杭州华电下沙热电有限公司 林 翀 周皖奎 丁智华

1 光伏组件故障机理

由于光伏面板长期在室外环境工作，不可避免的发生受损、老化等问题，导致热斑、裂纹等故障，影响了光伏面板的稳定运行，缩短了使用寿命。因此光伏组件的故障诊断成为业界所关注的重点话题。现阶段光伏发电厂的信息化系统已十分完善，光伏组件实时的生产数据被系统采集和储存，因此基于数据驱动的光伏组件故障诊断方法开始流行。叶进[1]等通过改进的DBSCAN 算法，基于电站的经纬度对地理位置进行聚类，对比将发电量较低的电站判定为异常。孙艳[2]采用核极限学习机对采集数据和各状态之间的关系进行学习，并使用改进粒子群算法对模型参数进行优化。王元章等[3]分析不同故障特性图并建立BP 神经网络，对正常工作、短路故障及异常老化故障进行学习和诊断。李红涛等[4]使用最小二乘支持向量机学习短路电流，开路电压，最大功率点电流和压值之间的关系，在小样本量的试验中准确率超过了90%。

光伏组件常见的故障有热斑、玻璃开裂、导线老化、导线短路、内部断路等。当光伏组件发生故障时输出的电流、电压会随之改变。如发生热斑时，由于热斑区域大量消耗能量会导致输出电流降低。但随着故障的不同和外界环境的变化，电流、电压的变化规律也十分复杂，因此需要能有效识别故障状态与电流、电压间关系的方法。本文提出基于隐马尔可夫模型(Hidden Markov model,HMM)对组件的劣化状态进行判断，实现对故障提前发出警告目的。

2 HMM 模型原理

HMM 是一种时间序列模型，其假设观测到的值都是由当前状态所决定，在语音识别、文字识别等领域使用较多。对于一个HMM 通常有三个基本问题：观测序列的概率计算问题。对于已知的HMM，λ=（A,B,π） 和观测序列O={o1,o2,…ot}，计算观察值序列O 出现的概率P（O|λ）；马尔科夫模型的参数学习问题。当观测序列O={o1,o2,…ot}已知时,学习λ 的的参数（A,B,π），使得观测序列出现的概率P（O|λ）最大；最优序列的计算问题。当模型的参数（A,B,π）和观测序列O={o1,o2,…ot}给定时,找到能最好解释当前观测序列的状态序列，即求解使P（I|O）最大的状态序列I={i1,i2,…it}。对于光伏组件的故障诊断，将不同的发电功率等级设定为模型的当前状态，而观测到的参数种类为当前观测值。用HMM对故障进行预警分为两个步骤：使用不同状态下的光伏组件历史生产数据训练对应的模型，再将实时的生产数据输入训练好的模型分别计算其概率，概率最大者为实时的状态。

2.1 参数学习

根据状态序列是否可知，参数学习问题可分为有监督和无监督两种，由于状态序列由发电功率等级表示、是已知的，因此使用有监督算法：转移概率矩阵A的求解。由状态i 转移到为状态j 的样本个数为Sij个,则由状态为i 转移到状态j 的概率的估计值为aij组成的矩阵即为转移概率矩阵A；观测概率矩阵B 的求解。状态为i 且观测值为j 的样本个数为Tij个，则状态为i 且观测值为j 的概率估计值为bi(j)组成的矩阵即为观测概率矩阵B；初始状态概率πi的估计值为所有样本中初始状态为i 的频率。

2.2 观测序列概率计算

概率计算问题可直接使用的是前向-后向算法。

前向算法：前向概率定义为在t 时刻部分观测序列为o1,o2,o3,…,ot，状态是qi的概率，记作αt（i）=P（o1,o2,…,ot,it=qi|λ）。其计算步骤为：对前向概率赋初值。αt(i)=πibi(o1)，i=1,2,…,N；递推计算各时刻的前向概率。bi(ot+1),i=1,2,…,N；终止计算。αT(i)。

后向算法：后向概率定义为在t 时刻部分观测序列为ot+1,ot+2,ot+3,…,oT，状态是qi的概率，记作βt(i)=P(ot+1,ot+2,…,oT,it=qi|λ)，其计算步骤为：对后向概率赋初值。βT(i)=1，i=1，2，…，N；递推计算各时刻的前向概率。βt+1(j),i=1,2,…，N；终止计算。πibi(o1)β1(i)。

根据前向概率和后向概率的计算方式，观测序列概率P（O|λ）统一写成aijbj(ot+1)βt+1(j),t=1,2,…，T-1。

3 HMM 用于故障预警

模型状态序列。光伏组件在运行时，随着外界环境的不同如气温、光照强度等，其发电功率也会发生变化。发电功率和气温、光照强度进行单独比较并非完全相关，应是多个外界因素共同决定。因此可用发电功率抽象描述整个外界环境，并将其作为隐马尔可夫的状态。在同一环境下短时间内为降低故障组件对光伏总体发电功率的影响，选取所有光伏组件发电功率的中位数来准确的描述环境。隐马尔可夫的状态是离散值而发电功率是连续值，因此需对发电功率进行离散化，以10W 为间隔将发电功率分成15种状态，一段时间的状态形成模型的状态序列。

图1 HMM 故障预警流程

图2 原始故障

图3 模型故障预测结果

模型观测序列。不同外界环境下其电流和电压数据不一样，可将其视为外界环境“产生”的值，即模型的观测值。由于马尔科夫模型的观测值也是离散的，因此也需将电流、电压值进行离散化，采用K 均值聚类的方式将样本中的电流、电压值进行聚类，电流—电压关系大致可分为20类，每一类作为一种观测值，一段时间的观测值形成模型的观测值序列。

模型的训练。光伏组件的故障诊断涉正常状态和遮挡、导线短路、导线开路、电池老化四种不同的故障状态，一共有5种状态。收集5种状态的历史数据并训练HMM 可得到5个HMM。将需诊断的数据分别输入到训练好的模型，计算当前观测序列出现的概率P（O|λ）可得到5个不同的概率值，概率最大的即为对应的状态。

模型结果分析。从2019年的光伏发电数据中收集不同工作状态下的数据，正常状态共50个样本，遮挡、导线短路、导线开路、电池老化各20个样本，时间序列长度为300分钟。每1分钟模型运行一次给出诊断结果。由图2、图3可知模型对光伏设备的故障预测基本保持较高的准确率，其中模型易将遮挡故障预测为电池老化，这也符合实际的认知。由此可知模型对光伏组件故障预警具有实际意义。