基于三維動態建模的光伏發電機組故障診斷方法研究

摘 要：為提高光伏發電機組故障診斷的準確性與可靠性，保證光伏發電機組的正常運行和發電效率，利用三維動態建模開展了光伏發電機組故障診斷方法研究。首先，利用數據采集器采集發電機組的運行數據，獲取其運行工況。其次，進行光伏發電機組三維動態建模，集成發電機組的動態特性。最后，基于模型仿真結果和實時運行數據，通過小波變換提取故障特征參數，確定故障所在位置與類型，輸出故障診斷結果。試驗結果表明，提出方法應用后，故障診斷結果極為接近預設的10kW故障輸出功率值，充分驗證了該方法對光伏發電機組復雜運行狀態的深度模擬能力及對故障影響的精確診斷能力。

關鍵詞：三維動態建模；光伏發電機組；故障；診斷；準確性；動態特性

中圖分類號：TM 311" " 文獻標志碼：A

在實際運行中，光伏發電機組由于環境因素、設備老化、操作不當等多種原因，可能面臨復雜多變的故障問題。因此，探索高效、精準的故障診斷方法對提高光伏發電機組的運行可靠性和維護效率具有重要意義。曹瑞峰等[1]通過精細調整SVM算法的核心參數與集成特征提取技術，實現了光伏發電機組故障模式的初步辨識，但該方法的響應時效性較差，難以滿足光伏行業對故障監測與診斷高效性、全面性的高標準要求。龍寰等[2]提出從運行數據中提取特征參數，實現對故障的辨識與分類。然而，該方法在實際操作中面臨以下問題。1）高度依賴數據的完整性與準確性。2）特征選取過程煩瑣且技術要求高，無形中提高了誤判與漏判的可能性，對光伏發電機組的長期穩定運行及發電效率的提升構成了潛在威脅。

三維動態建模技術通過構建光伏發電機組的三維模型，并結合實時運行數據，能夠實現對光伏發電機組運行狀態的動態模擬和可視化展示[3]。因此，本文引入先進的三維動態建模技術，開展了光伏發電機組故障診斷方法研究，為實現故障的快速定位與精準診斷做出貢獻。

1 光伏發電機組運行數據采集

光伏發電機組運行數據采集是一個系統而詳細的過程，旨在實時、準確地收集光伏系統的各項運行參數，為后續故障診斷提供數據支持。對采集到的數據進行分析，可以及時發現光伏發電機組中的故障或異常情況。例如，當發現某個光伏組件的發電量突然下降或者某個逆變器的輸出電壓異常時，可以迅速定位問題，并采取相應的措施進行處理，有助于避免故障擴大化，保障機組的穩定運行。

選用YZ-0524WL型號的數據采集器作為采集設備，其具有高精度、高穩定性。配置電壓傳感器、電流傳感器、溫度傳感器等必要的傳感器。分別在光伏發電機組的光伏組件、逆變器、電網接口等關鍵位置安裝數據采集器和傳感器，并調試設備，確保數據采集的準確性和穩定性[4]。其中，數據采集器通過內置的模數轉換器（ADC）將傳感器輸出的模擬信號轉換為數字信號，并進行初步的處理和存儲，為后續的數據分析和故障診斷提供基礎數據。

在整個監控系統中，數據采集器、傳感器和上位機之間需要協同工作才能實現對光伏發電機組的有效監控和故障診斷。數據采集器負責數據的采集和初步處理；傳感器負責將物理量轉換為可測量的電信號；上位機則負責數據的接收、處理、顯示和故障診斷等工作。三者之間通過緊密的配合和協作，共同保障光伏發電機組的穩定運行和高效發電。對采集參數進行設置，見表1。

按照表1所示的參數進行設置，檢查各采集設備和傳感器的運行狀態，確保無異常后，啟動數據采集程序，開始采集數據。在監控平臺上實時查看各項運行參數，根據參數的動態變化，獲取發電機組的實時運行工況[5]。

2 光伏發電機組三維動態建模

光伏發電機組運行數據采集完畢后，進行光伏發電機組三維動態建模，進而集成發電機組的動態特性。在三維動態建模中，光伏電池的輸出電流是動態變化的參數之一。通過實時計算輸出電流，可以模擬光伏電池在不同時間和環境條件下的工作狀態，為模型的準確性和可靠性提供有力支持。而逆變器模型可以模擬逆變器在不同故障條件下的輸出特性，從而幫助快速定位故障點并采取相應的處理措施，有助于提高光伏發電系統的可靠性和維護效率。

使用三維建模軟件，根據設計圖紙和技術規格書，建立光伏組件、逆變器、支架等關鍵部件的三維模型。首先，確定光伏發電機組的整體場景，包括光伏陣列的布局、逆變器的放置位置、電纜走向等[6]。

但是，光伏組件的特性受到多種復雜因素的影響，例如光伏電池的輸出電流、光生電流等。光伏電池的數學模型基于物理原理構建，可以將這些影響因素以數學表達式的形式呈現出來。因此，通過光伏電池的數學模型來描述光伏組件的特性。光伏組件模型如公式（1）所示。

（1）

式中：I為光伏電池的輸出電流；Iph為光生電流；I0為二極管的反向飽和電流；q為電子電荷量；V為光伏電池的輸出電壓；Rs為串聯電阻；Rsh為并聯電阻；n為二極管理想因子；K為玻爾茲曼常數；T為絕對溫度。

通過上述表達式，描述光伏組件的特性。根據公式（1）計算的光伏電池的輸出電流I，直接反映了光伏組件的發電能力，較大的輸出電流通常意味在給定光照和溫度條件下，光伏發電機組能夠產生更多的電能。

由于光伏電池的輸出電流需要通過逆變器轉換為交流電才能接入電網或供負載使用，逆變器的性能直接影響整個光伏發電機組的發電效率和電能質量。因此，需要建立逆變器模型，逆變器的主電路工作方式是非線性的，且其電路結構相對復雜，給故障診斷帶來了一定的挑戰。通過建立逆變器模型，可以充分考慮其非線性和復雜性特點，設計更合理的故障診斷策略和方法，提高故障診斷的針對性和有效性。逆變器輸出的交流電壓隨時間的變化表達式如公式（2）所示。

Iout（t）=Idc×sin（?t+φ） （2）

式中：Iout（t）為逆變器輸出的交流電壓隨時間t的變化；Idc為逆變器的輸入直流電壓，是一個恒定值；?為角頻率，用于控制輸出交流電的頻率；φ為相位偏移，用于控制交流波形的相位。

公式（2）描述了光伏發電機組逆變器的輸入輸出電流的關系，明確光伏電池的最終輸出電流。

結合光伏電池的輸出電流，綜合采集影響光伏組件的發電效率的太陽輻照度、溫度、風速等環境參數[7]，將其導入MATLAB/SIMULINK軟件中，獲取光伏發電機組的三維動態模型，深入理解光伏系統的運行特性。構建的光伏發電機組的三維動態模型如圖1所示。

3 光伏發電機組故障診斷

光伏發電機組三維動態建模完成后，基于模型仿真結果和實時運行數據，全方位、多維度地進行發電機組故障診斷。

首先，須深入回顧并分析光伏發電機組的歷史運行數據，旨在從中挖掘潛在的異常模式或長期發展趨勢。其次，系統地整理光伏發電機組常見的各類故障，包括其具體類型、引發原因以及外在表現形式，構建一個詳細的故障知識庫，為后續的診斷工作提供堅實的理論支撐與案例參考[8]。利用實時采集的數據與歷史數據庫中的信息相結合，并依托已建立的故障知識庫，進行初步的故障類型預判。這一步驟的關鍵在于準確分析異常數據的獨特特征與變化趨勢，通過對比分析，縮小故障范圍，并初步鎖定可能的故障原因。為進一步驗證并精確診斷故障，將引入三維動態模型進行深度仿真分析。此模型能夠高度模擬光伏發電機組在故障條件下的實際運行狀態，進而更直觀地觀察系統在不同故障情境下的響應。通過動態調整模型參數，并觀察仿真結果的變化，進一步定位故障的具體位置。最后，為了從信號層面精準捕捉故障特征，對光伏發電機組的運行信號進行小波變換。

光伏發電機組的運行信號通常是非平穩的，即信號的統計特性隨時間而變化。傳統的傅里葉變換等信號處理方法在處理非平穩信號時存在局限性，而小波變換則能夠更好地適應這種非平穩性。小波變換以其良好的時頻局部化特性，能夠有效地從復雜信號中提取與故障緊密相關的特征信息，為后續的故障識別及預測提供強有力的支持。這一過程不僅提升了故障診斷的精確度，也增強了整個光伏發電機組運維管理的智能化水平。

在實際應用中，光伏發電機組的運行信號往往包括噪聲和干擾。小波變換具有去噪能力，通過計算小波變換系數并選擇合適的閾值進行去噪處理，可以抑制噪聲成分，增強信號中的有用信息，從而提高故障診斷的準確性。如公式（3）所示。

（3）

式中：x（t）為時域信號；W（a，b）為小波變換去噪函數；a為尺度參數；b為平移參數；ψ（t）為母小波函數。

利用光伏發電機組的相關時域信號（這些信號可能包括了電壓、電流等反映機組運行狀態的信息），同時也夾雜噪聲。然后，確定適合的小波函數，并選擇合適的尺度參數和平移參數進行小波變換。在這個過程中，尺度參數根據要分析的信號頻率范圍進行選擇，大尺度用于捕捉低頻信號部分（對應與光伏發電機組的穩定運行狀態相關的信號），小尺度用于捕捉高頻部分（包括噪聲或者機組運行中的一些突變信息），平移參數確保小波函數能覆蓋整個時域信號。

通過小波變換將原始信號分解為不同尺度下的小波系數后，分析這些系數的特性。由于噪聲對應的小波系數與有用信號（反映光伏發電機組正常運行特征的信號）的小波系數具有不同的統計特性。在本文中，噪聲的小波系數通常較小且分布無規律，而有用信號的小波系數在某些尺度下具有較大值且呈現一定規律。因此在小波變化后可以對小波系數進行篩選，去除那些被判定為代表噪聲的小波系數，從而得到去噪后的光伏發電機組信號。

得到無噪聲的光伏發電機組信號后，設計光伏發電機組故障診斷流程，如圖2所示。

通過以上流程，可以對光伏發電機組進行全面的故障診斷和處理，有效地保證了光伏發電機組的穩定運行與高效發電。

4 試驗分析

4.1 試驗準備

為了驗證基于三維動態建模的光伏發電機組故障診斷方法的有效性，選取一個包括多個光伏陣列的發電機組作為試驗對象。這些光伏組件采用市場上常見的型號，即單晶硅或多晶硅光伏板，額定功率約為300Wp。每個光伏陣列呈矩形排列，組件之間保持適當的間距，以確保良好的通風和光照均勻性。陣列之間有一定的間隔，以減少相互遮擋。具體如圖3所示。

整個光伏發電機組由9個光伏陣列模塊組成，呈矩陣排列，每個陣列模塊由3行3列（即3×3）的光伏組件構成。組件參數見表2。

每個陣列模塊內，9個光伏組件通過串聯連接成一條組件串，以提高輸出電壓；然后，3條組件串再并聯接入匯流箱，以提高輸出電流和總功率。設置電壓和電流傳感器，實時采集光伏陣列和逆變器的運行數據。使用CET-6602分布式發電本地監控站進行實時數據監控。

4.2 診斷結果分析

為了全面評估不同診斷方法的效能，將本文提出的基于三維動態建模的光伏發電機組故障診斷法設為試驗組。同時，選取文獻[1]中創新的基于改進支持向量機（SVM）的診斷方法作為對照組1，文獻[2]中基于數據驅動的診斷方法作為對照組2。針對光伏發電機組中頻發的組件開路故障，試驗設定了一個具體案例，其中模擬的故障狀態下光伏發電機組的輸出功率顯著偏離正常，設定為10kW的故障值。為深入剖析這一故障狀態，將3種故障診斷方法逐一應用于該發電機組輸出功率的詳細診斷中，測量并對比各自得出的輸出功率診斷值，確定發電機組的運行狀態。通過將故障診斷值與預先設定的10kW故障值進行直接比對，能夠科學量化地評估每種診斷方法的準確性、敏感度及可靠性。試驗數據經整理后，直觀展示于圖4中。

由圖4可知，本文引入的基于三維動態建模技術的光伏發電機組故障診斷方法所得診斷結果與預設的10kW故障值高度吻合，這一精準匹配不僅是對其深度模擬光伏系統復雜運行狀態的直接證明，也凸顯了其在捕捉并精確診斷故障影響方面的卓越能力。此結果不僅彰顯了該方法在故障診斷領域的獨特優勢，也為其在提升光伏系統運維效率與可靠性方面的廣泛應用奠定了堅實基礎。

5 結語

在光伏發電機組故障診斷領域，基于三維動態建模的方法無疑為行業帶來了革命性的突破。通過構建高度精細化的三維模型，并融入動態仿真技術，該方法能夠模擬光伏發電機組在各種工況下的實際運行情況，從而實現對潛在故障的精準預測和高效診斷。這一方法的應用不僅提高了光伏發電機組的運維效率，還縮短了故障停機時間，提升了整體經濟效益。期待該方法能夠拓展到更廣泛的能源領域，為構建更安全、更高效、更可持續的能源體系貢獻力量。

參考文獻

[1]曹瑞峰，劉子華，袁婷，等.基于改進SVM的新能源電站故障診斷方法[J].浙江電力，2023，42（11）：11-20.

[2]龍寰，楊婷，徐劭輝，等.基于數據驅動的風電機組狀態監測與故障診斷技術綜述[J].電力系統自動化，2023，47（23）：55-69.

[3]吳忠強，盧雪琴.基于深度遷移學習和LSTM網絡的微電網故障診斷[J].計量學報，2023，44（4）：582-590.

[4]張利慧，李曉波，俎海東，等.風力發電機組滾動軸承故障振動診斷方法綜述[J].內蒙古電力技術，2022，40（3）：7-12.

[5]俞小勇，秦麗文，桂海濤，等.新一代人工智能在配電網智能感知與故障診斷中的應用[J].南方電網技術，2022，16（5）：34-43.

[6]肖馳，張衛東，辛昂倍，等.基于智能監控系統的分布式光伏故障自動診斷研究[J].自動化與儀器儀表，2021（2）：248-251.

[7]李剛，齊瑩，李銀強，等.風力發電機組故障診斷與狀態預測的研究進展[J].電力系統自動化，2021，45（4）：180-191.

[8]徐永干，冉恒，茍鑫，等.基于廣義S變換和QPSO-SVM的水電機組振動故障診斷方法[J].智慧電力，2020，48（2）：38-44，84.