تشخیص عیب تدریجی تعمیم یافته با استفاده از پروفایل بازتاب سنجی نیروگاه فتوولتائیک

در سال های اخیر، تقاضای انرژی در سراسر جهان به دلیل توسعه مداوم صنعت به شدت افزایش یافته است. انرژی های تجدیدپذیر (RE) به عنوان مناسب ترین راه برای جایگزینی در تولید برق کلاسیک انرژی در آینده در نظر گرفته می شود. در میان تمام منابع RE، انرژی خورشیدی فتوولتائیک (PV) یک راه حل عملی، اقتصادی، کارآمد و کافی برای هر منطقه باقی می ماند. در واقع، مزایای متعددی مانند امکان تولید انرژی در هر جایی که نور خورشید وجود دارد، عدم وجود قطعات متحرک مکانیکی، عملیات عملیاتی و نگهداری کم هزینه، و محدودیت‌های جزئی موقعیت جغرافیایی دارد. با این حال، مانند هر سیستم دیگری، یک نیروگاه PV ممکن است به دلیل نقص هایی که ممکن است رخ دهد و عملکرد کلی آن را تهدید کند، از کار بیفتد. چنین عیوب را می توان به سه دسته اصلی دسته بندی کرد: عیوب بصری، مانند سایه، تشکیل خاک، و گرد و غبار. نقص های حرارتی، از جمله کابل های گرمایش و تشکیل نقطه داغ؛ و عیوب الکتریکی مانند خطاهای قوس خط به خط، خطای زمین، مدار باز و اتصال کوتاه. با توجه به این نکات، می توان نتیجه گرفت که شدت آسیب پانل PV عمدتاً تحت تأثیر دو پارامتر است: نوع نقص و میزان وقوع آن، که اجازه می دهد پیامد آن از یک مشکل فنی ساده تا یک مشکل خطرناک متفاوت باشد. از این رو، محققان اخیراً بر توسعه تکنیک های کارآمد برای شناسایی و مکان یابی عیوب PV برای جلوگیری از آسیب شدید تمرکز کرده اند. به عنوان مثال، کثیفی، گرد و غبار، سلول های سوخته و ناهماهنگی را می توان به راحتی از طریق تکنیک های بازرسی بصری مشاهده کرد. [7]. تکنیک های تصویربرداری مادون قرمز معمولاً با سایر الگوریتم ها یا تکنیک های تشخیص مانند بازرسی دستی ترکیب می شوند. [16]، [3]، [11] برای تشخیص عیوب حرارتی، مانند تشکیل نقطه داغ. به طور مشابه، تصویربرداری الکترولومینسانس را می توان در ارتباط با بازرسی بصری و مشخصه های جریان-ولتاژ (IV) برای ارزیابی تخریب ماژول های PV استفاده کرد. [18]. با این حال، چنین تکنیک‌هایی به دوربین‌های پرهزینه مادون قرمز نیاز دارند و بازرسی به صورت دستی یا حتی از آسمان با استفاده از پهپادها زمان می‌برد. در نهایت، تکنیک‌های پیشرفته‌ای برای رایج‌ترین عیوب الکتریکی پیشنهاد شده‌اند، مانند شبکه‌های عصبی مصنوعی که کارایی خود را در تشخیص و تشخیص بیشتر خطاهای معمول PV ثابت کرده‌اند. [39]، [34]، [25]، [47]با این حال، اکثر آنها بر اساس تصاویر حرارتی هستند [20] و به مجموعه داده های بزرگی برای داده های مبتنی بر یادگیری نیاز دارد [4]، [10]، با هزینه بالا برای تولید. سایر تکنیک های تشخیص خطا بر اساس ویژگی های منحنی IV هستند [8]، [33]، [24]با این حال، اگر حداکثر ردیابی نقطه توان (MPPT) اجرا شود، به دست آوردن دومی در طول عملکرد یک سیستم PV دشوار است. در واقع، MPPT حداکثر نقطه توان را حتی زمانی که خطا اتفاق افتاده است ردیابی می کند و بسیاری از آنها در چنین شرایطی غیرقابل شناسایی باقی می مانند. [32]، [6]. تکنیک‌های بازتاب‌سنجی دامنه‌ی زمانی گسترده (SSTDR) کارآمد هستند، اما علاوه بر اینکه قادر به تشخیص خطاهای همزمان و انواع آنها نیستند، به تجهیزات پرهزینه نیز نیاز دارند. [41]، [40]. بیشتر مطالعات تکنیک‌های تشخیصی برای گسل‌های خاص مانند گسل‌های خط به خط و زمین ارائه می‌دهند [37]، یا ماژول های اتصال کوتاه و رشته های قطع شده با استفاده از شبکه عصبی احتمالی [44] یا منطق فازی [45]و ترک های سلولی [27]و یک تکنیک تشخیص و مکان یابی کلی برای همه انواع نقص ها ارائه نکنید [1]، [29]. نقطه مشترک اصلی بین این کاغذها توانایی آنها در تشخیص خطاها در سطح ماکرو مقیاس (رشته های موازی یا آرایه PV) است، اما عدم شناسایی در سطح میکرو مقیاس با تشخیص محل دقیق ماژول PV در خطا. [28]، [15]، [5]. بسیاری از مقالات سعی می کنند این اطلاعات اخیر را با استفاده از حسگرهای جریان و ولتاژ در هر رشته استخراج کنند و داده ها را به صورت بی سیم جمع آوری کنند. [31]، [34]، [36]، [46]، هزینه بالایی برای استقرار چنین حسگرهای بی سیم روی آرایه های PV القا می شود.

این مقاله یک نسخه بهبود یافته از تکنیک تشخیص بازتاب سنجی را با استفاده از یک مدل سازی تحلیلی و تعمیم یافته جدید از تکنیک پروفایل بازتاب سنجی نیروگاه فتوولتائیک (PPRP) ارائه می کند. [22]، [21]. برخلاف تکنیک‌های تشخیص عیب ذکر شده در ادبیات، روش پیشنهادی PPRP به تجهیزات دوربین مادون قرمز پرهزینه یا بازرسی دستی یا زمان‌بر ماژول‌های PV نیاز ندارد. در واقع، PPRP اندازه‌گیری‌شده کارخانه PV بر اساس سیگنال منعکس‌شده اندازه‌گیری شده در ورودی رشته PV، ردیابی می‌شود که با PPRP ایده‌آل محاسبه‌شده با استفاده از مدل ریاضی پیشنهادی مقایسه می‌شود. یک دستگاه بازتاب سنجی دامنه زمانی دستی و کم هزینه مانند NanoVNA می تواند برای این کار به جای یک مولد پالس تجاری گران قیمت استفاده شود و در عین حال کارایی یکسانی را به دست آورد. [35]، [12]. هر گونه تفاوت بین دو منحنی PPRP معادل تغییر امپدانس است که ممکن است در اثر آسیب عایق کابل، خوردگی، گرمای بیش از حد، زنگ زدگی یا سایش اتصالات در آرایه PV ایجاد شود. برخلاف کارهای قبلی ما [22]، که یک رشته PV را تنها با هفت ماژول PV در نظر می گیرد، سهم قابل توجهی در اینجا فرمول PPRP تحلیلی برای یک رشته PV است که با هر عددی تشکیل شده است. ن ماژول های PV قادر به تشخیص هر گونه عیوب تدریجی و مکان یابی موقعیت آنها در سطح میکرو مقیاس، یعنی ماژول PV هستند. به طور خلاصه، برخلاف تکنیک‌های ذکر شده در بالا، رویکرد پیشنهادی امکان شناسایی و مکان‌یابی هر نوع نقصی را که منجر به تغییر امپدانس می‌شود، در مقیاس میکرو، بدون نیاز به دستگاه‌های پیچیده و گران‌قیمت می‌دهد. علاوه بر این، مهم است که نشان داده شود که رویکرد پیشنهادی قابل اعتماد و دقیق است، چه در مورد نقص PV یک یا چندگانه باشد. جدول 1 خلاصه ای از ویژگی های تکنیک های مختلف تشخیص عیب در ادبیات را در مقایسه با رویکرد پیشنهادی ارائه می دهد.

بقیه مقاله به شرح زیر سازماندهی شده است: بخش 2 مبانی نظری مورد استفاده در این مطالعه را ارائه می دهد، مانند مدل سازی PV و بازتاب سنجی حوزه زمان. بخش 3 مفهوم PPRP و مدل سازی کلی ریاضی آن را شرح می دهد و تجزیه و تحلیل نتایج شبیه سازی در بخش 4 ارائه شده است. نتیجه گیری و کار آینده در بخش 5 ارائه شده است.