结合电压阈值和最右端功率峰值点的光伏阵列故障检测与定位

冯 锴 林培杰 俞金玲 陈志聪 程树英

结合电压阈值和最右端功率峰值点的光伏阵列故障检测与定位

冯 锴 林培杰 俞金玲 陈志聪 程树英

（福州大学物理与信息工程学院，福州 350108）

光伏阵列故障会影响光伏系统的发电效率和生命周期，甚至造成火灾等严重事故，因此光伏阵列故障检测和定位至关重要。本文利用光伏阵列及模块的最右端功率峰值（RPP）处的电压结合优化的电压传感器布置方案实现对组串内短路故障、开路故障和局部阴影的检测与定位，并根据阵列电压归一化后的结果进一步对短路故障进行程度判断。该方法的特点是独立于气象参数，并使用较少数量的传感器实现故障的组串级别定位。通过一个10×5的仿真模型和一个6×3的实际光伏阵列的实验结果验证了方法的可行性。

光伏阵列；故障检测；故障定位；最右端功率峰值（RPP）

0 引言

近年来，太阳能作为清洁能源得到广泛应用，光伏并网系统的安装也越来越普及。然而安装在室外恶劣环境下的光伏阵列，易受到各种环境因素的影响而发生各种故障，例如开路故障、短路故障、接地故障、直流电弧故障、局部阴影等[1-3]。文献[4]分析了光伏电源的故障特性和影响因素。故障的检测和定位对于光伏系统的运行至关重要，近年来学者们在该领域开展了相关的研究，采用统计差异测量技术，如阵列损耗差和瞬时功率比[5]、交流功率输出差[6]及电压功率比差异[7]，还有基于动态时间规 整[8]、自适应网络优化模糊推理法[9]等。为了更好地区分局部阴影情况（partial shade conditions, PSCs）与电气故障，文献[10]提出使用最右端功率峰值（rightmost power peak, RPP）电压来实现短路/接地故障的检测，将其与局部阴影区分开来，但是无法检测短路/接地故障的失配水平，且无法实现光伏阵列故障的定位。一些研究提出了基于电压和电流测量的方法，来定位阵列中故障区域，但并未识别故障类型[11-13]。文献[14]提出了一种根据电压全局分块逼近法来定位故障。文献[15]提出了一种电压传感器布置方案，能够有效识别阴影故障和电气故障，并在短路和接地故障时定位到故障模块、开路故障时定位到组串。文献[16]根据光伏阵列电压、电流等信号，采用基于高斯过程的方法实现了故障定位。

本文分析光伏阵列和组件在短路故障、开路故障和局部阴影下的RPP工作特性，设计一种优化的电压传感器布置方案。通过采集光伏阵列和每个组串第一个光伏模块的RPP电压，结合阈值判断，进行组串内短路故障、开路故障和局部阴影的检测和组串级别定位，同时通过将阵列电压归一化实现组串内短路故障程度的判断。相比于采集光伏阵列和组串首尾两个光伏模块电压的方案[15]，可进一步减少传感器数量，降低成本。

1 光伏阵列故障下最右端功率峰值特性

光伏阵列在故障程度轻微或照度较低时，在系统的最大功率跟踪（maximum power point tracking, MPPT）作用下，会快速改变故障电流的方向和数值，导致传统保护装置失效。为了说明最大功率点（maximum power point, MPP）对故障检测的影响，本文用Matlab/Simulink搭建了10×5的光伏阵列（共5串光伏串，每串有10个模块），其拓扑如图1所示，图中设置了光伏阵列直流端常见的几种故障：F1为故障程度1/10的组串内短路故障，F2为故障程度2/10的组串内短路故障，F3为开路一串的开路故障，F4为阴影故障1，F5为阴影故障2。标准测试条件（standard test condition, STC）下各类故障光伏阵列的-曲线如图2所示。

图1 10×5光伏阵列拓补

图2 STC下各类故障光伏阵列的P-V曲线

1.1 短路故障

发生短路故障的时候，MPPT技术会使故障阵列重新工作在最大功率点，由图2可知此时故障阵列MPP电压MPP_FA将小于故障发生前正常情况下阵列的MPP电压MPP_NA。

F1故障下光伏阵列和故障串的-曲线如图3所示，故障串的MPP为图中A点位置，电压为161.730 8V。MPPT作用下，整个光伏阵列工作在其MPP即B点处，电压为172.810 7V。根据基尔霍夫定律（KVL），故障串电压会被拉至点C，电压与B点一致。平均到每个模块即故障串中的正常光伏模块输出电压大于正常组串中模块的输出电压。若短路发生在该模块上，则该模块电压为零。

图3 F1故障下光伏阵列和故障串的I-V曲线

1.2 开路故障

光伏阵列发生F3开路故障时，相当于光伏阵列由10×5阵列变成了10×4的阵列结构，阵列电流下降1/5。此时其他正常组串的光伏模块继续工作在正常的情况下，如图2所示，MPP_FA与MPP_NA相等。

1.3 局部阴影

为了说明局部阴影对故障诊断的影响，阵列中设置了F4和F5两种不同照度类型的局部阴影。假设阴影模块受到的光照强度是均匀的，局部阴影故障串模块的照度见表1，表中未列出的模块照度均为1 000W/m2。两种故障的-曲线如图2所示，此时正常情况下的MPP电压为179.711 9V，局部阴影下的曲线具有多个峰值，MPP为曲线的全局峰值（global power peak, GPP）。从MPP来看，F4的MPP电压为181.558 1V，F5的MPP电压为172.394 8V，F4的MPP_FA＞MPP_NA，而F5的MPP_FA＜MPP_NA，所以MPP电压不能作为检测局部阴影的依据。但是从RPP处的电压来看，F5的RPP_FA数值为182.971 8V，要大于MPP_NA，从图2可知F4故障的RPP与GPP重合，因此RPP处的电压可以作为检测局部阴影故障的标准。

表1 局部阴影故障串各模块照度 单位: W/m2

结合在短路和开路故障中，虽然使用的是GPP处的电压来判断故障类型，但由于这些故障的-曲线都只有一个峰值，所以其GPP和RPP是重合的。因此统一将RPP处的电压作为判断故障类型的标准，下文中统一采用RPP电压进行分析。

在不同温度、照度下对故障进行仿真，结果如图4和图5所示，其中图4为温度25℃，照度变化范围为[100W/m2, 1 200W/m2]、步长为50的仿真结果，图5为照度1 000W/m2，温度变化范围为[0℃, 40℃]、步长为5的仿真结果，图中数据分布与文中结论一致，验证了在不同温度和照度下检测故障的有效性。

图4 温度为25℃不同照度下的仿真结果

图5 照度为1 000W/m2不同温度下的仿真结果

1.4 短路故障程度判断

实验阵列中设置了F1和F2两种失配程度的短路故障，并在不同的温度和照度下做了多组实验，归一化前F1和F2的故障阵列数据如图6所示。从图中可以看出这两种故障的电压有一部分是重合在一起的，因此利用RPP处的电压无法实现不同程度短路故障的区分。为了将这两种故障数据区分开来，用正常情况下阵列的RPP数据将故障数据进行归一化。具体的归一化公式为

图6 归一化前F1和F2的故障阵列数据

归一化后的数据如图7所示。F1和F2两种不同程度的短路故障可以明显分为上下两簇，即可以在归一化后的电压上设置阈值将两种故障区分开来。短路故障光伏阵列的工作电压归一化后的区 间为

式中：NF为光伏阵列中故障模块的数量；NS为光伏串中的光伏模块个数。F1的电压区间为[0.9, 1]，F2的电压区间为[0.8, 0.9]，实验阵列中的F1和F2电压归一化数据完全落在这个区间内，验证了区间的有效性。因此当故障阵列的电压归一化后的数据符合式（3）时，当前阵列的故障程度为NF/NS。

2 优化的电压传感器布置和故障定位方法

就10×5实验阵列而言，一共设置了6个电压传感器，当光伏阵列工作在正常情况下时，光伏阵列工作在RPP，此时光伏阵列中的每一个模块都工作在RPP处，有1=2=3=4=5，而阵列的输出电压PVA可以表示为1×10。

2.1 短路故障

当光伏阵列工作处于F1情况下，故障串第一个模块的电压1的电压曲线与非故障串第一个模块的电压2的电压曲线及阵列电压PVA曲线如图8所示，3、4、5因与2工作状态一致，这里就不再放电压曲线图。短路前，1和2重合，都工作在RPP处，短路后，由于MPPT的作用此时阵列重新工作在当前状态的RPP处，从图中可以看出阵列电压下降最后稳定在173.854V，此时的1上升至19.315 8V，2下降至17.385 4V。2下降的原因是，根据KVL，正常串的电压大小等于PVA/S，PVA下降导致2下降。故障前PVA记录为MPP_NA，故障后PVA记录为RPP_FA，将阵列电压按式（1）归一化结果为0.957 8。根据式（3）可知，此时光伏阵列中的故障模块数量为1。由此可以判断出短路模块位于第一串的第10块，即定位出了短路故障的位置。

图8 F1故障下的电压曲线

图9为F2短路故障下的PVA、1和2曲线。由图中数据可算出故障模块数量是2，2所在的光伏串是正常串，1所在的光伏串是故障串，由此实现了对故障串短路故障的定位。

图9 F2故障下的电压曲线

2.2 开路故障

故障F3下PVA、1与2曲线如图10所示。阵列的电压PVA在故障前后保持不变，故障串对应的模块电压1的示数为21.5V，为模块的开路电压，正常串中2为17.931 4V，为正常工作电压。

图10 F3故障下的电压曲线

2.3 局部阴影

为了更好地说明局部阴影下模块的输出电压特征，采用-特性曲线进行说明。F4情况下，故障串中的阴影模块和正常模块及正常组串中的模块-曲线如图11所示。

图11 F4故障下的模块的I-V曲线

由图11可知，故障串中的非阴影模块与正常串中模块的-曲线重合，而阴影模块的-曲线明显低于正常模块。故障光伏串的输出电流受到阴影模块输出电流的限制，故障串的输出电流与最小照度模块的输出电流保持一致，从而导致电压的不同。图中模块工作电压分别标记为A1、A2和A3。根据KVL可得

由式（4）可得A1＜A2＜A3。由此可以判断局部阴影故障下的故障串位置。当（=1, 2,…,P）串的第一个模块电压大于或小于PVA/S（正常串中模块的电压）时，该光伏组串为阴影故障串。

3 整体方法

本方法可以通过结合MPPT过程来实现，当系统可能发生故障时，功率将发生变化，此时系统启动逆变器进行功率跟踪[17-18]。获取功率变动前1s的阵列电压均值作为RPP_NA，功率稳定后1s的阵列电压均值为RPP_FA，模块电压同样用均值表示，然后进入故障检测与定位流程，整体方案流程如图12所示。

考虑到实际系统可能造成的误差，如果RPP_NA与RPP_FA之间的电压偏差|D|小于设定的阈值e，则可以视为RPP_NA与RPP_FA相等，其中e设定为0×RPP_NA[19]，0为电压波动系数。根据第一部分仿真数据结合实际可知，局部阴影RPP_FA并没有超过该阈值，因此先将局部阴影和开路故障归为一种情况，即：①|RPP_FA-RPP_NA|≤e，则阵列发生开路故障或局部阴影；②|RPP_FA-RPP_NA|＞e，则阵列发生短路故障，将RPP_FA代入式（1）和式（3）即可判断短路故障程度。

图12 整体方案流程

4 实验结果

采用一个1.8kW的实验室屋顶光伏并网系统检验该方法。实验系统如图13所示，该阵列为6×3的光伏阵列，光伏模块STC下的参数为：MPP= 17.5V，MPP=5.71A，MPP=100W，OC=21.5V，SC= 6.03A。本实验中的0、1、2分别设置为5%、5%、10%。

图13 实验系统

4.1 短路故障

实验设置两种不同失配程度的组串内短路故障。获得阵列电压和模块电压波形分别如图14和图15所示，图中功率变化点为A，稳定点为B。则RPP_NA分别为106.40V和108.18V，RPP_FA分别为91.39V和79.10V，则|D|分别为15.01V和29.08V，计算得e分别为5.32V和5.41V。因此可得两种情况下|D|均大于e，可判别阵列发生短路故障。根据式（1）算出nor分别为0.86和0.73，代入式（3）分别落在区间[0.83, 1]和[0.67, 0.83]内，可知故障程度分别为1/6和2/6。根据模块电压，两种情况下1均大于2和3，可判断第一串发生了短路故障。

图14 第一种失配程度短路故障电压波形

图15 第二种失配程度短路故障电压波形

4.2 开路故障

实验在光伏阵列的第一串设置了开路故障，采集的电压波形如图16所示。

图16 开路故障电压波形

由图16中数据可知，|D|=0.87V，e=5.30V，|D|＜e，1.1×PVA_FA/6=19.29V，1＞1.1×PVA_FA/6，因此判断第一串发生开路故障。

4.3 局部阴影

分别模拟阴影在第一个组件和在非第一个组件下的故障，获得电压波形分别如图17和图18所示。图17中|D|=2.31V，e=5.34V，|D|＜e且0.95×PVA_FA/6=17.27V，1＜0.95×PVA_FA/6，因此判断第一串有局部阴影，且第一块模块是阴影模块。图18中|D|=0.04V，e=5.37V，|D|＜e，1.05×PVA_FA/6= 18.79V，1.1×PVA_FA/6=19.68V，1.05×PVA_FA/6＜1＜1.1×PVA_FA/6，因此判断第一串有局部阴影，且第一块模块是非阴影模块。

图17 阴影在第一个组件的电压波形

图18 阴影在非第一个组件的电压波形

5 结论

本文提出了一种检测和定位光伏阵列故障的方法，通过电压传感器采集光伏阵列和每个光伏组串第一个模块的最右端功率峰值点电压，将故障后的光伏阵列电压与发生故障前正常运行的光伏阵列电压比较，结合优化的传感器布置方案，判断出故障类型并定位到故障串，若发生组串内短路故障，根据阵列电压归一化后结果来判断出故障程度。仿真和实验结果证明了该方法的有效性。本文提出的方法所需的电压传感器数量较少，一定程度上降低了故障识别和定位的复杂程度和成本。

[1] LIVERA A, THERISTIS M, MAKRIDES G, et al. Recent advances in failure diagnosis techniques based on performance data analysis for grid-connected photovoltaic systems[J]. Renewable Energy, 2019, 133: 126-143.

[2] LI B, DELPHA C, DIALLO D, et al. Application of artificial neural networks to photovoltaic fault detection and diagnosis: a review[J]. Renewable and Sustainable Energy Reviews, 2021, 138: 110512.

[3] 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.

[4] 徐可寒, 张哲, 刘慧媛, 等. 光伏电源故障特性研究及影响因素分析[J]. 电工技术学报, 2020, 35(2): 359-371.

[5] DHIMISH M, HOLMES V, MEHRDADI B, et al. Simultaneous fault detection algorithm for grid- connected photovoltaic plants[J]. IET Renewable Power Generation, 2017, 11(12): 1565-1575.

[6] ELGENDY M A, ZAHAWI B, ATKINSON D J. Assessment of perturb and observe MPPT algorithm implementation techniques for PV pumping appli- cations[J]. IEEE Transactions on Sustainable Energy, 2011, 3(1): 21-33.

[7] DHIMISH M, HOLMES V, MEHRDADI B, et al. Multi-layer photovoltaic fault detection algorithm[J]. High Voltage, 2017, 2(4): 244-252.

[8] 蔡雨桥, 林培杰, 林耀海, 等. 基于动态时间规整的光伏阵列在线故障检测方法[J]. 电气技术, 2020, 21(7): 42-47.

[9] 甘雨涛, 吴振辉, 陈志聪, 等. 基于LoRa和自适应神经网络模糊推理系统的光伏阵列故障诊断系统[J].电气技术, 2020, 21(8): 80-86.

[10] PILLAI D S, RAJASEKAR N. An MPPT-based sensorless line-line and line-ground fault detection technique for PV systems[J]. IEEE Transactions on Power Electronics, 2019, 34(9): 8646-8659.

[11] CHEN Leian, WANG Xiaodong. Adaptive fault loca- lization in photovoltaic systems[J]. IEEE Transactions on Smart Grid, 2018, 9(6): 6752-6763.

[12] DAVARIFAR M, RABHI A, HAJJAJI A E. Com- prehensive modulation and classification of faults and analysis their effect in DC side of photovoltaic system[J]. Energy & Power Engineering, 2013, 5(4): 230-236.

[13] SILVESTRE S, SILVA M A D, CHOUDER A, et al. New procedure for fault detection in grid connected PV systems based on the evaluation of current and voltage indicators[J]. Energy Conversion & Manage- ment, 2014, 86:241-249.

[14] 张晓娜, 高德东, 刘海雄, 等. 一种新型光伏阵列多传感器故障检测定位方法[J]. 可再生能源, 2016, 34(2): 166-172.

[15] SALEH K A, HOOSHYAR A, EL-SAADANY E F, et al. Voltage-based protection scheme for faults within utility-scale photovoltaic arrays[J]. IEEE Transactions on Smart Grid, 2017, 9(5): 4367-4382.

[16] 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.

[17] MATAM M, BARRY V. Improved performance of dynamic PV array under repeating shade conditions[J]. Energy Conversion and Management, 2018, 168: 639- 650.

[18] PEI Tingting, ZHANG Jiangfeng, LI Li, et al. A fault locating method for PV arrays based on improved voltage sensor placement[J]. Solar Energy, 2020, 201: 279-297.

[19] HU Yihua, ZHANG Jiangfeng, CAO Wenping, et al. Online two-section PV array fault diagnosis with optimized voltage sensor locations[J]. IEEE Transa- ctions on Industrial Electronics, 2015, 62(11): 7237- 7246.

Photovoltaic array fault detection and location based on voltage threshold and rightmost power peak point

FENG Kai LIN Peijie YU Jinling CHEN Zhicong CHENG Shuying

(College of Physics and Information Engineering, Fuzhou University, Fuzhou 350108)

The faults in photovoltaic (PV) array reduce the efficiency of power generation and the life cycle of the PV system, and even lead to serious disasters such as fire. Therefore, the detection and location the PV array fault is of significant importance. This paper uses the voltage at the rightmost power peak (RPP) of PV array and the first PV modules of each PV string to detect and locate short-circuit faults in PV string, open-circuit faults and partial shades. In addition, the PV array voltage is normalized to determine the degree of short-circuit faults. The proposed method is independent of meteorological parameters and the number of sensors is small. The simulation based on a 10×5 PV array and the experiment using a practical 6×3 PV array are conducted to verify the performance of the proposed approach. The results demonstrate the practicability of the method.

PV array; fault detection; fault location; rightmost power peak (RPP)

2021-02-03

2021-03-09

冯 锴（1996—），男，河南省南阳市人，硕士研究生，主要从事光伏阵列故障检测和定位工作。