光伏組件I-V 輸出特性的典型故障分析與診斷

摘 要： 通過基于單二極管太陽電池等效電路模型，研究分析熱斑、電勢誘導衰減（potential induced degradation，PID）和老化3 種典型故障的機理特性與I-V 輸出特性。通過分析3 種典型故障在I-V 特性曲線中的變化規律及差異性，提取不同故障的關鍵特征量，并將特征量與概率神經網絡（probabilistic neural network，PNN）相結合，提出一種基于IV輸出特性的故障診斷方法。通過光伏發電運營企業提供的故障組件作為實驗數據來源進行實驗測試，實驗結果表明：故障診斷模型的準確率為99.02% 左右，僅存在少有的誤判情況，所提出的故障診斷方法能夠可靠地實現各故障的原因判定，可對智能化地運維光伏電站提供有效的幫助。

關鍵詞： 太陽電池; 光伏組件; 等效電路模型; I-V 輸出特性; 特征量提取; 故障診斷

中圖分類號： TB9; TM615 文獻標志碼： A 文章編號： 1674–5124（2024）12–0163–06

0 引 言

光伏組件長年在復雜多變的環境中工作，容易產生各種故障，熱斑、PID 和老化是最為常見的三大典型故障[1]。其中PID 與老化故障會縮短組件的工作壽命，熱斑故障會使光伏組件產生失配現象，惡化組件的電氣輸出特性，嚴重降低電站的發電效率[2-3]。因此，通過分析熱斑、PID 和老化故障的機理特性，研究其I-V 輸出特性曲線的變化特征，從而提出一種故障診斷方法，對提高光伏電站的運維技術及其發展具有良好的理論研究意義。

國內外學者在光伏組件故障診斷方面取得了一定成果，其中診斷技術大致可分為圖像法、時間序列法、模型參數法與I-V 特性法[4-6]。文獻[7] 采用圖像法，通過對組件進行電致發光（EL）測試后，從EL 圖陰影區域、昏暗程度、出現位置的參數判定組件的隱裂故障。文獻[8] 采用時間序列滑動窗法（TSSW），通過計算TSSW 中每個當前點的局部異因子設置閾值來檢測老化等故障。文獻[9] 采用傳統參數法，通過解析法求解遮擋狀態下光伏單元輸出特性模型，研究電路遮擋狀態時參數的變化規律，從而確定診斷特征量，實現異物遮擋的故障診斷。文獻[10] 采用智能參數法，通過改進粒子群算法辨識參數，采用概率神經網絡計算老化指標，實現老化故障程度診斷。文獻[11] 采用I-V 特性法，利用環境溫度、輻照強度以及不同故障狀態下的I-V 曲線，作為數據訓練樣本，建立卷積神經網絡模型，結合殘差回歸算法，診斷局部遮擋、老化等故障。

綜合上述國內外的故障診斷方法現狀分析，圖像法需要基于電致發光儀、熱成像儀等設備，診斷成本較高。時間序列法研究正常與故障狀態下時間序列波形特征的變化規律，此方法雖然實時性好，不影響組件正常工作，但需要大量的電站數據作為支撐，同時故障之間電流/電壓的變化特征難以在時序圖中定性及區分，并且其變化幅度也難以定量。模型參數通過求解等效電路模型，獲得模型參數，研究參數與故障的對應關系，能夠實現多類故障診斷結果，但參數計算的精度及驗證問題有待進一步研究。I-V 特性曲線具有明確、可量化故障的關鍵特征，是當前研究的熱點。因此，本文基于I-V 特性法通過實測光伏電站數據，研究典型故障I-V 特性曲線的變化特征，獲得不同故障之間的相對應關鍵點特征，提出光伏組件典型故障診斷方法，實現故障的原因判定。