作為PSO優化過程的數據樣本， 采用3折交叉驗證的方式進行驗證， 最后獲得的最高分類準確率對應的c和γ的值就是最佳參數， 具體流程如圖5所示. 設置PSO算法相關參數為慣性因子c1=1.5和c2=1.7， 種群大小為20， 進化代數為200, 得到的參數尋優結果如圖8所示. SVM最優參數解為c=15.724 6，g=1 000， 其中g代表RBF核參數γ.

為比較所采用的PSO-SVM光伏陣列故障診斷和分類模型的性能， 分別采用文[2]、 文[10]所采用的BP神經網絡(BPNN)算法和文[9]所采用的決策樹(DT)算法對相同的樣本集進行建模對比. BPNN采用單隱含層， 經過多次試驗， 網絡的輸入層、 隱含層、 輸出層的節點數選為2、 15、 9， 隱含層和輸出層傳遞函數分別選用tansig和pureline函數， 訓練方法選用L-M算法， 學習速率為0.01， 目標誤差為0.000 1； DT 采用CART算法， 故障檢測時采用節點數31個， 葉子節點數10個； 故障分類時采用節點數513個， 葉子節點數為142個. 在結果的對比上， 采用故障檢測準確率和故障分類準確率兩種數據來對比. 故障檢測準確率代表的是分類器正確檢測到光伏陣列處于 “正常工作”(即表2中標簽為“1”的類別)和處于“故障狀態”(即表2中標簽為“2”至“9”的類別)的樣本總數除以測試樣本的總樣本數； 故障分類準確率為光伏陣列工作狀態每一類別的正確檢測樣本數之和除以測試樣本的總樣本數.

表3 光伏陣列不同工作狀態分類準確率Tab.3 Classification accuracy of PV under various conditions (%)

經過各種算法的計算， PSO-SVM、 BPNN和DT的故障檢測準確率分別為99.89%、 99.87%和99.87%， 故障分類準確率分別為98.68%、 95.74%和96.87%. 可以看出, 在故障檢測上3種模型均有較高的準確率， 其中本方案具有最好的精度； 在故障分類上， 本算法達到98.68%， 分別比DT模型和BPNN模型高出1.81%和2.94%， 同樣獲得了最好的精度.

針對故障分類準確率進行細分， 計算光伏陣列每個工作狀態的分類準確率， 即將每個類別檢測的正確樣本數除以各自的樣本總數， 得到3種模型對光伏陣列不同工作狀態的分類準確率對比數據， 如表3所示.

從表中可見， 在“正常”“開路2”“短路1”“短路2”“陰影2”“陰影22”這6種工作狀態下， 3種模型的分類準確率都可達到98%以上； 在“開路2”“短路2”和“陰影22”這三種狀態下， 3種分類模型均達到100%的準確率. 在開路1、 陰影3和陰影5這3種數據分布存在部分重疊的工作狀態下， 只有PSO-SVM模型的準確率均可達到90%以上， 最高達到98.29%.

4 結語

光伏陣列在并網發電運行過程中， 由于自身或環境因素等原因可能引起不同的故障， 實現故障的精確檢測及分類， 對提高光伏系統的發電效率和延長組件的工作壽命至關重要. 利用PSO-SVM建立了光伏陣列故障檢測與分類模型， 為了使分類器達到更好的精確度， 通過PSO算法進行模型懲罰因子c和RBF核參數γ最優參數的尋找， 避免了人為隨機選取參數而降低模型的精度. 以3×6光伏并網發電陣列作為實驗平臺， 在不同的氣候條件下隨機獲得故障樣本數據， 并對模型進行訓練與測試， 表明模型對光伏陣列故障檢測和分類效果較好. 同時， 分別與BPNN模型和DT模型的檢測和分類準確率進行對比， 結果表明PSO-SVM模型具有更好的表現. 本方法適于光伏陣列故障診斷和分類.

[1] SHARMA V, CHANDEL S S. Performance and degradation analysis for long term reliability of solar photovoltaic systems: a review[J]. Renewable and Sustainable Energy Reviews, 2013, 27: 753-767.

[2] 王元章， 李智華， 吳春華， 等． 基于 BP 神經網絡的光伏組件在線故障診斷[J]． 電網技術， 2013， 37(8)： 2 094-2 100．

[3] LIU Y L, LI B F, CHENG Z. Research on PV module structure based on fault detection[C]// Proceedings of 2010 Chinese Control and Decision Conference. Xuzhou: IEEE, 2010: 3 891-3 895.

[4] 程澤， 李兵峰， 劉力， 等． 一種新型結構的光伏陣列故障檢測方法[J]． 電子測量與儀器學報， 2010， 24(2)： 131-136．

[5] 王培珍， 鄭詩程． 基于紅外圖像的太陽能光伏陣列故障分析[J]． 太陽能學報， 2010， 31(2)： 197-202．

[6] BUERHOP C, Schlegel D, NIESS M,etal. Reliability of IR-imaging of PV-plants under operating conditions[J]. Solar Energy Materials and Solar Cells, 2012, 107: 154-164.

[7] TAKASHIMA T, YAMAGUCHI J, ISHIDA M. Fault detection by signal response in PV module strings[C]// Proceedings of 33rdIEEE Photovoltaic Specialists Conference. California: IEEE, 2008: 1-5.

[8] TAKASHIMA T, YAMAGUCHI J, OTANI K,etal. Experimental studies of fault location in PV module strings[J]. Solar Energy Materials and Solar Cells, 2009, 93(6): 1 079-1 082.

[9] ZHAO Y, YANG L, LEHMAN B,etal． Decision tree-based fault detection and classification in solar photovoltaic arrays[C]// Proceedings of 27thAnnual IEEE Applied Power Electronics Conference and Exposition. Florida: IEEE, 2012: 93-99.

[10] 王元章， 吳春華， 周笛青， 等． 基于 BP 神經網絡的光伏陣列故障診斷研究[J]． 電力系統保護與控制， 2013， 41(16)： 108-114．

[11] SYAFARUDDIN S, KARATEPE E, HIYAMA T. Controlling of artificial neural network for fault diagnosis of photovoltaic array[C]// Proceedings of 16thInternational Conference on Intelligent System Application to Power Systems. Hersonissos: IEEE, 2011: 1-6.

[12] PAVAN A M, MELLIT A, DE PIERI D,etal. A comparison between BNN and regression polynomial methods for the evaluation of the effect of soiling in large scale photovoltaic plants[J]. Applied Energy, 2013, 108: 392-401.

[13] VAPNIK V N, VAPNIK V. Statistical learning theory[M]. New York: Wiley, 1998.

[14] CHANG C C， LIN C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2011, 2(3): 27.

[15] WIDODO A, YANG B S. Support vector machine in machine condition monitoring and fault diagnosis[J]. Mechanical Systems and Signal Processing, 2007, 21(6): 2 560-2 574.

[16] 湯昶烽， 衛志農， 李志杰， 等． 基于因子分析和支持向量機的電網故障風險評估[J]． 電網技術， 2013， 37(4)： 1 039-1 044．

[17] 梅飛， 梅軍， 鄭建勇， 等． 粒子群優化的 KFCM 及 SVM 診斷模型在斷路器故障診斷中的應用[J]． 中國電機工程學報， 2013， 33(36)： 134-141．

[18] 尹玉娟， 王媚， 張金江， 等． 一種自主核優化的二值粒子群優化: 多核學習支持向量機變壓器故障診斷方法[J]． 電網技術， 2012， 36(7)： 249-254．

[19] FORMAN S E. Performance of experimental terrestrial photovoltaic modules[J]. IEEE Transactions on Reliability, 1982, 31(3): 235-245.

[20] MEYER E L, VAN DYK E E. Assessing the reliability and degradation of photovoltaic module performance parameters[J]. IEEE Transactions on Reliability, 2004, 53(1): 83-92.

[21] ZHAO Y, LEHMAN B, BALL R,etal． Graph-based semi-supervised learning for fault detection and classification in solar photovoltaic arrays[C]// Proceedings of IEEE Energy Conversion Congress and Exposition. Colorado: IEEE, 2013: 1 628-1 634.

[22] KENNEDY J. Particle swarm optimization[M]. New York: Springer, 2011: 760-766.

FaultdetectionandclassificationforphotovoltaicarraysbasedonPSO-SVM

LIN Peijie, CHEN Zhicong， WU Lijun， CHENG Shuying

(Institute of Micro-Nano Devices and Solar Cells， College of Physics and Information Engineering，Fuzhou University， Fuzhou， Fujian 350116， China))

A fault detection and classification model for photovoltaic arrays is presented by using particle swarm optimization-support vector machine(PSO-SVM). The characteristic and faults of PV arrays are analyzed. Moreover, the appropriate feature vectors are selected and the normalized method is designed, respectively. In order to strengthen the accuracy of the proposed model, the RBF kernel function is applied to improve the model structure, whose parameters are optimized by the PSO algorithm. Based on the measured platform, the experiment data set of the PV array under normal working condition and eight types of faults are recorded. The data set are randomly divided into testing set and training set to train the PSO-SVM model. The accuracy of fault detection and fault classification are 99.89% and 98.68%, respectively, which are superior to those of BP neural network and decision tree.

photovoltaic arrays; fault; detection; classification; particle swarm optimization; support vector machine

10.7631/issn.1000-2243.2017.05.0652

1000-2243(2017)05-0652-07

TM91

A

2016-03-10

程樹英(1966-), 教授， 主要從事光伏材料、 器件及光伏發電系統等研究， sycheng@fzu.edu.cn

國家自然科學基金資助項目(61574038、 61601127、 51508105)； 福建省科技廳工業引導性重點資助項目(2015H0021、 2015J05124、 2016H6012)； 福建省教育廳科研資助項目(JAT160073)； 福建省經信委行業關鍵共性技術資助項目(83016006、 830020)

(責任編輯： 沈蕓)