光伏故障診斷技術(shù)發(fā)展研究的國內(nèi)外文獻(xiàn)綜述1.1國內(nèi)研究現(xiàn)狀2011年楊維翰[18]等人提出了紅外圖像檢測(cè)法應(yīng)用于光伏陣列故障檢測(cè)。此方法首先要測(cè)量每個(gè)電池板的溫度和整個(gè)光伏陣列的溫度平均值，計(jì)算電池板溫度和光伏陣列溫度平均值的差，若兩者的差不在提前設(shè)定好的閾值范圍內(nèi)就可以斷定該電池板發(fā)生了故障。這個(gè)方法雖然容易實(shí)施，但一座大型光伏電站內(nèi)通常有成千上萬個(gè)光伏陣列，若使用這個(gè)方法，費(fèi)時(shí)費(fèi)力。2013年，王元章[19]等人研究出一種用電站輸出特性參數(shù)來檢測(cè)故障的方法。他們對(duì)比了不同情況的輸出特性，再根據(jù)輸出特性的特征參數(shù)，建立了故障類型分類的規(guī)則，再判斷不同的電站輸出特性是否滿足規(guī)則，就可以判斷出是否故障。王元章等人只檢測(cè)了老化、斷路情況，其他情況是否適用還有待研究。2014年，樊京路[20]等人為了解決光伏電站并網(wǎng)逆變器故障問題，先使用小波分析提取逆變器的故障特征，再根據(jù)這些特征建立神經(jīng)網(wǎng)絡(luò)模型，對(duì)這些故障進(jìn)行分類。這個(gè)方法解決了逆變器故障難以在線診斷的難題，但是能否應(yīng)用于實(shí)際光伏電站，還需要進(jìn)一步研究。2015年，李練兵[21]等人在BAM神經(jīng)網(wǎng)絡(luò)（雙向關(guān)聯(lián)神經(jīng)網(wǎng)絡(luò)）的基礎(chǔ)上，結(jié)合故障數(shù)來進(jìn)行故障診斷。故障樹是一種邏輯樹狀圖，可以分析故障的“因果”。先用故障樹學(xué)習(xí)組件產(chǎn)生故障的原因以及故障的表現(xiàn)，從而確定故障出現(xiàn)的條件和概率，再將這些經(jīng)驗(yàn)標(biāo)記訓(xùn)練樣本，再建立雙向關(guān)聯(lián)神經(jīng)網(wǎng)絡(luò)來進(jìn)行故障診斷。這種方法對(duì)故障樹的建立有著很高要求，并且過度依賴先驗(yàn)知識(shí)，難以大幅度推廣。2017年，王福忠[22]等人用遺傳算法和自適應(yīng)粒子群算法改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)（徑向基神經(jīng)網(wǎng)絡(luò)），建立模型來進(jìn)行故障檢測(cè)，通過實(shí)驗(yàn)對(duì)比，證明了方法的優(yōu)越性。2018年，魏子杰[23]等人基于電站運(yùn)行數(shù)據(jù)，使用無監(jiān)督模糊C均值聚類（FCM聚類）算法計(jì)算故障樣本聚類中心，再用模糊隸屬算法（FM算法）計(jì)算數(shù)據(jù)樣本對(duì)聚類中心的隸屬程度來判定故障類型。同一年，楊宏超[24]等人用改進(jìn)粒子群算法計(jì)算光伏組件的特征參數(shù)，模擬出光伏組件實(shí)際運(yùn)行情況。在此基礎(chǔ)上結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行故障檢測(cè)。韓偉[25]等人用人工魚群優(yōu)化算法計(jì)算光伏組件的特征參數(shù)，再訓(xùn)練以組件參數(shù)為輸入向量的神經(jīng)網(wǎng)絡(luò)，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)用于故障檢測(cè)。2020年，毛峽[26]等人提出一種紅外光伏圖像自動(dòng)拼接算法。通過快速魯棒特征檢測(cè)算子減少算法的迭代次數(shù)，基本消除了紅外圖像法應(yīng)用于光伏組件故障診斷時(shí)的錯(cuò)誤匹配和累計(jì)誤差。1.2國外研究現(xiàn)狀光伏電站建立在偏遠(yuǎn)地區(qū)，如果可以遠(yuǎn)程檢測(cè)光伏電站所有設(shè)備的運(yùn)行狀態(tài)，對(duì)于故障檢測(cè)有著重大意義。2008年Benghanem.M用微控制器獲取站點(diǎn)中光伏組件的各種數(shù)據(jù)，用高頻無線技術(shù)將數(shù)據(jù)傳送到服務(wù)器，并計(jì)算出實(shí)際情況下的光伏組件[27]的電流－電壓曲線。這樣就可以實(shí)時(shí)監(jiān)控光伏電站的運(yùn)行情況，但這個(gè)方法對(duì)服務(wù)器的要求較高，成本較高。2012年NuriGokmen[28]提出了基于傳感器的診斷方法。通過傳感器測(cè)量組串的溫度、電壓、電流，并與正常情況下的數(shù)值進(jìn)行比較來判斷組串是否發(fā)生故障。但這種方法需要大量的傳感器，在大型電站應(yīng)用時(shí)，成本較高。2013年，MassiPavan[29]提出葉斯神經(jīng)網(wǎng)絡(luò)(BNN)模型應(yīng)用于光伏故障診斷，通過計(jì)算光伏組件故障前的功率與故障后的功率的差，不同故障對(duì)應(yīng)的差值不同，以此來判斷故障。2014年LoredanaCristaldi[30]通過預(yù)測(cè)發(fā)電量的方式來檢測(cè)故障，這種方法主要檢測(cè)組件老化和積灰兩種故障。通過公共氣象站提供的天氣信息以及組件本身的參數(shù)來預(yù)測(cè)發(fā)電量，并與實(shí)際發(fā)電量進(jìn)行對(duì)比，判斷是否出現(xiàn)積灰或老化現(xiàn)象。但這種方法受天氣影響比較大，準(zhǔn)確性有一定的波動(dòng)。2015年SergiuSpataru[31]等人提出可以利用逆變器的IV曲線的變化來檢測(cè)陰影遮擋、老化等故障。同年，RaduPlaton[32]等人提出了一種智能在線故障診斷模型，用測(cè)量到的光伏陣列輸出電流、電壓、功率和通過數(shù)學(xué)模型模擬出的值進(jìn)行對(duì)比，計(jì)算兩者差值，并設(shè)置了差值的上下限，如果超過上限或者下限系統(tǒng)就會(huì)報(bào)警。但是這種方式只能檢測(cè)出故障，無法判斷故障類型。2016年，il-SongKim[33]研究了并網(wǎng)式光伏電站特點(diǎn)，使用小波變化來判別電站結(jié)構(gòu)故障。HariharanR[34]提出了一種在不同輻照度條件下的檢測(cè)方法，通過檢測(cè)陣列電流、電壓、所受到的輻照度與理論對(duì)比來判定陣列是否存在陰影遮擋。ChineW.[35]利用人工神經(jīng)網(wǎng)絡(luò)(ANN)的故障診斷方法。通過仿真模型計(jì)算不同輻照度、不同溫度下的光伏陣列的輸出電流電壓和峰值功率等參數(shù)值，并與實(shí)際測(cè)量的數(shù)值進(jìn)行比較，達(dá)到識(shí)別故障的目的。同年，RachidDabou在南非研究了不同天氣時(shí)（例如沙塵暴、多云、大風(fēng)等）并網(wǎng)光伏系統(tǒng)的輸出及性能，為光伏電站的建址研究及故障研究提供了大量依據(jù)[36]。2017年MahmoudDhimish[37]提出了基于第三階多項(xiàng)式函數(shù)的故障檢測(cè)方法，設(shè)置固定的光伏組件工作環(huán)境，利用LabVIEW模擬軟件來模擬組件的電壓比和電流比，并進(jìn)行故障診斷。ElyesGaroudja針對(duì)光伏電池的陰影和直流側(cè)故障，利用單二極管模型和經(jīng)過指數(shù)加權(quán)的功率計(jì)算公式，對(duì)光伏組件的功率變化進(jìn)行檢測(cè)，并與實(shí)際數(shù)據(jù)進(jìn)行對(duì)比[38]。在數(shù)據(jù)處理技術(shù)飛速發(fā)展的時(shí)代，采用更智能、更高效的光伏故障診斷方式勢(shì)在必行。通過智能的系統(tǒng)實(shí)現(xiàn)光伏電站的無人化管理成為一種潮流趨勢(shì)。而目前流行的算法對(duì)于大量光伏電站運(yùn)行數(shù)據(jù)的利用還不夠充分，如何更加智能的診斷光伏故障還有待研究。參考文獻(xiàn)JordanDC,KurtzSR.PhotovoltaicDegradationRates—anAnalyticalReview[J].ProgressinPhotovoltaicsResearchandApplications,2013,21(12-29)：1182-1193.SilvestreS,Silva,ChouderA,etal.NewprocedureforfaultdetectioningridconnectedPVsystemsbasedontheevaluationofcurrentandvoltageindicators[J].EnergyConversionandManagement,2014,86(10):241-249.國際能源署“2020世界能源展望”四大看點(diǎn)[J].中外能源,2021,26(02):98.InternationalGasUnion;InternationalGasUnionwelcomesfindingsofIEA'sWorldEnergyOutlook[J].MedicalLetterontheCDC&FDA,2020,:178-185.HuY,ZhangJ,CaoW,etal.OnlineTwo-SectionPVArrayFaultDiagnosiswithOptimizedVoltageSensorLocations[J].IEEETransactionsonIndustrialElectronics,2015,62(11):7237-7246.YuanLiyuan,ZhuQunzhi,ZhangTao,DuanRui,ZhuHaitao.Corrigendumto“Performanceevaluationofaco-productionsystemofsolarthermalpowergenerationandseawaterdesalination”[Renew.Energy169(2021)1121-1133][J].RenewableEnergy,2021,172.LiuG,NguangSK,PartridgeA.AgeneralmodelingmethodforI–Vcharacteristicsofgeometricallyandelectricallyconfiguredphotovoltaicarrays[J].EnergyConversionandManagement,2011,52(12):3439-3445.桑軒昂.無人機(jī)紅外熱斑檢測(cè)在光伏電站中的應(yīng)用[J].產(chǎn)業(yè)與科技論壇,2017,16(09):66-67.VargaNóra,MayerMartinJános.Model-basedanalysisofshadinglossesinground-mountedphotovoltaicpowerplants[J].SolarEnergy,2021,216-220.GhaliFMA,SyamFA,AbdelazizMM.AnalysisofinterconnectedconfigurationinPVarrysunderfaultcondition[J].MidwestSymposiumonCircuitsandSystems,2004,3:1095-1099.LiuY,LiB,ZhongD.ResearchonDomesticPVModuleStructureBasedonFaultDetection[C]//WorldCongressonIntelligentControlandAutomation;WCICA2010.171-175.BeiN,FuZ,LiW,etal.AutomaticDetectionofDefectsinSolarModules:ImageProcessinginDetecting[C]//InternationalConferenceonWirelessCommunicationsNetworking&MobileComputing.IEEE,2010：1-4.KarmakarBK,PradhanAK.DetectionandClassificationofFaultsinSolarPVArrayUsingTheveninEquivalentResistance[J].IEEEJournalofPhotovoltaics,2020,PP(99):1-11.SilvestreAC.AutomaticsupervisionandfaultdetectionofPVsystemsbasedonpowerlossesanalysis[J].EnergyConversionandManagement,2010,51(10):1929-1937.

JianengT,YongqiangZ,WenshanW.F