CN106059496A - 一种光伏组件阵列性能监测和故障识别的方法及系统 - Google Patents

Abstract

本发明提供一种光伏组件阵列性能监测和故障识别的方法及系统，所述系统通过数据汇集及存储单元、光伏组件阵列性能衰退监测单元和光伏组件故障识别与定位单元，所述方法包括：S1:采集光伏阵列组件运行工况参数和运行性能参数，所述运行工况参数包括环境温度、辐射照度，所述运行性能参数包括组件工作温度、工作电流和电压；S2:光伏阵列组件实时性能衰退监测；S3:建立故障识别知识库，实现光伏阵列组件的故障识别和定位，本发明通过无线信号采集、传输和数据分析，可实时监测光伏组件的性能衰退状态，并通过故障识别确定出故障类型、故障位置，为实现太阳能电站系统的远程智能运行与维护提供支持。

Description

一种光伏组件阵列性能监测和故障识别的方法及系统

技术领域

本发明属于太阳能光伏发电技术领域，具体涉及一种光伏组件阵列性能监测和故障识别的方法及系统。

背景技术

作为一种可持续、清洁能源，太阳能光伏发电近年来得到了高速发展。截至2015年底，我国太阳能光伏发电装机容量达到43GW。大量光伏电站投运对运行和维护提出了更高的要求。提高运行与维护水平的关键是要实现对太阳能光伏电站的状态监测和故障识别。

现有光伏电站监测技术主要有简单视觉检查法、热成像方法和基于电气参数测量的方法。后者由于测量简单易实现在线监测而得到广泛应用。常用的监测系统是采集光伏阵列组件串电量信号并通过简单的显示比对来实现对太阳能光伏发电系统的监测。但由于光伏阵列中各组件串工作特性常存在很大的差异，很难用单一的标准来确定组件串的工作状态；另外，这种方法只能判断组件串的工作状态，不能实现故障的精确定位，因而不能满足后续维护的要求。也有部分监测系统根据组件串中的电流变化率对光伏电站工作情况进行监测，但当外界运行环境发生变化，比如组件串受物体或云朵遮挡，容易导致监测结果出现错误。

综上所述，适当配置光伏组件状态监测测点，开展以运行效率偏差为性能评价指标的复杂工况光伏电站组件阵列性能监测和故障识别研究，实现组件级别的性能监测和故障识别，对提高太阳能光伏电站的安全性、可靠性和经济性，降低运行与维护费用具有重要的现实意义。

发明内容

为了解决上述问题，本发明提供一种光伏组件阵列性能监测和故障识别的方法及系统，通过无线信号采集、传输和数据分析，可实时监测光伏组件的性能衰退状态，并通过故障识别确定出故障类型、故障位置，为实现太阳能电站系统的远程智能运行与维护提供支持。

一种光伏组件阵列性能监测和故障识别的方法，所述方法包括：

S1:采集光伏阵列组件运行工况参数和运行性能参数，所述运行工况参数包括环境温度、辐射照度，所述运行性能参数包括组件工作温度、工作电流和电压；

S2:光伏阵列组件实时性能衰退监测；

S3:建立故障识别知识库，实现光伏阵列组件的故障识别和定位；

进一步地，所述S2中光伏阵列组件实时性能衰退监测方法包括：

S21，实时计算组件实际工作效率η_m；

S22，实时计算组件应达工作效率η_e；

S23，实时计算组件效率偏差Δη，并与性能衰退报警阈值Δη_th比较，判断其运行性能状态；

进一步地，所述S21中组件实际工作效率由S1测得的电流、电压和环境辐射照度计算获得，所述实际运行效率计算公式如下：

${\mathrm{\η}}_m=\frac{I_{pv}\·V_{pv}}{G\·A_{pv}}---\left(1\right)$

式中，I_pv是光伏组件电流实测值，单位为A；

V_pv是光伏组件电压实测值，单位为V；

G是辐射照度测量值，单位为W/m²；

A_pv是光伏组件面积，单位为m²；

进一步地，所述S22中组件应达工作效率计算方法包括以下步骤：

第一步：建立以S1中所测的环境温度、辐射照度为输入，应达工作效率为输出的自适应神经模糊推理系统ANFIS网络模型；

第二步：采用全年筛选出的宽幅工况对应的“健康状态”历史数据训练模型；

第三步：利用训练出的模型实时计算实际工况下的工作效率应达值；

进一步地，所述S23中实时计算运行效率偏差Δη计算公式如下：

Δη＝|η_e-η_m| (2)

所述组件性能衰退报警阈值Δη_th确定方法为：针对组件运行中引起性能衰退的主要故障模式，所述主要故障模式中的故障包括遮蔽、脏污和老化，通过现场模拟遮挡、脏污和更换老化组件的试验方法，实时计算运行效率偏差，进而确定性能衰退报警阈值；

进一步地，所述S3中光伏阵列组件故障识别知识库建立包括：

步骤S31：利用系统故障模式及影响分析FMEA方法，分析光伏阵列组件故障模式的原因、识别特征和处理措施，组件故障模式的原因包括暂时性遮蔽、周期性遮蔽、脏污和老化；

步骤S32，根据组件故障模式的识别特征建立故障识别规则；

进一步地，所述S31中组件故障模式的确定的识别特征为效率偏差Δη时间序列的特性和光伏组件五参数模型的特征参数(A、R_S、I₀、R_SH)，所述S32中组件故障模式识别规则包括：

If周期性性能衰退，Then周期性遮蔽；

If临时性性能衰退，Then暂时性遮蔽；

If永久性性能衰退，Then脏污或老化；

If永久性性能衰退And A、R_S、I₀增大And R_SH减小，Then老化；

进一步地，一种太阳能电站光伏组件阵列实时性能监测与故障识别系统，所述系统包括无线数据汇集及存储模块、组件阵列性能衰退监测模块和故障识别及定位模块，其中；

所述无线数据汇集及存储模块用于实现无线数据的采集和存储；

所述组件阵列性能衰退监测模块用于实现组件的性能监测；

所述故障识别及定位模块用于实现故障模式的识别及位置确定；

进一步地，所述系统还包括监测模型自适应训练模块，所述监测模型自适应训练模块用于将运行中出现新工况数据补充入样本历史数据库，并通过重新训练，实现模型的自适应训练；

进一步地，所述系统采用解析法实时计算光伏组件五参数模型的特征参数A、R_S、I₀、R_SH，并进行趋势分析，用于故障识别；

本发明的有益效果如下：

1)采集光伏组件的运行工况参数和性能参数，进行组件水平的性能监测与故障识别，可实现故障的精确定位，为太阳能光伏电站的运行维护决策提供有力的支持；

2)采用运行效率偏差作为评价性能衰退的指标，避免了单纯依靠发电量、电流变化率等作为评价指标时，运行工况变化对性能评价准确性的影响；

3)依据效率偏差Δη时间序列的特性和五参数模型参数的动态特性进行故障诊断，实现了周期性遮蔽、临时性遮蔽、脏污(含热斑现象)与老化的有效识别；

4)设计开发的系统可靠、实用。本发明使得光伏组件性能衰退监测更加科学和全面，该方法设计合理，实用性强，为实现太阳能电站系统的远程智能运行与维护提供支持。

附图说明

图1为太阳能电站光伏组件性能实时监测和故障识别方法总体流程；

图2为光伏组件阵列性能监测与故障识别系统数据流程图；

图3为光伏组件阵列性能监测与故障识别系统功能框架。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

下面结合附图和具体实施例对本发明作进一步说明，但不作为对本发明的限定。下面为本发明的举出最佳实施例：

如图1-图3所示，一种光伏组件阵列性能监测和故障识别的方法，所述方法包括：

S1:采集光伏阵列组件运行工况参数和运行性能参数，所述运行工况参数包括环境温度、辐射照度，所述运行性能参数包括组件工作温度、工作电流和电压；

S2:光伏阵列组件实时性能衰退监测；

S3:建立故障识别知识库，实现光伏阵列组件的故障识别和定位。

所述S2中光伏阵列组件实时性能衰退监测方法包括：

S21，实时计算组件实际工作效率η_m；

S22，实时计算组件应达工作效率η_e；

S23，实时计算组件效率偏差Δη，并与性能衰退报警阈值Δη_th比较，判断其运行性能状态，所述S21中组件实际工作效率由S1测得的电流、电压和环境辐射照度计算获得，所述实际运行效率计算公式如下：

${\mathrm{\η}}_m=\frac{I_{pv}\·V_{pv}}{G\·A_{pv}}---\left(1\right)$

式中，I_pv是光伏组件电流实测值，单位为A；

V_pv是光伏组件电压实测值，单位为V；

G是辐射照度测量值，单位为W/m²；

A_pv是光伏组件面积，单位为m²

所述S22中组件应达工作效率计算方法包括以下步骤：

第一步：建立以S1中所测的环境温度、辐射照度、为输入，应达工作效率为输出的自适应神经模糊推理系统ANFIS网络模型；

第二步：采用全年筛选出的宽幅工况对应的“健康状态”历史数据训练模型；

第三步：利用训练出的模型实时计算实际工况下的工作效率应达值，所述S23中实时计算运行效率偏差Δη计算公式如下：

Δη＝|η_e-η_m| (2)

所述组件性能衰退报警阈值Δη_th确定方法为：针对组件运行中性能衰退的各种系统故障模式，通过现场模拟试验确定性能衰退报警阈值，所述系统故障模式包括遮蔽、脏污和老化，所述S3中光伏阵列组件故障识别知识库建立包括：

步骤S31：利用系统故障模式及影响分析FMEA方法，分析光伏阵列组件故障模式的原因、识别特征和处理措施，组件故障模式的原因包括暂时性遮蔽、周期性遮蔽、脏污和老化；

步骤S32，根据组件故障模式的识别特征建立故障识别规则，所述S31中组件故障模式的确定的识别特征为效率偏差Δη时间序列的特性和光伏组件五参数模型的特征参数(A、R_S、I₀、R_SH)，所述S32中组件故障模式识别规则包括：

If周期性性能衰退，Then周期性遮蔽；

If临时性性能衰退，Then暂时性遮蔽；

If永久性性能衰退，Then脏污或老化；

If永久性性能衰退And A、R_S、I₀增大And R_SH减小，Then老化

一种太阳能光伏组件阵列性能实时监测和故障识别系统包括数据汇集及存储单元、光伏组件阵列性能衰退监测单元和光伏组件故障识别与定位单元。

1、数据汇集及存储

本发明采用目前太阳能光伏电站常用光伏组件阵列为研究对象，组件阵列的数据采集方法如图2所示。分别采用无线温度传感器和硅光电池采集环境温度和辐射照度；采用无线温度传感器和霍尔元件采集组件工作温度、组件工作电压和电流。根据测量数据通信要求设计并研制了无线数据汇集装置；汇集后的监测数据经路由器存储于数据库服务器。

2、光伏组件阵列性能衰退监测

该模块利用“健康状态”的历史数据训练ANFIS模型，将实时监测数据作为训练好模型的输入，计算获得组件效率应达值。通过计算效率实测值与效率应达值的差距，实现组件阵列性能衰退监测。

利用光伏组件实时监测运行工况数据和性能数据计算运行效率实际值，相应的计算公式如下：

太阳能光伏组件实际运行效率计算公式如下：

${\mathrm{\η}}_m=\frac{I_{pv}\·V_{pv}}{G\·A_{pv}}---\left(1\right)$

式中，I_pv是光伏组件电流实测值，A；

V_pv是光伏组件电压实测值，V；

G是辐射照度测量值，W/m²；

A_pv是光伏组件面积，m²。

为获得当前工况光伏组件工作效率的应达值，建立以环境温度、辐射照度为输入，工作效率为输出的自适应神经模糊推理系统(ANFIS)网络模型。采用全年筛选出的宽幅工况对应的“健康状态”历史数据训练模型，获得模型参数。利用训练出的模型便可实时计算实际工况下的工作效率应达值。

实时计算运行效率偏差Δη，其计算公式如下：

Δη＝|η_e-η_m| (2)

将Δη与预先设定的效率偏差阈值Δη_th比较，超过阈值判定光伏组件性能衰退，反之为健康。

组件性能衰退报警阈值Δη_th确定方法为：针对组件运行中性能衰退的各种系统故障模式(如遮蔽、脏污、老化等)，通过现场模拟试验确定性能衰退报警阈值。

3、光伏组件故障识别与定位

依据Δη时间序列的特性进行故障诊断，诊断规则为：(1)如果Δη周期性变大，则为周期性遮蔽故障；(2)如果Δη短暂性变大，则为临时性遮蔽故障；(3)如果Δη长期性变大，则为组件表面脏污或老化故障。

然后根据光伏组件五参数隐形模型的模型参数动态特性实现表面脏污和老化故障的识别。

所述区分组件表面脏污和老化的特征参数由五参数隐形模型获得：

$I_{pv}=I_{ph}-I_o\·\left(e^{\frac{V_{pv}+I_{pv}\·R_s}{A\·V_{th}}}-1\right)-\frac{V_{pv}+I_{pv}\·R_s}{R_{sh}}---\left(3\right)$

式中，V_th＝m·k·T_a/q，m—光伏板电池数，k—别尔兹曼常数，T_a—PV板电池工作温度，q—单位电荷量(产品说明书提供)；

五个未知参数包括：I_ph—光电流；I_o—二极管反向电流；R_s—串联电阻；R_sh—并联电阻；A—二极管的理想因子。

所述五参数隐形模型求解方法采用解析方法，计算公式为(4)～(9)：

$R_{s0}={\left(\frac{{\mathrm{dV}}_{pv}}{{\mathrm{dI}}_{pv}}\right)}_{V_{pv}=V_{oc}}---\left(4\right)$

$R_{sh}=R_{sh0}=-{\left(\frac{{\mathrm{dV}}_{pv}}{{\mathrm{dI}}_{pv}}\right)}_{I_{pv}=I_{sc}}---\left(5\right)$

$A=\frac{V_{mpp}+I_{mpp}{R}_{s0}-V_{oc}}{V_{th}\[\ln \left(I_{sc}-\frac{V_{mpp}}{R_{sh}}-I_{mpp}\right)-\ln \left(I_{sc}-\frac{V_{oc}}{R_{sh}}\right)+\frac{I_{mpp}}{I_{sc}-\frac{I_{oc}}{R_{sh}}}\]}---\left(6\right)$

$I_0=\left(I_{sc}-\frac{V_{mpp}}{R_{sh}}\right)\exp \left(\frac{-V_{oc}}{{\mathrm{AV}}_{th}}\right)---\left(7\right)$

$R_s=R_{s0}-\frac{{\mathrm{AV}}_{th}}{I_0}\exp \left(\frac{-V_{oc}}{{\mathrm{AV}}_{th}}\right)---\left(8\right)$

$I_{ph}=I_{sc}\left(1+\frac{R_s}{R_{sh}}\right)+I_0\exp (\frac{I_{sc}{R}_s}{{\mathrm{AV}}_{th}}-1)---\left(9\right)$

式中，I_sc—短路电流；

V_oc—开路电压；

V_mpp—最大功率点电压；

I_mpp—最大功率点电流

其中V_oc、V_mpp、I_mpp三个参数可以在线测得，I_sc可以用下式估计：

$I_{sc}=\left(\frac{G}{G_{ref}}+{\mathrm{\λ}}_{sc}\mathrm{\Δ}T\right)I_{sc-stc}---\left(10\right)$

式中，λ_sc短路电流温度系数(产品说明书提供)；

I_sc-stc设计标准试验工况下的短路电流(产品说明书提供)。

通过在线计算五参数模型中的A、R_s、I_o、R_sh，并分析各参数变化趋势，可以实现脏污(含热斑)与老化的识别。

识别规则为：如果A、R_s、I_o增大，同时R_sh减小则为老化故障，否则为表面脏污。

该故障识别与定位单元可以根据诊断结果给出组件阵列性能衰退原因和相应性能衰退组件的位置。根据故障识别与定位结果可相应地进行运行调整或维修安排，最终达到提高机组可用率，降低运行与维护费用的目的。

本实施例采用的光伏阵列由8块额定功率为120W的光伏板组成，逆变器为SMA公司生产的Sunny Boy1200型额定功率为1200W的单相并网型逆变器。采用18B20型温度传感器采集环境温度和组件温度信号；采用TLS2561型光照度传感器采集辐射照度信号；无线数据发射和汇集装置采用Nordic公司的nRF24L01无线通信芯片。经测试，本实施例能很好地实现对光伏组件阵列运行性能的监测，在发生故障时进行故障识别并发出警报。

以上所述的实施例，只是本发明较优选的具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (10)

1.一种光伏组件阵列性能监测和故障识别的方法，其特征在于，所述方法包括：

S1:采集光伏阵列组件运行工况参数和运行性能参数，所述运行工况参数包括环境温度、辐射照度，所述运行性能参数包括组件工作温度、工作电流和电压；

S2:光伏阵列组件实时性能衰退监测；

S3:建立故障识别知识库，实现光伏阵列组件的故障识别和定位。

2.根据权利要求1所述的方法，其特征在于，所述S2中光伏阵列组件实时性能衰退监测方法包括：

S21，实时计算组件实际工作效率η_m；

S22，实时计算组件应达工作效率η_e；

S23，实时计算组件效率偏差Δη，并与性能衰退报警阈值Δη_th比较，判断其运行性能状态。

3.根据权利要求2所述的方法，其特征在于，所述S21中组件实际工作效率由S1测得的电流、电压和环境辐射照度计算获得，所述实际运行效率计算公式如下：

${\mathrm{\η}}_m=\frac{I_{pv}\·V_{pv}}{G\·A_{pv}}---\left(1\right)$

式中，I_pv是光伏组件电流实测值，单位为A；

V_pv是光伏组件电压实测值，单位为V；

G是辐射照度测量值，单位为W/m²；

A_pv是光伏组件面积，单位为m²。

4.根据权利要求3所述的方法，其特征在于，所述S22中组件应达工作效率计算方法包括以下步骤：

第一步：建立以S1中所测的环境温度、辐射照度为输入，应达工作效率为输出的自适应神经模糊推理系统ANFIS网络模型；

第二步：采用全年筛选出的宽幅工况对应的“健康状态”历史数据训练模型；

第三步：利用训练出的模型实时计算实际工况下的工作效率应达值。

5.根据权利要求4所述的方法，其特征在于，所述S23中实时计算运行效率偏差Δη计算公式如下：

Δη＝|η_e-η_m| (2)

所述组件性能衰退报警阈值Δη_th确定方法为：针对组件运行中引起性能衰退的主要故障模式，所述主要故障模式中的故障包括遮蔽、脏污和老化，通过现场模拟遮挡、脏污和更换老化组件的试验方法，实时计算运行效率偏差，进而确定性能衰退报警阈值。

6.根据权利要求5所述的方法，其特征在于，所述S3中光伏阵列组件故障识别知识库建立包括：

步骤S31：利用主要故障模式及影响分析FMEA方法，分析光伏阵列组件故障模式的原因、识别特征和处理措施，组件故障模式的原因包括暂时性遮蔽、周期性遮蔽、脏污和老化；

步骤S32：根据组件故障模式的识别特征建立故障识别规则。

7.根据权利要求6述的方法，其特征在于，所述S31中所述的组件故障模式确定的识别特征为效率偏差Δη时间序列的特性和光伏组件五参数模型的特征参数(A、R_S、I₀、R_SH)，所述S32中组件故障模式识别规则包括：

If周期性性能衰退，Then周期性遮蔽；

If临时性性能衰退，Then暂时性遮蔽；

If永久性性能衰退，Then脏污或老化；

If永久性性能衰退And A、R_S、I₀增大And R_SH减小，Then老化。

8.一种太阳能电站光伏组件阵列实时性能监测与故障识别系统，基于上述权利要求1-7之一所述的方法，其特征在于，所述系统包括无线数据汇集及存储模块、组件阵列性能衰退监测模块和故障识别及定位模块，其中；

所述无线数据汇集及存储模块用于实现无线数据的采集和存储；

所述组件阵列性能衰退监测模块用于实现组件的性能监测；

所述故障识别及定位模块用于实现故障模式的识别及位置确定。

9.根据权利要求8所述的系统，其特征在于，所述系统还包括监测模型自适应训练模块，所述监测模型自适应训练模块用于将运行中出现新工况数据补充入样本历史数据库，并通过重新训练，实现模型的自适应训练。

10.根据权利要求9所述的系统，其特征在于，所述系统采用解析法实时计算光伏组件五参数模型的特征参数A、R_S、I₀、R_SH，并进行趋势分析，用于故障识别。