Tab.1 Fault conditions of photovoltaic arrays
参数国外光电站[4]青海光伏电站[5]新疆光伏电站[5-6]甘肃光伏电站[6] 检测机构德国莱茵TUV公司北京鉴衡认证中心北京鉴衡认证中心北京鉴衡认证中心 电站容量12 GW50 MW8 MW10 MW 故障位置光伏组件光伏组件光伏组件光伏组件 故障占比(%)30291958 故障类型热斑、遮挡等隐裂等虚焊、热斑等功率衰减等
摘要 首先，该文梳理光伏阵列中不同类型的故障，将其分为组件故障和组件间故障两类，并阐述这些故障类型的特点和成因。其次，基于光伏组件内的单二极管等效电路模型，分析光伏组件在不同辐照度和温度条件下的电压-电流特性变化，并根据故障下电压-电流特性变化情况，将光伏组件故障分为非失配型故障和失配型故障。然后，着重论述现有的光伏阵列故障诊断领域重要技术和前沿研究，按照故障类型特点和检测手段的差异，将诊断技术方法归纳为视觉与成像诊断方法和电气特征参数诊断方法两大类。最后，指出光伏故障诊断技术的不足与发展趋势，为光伏系统智能化运维提供了参考。
关键词：光伏阵列故障类型 故障特征 视觉与成像诊断方法 电气特征参数诊断方法
随着新能源发电比重的不断提高，光伏发电已逐渐成为主要的能源形式[1-2]。目前，光伏发电系统在运行和维护过程中，由于产品质量、施工标准和环境因素的差异性会出现各种形式和程度的故障问题。目前，分布式接入系统故障包括阵列故障、电缆故障、逆变装置故障、变压器故障等。集中式接入系统故障包括阵列故障、电缆故障、集中式直流汇流箱故障、集中式逆变装置故障、变压器故障等。在这些故障中电能汇集和变换部分发生故障的频率相对较低且监测手段丰富，因此易于及时发现。而受到外部环境的影响，光伏阵列故障不易被及时发现且对系统安全运行具有较大威胁，因此需要特别关注[3]。
光伏阵列故障主要包括光伏组件故障和线缆故障等。经调研发现，由于光伏组件受到多种因素的影响从而导致其故障占比相对偏高，光伏阵列的故障情况见表1[4-6]。一般而言，光伏组件的光电转化率年均衰减应在0.8%以内，然而有些光伏电站存在一系列故障问题导致其衰减程度已远远超出了这一范围。
表1 光伏阵列的故障情况
Tab.1 Fault conditions of photovoltaic arrays
参数国外光电站[4]青海光伏电站[5]新疆光伏电站[5-6]甘肃光伏电站[6] 检测机构德国莱茵TUV公司北京鉴衡认证中心北京鉴衡认证中心北京鉴衡认证中心 电站容量12 GW50 MW8 MW10 MW 故障位置光伏组件光伏组件光伏组件光伏组件 故障占比(%)30291958 故障类型热斑、遮挡等隐裂等虚焊、热斑等功率衰减等
当前光伏阵列故障问题是光伏发电系统安全、可靠、经济运行面临的主要难题及挑战。从安全角度来说，该类故障威胁了电站设备和运维人员的自身安全，增加了事故风险，带来了安全隐患。从可靠性角度来说，该类故障加速了设备损坏程度，降低了设备可维修性，影响了设备寿命和性能。从经济角度来说，该类故障增加了发电量损失，降低了电站整体收益，加快了资产折损速度。
针对以上问题，本文重点就近年来国内外光伏阵列故障诊断领域的研究成果归纳总结。围绕光伏阵列故障类型、故障成因、工作机理以及故障表征进行分析和讨论。在此基础上，总结光伏阵列故障诊断方法，包括基于视觉与成像诊断方法和基于电气特征参数诊断方法。此外，针对光伏阵列故障诊断技术的不足，对未来发展趋势进行展望。
光伏阵列常见故障包括组件间故障和组件故障两大类。组件间故障包括短路故障、开路故障、拉弧故障和接地故障。组件故障包括不可见故障和可见故障。不可见故障包括隐裂、热斑、功率衰减和电势诱导衰减（Potential Induced Degradation, PID）。可见故障包括阴影遮挡、严重碎裂、二极管损坏及密封失效等[7-9]，具体故障类型如图1所示。其中影响严重的故障包括短路故障、开路故障、拉弧故障、接地故障和严重碎裂。影响一般的故障包括二极管损坏、密封失效、隐裂和热斑。影响轻微的故障包括阴影遮挡、功率衰减、PID效应。
图1 光伏阵列故障类型
Fig.1 Fault types of photovoltaic arrays
以上各类故障发生概率和故障程度受外部环境影响较大。对于分布式屋顶光伏发电系统来说，受到树木或建筑物遮挡等原因，常见光伏故障有热斑、阴影遮挡等；对于地面集中式光伏系统来说，受到风、雪以及周边植被等因素影响，易发生热斑、阴影遮挡、积尘和线路松动等故障；对于沙漠光伏来说，由于受到风沙等恶劣自然气候因素影响，容易引起发电失配、积尘、热斑和隐裂等故障；对于水面光伏发电系统来说，受到大风和水流等影响，导致光伏组件会出现开路、短路、PID效应以及热斑等故障；对于海上漂浮式光伏发电系统来说，考虑温湿盐雾长期作用影响，光伏组件易发生盐雾腐蚀、海藻遮挡、PID效应、异常老化、鸟粪遮挡、线缆破损等故障[10]。
光伏阵列中常见故障的表现形式如图2所示。光伏阵列主要故障成因介绍如下：
（1）密封失效。在光伏组件制作过程中，常见封装是可交联的乙烯醋酸乙烯酯聚合物（Ethylene- Vinyl Acetate copolymer, EVA）。EVA使光伏电池“漂浮”在玻璃和背板之间，有助于减轻冲击和振动，从而保护光伏电池及其电路[11-12]。EVA常见失效形式有黄变、分层、气泡和腐蚀。EVA分层和变黄是由盐分积聚、湿气渗透等原因引起的。而气泡可分为两类：一类是弱分层发作气泡；另一类是小分子气体分散发作气泡[13-14]。此外，由于汇流带位于组件边际，透水汽/透氧气率对比大，且与EVA不粘从而会产生腐蚀。EVA失效直接影响光伏组件发电性能，从而导致发电功率降低。
图2 光伏阵列中的故障
Fig.2 Faults in photovoltaic arrays
（2）组件热斑。热斑是由于光伏组件局部过热引起的，在异常情况下受影响的电池片短路电流低于整体工作电流，从而出现反向偏置，消耗其他区域所产生的能量，导致组件表面受热不均形成了温度差[15-16]。若内部温度超过一定极限，甚至会导致光伏组件局部烧毁形成暗斑、焊点熔化、封装材料老化等永久损坏。热斑形成原因有很多，如长时间阴影遮挡、隐裂、焊接不良、材料缺陷等。该故障是影响光伏组件输出功率和使用寿命的重要原因之一[17]。
（3）阴影遮挡。阴影遮挡主要是由云层、植被、灰尘、鸟粪等外部因素引起的。当光伏组件的部分电池片被遮挡时，该电池片处于反偏状态从而导致该电池片所在的旁路二极管导通，其输出特性曲线出现平坦阶梯和多峰现象[18]。光伏组件阴影遮挡位置和面积对其输出功率特性有较大影响。
（4）组件隐裂。隐裂是一种晶硅组件中肉眼不易察觉的隐性裂纹。电池片产生的电流主要通过表面主栅线以及垂直于主栅线的细栅线汇集导出[19]。当晶体硅材料发生破裂时会导致细栅线断裂从而很难将收集电流输送到主栅线，影响电流汇聚[20]。根据电池片隐裂形状，可分为树状裂纹、综合型裂纹、斜裂纹、平行于主栅线、垂直于栅线和贯穿整个电池片的裂纹[21-22]。
（5）组件碎裂。光伏组件在运输、安装和运行过程中可能遭受飞石、树枝、冰雹等外物击打造成前板玻璃碎裂，碎裂裂纹以碎裂点为中心呈现放射状向四周辐射。在这种状况下组件光伏电池碎裂会造成电池单元间互连断开，导致组件输出功率衰减，绝缘失效[23]。与此同时，安全防护性能的降低导致水汽、湿气、雨水易进入从而造成内部短路，严重影响光伏阵列安全运行[24]。
（6）组件功率衰减。组件功率衰减是指随着光照时间增加，组件输出功率出现下降的现象。功率衰减包括光致衰减和老化衰减。光致衰减是组件输出功率在初期时会降低，但随后趋于稳定。造成这种现象主要原因是P型（掺硼）晶体硅片的硼氧复合体降低了少子寿命[25-27]，因此，此类衰减主要是受电池工艺和电池原料影响较大。老化衰减是在长期运行过程中出现缓慢的发电功率下降。主要原因与电池片缓慢衰减和包装材料性能退化等因素有关。例如，紫外线长期照射导致组件透光率下降，从而影响光伏组件的发电性能。
（7）PID效应。PID效应是指光伏组件长期在高压工作状态下，其玻璃、封装材料、边框之间存在漏电流，此时大量电荷聚集在电池片表面，使得电池片表面钝化效果加剧，从而导致填充因子、短路电流、开路电压降低以及光伏组件整体输出功率衰减[28-29]。需要指出的是PID效应是可逆的，在负偏压下电压越大，PID现象越明显。
（8）旁路二极管短路。光伏组件中一定数量的光伏电池片会与旁路二极管并联。当电池片出现某些故障时，二极管起到旁路作用，其电流会从二极管中流过。旁路二极管可以减少因故障导致的功率损失，同时可以有效降低较高反偏电压对电池片的影响。当功率耗散发生在二极管内时可能导致二极管过载而发生短路。此外，二极管在雷击等故障下会造成短路现象。
（9）接地故障。接地故障是载流导体与地之间形成的电气短路。接地故障短路电流大小取决于故障位置与故障程度。接地故障产生原因包括组件汇流箱中电缆与接地导体连接，电缆绝缘破损导致接地故障，光伏组件与接地的金属框架发生短路等。
（10）开路故障。开路故障是光伏发电单元包括组件、组串、线缆和汇流箱出现断开或断裂现象，这会导致光伏阵列无法输出功率[30]。开路故障主要原因是由外力作用导致组件严重断裂、组串连接电缆松动、汇流电缆断开等故障。
（11）光伏组串短路。光伏组串短路包括光伏组串内组件短路和光伏组串间短路。光伏组串的某一组件发生短路故障时，光伏组件内部旁路二极管导通，光伏组件并联阻值接近于零[31]。光伏组串间短路则大多数是受到不确定因素影响，导致光伏组件间电缆在集中汇流处发生连接短路，从而导致发电功率损失。
（12）拉弧故障。直流拉弧是带电体周围介质从绝缘状态变为导通状态，从而使电能通过的现象[32]。由于直流电弧不存在过零点情况，一旦发生直流拉弧现象会导致局部温度急剧升高，伴随着高温碳化和持续燃烧情况，最终导致烧毁保险、线缆、组件等装置，引发火灾事故。光伏电站直流侧电弧成因主要包括因错误接线或串联接线断裂造成的串联电弧，相邻线路之间部分短路造成的并联电弧和因绝缘故障造成的接地电弧。例如，段子、线路绝缘层老化、接头出现连接故障、接触不良等。
光伏组件中的光伏电池物理特性可由双/单二极管电路模型刻画。光伏电池双二极管电路模型由电流源、并联二极管和串并联电阻组成，如图3所示。
图3 光伏电池双二极管等效电路模型
Fig.3 Double diode circuit model of photovoltaic cell
根据双二极管等效电路模型可以得到光伏电池片物理特性方程[28]为
（1）
式中，
为输出电流（A）；
为光生电流（A）；
、
为二极管反向饱和电流（A）；
为电子电荷（C）；
为光伏电池输出电压（V）；
为串联电阻（W）；
为二极管理想因子；
为光伏电池温度（K）；
为玻耳兹曼常数（J/K）；
为并联电阻（W）。
为了降低模型计算的复杂度，本文选用单二极管等效电路模型开展研究，如图4所示[33-34]。
图4 光伏电池单二极管等效电路模型
Fig.4 Single diode circuit model of photovoltaic cell
由图4得标准测试条件（Standard Test Condition, STC）下光伏电池电流-电压特性方程[35]为
（2）
式中，
为二极管反向饱和电流（A）；
为二极管理想因子。
非标准测试条件下光伏电池模型中各参数的计算为
（3）
（4）
（5）
（6）
式中，G、T分别为实际环境下的辐照度和温度值；
、
、
、
、
、
分别为标准测试条件下辐照度、光生电流、二极管反向饱和电流、温度、串联等效电阻和并联等效电阻的参考值；
为温度系数；
为带隙能量；
为相关系数。由于二极管理想因子变化很小，本文认为是一个固定值。其光伏组件基本参数见表2。
表2 光伏组件参数
Tab.2 PV model parameters
参 数数 值 温度/℃25 辐照度/(W/m2)1 000 Iph/A9.6 Io/A4.6´10-5 A1.72 Rsh/W5´105 Rs/W5´10-5 q/C1.6´10-19 玻耳兹曼常数K/(J/K)1.380 6´10-23 开路电压Uoc/V21.61 短路电流Isc/A9.96 最大功率点处电压Umppt/V17.32 最大功率点处电流Imppt/A8.99
不同辐照度与温度下电流-电压（I-V）曲线，如图5所示。
图5 不同条件下I-V曲线
Fig.5 I-V curves under different conditions
由图5可知，当温度恒定时，光伏电池短路电流随辐照度减小而降低，此时开路电压也略有下降。当辐照度恒定时，短路电流随着温度升高不会明显变化，此时开路电压随温度升高反而有所下降。
当光伏组件出现不同类型和程度的故障时，其自身结构或内部参数会发生某些变化从而影响发电性能。根据光伏组件的I-V曲线变化一般分为非失配型故障和失配型故障，如图6所示。
非失配型故障I-V曲线走势没有发生较大改变，但开路电压或最大功率会减小。具体来说，当发生老化时，越接近开路电压处的斜率变化越明显，最大功率点的电流会有一定程度的减小。在发生PID效应时，开路电压会明显减小，曲线会出现过度弧形化，最大功率点的电压和电流都会有明显的衰减。在二极管短路时，由于光伏组件部分电池被短路，导致对应部分电池的开路电压会出现一定比例的衰减，从而影响整个光伏组件的发电功率[36]。
图6 不同故障I-V曲线
Fig.6 I-V curves under different faults
总的来看，对于非失配型故障来说，由于故障下I-V曲线走势没有发生明显变化，而曲线中电气量如开路电压、最大功率值发生了改变。因此，针对此类故障可以通过I-V曲线扫描、光伏物理模型构建、物理检测等手段对电气参数的变化进行检测和分析从而实现故障诊断。
当发生失配型故障时，与正常I-V曲线有所不同，其曲线走势出现多个台阶或拐点。具体来说，当发生热斑故障时，I-V曲线会出现倾斜台阶或畸变，当故障严重时其程度会随之加深。在发生轻微碎裂故障时会出现不规则台阶，碎裂程度加深的话则短路电流会大幅度减小。此外，碎裂电池内部发生短路也会导致开路电压减小。当发生阴影遮挡时，I-V曲线会出现水平台阶，随着阴影面积增加，电流会出现较大幅度降低[37-38]。总的来看，对于失配型故障来说，由于故障下I-V曲线出现斜坡或台阶的形状走势，与此同时组件外部表征也会出现相应变化如温度过高、裂痕等。因此，针对此类故障可以通过I-V曲线扫描、电致发光、光致发光、红外成像等手段对组件进行检测和分析从而实现故障诊断。
光伏阵列故障类型和故障程度的不同导致了采用的检测手段有较大差异，其各故障类型下的检测手段见表3。
表3 光伏故障类型与检测
Tab.3 Photovoltaic fault types and detection
类别电致发光光致发光红外/可见光I-V扫描物理检测光伏模型 异常老化√√√ 二极管损坏√√√√ 阴影√√√√ 热斑√√ 隐裂√√√√ PID效应√√ 密封失效√√√ 碎裂√√√√ 接地故障√ 开路故障√√√ 短路故障√√√ 电弧故障√
注：“√”表示可采取的方法。
根据表3的总结和介绍，本文将光伏阵列故障诊断方法分为两类：一是视觉与成像诊断方法；二是电气特征参数诊断方法。它们分别通过辅助检测设备获得图像信息和数据信息并利用相关算法实现故障诊断。根据检测手段的不同，视觉与成像诊断方法包括红外热成像法、可见光成像法、电致发光法、光致发光法和计算机视觉法等，如图7所示。
图7 视觉与成像诊断方法
Fig.7 Vision and imaging diagnosis method
电气特征参数诊断方法包括I-V曲线法、物理检测法、功率损耗分析法、电压-电流测量法和机器学习分类法等，如图8所示。
关于视觉与成像诊断方法的应用比较，见表4，具体方法介绍如下。
图8 电气特征参数诊断方法
Fig.8 Electrical characteristic parameter diagnosis method
3.1.1 电致发光成像方法
电致发光成像方法是一种将电能转化为光能的现象，通过对材料施加电压，材料内部发生复合发光，并利用专业相机实现检测，如图9所示[39]。
科研人员运用电致发光成像方法开展了光伏组件故障诊断研究。例如，文献[40]基于电致发光成像技术提出了血管密度算法用于光伏组件裂纹检测，诊断准确率为84%以上。针对划痕、网格线断裂、表面杂质、隐裂等故障，通过L1范数的图像融合规则，融合电热成像和电致发光图像的稀疏向量，实现两个波长检测数据的融合和互补诊断[41]。
表4 视觉与成像诊断方法应用比较
Tab.4 Application comparison of vision and imaging diagnosis methods
类别故障类型状态方法方法特点参考文献 电致发光成像方法隐裂离线电致发光成像血管密度算法用于光伏电池裂纹分割[40] 断栅、隐裂等离线电致发光成像图像融合规则实现两个波长检测数据的诊断[41] 隐裂离线电致发光成像图像模型检查裂纹对组件功率损失的影响[42] 裂纹、断栅、黑片等离线电致发光成像电致发光方法对光伏组件隐性故障分析[43] 光致发光成像方法断栅、不均匀照明等在线光致发光光致发光原理确定电池参数[44] 裂纹、黑片等在线光致发光光致发光方法获取组件图像用以诊断[45] 二极管短路、碎裂等在线光致发光光致发光成像技术识别光伏组件五类故障[46] 红外成像方法断栅、隐裂、碎片等在线红外成像红外成像技术进行光伏组件故障检测和分类[47-50] 热斑在线红外成像融合可见光和红外热图像的组件热斑检测[51] 热斑在线红外成像红外成像和观测条件对检测组件故障的影响[52] 划痕、热斑、裂纹等在线红外成像主动电磁感应红外热成像故障检测[53] 计算机视觉方法隐裂在线改进FAST-RNN、EfficientNet、自动编码器光伏组件中检测、定位和分割微小异常[54] 阴影、热斑在线YOLOv系列算法YOLOv系列算法实现热斑目标检测[55-57] 断栅、裂纹、碎裂等在线卷积神经网络、迁移学习等深度学习模型和迁移学习方法实现故障诊断[58] 旁路二极管故障、遮挡、短路等在线卷积神经网络、视觉几何组(VGG-16)卷积神经网络和视觉几何组对组件缺陷诊断[59] 划痕、遮挡、裂纹、缺损等在线深度卷积神经网络深度卷积神经网络实现对光伏组件故障识别[60-61] 热斑在线支持向量机采用支持向量机实现对光伏组件热斑识别[62] 隐裂、热斑、断栅、划痕等在线线性判别分析、二次判别分析监督学习算法对红外热图序列进行故障识别[63]
电致发光方法也可用来检测光伏组件隐裂对光伏组件输出功率性能的影响。通过图像模型来检查光伏组件中的裂纹导致的功率损失[42]。此外，为了进一步说明图像与功率衰减的情况，有研究机构利用电致发光成像方法对光伏组件的裂纹、断栅等隐性故障进行了分析[43]。总体来说，电致发光成像方法需要特定环境下运用电致发光缺陷检测仪进行检测并通过所得图像信息进行分析和诊断，其主要用于光伏组件的隐裂、断栅、破碎等故障诊断。
3.1.2 光致发光成像方法
光致发光检测方法是根据光伏电池光致发光原理，利用外部光源激发光伏电池并通过滤光和特殊感光元件采集特定波长的信号，最后经过一系列处理发现光伏电池的表面缺陷[44-46]，实现过程如图10所示。
图9 电致发光成像方法
Fig.9 Electroluminescence imaging method
图10 光致发光成像方法
Fig.10 Photoluminescence imaging method
相关研究提出了一种光致发光成像系统，允许不均匀的光辐射来确定光伏电池的参数[44]。针对裂纹等故障，利用光致发光检测技术及时发现生产中存在的缺陷，从而提高光伏电池的平均效率[45]。为了进一步证明光致发光成像的检测能力，文献[46]将光致发光成像技术与其他成像技术（电致发光成像技术、红外热成像技术、紫外荧光技术）进行了比较，结果表明光致发光成像技术对光伏组件五类故障（旁路二极管短路、碎裂、PID效应、蜗牛纹和EVA退化）有较好的诊断效果，其诊断准确率在90%以上。综上所述，光致发光成像方法可以实现对光伏组件裂纹、黑边等故障诊断。需要注意的是，该技术的实施是需要通过探测相机，另外在光致发光成像过程中激发光可能会破坏光伏电池发射的光子。
3.1.3 红外成像方法
红外成像方法是把物体所发出不可见红外热量通过热成像仪形成红外图像，该图像会呈现光伏组件表面的热分布情况[47-50]。该技术的实施需通过巡检无人机搭载红外相机，实现对光伏组件故障诊断，诊断过程如图11所示。
红外成像技术具有检测快、成本低、操作简便等优点，被广泛用于光伏组件的故障诊断。例如，文献[47-50]设计了一种通过红外成像技术进行光伏组件分类和缺陷检测的方法。此外，为了提高诊断效果，可见光和红外热图像相融合的故障检测方法被提出[51]。相似工作如文献[52]研究了光伏组件成像环境和观测条件对诊断光伏组件内部和外部故障的影响。文献[53]提出了一种主动电磁感应红外热成像缺陷诊断方法，该方法具有非接触、快速等优点。综上所述，对于一些故障导致光伏组件部分温度发生较大差异的现象，红外热成像技术具有较好的诊断效果。此外，红外热成像方法具有投入成本低、效果明显等特点，广泛应用于光伏组件的故障诊断之中。
图11 红外热成像方法
Fig.11 Infrared imaging method
3.1.4 基于图像的计算机视觉方法
计算机视觉技术在图像分类、目标检测、语义分割等领域得到了广泛应用。针对一些故障如热斑、隐裂等，该方法的应用大大提高了光伏阵列故障诊断的智能化水平，其实现过程如图12所示。
图12 计算机视觉方法
Fig.12 Computer vision method
该类方法主要是基于已有图像（电致发光图像，光致发光图像和红外图像等）开展研究的。例如，为了实现对隐裂的分割，基于检测的电致发光图像，研究人员提出了一种端到端的深度学习方案，该方案包括目标检测方法、图像分类方法以及弱监督分割方法[54]。文献[55]提出了一种基于可见光和红外图像的智能检测方案，用于诊断光伏热斑。该方案包括图像获取、图像分割、故障定位和缺陷警告等，其故障诊断的准确率达到了95%。此外，为了实现光伏组件的故障诊断引入了深度学习算法，如YOLOv5算法和深度残差网络算法。通过采用YOLOv3算法[56]和改进YOLOv5算法[57]实现对光伏组件故障诊断。文献[58]提出了一种孤立深度学习模型和迁移学习技术，实现对光伏组件故障诊断，其故障诊断平均准确率为99.23%。其他的深度学习方法如卷积神经网络（Convolutional Neural Networks, CNN）以及其改进版也可应用于光伏故障的诊断[59-61]。除了上述深度学习方法，文献[62]提出了采用支持向量机（Support Vector Machines, SVM）方法对光伏组件热斑区域进行识别和定位。另外，一种电脉冲红外热成像系统用来诊断光伏组件故障，具体来说，利用线性判别分析和二次判别分析两种监督学习算法对红外热图序列进行处理和缺陷识别[63]。综上所述，计算机视觉方法对光伏组件隐裂、热斑等故障具有较好识别和检测效果。
现有关于电气特征参数诊断方法的应用比较，见表5，具体方法介绍如下。
表5 电气特征参数诊断方法应用比较
Tab.5 Application comparison of electrical characteristic parameters diagnosis methods
类别故障类型状态方法方法特点参考文献 I-V检测方法阴影、热斑、碎裂离线I-V曲线曲线信息进行故障特征提取分析[64-66] 短路、开路、阴影离线I-V曲线设置判断阀值实现多层次光伏故障诊断[67] 阴影、短路、开路等离线I-V曲线通过曲线故障特征，通过机器学习算法进行故障诊断[68] 老化、短路、开路等离线I-V曲线七个特征参数并利用优化核极限学习机对光伏故障诊断[69] 短路、阴影、老化等离线I-V曲线五个特征变量并利用变量预测模型实现故障诊断[70] 阴影遮挡离线I-V曲线使用主成分分析对特征进行分类[71] 物理检测方法线间故障、开路、阴影在线电压、电流传感器利用半监督梯形网络故障诊断模型[72] 线间故障、接地故障、开路在线电压传感器电压信号的幅值和波形变化[73-76] 开路故障离线接地电容测量法通过对地电容测量实现光伏组串的故障诊断[77-78] 接地故障、开路故障、电弧故障离线SSTDR通过SSTDR检测光伏故障[79-82] 电弧故障在线电压、电流信号通过对电压、电流等信号进行分析获取时域特征实现故障检测[83-84] 电弧故障在线电压、电流信号将信号转化为频谱分量并用神经网络算法实现故障检测[85] 电弧故障在线电流信号利用小波阀值降噪并且对信号进行重构，滤除高频干扰[86] 电弧故障在线Hilbert天线通过Hilbert天线测量电弧电磁辐射信号并通过分析来判断故障[87-88] 电弧故障在线Vivaldi天线Vivaldi天线测量电弧电磁辐射信号并用最小二乘法对谱峰拟合[89] 功率损耗分析方法阴影、旁路二极管故障、老化等在线光伏模型实测值与模型理论值进行比较分析[90-93] 短路、异常老化在线光伏模型故障类型因子与标准值的差异判断光伏组件是否故障[94] 短路、开路、阴影等在线光伏模型模型参数变化规律来进行光伏阵列的故障诊断[95] 机器学习方法短路、开路、老化等在线CatBoost算法CatBoost故障诊断算法实现故障的准确诊断[96] 局部阴影、异常老化在线决策树算法决策树算法的光伏组件局部阴影或异常老化的判断方法[97] 线间故障在线两级支持向量机使用两级支持向量机分类器进行决策诊断[98] 接地故障、线间故障、电弧故障、开路故障等在线神经网络神经网络分类器对光伏系统健康检测和故障诊断[99-100] 短路故障、异常老化在线改进证据相似度模型改进证据相似度的数据融合故障诊断模型实现诊断[101] 老化、开路故障在线半监督学习基于SSML算法的光伏阵列故障诊断模型实现故障诊断[102] 线间故障、开路故障在线基于图半监督学习提出了基于图的半监督学习模型实现故障类型的诊断[103] 遮挡、短路、老化等在线半监督极限学习机结合人工蜂群算法和半监督极限学习机算法实现故障诊断[104]
3.2.1 I-V曲线检测方法
I-V曲线是研究光伏组件发电性能的重要手段之一，通过对曲线进行分析从而判断光伏组件是否发生故障。I-V曲线工作原理是将光伏组件连接至专用电容器，在光伏组件给电容充电过程中，进行电流和电压采样，并记录对应电流、电压数据绘制成曲线[64]。该曲线在故障时会发生显著变化，通过运用数学方法对I-V曲线进行剖析计算进而确定发生故障类型，其诊断方法如图13所示。
图13 I-V曲线检测方法
Fig.13 Diagnosis method based on I-V curve
例如，文献[65-66]通过检测I-V曲线凹凸性以及阶梯处线段斜率来判断拐点位置和特征，实现故障识别。根据I-V曲线信息，有研究人员通过合理设置判断逻辑关系，实现对短路、阴影等故障诊断[67]。
此外，还可以结合机器学习方法如人工神经网络、支持向量机、决策树、随机森林等实现对光伏组件故障诊断[68]。如文献[69-70]通过对I-V曲线提取关键电气参数并分别利用优化核极限学习机算法和变量预测模型算法实现对光伏组件故障诊断，其故障诊断准确率分别达到了98.88%和98.6%。也有研究机构通过I-V曲线关键参数建立数据库并利用主成分分析方法对特征进行解析，从而实现对阴影遮挡诊断[71]，其诊断准确率达到了97%。综上所述，通过扫描获得的I-V曲线来判断光伏阵列的故障具有及时、高效、准确等特点。目前，该技术已得到了广泛推广和应用。
3.2.2 物理检测方法
物理检测方法是通过外部设备获取检测信息如电压、电流等，通过对这类信息进行提取和分析实现光伏故障诊断。该方法包括电压-电流测量法、时域反射法、扩展频谱时域反射（Spread-Spectrum Time-Domain Reflectometry, SSTDR）法、接地电容测量法、时频域检测法等。
目前，采用传感器模块实现故障诊断的研究如文献[72-76]。其中，文献[72]通过对电压和电流信息进行处理并建立半监督梯形网络实现对开路故障、线间故障和阴影故障诊断。而其他研究则通过合理布置电压传感器并利用测量信息和方案实现故障诊断[73-76]。综上所述，该方法需要布置电压或电流等传感器实现对线间故障、接地故障和开路故障的诊断。
针对光伏组串故障定位方法还包括接地电容测量法、SSTDR等。接地电容测量法则通过比较光伏组件对地电容值来判断其断开位置[77-78]。而SSTDR是通过观察反射扩频信号来识别故障的测量技术，广泛应用于传输线的故障诊断和定位[79]，如图14所示。基于SSTDR接地故障检测不依赖于故障电流幅值，并且对噪声信号具有较高抗干扰能力。目前，SSTDR已在光伏系统中得到了应用，如接地故障[80]、开路故障[81]、电弧故障[82]等。
图14 物理检测方法
Fig.14 Physical detection methods
针对光伏发电系统中危害较大的电弧故障，研究人员提出了时域检测法、频域检测法和时频域检测法[83-87]。时域检测法主要是通过对采集的电压、电流等信号进行分析和处理获取故障下典型特征如电流标准差、电流变化率等信息实现电弧故障检测[83-84]。时域检测方法通常是对电流数据进行傅里叶变换，得到不同状态下电流频谱信息并分析其差异性[85]。而对于时频域检测方法来说，文献[86]采用小波变换分析方法来实现电弧故障的检测。此外，一些研究人员提出了一种基于电弧电磁辐射特性的直流电弧检测方法，通过选取四阶Hilbert天线[87]、三阶Hilbert天线[88]和四根Vivaldi天线[89]来测量电弧电磁辐射信号从而实现故障检测。
3.2.3 功率损耗分析方法
功率损耗分析方法是通过智能启发式算法计算得到光伏理论等效电路模型，基于该理论等效电路模型预测出发电功率并与实测功率进行比较分析，在此基础上构建逻辑关系和设置合理阈值实现光伏故障诊断。该类方法可实现对光伏组件阴影故障[90]、旁路二极管故障[91]、组件老化[92]和异常故障[93]的诊断。为了实现对异常老化故障、短路故障的诊断，王元章等提出一种基于四参数的故障诊断方法[94]。此外，研究人员还通过分析模型参数变化实现对光伏故障诊断[95]。综上所述，该方法需要建立精确光伏组件物理模型并合理构建故障间的逻辑判断关系，实现对不同故障的精准判断。
3.2.4 机器学习方法
该方法主要是基于光伏阵列运行过程中所产生的相关数据信息（辐照度、温度、电压、电流等），通过运用机器学习的分类方法实现对光伏故障的诊断，其过程如图15所示。
图15 机器学习方法
Fig.15 Machine learning methods
目前，基于监督学习的光伏阵列故障诊断方法包括CatBoost算法[96]、决策树[97]、支持向量机[98]、人工神经网络[99]、概率神经网络[100]等。此外，为了提高光伏故障诊断效果，陈凌等构建了一种基于改进证据相似度的数据融合故障诊断模型，其异常老化诊断的准确率达到了90%[101]。半监督学习方法（SSML算法[102]、基于图半监督学习方法[103]）也用于光伏故障的诊断。文献[104]提出一种启发式智能算法与半监督极限学习机相结合的新思想，其平均诊断准确率达到了98.44%。综上所述，该方法是基于多源特征数据集合，利用某些故障之间的差异性，通过优化和改进的机器学习的分类算法实现对光伏阵列故障的诊断。
近年来，随着光伏装机容量的不断扩大导致光伏故障问题日趋增多，这对光伏阵列故障诊断提出了更高、更新的要求。目前，光伏阵列故障诊断技术的不足与发展趋势主要集中在以下几个方面。
（1）光伏组件故障模型的建立。目前，光伏组件模型包括单二极管模型、双二极管模型。该物理模型刻画了光伏组件在正常工况下输出特性。但当光伏组件发生某些故障时，其物理参数和物理等效电路会发生明显变化。例如，当发生隐裂、热斑等故障时，光伏组件物理模型结构会发生变化从而导致I-V曲线会呈现阶梯状改变。当发生异常老化等故障时，I-V曲线的走势不会发生明显的改变，但物理等效电路模型的参数会发生一定漂移。因此，未来需要继续深入研究某些故障类型和故障程度下的精确物理等效电路模型，进一步刻画光伏组件故障特征，为光伏阵列故障诊断提供坚实的理论基础。
（2）故障特征识别方法的改进和提高。目前，光伏阵列故障诊断的设备和手段众多，通过这些设备和手段可以获取丰富的数据信息。基于此类数据信息，现阶段已提出了一些故障识别诊断方法。然而，面对光伏阵列故障类别和故障深度的复杂性和不确定性，已有故障特征识别方法有必要进一步改进和提高。未来需要充分利用这些数据信息通过运用一些如相似性、谱聚类、核密度估计等方法深度挖掘和提取故障特征信息，进一步改进和提高故障特征识别方法，从而提高光伏故障诊断的精准率。
（3）人工智能技术在故障诊断领域的应用。当前，“以人为主”的传统故障诊断模式的特点是人员素质要求高、人员需求量大、故障识别慢、巡检周期长。目前，人工智能技术在解决光伏阵列故障诊断领域取得了一些效果，特别是基于图像的故障检测方法和基于电气特征故障分类方法。未来随着人工智能技术进一步发展和光伏智能化运维的迫切需求，大数据下的新一代人工智能技术和方法给光伏智能化运维带来了显著改变。例如，基于数据的新一代监督或半监督学习方法，基于图像的改进目标检测方法、语义分割学习方法和多模态融合学习方法等。
（4）光伏阵列运行状态的健康管理。目前，光伏电站运维成本高，数据可视化差，监控颗粒度粗糙，缺少智能化、简单化管理。需要对光伏阵列运行状态全面化、实时化、精细化的管理。快速准确评估光伏阵列的健康状态，及时发现光伏阵列的潜在故障，合理采取光伏系统的运维方式是未来工作的重点。因此，需要通过综合评价方法如优劣解距离法、层次分析法、加权求和法等方法实现异常状态预警、运行态势感知等功能，从而有效提高光伏发电单元的健康管理能力。
（5）故障诊断策略的优化。现阶段光伏阵列故障诊断方法众多，一些方法对某些故障诊断效果较好，但对其他故障诊断效果并不明显。因此，需要针对不同故障类型和故障程度建立多种诊断方式相融合、相支撑的诊断策略，并利用现有多源数据信息实现对光伏阵列故障及时诊断。此外，光伏阵列故障诊断的方法迥异、层次不清、缺少系统化的诊断策略。因此，未来需要建立层级化、智能化的管理平台，形成分级、分类、快速、高效的光伏阵列故障诊断体系。
本文分析和总结了光伏阵列故障类型、故障成因、故障特征以及故障诊断关键技术方法等，得到以下主要结论：
1）光伏阵列故障是光伏发电系统中最为常见的故障，故障占比相对较高，最高时可达到58%。故障发生频次、程度和类型受到系统接入形式（集中式接入、分布式接入）和外部复杂环境（光照、温度、湿度、盐雾、污浊、沙尘、风雪等）等因素的影响。
2）当辐照度和温度发生变化时，I-V曲线开路电压和短路电流会随之改变。例如，辐照度增加则短路电流随之增大，温度升高则开路电压随之减小。此外，光伏组件常见故障分为非失配型故障和失配型故障，非失配型故障I-V曲线走势不会发生明显改变，如老化、PID效应等，而失配型故障曲线则恰恰相反，如热斑、碎裂、阴影等。
3）电致发光方法和光致发光成像方法多应用于光伏组件隐裂、碎裂等故障的诊断，其诊断准确率一般在84%以上。红外热成像方法多应用于光伏组件热斑、遮挡等故障的诊断。基于计算机视觉方法，则通过已有图像信息（红外图像、光学图像等）进行目标检测、语义分割等，其诊断准确率一般在95%以上。
4）基于I-V曲线检测方法主要是通过对曲线变化特征和趋势进行分析判断，如阴影、热斑、碎裂等故障的诊断，其诊断准确率一般在97%以上。物理检测方法主要实现对光伏阵列中组件间故障的诊断，如开路故障、接地故障、短路故障等。功率损耗分析方法根据等效电路模型实现对短路故障、开路故障、局部阴影等故障的诊断。机器学习方法则是通过海量数据集合实现对开路故障、线-线故障、短路故障等故障的诊断，其诊断准确率一般在98.44%以上。
5）针对光伏阵列故障诊断的研究现状，指出未来需要在光伏组件故障模型的建立、故障特征识别方法的改进、人工智能技术的应用、光伏阵列运行状态的健康管理以及故障诊断策略的优化等方面进行深入研究，旨在提高光伏阵列故障诊断能力，从而为光伏系统智能化、精准化运维提供科学依据和技术基础。
参考文献
[1] 李军徽, 安晨宇, 李翠萍, 等. 计及调峰市场交易的储能-新能源-火电多目标优化调度[J]. 电工技术学报, 2023, 38(23): 6391-6406.
Li Junhui, An Chenyu, Li Cuiping, et al. Multi- objective optimization scheduling method considering peak regulating market transactions for energy storage-new energy-thermal Power[J]. Transactions of China Electrotechnical Society, 2023, 38(23): 6391- 6406.
[2] 朱晓荣, 刘亚维. 基于元件-系统分级优化的光伏电站维护策略[J]. 电力系统自动化, 2020, 44(8): 92- 99.
Zhu Xiaorong, Liu Yawei. Maintenance strategy of photovoltaic power station based on component- system classification optimization[J]. Automation of Electric Power Systems, 2020, 44(8): 92-99.
[3] 徐瑞东, 陈昊, 胡义华, 等. 基于高斯过程的光伏阵列故障定位[J]. 电工技术学报, 2013, 28(6): 249- 256.
Xu Ruidong, Chen Hao, Hu Yihua, et al. Fault location of photovoltaic array based on Gaussian process[J]. Transactions of China Electrotechnical Society, 2013, 28(6): 249-256.
[4] 曹宇. 中国光伏十年复盘: 多少电站已近中年[EB/OL]. (2019-07-08) https://solar.huawei.com/cn/ news-room/cn/2019/cn_20190708.
[5] 于南. 管理层出手整治光伏电站质量欲为应用端打通融资[EB/OL]. (2014-10-06) http://energy.people. com.cn/n/2014/1016/c71661-25844582.html.
[6] 桂建生. 基于多层次模糊评价方法的太阳能投资项目风险评价研究[D]. 北京: 华北电力大学, 2016.
[7] Madeti S R, Singh S N. A comprehensive study on different types of faults and detection techniques for solar photovoltaic system[J]. Solar Energy, 2017, 158: 161-185.
[8] Haque A, Bharath K V S, Ali Khan M, et al. Fault diagnosis of photovoltaic modules[J]. Energy Science & Engineering, 2019, 7(3): 622-644.
[9] 王元章, 李智华, 吴春华. 光伏系统故障诊断方法综述[J]. 电源技术, 2013, 37(9): 1700-1705.
Wang Yuanzhang, Li Zhihua, Wu Chunhua. Fault diagnosis technologies for photovoltaic system[J]. Chinese Journal of Power Sources, 2013, 37(9): 1700-1705.
[10] Pillai D S, Rajasekar N. A comprehensive review on protection challenges and fault diagnosis in PV systems[J]. Renewable and Sustainable Energy Reviews, 2018, 91: 18-40.
[11] 戈鹏. 光伏组件加工工艺与质量控制[J]. 机械管理开发, 2022, 37(1): 271-273.
Ge Peng. Photovoltaic module processing process and quality control[J]. Mechanical Management and Development, 2022, 37(1): 271-273.
[12] de Oliveira M C C, Diniz Cardoso A S A, Viana M M, et al. The causes and effects of degradation of encapsulant ethylene vinyl acetate copolymer (EVA) in crystalline silicon photovoltaic modules: a review[J]. Renewable and Sustainable Energy Reviews, 2018, 81: 2299-2317.
[13] Jordan D C, Silverman T J, Wohlgemuth J H, et al. Photovoltaic failure and degradation modes[J]. Progress in Photovoltaics: Research and Applications, 2017, 25(4): 318-326.
[14] Santhakumari M, Sagar N. A review of the environmental factors degrading the performance of silicon wafer-based photovoltaic modules: failure detection methods and essential mitigation tech- niques[J]. Renewable and Sustainable Energy Reviews, 2019, 110: 83-100.
[15] Kumar M, Kumar A. Performance assessment and degradation analysis of solar photovoltaic tech- nologies: a review[J]. Renewable and Sustainable Energy Reviews, 2017, 78: 554-587.
[16] Li Guiqiang, Jin Yi, Akram M W, et al. Application of bio-inspired algorithms in maximum power point tracking for PV systems under partial shading conditions-a review[J]. Renewable and Sustainable Energy Reviews, 2018, 81: 840-873.
[17] Deng Shifeng, Zhang Zhen, Ju Chenhui, et al. Research on hot spot risk for high-efficiency solar module[J]. Energy Procedia, 2017, 130: 77-86.
[18] Triki-Lahiani A, Bennani-Ben Abdelghani A, Slama- Belkhodja I. Fault detection and monitoring systems for photovoltaic installations: a review[J]. Renewable and Sustainable Energy Reviews, 2018, 82: 2680- 2692.
[19] van Deelen J, Barink M, Klerk L, et al. Efficiency loss prevention in monolithically integrated thin film solar cells by improved front contact[J]. Progress in Photovoltaics: Research and Applications, 2015, 23(4): 498-506.
[20] Dhimish M. Micro cracks distribution and power degradation of polycrystalline solar cells wafer: observations constructed from the analysis of 4000 samples[J]. Renewable Energy, 2020, 145: 466-477.
[21] Haase F, Käsewieter J, Nabavi S R, et al. Fracture probability，crack patterns，and crack widths of multicrystalline silicon solar cells in PV modules during mechanical loading[J]. IEEE Journal of Photovoltaics, 2018, 8(6): 1510-1524.
[22] Dhimish M, Holmes V, Mather P. Novel photovoltaic micro crack detection technique[J]. IEEE Transa- ctions on Device and Materials Reliability, 2019, 19(2): 304-312.
[23] Dhimish M, D'Alessandro V, Daliento S. Investi- gating the impact of cracks on solar cells performance: analysis based on nonuniform and uniform crack distributions[J]. IEEE Transactions on Industrial Informatics, 2022, 18(3): 1684-1693.
[24] Datsiou K C, Overend M. Artificial ageing of glass with sand abrasion[J]. Construction and Building Materials, 2017, 142: 536-551.
[25] 樊静, 钱政, 王婧怡. 基于湿热试验的光伏组件功率衰减与使用寿命研究[J]. 计算机测量与控制, 2019, 27(4): 249-253.
Fan Jing, Qian Zheng, Wang Jingyi. Study on power degradation and service lifetime of photovoltaic modules based on damp-heat test[J]. Computer Measurement & Control, 2019, 27(4): 249-253
[26] 黄岳文, 曹华翔, 刘帅, 等. 单晶硅光伏组件性能衰减分析[J]. 电源技术, 2019, 43(4): 641-645.
Huang Yuewen, Cao Huaxiang, Liu Shuai, et al. Degradation analysis of monocrystalline silicon PV modules[J]. Chinese Journal of Power Sources, 2019, 43(4): 641-645.
[27] 孙晓, 怀朝君, 胡旦, 等. 晶体硅光伏组件功率衰减与评估方法研究[J]. 太阳能学报, 2016, 37(6): 1373-1378.
Sun Xiao, Huai Chaojun, Hu Dan, et al. Study of power degradation and evaluate process of crystalline silicon pv modules[J]. Acta Energiae Solaris Sinica, 2016, 37(6): 1373-1378.
[28] 马铭遥, 徐君, 张志祥. 光伏发电系统智能化故障诊断技术[M]. 北京: 机械工业出版社, 2022.
[29] Yilmaz P, Schmitz J, Theelen M. Potential induced degradation of CIGS PV systems: a literature review[J]. Renewable and Sustainable Energy Reviews, 2022, 154: 111819.
[30] 乔苏朋, 杨艳, 陈世群, 等. 光伏阵列故障检测方法综述[J]. 电气技术, 2021, 22(7): 1-6.
Qiao Supeng, Yang Yan, Chen Shiqun, et al. Review on photovoltaic array diagnosis methods[J]. Electrical Engineering, 2021, 22(7): 1-6.
[31] 陈佳凝, 魏霞, 王维庆. 基于多工况的光伏阵列的建模及输出特性分析[J]. 电源技术, 2022, 46(9): 1038-1042.
Chen Jianing, Wei Xia, Wang Weiqing. Modeling and output characteristic analysis of photovoltaic array based on multiple working conditions[J]. Chinese Journal of Power Sources, 2022, 46(9): 1038-1042.
[32] 何志鹏, 李伟林, 邓云坤, 等. 低压交流串联故障电弧辨识方法[J]. 电工技术学报, 2023, 38(10): 2806-2817.
He Zhipeng, Li Weilin, Deng Yunkun, et al. The detection of series AC arc fault in low-voltage distribution system[J]. Transactions of China Electro- technical Society, 2023, 38(10): 2806-2817.
[33] 程泽, 巩力, 刘艳莉. 光学损失故障对单晶硅光伏电池参数的影响[J]. 电工技术学报, 2016, 31(17): 217-223.
Cheng Ze, Gong Li, Liu Yanli. The influence of optical losses on monocrystalline silicon solar cells parameters[J]. Transactions of China Electrotechnical Society, 2016, 31(17): 217-223.
[34] Lo Brano V, Orioli A, Ciulla G, et al. An improved five-parameter model for photovoltaic modules[J]. Solar Energy Materials and Solar Cells, 2010, 94(8): 1358-1370.
[35] 李智华, 马浩强, 吴春华, 等. 基于三参数的光伏组件老化程度诊断[J]. 中国电机工程学报, 2022, 42(9): 3327-3338.
Li Zhihua, Ma Haoqiang, Wu Chunhua, et al. Diagnosing the aging degree of photovoltaic modules based on three parameters[J]. Proceedings of the CSEE, 2022, 42(9): 3327-3338.
[36] 马铭遥, 张志祥, 刘恒, 等. 基于I-V特性分析的晶硅光伏组件故障诊断[J]. 太阳能学报, 2021, 42(6): 130-137.
Ma Mingyao, Zhang Zhixiang, Liu Heng, et al. Fault diagnosis of crystalline silicon photovoltaic module based on I-V characteristic analysis[J]. Acta Energiae Solaris Sinica, 2021, 42(6): 130-137.
[37] Liu Yongjie, Ding Kun, Zhang Jingwei, et al. Fault diagnosis approach for photovoltaic array based on the stacked auto-encoder and clustering with I-V curves[J]. Energy Conversion and Management, 2021, 245: 114603.
[38] Ma Mingyao, Zhang Zhixiang, Yun Ping, et al. Photovoltaic module current mismatch fault diagnosis based on I-V data[J]. IEEE Journal of Photovoltaics, 2021, 11(3): 779-788.
[39] 沈文忠. 太阳能光伏技术与应用[M]. 上海: 上海交通大学出版社, 2013.
[40] Stromer D, Vetter A, Oezkan H C, et al. Enhanced crack segmentation (eCS): a reference algorithm for segmenting cracks in multicrystalline silicon solar cells[J]. IEEE Journal of Photovoltaics, 2019, 9(3): 752-758.
[41] Yang Ruizhen, Du Bolun, Duan Puhong, et al. Electromagnetic induction heating and image fusion of silicon photovoltaic cell electrothermography and electroluminescence[J]. IEEE Transactions on Indu- strial Informatics, 2020, 16(7): 4413-4422.
[42] Dhimish M, Holmes V, Mather P, et al. Development of 3D graph-based model to examine photovoltaic micro cracks[J]. Journal of Science: Advanced Materials and Devices, 2018, 3(3): 380-388.
[43] 程安琪, 宋昊, 白建波, 等. 晶体硅光伏组件EL测试的缺陷分析[J]. 太阳能, 2018(2): 10-13.
Cheng Anqi, Song Hao, Bai Jianbo, et al. Defect analysis of EL test of crystalline silicon photovoltaic module[J]. Solar Energy, 2018(2): 10-13.
[44] Zhu Yan, Juhl M K, Trupke T, et al. Photo- luminescence imaging of silicon wafers and solar cells with spatially inhomogeneous illumination[J]. IEEE Journal of Photovoltaics, 2017, 7(4): 1087- 1091.
[45] 严婷婷, 张光春, 李果华, 等. 光致发光技术在Si基太阳电池缺陷检测中的应用[J]. 半导体技术, 2010, 35(5): 454-457.
Yan Tingting, Zhang Guangchun, Li Guohua, et al. Application of photoluminescence for the testing of defects in crystalline silicon based solar cells[J]. Semiconductor Technology, 2010, 35(5): 454-457.
[46] Doll B, Hepp J, Hoffmann M, et al. Photo- luminescence for defect detection on full-sized photovoltaic modules[J]. IEEE Journal of Photo- voltaics, 2021, 11(6): 1419-1429.
[47] 宋卿尧. 光伏组件热斑检测系统[J]. 电子制作, 2021(18): 93-95.
Song Qingyao. Photovoltaic module hot spot detection system[J]. Practical Electronics, 2021(18): 93-95.
[48] 王亚丽, 孙坚, 徐红伟. 基于红外成像太阳能板缺陷检测方法研究[J]. 测控技术, 2015, 34(7): 59-61, 66.
Wang Yali, Sun Jian, Xu Hongwei. Research and method of defect detection of solar panels based on infrared imaging[J]. Measurement & Control Tech- nology, 2015, 34(7): 59-61, 66.
[49] Kirsten Vidal de Oliveira A, Aghaei M, Rüther R. Aerial infrared thermography for low-cost and fast fault detection in utility-scale PV power plants[J]. Solar Energy, 2020, 211: 712-724.
[50] Waqar Akram M, Li Guiqiang, Jin Yi, et al. Improved outdoor thermography and processing of infrared images for defect detection in PV modules[J]. Solar Energy, 2019, 190: 549-560.
[51] 蒋琳, 苏建徽, 李欣, 等. 基于可见光和红外热图像融合的光伏阵列热斑检测方法[J]. 太阳能学报, 2022, 43(1): 393-397.
Jiang Lin, Su Jianhui, Li Xin, et al. Hot spot detection of photovoltaic array based on fusion of visible and infrared thermal images[J]. Acta Energiae Solaris Sinica, 2022, 43(1): 393-397.
[52] Rahaman S A, Urmee T, Parlevliet D A. Investigate the impact of environmental and operating conditions of infrared (IR) imaging on infrared thermography of PV modules to identify defects[J]. Solar Energy, 2022, 245: 231-253.
[53] He Yunze, Du Bolun, Huang Shoudao. Noncontact electromagnetic induction excited infrared thermo- graphy for photovoltaic cells and modules inspe- ction[J]. IEEE Transactions on Industrial Informatics, 2018, 14(12): 5585-5593.
[54] Otamendi U, Martinez I, Quartulli M, et al. Segmentation of cell-level anomalies in electro- luminescence images of photovoltaic modules[J]. Solar Energy, 2021, 220: 914-926.
[55] Hong Feng, Song Jie, Meng Hang, et al. A novel framework on intelligent detection for module defects of PV plant combining the visible and infrared images[J]. Solar Energy, 2022, 236: 406-416.
[56] Di Tommaso A, Betti A, Fontanelli G, et al. A multi-stage model based on YOLOv3 for defect detection in PV panels based on IR and visible imaging by unmanned aerial vehicle[J]. Renewable Energy, 2022, 193: 941-962.
[57] 荣黎明. 基于深度学习的光伏组串热斑检测方法研究[D]. 吉林: 东北电力大学, 2022.
[58] Akram M W, Li Guiqiang, Jin Yi, et al. Automatic detection of photovoltaic module defects in infrared images with isolated and develop-model transfer deep learning[J]. Solar Energy, 2020, 198: 175-186.
[59] Kellil N, Aissat A, Mellit A. Fault diagnosis of photovoltaic modules using deep neural networks and infrared images under Algerian climatic conditions[J]. Energy, 2023, 263: 125902.
[60] 邓堡元, 何赟泽, 王洪金, 等. 光伏电池图像序列的深度学习检测方法[J]. 机械工程学报, 2021, 57(8): 98-106.
Deng Baoyuan, He Yunze, Wang Hongjin, et al. Deep learning inspection for photovoltaic cell image sequence[J]. Journal of Mechanical Engineering, 2021, 57(8): 98-106.
[61] Jeffrey Kuo C F, Chen S H, Huang Chaoyang. Automatic detection, classification and localization of defects in large photovoltaic plants using unmanned aerial vehicles (UAV) based infrared (IR) and RGB imaging[J]. Energy Conversion and Management, 2023, 276: 116495.
[62] 谢颖. 光伏组件热斑故障诊断与分析[D]. 南京: 东南大学, 2021.
[63] Bu Chiwu, Liu Tao, Li Rui, et al. Electrical pulsed infrared thermography and supervised learning for PV cells defects detection[J]. Solar Energy Materials and Solar Cells, 2022, 237: 111561.
[64] 曾祥超, 张鹤仙, 王水威, 等. 双面光伏组件I-V测试方法研究[J]. 太阳能学报, 2021, 42(3): 370-374.
Zeng Xiangchao, Zhang Hexian, Wang Shuiwei, et al. Research on testing methods of I-V characteristics of bifacial PV modules[J]. Acta Energiae Solaris Sinica, 2021, 42(3): 370-374.
[65] Zhang Zhixiang, Ma Mingyao, Ma Wenting, et al. A data-driven photovoltaic string current mismatch fault diagnosis method based on I-V curve[J]. Micro- electronics Reliability, 2022, 138: 114705.
[66] 刘恒, 马铭遥, 张志祥, 等. 热斑晶硅光伏组件I-V曲线分析及特征模拟研究[J]. 太阳能学报, 2021, 42(4): 239-246.
Liu Heng, Ma Mingyao, Zhang Zhixiang, et al. Study on I-V curve analysis and characteristic simulation of silicon photovoltaic module with hot spot[J]. Acta Energiae Solaris Sinica, 2021, 42(4): 239-246.
[67] 胡义华, 陈昊, 徐瑞东. 基于电压扫描的光伏阵列故障诊断策略[J]. 中国电机工程学报, 2010, 30(增刊1): 185-191.
Hu Yihua, Chen Hao, Xu Ruidong. A type of PV array fault diagnosis strategy based on voltage scan[J]. Proceedings of the CSEE, 2010, 30(S1): 185-191.
[68] Li Baojie, Delpha C, Migan-Dubois A, et al. Fault diagnosis of photovoltaic panels using full I-V characteristics and machine learning techniques[J]. Energy Conversion and Management, 2021, 248: 114785.
[69] Chen Zhicong, Wu Lijun, Cheng Shuying, et al. Intelligent fault diagnosis of photovoltaic arrays based on optimized kernel extreme learning machine and I-V characteristics[J]. Applied Energy, 2017, 204: 912-931.
[70] Liu Yongjie, Ding Kun, Zhang Jingwei, et al. Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I-V curves[J]. Solar Energy, 2022, 237: 340-351.
[71] Fadhel S, Delpha C, Diallo D, et al. PV shading fault detection and classification based on I-V curve using principal component analysis: application to isolated PV system[J]. Solar Energy, 2019, 179: 1-10.
[72] Chen Shiqun, Yang Gengjie, Gao Wei, et al. Photo- voltaic fault diagnosis via semisupervised ladder network with string voltage and current measures[J]. IEEE Journal of Photovoltaics, 2021, 11(1): 219-231.
[73] Kumar B P, Pillai D S, Rajasekar N, et al. Identi- fication and localization of array faults with optimized placement of voltage sensors in a PV system[J]. IEEE Transactions on Industrial Elec- tronics, 2021, 68(7): 5921-5931.
[74] Saleh K A, Hooshyar A, El-Saadany E F, et al. Voltage-based protection scheme for faults within utility-scale photovoltaic arrays[J]. IEEE Transa- ctions on Smart Grid, 2018, 9(5): 4367-4382.
[75] Hu Yihua, Zhang Jiangfeng, Cao Wenping, et al. Online two-section PV array fault diagnosis with optimized voltage sensor locations[J]. IEEE Transactions on Industrial Electronics, 2015, 62(11): 7237-7246.
[76] Alajmi M, Aljasem O, Ali N, et al. Fault detection and localization in solar photovoltaic arrays framework: hybrid methods of data-analysis and a network of voltage-current sensors[C]//2018 IEEE International Conference on Electro/Information Technology (EIT), Rochester, MI, USA, 2018: 404-410.
[77] Takashima T, Yamaguchi J, Ishida M. Disconnection detection using earth capacitance measurement in photovoltaic module string[J]. Progress in Photo- voltaics: Research and Applications, 2008, 16(8): 669-677.
[78] Takashima T, Yamaguchi J, Otani K, et al. Experi- mental studies of fault location in PV module strings[J]. Solar Energy Materials and Solar Cells, 2009, 93(6/7): 1079-1082.
[79] 孟佳彬, 李智华, 吴春华, 等. 基于SSTDR的光伏系统对地故障检测方法[J]. 太阳能学报, 2020, 41(10): 109-118.
Meng Jiabin, Li Zhihua, Wu Chunhua, et al. Ground fault detection method for PV system based on SSTDR[J]. Acta Energiae Solaris Sinica, 2020, 41(10): 109-118.
[80] Roy S, Alam M K, Khan F, et al. An irradiance- independent, robust ground-fault detection scheme for PV arrays based on spread spectrum time-domain reflectometry (SSTDR)[J]. IEEE Transactions on Power Electronics, 2018, 33(8): 7046-7057.
[81] Edun A S, Kingston S, LaFlamme C, et al. Detection and localization of disconnections in a large-scale string of photovoltaics using SSTDR[J]. IEEE Journal of Photovoltaics, 2021, 11(4): 1097-1104.
[82] Alam M K, Khan F H, Johnson J, et al. PV arc-fault detection using spread spectrum time domain refle- ctometry (SSTDR)[C]//2014 IEEE Energy Conversion Congress and Exposition (ECCE), Pittsburgh, PA, USA, 2014: 3294-3300.
[83] 苗甲. 光伏系统中直流串联电弧故障的检测研究[D]. 哈尔滨: 哈尔滨工业大学, 2016.
[84] 谭秋秋, 石嘉川, 管铭. 基于高频分量周期方差值的故障电弧检测[J]. 建筑电气, 2017, 36(3): 57-62.
Tan Qiuqiu, Shi Jiachuan, Guan Ming. Fault arc detection based on high-frequency component periodic variance value[J]. Building Electricity, 2017, 36(3): 57-62.
[85] Momoh J A, Button R. Design and analysis of aerospace DC arcing faults using fast Fourier transformation and artificial neural network[C]//2003 IEEE Power Engineering Society General Meeting (IEEE Cat. No.03CH37491), Toronto, ON, Canada, 2004: 788-793.
[86] 孙鹏, 郑志成, 高翔. 基于小波分析的故障电弧检测方法[J]. 高压电器, 2012, 48(1): 25-29, 34.
Sun Peng, Zheng Zhicheng, Gao Xiang. Arc fault detection based on wavelet analysis[J]. High Voltage Apparatus, 2012, 48(1): 25-29, 34.
[87] 熊庆, 肖戎, 汲胜昌, 等. 基于电磁辐射特性的直流电弧检测方法[J]. 高电压技术, 2017, 43(9): 2967- 2975.
Xiong Qing, Xiao Rong, Ji Shengchang, et al. Detection method for DC arc based on elec- tromagnetic radiation characteristics[J]. High Voltage Engineering, 2017, 43(9): 2967-2975.
[88] 王尧, 张彦风, 牛峰, 等. 光伏直流电弧电磁辐射特性分析与测量方法[J]. 电工技术学报, 2019, 34(14): 2913-2921.
Wang Yao, Zhang Yanfeng, Niu Feng, et al. Characterization and measurement method of DC arc electromagnetic radiation for photovoltaic systems[J]. Transactions of China Electrotechnical Society, 2019, 34(14): 2913-2921.
[89] 王尧, 马桐桐, 赵宇初, 等. 基于电磁辐射时延估计的串联光伏直流电弧故障定位方法[J]. 电工技术学报, 2023, 38(8): 2233-2243.
Wang Yao, Ma Tongtong, Zhao Yuchu, et al. Series DC arc-fault location method based on electro- magnetic radiation delay estimation for photovoltaic systems[J]. Transactions of China Electrotechnical Society, 2023, 38(8): 2233-2243.
[90] Chouder A, Silvestre S. Automatic supervision and fault detection of PV systems based on power losses analysis[J]. Energy Conversion and Management, 2010, 51(10): 1929-1937.
[91] Dhimish M, Chen Zhicong. Novel open-circuit photovoltaic bypass diode fault detection algorithm[J]. IEEE Journal of Photovoltaics, 2019, 9(6): 1819- 1827.
[92] Pereira T A, Schmitz L, dos Santos W M, et al. Design of a portable photovoltaic I-V curve tracer based on the DC-DC converter method[J]. IEEE Journal of Photovoltaics, 2021, 11(2): 552-560.
[93] Dhimish M, Holmes V. Fault detection algorithm for grid-connected photovoltaic plants[J]. Solar Energy, 2016, 137: 236-245.
[94] 王元章, 李智华, 吴春华. 一种四参数的光伏组件在线故障诊断方法[J]. 中国电机工程学报, 2014, 34(13): 2078-2087.
Wang Yuanzhang, Li Zhihua, Wu Chunhua. A survey of online fault diagnosis for photovoltaic modules based on four parameters[J]. Proceedings of the CSEE, 2014, 34(13): 2078-2087.
[95] 易威. 光伏阵列的参数辨识及故障诊断研究[D]. 杭州: 浙江大学, 2021.
[96] 顾崇寅, 徐潇源, 王梦圆, 等. 基于CatBoost算法的光伏阵列故障诊断方法[J]. 电力系统自动化, 2023, 47(2): 105-114.
Gu Chongyin, Xu Xiaoyuan, Wang Mengyuan, et al. CatBoost algorithm based fault diagnosis method for photovoltaic arrays[J]. Automation of Electric Power Systems, 2023, 47(2): 105-114.
[97] 徐立娟, 吴春华, 王元章, 等. 基于决策树的光伏组件故障诊断方法研究[J]. 电工电能新技术, 2017, 36(6): 83-88.
Xu Lijuan, Wu Chunhua, Wang Yuanzhang, et al. Survey of fault diagnosis for PV modules based on decision tree[J]. Advanced Technology of Electrical Engineering and Energy, 2017, 36(6): 83-88.
[98] Yi Zhehan, Etemadi A H. Line-to-line fault detection for photovoltaic arrays based on multiresolution signal decomposition and two-stage support vector machine[J]. IEEE Transactions on Industrial Elec- tronics, 2017, 64(11): 8546-8556.
[99] Karmacharya I M, Gokaraju R. Fault location in ungrounded photovoltaic system using wavelets and ANN[J]. IEEE Transactions on Power Delivery, 2018, 33(2): 549-559.
[100] Akram M N, Lotfifard S. Modeling and health monitoring of DC side of photovoltaic array[J]. IEEE Transactions on Sustainable Energy, 2015, 6(4): 1245-1253.
[101] 陈凌, 韩伟, 张经炜. 基于数据融合的光伏组件故障诊断[J]. 电网技术, 2017, 41(6): 1864-1873.
Chen Ling, Han Wei, Zhang Jingwei. PV module fault diagnosis based on data fusion[J]. Power System Technology, 2017, 41(6): 1864-1873.
[102] 李光辉, 段晨东, 武珊. 基于半监督机器学习法的光伏阵列故障诊断[J]. 电网技术, 2020, 44(5): 1908-1913.
Li Guanghui, Duan Chendong, Wu Shan. Fault diagnosis of PV array based on semi-supervised machine learning[J]. Power System Technology, 2020, 44(5): 1908-1913.
[103] Zhao Ye, Ball R, Mosesian J, et al. Graph-based semi-supervised learning for fault detection and classification in solar photovoltaic arrays[J]. IEEE Transactions on Power Electronics, 2015, 30(5): 2848-2858.
[104] Huang Junming, Wai R J, Yang Gengjie. Design of hybrid artificial bee colony algorithm and semi- supervised extreme learning machine for PV fault diagnoses by considering dust impact[J]. IEEE Transactions on Power Electronics, 2020, 35(7): 7086-7099.
Abstract A photovoltaic array is an integral part of a photovoltaic power generation system. Due to its long exposure to the external environment, it is prone to different types and degrees of faults. The fault diagnosis of the photovoltaic array is significant to the safe, reliable, and economic operation of photovoltaic power generation systems. Therefore, this paper summarizes the frontier diagnosis technology of photovoltaic array faults.
Firstly, the common fault types and causes of photovoltaic arrays are introduced, including the faults between photovoltaic modules and single-module faults. Furthermore, the operating mechanism of the photovoltaic module is described by a single-diode equivalent circuit model. Based on the model, the voltage and current under different fault types change significantly. The variation trend of voltage and current curves divides these faults into non-mismatch and mismatch faults. For non-mismatched faults, the I-V curve does not change significantly, such as PID faults and diode short circuits. For mismatched faults, the I-V curve has a slope or step-shape trend, such as shadows and hot spots.
Secondly, based on the mechanism characteristics and external representation of photovoltaic array faults, this paper summarizes photovoltaic array fault diagnosis methods into two categories: vision and imaging diagnosis methods and electrical characteristic parameter diagnosis methods. Related methods are studied to achieve fault diagnosis by obtaining image and data information through auxiliary detection equipment. Vision and imaging diagnosis methods consist of infrared thermal imaging, visible imaging, electroluminescence, photoluminescence, and machine-learning image diagnosis methods. Electrical characteristic parameter diagnosis methods include I-V curve, physical detection, power loss analysis, voltage-current, and machine learning classification methods. This paper summarizes and analyzes the existing domestic and foreign research. Specifically, the electroluminescence and photoluminescence imaging methods are used to diagnose crack and micro-crack faults. The infrared thermal imaging method diagnoses hot spot faults.
The machine-learning image detection method achieves object detection and semantic segmentation of the fault points through the acquired image information. In addition, the I-V curve method is used to analyze and judge the characteristics and trends of the curve, such as shadows and hot spots. The physical detection method diagnoses different modules in photovoltaic arrays, such as grounding and short-circuit faults. Using the equivalent circuit model, the machine-learning method diagnoses open-circuit, line-line, and short-circuit faults based on massive data set.
Finally, it is pointed out that the establishment of photovoltaic module fault models, the improvement of fault feature recognition methods, the application of artificial intelligence technology, the health management of photovoltaic array operation state, and the optimization of fault diagnosis strategies need to be further studied in the future. It aims to improve the fault diagnosis capabilities of photovoltaic arrays and provide a technical basis for intelligent operation and maintenance of photovoltaic systems.
keywords：Photovoltaic array fault types, fault characteristics, visual and imaging diagnostic methods, electrical characteristic parameter diagnostic methods
中图分类号：TM914
DOI: 10.19595/j.cnki.1000-6753.tces.231327
江苏省碳达峰碳中和科技创新专项资助项目（BE2022038）。
收稿日期 2023-08-16
改稿日期 2023-10-17
王小宇 男，1978年生，教授，博士生导师，研究方向为光伏发电系统故障诊断、分布式能源保护与控制、电能质量等。E-mail: xiaoyuw@ieee.org
孙 凯 男，1977年生，副教授，博士生导师，研究方向为新能源发电系统、能源互联网中的电力电子技术等。E-mail: sun-kai@mail.tsinghua.edu.cn（通信作者）
（编辑 陈 诚）