結合電壓閾值和最右端功率峰值點的光伏陣列故障檢測與定位

馮 鍇 林培杰 俞金玲 陳志聰 程樹英

結合電壓閾值和最右端功率峰值點的光伏陣列故障檢測與定位

馮 鍇 林培杰 俞金玲 陳志聰 程樹英

（福州大學物理與信息工程學院，福州 350108）

光伏陣列故障會影響光伏系統的發電效率和生命周期，甚至造成火災等嚴重事故，因此光伏陣列故障檢測和定位至關重要。本文利用光伏陣列及模塊的最右端功率峰值（RPP）處的電壓結合優化的電壓傳感器布置方案實現對組串內短路故障、開路故障和局部陰影的檢測與定位，并根據陣列電壓歸一化后的結果進一步對短路故障進行程度判斷。該方法的特點是獨立于氣象參數，并使用較少數量的傳感器實現故障的組串級別定位。通過一個10×5的仿真模型和一個6×3的實際光伏陣列的實驗結果驗證了方法的可行性。

光伏陣列；故障檢測；故障定位；最右端功率峰值（RPP）

0 引言

近年來，太陽能作為清潔能源得到廣泛應用，光伏并網系統的安裝也越來越普及。然而安裝在室外惡劣環境下的光伏陣列，易受到各種環境因素的影響而發生各種故障，例如開路故障、短路故障、接地故障、直流電弧故障、局部陰影等[1-3]。文獻[4]分析了光伏電源的故障特性和影響因素。故障的檢測和定位對于光伏系統的運行至關重要，近年來學者們在該領域開展了相關的研究，采用統計差異測量技術，如陣列損耗差和瞬時功率比[5]、交流功率輸出差[6]及電壓功率比差異[7]，還有基于動態時間規 整[8]、自適應網絡優化模糊推理法[9]等。為了更好地區分局部陰影情況（partial shade conditions, PSCs）與電氣故障，文獻[10]提出使用最右端功率峰值（rightmost power peak, RPP）電壓來實現短路/接地故障的檢測，將其與局部陰影區分開來，但是無法檢測短路/接地故障的失配水平，且無法實現光伏陣列故障的定位。一些研究提出了基于電壓和電流測量的方法，來定位陣列中故障區域，但并未識別故障類型[11-13]。文獻[14]提出了一種根據電壓全局分塊逼近法來定位故障。文獻[15]提出了一種電壓傳感器布置方案，能夠有效識別陰影故障和電氣故障，并在短路和接地故障時定位到故障模塊、開路故障時定位到組串。文獻[16]根據光伏陣列電壓、電流等信號，采用基于高斯過程的方法實現了故障定位。

本文分析光伏陣列和組件在短路故障、開路故障和局部陰影下的RPP工作特性，設計一種優化的電壓傳感器布置方案。通過采集光伏陣列和每個組串第一個光伏模塊的RPP電壓，結合閾值判斷，進行組串內短路故障、開路故障和局部陰影的檢測和組串級別定位，同時通過將陣列電壓歸一化實現組串內短路故障程度的判斷。相比于采集光伏陣列和組串首尾兩個光伏模塊電壓的方案[15]，可進一步減少傳感器數量，降低成本。

1 光伏陣列故障下最右端功率峰值特性

光伏陣列在故障程度輕微或照度較低時，在系統的最大功率跟蹤（maximum power point tracking, MPPT）作用下，會快速改變故障電流的方向和數值，導致傳統保護裝置失效。為了說明最大功率點（maximum power point, MPP）對故障檢測的影響，本文用Matlab/Simulink搭建了10×5的光伏陣列（共5串光伏串，每串有10個模塊），其拓撲如圖1所示，圖中設置了光伏陣列直流端常見的幾種故障：F1為故障程度1/10的組串內短路故障，F2為故障程度2/10的組串內短路故障，F3為開路一串的開路故障，F4為陰影故障1，F5為陰影故障2。標準測試條件（standard test condition, STC）下各類故障光伏陣列的-曲線如圖2所示。

圖1 10×5光伏陣列拓補

圖2 STC下各類故障光伏陣列的P-V曲線

1.1 短路故障

發生短路故障的時候，MPPT技術會使故障陣列重新工作在最大功率點，由圖2可知此時故障陣列MPP電壓MPP_FA將小于故障發生前正常情況下陣列的MPP電壓MPP_NA。

F1故障下光伏陣列和故障串的-曲線如圖3所示，故障串的MPP為圖中A點位置，電壓為161.730 8V。MPPT作用下，整個光伏陣列工作在其MPP即B點處，電壓為172.810 7V。根據基爾霍夫定律（KVL），故障串電壓會被拉至點C，電壓與B點一致。平均到每個模塊即故障串中的正常光伏模塊輸出電壓大于正常組串中模塊的輸出電壓。若短路發生在該模塊上，則該模塊電壓為零。

圖3 F1故障下光伏陣列和故障串的I-V曲線

1.2 開路故障

光伏陣列發生F3開路故障時，相當于光伏陣列由10×5陣列變成了10×4的陣列結構，陣列電流下降1/5。此時其他正常組串的光伏模塊繼續工作在正常的情況下，如圖2所示，MPP_FA與MPP_NA相等。

1.3 局部陰影

為了說明局部陰影對故障診斷的影響，陣列中設置了F4和F5兩種不同照度類型的局部陰影。假設陰影模塊受到的光照強度是均勻的，局部陰影故障串模塊的照度見表1，表中未列出的模塊照度均為1 000W/m2。兩種故障的-曲線如圖2所示，此時正常情況下的MPP電壓為179.711 9V，局部陰影下的曲線具有多個峰值，MPP為曲線的全局峰值（global power peak, GPP）。從MPP來看，F4的MPP電壓為181.558 1V，F5的MPP電壓為172.394 8V，F4的MPP_FA＞MPP_NA，而F5的MPP_FA＜MPP_NA，所以MPP電壓不能作為檢測局部陰影的依據。但是從RPP處的電壓來看，F5的RPP_FA數值為182.971 8V，要大于MPP_NA，從圖2可知F4故障的RPP與GPP重合，因此RPP處的電壓可以作為檢測局部陰影故障的標準。

表1 局部陰影故障串各模塊照度 單位: W/m2

結合在短路和開路故障中，雖然使用的是GPP處的電壓來判斷故障類型，但由于這些故障的-曲線都只有一個峰值，所以其GPP和RPP是重合的。因此統一將RPP處的電壓作為判斷故障類型的標準，下文中統一采用RPP電壓進行分析。

在不同溫度、照度下對故障進行仿真，結果如圖4和圖5所示，其中圖4為溫度25℃，照度變化范圍為[100W/m2, 1 200W/m2]、步長為50的仿真結果，圖5為照度1 000W/m2，溫度變化范圍為[0℃, 40℃]、步長為5的仿真結果，圖中數據分布與文中結論一致，驗證了在不同溫度和照度下檢測故障的有效性。

圖4 溫度為25℃不同照度下的仿真結果

圖5 照度為1 000W/m2不同溫度下的仿真結果

1.4 短路故障程度判斷

實驗陣列中設置了F1和F2兩種失配程度的短路故障，并在不同的溫度和照度下做了多組實驗，歸一化前F1和F2的故障陣列數據如圖6所示。從圖中可以看出這兩種故障的電壓有一部分是重合在一起的，因此利用RPP處的電壓無法實現不同程度短路故障的區分。為了將這兩種故障數據區分開來，用正常情況下陣列的RPP數據將故障數據進行歸一化。具體的歸一化公式為

圖6 歸一化前F1和F2的故障陣列數據

歸一化后的數據如圖7所示。F1和F2兩種不同程度的短路故障可以明顯分為上下兩簇，即可以在歸一化后的電壓上設置閾值將兩種故障區分開來。短路故障光伏陣列的工作電壓歸一化后的區 間為

式中：NF為光伏陣列中故障模塊的數量；NS為光伏串中的光伏模塊個數。F1的電壓區間為[0.9, 1]，F2的電壓區間為[0.8, 0.9]，實驗陣列中的F1和F2電壓歸一化數據完全落在這個區間內，驗證了區間的有效性。因此當故障陣列的電壓歸一化后的數據符合式（3）時，當前陣列的故障程度為NF/NS。

2 優化的電壓傳感器布置和故障定位方法

就10×5實驗陣列而言，一共設置了6個電壓傳感器，當光伏陣列工作在正常情況下時，光伏陣列工作在RPP，此時光伏陣列中的每一個模塊都工作在RPP處，有1=2=3=4=5，而陣列的輸出電壓PVA可以表示為1×10。

2.1 短路故障

當光伏陣列工作處于F1情況下，故障串第一個模塊的電壓1的電壓曲線與非故障串第一個模塊的電壓2的電壓曲線及陣列電壓PVA曲線如圖8所示，3、4、5因與2工作狀態一致，這里就不再放電壓曲線圖。短路前，1和2重合，都工作在RPP處，短路后，由于MPPT的作用此時陣列重新工作在當前狀態的RPP處，從圖中可以看出陣列電壓下降最后穩定在173.854V，此時的1上升至19.315 8V，2下降至17.385 4V。2下降的原因是，根據KVL，正常串的電壓大小等于PVA/S，PVA下降導致2下降。故障前PVA記錄為MPP_NA，故障后PVA記錄為RPP_FA，將陣列電壓按式（1）歸一化結果為0.957 8。根據式（3）可知，此時光伏陣列中的故障模塊數量為1。由此可以判斷出短路模塊位于第一串的第10塊，即定位出了短路故障的位置。

圖8 F1故障下的電壓曲線

圖9為F2短路故障下的PVA、1和2曲線。由圖中數據可算出故障模塊數量是2，2所在的光伏串是正常串，1所在的光伏串是故障串，由此實現了對故障串短路故障的定位。

圖9 F2故障下的電壓曲線

2.2 開路故障

故障F3下PVA、1與2曲線如圖10所示。陣列的電壓PVA在故障前后保持不變，故障串對應的模塊電壓1的示數為21.5V，為模塊的開路電壓，正常串中2為17.931 4V，為正常工作電壓。

圖10 F3故障下的電壓曲線

2.3 局部陰影

為了更好地說明局部陰影下模塊的輸出電壓特征，采用-特性曲線進行說明。F4情況下，故障串中的陰影模塊和正常模塊及正常組串中的模塊-曲線如圖11所示。

圖11 F4故障下的模塊的I-V曲線

由圖11可知，故障串中的非陰影模塊與正常串中模塊的-曲線重合，而陰影模塊的-曲線明顯低于正常模塊。故障光伏串的輸出電流受到陰影模塊輸出電流的限制，故障串的輸出電流與最小照度模塊的輸出電流保持一致，從而導致電壓的不同。圖中模塊工作電壓分別標記為A1、A2和A3。根據KVL可得

由式（4）可得A1＜A2＜A3。由此可以判斷局部陰影故障下的故障串位置。當（=1, 2,…,P）串的第一個模塊電壓大于或小于PVA/S（正常串中模塊的電壓）時，該光伏組串為陰影故障串。

3 整體方法

本方法可以通過結合MPPT過程來實現，當系統可能發生故障時，功率將發生變化，此時系統啟動逆變器進行功率跟蹤[17-18]。獲取功率變動前1s的陣列電壓均值作為RPP_NA，功率穩定后1s的陣列電壓均值為RPP_FA，模塊電壓同樣用均值表示，然后進入故障檢測與定位流程，整體方案流程如圖12所示。

考慮到實際系統可能造成的誤差，如果RPP_NA與RPP_FA之間的電壓偏差|D|小于設定的閾值e，則可以視為RPP_NA與RPP_FA相等，其中e設定為0×RPP_NA[19]，0為電壓波動系數。根據第一部分仿真數據結合實際可知，局部陰影RPP_FA并沒有超過該閾值，因此先將局部陰影和開路故障歸為一種情況，即：①|RPP_FA-RPP_NA|≤e，則陣列發生開路故障或局部陰影；②|RPP_FA-RPP_NA|＞e，則陣列發生短路故障，將RPP_FA代入式（1）和式（3）即可判斷短路故障程度。

圖12 整體方案流程

4 實驗結果

采用一個1.8kW的實驗室屋頂光伏并網系統檢驗該方法。實驗系統如圖13所示，該陣列為6×3的光伏陣列，光伏模塊STC下的參數為：MPP= 17.5V，MPP=5.71A，MPP=100W，OC=21.5V，SC= 6.03A。本實驗中的0、1、2分別設置為5%、5%、10%。

圖13 實驗系統

4.1 短路故障

實驗設置兩種不同失配程度的組串內短路故障。獲得陣列電壓和模塊電壓波形分別如圖14和圖15所示，圖中功率變化點為A，穩定點為B。則RPP_NA分別為106.40V和108.18V，RPP_FA分別為91.39V和79.10V，則|D|分別為15.01V和29.08V，計算得e分別為5.32V和5.41V。因此可得兩種情況下|D|均大于e，可判別陣列發生短路故障。根據式（1）算出nor分別為0.86和0.73，代入式（3）分別落在區間[0.83, 1]和[0.67, 0.83]內，可知故障程度分別為1/6和2/6。根據模塊電壓，兩種情況下1均大于2和3，可判斷第一串發生了短路故障。

圖14 第一種失配程度短路故障電壓波形

圖15 第二種失配程度短路故障電壓波形

4.2 開路故障

實驗在光伏陣列的第一串設置了開路故障，采集的電壓波形如圖16所示。

圖16 開路故障電壓波形

由圖16中數據可知，|D|=0.87V，e=5.30V，|D|＜e，1.1×PVA_FA/6=19.29V，1＞1.1×PVA_FA/6，因此判斷第一串發生開路故障。

4.3 局部陰影

分別模擬陰影在第一個組件和在非第一個組件下的故障，獲得電壓波形分別如圖17和圖18所示。圖17中|D|=2.31V，e=5.34V，|D|＜e且0.95×PVA_FA/6=17.27V，1＜0.95×PVA_FA/6，因此判斷第一串有局部陰影，且第一塊模塊是陰影模塊。圖18中|D|=0.04V，e=5.37V，|D|＜e，1.05×PVA_FA/6= 18.79V，1.1×PVA_FA/6=19.68V，1.05×PVA_FA/6＜1＜1.1×PVA_FA/6，因此判斷第一串有局部陰影，且第一塊模塊是非陰影模塊。

圖17 陰影在第一個組件的電壓波形

圖18 陰影在非第一個組件的電壓波形

5 結論

本文提出了一種檢測和定位光伏陣列故障的方法，通過電壓傳感器采集光伏陣列和每個光伏組串第一個模塊的最右端功率峰值點電壓，將故障后的光伏陣列電壓與發生故障前正常運行的光伏陣列電壓比較，結合優化的傳感器布置方案，判斷出故障類型并定位到故障串，若發生組串內短路故障，根據陣列電壓歸一化后結果來判斷出故障程度。仿真和實驗結果證明了該方法的有效性。本文提出的方法所需的電壓傳感器數量較少，一定程度上降低了故障識別和定位的復雜程度和成本。

[1] LIVERA A, THERISTIS M, MAKRIDES G, et al. Recent advances in failure diagnosis techniques based on performance data analysis for grid-connected photovoltaic systems[J]. Renewable Energy, 2019, 133: 126-143.

[2] LI B, DELPHA C, DIALLO D, et al. Application of artificial neural networks to photovoltaic fault detection and diagnosis: a review[J]. Renewable and Sustainable Energy Reviews, 2021, 138: 110512.

[3] 王堯, 張彥風, 牛峰, 等. 光伏直流電弧電磁輻射特性分析與測量方法[J]. 電工技術學報, 2019, 34(14): 2913-2921.

[4] 徐可寒, 張哲, 劉慧媛, 等. 光伏電源故障特性研究及影響因素分析[J]. 電工技術學報, 2020, 35(2): 359-371.

[5] DHIMISH M, HOLMES V, MEHRDADI B, et al. Simultaneous fault detection algorithm for grid- connected photovoltaic plants[J]. IET Renewable Power Generation, 2017, 11(12): 1565-1575.

[6] ELGENDY M A, ZAHAWI B, ATKINSON D J. Assessment of perturb and observe MPPT algorithm implementation techniques for PV pumping appli- cations[J]. IEEE Transactions on Sustainable Energy, 2011, 3(1): 21-33.

[7] DHIMISH M, HOLMES V, MEHRDADI B, et al. Multi-layer photovoltaic fault detection algorithm[J]. High Voltage, 2017, 2(4): 244-252.

[8] 蔡雨橋, 林培杰, 林耀海, 等. 基于動態時間規整的光伏陣列在線故障檢測方法[J]. 電氣技術, 2020, 21(7): 42-47.

[9] 甘雨濤, 吳振輝, 陳志聰, 等. 基于LoRa和自適應神經網絡模糊推理系統的光伏陣列故障診斷系統[J].電氣技術, 2020, 21(8): 80-86.

[10] PILLAI D S, RAJASEKAR N. An MPPT-based sensorless line-line and line-ground fault detection technique for PV systems[J]. IEEE Transactions on Power Electronics, 2019, 34(9): 8646-8659.

[11] CHEN Leian, WANG Xiaodong. Adaptive fault loca- lization in photovoltaic systems[J]. IEEE Transactions on Smart Grid, 2018, 9(6): 6752-6763.

[12] DAVARIFAR M, RABHI A, HAJJAJI A E. Com- prehensive modulation and classification of faults and analysis their effect in DC side of photovoltaic system[J]. Energy & Power Engineering, 2013, 5(4): 230-236.

[13] SILVESTRE S, SILVA M A D, CHOUDER A, et al. New procedure for fault detection in grid connected PV systems based on the evaluation of current and voltage indicators[J]. Energy Conversion & Manage- ment, 2014, 86:241-249.

[14] 張曉娜, 高德東, 劉海雄, 等. 一種新型光伏陣列多傳感器故障檢測定位方法[J]. 可再生能源, 2016, 34(2): 166-172.

[15] SALEH K A, HOOSHYAR A, EL-SAADANY E F, et al. Voltage-based protection scheme for faults within utility-scale photovoltaic arrays[J]. IEEE Transactions on Smart Grid, 2017, 9(5): 4367-4382.

[16] 徐瑞東, 陳昊, 胡義華, 等. 基于高斯過程的光伏陣列故障定位[J]. 電工技術學報, 2013, 28(6): 249-256.

[17] MATAM M, BARRY V. Improved performance of dynamic PV array under repeating shade conditions[J]. Energy Conversion and Management, 2018, 168: 639- 650.

[18] PEI Tingting, ZHANG Jiangfeng, LI Li, et al. A fault locating method for PV arrays based on improved voltage sensor placement[J]. Solar Energy, 2020, 201: 279-297.

[19] HU Yihua, ZHANG Jiangfeng, CAO Wenping, et al. Online two-section PV array fault diagnosis with optimized voltage sensor locations[J]. IEEE Transa- ctions on Industrial Electronics, 2015, 62(11): 7237- 7246.

Photovoltaic array fault detection and location based on voltage threshold and rightmost power peak point

FENG Kai LIN Peijie YU Jinling CHEN Zhicong CHENG Shuying

(College of Physics and Information Engineering, Fuzhou University, Fuzhou 350108)

The faults in photovoltaic (PV) array reduce the efficiency of power generation and the life cycle of the PV system, and even lead to serious disasters such as fire. Therefore, the detection and location the PV array fault is of significant importance. This paper uses the voltage at the rightmost power peak (RPP) of PV array and the first PV modules of each PV string to detect and locate short-circuit faults in PV string, open-circuit faults and partial shades. In addition, the PV array voltage is normalized to determine the degree of short-circuit faults. The proposed method is independent of meteorological parameters and the number of sensors is small. The simulation based on a 10×5 PV array and the experiment using a practical 6×3 PV array are conducted to verify the performance of the proposed approach. The results demonstrate the practicability of the method.

PV array; fault detection; fault location; rightmost power peak (RPP)

2021-02-03

2021-03-09

馮 鍇（1996—），男，河南省南陽市人，碩士研究生，主要從事光伏陣列故障檢測和定位工作。