韓付昌， 陳志聰， 吳麗君， 俞金玲， 林培杰， 程樹英, 吳勇標

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

0 引言

為解決日益嚴峻的能源短缺和環境問題，并網光伏發電技術得到迅速發展. 光伏系統沒有移動部件， 維護成本較低， 但它們長時間暴露在復雜的戶外環境下， 經受各種惡劣環境因素的影響， 會導致各種各樣的故障. 這些故障不僅會造成功率損失，影響發電效率，還會縮短組件的使用壽命， 嚴重時局部的過熱甚至會引發火災， 給光伏電站帶來不可估量的損失. 傳統光伏系統的日常維護主要依靠人工定期檢查，費時費力，人工成本昂貴. 因此，尋找一種光伏陣列實時監測并快速準確地檢測、 定位故障光伏組串的新方法是十分必要的.

近年來，國內外很多學者對光伏陣列的狀態監測和故障定位進行了相關研究. 在狀態監測方面： 常規監測系統使用數據記錄器或微控制器來測量和獲取信號， 但以高采樣率進行數據采集時， 串行端口的數

據傳輸是有限的，并且難以實現對程序的修改. 基于NI數據采集卡和LabVIEW軟件[4-5]的狀態監測系統可實現大多數的測量任務,能夠監控電流、 電壓、 功率等參數及變化情況. 但也存在一些不足,如LabVIEW軟件不擅長大數據處理任務，無法實現底層操作等. 相比LabVIEW軟件， Matlab以其大量穩定可靠的算法庫、強大的科學計算功能、 編程效率高等特點已成為數學計算工具方面事實上的標準. 本研究將電氣數據監測、故障定位等功能集成到統一的Matlab平臺， 實現一體化管理. 在故障定位方面：高斯過程回歸分析法可實現故障定位， 但環境適應性差，只適用于小規模的故障檢測. 紅外圖像檢測法利用組件溫差特性實現故障定位， 但檢測精度不夠高，實時性較差，設備費用昂貴. 多傳感器法通過分析光伏電氣特性數據實現故障定位，但是所用傳感器數量較多、 故障定位精度較差、 容易受外界環境因素影響、 難以在大規模光伏陣列中推廣. 對地電容測量法和時域反射分析法[10]都需要離線操作，效率較低，適用范圍較小，只適用于串聯光伏電路， 對測量設備的精度要求很高. 文[11]通過分析組件位置信息實現故障定位，但其故障識別方法要選取精確的限定值. 文[12]采用離散小波變換分析接地故障位置，但小波變換系數的冗余度較大. 文[13]將故障陣列的IV曲線分為高壓故障診斷和低壓故障診斷兩部分，但在大規模光伏陣列中難以推廣. 機器學習算法也被提出用于光伏系統的故障檢測：如決策樹模型[14]、人工神經網絡[15]、 極限學習機[16]、 基于圖的半監督學習模型[17]等. 然而這些方法計算復雜性高，可能需要長時間的訓練過程(如幾天甚至幾周)， 而且訓練模型只適用于特定的光伏系統， 應用范圍較小.

1 系統組成

光伏陣列、 電路開關、 匯流箱、 并網逆變器、 電源、 數據采集卡、 Matlab上位機、 電壓電流傳感電路構成了該光伏陣列實時電氣數據監測和故障定位系統， 如圖1所示.

圖1 光伏陣列實時狀態監測與故障定位系統Fig.1 Real-time status monitoring and fault location system for photovoltaic arrays

本研究光伏陣列采用了18塊型號為GL-M100太陽能組件， 分成3個組串， 每個組串采用6塊組件串聯， 組成6×3的串并聯連接方式. 逆變器采用的型號為GW2000-NS， 供電電源采用型號為QJ-3003SⅡ的直流穩壓電源， 數據采集卡選用Measurement Computing公司的高速多功能USB-1608G， 采樣硬件電路采用隔離型的LV-25P霍爾電壓傳感器和HBC-LSP電流傳感器進行光伏陣列的電壓和各個組串電流的檢測. 光伏組件(STC條件下)具體參數如下：P峰值=100 W，Umpp=17.5 V，Impp=5.71 A，Voc=21.5 V，Isc=6.03 A.

2 Matlab上位機

圖2 Matlab上位機數據管理中心Fig.2 Matlab data management center in PC

通過Matlab/GUI設計了如圖2所示的上位機數據管理中心， 主要用于數據采集卡的采樣方式設定、 量程選擇、 單位轉換、 采樣率設定、 模式設定、 通道使能設置等， 以及讀取系統時間、 導入MySQL、 故障檢測定位、 顯示和處理數據. 用戶在統一的Matlab平臺進行多種功能的選擇和設定， 實現對光伏發電陣列的一體化管理.

為保證數據采集的實時性和完整性， 設計了連續采集功能. 另一方面， 為盡量減少采樣數據量， 避免過量采樣數據給系統造成的不必要負擔， 設計了間歇采集功能， 并且采集占空比可調， 擴展性強(例如， 間歇采集的觸發周期可設置為氣象站采集器的記錄間隔， 實現與氣象信息的同步采集). 采集卡在間歇期間完全停止運行， 使其在運行時功耗大為降低. 兩種采樣方式可隨用戶需要進行選擇.

在一些監測場所， 需要狀態監測系統在無人監管的情況下自動定時監測某一時間段中的特定數據. 因此, 上位機數據管理中心設置了自動定時采集功能， 在設置采樣參數后進入自動運行模式， 實現對多路光伏組串狀態的自動定時監測， 而且定時時間可隨需要調整， 允許實時快速檢測而無需人為干預， 系統采用免費的 MySQL數據庫作為后臺支撐， 實現自動存儲、 修改、 導出、 打印等多種功能. 開發的系統在將來有望實現便攜式， 可用于戶外電站實時狀態監測. 例如將故障定位算法移植到嵌入式開發平臺， 并嵌入到匯流箱， 實現智能匯流箱的設計； 利用ZigBee等無線通信技術實現智能匯流箱與PC端的信息傳輸； 將故障定位算法移植到組串式并網逆變器中， 與最大功率點跟蹤(MPPT)算法進行融合等.

3 離群值簡介與故障定位

3.1 離群值簡介

離群值通常被定義為數據集中與眾不同的數據. 對一個數據集{xi},i=0, 1, 2, …,n, 有一個參考值x0, 變化的尺度ζ, 閾值參數α. 如果xi滿足式(1)條件時， 統計異常規則將xi判為離群值.

xi-x0>αζ(1)

離群點檢測規則的上下限分別為x0+αζ,x0-αζ. 對于光伏應用， 假設光伏組串在相似的環境條件下具有相同的輸出電流， 如果某串電流明顯偏離其他正常組串電流， 則表現不佳的光伏組串可被視為故障組串. 將組串電流作為測量參數來實現故障定位是非常方便的， 因為每個組串共享相同的陣列電壓， 而它們的電流可以不同[18]. 因此， 一些基于組串電流的故障檢測算法或技術被提出， 如： 局部離群因子(LOF)[18]，t檢驗統計分析并行檢測算法[19]， 基于組串電流的元啟發式優化技術[20]等. 本研究基于組串電流特征， 采用一種“閾值法-Hampel辨識法”相結合的光伏陣列離群值檢測算法進行故障檢測與定位， 是一種可選的方案. 若光伏陣列中組串的數量為n， 如果一個光伏組串出現故障， 則遭受的異常污染率等于1/n， 離群值檢測的成功在很大程度上取決于數據遭受的異常污染水平. 值得注意的是， 若組串處于不同日照條件、 不同平面情形或陣列出現大規模故障等， 那么在某種程度上就會增加故障檢測的復雜性， 從而影響診斷的準確率. 這時， 需綜合考慮環境溫度、 組件溫度、 輻照度、 風力等環境因素的影響， 結合相同環境下的參考板電氣特性數據， 采用信息融合與模糊推理等方法， 實現故障的檢測與定位.

3.2 故障定位算法

本實驗中光伏組串數量為3， 在光伏組串污染水平非常高(如33.3%)的情況下， 想要比較準確地檢測出故障組串， 必須選用對離群值有較高容納度的離群值檢測算法.

初中音樂課堂教學普遍存在著課時缺乏的現象，一般在進行相關教學的過程中，一周只有一節課程屬于音樂課程。且在很多時候的很多地方，學校整體形成的思維模式就是音樂課程是一門附屬課程，不屬于主課范疇。這種認知也導致很多地方的音樂課程長時間被語文、數學、英語這類主要課程所霸占，導致學生對整體音樂課程的認知停留在存在與不存在之間，這種情況普遍存在于全國各地學校的教學中。

(2)

但是3-Sigma規則很有可能在實踐中表現不佳， 因為當樣本量很小時， 異常值的存在會使方差估計變大， 只有極少離群值被檢測. 因此， 當使用均值作為參考指標時， 必須考慮以下三個問題. 首先， 它假設分布是正態的(包括異常值)； 其次， 均值和標準差極易受到異常值的影響； 第三， 這種方法不太可能在小樣本中檢測出離群值[21]. 3-Sigma規則在異常污染水平大于10%時可能失效[22].

箱線圖法使用四分位箱線圖， 利用下四分位數(Q1， 25%)， 中位數(或Q2， 50%)， 上四分位數(Q3， 75%)， 四分位距(IQR =Q3-Q1). 箱線圖離群值規則可以表示為：

xi>Q3+1.5IQR∪xi

箱線圖法根據實測數據進行離群值分析處理， 以四分位數和四分位距為基礎， 具有較強的魯棒性. 與3-Sigma規則不同的是， 箱線圖的數據不必服從某種特定的概率分布， 但當數據遭受的異常污染水平大于25%時， 箱線圖法可能會失效[22].

(4)

樣本中值就像均值一樣， 是一種衡量集中趨勢的指標， 但它提供了一種優勢， 即對存在的異常值非常不敏感[21]. 更重要的是， 中位數的崩潰污染率為50%， 即有50%的數據受到污染時， 也能得到可靠的解， 這意味著它可以抵抗高達50%的異常值.

Hampel辨識法具有最低的異常值敏感性， 可以抵抗高達50%的異常值， 理論上可以檢測出離群值. 但實際上， Hampel辨識法在正常情況下可能會觸發虛假警報[18]. 由于組件封裝工藝不良、 組件功率偏差等原因， 不同的光伏組串電氣性能不可能絕對一致， 不同的組串間必然存在輸出電流偏差， 在方差很小的情況下， 導致一個更嚴格的離群值檢測規則. 因此通過Hampel辨識法求出的上下限區間外的可疑異常點中可能會存在正常數據點， 從而出現虛警的情況. 為解決這個問題， 一種方法是放大Hampel的上下限， 但是潛在的缺點是可能會丟失異常值. 由于組串參數的合理值只能在一個特定的范圍內， 如果其輸出的結果不在這個范圍內， 那肯定是離群值. 因此， 選取并確定一個合適的組串電流離散率閾值來對可疑異常點進行最終判決. 離散率通過組串電流的標準差與組串電流平均值的比值計算， 離散率越低， 說明各路組串發電性能越集中一致性越好. 根據光伏電站生產運維指標和文[23]研究， 若組串電流離散率取值范圍在0～5%以內， 說明光伏陣列各個組串運行穩定； 若組串電流離散率取值在5%～10%以內， 說明光伏陣列各個組串運行情況良好； 若組串電流離散率取值在10%～20%以內， 說明光伏陣列運行情況有待提高； 若組串電流離散率超過20%， 說明光伏陣列運行情況較差， 影響電站發電量， 必須進行整改. 本研究離散率閾值確定為5%， 以此對出現虛假警報的可疑異常值進行最終判決， 若其電流離散率超過所規定的閾值5%， 則認為是離群值， 算法流程圖如圖3所示.

圖3 算法流程圖Fig.3 Algorithm flowchart

采用“閾值法-Hampel辨識法”相結合的離群值檢測算法， 在Hampel辨識法檢測的基礎上結合閾值， 利用閾值法判定最終的異常點.

4 實驗搭建與結果分析

4.1 故障創建

光伏并網運行中， 常見的故障包括線線故障、 接地故障和失配故障(例如開路故障、 部分陰影、 老化故障)[24]. 線線故障是光伏陣列中具有不同電位的兩個點之間的偶然短路. 接地故障主要由于電纜的絕緣層損壞， 導致光伏陣列中某些組件的連接線與支架相連. 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. 在這些故障中， 本研究重點創建了線線故障和失配故障， 因為傳統保護裝置更難檢測它們. 創建的具體故障包括： 組串級線線故障， 即組串中短路組件的數量為1塊和2塊； 陣列級線線故障， 即短接不同組串中電勢差為1塊和2塊組件工作電壓的電位點； 老化故障， 即組串老化4歐和陣列老化4歐； 陰影故障， 即組串中陰影組件的數量為1塊和2塊； 開路故障， 即斷開某一組串中組件間的連接線. 故障創建的原理圖如圖4所示.

圖4 光伏陣列故障原理圖Fig.4 Photovoltaic array fault schematic diagram

4.2 實測結果分析

實驗選取在晴天的不同時段進行， 數據采樣率選擇1 kHz， 采樣方式選擇連續采集， 以較好地完成低通濾波、 抑制工頻干擾、 提高信號保真度. 基于實驗室光伏并網發電平臺上的故障模擬， 記錄每種工況的組串電流和檢測條件， 其中組串電流分別以I1,I2,I3表示， 檢測條件包括： 輻照度(G)， 組件溫度(θ1)， 檢測時刻(t)， 環境溫度(θ2). 為詳細直觀地判斷是否發生故障， 將檢測條件、 組串電流I1～I3以及Hampel辨識法所求得的上限電流(Iupper)和下限電流(Ilower)都顯示于同一圖中.

4.2.1 正常

圖5 實驗結果： 正常運行Fig.5 Experimental results: normal operation

4.2.2 線線故障

為更好地觀察故障發生前后的電流變化情形， 線線故障通過使用可控開關使不同電位點在特定時刻短路實現, 實驗結果如圖6所示. 其中圖6(a)和(b)為組串級線線一塊和兩塊組件， 圖6(c)和(d)為陣列級線線一塊和兩塊組件. 不難發現， 組串級線線一塊和陣列級線線一塊故障發生后， 故障組串的電流迅速低于Hampel辨識法的下限電流并且減小至某個大于零的最低值， 同時在MPPT作用下， 電流值逐漸上升并到達一個新的穩定值， 這個穩定值未超過Hampel辨識法的下限電流值， 僅憑借Hampel辨識法便可迅速實現其故障檢測與定位. 而組串級線線兩塊和陣列級線線兩塊故障發生時， 故障組串的電流迅速低于Hampel辨識法的下限電流并出現較大的反向電流， 這種反向電流會對組串中的其它組件造成極大損壞， 同時在MPPT作用下達到一個新的穩定值， 而Hampel辨識法由于具有較低的異常值敏感性， 其上下限電流完全不受其影響， 產生的新穩定值仍低于Hampel辨識法下限電流， 因此Hampel辨識法成功判斷光伏陣列是否出現故障并迅速準確地定位故障組件.

圖6 線線故障的實驗結果Fig.6 Line-line faults of experimental results

4.2.3 失配故障

失配故障如圖7所示. 其中圖7(a)開路故障通過使用可控開關使光伏組串的組件連接線在特定時刻斷開實現； 圖7(b)和7(c)陰影故障通過使用半透明的亞克力板在特定時刻遮擋組件實現； 圖7(d)和7(e) 老化故障通過使用可控開關和大功率鋁殼電阻使光伏組串或光伏陣列的輸出端在特定時刻串聯接入阻值為4 W的大功率鋁殼電阻實現.

開路故障以及陰影兩塊故障發生后， 如圖7所示， 故障組串電流迅速低于Hampel辨識法的下限電流并且減小至零或接近于零， 可以被Hampel辨識法檢測到， 而其它正常組串電流基本不變； 陰影一塊故障和組串老化故障發生后， 故障組串電流迅速低于Hampel辨識法的下限電流并通過MPPT達到新的穩定值， 可以被Hampel辨識法檢測到， 但是陰影故障發生前， 由于Hampel辨識法上限電流的敏感性， 正常組串電流值超出Hampel辨識法的上限電流， 導致虛假警報； 陣列老化故障發生后， 所有組串電流迅速減小并通過MPPT達到新的穩定值， 但由于Hampel辨識法下限電流的敏感性， 正常組串電流值低于Hampel辨識法的下限電流， 導致虛假警報.

將離散率閾值確定為5%， 以此對出現虛假警報的陰影一塊故障和陣列老化故障進行最終判決. 陰影一塊故障發生前， 如圖8所示， 其組串電流離散率未超過閾值5%， 閾值法最終將其判定為正常狀態， 這一點與實際工況相吻合； 同時陰影一塊故障發生后， 故障組串是低效的， 并且這種狀態都不會改變， 其電流曲線將明顯偏離正常曲線， 組串電流一致性較差， 光伏陣列整體運行情況有待改善， 這時其組串電流離散率超過閾值5%， 直至故障被清除. 而陣列老化故障發生后， 其組串電流離散率未超過閾值5%， 這是因為各組串具有相同程度的老化模擬， 電流一致性較好， 閾值法最終將其判定為陣列老化. 因此， 在Hampel辨識法檢測的基礎上結合閾值， 利用閾值法判定最終的可疑異常故障， 有效避免了故障誤判.

圖8 閾值分析Fig.8 Threshold method analysis

5 結語

為及時發現光伏陣列中的潛在性故障和保證發電系統安全、 穩定運行， 開發了一種可以定時啟動的光伏陣列實時狀態監測和故障定位系統. 該系統將連續采集、 間歇采集、 自動定時采集、 故障檢測與定位、 數據庫等多種功能集成到統一的Matlab平臺， 采用“閾值法-Hampel辨識法”相結合的離群值檢測算法實現故障檢測與定位， 允許實時快速檢測而無需人為干預， 有望實現便攜式， 可用于戶外電站實時狀態監測， 從而實現對光伏發電陣列的一體化管理. 大量的現場實測分析結果表明此方法具有很好的檢測效果， 可以更有效地利用正常組串的信息實現故障組串定位. 但由于光伏陣列受環境因素影響很大， 若組串處于不同日照條件、 不同平面情形或陣列出現大規模故障等， 那么在某種程度上就會增加故障檢測的復雜性， 進一步的工作是綜合考慮輻照度、 環境溫度、 組件溫度等環境因素， 采用信息融合等機器學習算法進行故障檢測定位， 并對這些故障進行細化分類， 進而實現故障類型的診斷.