CN105406818A - 一种光伏发电组件优化监控方法和系统 - Google Patents

Abstract

本发明公开了一种光伏发电组件优化监控方法和系统，包括获取光伏组件参数，计算能够表示老化程度的填充因子；判断填充因子是否超过预设的阈值；根据判断结果，若超过则该光伏组件老化程度严重，若没有超过则该光伏组件短路或轻微老化。因此，所述光伏发电组件优化监控方法和系统能够实现对光伏组件工作状态的监测和诊断。

Description

一种光伏发电组件优化监控方法和系统

技术领域

本发明涉及新能源领域，特别是指一种光伏发电组件优化监控方法和系统。

背景技术

太阳能光伏发电是利用太阳能电池的光伏效应将太阳辐射能直接转换为电能的一种发电形式。目前，化石能源短缺、环境污染严重和全球气候变化等问题日益突出，世界能源发展呈现出清洁化、低碳化、高效化的新趋势。我国太阳能资源与美国相近，比欧洲、日本优越得多，具有的开发潜力极其广阔，近年来更是进入高速发展时期，成为了新的增长点。太阳能的开发利用符合我国能源发展战略、实现电力可持续发展、电力结构调整和环境保护的需要。我国未来将有大量分布式清洁能源发电及其他形式发电接入电网，要求电网具有清洁能源接纳能力。

目前，市场上大多数的光伏组件优化监控系统都是基于组件连接系统的方式，采集电流、电压、温度等参数通过调节组件输出参量达到最大功率点追踪(MPPT)值，达到光伏优化器能够优化每块光伏组件的输出功率，为每一个光伏组件独立执行最大功率点追踪(MPPT)。而这些光伏组件优化监控系统在系统组网、组件功率监测方面存在技术缺失和空白。

发明内容

有鉴于此，本发明的目的在于提出一种光伏发电组件优化监控方法和系统，能够实现对光伏组件工作状态的监测。

基于上述目的本发明提供的光伏发电组件优化监控方法，包括

获取光伏组件参数，计算能够表示老化程度的填充因子；

判断填充因子是否超过预设的阈值；

根据判断结果，若超过则该光伏组件老化程度严重，若没有超过则该光伏组件短路或轻微老化。

在一些实施例中，所述获取光伏组件的参数包括光伏组件在标准测试条件下的短路电流I_SC和在最大功率点处的电流I_m，以及该光伏组件开路电压U_OC和在最大功率点处的电压U_m；通过所述的光伏组件参数来表示能够表示老化程度的填充因子：

${\mathrm{\σ}}_{FF}=\frac{U_m{I}_m}{U_{oc}{I}_{sc}}.$

在一些实施例中，所述判断填充因子没有超过预设的阈值时，还包括：

根据预设的光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值，计算光伏组件中电池短路时的最大功率点到开路电压点连线斜率的绝对值；

判断光伏组件中电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设上限；

根据判断结果，若是则该光伏组件严重短路；若不是则判断光伏组件中电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设下限，若是则该光伏组件轻微老化，若不是则该光伏组件正常或者轻微短路。

在一些实施例中，所述光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值K，通过如下公式获得：

$K=\frac{I_m}{U_{oc}-U_m}.$

在一些实施例中，所述电池短路时的斜率绝对值K’，通过如下公式获得：

$K^{\′}=\frac{m}{m-n}K$

其中，n为电池短路的块数，m为光伏组件中的电池数量。

另外，本发明还提供了一种光伏发电组件优化监控系统，包括

填充因子获取单元，用于获取光伏组件参数，计算能够表示老化程度的填充因子；

填充因子判断单元，用于判断填充因子是否超过预设的阈值；

监控判断单元，用于根据判断结果，若超过则该光伏组件老化程度严重，若没有超过则该光伏组件短路或轻微老化。

在一些实施例中，所述填充因子获取单元获取光伏组件的参数包括光伏组件在标准测试条件下的短路电流I_SC和在最大功率点处的电流I_m，以及该光伏组件开路电压U_OC和在最大功率点处的电压U_m；通过所述的光伏组件参数来表示能够表示老化程度的填充因子：

${\mathrm{\σ}}_{FF}=\frac{U_m{I}_m}{U_{oc}{I}_{sc}}.$

在一些实施例中，所述监控判断单元判断填充因子没有超过预设的阈值时，还包括：

根据预设的光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值，计算光伏组件中电池短路时的最大功率点到开路电压点连线斜率的绝对值；

判断光伏组件中电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设上限；

根据判断结果，若是则该光伏组件严重短路；若不是则判断光伏组件中电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设下限，若是则该光伏组件轻微老化，若不是则该光伏组件正常或者轻微短路。

在一些实施例中，所述光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值K，通过如下公式获得：

$K=\frac{I_m}{U_{oc}-U_m}.$

在一些实施例中，所述电池短路时的斜率绝对值K’，通过如下公式获得：

$K^{\′}=\frac{m}{m-n}K$

其中，n为电池短路的块数，m为光伏组件中的电池数量。

从上面所述可以看出，本发明提供的光伏发电组件优化监控方法和系统，通过获取光伏组件参数，计算能够表示老化程度的填充因子；然后判断填充因子是否超过预设的阈值，若超过则该光伏组件老化程度严重，若没有超过则该光伏组件短路或轻微老化。因此，本发明能够实现对光伏组件工作状态的监测，并且能够对光伏组件的工作状态进行诊断。

附图说明

图1为本发明实施例中光伏发电组件优化监控方法的流程示意图；

图2为本发明可参考实施例中光伏发电组件优化监控方法的流程示意图；

图3为本发明可参考实施例中单二级管等效电路模型的示意图；

图4为本发明可参考实施例中光伏组件短路输出特性的示意图；

图5为本发明可参考实施例中光伏组件串联电阻值Rs增加时输出特性曲线的示意图；

图6为本发明可参考实施例中光伏组件并联电阻值R_sh减小时输出特性曲线的示意图；

图7为本发明可参考实施例中不同光照强度和温度时的FF值变化的示意图；

图8为本发明可参考实施例中光伏组件正常时的斜率绝对值意义的示意图；

图9为本发明可参考实施例中不同故障类型下的K值的示意图；

图10为本发明可参考实施例中BP神经网络结构的示意图；

图11为本发明实施例中光伏发电组件优化监控系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

作为本发明的一个实施例，参阅图1所示，为本发明实施例中光伏发电组件优化监控方法的流程示意图。所述的光伏发电组件优化监控方法包括：

步骤101，获取光伏组件参数，计算能够表示老化程度的填充因子。

在实施例中，获取光伏组件的参数包括光伏组件在标准测试条件下的短路电流I_SC和在最大功率点处的电流I_m，以及该光伏组件开路电压U_OC和在最大功率点处的电压U_m。优选地，通过上面所述的光伏组件参数来表示能够表示老化程度的填充因子，即：

填充因子 ${\mathrm{\σ}}_{FF}=\frac{U_m{I}_m}{U_{oc}{I}_{sc}}---\left(7\right).$

较佳地，光伏组件在标准测试条件下的短路电流I_SC可以通过如下方法获得：步骤一：建立光伏组件等效模型。其中，光伏组件等效模型参数包括光伏电池的光生电流Iph(光生电流大小由太阳辐照度G决定)、二极管反向饱和电流I_SD以及等效串联电阻Rs、等效并联电阻Rsh。需要说明的是，光伏电池的光生电流Iph、二极管反向饱和电流I_SD、等效并联电阻Rsh并联之后与等效串联电阻Rs串联。

步骤二：获得光伏组件的等效电路方程。具体实施为：

一块光伏组件由m个光伏电池串联而成，则一块光伏电池的基尔霍夫电流定律(Kirchhoff’scurrentlaw，KCL)等效电路方程为：

$I=I_{ph}-I_{SD}\{\exp \[\frac{q(U+{\mathrm{IR}}_s)}{nkT}\]-1\}-\frac{U+{\mathrm{IR}}_s}{R_{sh}}---\left(1\right)$

其中，q为电子电荷量(1.602×10C)；k为玻尔兹曼常数(1.381×10-23J/K)；T为热力学温度(常温近似为300K)；U和I分别为等效电路的输出电压和电流。

步骤三：获取光伏组件在标准测试条件下的短路电流I_SC。具体实施为：

$I_{ph}=\[I_{sc}+k_i(T-T_0)\]\frac{G}{G_0}---\left(2\right)$

其中，I_sc在标准测试条件下的短路电流；k_i短路电流温度系数；T₀为参考温度；G₀标准测试条件的光照强度；G太阳辐照度。

较佳地，当光伏组件短路时，则U＝0，此时二极管并未导通，流过的电流较小，可忽略不计：即

$I_{sc}=\frac{I_{ph}}{1+\frac{R_s}{R_{sh}}}---\left(3\right)$

通过公式(3)便可以得到光伏组件在标准测试条件下的短路电流I_SC。

较佳地，光伏组件监控组件开路电压U_OC可以通过如下方法获得：根据光伏组件等效模型，当光伏组件开路时，有I＝0，公式(1)变为：

$I_{ph}=I_0\[\exp \left(\frac{{\mathrm{qU}}_{oc}}{nkT}\right)-1\]+\frac{U_{oc}}{R_{sh}}---\left(4\right)$

较佳地，最大功率点处的电压U_m可以通过最大功率点跟踪方法(MPPT)得到。然后，光伏组件在最大功率点处的电流I_m可以通过如下方法获得：

当光伏组件工作在最大功率点时，公式(1)变为：

$I_m=I_{ph}-I_0\{\exp \[\frac{q(U_m+I_m{R}_s)}{nkT}-1\]\}-\frac{U_m+I_m{R}_s}{R_{sh}}---\left(5\right)$

步骤102，判断填充因子是否超过预设的阈值。

步骤103，根据判断结果，若超过则该光伏组件老化程度严重，若没有超过则该光伏组件短路或轻微老化。

作为实施例，若没有超过则根据预设的光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值，计算光伏组件中n块电池短路时的最大功率点到开路电压点连线斜率的绝对值。判断光伏组件中n块电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设上限，若是则该光伏组件严重短路。若不是则判断光伏组件中n块电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设下限，若是则该光伏组件轻微老化，若不是则该光伏组件正常或者轻微短路。

较佳地，本发明引入故障类型因子K判断光伏组件短路故障，K值定义如下：

$K=\frac{I_m}{U_{oc}-U_m}---\left(8\right)$

其中，K值实际上就是组件最大功率点到开路电压点连线斜率的绝对值，即光伏组件正常时的斜率绝对值。

优选地，当光伏组件中的n块电池短路时，组件的U_oc和U_m值会随短路电池数目n呈规律变化，组件的I_m基本不会发生变化，即K’值变化规律为可得：

$K^{\′}=\frac{m}{m-n}K---\left(9\right)$

其中，K’为组件中n块电池短路时的斜率绝对值；K为组件正常时的斜率绝对值。

作为本发明可参考的实施例，参阅图2所示，所述的光伏发电组件优化监控方法可以是如下过程：

步骤201，获取光伏组件在标准测试条件下的短路电流I_SC和在最大功率点处的电流I_m。以及，该光伏组件开路电压U_OC和在最大功率点处的电压U_m。

在实施例中，光伏组件在标准测试条件下的短路电流I_SC可以通过如下方法获得：

步骤一：建立光伏组件等效模型，如图3所示。其中，光伏组件等效模型参数包括光伏电池的光生电流Iph(光生电流大小由太阳辐照度G决定)、二极管反向饱和电流I_SD以及等效串联电阻Rs、等效并联电阻Rsh。需要说明的是，光伏电池的光生电流Iph、二极管反向饱和电流I_SD、等效并联电阻Rsh并联之后与等效串联电阻Rs串联。

步骤二：获得光伏组件的等效电路方程。具体实施为：

一块光伏组件由m个光伏电池串联而成，则一块光伏电池的基尔霍夫电流定律(Kirchhoff’scurrentlaw，KCL)等效电路方程为：

$I=I_{ph}-I_{SD}\{\exp \[\frac{q(U+{\mathrm{IR}}_s)}{nkT}\]-1\}-\frac{U+{\mathrm{IR}}_s}{R_{sh}}---\left(1\right)$

其中，q为电子电荷量(1.602×10C)；k为玻尔兹曼常数(1.381×10-23J/K)；T为热力学温度(常温近似为300K)；U和I分别为等效电路的输出电压和电流。

步骤三：获取光伏组件在标准测试条件下的短路电流I_SC。具体实施为：

$I_{ph}=\[I_{sc}+k_i(T-T_0)\]\frac{G}{G_0}---\left(2\right)$

其中，I_sc在标准测试条件下的短路电流；k_i短路电流温度系数；T₀为参考温度(在本实施例中为25摄氏度)；G₀标准测试条件的光照强度；G太阳辐照度。

由上式(1)和(2)可以看出，太阳辐照度G和光伏电池板的热力学温度T均直接影响输出电流I和输出电压U。

当光伏组件短路时，则U＝0，此时二极管并未导通，流过的电流较小，可忽略不计：即

$I_{sc}=\frac{I_{ph}}{1+\frac{R_s}{R_{sh}}}---\left(3\right)$

通过公式(3)便可以得到光伏组件在标准测试条件下的短路电流I_SC。

在实施例中，光伏组件监控组件开路电压U_OC可以通过如下方法获得：根据光伏组件等效模型，当光伏组件开路时，有I＝0，公式(1)变为：

$I_{ph}=I_0\[\exp \left(\frac{{\mathrm{qU}}_{oc}}{nkT}\right)-1\]+\frac{U_{oc}}{R_{sh}}---\left(4\right)$

其中，I₀为光伏组件正常运行下的直流电流，可以通过实测获得的电流。

在实施例中，最大功率点处的电压U_m可以通过最大功率点跟踪方法(MPPT)得到。然后，光伏组件在最大功率点处的电流I_m可以通过如下方法获得：

当光伏组件工作在最大功率点时，公式(1)变为：

$I_m=I_{ph}-I_0\{\exp \[\frac{q(U_m+I_m{R}_s)}{nkT}-1\]\}-\frac{U_m+I_m{R}_s}{R_{sh}}---\left(5\right)$

步骤202，根据步骤201获得的光伏组件参数，计算能够表示老化程度的填充因子。

作为实施例，光伏组件的输出特性是非线性的，为了有效地进行故障诊断，有必要分析光伏组件在不同故障状态时的输出特性。光伏组件通常由m块单体电池串联而成。理想状态下，假设光伏组件中的每块单体电池的特性都一致，则光伏组件的输出电流I与各单体电池电流大小相同，即I＝I₁＝I₂,….,＝Im，其中，I₁,I₂,….,Im为各块单体电池产生的电流。组件的输出电压U为各单体电池电压之和，即U＝U₁+U₂+…..+U_m。其中U₁,U₂,……,U_m为各单体电池产生的电压。

较佳地，光伏组件短路特性分析，如图4所示，模拟光伏组件在标准测试条件(standardtestcondition，STC)下不同块数电池短路时的输出特性。当光伏组件内部发生短路时，光伏组件输出电流不会发生变化，输出电压会随着光伏组件短路程度的变大而减小。光伏组件短路时，其输出电压随电池短路块数呈规律性变化，如下式所示：

$U_a=\frac{m-n}{m}{U}_b---\left(6\right)$

其中，U_a为光伏组件短路后的电压；U_b为光伏组件正常时的电压；n为组件中电池短路的块数。

较佳地，光伏组件老化特性分析：光伏组件的异常老化主要反映在等效串联电阻值Rs增加和并联电阻值R_sh减小。在标准测试条件(standardtestingcondition，STC)，即光照强度1000W/m²，室温在25℃，串联电阻值Rs逐步增加(如图5所示)和并联电阻值R_sh逐步减小(如图6所示)时仿真得到的光伏组件输出特性曲线。

图5、6为标准光照强度、标准室温下得到标准曲线，一旦光伏组件老化，随着Rs的逐渐变大Um值不断变小，且变化幅值逐渐变大、反而电流为串联，变化幅值较小，随着R_sh逐步减小U_oc值基本保持不变，I_sc值变小。由此可知，当光伏组件发生异常老化时，其I-U输出特性变化呈现如下规律：

a)U_m值逐渐变小，且变化幅度逐渐变大；

b)I_m值逐渐变小，但是变化幅度不大；

c)I_sc值变小，但是变化幅度较小；

d)U_oc值基本保持不变。

因此，光伏组件等效串、并联电阻值的变化会直接导致外部关键运行工作点的电气特性值发生变化，所以光伏组件等效内阻值可选取作为光伏组件的故障特征。

作为本发明的一个实施例，光伏组件存在老化情况时，可分2种情况进行考虑：老化程度较大，即串联电阻阻值较大的情况；老化程度较小，即串联电阻阻值较小的情况。较佳地，利用光伏组件的填充因子FF值来表示老化程度，计算公式为：

${\mathrm{\σ}}_{FF}=\frac{U_m{I}_m}{U_{oc}{I}_{sc}}---\left(7\right)$

光伏组件的填充因子FF表示为I_m和U_m的乘积与U_oc和I_sc的乘积之比，而光伏组件老化主要影响的输出参数是I_m和U_m，所以可以利用FF值来判断组件老化程度。

步骤203，判断填充因子是否超过预设的阈值，若超过则进行步骤204，若没有超过则进行步骤205。

优选地，预设的阈值为0.7。即，根据步骤202的公式(7)得到的填充因子与0.7进行比较，若大于则进行步骤204，否则进行步骤205。

步骤204，该光伏组件老化程度严重，退出该流程。

需要说明的是，在理想情况下，光伏组件老化只影响最大功率点电压和电流。但在实际情况下，还会影响短路电流I_sc。当模拟老化的串联阻值增加时，短路电流会相应的减小。当串联阻值增加到一定程度时，会影响计算得到的光照强度值的准确性，需要其他方法来判断组件老化程度较高的情况。

如图7所示，光伏组件在老化程度较严重时，若串联4Ω电阻，其I_m/I_sc值小于0.7；串联3Ω时，其I_m/I_sc值大多数也小于0.7，在光照强度较高的情况下，尤其如此。但是在光伏组件正常工作时，其I_m/I_sc值基本大于0.7；由于光伏组件短路时不影响其输出电流，所以只能利用填充因子值来判断组件是否处于老化程度严重的状态。

步骤205，获取预设的光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值。

较佳地，通过光伏组件特性分析可知，当组件处于短路和老化状态时，发生变化的3个输出参数分别是Uoc、Um和Im，本发明引入故障类型因子K判断光伏组件短路故障，K值定义如下：

$K=\frac{I_m}{U_{oc}-U_m}---\left(8\right)$

其中，K值实际上就是组件最大功率点到开路电压点连线斜率的绝对值，即光伏组件正常时的斜率绝对值，如图8所示。

当光伏组件存在异常老化时，U_m和I_m值会随老化程度的增加而非线性减小，U_oc保持不变，K值在光伏组件老化时会相应减小。由此，通过K值的大小即可判断故障类型：当K值大于正常值时，光伏组件处于短路故障；当K值小于正常值时，光伏组件处于异常老化故障。如图9所示，I-U曲线从右到左分别为光伏组件在STC条件下处于正常、3块电池短路、异常老化(1Ω等效电阻)时的曲线。K₁、K₂、K₃分别为故障类型因子。从图中可以看到：|K₂|＞|K₁|，|K₃|＜|K₁|。

步骤206，根据光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值，计算光伏组件中n块电池短路时的最大功率点到开路电压点连线斜率的绝对值。

较佳地，当光伏组件中的n块电池短路时，组件的U_oc和U_m值会随短路电池数目n呈规律变化，组件的I_m基本不会发生变化，即K’值变化规律为可得：

$K^{\′}=\frac{m}{m-n}K---\left(9\right)$

其中，K’为组件中n块电池短路时的斜率绝对值；K为组件正常时的斜率绝对值。

优选地，光伏组件中电池短路的块数n是通过如下方式获得：

光伏组件发生短路故障时，其U_oc和U_m值随电池短路块数的增加而减少，其I_m和I_sc值基本不变，因此可得到下式为：

$(U_{oc}^{`},U_m^{`})=f(I_{sc},I_m,\frac{U_m}{U_{oc}})---\left(10\right)$

其中，Um和Isc为组件短路时的最大功率点电压值和开路电压值；Im和Isc为组件短路时的最大功率点电流和短路电流值；Uoc和Um为组件正常工作时的开路电压和最大功率点电压。

由于短路时，Uoc和Um值随电池短路块数变化呈现的规律相同，所以有：

$\frac{U_m}{U_{oc}}=\frac{U_m^{`}}{U_{oc}^{`}}---\left(11\right)$

其中U_m`、U<sub>oc</sub>`分别为光伏组件短路后的最大电压和开路电压值。

由式(11)可知，这是一个非线性公式，神经网络有处理非线性数据的特点，所以可以由组件数学模型得到在不同环境条件下正常工作时的输出样本数据，对式(11)进行神经网络训练，实现函数拟合。优选地，本发明采用反向传播(backpropagation，BP)3层前向神经网络(如图10所示)。

神经网络有三个输入：分别为I_m、I_sc、U_m/U_oc，两个输出U_m`、U<sub>oc</sub>`。本发明设计的在线故障诊断系统采用的是离线训练神经网络，即根据建立的故障数学模型采集样本数据，在Matlab平台上训练神经网络，获取连接权值、阈值、训练函数。

其中，神经网络的隐含层采用的函数是tansig函数，则隐含层的输出为：

$h_j=\frac{2}{1+\exp (-2\underset{i=1}{\overset{4}{\&Sigma;}}{I}_i{W}_{ij})}-1+b_j---\left(12\right)$

式中，I_i为神经网络的输入；h_j为隐含层输出；w_jk为输入层至输出层的连接权值；b_j为阈值；j的范围为1～n；n为神经网络隐层单元的个数。

输出层采用的是purelin函数，则神经网络的输出为：

$O_k=\underset{j=1}{\overset{n}{\&Sigma;}}{h}_j{w}_{jk}---\left(13\right)$

式中，O_k为神经网络的输出；w_jk为隐层单元到输出层单元的连接权值；k的范围为1～2。

将光伏组件实际测量得到的输出数据输入训练好的神经网络中，就可以求得光伏组件正常工作时的电压值。然后利用此电压值与实际测得的电压值进行比较，可以确定电池短路的块数。即，计算减少的功率值，根据光伏组件电池规格(例如：规格245kWp/250kWp/260kWp)，便可以计算出多少块电池短路。当判断得到电池短路块数为0，说明组件处于正常状态。

步骤207，判断光伏组件中n块电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设上限，若是则进行步骤208，若不是则进行步骤209。

步骤208，该光伏组件严重短路，退出该流程。

步骤209，判断光伏组件中n块电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设下限，若是则进行步骤210，若不是则进行步骤211。

步骤210，该光伏组件轻微老化，退出该流程。

步骤211，该光伏组件正常或者轻微短路，退出该流程。

在本发明的另一方面，提供了一种光伏发电组件优化监控系统，参阅图11所示，所述的光伏发电组件优化监控系统依次包括填充因子获取单元301、填充因子判断单元302和监控判断单元303。其中，填充因子获取单元301用于获取光伏组件参数，计算能够表示老化程度的填充因子。填充因子判断单元302用于判断填充因子是否超过预设的阈值。监控判断单元303用于根据判断结果，若超过则该光伏组件老化程度严重，若没有超过则该光伏组件短路或轻微老化。

较佳地，填充因子获取单元301获取光伏组件的参数包括光伏组件在标准测试条件下的短路电流I_SC和在最大功率点处的电流I_m，以及该光伏组件开路电压U_OC和在最大功率点处的电压U_m。优选地，通过上面所述的光伏组件参数来表示能够表示老化程度的填充因子，即：

填充因子 ${\mathrm{\&sigma;}}_{FF}=\frac{U_m{I}_m}{U_{oc}{I}_{sc}}---\left(7\right).$

较佳地，光伏组件在标准测试条件下的短路电流I_SC可以通过如下方法获得：步骤一：建立光伏组件等效模型。其中，光伏组件等效模型参数包括光伏电池的光生电流Iph(光生电流大小由太阳辐照度G决定)、二极管反向饱和电流I_SD以及等效串联电阻Rs、等效并联电阻Rsh。需要说明的是，光伏电池的光生电流Iph、二极管反向饱和电流I_SD、等效并联电阻Rsh并联之后与等效串联电阻Rs串联。

步骤二：获得光伏组件的等效电路方程。具体实施为：

一块光伏组件由m个光伏电池串联而成，则一块光伏电池的基尔霍夫电流定律(Kirchhoff’scurrentlaw，KCL)等效电路方程为：

$I=I_{ph}-I_{SD}\{\exp \&lsqb;\frac{q(U+{\mathrm{IR}}_s)}{nkT}\&rsqb;-1\}-\frac{U+{\mathrm{IR}}_s}{R_{sh}}---\left(1\right)$

其中，q为电子电荷量(1.602×10C)；k为玻尔兹曼常数(1.381×10-23J/K)；T为热力学温度(常温近似为300K)；U和I分别为等效电路的输出电压和电流。

步骤三：获取光伏组件在标准测试条件下的短路电流I_SC。具体实施为：

$I_{ph}=\&lsqb;I_{sc}+k_i(T-T_0)\&rsqb;\frac{G}{G_0}---\left(2\right)$

其中，I_sc在标准测试条件下的短路电流；k_i短路电流温度系数；T₀为参考温度；G₀标准测试条件的光照强度；G太阳辐照度。

较佳地，当光伏组件短路时，则U＝0，此时二极管并未导通，流过的电流较小，可忽略不计：即

$I_{sc}=\frac{I_{ph}}{1+\frac{R_s}{R_{sh}}}---\left(3\right)$

通过公式(3)便可以得到光伏组件在标准测试条件下的短路电流I_SC。

较佳地，光伏组件监控组件开路电压U_OC可以通过如下方法获得：根据光伏组件等效模型，当光伏组件开路时，有I＝0，公式(1)变为：

$I_{ph}=I_0\&lsqb;\exp \left(\frac{{\mathrm{qU}}_{oc}}{nkT}\right)-1\&rsqb;+\frac{U_{oc}}{R_{sh}}---\left(4\right)$

较佳地，最大功率点处的电压U_m可以通过最大功率点跟踪方法(MPPT)得到。然后，光伏组件在最大功率点处的电流I_m可以通过如下方法获得：

当光伏组件工作在最大功率点时，公式(1)变为：

$I_m=I_{ph}-I_0\{\exp \&lsqb;\frac{q(U_m+I_m{R}_s)}{nkT}-1\&rsqb;\}-\frac{U_m+I_m{R}_s}{R_{sh}}---\left(5\right)$

作为本发明一个优选地实施例，监控判断单元303判断填充因子没有超过预设的阈值时，则根据预设的光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值，计算光伏组件中n块电池短路时的最大功率点到开路电压点连线斜率的绝对值。判断光伏组件中n块电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设上限，若是则该光伏组件严重短路。若不是则判断光伏组件中n块电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设下限，若是则该光伏组件轻微老化，若不是则该光伏组件正常或者轻微短路。

需要说明的是，本发明引入故障类型因子K判断光伏组件短路故障，K值定义如下：

$K=\frac{I_m}{U_{oc}-U_m}---\left(8\right)$

其中，K值实际上就是组件最大功率点到开路电压点连线斜率的绝对值，即光伏组件正常时的斜率绝对值。

另外，当光伏组件中的n块电池短路时，组件的U_oc和U_m值会随短路电池数目n呈规律变化，组件的I_m基本不会发生变化，即K’值变化规律为可得：

$K^{\&prime;}=\frac{m}{m-n}K---\left(9\right)$

其中，K’为组件中n块电池短路时的斜率绝对值；K为组件正常时的斜率绝对值。

需要说明的是，在本发明所述的光伏发电组件优化监控系统的具体实施内容，在上面所述的光伏发电组件优化监控方法中已经详细说明了，故在此重复内容不再说明。

综上所述，本发明提供的光伏发电组件优化监控方法和系统，创造性地通过利用侵入式数学模型算法，通过分析、自学习等多种算法，能够实现对光伏组件工作状态的监测，并且能够对光伏组件的工作状态进行诊断；最后，整个所述的光伏发电组件优化监控方法和系统紧凑，易于实现。

所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种光伏发电组件优化监控方法，其特征在于，包括步骤：

获取光伏组件参数，计算能够表示老化程度的填充因子；

判断填充因子是否超过预设的阈值；

根据判断结果，若超过则该光伏组件老化程度严重，若没有超过则该光伏组件短路或轻微老化。

2.根据权利要求1所述的方法，其特征在于，所述获取光伏组件的参数包括光伏组件在标准测试条件下的短路电流I_SC和在最大功率点处的电流I_m，以及该光伏组件开路电压U_OC和在最大功率点处的电压U_m；通过所述的光伏组件参数来表示能够表示老化程度的填充因子：

${\mathrm{\&sigma;}}_{FF}=\frac{U_m{I}_m}{U_{oc}{I}_{sc}}.$

3.根据权利要求2所述的方法，其特征在于，所述判断填充因子没有超过预设的阈值时，还包括：

根据预设的光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值，计算光伏组件中电池短路时的最大功率点到开路电压点连线斜率的绝对值；

判断光伏组件中电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设上限；

根据判断结果，若是则该光伏组件严重短路；若不是则判断光伏组件中电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设下限，若是则该光伏组件轻微老化，若不是则该光伏组件正常或者轻微短路。

4.根据权利要求3所述的方法，其特征在于，所述光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值K，通过如下公式获得：

$K=\frac{I_m}{U_{oc}-U_m}.$

5.根据权利要求4所述的方法，其特征在于，所述电池短路时的斜率绝对值K’，通过如下公式获得：

$K^{\&prime;}=\frac{m}{m-n}K$

其中，n为电池短路的块数，m为光伏组件中的电池数量。

6.一种光伏发电组件优化监控系统，其特征在于，包括：

填充因子获取单元，用于获取光伏组件参数，计算能够表示老化程度的填充因子；

填充因子判断单元，用于判断填充因子是否超过预设的阈值；

监控判断单元，用于根据判断结果，若超过则该光伏组件老化程度严重，若没有超过则该光伏组件短路或轻微老化。

7.根据权利要求6所述的系统，其特征在于，所述填充因子获取单元获取光伏组件的参数包括光伏组件在标准测试条件下的短路电流I_SC和在最大功率点处的电流I_m，以及该光伏组件开路电压U_OC和在最大功率点处的电压U_m；通过所述的光伏组件参数来表示能够表示老化程度的填充因子：

${\mathrm{\&sigma;}}_{FF}=\frac{U_m{I}_m}{U_{oc}{I}_{sc}}.$

8.根据权利要求7所述的系统，其特征在于，所述监控判断单元判断填充因子没有超过预设的阈值时，还包括：

根据预设的光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值，计算光伏组件中电池短路时的最大功率点到开路电压点连线斜率的绝对值；

判断光伏组件中电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设上限；

根据判断结果，若是则该光伏组件严重短路；若不是则判断光伏组件中电池短路时的斜率绝对值是否大于光伏组件正常时的斜率绝对值的预设下限，若是则该光伏组件轻微老化，若不是则该光伏组件正常或者轻微短路。

9.根据权利要求8所述的系统，其特征在于，所述光伏组件正常时的最大功率点到开路电压点连线斜率的绝对值K，通过如下公式获得：

$K=\frac{I_m}{U_{oc}-U_m}.$

10.根据权利要求9所述的系统，其特征在于，所述电池短路时的斜率绝对值K’，通过如下公式获得：

$K^{\&prime;}=\frac{m}{m-n}K$

其中，n为电池短路的块数，m为光伏组件中的电池数量。