光伏組件故障診斷技術綜述

孫建民，梁 凌，李庚達，段震清，胡文森

(國家能源集團新能源技術研究院有限公司，北京 102209)

0 引言

隨著煤炭、石油等化石能源的不斷消耗及環境問題的日益加劇，新能源發電現已成為當前世界范圍內能源替代與電力供應的主要形式。太陽能發電作為一種清潔、環保的新能源發電方式，近年來得到廣泛應用，其中，光伏發電的發展尤為迅猛。我國光伏電站的裝機規模逐年遞增，截至2019年底，光伏發電裝機容量已累計達到204.3 GW。

在我國，光伏電站的建設通常優先選擇太陽能資源優良的西北部地區，但該類地區多為荒漠、高原、戈壁等環境較為惡劣的區域，這樣的環境條件會對光伏組件產生不利影響，大幅增加其發生故障的概率；且這類地區的人口密度偏低，導致光伏電站存在運維困難和運維周期長的問題，嚴重影響整個光伏電站的發電量。

光伏組件的運行壽命一般為25～30年，但受運行環境條件惡劣等因素的影響，其運行壽命將大打折扣。據統計，處于不同地區、不同環境條件下的光伏電站的年均輸出功率衰減介于0.6%～1.0%之間，這極大影響了整個光伏電站的發電能力[1]。因此，如何保證光伏電站的最大輸出功率，對光伏電站的運維提出了巨大挑戰。

在光伏電站的運維過程中，光伏組件的故障診斷方法已成為其關鍵技術，也是助力光伏電站精細化運維管控、提高光伏發電系統能效的重點研究方向。本文根據當前光伏組件故障診斷研究方向的不同，將光伏組件故障診斷方法分為：基于電路結構的光伏組件故障診斷方法、基于I-V輸出特性曲線的光伏組件故障診斷方法、基于紅外圖像檢測的光伏組件故障診斷方法、基于數學模型的光伏組件故障診斷方法和基于智能算法的光伏組件故障診斷方法這5類[2-4]，然后對這5類光伏組件故障診斷方法的相關研究進行全面介紹，并對每類方法在實際應用時的優、缺點進行分析比較。

1 基于電路結構的光伏組件故障診斷方法

與正常的光伏組件或光伏組串相比，存在故障的光伏組件或光伏組串的電流或電壓會發生明顯的變化。針對此特性，可以給采用不同電路結構的光伏陣列中的光伏組串配置對應的傳感器，從而可對光伏組件進行檢測，實現對故障光伏組件的定位[5-6]。

利用傳感器進行檢測是最直接的基于電路結構的光伏組件故障診斷方法，但若是光伏電站的裝機規模較大，所需的傳感器數量會較多，整體投資成本將顯著增加。因此，在改變光伏陣列電路結構的同時減少傳感器的數量是當前該類光伏組件故障診斷方法的研究重點[7-8]。

通常，光伏陣列的電路結構為SP結構，即多個光伏組件先串聯成光伏組串后，再將光伏組串并聯。文獻[9]提出了一種基于SP結構的光伏組件故障診斷方法，該方法是依據光伏組件電壓的變化來確定光伏組件發生故障的范圍，以實現故障光伏組件的定位。以1個如圖1所示的“8×3”的光伏陣列為例，對該基于SP結構的光伏組件故障診斷方法進行描述：首先依據每條光伏組串的電流(即圖1中的I1、I2、I3)確定故障光伏組串，然后再將每條光伏組串中的2個電壓傳感器的值(即圖1中的V1和V4、V2和V5、V3和V6)分別與其所在光伏組串的電壓值U的進行比較，從而逐步判斷出故障光伏組件的位置。

圖1 基于SP結構的光伏組件故障診斷方法的實例Fig.1 Examples of PV modules fault diagnosis method based on SP structure

文獻[10]在上述研究的基礎上提出重構拓撲結構，在每條光伏組串中均安裝電流傳感器，并利用所測得的電流數據進行初步檢測，這樣可提高故障光伏組件的定位精度。文獻[11]在基于SP結構的基礎上對光伏陣列進行分區域評估，利用各區域的電壓數據差異來確定故障光伏組件的范圍。基于SP結構的光伏組件故障診斷方法能實現可靠、精準的故障光伏組件定位，增加傳感器數量可進一步提升光伏組件故障診斷的精確度，但投資成本也會隨之明顯增加。因此，在保證光伏電站發電收益的前提下，各光伏電站可根據自身情況確定適宜的光伏組件故障診斷的精確度。

當光伏陣列的電路結構采用TCT結構時，其是先將N塊光伏組件并聯，然后再串聯連接，采用該結構的光伏陣列主要是利用電流傳感器來進行光伏組件故障診斷。與基于SP結構的光伏組件故障診斷方法相比，基于TCT結構的光伏組件故障診斷方法較大程度地減少了電流傳感器的數量，降低了檢測成本。文獻[12]在TCT結構基礎上構建CTCT結構，并提出了一種基于CTCT結構的新的光伏組件故障診斷方法，該診斷方法是在光伏組件串聯時在每2排光伏組件之間增加m層電流傳感器，依據每層電流傳感器的顯示數值來確定故障光伏組件的位置。

雖然基于TCT結構的光伏組件故障診斷方法已較大程度地減少了電流傳感器的數量，但其采用的電流傳感器的數量依然較多。因此，文獻[13]將TCT結構與SP結構結合構成CTCT結構，并提出了一種基于CTCT結構的新的光伏組件故障診斷方法。該診斷方法具體為：光伏陣列中，每排光伏組串由N個光伏組件串聯，排與排之間并聯；然后每相鄰L個光伏組件設置1個電流傳感器，電流傳感器數量為；將每排光伏組串視為1條SP結構的分支，并設置1個電壓傳感器。該診斷方法是先測出整條分支電路的總電壓和總電流，由電壓傳感器確定故障發生的具體排數，然后再利用電流傳感器確定對應排數中故障光伏組件所在區域的范圍。隨著光伏陣列的數量增加，相對于基于TCT結構的光伏組件故障診斷方法，該基于CTCT結構的光伏組件故障診斷方法采用的傳感器數量可減少20%～50%。

以上幾種光伏組件故障診斷方法均只能實現故障光伏組件的定位，并不能判斷光伏組件的故障類型。基于此，文獻[14]提出了基于SN-TCT結構的光伏組件故障診斷方法，該診斷方法將每排光伏組串理論的電壓、電流信息與實測的電壓、電流信息進行對比，可將故障光伏組件的定位范圍縮小到一定程度，然后采用復合信息融合算法結合實測的光伏組串電壓、電流信息，利用概率分布函數判斷出故障光伏組件的位置。該診斷方法的優點在于結合了環境信息與傳感器信息，增加了故障模式的識別能力，提高了故障定位的準確率。

通過查閱相關文獻發現，大部分基于電路結構的光伏組件故障診斷方法可實現對斷路這種故障類型的定位，極少數可實現對陰影故障類型的識別，而且由于需要重新加裝傳感器的問題，基于電路結構的光伏組件故障診斷方法目前僅適合應用于裝機規模較小的光伏電站[15]。對于裝機規模較大的光伏電站而言，該類光伏組件故障診斷方法的檢測方法復雜，使用的傳感器數量較多、成本較高，并且裝機規模較大的光伏電站的電路結構已確定，若對電路結構進行改造，則改造成本較大，因此，基于電路結構的光伏組件故障診斷方法的實用性較差。

綜上所述，當前基于電路結構的光伏組件故障診斷方法發展的關鍵和重點研究方向是在保證檢測精確度的前提下減少傳感器的使用數量，降低傳感器投資成本；并在結合大數據的情況下，實現光伏組件故障類型的判定[16-17]。

2 基于I-V輸出特性曲線的光伏組件故障診斷方法

通過分析標準測試條件(STC)下，處于正常狀態與處于故障狀態的光伏組件的I-V輸出特性曲線(如圖2所示)，以及光伏組件工作溫度為25 ℃時，不同太陽輻照度下光伏組件的I-V與P-V輸出特性曲線(如圖3所示)發現，這2種輸出特性曲線均呈現出有規律的變化。針對此光伏組件輸出特性曲線規律，可根據光伏組件在不同故障狀態和不同環境條件下的電壓、電流、最大功率點等各項指標進行故障類型的分析和判斷；也可通過對比實測光伏組件性能得到的實際輸出特性曲線與利用光伏組件出廠參數模擬得到的理論輸出特性曲線進行對比分析，以此來判斷光伏陣列中是否存在故障光伏組件。

圖2 STC下處于正常狀態與故障狀態的光伏組件的I-V輸出特性曲線Fig.2 I-V output characteristic curve of PV modules in normal state and fault state under STC

圖3 光伏組件工作溫度為25 ℃時，不同太陽輻照度下光伏組件的I-V、P-V輸出特性曲線Fig.3 I-V and P-V output characteristic curves of PV module under different solar irradiance when working temperature of PV module is 25 ℃

從光伏組件的I-V、P-V輸出特性曲線能直接獲取其最大輸出功率、最大功率點電壓、最大功率點電流、短路電流和開路電壓等多個參數，依據光伏組件故障特性對這些參數進行整合，可得到對光伏組件故障更加敏感的特征參數。文獻[18]基于光伏組件I-V輸出特性曲線的形狀，獲取了光伏組件的熱等效電壓、曲線拐點因子、最大功率點因子、等效串聯電阻和填充因子這5個故障診斷指標，以這5個故障診斷指標針對不同光伏組件故障類型呈現出的不同敏感程度作為判斷基準，將經過規范處理(即數據歸一化)后的指標采用模糊分類的方法進行分類，對分類后的結果進行打分并設定閾值，從而實現光伏組件故障類型的判斷及分類。從光伏組件I-V輸出特性曲線獲取數據并處理后，可據此較為容易地對不同的光伏組件故障類型進行相應的判斷，在經過參數指標對光伏組件故障類型的合理評估后，擇優選取適合的閾值，并以此精確判定光伏組件故障的分類結果。

可結合多個參數對基于I-V輸出特性曲線的光伏組件故障診斷方法進行研究分析。文獻[19]提出了一種基于功率損失與I-V輸出特性曲線的光伏組件故障診斷方法。該診斷方法首先確定光伏組串理論上的功率損失，然后依據光伏組串的實際功率損失來判斷其是否存在異常，再依據光伏組串電壓的變化量來判斷光伏組串的短路位置及短路光伏組件的個數，最后依據光伏組串的填充因子判斷光伏組件是否存在老化故障，從而完成對光伏組件故障類型的診斷。

文獻[20]提出了一種基于編碼的光伏組件故障快速診斷模型，用于模擬不同故障類型下光伏組件的I-V輸出特性曲線，以光伏組件實測值與理論值之間的最小誤差作為目標函數，建立優化目標函數，利用DE算法辨識出光伏組件故障最優參數，可較為準確地定位故障光伏組件并識別其故障類型。

由于光伏組件對環境的敏感度較高，因此將環境因素作為光伏組件性能的影響因素并結合光伏組件的I-V輸出特性曲線可進一步判斷光伏組件的工作狀態。文獻[21]將光伏組件I-V輸出特性曲線與光伏組件的工作溫度，以及環境溫度、太陽輻照度等環境數據相結合，可較為全面地描述光伏組件的工作狀態，進一步提高了光伏組件故障診斷的精確度。

基于I-V輸出特性曲線的光伏組件故障診斷方法的優點是其對于故障特征參數的獲取較為便利，且故障特征參數的信息量較大，對于故障類型的鑒別及判定較為容易[22-23]。但基于I-V輸出特性曲線的光伏組件故障診斷方法也存在以下缺點：一方面，該類故障診斷方法不能確定故障發生的具體位置，且能夠識別的故障類型也十分有限；另一方面，該類故障診斷方法無法得到故障程度的量化指標，如部分陰影遮擋的程度、串聯電阻的增加值和短路光伏組串的數量等，而這些量化指標有助于運維人員采集故障信息并進行故障光伏組件的批量處理。

3 基于紅外圖像檢測的光伏組件故障診斷方法

基于紅外圖像檢測的光伏組件故障診斷方法的優勢在于利用紅外圖像能夠定位到故障光伏組件的具體位置，且不需要獲取光伏組串的特性參數，利用計算機進行圖像分析即可進行光伏組件的故障診斷。但是該故障診斷方法具有一定的局限性：1)需要確保光伏組件是運行在環境穩定的狀態下；2)若光伏組件工作溫度受環境溫度的影響較大時，光伏組件發生故障時其工作溫度的波動將不是特別明顯，所以無法根據紅外圖像中光伏組件的表面溫度來判斷光伏組件故障類型。以上原因極大限制了基于紅外圖像檢測的光伏組件故障診斷方法的應用。

但隨著紅外熱成像探頭的不斷升級，對于光伏組件工作溫度的測定有了進一步的提升，利用紅外圖像對光伏組件進行故障診斷的技術也趨于完善[24]。

不同工作狀態下的光伏組件內部太陽電池呈現的溫度特性也不同，光伏組件的工作溫度T可表示為：

式中：為 太陽電池對太陽光線的有效吸收率；S為太陽常數值；Γ為光伏陣列法線與光伏陣列太陽連線之間的夾角；為有效的正面半球向外的太陽輻射率；εHB為北面半球向外的太陽輻射率；σ為史蒂芬-玻爾茲曼常數。

在太陽電池發生故障時，其所發電能會轉化為熱能，導致太陽電池的工作溫度發生變化，異常太陽電池的工作溫度Tdes與正常太陽電池的工作溫度Tnor之間的關系可表示為：

式中：L1為光照強度；η為正常太陽電池的實際光電轉換效率。

根據式(2)，當η=15%時，Tdes可表示為：

根據式(2)，當η=30%時，Tdes可表示為：

由式(3)和式(4)可知，太陽電池的光電轉換效率在提升的同時，一旦太陽電池發生異常，光伏組件的工作溫度也會隨之升高，所以利用紅外圖像能夠直觀反應出光伏組件的狀態，這也是可以利用紅外圖像檢測識別發生故障的光伏組件的最根本原因[25-27]。

文獻[28]提出了利用紅外圖像檢測來分析光伏陣列的工作狀態。對得到的紅外圖像進行分析預處理，在考慮風力、環境溫度和太陽輻照度等諸多環境因素的影響后，再結合氣象和電氣等各類信息，采用IF-ELSE模糊推理的方法實現了對光伏陣列中光伏組件運行狀態的診斷，并依據診斷效果對紅外探頭的性能提出了要求，明確了高分辨率的紅外探頭對光伏組件故障類型的識別具有促進作用。

除了可以檢測熱斑故障，基于紅外圖像檢測的光伏組件故障診斷方法也可根據因不同外部原因造成光伏組件故障時其紅外圖像產生的顏色變化來進行光伏組件故障類型檢測。文獻[29]提出了基于近紅外圖像的硅太陽電池故障檢測，利用近紅外電荷耦合器件(CCD)設備拍攝太陽電池通電后的紅外圖像信息，通過紅外圖像識別技術，針對不同的故障提出不同的算法，能較好地檢測出隱裂、碎片等光伏組件外在故障；而且由于算法較為簡單，因此該故障診斷方法的檢測效率較高。但受限于設備性能，該故障診斷方法對于造成熱斑的光伏組件內在缺陷無法進行正確識別。

文獻[30]提出了利用CCD設備配合紅外設備拍攝紅外圖像光伏組件，采用形態學轉換技術對拍攝到的紅外圖像信息進行處理后，使用Canny邊緣算法對存在缺陷的光伏組件進行檢測的方法。該方法對紅外圖像的分割采用熱像素種子算法，對輸入的紅外圖像進行預處理、高斯濾波和直方圖均衡化后，依據所得到的種子像素進行最小距離偏差計算，并根據最小距離偏差是否超過閾值來判定光伏組件的故障點。通過該方法可同時檢測到光伏組件內在、外在故障，且檢測質量得到了極大提高。

文獻[31]在利用紅外圖像分析光伏組件熱斑現象的同時，對光伏組件中太陽電池的破碎、焊帶的斷裂也進行了研究，以不同故障類型光伏組件的紅外圖像呈現的顏色不同為依據進行光伏組件故障類型的判定。此方法依據紅外圖像可直接進行光伏組件故障類型的分類，但該文獻未對光伏組件故障類型的自動分類進行探究。

將紅外圖像信息轉化為數字信息也可進一步提升光伏組件故障診斷的效果。文獻[32]利用卷積神經網絡成功對光伏組件紅外圖像進行編碼，依據圖像中不同顏色等級對應的數值，實現了對單塊光伏組件中太陽電池工作狀態的識別，從而完成了光伏組件的故障診斷。該方法同時利用脈沖神經網絡實現了對太陽電池處于工作狀態時的時序信息的學習，且能夠實現理想的光伏組件故障預警效果。

文獻[33]將紅外圖像轉換為色相、飽和度和強度(HSI)的顏色空間，并通過k-means聚類算法對(A,B)、(LAB)這2個顏色通道的顏色空間進行進一步分割，從突出的紅外圖像色素區提取時域特征，從而可對背板分層、EVA膜氣泡、太陽電池蝸牛紋這3類光伏組件故障進行鑒別。

綜上所述可知，紅外圖像檢測對于光伏組件故障類型的檢測主要針對太陽電池破碎等外在故障和熱斑等存在較大溫度變化的內在故障，而對于其他故障，如光伏組件短路等光伏組件工作溫度變化較小的故障的檢測效果則較差[34]。另一方面，基于紅外圖像檢測的光伏組件故障診斷方法主要依賴于圖像識別技術，因此對于探測設備探頭分辨率等的要求較高；其次，圖像的預處理對于圖像識別技術也尤為重要，可為光伏組件故障類型的進一步識別與故障處理等奠定基礎；最后，圖像識別技術受環境因素的影響較大，其對于單一的環境信息的要求較高。但由于目前光伏電站的建設環境都較為復雜，因此，提高圖像的預處理能力、紅外熱成像探頭的識別精度都是基于紅外圖像檢測進行光伏組件故障診斷的發展方向[35]。

4 基于數學模型的光伏組件故障診斷方法

隨著計算機技術與測試技術的發展，在掌握相關技術原理的前提下通過建立光伏組件數學模型，并利用軟件進行仿真來診斷光伏組件的工作狀態，可作為一類光伏組件故障診斷方法。

光伏組件的等效電路圖如圖4所示，圖中：Iph為光伏組件的光生電流；RL為光伏組件的等效外負載；Rs為光伏組件的等效串聯電阻；Rsh為光伏組件的等效并聯電阻；V為光伏組件輸出端的端口電壓；I為光伏組件輸出端的端口電流。

圖4 光伏組件的等效電路圖Fig.4 Equivalent circuit diagram of PV module

圖中各參數之間的關系式可表示為：

式中：I0為二極管的反向飽和電流；n為二極管的理想因子；q為電子電荷，取值為1.602×10-19C。

所有的光伏組件數學模型均依據圖3及式(5)來推導，進而進行仿真與分析[36]。基于數學模型的光伏組件故障診斷方法是對光伏組件真實情況的初步理論判斷，該方法的優勢在于能較為理想的對光伏組件的故障類型進行識別，從機理上判斷故障發生的原因，在進一步優化的情況下，根據得到的實際數據可進行較為精確地判斷，且檢測成本較低、需提取的數據種類較少，便于實際的光伏組件故障類型的分析[37-38]。

文獻[39]提出了一種基于參數擬合方法的光伏組件等效電路模型，利用單二極管等效電路模型，推導出光伏組件各性能參數的數學表達式，再利用人工魚群算法對參數進行辨識，采用最小二乘法對參數不斷優化擬合，使該光伏組件數學模型的精確度不斷提高，從而可滿足光伏組件故障診斷的要求。文獻[40]提出了使用Simulink模型對光伏組件的特征進行模擬，然后將模擬數據與實測數據進行比較，若某性能參數數值的誤差較大，則可據此判定該光伏組件發生了故障。該方法的關鍵點在于輸入數據的準確性，缺點是對于環境條件產生的影響考慮較少。

由于模型的環境變動性，不同研究建立的模型也會有所差別。文獻[41]針對陰影對光伏組件的遮擋程度進行等級劃分，并依據劃分的等級分別對模型參數進行修正，修正后的模型可實現大部分因陰影遮擋造成的光伏組件故障的仿真，進一步為光伏組件的故障診斷提供了理論模型。文獻[42]提出了一種在光伏組件等效電路模型的基礎上計算光伏陣列等效串聯電阻的數學模型，依據正常工作及存在異常這2種狀態下的光伏陣列等效串聯電阻值的變化，可進一步分析出光伏組件的故障類型。

基于數學模型的光伏組件故障診斷方法的研究時間較長，但由于不同的環境條件會使光伏組件故障研究的側重點不同，因此每個研究所建立的模型針對環境條件都具有唯一性，較難適用于其他環境條件。從目前的文獻分析來看，基于數學模型的光伏組件故障診斷方法能檢測出的故障類型非常有限，且也較難判別故障光伏組件的位置，具有一定的局限性；而且為了提高光伏組件故障診斷的精確度，建立模型后，故障診斷需與神經網絡和聚類算法相結合，因此光伏組件數學模型的精確度是此類故障診斷方法診斷結果精確度的基礎條件。

5 基于智能算法的光伏組件故障診斷方法

基于智能算法的光伏組件故障診斷方法采用的智能算法主要分為2大類：一類是基于模糊理論算法，由于該算法的模糊隸屬函數與模糊規則尚不成熟，因此利用該智能算法對光伏組件進行故障診斷尚處于初步研究階段[43-44]；另一類是基于神經網絡算法。神經網絡是一種通過模仿動物神經網絡的行為特征，進行分布式并行信息處理的數學模型。神經網絡的優勢在于利用復雜的關系模型能夠解決多種輸入與輸出之間的非線性聯系，從而實現對參數的識別與判定，在現如今大數據、數據挖掘技術的催化下，其能夠得到不斷學習，從而提高識別的準確性[45]。

目前，BP神經網絡因具有適應性高、自學能力強的特點而被廣泛使用，但BP神經網絡的收斂速度較慢，容易陷入局部極小值點。基于此原因，各研究學者不斷對BP神經網絡進行改進，在尋優方面進行了重點研究。文獻[46]提出了基于BP神經網絡的光伏組件故障診斷方法，該方法利用布谷鳥算法的尋優特性有效解決了BP神經網絡尋優差的缺點，提高了故障診斷的精確度和檢測速度。

由于BP神經網絡的特性及其在參數識別方面的缺陷，文獻[47]提出了改進型的基于徑向基(RBF)神經網絡的光伏陣列故障類型識別算法，在確定隱含層中心的同時，采用粒子群優化算法對RBF神經網絡光伏陣列故障診斷模型進行自適應權重尋優，避免陷入局部最優，最終提升了神經網絡的泛化能力與收斂速度，使光伏組件故障診斷的精確度得到進一步提升。

神經網絡對于光伏組件故障特征參數的要求較高，數據在能夠反映故障特性的前提下進行大量訓練是提高光伏組件故障診斷精確度的唯一方式。文獻[48]基于深度挖掘技術，結合天氣參數等氣象信息，利用多方數據間的相關性確定了光伏組件故障特征參數，特征參數經過訓練后，提高了光伏組件故障診斷的精確度，且故障影響條件也考慮的較為全面，此故障診斷方法是今后光伏組件級故障診斷技術發展的方向。

文獻[49]利用輸入參數為太陽輻照度和光伏組件工作溫度的神經網絡對變工況下的光伏組件電流、電壓的輸入、輸出值進行預測，并與光伏組件實際的電流、電壓進行比較后，得出平均絕對誤差MAE的值，利用誤差率設定誤差范圍，以此來判斷光伏組件是否存在故障。

文獻[50]依據環境溫度、相對濕度等氣象條件，利用物理混合神經網絡，首先對光伏組件的輸出功率進行在線預測，將得到的光伏組件輸出功率預測值與光伏組件的實際輸出功率進行對比，并確定一級警告閾值；再與其鄰近光伏組件的輸出功率實際值進行對比，確定二級警告閾值；最后根據不同級別的警告閥值實現對光伏組件故障程度的判定。但該方法對于具體的光伏組件故障類型還無法進行識別。

基于神經網絡算法的光伏組件故障診斷方法的主要實施思路分為網絡的訓練與實測這2個部分。此方法的關鍵點是需要大量的數據對神經網絡進行不斷地訓練，才能得到某一特定場合下的診斷網絡，因此，神經網絡對光伏組件故障診斷結果的準確度對數據的數量級有一定的依賴性，數量級越大，神經網絡的適用性越強，因此數據的長期收集對于神經網絡的診斷準確度至關重要[51-52]。其次，神經網絡算法的適用性較弱，訓練后的神經網絡需要依據時間、地點、季節和環境溫度等環境條件隨時做出修改才能保證神經網絡與實際環境條件的一致性，進而提高神經網絡判斷的準確度。隨著大量光伏電站的建設，各種環境條件下皆產生了大量數據，這為基于神經網絡算法的光伏組件故障診斷方法的廣泛應用提供了數據支撐[53-54]。

6 光伏組件故障診斷方法的展望

6.1 光伏組件故障診斷方法小結

對本文提到的5類光伏組件故障診斷方法進行總結，不同故障診斷方法的優、缺點如表1所示。

在綜合分析光伏組件安裝條件、環境影響、故障診斷方法的特點及檢測成本等情況后，針對不同光伏發電項目的情況，可依據不同光伏組件故障診斷方法的優、缺點進行選取。

表1 不同光伏組件故障診斷方法的優、缺點Table 1 Advantages and disadvantages of different PV modules fault diagnosis methods

1)基于電路結構的光伏組件故障診斷方法的檢測結果較為準確，但其精確度的提升是以提高投資成本為代價，因此是否使用基于電路結構的光伏組件故障診斷方法，需要依據光伏陣列的電路結構所需傳感器的數量進行判斷。

2)基于I-V輸出特性曲線的光伏組件故障診斷方法對于數據的獲取較為方便，但數據獲取的前提是光伏組件數據來源的定位，尤其是針對大型光伏電站，光伏組件級的故障診斷目前尚無法實現，但隨著交直流載波技術的逐漸成熟，該方法的優勢也將逐漸顯現。

3)基于數學模型的光伏組件故障診斷方法和基于智能算法的光伏組件故障診斷方法對于環境的依賴性較強，尤其是基于智能算法的光伏組件故障診斷方法，對于特定環境數據的數據量的要求較高，其依賴性更強。但隨著大數據、人工智能技術的不斷升級，基于智能算法的光伏組件故障診斷方法在有特定需要時可以依據環境隨時做出調整。

4)針對大型光伏電站，各類光伏組件故障診斷方法的診斷級別中，除了基于紅外圖像檢測的光伏組件故障診斷方法以外，其他光伏組件故障診斷方法的故障診斷級別僅能達到光伏組串級。但隨著技術的不斷提高，各類光伏組件故障診斷方法的識別精度也將逐漸提高。

6.2 展望

依據未來智能光伏電站的建設要求，實現“無人值守，少人值班”的可能性需要建立在算法智能化、設備智能化、人工智能化、傳輸智能化等方面的基礎上，隨著智能化技術的不斷進步，光伏組件故障診斷方法也需要不斷升級，這不僅是對光伏組件故障診斷領域的研究提出了更高要求，更是對整個光伏運維行業提出了更高要求。基于上述幾種光伏組件故障診斷方法診斷特點的分析，對光伏組件故障診斷技術的發展趨勢進行預測。

未來，基于電路結構的光伏組件故障診斷方法的發展趨勢為：一方面，要找到采用傳感器數量最小的光伏陣列電路結構；另一方面，需要與智能算法相結合，從增加傳感器檢測的物理層面與數據分析及診斷的理論層面這2個方向進行故障光伏組件的定位和診斷，此類診斷方法是未來智能光伏電站建設的決策性因素[14,55]。

對算法的自學習、自適應性提出一定要求，使算法能夠在任何智能光伏電站評價中準確發揮出其作用是智能算法的一大研究趨勢。為了提高光伏電站的運維效率并降低運維工作量，實現精細化運維管理，故障診斷級別達到光伏組件級也是未來光伏組件故障診斷技術發展的熱門方向。

7 結論

本文對基于電路結構的光伏組件故障診斷方法、基于I-V輸出特性曲線的光伏組件故障診斷方法、基于紅外圖象檢測的光伏組件故障診斷方法、基于數學模型的光伏組件故障診斷方法和基于智能算法的光伏組件故障診斷方法進行了全面介紹和分析比較，并對光伏組件故障診斷技術未來的發展趨勢進行了展望。光伏組件故障診斷方法的選擇需要在綜合分析光伏組件安裝條件、環境影響、故障診斷方式特點及檢測成本等情況后，針對不同光伏電站的情況，依據不同光伏組件故障診斷方法的優、缺點進行選取。隨著未來光伏電站智能化技術的不斷進步，光伏組件故障診斷方法也將不斷升級。