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。……