一種標(biāo)桿光伏組串選取方法及其在故障診斷中的應(yīng)用

摘 要：為實(shí)現(xiàn)對光伏組串故障的準(zhǔn)確、快速診斷，以滿足光伏電站數(shù)智化運(yùn)維的需求，同時(shí)針對實(shí)際運(yùn)行中的光伏組串基準(zhǔn)運(yùn)行狀態(tài)難以確定的問題，提出一種基于實(shí)際運(yùn)行數(shù)據(jù)的基準(zhǔn)運(yùn)行狀態(tài)下的光伏組串（即標(biāo)桿光伏組串）選取方法，并將其應(yīng)用于光伏組串故障診斷中。首先利用多指標(biāo)綜合評價(jià)算法選取光伏標(biāo)桿組串；然后利用標(biāo)桿光伏組串與其他光伏組串間的輸出電壓、輸出電流的相對誤差，基于3σ準(zhǔn)則設(shè)計(jì)了光伏組串故障診斷規(guī)則；最后利用某集中式光伏電站中光伏組串的實(shí)際運(yùn)行數(shù)據(jù)對所提方法的合理性和有效性進(jìn)行驗(yàn)證。研究結(jié)果顯示：1）通過與其他光伏組串的輸出功率進(jìn)行對比，驗(yàn)證了所選標(biāo)桿光伏組串的合理性；2）故障光伏組串所顯示出的故障狀態(tài)與基于所提出的故障診斷規(guī)則得到的結(jié)果一致，證明了此故障診斷方法的有效性。

關(guān)鍵詞：光伏電站；光伏組串；標(biāo)桿選取；故障診斷；3σ準(zhǔn)則

中圖分類號(hào)：TM615 文獻(xiàn)標(biāo)志碼：A

0" 引言

隨著化石能源的逐漸枯竭與環(huán)境的不斷惡化，可再生能源得到迅速發(fā)展。作為一種重要的可再生能源利用形式，光伏發(fā)電發(fā)展迅猛。近年來中國光伏發(fā)電新增裝機(jī)容量呈爆發(fā)式增長態(tài)勢，截至2022年，中國光伏發(fā)電累計(jì)裝機(jī)容量達(dá)392.61 GW，同比增長28.1%[1]。在“雙碳”目標(biāo)的指引下，中國的光伏發(fā)電產(chǎn)業(yè)前景廣闊。光伏組件作為光伏電站的核心部件，其正常運(yùn)行對光伏電站而言至關(guān)重要[2]。

對于光伏組件運(yùn)行狀態(tài)的評價(jià)，吳春華等[3]提出了一種基于FCM與高斯隸屬度對光伏組件的健康狀態(tài)進(jìn)行診斷的方法；丁坤等[4-5]利用馬氏距離、基于I-V特性的灰色關(guān)聯(lián)分析等方法對光伏陣列的健康狀態(tài)進(jìn)行評估。上述方法大多是利用模型仿真或測試結(jié)果作為評價(jià)數(shù)據(jù)集，但在光伏電站實(shí)際運(yùn)行過程中，由于光伏組串的I-V特性曲線數(shù)據(jù)通常無法獲取，導(dǎo)致上述方法難以運(yùn)用于光伏組串運(yùn)行狀態(tài)的在線監(jiān)測中。鄭杰等[6]根據(jù)海南省某20 MW并網(wǎng)光伏電站能效比（PR）值的計(jì)算結(jié)果，對該光伏電站的發(fā)電性能進(jìn)行了評價(jià)，并分析了環(huán)境因素、不同光伏支架跟蹤方式對PR值的影響；Arora等[7]基于某光伏電站2018年的全年實(shí)測數(shù)據(jù)計(jì)算了該光伏電站的年平均PR值，并將計(jì)算結(jié)果與PVsyst軟件的仿真結(jié)果進(jìn)行對比，以定量描述光伏電站的發(fā)電性能；張建等[8]根據(jù)光伏組件的特點(diǎn)，建立了包括技術(shù)性能指標(biāo)、經(jīng)濟(jì)性能指標(biāo)和社會(huì)環(huán)境指標(biāo)3個(gè)1級(jí)指標(biāo)及其下屬13個(gè)2級(jí)指標(biāo)在內(nèi)的綜合評價(jià)體系，并利用最小鑒別信息原理計(jì)算組合指標(biāo)權(quán)重，最后利用指標(biāo)評價(jià)結(jié)果對光伏電站的運(yùn)行狀態(tài)進(jìn)行分級(jí)評價(jià)；何紅光等[9]建立了灰色多層次綜合評價(jià)法，對光伏電站整體技術(shù)性能進(jìn)行了綜合評價(jià)。上述研究大部分針對光伏電站整體的運(yùn)行狀態(tài)進(jìn)行評價(jià)，而利用評價(jià)指標(biāo)對光伏組串的運(yùn)行狀態(tài)進(jìn)行評價(jià)的研究則相對較少。

針對光伏組件或光伏陣列的故障診斷，蔣琳等[10]提出了一種基于可見光和紅外熱圖像融合的光伏陣列熱斑檢測方法，能避免熱斑故障誤報(bào)，提高了熱斑檢測的準(zhǔn)確率。徐小奇等[11]提出了一種利用RGB圖像單通道值作為灰度值的紅外熱圖像增強(qiáng)方法，并利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對光伏陣列紅外熱圖像進(jìn)行識(shí)別編碼，實(shí)現(xiàn)對光伏組件熱斑故障的識(shí)別。Muttillo等[12]對12塊故障光伏組件進(jìn)行了研究，通過MATLAB軟件對光伏組件進(jìn)行仿真，將仿真得到的I-V輸出特性曲線、發(fā)電效率結(jié)果與實(shí)際結(jié)果進(jìn)行對比，根據(jù)I-V輸出特性曲線形狀與實(shí)際曲線形狀的相對差異，判定光伏組件故障類型。Chen等[13]提出了一種新的光伏組件黑盒建模方法，通過使用改良后的基于I-V輸出特性曲線的1維深度殘差網(wǎng)絡(luò)（1-D ResNet），可預(yù)測任意工作條件下光伏組件的整個(gè)I-V輸出特性曲線。從以上研究可知，基于檢測設(shè)備的光伏陣列故障診斷方法投資成本高，且檢測過程會(huì)存在設(shè)備離線進(jìn)而引起發(fā)電量損失的情況；而基于模型的光伏組件故障診斷方法的計(jì)算復(fù)雜度高，同時(shí)模型的精度會(huì)導(dǎo)致診斷結(jié)果誤報(bào)率較高的問題。

光伏組串由光伏組件串聯(lián)而成，其既是光伏電站的基本電路單元，也是光伏陣列的基礎(chǔ)。若光伏組件故障頻發(fā)，將影響光伏組串的運(yùn)行狀態(tài)，從而影響光伏陣列的運(yùn)行狀態(tài)，進(jìn)而影響光伏電站的安全運(yùn)行和經(jīng)濟(jì)效益[14]。因此，對光伏組串的運(yùn)行狀態(tài)進(jìn)行判別至關(guān)重要。基于此，本文提出一種基于實(shí)際運(yùn)行數(shù)據(jù)的基準(zhǔn)運(yùn)行狀態(tài)下的光伏組串（即標(biāo)桿光伏組串）選取方法，并將其作為光伏組串故障診斷時(shí)的參考。首先，基于光伏組串實(shí)際運(yùn)行數(shù)據(jù)，利用多指標(biāo)綜合評價(jià)算法確定標(biāo)桿光伏組串；然后根據(jù)標(biāo)桿光伏組串的輸出電壓、輸出電流與待診斷光伏組串的輸出電壓、輸出電流的相對誤差分布情況，利用3σ準(zhǔn)則確定故障診斷閾值，以是否超過該閾值來判斷此光伏組串是否發(fā)生故障；最后利用某集中式光伏電站的實(shí)際運(yùn)行數(shù)據(jù)對上述方法進(jìn)行驗(yàn)證。

1" 光伏組串發(fā)電效率分析及標(biāo)桿光伏組串選取方法

1.1" 光伏組串發(fā)電效率分析

光伏組串作為光伏電站中的基本電路單元，其發(fā)電效率與光伏電站的整體發(fā)電量及經(jīng)濟(jì)效益密切相關(guān)。光伏組串發(fā)電效率定義為光伏組串輸出功率與入射太陽光功率的比值，是評價(jià)光伏組串運(yùn)行狀態(tài)和性能的常用指標(biāo)。根據(jù)GB/T 39857—2021《光伏發(fā)電效率技術(shù)規(guī)范》[15]，得到光伏組串發(fā)電效率ηout的計(jì)算式為：

ηout=" Pact" ·100%" " " " " " " " " " " " " " " " " " " " " " "（1）

GA

式中：Pact為光伏組串輸出功率，W；A為光伏組串總面積，m2；G為單位面積傾斜面上的太陽輻照度，W/m2。

以某實(shí)際運(yùn)行的集中式光伏電站為例，該光伏電站共包含50個(gè)光伏方陣，每個(gè)方陣由兩臺(tái)逆變器并聯(lián)組成，每臺(tái)逆變器下連接6臺(tái)匯流箱，每臺(tái)匯流箱下連接14～16串光伏組串，每串光伏組串的裝機(jī)容量為5.4 kW。從該光伏電站所有光伏組串中選出5串具有代表性的光伏組串，編號(hào)分別為S2、S12、S30、S102、S190，并計(jì)算這5串光伏組串在2022年3月31日的發(fā)電效率，其波動(dòng)情況如圖1所示。

由圖1可知：光伏組串發(fā)電效率瞬時(shí)值具有明顯的隨機(jī)波動(dòng)性，這主要是受到太陽輻照度、光伏組串安裝朝向和光伏組串自身故障等因素的綜合影響。由此可知，光伏組串發(fā)電效率瞬時(shí)值難以有效反映光伏組串的運(yùn)行狀態(tài)。

為有效挖掘光伏組串的運(yùn)行狀態(tài)信息，分析光伏組串發(fā)電效率分布特性，以2%的發(fā)電效率數(shù)值為間隔，繪制光伏組串發(fā)電效率-頻次直方圖，由此可以較為直觀地觀測光伏組串發(fā)電效率的分布情況。2022年3月31日，5串光伏組串的發(fā)電效率-頻次直方圖如圖2所示。

由圖2可知：5串光伏組串發(fā)電效率頻次的最高值均不相同，且各光伏組串對應(yīng)的發(fā)電效率取值范圍也不相同，這表明不同光伏組串的發(fā)電

效率分布情況具有顯著的差異性。因此，對光伏組串發(fā)電效率進(jìn)行統(tǒng)計(jì)分析可以有效區(qū)分其不同的運(yùn)行狀態(tài)，解決其瞬時(shí)值難以有效表征光伏組串運(yùn)行狀態(tài)的問題。利用核密度估計(jì)（KDE）方法對光伏組串發(fā)電效率的分布進(jìn)行建模[16]。在x軸上任意點(diǎn)處得到的密度函數(shù)的KDE函數(shù)f（x）[17]可表示為：

（2）

式中：h為帶寬；i為第i個(gè)樣本；N為樣本數(shù)量，個(gè)；K（·）為核函數(shù)。

考慮到函數(shù)波形合成計(jì)算時(shí)的易用性，核函數(shù)通常采用高斯核函數(shù)，其可表示為：

（3）

聯(lián)立式（2）和式（3）可得到：

（4）

帶寬的選取會(huì)影響KDE函數(shù)的精度。當(dāng)核函數(shù)為高斯核函數(shù)時(shí)，最佳帶寬hopt的經(jīng)驗(yàn)公式[18]可表示為：

（5）

式中：為樣本方差的估計(jì)值。

進(jìn)一步來看，基于1個(gè)月的運(yùn)行數(shù)據(jù)，利用KDE方法對上述5串光伏組串的發(fā)電效率分布進(jìn)行建模，得到5串光伏組串的發(fā)電效率-KDE函數(shù)曲線，如圖3所示。需要說明的是，因S190的傳感器存在故障，導(dǎo)致該光伏組串的發(fā)電效率存在負(fù)值。

發(fā)電效率-KDE函數(shù)曲線的峰值越大，表明光伏組串的發(fā)電效率分布越集中；在峰值相近的情況下，峰值越大的光伏組串的運(yùn)行狀態(tài)越好。從圖3可以看出：各光伏組串的峰值大小及峰值所在位置均有較為明顯的差異。因此，本文以光伏組串發(fā)電效率-KDE函數(shù)曲線的峰值及峰值對應(yīng)的發(fā)電作效率為選取標(biāo)桿光伏組串的兩個(gè)重要指標(biāo)。

1.2" 標(biāo)桿光伏組串選取方法

本文提出的標(biāo)桿光伏組串選取方法的流程如圖4所示。

具體步驟包括：

1） 設(shè)有M串光伏組串，選取光伏組串日發(fā)電量、光伏組串發(fā)電效率-KDE函數(shù)曲線的峰值和峰值對應(yīng)的發(fā)電效率這3個(gè)參數(shù)作為評價(jià)指標(biāo)。

2） 對評價(jià)指標(biāo)進(jìn)行賦權(quán)。具體過程為：

①計(jì)算指標(biāo)變異性，即第j個(gè)指標(biāo)的標(biāo)準(zhǔn)差Sj，其計(jì)算式為：

（6）

式中：xjk為第k串光伏組串的第j個(gè)指標(biāo)；為第j個(gè)指標(biāo)的均值。

②計(jì)算第j個(gè)指標(biāo)的沖突性Rj，其計(jì)算式為：

（7）

式中：rjl為第j個(gè)指標(biāo)和第l個(gè)指標(biāo)間的相關(guān)系數(shù)。

③根據(jù)指標(biāo)變異性和指標(biāo)沖突性計(jì)算第j個(gè)指標(biāo)所含的信息量Cj，其計(jì)算式為：

（8）

④根據(jù)指標(biāo)所含信息量計(jì)算第j個(gè)指標(biāo)的權(quán)重ωj，其計(jì)算式為：

（9）

由式（6）～式（9）可得到基于標(biāo)準(zhǔn)決策矩陣B的指標(biāo)權(quán)重向量ω，然后將指標(biāo)權(quán)重向量與標(biāo)準(zhǔn)決策矩陣進(jìn)行數(shù)量積運(yùn)算，得到加權(quán)決策矩陣C，即：

C=ωB" " " " " " " " " " " " " " " " " " " " " " " " " " " " " "（10）

3） 各指標(biāo)向量的最大值構(gòu)成正理想解矩陣C*，最小值構(gòu)成負(fù)理想解矩陣C0，即：

（11）

（12）

式中：c1M為第M串光伏組串的第1個(gè)指標(biāo)的向量；以此類推。

4） 分別計(jì)算每串光伏組串對應(yīng)指標(biāo)的向量到正、負(fù)理想解的歐氏距離。

指標(biāo)向量到正理想解的歐氏距離s*k 可表示為：

（13）

式中：cjk為第k串光伏組串第j個(gè)指標(biāo)的向量；cj*為第j個(gè)指標(biāo)的向量的正理想解。

指標(biāo)向量到負(fù)理想解的歐氏距離sk0可表示為：

（14）

式中：cj0為第j個(gè)指標(biāo)的向量的負(fù)理想解。

然后計(jì)算第k串光伏組串指標(biāo)向量間的相對貼近度fk，其計(jì)算式為：

（15）

5） 選取M串光伏組串中相對貼近度最大值對應(yīng)的光伏組串作為當(dāng)前統(tǒng)計(jì)周期內(nèi)的標(biāo)桿光伏組串。

2" 光伏組串故障診斷方法分析

選取標(biāo)桿光伏組串作為衡量標(biāo)準(zhǔn)，用于判斷其他光伏組串是否存在故障及對應(yīng)的故障類型。本文提出一種基于相對誤差的光伏組串故障診斷方法。根據(jù)標(biāo)桿光伏組串的輸出電壓、輸出電流與待診斷光伏組串的輸出電壓、輸出電流的相對誤差分布情況，利用3σ準(zhǔn)則確定故障診斷閾值。下文對具體實(shí)施方法進(jìn)行介紹。

2.1" 計(jì)算輸出電壓、輸出電流相對誤差

假設(shè)待診斷光伏組串有M串，則在統(tǒng)計(jì)周期內(nèi)的某個(gè)數(shù)據(jù)采集時(shí)刻，第k串光伏組串的輸出電流與標(biāo)桿光伏組串輸出電流間的相對誤差εIk可表示為：

（16）

式中：Ik為第k串光伏組串在當(dāng)前數(shù)據(jù)采集時(shí)刻下的輸出電流，A；IR為標(biāo)桿光伏組串在當(dāng)前數(shù)據(jù)采集時(shí)刻下的輸出電流，A。

則當(dāng)前數(shù)據(jù)采集時(shí)刻下光伏組串輸出電流相對誤差數(shù)據(jù)集EI={εI1， εI2， …， εIk， εIM}。

第k個(gè)光伏組串輸出電壓與標(biāo)桿光伏組串輸出電壓間的相對誤差εUk可表示為：

（17）

式中：Uk為第k個(gè)光伏組串在當(dāng)前數(shù)據(jù)采集時(shí)刻下的輸出電壓，V；UR為標(biāo)桿光伏組串在當(dāng)前數(shù)據(jù)采集時(shí)刻下的輸出電壓，V。

則當(dāng)前數(shù)據(jù)采集時(shí)刻下光伏組串輸出電壓相對誤差數(shù)據(jù)集。

2.2" 確定故障診斷閾值與診斷規(guī)則

得到光伏組串輸出電流和輸出電壓的相對誤差數(shù)據(jù)集后，利用3σ準(zhǔn)則確定輸出電流和輸出電壓故障診斷閾值。3σ準(zhǔn)則是一種統(tǒng)計(jì)方法，用于識(shí)別和剔除數(shù)據(jù)集中的異常值。該準(zhǔn)則基于?正態(tài)分布的特性，分為3個(gè)準(zhǔn)則：1） 準(zhǔn)則1：約68%的數(shù)據(jù)在均值μ的正負(fù)1個(gè)標(biāo)準(zhǔn)差σ范圍內(nèi)；2） 準(zhǔn)則2：約95%的數(shù)據(jù)在均值的正負(fù)2個(gè)標(biāo)準(zhǔn)差范圍內(nèi)；3） 準(zhǔn)則3：約99.7%的數(shù)據(jù)在均值的正負(fù)3個(gè)標(biāo)準(zhǔn)差范圍內(nèi)。

基于3σ準(zhǔn)則，當(dāng)前數(shù)據(jù)采集時(shí)刻下光伏組串輸出電壓U、輸出電流I的故障診斷閾值計(jì)算方法如下。

故障診斷時(shí)光伏組串輸出電流的上限閾值Imax可表示為：

（18）

式中：μI為光伏組串輸出電流的相對誤差均值，%；σI為光伏組串輸出電流的相對誤差標(biāo)準(zhǔn)差，%。

其中：

光伏組串輸出電流的相對誤差均值可表示為：

（19）

光伏組串輸出電流的相對誤差標(biāo)準(zhǔn)差可表示為：

（20）

故障診斷時(shí)光伏組串輸出電流的下限閾值Imin可表示為：

（21）

故障診斷時(shí)光伏組串輸出電壓的上限閾值Umax可表示為：

Umax=μU+3σU" " " " " " " " " " " " " " " " " " " " " " " " " "（22）

式中：μU為光伏組串輸出電壓的相對誤差均值，%；σU為光伏組串輸出電壓的相對誤差標(biāo)準(zhǔn)差，%。

其中：

光伏組串輸出電壓的相對誤差均值可表示為：

（23）

光伏組串輸出電壓的相對誤差標(biāo)準(zhǔn)差可表示為：

（24）

故障診斷時(shí)光伏組串輸出電壓的下限閾值Umin可表示為：

（25）

本文針對光伏組串的短路故障、開路故障及陰影遮擋3種故障設(shè)置的診斷規(guī)則如圖5所示。需要說明的是，當(dāng)光伏組串的輸出電流為零時(shí)，認(rèn)為該光伏組串發(fā)生開路故障。

根據(jù)實(shí)時(shí)診斷的故障點(diǎn)數(shù)量計(jì)算對應(yīng)光伏組串的故障發(fā)生率ηf，其定義為：

（26）

式中：qf為統(tǒng)計(jì)周期內(nèi)光伏組串的故障點(diǎn)數(shù)量，個(gè)；q為統(tǒng)計(jì)周期內(nèi)數(shù)據(jù)采集點(diǎn)個(gè)數(shù)，個(gè)。

3" 算法性能分析

3.1" 標(biāo)桿光伏組串選取的合理性分析

以本光伏電站2022年3月31日的數(shù)據(jù)為例，計(jì)算全站所有光伏組串的指標(biāo)向量相對貼近度，計(jì)算結(jié)果如圖6所示。

相對貼近度越大，表明光伏組串運(yùn)行狀態(tài)越好。由圖6可知：所有光伏組串的指標(biāo)向量相對貼近度主要分布在0.51～0.60之間，平均值為0.55，中位數(shù)為0.56，且存在異常值。根據(jù)全站所有光伏組串的指標(biāo)向量相對貼近度計(jì)算結(jié)果可知：光伏組串S12的指標(biāo)向量相對貼近度最大，為0.60。因此，得到該光伏組串為標(biāo)桿光伏組串。

為了驗(yàn)證標(biāo)桿光伏組串選取的合理性，本文對光伏組串的實(shí)際輸出功率與理論輸出功率間的相對誤差進(jìn)行計(jì)算和分析。

光伏組串的理論輸出功率pth的計(jì)算式為：

pth=" peG" " " " " " " " " " " " " " " " " " " " " " " " " " " " （27）

1000

式中：pe為光伏組串的裝機(jī)容量，kW。

選取編號(hào)為S12、S13、S15、S129、S190的5串光伏組串，對比其在2022年3月31日的實(shí)際輸出功率，結(jié)果如圖7所示。

由圖7可知：各光伏組串最大實(shí)際輸出功率處于4000～5000 W之間，且標(biāo)桿光伏組串S12在全天都具有較高的輸出功率。

基于式（27）和圖7得到光伏組串輸出功率實(shí)際值與理論值的最大相對誤差和相對誤差均值，具體如表1所示。

由表1可知：標(biāo)桿光伏組串的實(shí)際輸出功率與理論輸出功率的最大相對誤差、相對誤差均值顯著低于其他光伏組串的平均值，說明標(biāo)桿光伏組串的運(yùn)行狀態(tài)優(yōu)于其他光伏組串；且標(biāo)桿光伏組串的實(shí)際輸出功率曲線與理論輸出功率曲線的擬合度較好，這說明標(biāo)桿光伏組串的實(shí)際輸出功率與其理論輸出功率最為接近。由此可知，標(biāo)桿光伏組串的選取具有合理性。

3.2" 故障診斷結(jié)果分析

在全站范圍內(nèi)每10 min診斷1次光伏組串的健康情況，根據(jù)圖5所示的光伏組串故障診斷規(guī)則，確定具有代表性的4串故障光伏組串，編號(hào)分別為S129、S160、S171、S190，對這4串光伏組串進(jìn)行故障點(diǎn)數(shù)量及故障類型統(tǒng)計(jì)，如表2所示。

故障光伏組串 S129、S160、S171、S190的實(shí)際輸出電流，以及各自與標(biāo)桿光伏組串輸出電流間的相對誤差及閾值曲線分別如圖8、圖9所示。

S12、S129、S160、S171、S190這5串光伏組串所在匯流箱（分別為1號(hào)、9～12號(hào)）的實(shí)際輸出電壓U1、U9～U12曲線，以及各自與標(biāo)桿光伏組串匯流箱輸出電壓間的相對誤差及閾值曲線分別如圖10、圖11所示。

結(jié)合表2、圖8～圖11可知：

1）光伏組串S129的所有故障點(diǎn)的故障類型均為通信故障；其輸出電流為恒定值（4.2 A），所在9號(hào)匯流箱的輸出電壓也為恒定值（660.5 V）；其故障發(fā)生率為100%。

2）光伏組串S160的所有采集點(diǎn)均出現(xiàn)開路故障；其輸出電流恒定為0 A，所屬的10號(hào)匯流箱的輸出電壓低于下界閾值；其故障發(fā)生率為100%。

3光伏組串S171在13：00～16：00時(shí)間段內(nèi)出現(xiàn)短路故障，輸出電流低于下限閾值，所在匯流箱的輸出電壓在正常區(qū)間內(nèi)波動(dòng)；其短路故障發(fā)生率為32.76%。

4）光伏組串S190在11：30～16：45時(shí)間段內(nèi)出現(xiàn)開路故障，輸出電流為0 A，所在匯流箱的輸出電壓在正常區(qū)間內(nèi)波動(dòng)；其開路故障發(fā)生率為68.97%。

通過上述分析可以發(fā)現(xiàn)，圖8～圖11中所顯示出的故障狀態(tài)與圖5提出的故障診斷規(guī)則一致，驗(yàn)證了本文所提出故障診斷方法的有效性。

4" 結(jié)論

本文提出了一種基于實(shí)際運(yùn)行數(shù)據(jù)的標(biāo)桿光伏組串選取方法，將其作為光伏組串故障診斷時(shí)的參考，并利用某集中式光伏電站的實(shí)際運(yùn)行數(shù)據(jù)對該方法進(jìn)行了驗(yàn)證。研究結(jié)果顯示：1）通過與其他光伏組串的輸出功率進(jìn)行對比，驗(yàn)證了所選標(biāo)桿光伏組串的合理性；2）故障光伏組串所顯示出的故障狀態(tài)與基于所提出的故障診斷規(guī)則得到的結(jié)果一致，證明了此故障診斷方法的有效性。

[參考文獻(xiàn)]

[1] 國家能源局. 國家能源局發(fā)布2022年全國電力工業(yè)統(tǒng)計(jì)數(shù)據(jù)[EB/OL]. （2023-01-18） [2023-07-10]. http：//www.nea.gov.cn/202301/18/c1310691509.htm.

[2] 贠旭明. 光伏發(fā)電系統(tǒng)發(fā)電效率評估[D]. 北京：華北電力大學(xué)，2017.

[3] 吳春華，俞薛穎，李智華，等. 基于FCM與高斯隸屬度的光伏組件健康狀態(tài)診斷[J]. 電網(wǎng)技術(shù)，2022，46（5）：1887-1896.

[4] 丁坤，劉振飛，高列，等. 基于主成分分析和馬氏距離的光伏系統(tǒng)健康狀態(tài)研究[J]. 可再生能源，2017，35（1）：1-7.

[5] 丁坤，陳富東，翁帥，等. 基于I-V特性灰色關(guān)聯(lián)分析的光伏陣列健康狀態(tài)評估[J]. 電網(wǎng)技術(shù)，2021，45（8）：3087-3095.

[6] 鄭杰，陳思銘，鐘柳，等. 海南大型并網(wǎng)光伏電站性能質(zhì)量評價(jià)與分析[J]. 廣東科技，2013，22（24）：149-150，146.

[7] ARORA R，ARORA R，SRIDHARA S N. Performance assessment of 186 kWp grid interactive solar photovoltaic plant in Northern India[J]. International journal of ambient energy，2022，43（1）：128-141.

[8] 張建，夏烈，徐亮輝，等. 基于最小鑒別信息組合賦權(quán)法的光伏發(fā)電單元綜合評價(jià)技術(shù)研究[J/OL]. 電源學(xué)報(bào)，2022：1-12 （2022-12-30）. https：//kns.cnki.net/kcms2/article/abstract？v=4wkQyjAcIEfubK5iCOoHpcngAfCiwTlpBNzQmMFtKXaqoFZsIDeHy0uG2adiiRyVHCOy6GFpqnKaXvPAIWgNj36wFRkbgfNb2FImZiHOMXi-G6R1pAEZDQzEl2dtK-y8PG5ybxASrpscP7FBCZ90ZdiHuGidVpOwCwDMeR5lrmgHSQ0hMwZBIzBvWLHwUyKIdxD-19t45kM=amp;uniplatform=NZKPTamp;language=CHS.

[9] 何紅光，王萍，周曉青，等. 灰色多層次綜合評價(jià)法在光伏電站技術(shù)性能評價(jià)中的應(yīng)用[J]. 華北電力技術(shù)，2014 （3）：28-33.

[10] 蔣琳，蘇建徽，李欣，等. 基于可見光和紅外熱圖像融合的光伏陣列熱斑檢測方法[J]. 太陽能學(xué)報(bào)，2022，43（1）：393-397.

[11] 徐小奇，劉海波. 基于神經(jīng)網(wǎng)絡(luò)的光伏電池紅外熱圖熱斑識(shí)別[J]. 科學(xué)技術(shù)創(chuàng)新，2021 （16）：92-94.

[12] MUTTILLO M，NARDI I，STORNELLI V，et al. On field infrared thermography sensing for PV system efficiency assessment：results and comparison with electrical models[J]. Sensors，2020，20（4）：1055.

[13] CHEN Z C，CHEN Y X，WU L J，et al. Accurate modeling of photovoltaic modules using a 1-D deep residual network based on I-V characteristics[J]. Energy conversion and management，2019，186：168-187.

[14] 方洛迪，郭倩，衛(wèi)東，等. 遮擋狀態(tài)下光伏組件多峰輸出特性的參數(shù)計(jì)算與分析[J]. 太陽能學(xué)報(bào)，2022，43（7）：115-121.

[15] 國家市場監(jiān)督管理總局，國家標(biāo)準(zhǔn)化管理委員會(huì). 光伏發(fā)電效率技術(shù)規(guī)范：GB/T 39857—2021[S]．北京：中國標(biāo)準(zhǔn)出版社，2021.

[16] ZHANG J，SOUMA C，ACHILLE M，et al. A multivariate and multimodal wind distribution model[J]. Renewable energy，2013，51：436-447.

[17] XU H X，CHEN C" H，CONG F Y，et al. Independent component analysis based on nonparametric density estimation on time-frequency domain[C]//2005 IEEE Workshop on Machine Learning for Signal Processing，October 13-16，2019，Pittsburgh，USA.[s.l.：s.n.]，2019.

Benchmark PV string selection method and

its application in fault diagnosis

Su Ying1，Sun Shuang2，Sun Yong1，Yue Bo1，Zhu Honglu2，Wu Haifei1

（1. China Three Gorges Corporation，Institute of Science and Technology，Beijing 101199，China；

2. School of New Energy，North China Electric Power University，Beijing 102206，China）

Abstract：In order to achieve accurate and rapid diagnosis of PV string faults，meet the needs of intelligent operation and maintenance of PV power stations，and address the problem of difficulty in determining the benchmark operating state of PV strings in actual operation，this paper proposes a kind of" method for selecting PV strings under the benchmark operating state based on actual operating data （i.e. benchmark PV strings），and applies it to PV string fault diagnosis. Firstly，a multi index comprehensive evaluation algorithm is used to select the benchmark PV string. Then，based on the relative error of output voltage and output current between the benchmark PV string and other PV strings，a fault diagnosis rule for PV strings is designed based on the 3σ criterion. Finally，the rationality and effectiveness of the proposed method are verified using actual operating data of PV strings in a centralized PV power station. The research results show that：1） The rationality of the selected benchmark PV string is verified by comparing its output power with other PV strings. 2） The fault state displayed by the faulty PV string is consistent with the results obtained based on the proposed fault diagnosis rules，which proves the effectiveness of this fault diagnosis method.

Keywords：PV" power stations；PV strings；benchmark selection；fault diagnosis；rule of 3σ criterion