科创中国

所建立的光伏系统故障状态智能诊断系统，通过逆变器获取阵列的工作点数据（包括输出电流，输出电压，输出功率）以及IV特性曲线数据，通过配套的辐照仪和温度传感器获取环境参数。数据汇集到故障智能诊断系统中，同时系统中集成了相关的数据处理和故障诊断算法。整个诊断系统主要包括3个部分，分别是模型参数优化、故障预判断、故障精确判断。

光伏阵列是光伏发电系统的重要组成部分，由于其长期工作在比较恶劣的环境中，在各种因素的影响下阵列中的组件难免会发生—些故障，例如组件开路、旁路二极管短路、组件老化等故障。故障的发生不仅会降低系统的输出功率，严重的甚至会引起火灾等严重完全事故，因此开展光伏系统故障状态的诊断研究势在必行。常见的光伏系统故障诊断方法有：基于电路结构法，基于数学模式法，基于红外图像法，基于电气测量法等等，这些方法在某些故障诊断上还是有—定效果，但大多存在精度较差，成本较高，诊断不全面等缺点。通过对光伏阵列输出IV特性曲线的研究，发现其IV曲线包含较多阵列的工作状态信息，通过特征点的分析，能很好的进行光伏系统故障状态的诊断。通过现在越来越多的逆变器厂商在逆变器中加入了阵列IV曲线扫描和通讯功能，这也给基于IV曲线的系统故障诊断的实现提供了条件。

依据未来智能光伏电站的建设要求，实现“无人值守，少人值班”的可能性需要建立在算法智能化、设备智能化、人工智能化、传输智能化等方面的基础上，随着智能化技术的不断进步，光伏组件故障诊断方法也需要不断升级，这不仅是对光伏组件故障诊断领域的研究提出了更高要求，更是对整个光伏运维行业提出了更高要求。基于上述几种光伏组件故障诊断方法诊断特点的分析，对光伏组件故障诊断技术的发展趋势进行预测。

未来，基于电路结构的光伏组件故障诊断方法的发展趋势为：一方面，要找到采用传感器数量最小的光伏阵列电路结构；另一方面，需要与智能算法相结合，从增加传感器检测的物理层面与数据分析及诊断的理论层面这 2 个方向进行故障光伏组件的定位和诊断，此类诊断方法是未来智能光伏电站建设的决策性因素 [14,55]。

对算法的自学习、自适应性提出一定要求，使算法能够在任何智能光伏电站评价中准确发挥出其作用是智能算法的一大研究趋势。为了提高光伏电站的运维效率并降低运维工作量，实现精细化运维管理，故障诊断级别达到光伏组件级也是未来光伏组件故障诊断技术发展的热门方向。

河海大学机电工程学院以机械工程学科为主导方向，以机械、机器人、能源与动力、金属材料、工业设计等专业为主要特色，面向工程应用，培养现代机械设计、制造自动化与信息化、机器人设计及制造、机电系统测试与控制、金属材料加工、焊接工艺与设备、电厂热能动力工程、空调与制冷、疏浚技术与装备、水工金属结构、工业设计等方面的高级工程技术人才。 学院设有疏浚技术教育部工程研究中心、机电控制及自动化水利部重点实验室、特种机器人技术江苏省高校重点实验室；设有常州市数字化制造技术重点实验室、常州市光伏系统集成与生产装备技术重点实验室、常州市特种机器人及智能技术重点实验室等学科科研平台；设河海大学机械设计与制造研究所、河海大学机电控制及水下机器人研究所、河海大学焊接技术与金属结构研究所、河海大学能源与动力工程研究所、河海大学工业设计研究所、河海大学特种机器人研究所等科研机构。

太阳能发电作为一种清洁、环保的新能源发电方式，近年来得到广泛应用，其中，光伏发电的发展尤为迅猛。我国光伏电站的装机规模逐年递增，截至 2019 年底，光伏发电装机容量已累计达到204.3 GW。

建议开展产学研用合作，通过技术入股的方式合作