图1 同一汇流箱下的光伏组串的电流和电压数据特征
Fig.1 Current and voltage data characteristics of PV strings under the same combiner box
摘要 在夏秋季节由于草木等固定物阴影遮挡，会导致光伏电站电量损失严重，甚至产生光伏组件热斑等安全性问题。因此该文针对草木类阴影遮挡的电气特征参量演化趋势及辨识方法开展了深入研究。首先将光伏组串的时序电流数据变化规律与草木阴影遮挡的严重程度建立有效的映射关系，据此提出一种基于时空特征的光伏电站草木阴影遮挡故障在线诊断方法；然后通过构建光伏组串电流的时空特征数据函数，依据其表现的不同特征趋势判断草木阴影遮挡的具体类型；最后采用光伏电站的实际现场运行数据验证了该方法具有较强的辨识能力和适用性。
关键词：光伏电站 草木阴影遮挡 时序电流 时空特征 故障诊断
目前，随着光伏电站装机容量的不断增加，光伏产业发展迅速。光伏电站安装在室外暴露环境中，由建筑物、云朵、草木、灰尘、鸟粪和积雪等遮挡造成的阴影[1]是目前光伏电站发电量损失的重要原因。建筑物和电线杆等固定物形成的阴影遮挡多出现在分布式电站中，影响电站的发电效率，但由于无法移除因此无需人工维护。灰尘和鸟粪等形成的阴影遮挡与电站建设位置有关，累积到一定程度后会造成电站发电量损失，因此需要人工干预。草木阴影遮挡多出现在山地电站和部分集中式电站中，夏秋季严重时会造成发电量损失30%左右，是夏秋季节电站故障运行维护的重中之重。然而自然草木的生长不可避免，预防性维护是唯一的解决方案[2]。
近年来，仅针对光伏电站草木阴影遮挡故障诊断的研究相对较少，国内外学者主要针对光伏电站通用型阴影遮挡故障开展研究[3-6]。光伏电站阴影遮挡故障检测方法主要有基于红外热成像分析法、基于I-V曲线分析法和基于时序电压电流法等[7]。文献[8]通过组件的红外热成像对组件异常进行分析，根据正常组件与故障组件的差异设定阈值，判断故障。上述方法无法精细化辨识阴影诱因，比如草木、建筑物和鸟粪等不同遮挡成因，因此不便于人工干预决策。文献[9]通过计算正常光伏组串和故障光伏组串I-V特性之间的欧几里德范数判断各种阴影遮挡和其他故障。文献[10]通过测量电压和电流并检查I-V特性，对阴影和其他故障进行分类。文献[11]使用具有网格搜索和k倍交叉验证的优化支持向量机（Support Vector Machine, SVM）来检测光伏组串中的短路、开路和阴影遮挡故障。文献[12]通过I-V特性曲线构造特征输入量，并采用改进的决策树算法对阴影和其他故障进行诊断。在以上几种方法中，基于I-V特征的阴影故障诊断方法最为简单有效，因为光伏组件的I-V曲线可以准确地反映组件的运行情况，便于区分各种故障类型[13]。然而I-V曲线的获取依赖于组件的安装结构及传感器配置。目前，一些大型光伏电站不具备组件及组串的I-V曲线的扫描功能，但是可以获得历史和实时光伏组串电流等电气参数数据。文献[14]使用阈值来比较不同光伏组串电流，以识别偏差数据并定位故障组串。文献[15]将计算得到的时序电流等参数的残差作为故障特征来检测阴影遮挡和短路等故障。文献[16]通过建立时间序列模型诊断阴影和其他故障。上述几种方法依据直接通过电站获取的电气参数数据，兼容各品牌逆变器，成本较低。然而，在自然环境下实际运行的光伏电站是非线性时变对象，若要做到精准诊断需要充分了解有关故障演化过程的特征信息[17]。尤其针对草木阴影，目前已有研究尚未充分考虑不同光伏组串之间的性能偏差，以及同一组串长时间尺度下随寿命衰减的出力变化过程。因此，使用时间和空间两维特征来表征光伏组串的性能偏差会获得更为精准的辨识效果。
光伏电站的直流侧由大量的光伏组串组成，不同的光伏组串之间的输出在相同气象条件下具有相似性，而故障信息就隐藏在光伏组串的时序输出中[18]。因此，本文提出了一种基于时空特征的光伏电站草木阴影遮挡故障在线诊断方法。根据光伏组串输出特性，选取光伏组串时序电流数据作为特征量。通过横向挖掘时间切片下不同健康光伏组串和草木阴影遮挡的光伏组串的电流数据特征，以及纵向挖掘时间序列下健康光伏组串和草木阴影遮挡的光伏组串的电流数据特征演化，有效地建立草木阴影遮挡与时序电流的时空映射关系，构造时空特征矩阵函数，可用于精准诊断草木阴影遮挡的故障类型。本文提出的方法对于光伏电站的草木阴影遮挡故障具有较强的辨识能力和适用性，同时为运维人员判断草木阴影遮挡类型提供了重要依据。
光伏电站通过汇流箱可以收集大量可用的运行数据，其中光伏组串的电流和电压数据能够实时反映光伏组串受环境影响的发电运行情况[19]。同一汇流箱下光伏组串的电流和电压数据特征如图1所示。从图1可知，不同光伏组串的电流有强相似性，不同日期下光伏组串电流有差异性。由于同一汇流箱下不同组串之间是并联连接的，所以光伏组串电压是相同的。因此，可采用光伏组串电流数据区分各组串间的差异。目前，大部分光伏电站的终端收集数据已经达到了光伏组串级别，这为实现基于光伏组串的故障诊断提供了数据基础。
图1 同一汇流箱下的光伏组串的电流和电压数据特征
Fig.1 Current and voltage data characteristics of PV strings under the same combiner box
草木阴影遮挡实景如图2所示，实际光伏电站中的草木阴影遮挡情况较为复杂。根据实地调研以及运维的需求，草木阴影遮挡主要分为两类：一类是由可维护性草木造成的遮挡，采用人工清理可以消除故障，主要包括藤蔓和杂草；另一类是由不可维护性草木造成的遮挡，主要包括不可砍伐的树木。树木也具有生长周期性，需要与可维护性草木进行区分，以便更好地进行人工清障，从而达到提升光伏电站发电量的运维目标。
图2 草木阴影遮挡实景
Fig.2 The real scene of shaded by vegetation
四季中某天的草木阴影遮挡和山体遮挡等多种情况下时序电流曲线的变化如图3所示，季节序号中1代表春季、2代表夏季、3代表秋季和4代表冬季。图3中的数据来源于安徽省宿州市灵璧磐阳 120 MW光伏电站，由阳光电源股份有限公司的智慧能源管理云平台iSolarCloud提供最近5年的全年运行数据。对比可知，草木阴影遮挡主要有两个特征：①遮挡不规则；②随季节变化。受草木遮挡的光伏组串电流相较于正常的光伏组串电流的下降幅度是不同的，规律随季节性变化明显。草木的共性是均具有生长周期性，这也给草木阴影遮挡的故障诊断提供了一个解决思路。夏秋季一般是草木生长的高发期，所以选择夏秋季进行诊断具有时间经济性。越早诊断出故障，就可以越早进行处理，减小电站发电量损失。因此实际操作中，可以根据光伏电站所处的地理位置，尤其是纬度位置，合理灵活地选择草木阴影遮挡诊断流程的启动时间。
图3 草木等各类阴影遮挡的时序电流曲线对比
Fig.3 Comparison of time series curve of current various shadings such as vegetation
如图3所示，山体和电线杆等物体形成固定阴影遮挡后，电流曲线不会出现季节性的变化，不存在误判情况。云层等其他物体造成的随机遮挡只会偶然出现，也无季节性变化。相比于其他阴影遮挡，草木阴影遮挡的特征呈现了生长性、季节性的变化趋势，据此可以区分草木阴影遮挡与其他阴影遮挡。
某实际电站中可维护性草木每个月份中某个晴朗天气下的电流曲线如图4所示。夏季形成可维护性草木阴影遮挡后，其光伏组串电流在全天内均比正常的光伏组串电流低，且随着时间的推移逐渐严重。可维护性草木通常是附着在组件之上或距离组件高度很近，无论太阳高度角如何变化，组件被遮挡部分的面积几乎不发生变化，所以一天内的电流曲线表现为全天低效特征。对比而言，如图5所示为某实际电站中不可维护性草木（树木）造成的阴影遮挡下的电流曲线变化趋势。由于不可维护性草木通常距离组件有一定的高度，当太阳高度角发生变化后，组件被遮挡面积也会发生变化，所以一天内的电流曲线表现为部分时间段低效特征。
图4 可维护性草木的电流时序特征
Fig.4 Current time series characteristic of maintainable vegetation
图5 不可维护性草木的电流时序特征
Fig.5 Current time series characteristic of unmaintainable vegetation
相比于正常组串，草木阴影遮挡的光伏组串的时序电流曲线在时间上发生了不同程度的变化，在同一时间的空间分布也发生了不同程度的变化。一般最长在3个月之内可以发现明显变化，所以可以选择累计3个月的电流数据进行草木阴影遮挡故障诊断[20]。草木阴影遮挡故障特征隐藏在光伏组串电流中，在晴朗天气下的光伏组串电流更加平滑，类似于高斯曲线。然而，非晴朗天气下的光伏组串电流存在偏离[21]，草木阴影遮挡故障特征会被淹没，无法进行相应的故障提取。因此可以构造3个月内晴朗天气下的光伏组串电流数据库，并标注晴朗日期序号。其中晴朗天气是由电站所在地区的天气预报获取。
定义第j条光伏组串的时序电流序列I为
（1）
式中,m为启动时间前3个月内晴朗天气的数量，根据光伏电站纬度及环境特征，适当选取草木阴影遮挡诊断的启动时间后，本文m取16；j为某汇流箱下光伏组串的序号。
第i个晴朗天气下，第j条光伏组串电流Ij(i)为
（2）
式中，i为晴朗日期序号，i=1, 2, 
, m；t为时刻；n为一天内采集数据点的序号，采用真太阳时间9:00—15:00，共计6 h，分辨率为5 min，所以f=72。
不同光伏组串电流之间的差异体现了组串分布的空间性。第i个晴朗天气下，每个采样点下的第j条光伏组串电流的下降比例
为
（3）
式中，
为第i个晴朗天气下tn时刻同一汇流箱下光伏组串电流的最大值，n=1,2…, f。本文取晴朗天气下正常光伏组串和受草木阴影遮挡类型的光伏组串的日电流数据，分别计算下降比例，最后采用四分位距（Interquartile Range, IQR）设置，设下降比例Dis的阈值为0.1。下降比例阈值的设定与后文中下降程度D的设定方法相同。
实际光伏电站某汇流箱下第j条光伏组串在第i个晴朗天气下全天的时空特征元素的求解方法如图6所示。
图6 第i个晴朗天气下全天的时空特征元素的求解方法
Fig.6 Method for solvingtemporal-spatial characteristic elements throughout the day under the ith sunny weather
（4）
（5）
式中，Xj(i)和Yj(i)分别为一天内组串电流遮挡故障出现时刻和消失时刻。Xj(i)表示在第i个晴朗天气下的下降比例
的初始时刻；Yj(i)表示在第i个晴朗天气下的下降比例的结束时刻。
在图6中，下降比例Dis≥0.1的初始时刻值和结束时刻值分别为ts和te，所以Xj(i)=ts，Yj(i)=te。
将m个晴朗天气下的第j条光伏组串电流的下降比例Dis≥0.1的初始时刻Xj(i)构造成序列X，如式（6），m个晴朗天气下的第j条光伏组串电流的下降比例Dis≥0.1的结束时刻Yj(i)也可以构造成包含m个数值的序列Y，如式（7）。
（6）
（7）
第i个晴朗天气下，第j条光伏组串电流在Xj(i)与Yj(i)之间的下降水平
可由下降比例
的积分获得。
（8）
m个晴朗天气下的第j条光伏组串电流的下降程度D序列的组成为
（9）
最后，草木阴影遮挡下第j条光伏组串电流的时空特征矩阵函数TS为
（10）
在空间上，TS表征了草木阴影遮挡故障组串与正常组串相比，故障组串电流的折损程度；在时间上，TS展示了不同组串草木阴影遮挡出现和消失时间差异性，以及草木阴影遮挡故障组串电流的劣变过程。
在不同的草木阴影遮挡类型下，光伏组串的时序输出电流会出现不同的变化。为了更准确地提取草木阴影遮挡的故障特征，本文主要对可维护性草木和不可维护性草木两种类型进行了时空特征的提取并分析。不同光伏组串之间的电流差异体现了空间性的变化，即下降程度D。草木阴影遮挡出现和消失时间差异性体现了时间性变化，即X和Y。本文案例中草木阴影遮挡诊断流程的启动时间为2022年8月25日。本文选取安徽省宿州市灵璧磐阳120 MW光伏电站开展实际验证工作。根据2.1节中时空特征函数矩阵的构建方法，提取草木阴影遮挡的时空特征。以电站中某汇流箱下第j条光伏组串为例，草木阴影遮挡的时空特征提取过程如 图7所示。
图7 时空特征的提取过程
Fig.7 Temporal-spatial characteristics extraction process
正常光伏组串的时空特征如图8所示，下降程度D始终小于设定阈值，Y和X的差值恒等于6 h。当可维护性草木生长到一定程度，就会产生阴影遮挡，从而对光伏组串发电产生影响，其时空特征如图8所示，下降程度D从低于阈值增长到超过阈值，Y和X的差值恒等于6 h。
图8 可维护性草木的时空特征
Fig.8 Temporal-spatial characteristics of maintainable vegetation
采用PVsyst进行了不可维护性草木（如树木）的阴影仿真实验，阴影瞬间如图9所示。参考实地设置，此实验中设置4组光伏组串进行对照，其中一组光伏组串受树木遮挡。共模拟5组遮挡类型，每组实验改变树木的高度和相对光伏组串的距离，具体参数见表1。其中电流等效阴影覆盖比例为16个晴朗日下的阴影覆盖比例的总平均值。从PVsyst仿真中导出光伏组串的电流数据，按照前文所提方法计算晴朗天气下受不可维护性草木（如树木）阴影遮挡后光伏组串电流的时空特征。
图9 PVsyst仿真的阴影瞬间
Fig.9 PVsyst simulates shading moments
表1 PVsyst仿真中树木类型
Tab.1 Tree types in PVsyst simulations
树木类型高度/m相对光伏组串的距离/m电流等效阴影覆盖比例(%) 150.518.70 260.520.64 36216.86 470.522.15 56119.19
本文案例中不可维护性草木的时空特征如图10所示。下降程度D随时间上下波动，并且始终高于所设定阈值；树木类型2～5遮挡与树木类型1遮挡的X是相同的，而Y是不同的，但是Y和X的差值小于6 h。而可维护性草木的光伏组串电流的下降程度呈逐渐变大的趋势，这是由不可维护性草木（如树木）和可维护性草木（如藤蔓）的生长特性与生长周期不同造成的。
光伏组串受到不同类型的草木阴影遮挡时，时空特征中的下降程度D、Y和X是不同的，因此根据时空特征的不同参数来判断光伏组串的草木阴影遮挡可行。而且下降程度D越大，说明草木形成的阴影对光伏组串形成的遮挡面积越大。遮挡面积越大，光伏组串的输出效率越低，对电站发电量影响越大。考虑运维的经济性，当草木阴影遮挡对电站发电量影响较小时，可以不做任何处理；当监测到草木阴影遮挡即将对电站发电量产生严重影响时，可派遣专业运维人员进行除草，据此可以设置草木阴影遮挡的人为干预的优先时间节点，达到降低运维成本的效果。
图10 不可维护性草木的时空特征
Fig.10 Temporal-spatial characteristics of unmaintainable vegetation
针对上述两种草木阴影遮挡故障的故障特征，本文设计了对应的诊断方法，诊断流程如图11所示。
图11 诊断流程
Fig.11 Diagnosis process
以灵璧磐阳光伏电站现场实际数据为例，取晴朗天气下正常和故障（草木阴影遮挡）的光伏组串日电流数据，分别计算下降程度，然后通过IQR计算出两类下降程度的分界线为19.07%。其中四分位距将一个按等级排序的数据集划分为四个相等部分，即Q1（第1个四分位数）、Q2（第2个四分位数）和Q3（第3个四分位数）。IQR定义为
，位于
或
之外的数据被视为离群值。为了降低误判率，本文案例将D的阈值设定为15%。草木阴影遮挡的具体诊断流程如下；
1）确定诊断日并通过后台终端获得诊断日前3个月晴朗天气下的同一汇流箱下的光伏组串电流数据，诊断日即草木阴影遮挡诊断流程的启动时间。
2）计算每个光伏组串电流的时空特征值。
3）判定正常光伏组串和故障光伏组串，如果下降程度D不超过设定阈值，并且Y和X的差值恒等于6 h，则判定为正常组串；否则进行下一步。
4）区分草木阴影遮挡，如果下降程度D从低于阈值不断上升且超过阈值，同时Y和X的差值恒等于6 h，则判定为可维护性草木；否则进行下一步。
5）判定是否为不可维护性草木，如果下降程度D始终超过阈值且Y和X的差值小于6 h，则判定为不可维护性草木；否则判定为其他故障，包含由建筑物、山地等因素产生的阴影遮挡故障。
通过光伏电站的实际现场调研，收集了多组不同草木阴影遮挡类型的故障标签数据。实验平台为阳光电源安徽省宿州市灵璧磐阳120 MW光伏电站，如图12所示。
通过智慧能源管理云平台iSolarCloud获取光伏电站的实际现场运行数据，如汇流箱侧光伏组串的电流、电压和功率等，其中光伏组串的电流数据的分辨率为5 min。光伏电站结构如图13所示。从灵璧磐阳光伏电站中的2万个光伏组串中选择 1 000组作为实验测试样本，样本类型和数量分布及诊断结果见表2。
图12 灵璧磐阳光伏电站示意图
Fig.12 Schematic diagram of Lingbi Panyang PV station
图13 光伏电站结构
Fig.13 Structural diagram of PV station
表2 故障诊断结果
Tab.2 Fault diagnosis results
故障类型数量/串准确率(%) 正常674100.00 可维护性草木30094.70 不可维护性草木2696.20
为了更好地说明诊断结果，引入混淆矩阵，如图14所示。以左起第二列为例，300组实际类型为可维护性草木的样本，有284组被正确诊断为可维护性草木，13组被错误诊断为正常，3组被错误诊断为不可维护性草木，94.7%的准确率代表实际类型为可维护性草木的样本被正确诊断为可维护性草木的比例，5.3%的误判率代表实际类型为可维护性草木的样本被错误诊断为其他标签样本的比例。以从上至下起第二行为例，在诊断结果为可维护性草木的所有样本中，有284组样本的实际类型为可维护性草木，有1组为不可维护性草木，99.6%代表在诊断结果为可维护性草木的所有样本中诊断正确的比例，0.4%代表在诊断结果为可维护性草木的所有样本中诊断错误的比例。整个诊断方法的准确率等于对角线上所有元素的和除以样本总个数，即本文方法诊断率为98.3%。因为可维护性草木的光伏组串电流与正常组串电流高度相似，所以可维护性草木有较小的概率被判定为正常。不可维护性草木有3.8%样本被判定为可维护性草木，实地观察可知，这是因为树木较矮，依靠坡地完全覆盖在光伏组串之上，此种情况属于极少出现的个例。故障诊断方法具有98.3%的高准确率，不同故障类型的误报率在1.7%以内。此外样本中还存在少量如热斑和组件碎裂等其他类型的故障组串，所以影响了判断结果。
图14 故障诊断结果的混淆矩阵
Fig.14 Confusion matrix of fault diagnosis results
本文针对实际光伏电站中的草木阴影遮挡故障展开了深入研究。将光伏组串的时序电流数据变化规律与草木阴影遮挡的严重程度之间建立了有效的时空映射关系，提出了一种基于时空特征的光伏电站的草木阴影遮挡故障在线诊断方法。最后，采用光伏电站的实际现场数据进行了验证，得出以下结论：
1）与其他阴影遮挡故障相比，草木阴影遮挡故障季节性特征强，在夏秋季高发。夏秋季中受草木阴影遮挡的光伏组串的时序电流数据在时空特征（X，Y，下降程度D）上的劣变趋势异常明显，可以实现对草木阴影遮挡故障的有效特征提取。
2）在可维护性草木（如藤蔓）与不可维护性草木（如树木）的阴影遮挡情况下，光伏组串的时序电流数据在时空特征上均呈现劣变趋势，但两者的变化趋势不同。不可维护性草木阴影遮挡在全年范围内光伏组串电流的时空特征值均保持高水平，而可维护性草木阴影遮挡仅在部分季节内光伏组串电流的时空特征值呈现持续上升的趋势。因此可以利用该特征对两种草木阴影遮挡故障进行有效区分。
本文通过构建草木阴影遮挡下光伏组串电流的时空特征矩阵函数，提高了草木阴影遮挡的诊断正确率，具有可推广的实际应用价值。
参考文献
[1] Sabbaghpur Arani M, Hejazi M A. The comprehensive study of electrical faults in PV arrays[J]. Journal of Electrical and Computer Engineering, 2016, 2016(1): 8712960.
[2] Osmani K, Haddad A, Lemenand T, et al. A review on maintenance strategies for PV systems[J]. Science of the Total Environment, 2020, 746: 141753.
[3] 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.
[4] 胡义华, 陈昊, 徐瑞东, 等. 光伏电池板在阴影影响下输出特性[J]. 电工技术学报, 2011, 26(1): 123-128, 134.
Hu Yihua, Chen Hao, Xu Ruidong, et al. PV module characteristics effected by shadow problem[J]. Transactions of China Electrotechnical Society, 2011, 26(1): 123-128, 134.
[5] 周亮, 武美娜, 胡安. 局部遮挡下光伏阵列的快速建模及极值点分布特征研究[J]. 电工技术学报, 2021, 36(增刊2): 572-581.
Zhou Liang, Wu Meina, Hu An. Rapid modeling of photovoltaic array under partial occlusion and study on distribution characteristics of extreme points[J]. Transactions of China Electrotechnical Society, 2021, 36(S2): 572-581.
[6] 孙培胜, 陈堂贤, 程陈, 等. 基于SOA-SVM模型的光伏阵列故障诊断研究[J/OL]. 电源学报, 2022: 1-13[2024-01-10]. http://kns.cnki.net/kcms/detail/ 12.1420.TM.20220823.1109.002.html.
Sun Peisheng, Chen Tangxian, Cheng Chen, et al. Research on fault diagnosis of photovoltaic array based on SOA-SVM model[J/OL]. Journal of Power Supply, 2022: 1-13[2024-01-10]. http://kns.cnki.net/ kcms/detail/12.1420.TM.20220823.1109.002.html.
[7] 王小宇, 刘波, 孙凯, 等. 光伏阵列故障诊断技术综述[J]. 电工技术学报, 2024, 39(20): 6526-6543.
Wang Xiaoyu, Liu Bo, Sun Kai, et al. A review of photovoltaic array fault diagnosis technology[J]. Transactions of China Electrotechnical Society, 2024, 39(20): 6526-6543.
[8] Cubukcu M, Akanalci A. Real-time inspection and determination methods of faults on photovoltaic power systems by thermal imaging in Turkey[J]. Renewable Energy, 2020, 147: 1231-1238.
[9] Ali M H, Rabhi A, El Hajjaji A, et al. Real time fault detection in photovoltaic systems[J]. Energy Procedia, 2017, 111: 914-923.
[10] Davarifar M, Rabhi A, El Hajjaji A. Comprehensive modulation and classification of faults and analysis their effect in DC side of photovoltaic system[J]. Energy and Power Engineering, 2013, 5(4): 230-236.
[11] Lu Xiaoyang, Lin Peijie, Cheng Shuying, et al. Fault diagnosis for photovoltaic array based on convolutional neural network and electrical time series graph[J]. Energy Conversion and Management, 2019, 196: 950-965.
[12] 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.
[13] Mellit A, Tina G M, Kalogirou S A. Fault detection and diagnosis methods for photovoltaic systems: a review[J]. Renewable and Sustainable Energy Reviews, 2018, 91: 1-17.
[14] Liu Qi, Zhao Yingying, Zhang Yawen, et al. Hierarchical context-aware anomaly diagnosis in large-scale PV systems using SCADA data[C]//2017 IEEE 15th International Conference on Industrial Informatics (INDIN), Emden, Germany, 2017: 1025-1030.
[15] Harrou F, Sun Ying, Taghezouit B, et al. Reliable fault detection and diagnosis of photovoltaic systems based on statistical monitoring approaches[J]. Renewable Energy, 2018, 116: 22-37.
[16] Garoudja E, Harrou F, Sun Ying, et al. Statistical fault detection in photovoltaic systems[J]. Solar Energy, 2017, 150: 485-499.
[17] 时珉, 许可, 王珏, 等. 基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测[J]. 电工技术学报, 2021, 36(11): 2298-2305.
Shi Min, Xu Ke, Wang Jue, et al. Short-term photovoltaic power forecast based on grey relational analysis and GeoMAN model[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2298-2305.
[18] Zhu Honglu, Shi Yucheng, Wang Haizheng, et al. New feature extraction method for photovoltaic array output time series and its application in fault diagnosis[J]. IEEE Journal of Photovoltaics, 2020, 10(4): 1133-1141.
[19] Zhu Honglu, Wang Haizheng, Kang Dahai, et al. Study of joint temporal-spatial distribution of array output for large-scale photovoltaic plant and its fault diagnosis application[J]. Solar Energy, 2019, 181: 137-147.
[20] 李建林, 籍天明, 孔令达, 等. 光伏发电数据挖掘中的跨度选取[J]. 电工技术学报, 2015, 30(14): 450-456.
Li Jianlin, Ji Tianming, Kong Lingda, et al. Span determining of photovoltaic generation data mining[J]. Transactions of China Electrotechnical Society, 2015, 30(14): 450-456.
[21] 袁晓玲, 施俊华, 徐杰彦. 计及天气类型指数的光伏发电短期出力预测[J]. 中国电机工程学报, 2013, 33(34): 57-64, 12.
Yuan Xiaoling, Shi Junhua, Xu Jieyan. Short-term power forecasting for photovoltaic generation considering weather type index[J]. Proceedings of the CSEE, 2013, 33(34): 57-64, 12.
Vegetation Shading Fault Diagnosis in Photovoltaic Power Stations Based on Temporal-Spatial Characteristics
Abstract Vegetation shading often occurs in mountain power stations and some centralized power stations. In severe summer and autumn, it will cause a loss of about 30% of power generation, seriously affecting the power generation efficiency and safety of photovoltaic (PV) power stations. It is the top priority for power station failure operation and maintenance in summer and autumn. Regarding shadings in stations, current research has not fully considered the performance deviation between different PV strings and the output change process of the same string attenuated with life on a long-term scale. Based on the PV string output characteristics, it's noted that different PV string currents exhibit strong similarities, yet vary across different days. Therefore, PV string time series current data are chosen as the defining characteristics. Compared with the normal PV string current, the PV string current blocked by vegetation has a different decline rate. The pattern changes obviously with seasonality. The common characteristic of vegetation is that they all have growth periodicity. After analyzing time series current curves of power stations under different conditions like vegetation or mountain shading across various seasons, it was observed that once fixed shadings are established by objects such as mountains or telephone poles, the current curve remains consistent without any seasonal variations or errors. Clouds and other objects causing random occlusion only happen sporadically and show no seasonal variability. Compared with other shadings, the characteristics of vegetation shadings show growth and seasonal changing trends. Based on this, vegetation shadings can be distinguished from other shading faults.
In summer, once maintainable vegetation shading is established, the PV string current remains lower than normal throughout the day, worsening gradually over time. With unmaintained vegetation shading, the current curve during the day displays inefficiencies at certain periods. By analyzing the current data characteristics of both healthy PV strings and those shaded by vegetation horizontally across time slices, and longitudinally examining the evolution of current data characteristics over time, the temporal-spatial mapping relationship between vegetation shading and temporal current can be effectively establish. Then a temporal-spatial characteristic matrix function is constructed to accurately diagnose the fault type of vegetation shadings. The characteristic matrix function quantifies the loss of current in a faulty string due to vegetation shading compared to normal strings in space. Over time, the characteristic matrix function reveals differences in when different string groups appear and disappear under vegetation shading, along with how current degrades in faulted string groups blocked by vegetation shadings.
To accurately identify fault characteristics of vegetation shading, this paper primarily extracts and analyzes the temporal-spatial characteristics of maintainable and unmaintainable vegetation. The threshold is established using the interquartile range of historical data from power stations. When shaded by maintainable vegetation (like vines) and unmaintainable vegetation (such as trees), the PV string time series current data exhibit a deteriorating trend in temporal-spatial characteristics, albeit with distinct differences in their change trends. Temporal-spatial characteristic values of PV string current under unmaintainable vegetation shading remain consistently high year-round, whereas those under maintainable vegetation shading exhibit a continuous upward trend only during certain parts of the season. Hence, this characteristic can effectively differentiate between the two types of vegetation shading faults.
Ultimately, effectiveness of the proposed method was validated using real field data from PV power stations. Due to the high similarity between the PV string current under maintainable vegetation and the current of normal strings, maintainable vegetation has a lower likelihood of being incorrectly classified as normal. 3.8% of unmaintainable vegetation samples was misjudged as maintainable vegetation. On-site observation revealed that this occurred because the trees are short and utilize the slope to fully obscure the PV strings. This situation rarely occurs. The fault diagnosis method boasts an impressive accuracy of 98.3%, with a false alarm rate for different fault types staying under 1.7%. There are a small number of other types of faulty strings in the sample, such as hot spots and component fragmentation, which affects the judgment results.
This paper constructs a temporal-spatial characteristic matrix function of the PV string current under vegetation shadings to enhance diagnostic accuracy in identifying such shading. Its practical applicability makes it suitable for widespread implementation.
Keywords：Photovoltaic power stations, vegetation shadings, time series current, temporal-spatial characteristics, fault diagnosis
中图分类号：TM615
DOI: 10.19595/j.cnki.1000-6753.tces.240181
收稿日期 2024-01-26
改稿日期 2024-04-18
马铭遥 女，1982年生，教授，博士生导师，研究方向为电力电子变流装置智能化故障诊断、功率器件健康监测、智能化运维技术等。
E-mail：miyama@hfut.edu.cn
王泽澳 男，1999年生，硕士研究生，研究方向为光伏电站的智能化运维。
E-mail：1586301767@qq.com（通信作者）
（编辑 赫 蕾）